École Supérieure Privée d’Ingénierie et de Technologies

Probabilité I
Corrigé de la série d’exercices №3 :
Vecteurs aléatoires réels
Niveau : 4ème année D.S & INFINI Année universitaire : 2020-2021

Exercice 1 :
On lance 3 fois une pièce de monnaie. On considère X la variable aléatoire qui compte le nombre
de piles obtenues lors de 3 lancers, et Y le numéro du lancer qui donne face pour la 1ère fois.
1. Donner l’ensemble des résultats possibles du vecteur (X, Y ).
(On pose Y = 0, si l’on n’obtient pas de face après 3 lancers.)
2. Déterminer la loi du vecteur (X, Y ).
3. En déduire les lois marginales PX et PY
4. On désigne par F(X,Y ) la fonction de répartition du (X, Y ), donner la valeur de F(X,Y ) (2, 0).
5. Déterminer l’espérance du vecteur (X, Y ).

Solution :

1. L’ensemble des résultats possibles du vecteur (X, Y ) est :

(X, Y )(Ω) = X(Ω) × Y (Ω) = {0, 1, 2, 3} × {0, 1, 2, 3} = {0, 1, 2, 3}2

Le vecteur (X, Y ) est bien un vecteur discret.

2. Pour déterminer la loi de (X, Y ), on va dénombrer toutes les possibilités en calculant les
probabilités de chaque occurrence des couples (X, Y ), qui sont de la forme :

P(X = i, Y = j), ∀(i, j) ∈ {0, 1, 2, 3}2

Alors en désignant par F et P respectivement le tirage ”Face” et ”Pile”, on obtient :

P(X = 0, Y = 0) = P(X = 1, Y = 0) = P(X = 2, Y = 0) = P(∅) = 0

1 1 1 1
P(X = 3, Y = 0) = P(P P P ) = × × =
2 2 2 8
1 1 1 1
P(X = 0, Y = 1) = P(F F F ) = , P(X = 1, Y = 1) = P(F P F ou F F P ) = + =
8 8 8 4
1
P(X = 2, Y = 1) = P(F P P ) = , P(X = 3, Y = 1) = P(∅) = 0
8

1
 1
P(X = 0, Y = 2) = P(X = 3, Y = 2) = P(∅) = 0, P(X = 1, Y = 2) = P(P F F ) =
8
1
P(X = 2, Y = 2) = P(P F P ) =
8
P(X = 0, Y = 3) = P(X = 1, Y = 3) = P(X = 3, Y = 3) = P(∅) = 0
1
P(X = 2, Y = 3) = P(P P F ) =
8
Également, on a coutume à représenter la loi (conjointe) du couple (X, Y ) dans le tableau
suivant :

où par exemple dans la deuxième colonne de la première ligne, on lit P(X = 1, Y = 0).
On voit bien aussi que la somme sur toutes les lignes et les colonnes vaut 1.

3. D’après le tableau, pour obtenir la loi marginale PX (loi de la v.a.r X), il suffit de sommer
en ligne, en revanche pour obtenir la loi marginale PY (loi de la v.a.r Y ), il suffit de sommer
en colonne.
D’où on obtient PX est donnée par :
1 3
P(X = 0) = P(X = 3) = , P(X = 1) = P(X = 2) = ,
8 8
De même la loi PY est donnée par :
1 1 1
P(Y = 0) = P(Y = 3) = , P(Y = 1) = , P(Y = 2) = .
8 2 4

4. Par définition ∀(x, y) ∈ R2 , la fonction de répartition d’un couple aléatoire est égale à :
X X
F(X,Y ) (x, y) = P(X = k1 , Y = k2 )
k1 ∈{0,1,2,3}|k1 ≤x k2 ∈{0,1,2,3}|k2 ≤y

2
 Donc,
X X
F(X,Y ) (2, 0) = P(X = k1 , Y = k2 )
k1 ∈{0,1,2,3}|k1 ≤2 k2 ∈{0,1,2,3}|k2 ≤0
X X
= P(X = k1 , Y = k2 )
k1 ∈{0,1,2} k2 =0
= P(X = 0, Y = 0) + P(X = 1, Y = 0) + P(X = 2, Y = 0)
= 0

5. Le vecteur espérance du couple (X, Y ) est donné par :

0 × 18 + 1 × 38 + 2 × 3 1 3
   
   E(X)  8 +3× 8 2
E (X, Y ) = = = 
E(Y )
0 × 18 + 1 × 12 + 2 × 1
4 +3× 1
8
11
8

Exercice 2 :
On dispose d’un couple aléatoire (X, Y ) telle que sa densité conjointe est donnée par :
 −(x+y)
ke , si x > 0 et y > 0
f(X,Y ) (x, y) =
0 , sinon

avec k ∈ R.
1. Déterminer la constante k.
X
2. Déterminer la fonction de répartition FZ de la v.a. Z = Y (P.ps).
X
3. En déduire la fonction densité de probabilité fZ de la v.a. Z = Y (P.ps)
.
Solution :

1. Comme f(X,Y ) est une densité sur R2 , et elle est déjà continue alors il suffit qu’elle vérifie :
Z
f(X,Y ) (x, y)dx dy = 1
R2
Z +∞ Z +∞
⇒ k e−(x+y) dx dy = 1
0 0
Z +∞ Z +∞
−y
⇒ k e dy e−x dx = 1
0 0
| {z }| {z }
=1 =1

⇒ k=1 .

Pour k = 1, f(X,Y ) est bien positive sur R2 .

3
  
2. ∀z ∈ R, FZ (z) = P(Z ≤ z) = P( X
Y ≤ z) = P (X, Y ) ∈ Ω z

avec Ωz désigne le domaine d’étude du couple (X, Y ) afin que l’événement { X

Y ≤ z} se
réalise. Donc ∀z ∈ R, Ωz est défini par :
x
Ωz = {(x, y) ∈ R2 | x > 0, y > 0 et ≤ z}
y
= {(x, y) ∈ R2 | x > 0, y > 0 et x ≤ zy}
= {(x, y) ∈ R2 | 0 < x ≤ zy et y > 0}
= [0, zy]×]0, +∞[
Par la suite, ∀z ∈ R, on obtient :
 
FZ (z) = P (X, Y ) ∈ Ωz
Z
= f(X,Y ) (x, y)dx dy
Ωz
Zzy Z +∞
= e−(x+y) dydx.
0 0
Z +∞  Z zy 
= e−y e−x dx dy.
0 0

Alors selon les valeurs de z ∈ R, on a :

* Si z ≤ 0, Ωz = ∅ ⇒ FZ (z) = 0.
* Si z > 0,
Z +∞  Z zy 
−y
FZ (z) = e e−x dx dy
0 0
Z +∞
= e−y (1 − e−zy )dy
0
Z +∞ Z +∞
−y
= e dy − e−y(1+z) )dy
0 0
1
= 1− .
1+z
D’où la fonction de répartition de Z est :
1

1 − 1+z , si z > 0.
FZ (z) =
0 , si z ≤ 0.
3. Comme la fonction de répartition FZ est déjà calculée, alors la fonction densité de probabilité
fZ de la v.a.r Z = X
Y est égale :
(
1
, si z > 0.
fZ (z) = F0Z (z) = (1+z)2
0 , si z ≤ 0.
———————————————————
Remarque : Afin de connaı̂tre la loi de la variable aléatoire quotient entre deux v.a quelconques X
et Y , on devra connaı̂tre la loi de probabilité du couple aléatoire (X, Y ).
———————————————————-

4
Exercice 3 :
On considère le couple aléatoire (X, Y ) de densité conjointe donnée par :
 −yx2
e , si x ≥ 1 et y > 0
f(X,Y ) (x, y) =
0 , sinon

1. Calculer P(Y X 2 > 1).

2. Déterminer les densités marginales fX et fY resp. de X et de Y .
(Indication : On pourra utiliser la définition de la fonction de répartition FN d’une loi
normale).
3. Les variables aléatoires X et Y sont-elles indépendantes ?

Solution :
  R
1. On a ∀(x, y) ∈ R2 , P(Y X 2 > 1) = P (X, Y ) ∈ Ωx,y = Ωx,y f(X,Y ) (x, y)dx dy
avec Ωx,y est le domaine d’étude du couple (X, Y ) tel que l’événement {Y X 2 > 1} se réalise.
D’où afin de définir ce domaine d’intégration, Ωx,y s’écrit :

Ωx,y = {(x, y) ∈ R2 | x ≥ 1, y > 0 et yx2 > 1}

1
= {(x, y) ∈ R2 | x ≥ 1, y > 0 et y > 2 }
x
1
= {(x, y) ∈ R2 | x ≥ 1 et y > 2 }
x
1
= [1, +∞[×] 2 , +∞[
x
Donc on trouve maintenant que :
Z
P(Y X 2 > 1) = f(X,Y ) (x, y)dx dy
Ωx,y
Z +∞  Z +∞ 
−yx2
= e dy dx
1
1
x2
+∞ h
−1 −yx2 i+∞
Z
= e dx
1 x2 1
x2
Z +∞
1 −1
= e dx
1 x2
h −1 i+∞
= e−1 = e−1
x
| {z } 1
=1

⇒ P(YX2 > 1) = e−1 .

2. Les densités marginales fX et fY sont données par :

5
 (a) La densité marginale fX de X est :
Z
∀x ≥ 1, fX (x) = f(X,Y ) (x, y)dy
R
Z +∞
−yx2
= e dy
0
h −1 2
i+∞
= 2
e−yx
x 0
1
= .
x2

(b) La densité marginale fY de Y est :

Z
∀y > 0, fY (y) = f(X,Y ) (x, y)dx
R
Z +∞
−yx2
= e dx.
1
2
À ce niveau il est clair qu’il faut intégrer une fonction de type gaussien (e−x ), donc
pour y parvenir, on doit faire apparaı̂tre la densité d’une loi normale.
D’où :
Z +∞
2
∀y > 0, fY (y) = e−yx dx.
1
Z +∞
−2yx2
= e 2 dx
1
Z +∞ √
−(x 2y)2
= e 2 dx
1
Z +∞
1 −z 2 p p
= √ √
e 2 dz (le changement de variable z = x 2y ⇒ dz = 2ydx)
2y 2y
r Z +∞
2π 1 −z 2
= × √ √
e 2 dz
2y 2π 2y
| {z }
√
1−fonction de répartition d’une N (0,1) au point 2y
r
π  p 
= × 1 − FN (0,1) ( 2y) , ∀y > 0.
y

3. ∀(x, y) ∈ [1, +∞[×]0, +∞[, comme

r
1 π  p  2
fX (x) × fY (y) = 2 × × 1 − FN (0,1) ( 2y) 6= e−yx = f(X,Y ) (x, y)
x y

alors les v.a. X et Y ne sont pas indépendantes.

6
Exercice 4 :
On considère le couple aléatoire (X, Y ) de densité conjointe suivante :
 −y
e , si 0 < x < y.
f (x, y) =
0, sinon.

1. Calculer les densités marginales fX et fY resp. de X et de Y

2. Les variables X et Y sont-elles indépendantes ?
3. On pose U = Y − X et V = X.
(a) Donner la densité conjointe du vecteur (U, V ).
(b) Déterminer la loi de la v.a. U , puis celle de la v.a. V .
(c) Les variables U et V sont-elles indépendantes ?.
4. Déterminer la matrice de covariance Σ de (X, Y ).

Solution :

1. Comme la densité conjointe du vecteur (X, Y ) est donnée par :

f(X,Y ) (x, y) = e−y 1{0<x<y} (x, y)

alors la densité marginale fX est égale à :

Z Z +∞
fX (x) = e−y 1{0<x<y} (x, y)dy = e−y dy, ∀x > 0
R x

Donc
fX (x) = e−x 1{x>0} (x) (loi exponentielle de paramètre 1)

Également la densité marginale fY vaut :

Z Z y
−y
fY (y) = e 1{0<x<y} (x, y)dx = e−y dx, ∀y > 0
R 0

Donc
fY (y) = ye−y 1{y>0} (y)

2. Les variables X et Y ne sont pas indépendantes car

fX (x) × fY (y) = e−x 1{x>0} (x) × ye−y 1{y>0} (y) 6= e−y 1{0<x<y} (x, y) = f(X,Y ) (x, y)

3. U = Y − X et V = X.
(a) Pour calculer la densité du vecteur (U, V ), on pose le changement de variable (U, V ) =
g(X, Y ), avec l’application g est définie par :

g : R2 → R2

(x, y) 7−→ (u = y − x, v = x)

7
 g est bien un C 1 -difféomorphisme de R2 dans R2 , avec g −1 est donnée par :
g −1 : R2 → R2
(u, v) 7−→ (x = v, y = u + v)
Le jacobien de g −1 est égal à :
 ∂x ∂x   
∂u ∂v 0 1
Jg−1 (u, v) = det ∂y ∂y = det = −1.
∂u ∂v
1 1
Donc d’après la formule de changement de variable, la densité conjointe du vecteur (U, V )
est la suivante :
 
f(U,V ) (u, v) = f(X,Y ) g −1 (u, v) |J(g −1 (u, v))| 1Img (u, v)
= e−(u+v) × | − 1| × 1Img (u, v)
Or 0 < x < y ⇒ 0 < v < u + v ⇒ u > 0 et v > 0.
Donc
f(U,V ) (u, v) = e−(u+v) 1]0,+∞[2 (u, v)

(b) Afin de déterminer la lois de U et V , il suffit de calculer les lois marginales fU et fV :

Z +∞
∗ ∀u > 0, fU (u) = e−(u+v) dv = e−u
0

⇒ fU (u) = e−u 1]0,+∞[ (u)

⇒ U∼ E(1)
De même, Z +∞
∗ ∀v > 0, fV (v) = e−(u+v) du = e−v
0
−v
⇒ fV (v) = e 1]0,+∞[ (v)
⇒ V∼ E(1)

(c) On a : fU (u) × fV (v) = e−(u+v) 1]0,+∞[2 (u, v) = f(U,V ) (u, v) alors les v.a U et V sont
indépendantes.
4. La matrice de covariance du couple (X, Y ) est donnée par :
 
V(X) cov(X, Y )
Σ=
cov(X, Y ) V(Y )
où V(X) = V(V ) = 1 (c’est la variance de la E(1)).
V(Y ) = V(U + V ) = V(U ) + V(V ) = 1 + 1 = 2 (U et V sont indépendantes et elles suivent
E(1).)
et cov(X, Y ) = cov(V, U + V ) = cov(V, U ) + cov(V, V ) = 0 + V(V ) = 1 (U et V sont
indépendantes ⇒ elles sont non corréllées.)
D’où ;  
1 1
Σ=
1 2

8
Exercice 5 :
On dispose d’une v.a X ∼ N (0, 1) et ε une v.a discrète indépendante de X de loi de probabilité
donnée par :
1
P(ε = 1) = P(ε = −1) = .
2
On pose la v.a Y = εX, P.ps
1. Donner la fonction de répartition FY de Y , puis en déduire la loi de Y .
2. Calculer cov(X, Y ).
3. Soit (a, b) ∈ R2 tel que 0 < a < b, alors :
(a) Déterminer P(−a ≤ X ≤ a) et puis P(−b ≤ Y ≤ b)
 
(b) Déterminer P − a ≤ X ≤ a, −b ≤ Y ≤ b .
4. Les v.a X et Y sont-elles indépendantes ?

Solution :

1. ∀y ∈ R, on a :

FY (y) = P(Y ≤ y) = P(εX ≤ y)

 
= P {X ≤ y, ε = 1} ∪ {−X ≤ y, ε = −1} (A et B sont disjoints)
| {z } | {z }
l0 événement A l0 événement B
= P({X ≤ y, ε = 1}) + P({−X ≤ y, ε = −1}) (X et ε sont indépendantes.)
= P(X ≤ y) × P(ε = 1) + P(X ≥ −y) × P(ε = −1)
1 
= FX (y) + 1 − FX (−y)
2
1 
= FX (y) + FX (y)
2
= FX (y).

Donc les variables X et Y ont la même loi et par la suite Y ∼ N (0, 1).
2. cov(X, Y ) = E(XY ) − E(X)E(Y )
où E(X) = E(Y ) = 0 (car X et Y suivent N (0, 1)).
Et

E(XY ) = E(εX 2 )
= E(X 2 1{ε=1} ) + E(−X 2 1{ε=−1} )
= E(X 2 )E(1{ε=1} ) − E(X 2 )E(1{ε=−1} )
 
= E(X 2 ) P(ε = 1) − P(ε = −1) (on rappelle que E(1A ) = P(A))
= 0

Doù ;
cov(X,Y)=0

9
3. On a X et Y ∼ N (0, 1) alors :
(a) P(−a ≤ X ≤ a) = FX (a) − FX (−a) = 2FX (a) − 1.
De même,
P(−b ≤ Y ≤ b) = FY (b) − FY (−b) = 2FY (b) − 1 = 2FX (b) − 1 (car X et Y ont la même
loi).

(b)
 
P −a≤X ≤ a, −b ≤ Y ≤ b
 
= P −a≤X ≤ a, −b ≤ εX ≤ b
 
= P −a≤X ≤ a, −b ≤ εX ≤ b, ε = 1) + P − a ≤ X ≤ a, −b ≤ εX ≤ b, ε = −1)
 
= P −a≤X ≤ a, −b ≤ X ≤ b, ε = 1) + P − a ≤ X ≤ a, −b ≤ −X ≤ b, ε = −1)
   
= P −a≤X ≤ a, −b ≤ X ≤ b × P(ε = 1) +P − a ≤ X ≤ a, −b ≤ X ≤ b × P(ε = −1)
| {z } | {z }
1/2 1/2
 
= P − a ≤ X ≤ a, −b ≤ X ≤ b
= P(−a ≤ X ≤ a) (car [−a, a] ⊂ [−b, b])
= 2FX (a) − 1
   
4. D’une part on : P(−a ≤ X ≤ a) × P(−b ≤ Y ≤ b) = 2FX (a) − 1 × 2FX (b) − 1
 
D’autre part : P − a ≤ X ≤ a, −b ≤ Y ≤ b = 2FX (a) − 1)
alors on obtient :
PX × PY 6= P(X,Y )
et par la suite les variables aléatoires X et Y ne sont pas indépendantes.
(pourtant qu’elles sont déjà non corréllées car leur covariance vaut 0).

10