Université Pierre & Marie Curie (Paris 6) Licence de Mathématiques L3

UE 3M290 – Probabilités 1 Année 2015–2016

Série d’exercices no 5. Vecteurs aléatoires

Une étoile désigne un exercice important.

Exercice 5.1. Une truite pond des oeufs au fond du torrent. Leur nombre N suit une loi de
Poisson de paramètre a > 0. Chaque oeuf survit avec une probabilité p ∈]0, 1[, indépendamment
des autres.
1. Soit M le nombre d’oeufs qui survivent. Donner la loi conjointe du couple (N, M ).
Donner la loi marginale et l’espérance de M .
2. M et N − M sont-elles indépendantes ?
Solution.
1. On calcule P(N = n, M = m). Sachant N = n, M est la somme de n Bernoulli
indépendantes de paramètre p (chaque oeuf survit avec probabilité p de façon indépendante),
donc la loi de M sachant N = n est B(n, p). On a en particulier P(N = n, M = m) = 0
si m > n. Si m ≤ n, on obtient
! "
n m
P(N = n, M = m) = P(M = m | N = n)P(N = n) = p (1 − p)n−m P(N = n).
m
n
N suit une loi de Poisson de paramètre a donc P(N = n) = e−a an! . D’où
! "
n m an an pm (1 − p)n−m
P(N = n, M = m) = p (1 − p)n−m e−a = e−a .
m n! m!(n − m)!

Pour calculer la loi de M , on somme sur toutes les valeurs que peut prendre N (on se
restreint à n ≥ m car P(N = n, M = m) = 0 si n < m) :
# # an pm (1 − p)n−m (ap)m # (a(1 − p))k
P(M = m) = P(M = m, N = n) = e−a = e−a
m!(n − m)! m! k!
n≥m n≥m k≥0

m
en posant k = n − m. On trouve que P(M = m) = e−ap (ap) m! donc M suit une loi de
Poisson de paramètre ap. On a E[M ] = ap (l’espérance d’une loi de Poisson de paramètre
λ est λ).
2. On a vu que
an pm (1 − p)n−m
P(N = n, M = m) = e−a .
m!(n − m)!
On le réécrit
(a(1 − p))ℓ −ap (ap)m
P(N − M = ℓ, M = m) = e−a(1−p) e .
ℓ! m!
Le couple (N − M, M ) a donc la loi d’un couple de deux variables indépendantes, de
loi de Poisson de paramètres respectifs a(1 − p) et p. En particulier, M et N − M sont
indépendantes.

Exercice 5.2. Soient n et N des entiers supérieurs ou égaux à 2 et X1 , . . . , Xn des variables

aléatoires indépendantes et distribuées uniformément sur l’ensemble {1, . . . , N }, (i.e. P(Xi =
k) = 1/N pour k = 1, 2, . . . , N ). On désigne par Un leur minimum et par Vn leur maximum.
1. Calculer la loi de Vn .
 2. Calculer la loi jointe de Un et Vn puis P(Un = Vn ).
Solution.
1. La fonction de répartition de Vn est
n
$ % k &n
P(Vn ≤ k) = P(X1 ≤ k, . . . , Xn ≤ k) = P(Xi ≤ k) =
N
i=1

par indépendance. On en déduit que

' k (n ' k − 1 (n
P(Vn = k) = P(Vn ≤ k) − P(Vn ≤ k − 1) = − pour 1 ≤ k ≤ N.
N N
2. Pour 1 ≤ k ≤ l ≤ N on a
n n
%) & $ (l − k + 1)n
P(Un ≥ k, Vn ≤ l) = P {k ≤ Xi ≤ l} = P(k ≤ Xi ≤ n) =
Nn
i=1 i=1

par indépendance. On obtient que, pour k ≤ ℓ,

(l − k + 1)n (l − k)n
P(Un = k, Vn ≤ l) = P(Un ≥ k, Vn ≤ l)−P(Un ≥ k+1, Vn ≤ l) = − .
Nn Nn
On remarque que

P(Un = k, Vn = l) = P(Un = k, Vn ≤ l) − P(Un = k, Vn ≤ l − 1).

On obtient (il faut distinguer les cas k ≤ l − 1 et k = l)

⎧
⎪ 1
⎪
⎨
n
[(l − k + 1)n − 2(l − k)n + (l − k − 1)n ] si 1 ≤ k < l ≤ N
P(Un = k, Vn = l) = N
⎩ 1
⎪
⎪
si k = l
Nn
.
On en déduit que P(Un = Vn ) = N N 1
k=1 P(Un = k, Vn = k) = N n = N n−1 . On aurait pu
le voir directement en remarquant que P(Un = Vn = k) = P(X1 = . . . = Xn = k) =
/ n 1 n
i=1 P(Xi = k) = ( N ) par indépendance puis conclure comme avant en sommant sur
k.

Exercice 5.3. Dans le bois de Vincennes, on modélise le diamètre d’un arbre par une variable
aléatoire X, et sa hauteur par une autre variable aléatoire Y . La loi jointe de X et Y est donnée
par la densité : fX,Y (x, y) = 41 (x + y)e−y pour y ≥ 0, 0 ≤ x ≤ 2.
1. Donner la densité marginale de X.
2. X et Y sont-elles independantes ?
3. Calculer E[X].
4. L’âge d’un arbre est donné par W = 12XY . Calculer E[W ].

Solution.
1. On calcule
0 0 ∞ 0 ∞
1 1% &
fX (x) = (x + y)e−y 1[0,2] (x)dy = 1[0,2] (x) x −y
e dy + ye−y dy
y≥0 4 4 0 0
x+1
= 1[0,2] (x) .
4
 2. X et Y ne sont pas indépendantes car fX,Y n’est pas le produit d’une fonction de x et
d’une fonction de y.
3. En se servant de la densité de X, on a
0 2
x+1 2 1 7
E[X] = x× dx = + = .
0 4 3 2 6
4. On calcule
0 +∞ 0 2
1
E[W ] = 12E[XY ] = 12 xy × (x + y)e−y dxdy
y=0 x=0 4
0 +∞ %8 &
=3 e−y y + 2y 2 dy = 8 + 12 = 20 .
y=0 3

Exercice 5.4. Soient (Xi )i≥1 une suite de v.a. i.i.d. (indépendantes identiquement distribuées).
On suppose que X1 admet une densité.
1. Montrer que pour tout i ̸= j, P(Xi = Xj ) = 0.
2. En déduire que P(X1 ≤ X2 ≤ . . . ≤ Xn ) = P(X1 < · · · < Xn ), et calculer cette quantité.
3. Calculer P(Xn > max1≤i≤n−1 Xi ).
Solution.
1. On a pour i, j ∈ N, i ̸= j, P(Xi = Xj ) = P((Xi , Xj ) ∈ D) où D = {(x, y), x = y}.
Comme D est de mesure1de Lebesgue nulle et que Xi , Xj sont indépendantes de densité
f , on a P(Xi = Xj ) = D f (x)f (y)dxdy qui est egale a zero car D est de mesure de
Lebesgue nulle. Par suite,
P(X1 ≤ X2 ≤ · · · ≤ Xn ) = P(X1 < X2 < · · · < Xn ).
2. Soit Sn l’ensemble des permutations des indices {1, . . . , n}. Comme les variables aléatoires
sont indépedantes et de même loi, pour toute permutation σ ∈ Sn , le n-uplet (X1 , X2 , . . . , Xn )
a même loi que (Xσ(1) , Xσ(2) , . . . , Xσ(n) ). Ainsi, P(X1 < X2 < · · · < Xn ) = P(Xσ(1) <
Xσ(2) < · · · < Xσ(n) ) pour toute permutation σ. On remarque que
2
Ω= {Xσ(1) < Xσ(2) < · · · < Xσ(n) } ∪ {∃ i ̸= j : Xi = Xj }.
σ∈Sn

La nullité de P(Xi = Xj ) pour i et j distincts donne que l’évènement {∃ i ̸= j : Xi = Xj }

est de probabilité nulle. Donc ,(en utilisant que la probabilité d’une union disjointe est
la somme des probabilités)
#
1= P(Xσ(1) < Xσ(2) < · · · < Xσ(n) ) = Card(Sn )P(X1 < X2 < · · · < Xn ).
σ∈Sn

Comme Card(Sn ) = n!, on a

1
P(X1 < X2 < · · · < Xn ) = .
n!
Autre solution. On note X(1) < X(2) < . . . < X(n) les (Xi )1≤i≤n rangés dans l’ordre
croissant (on ne se place pas forcément sur l’évènement X1 < X2 . . . < Xn . Pour i ∈
{1, . . . , n}, on note σX (i) l’indice j tel que Xj = X(i) . On a donc σX qui est une
permutation (aléatoire). De plus, par symétrie, σX est uniformément distribuée parmi
toutes les permutations (il y en a n!). En effet soit σ ∈ Sn . Alors P(σX = σ) = P(Xσ(1) <
. . . < Xσ(n) ) = P(X1 < . . . < Xn ) qui ne dépend pas du choix de σ. On a donc,
1 1
P(X1 < X2 < · · · < Xn ) = P(σ(i) = i ∀i ≤ n) = = .
Card(Sn ) n!
 3. En raisonnant similairement,
' ( # ' (
P( max Xi = Xn ) = P X1 , . . . , Xn−1 < Xn = P Xσ(1) < . . . < Xσ(n)
1≤i≤n
σ∈Sn , σn =n
1 1
= (n − 1)! × = .
n! n

⋆ Exercice 5.5. Soient X et Y deux variables indépendantes. Donner la loi de X + Y quand :

1. X et Y sont deux variables géométriques, de paramètre (commun) θ ;
2. X et Y suivent la loi uniforme sur [0, 1] ;
3. X ∼ N (0, σ12 ) et Y ∼ N (0, σ22 ).
Solution.
1. Pour k ≥ 2
k
# k
#
P(X + Y = k) = P(X = i; Y = k − i) = (1 − θ)θ i(1 − θ)θ k−i
i=0 i=0
2 k
= (k + 1)(1 − θ) θ .
(loi binomiale négative de paramètre 2 et θ)
2. Soit f une fonction mesurable bornée. On calcule
0 10 1
E[f (X + Y )] = f (x + y)dxdy.
0 0
On fait le changement de variable (u, v) = (x, x + y) ou (x, y) = (u, v − u), la matrice
associée aux dérivées partielles est
! ∂x ∂y " ! "
∂u ∂u 1 −1
∂x ∂y = ,
∂v ∂v
0 1
de déterminant 1. On a donc dxdy = dudv, et le changement de bornes est x ∈ [0, 1], y ∈
[0, 1] ⇔ v ∈ [0, 2], u ≥ max(0, v − 1), u ≤ min(v, 1),. On a donc
0 2 0 min(1,v) 0 2
E[f (X + Y )] = f (v) dudv = f (v) min(2 − v, v) dv
0 max(0,v−1) 0 3 45 6
densité de X+Y

La densité de X + Y est donc min(2 − v, v)1v∈[0,2] .

3. Soit f une fonction mesurable bornée. On calcule
0 0
1 x2 +y 2
E[f (X + Y )] = f (x + y) e− 2 dxdy.
R R 2π
On fait le changement de variable (u, v) = (x + y, x − y) ou (x, y) = 21 (u + v, u − v), la
matrice associée aux dérivées partielles est
! ∂x ∂y " ! 1 1
"
∂u ∂u 2
= 1 2
∂x ∂y 1 ,
∂v ∂v 2 −2

qui est de déterminant − 21 . On a donc

0 7 7 0
1 u2 +v 2 7 17 1 − u2
E[f (X + Y )] = f (u) e− 4 7− 7 dudv = f (u) √ e 4 du,
R2 2π 7 27
R2 2 π
3 45 6
densité de X+Y
1 −v2 /4 √
où on a intégré par rapport à v (en utilisant que R e = 2 π). On en conclut donc
2
1 − u4
que la densité de X + Y est √
2 π
e , et que X + Y suit la loi N (0, 2).
Exercice 5.6. Soit (X, Y ) un vecteur aléatoire de densité f (x, y) = 1[0,1]2 (x, y). Déterminer
les lois de X, Y et Z = XY .
Solution. Les variables X et Y possèdent une densité, que l’on retrouve en utilisant
0
fX (x) = f (x, y)dy = 1[0,1] (x) .
R

X suit donc la loi uniforme sur [0, 1]. Il en va de même pour y.

Pour la loi de Z, on calcule, pour g mesurable bornée
0 0
E[g(Z)] = E[g(XY )] = g(xy)f (x, y)dxdy = g(xy)dxdy.
R [0,1]2

On effecture un changement de variable : on pose (u, v) = (xy, y), (x, y) = (u/v, v), et la
matrice associée aux dérivées partielles est
! ∂x ∂y " ! 1 "
∂u ∂u v 0
= ,
∂x
∂v
∂y
∂v
− vu2 1

qui est de déterminant v1 . On a bien que (x, y) -→ (u, v) est une bijection de classe C 1 , de ]0, 1[2
dans D = {0 < u < v < 1}. En appliquant le changement de variable, on a donc
0 1 0 1 0 1
1
E[g(Z)] = g(u) dvdu = g(u) [− log u] du.
u=0 v=u v 0 3 45 6
densité de Z

La variable aléatoire Z a donc pour densité − log u1[0,1] .

Exercice 5.7. Soient X et Y deux variables aléatoires indépendantes. X suit une loi N (0, 1)
et Y une loi N (0, σ 2 ), où σ désigne un réel positif.
1. Écrire la densité de la loi du couple (X, Y ).
2. On pose U = Y /X. Calculer la densité de la loi du couple (X, U ).
3. Les variables X et U sont-elles indépendantes ?
(x−m) 2
Solution. On rappelle la densité de N (m, σ 2 ) sur R : √ 1
2
e− 2σ2
2πσ
1. Comme X et Y sont indépendantes, la densité du couple (X, % Y2 ) est2 simplement
& le
1 x y
produit des densités de X et de Y , donc f(X,Y ) (x, y) = 2πσ exp − 2 − 2σ2 , (x, y) ∈ R2 .
2. Soit g une fonction mesurable et bornée de R2 dans R :
0 ! 2 "
1 x y2
E[g(X, U )] = E[g(X, Y /X)] = g(x, y/x) exp − − 2 dx dy .
R2 2πσ 2 2σ
On fait le changement de variables x = x et u = y/x. On a donc x = x et y = ux. La
matrice associée aux dérivées partielles est
8 ∂x ∂y 9 8 9
∂x ∂x 1 u
∂x ∂y =
∂u ∂u
0 x

de déterminant x. On a donc dxdy = |x|dxdu. Le changement de bornes est (x ∈ R, y ∈

R) ⇔ (x ∈ R, u ∈ R) puis :
0 ! 2 "
1 x x2 u2
E[g(X, U )] = E[g[X, Y /X)] = g(x, u) exp − − |x| dx du .
R2 2πσ 2 2σ 2
% 2% 2
&&
1
On en déduit la densité du couple (X, U ) : f(X,U ) (x, u) = 2πσ |x| exp − x2 1 + σu2 ,
(x, u) ∈ R2 .
 3. Cette densité ne s’exprimant pas comme le produit de deux fonctions, l’une de x, l’autre
de u, les deux variables X et U ne sont pas indépendantes.

Exercice 5.8. Soient X et Y deux variables aléatoires indépendantes. X suit une loi uniforme
Y
sur [0,1] et Y une loi exponentielle de paramètre 1. Calculer la loi de X .
Solution. La densité de X est fX (x) = 1[0,1] (x) et celle de Y est fY (y) = e−y 1R+ (y). Comme
X et Y sont indépendantes, la densité du couple (X, Y ) est f(X,Y ) (x, y) = fX (x)fY (y) =
1[0,1] (x)e−y 1R+ (y). Pour toute fonction borélienne et bornée, on a donc
0 ∞0 1
E[g(Y /X)] = g(y/x)e−y dy dx.
0 0

On pose u = x et v = y/x. On obtient dxdy = |v|dudv et le changement de bornes : (x ∈

]0, 1[, y > 0) ⇔ (u ∈]0, 1[, v > 0) (Détails : Pour ⇒
%1est directe.&Pour ⇐, on a y %= uv > 0 et &x ∈
1∞ 1 1∞ −v −v
]0, 1[ donc OK). On obtient E[g(Y /X)] = 0 g(v) 0 ue −uv du dv = 0 g(v) 1−e v−ve 2 dv.
% −v −v &
La densité de Y /X est donc fY /X (v) = 1−e v−ve 2 1[0,+∞[ (v).
Remarque : Si on avait fait le changement de variables u = y, v = y/x, on aurait eu
dxdy = | − vu2 |dudv, et le changement de bornes aurait été (x ∈]0, 1[, y > 0) ⇔ (u > 0, v > u).

Exercice 5.9. Soit L une v.a. positive admettant une densité de probabilité f et X une v.a.
de loi uniforme sur [0, 1], indépendante de L. On définit deux v.a. L1 et L2 par L1 = XL et
L2 = (1 − X)L, (cela modélise par exemple la rupture d’une chaı̂ne moléculaire de longueur
initiale aléatoire L).
1. Déterminer la loi du couple (L1 , L2 ) ainsi que les lois de L1 et L2 .
2. Que peut-on dire du couple (L1 , L2 ) lorsque f (x) = λ2 x exp(−λx)1[0,+∞[ (x), (λ > 0) ?
3. Déterminer la loi de Z = min(L1 , L2 ) dans ce cas.
Solution.
1. Pour toute fonction g, de R2 dans R, mesurable bornée,
0
E[g(L1 , L2 )] = E[g(XL, (1 − X)L)] = g(xl, (1 − x)l)f (l)dxdl
[0,1]×R+

On fait le changement de variable (l1 , l2 ) = (xl, (1 − x)l). On doit multiplier par le

jacobien. Détaillons : On a l = l1 + l2 et x = l1 l+l1
2
. On construit ensuite la matrice
associée aux dérivées partielles :
: ; : l2
;
∂x ∂l 1
(l +l )2
∂l1 ∂l1 = 1 2
∂x ∂l l1
∂l2 ∂l2 − (l1 +l 2)
2 1
7 7
1 7 1 7
Son déterminant est l1 +l 2
. On a donc dxdl = 7 l1 +l2 7dl1 dl2 . Il faut maintenant changer
les bornes. On vérifie que (x ∈ [0, 1], ℓ ≥ 0) ⇔ (ℓ1 ≥ 0, ℓ2 ≥ 0). (Détails : L’implication
⇒ est immédiate. Pour ⇐, on remarque que si ℓ1 , ℓ2 ≥ 0, alors ℓ = ℓ1 + ℓ2 ≥ 0 puis
x = ℓ1 /(ℓ1 + ℓ2 ) ∈ [0, 1]). On obtient
0
f (l1 + l2 )
E[g(L1 , L2 )] = g(l1 , l2 ) dl1 dl2 .
2
R+ l1 + l2

f (l1 +l2 )
Ainsi le couple (L1 , L2 ) a une loi de densité f(L1 ,L2 ) = l1 +l2 1R2+ (l1 , l2 ).
On cherche maintenant la loi de L1 . Si le couple (X,
1 Y ) admet une densité f(X,Y ) (x, y),
la loi de X a une densité donnée par fX (x) = y∈R f(X,Y ) (x, y)dy. On a donc que
 1 +∞ f (x+l)
FL1 suit une loi de densité fL1 (l) = 0 x+l dx1R+ (l) qu’on peut réécrire fL1 (l) =
1 +∞ f (x)
l x dx1R+ (l). La loi de L2 admet la même densité.(En particulier, L1 et L2 ont la
même loi.)
2. Dans ce cas, on trouve que f(L1 ,L2 ) (l1 , l2 ) = λ2 exp(−λ(l1 + l2 ))1R2+ (l1 , l2 ). L1 et L2
suivent donc des lois exponentielles de paramètre λ, indépendantes. (Si (X, Y ) a une den-
sité de la forme f(X,Y ) (x, y) = g(x)h(y), alors nécessairement X et Y sont indépendantes,
1 1
et fX (x) = ! g(z)dz g(x) et fY (y) = ! h(z)dz h(y).)
R R

3. On rappelle que si X suit une loi exponentielle de paramètre a, on a P(X ≤ t) = 1−e−at .

∀t < 0, P(Z ≤ t) = 0
∀t ≥ 0, P(Z ≤ t) = 1 − P(Z > t) = 1 − P(L1 > t)P(L2 > t) = 1 − exp(−2λt) ; On
reconnaı̂t alors la fonction de répartition d’une loi exponentielle de paramètre 2λ.

Exercice 5.10. On appelle variable gamma de paramètre a > 0 une variable à valeurs dans
R+ dont la loi admet la densité : e−t ta−1 /Γ(a).
1. Soit Za une v.a. gamma de paramètre a. Calculer explicitement les moments entiers :
E((Za )n ), en fonction de a et de n ∈ N.
2. Soient Za et Zb deux variables gamma indépendantes de paramètres respectifs a et b.
Montrer que les variables Za /(Za + Zb ) et Za + Zb sont indépendantes et expliciter la
loi de Za /(Za + Zb ).
Solution.
1
1 Γ(a+n)
1. E[Zan ] = Γ(a) R+ tn e−t ta−1 dt = Γ(a) .
2. Pour toute fonction g mesurable bornée,
0
1
E[g(Za /(Za +Zb ), Za +Zb )] = g(za /(za +zb ), za +zb )e−aza −bzb zaa−1 zbb−1 dza dzb
Γ(a)Γ(b) R2+

On fait le changement de variables x = zaz+z

a
b
, y = za + zb d’où za = xy et zb = y(1 − x).
On a : ; 8 9
∂za ∂zb
∂x ∂x y −y
∂za ∂zb =
∂y ∂y x 1−x

de déterminant y(1 − x) + yx = y. Donc dza dzb = |y|dxdy. Le changement de bornes est

(za ≥ 0, zb ≥ 0) ⇔ (x ∈ [0, 1], y ≥ 0). (Détails : ⇒ facile. Pour ⇐, on a za = xy ≥ 0 et
zb = y(1 − x) ≥ 0). Puis
0
1
E[g(Za /(Za +Zb ), Za +Zb )] = g(x, y) exp(−y)y a+b−1 xa−1 (1−x)b−1 dxdy
Γ(a)Γ(b) 0≤x≤1,y≥0

1
D’où la densité fX,Y (x, y) = Γ(a)Γ(b) exp(−y)y a+b−1 xa−1 (1 − x)b−1 1[0,1]×R+ (x, y). Elle
est le produit d’une fonction de x par une fonction de y, les deux variables sont donc
indépendantes et l’on obtient la densité
1 ∞de la loi de Za /(Za + Zb ) en l’intégrant en y, on
obtient ainsi, en utilisant le fait que 0 e−t ta+b−1 dt = Γ(a + b) :
Γ(a+b) a−1
fZa /(Za +Zb ) (x) = Γ(a)Γ(b) x (1 − x)b−1 1[0,1] (x) (loi Béta de paramètre (a, b)).

Exercice 5.11. Soit (X1 , X2 ) un couple de v.a. admettant la densité de probabilité :

! "
1 1 2 2
f (x1 , x2 ) = < exp − (x − 2ρx1 x2 + x2 ) ,
2π 1 − ρ2 2(1 − ρ2 ) 1

où ρ ∈ [0, 1[.

 1. Vérifier que f est une densité de probabilité sur R2 et trouver les densités marginales
de X1 et X2 . A quelle condition les v.a. X1 et X2 sont-elles indépendantes ?
<
2. On pose R = X12 + X22 et Φ ∈ [0, 2π[ défini par

X1 X2
cos Φ = et sin Φ = .
R R
Déterminer la densité du couple (R, Φ) puis celle de Φ.
Solution.
1. 1
fX1 (x1 ) = R 2π
√1 1
exp(− 2(1−ρ 2 2 2
2 ) ((x2 − ρx1 ) + (1 − ρ )x1 ))dx2
2
1−ρ! "
x21 1 1 x2
= exp(− 2 ) R √ 2
exp(− 2(1−ρ2 )dx
2π 1−ρ
= √1 2
exp(−x1 /2).
2π

X1 et X2 sont donc des gaussiennes centrées de variance 1. Si X1 et X2 sont indépendantes

f (x1 , x2 ) est le produit des densités marginales de X1 et X2 ; on devrait donc avoir
x2 2
1 +x2
1 −
f(X1 ,X2 ) (x1 , x2 ) = 2π e
2 ce qui ne peut être le cas que pour ρ = 0.
2. Pour toute fonction g mesurable bornée,
0
1 r2
E[g(R, Φ)] = < g(r, φ) exp(− (1 − ρ sin(2φ))rdrdφ.
R+ ×[0,2π] 2π 1 − ρ2 2(1 − ρ2 )
2
Ainsi, la densité du couple vaut f(R,Φ) (r, φ) = √r r
exp(− 2(1−ρ2 ) (1−ρ sin(2φ))1R+ ×[0,2π] (r, φ).
2π 1−ρ2
La densité marginale de Φ vaut
0 <
1 − ρ2 1
fΦ (φ) = f (r, φ)dr = 1 (φ).
R+ 2π (1 − ρ sin 2φ) [0,2π]