Les Couples Gaussiens (Loi normale bivariée ):

Soient (𝑋, 𝑌) un couple de variable aléatoire tel que :

(𝑋, 𝑌) ↝ 𝑁(𝜇 , Σ), 𝑎𝑣𝑒𝑐 𝜇𝑡 = (𝜇1 , 𝜇2 ) 𝑒𝑡 Σ est la matrice des variances-

covariances positive et symétrique d’ordre 2, si sa densité de probabilité vérifie :

1 1 𝑥
𝑓(𝑥, 𝑦) = 𝑒𝑥𝑝 [− (𝑢 − 𝜇)𝑡 Σ−1 (𝑢 − 𝜇)] , 𝑢 = ( )
2𝜋√𝑑𝑒𝑡 (Σ) 2 𝑦
Propriétés :
1- Σ = la matrice des variances − covariances
𝐶𝑜𝑣(𝑋, 𝑋) 𝐶𝑜𝑣(𝑋, 𝑌) 𝑉(𝑋) 𝐶𝑜𝑣(𝑋, 𝑌)
Σ=[ ]=[ ]
𝐶𝑜𝑣(𝑌, 𝑋) 𝐶𝑜𝑣(𝑌, 𝑌) 𝐶𝑜𝑣(𝑌, 𝑋) 𝑉(𝑌)
𝜎12 𝜌𝜎1 𝜎2
=[ ]
𝜌𝜎1 𝜎2 𝜎22

𝝆 = 𝑪𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 (𝑿, 𝒀)

On peut écrire 𝑓(𝑥, 𝑦) comme suit :

1 1 𝑥 − 𝜇1 2 (𝑥 − 𝜇1 )(𝑦 − 𝜇2 )
𝑓(𝑥, 𝑦) = 𝑒𝑥𝑝 [− (( ) − 2𝜌
2𝜋𝜎1 𝜎2 √1 − 𝜌² 2(1 − 𝜌²) 𝜎1 𝜎1 𝜎2
𝑦 − 𝜇2 2
+( ) ) ]
𝜎2

2- Les variables marginales de X et Y suivent des lois normales :

𝑋 ↝ 𝑁(𝜇1 , 𝜎1 ) 𝑒𝑡 𝑌 ↝ 𝑁(𝜇2 , 𝜎2 )

3- Les variables conditionnelles 𝑋⁄𝑌 = 𝑦 𝑒𝑡 𝑌⁄𝑋 = 𝑥 suivent également

des lois normales.
𝒚 − 𝝁𝟐
𝑿⁄𝒀 = 𝒚 ↝ 𝑵 (𝝁𝟏 + 𝝆𝝈𝟏 [ ] ; (𝟏 − 𝝆𝟐 )𝝈𝟐𝟏 ) 𝒆𝒕
𝝈𝟐

K.ZERFAOUI Page 1
 𝒚 − 𝝁𝟏
𝒀⁄𝑿 = 𝒙 ↝ 𝑵 (𝝁𝟐 + 𝝆𝝈𝟐 [ ] ; (𝟏 − 𝝆𝟐 )𝝈𝟐𝟐 )
𝝈𝟏
4- 𝑿 ⊥ 𝒀 ⟺ 𝝆 = 𝟎
Exercice : soient (𝑋, 𝑌) un couple de variable aléatoire tel que (𝑋, 𝑌) ↝ 𝑁(𝜇 , Σ)

sa densité de probabilité vérifie :

3 √3 3
𝑓(𝑥, 𝑦) = 𝑒𝑥𝑝 [− (𝑥² − 𝑥𝑦 + 𝑦²)] , (𝑥, 𝑦) ∈ ℝ2
4𝜋 2
1- Déterminer les lois marginales 𝑓𝑋 (𝑥) 𝑒𝑡 𝑓𝑌 (𝑦) .
Indication : utiliser les propriétés de l’intégrale d’une densité normale.
2- Déterminer le densité conditionnelle 𝑓𝑋⁄𝑌 (𝑥).
3- Calculer 𝐸(𝑋⁄𝑌 = 𝑦).
4- Quelle est la loi de la variable aléatoire 𝐸(𝑋⁄𝑌).
5- Calculer le coefficient de corrélation 𝐶𝑜𝑟𝑟(𝑋, 𝑌)
6- X et Y sont-elles indépendantes ?
7- Trouver 𝜇 𝑒𝑡 Σ .

Corrigé :
3
3√3 [𝑥²−𝑥𝑦+𝑦²] 3√3 −3𝑥² 3 2
[𝑦
1- 𝑓𝑋 (𝑥) = ∫ 𝑓(𝑥, 𝑦)𝑑𝑦 = ∫ 𝑒 −2 𝑑𝑦 = 𝑒 2 ∫ 𝑒 −2 −𝑥𝑦] 𝑑𝑦
4𝜋 4𝜋

𝒙 𝟐
𝟏 (𝒚−𝟐)
−
3 𝑥 2 𝑥 2 𝟐 𝟏 𝟐
3√3 −3𝑥² − [(𝑦− ) − ] 3√3 −3𝑥² +3𝑥² ( )
= 𝑒 2 ∫𝑒 2 2 4 𝑑𝑦 = 𝑒 2 𝑒 8 ∫ 𝒆 [ √𝟑 ] 𝒅𝒚 =
4𝜋 4𝜋
1 𝑥²
− 4
3√3 −9𝑥² 𝟏 𝟑 9
− 𝑥² 𝟏 2
= 𝑒 8 √𝟐𝝅 = 𝑒 8 = 𝑒 9; 𝑥∈ℝ
4𝜋 √𝟑 𝟐√𝟐𝝅 𝟐
𝟐𝝅
𝟑√
2 2
𝑋 ↝ 𝑁 (0, 𝜎 = ) 𝑑𝑒 𝑚ê𝑚𝑒 𝑌 ↝ 𝑁 (0, 𝜎 = ) (𝑝𝑎𝑟 𝑠𝑦𝑚é𝑡𝑟𝑖𝑒)
3 3

K.ZERFAOUI Page 2
 3
3√3 − [𝑥²−𝑥𝑦+𝑦²] 3 𝑦² 3 𝑦 2
𝑓(𝑥,𝑦) 𝑒 2 √3 − [𝑥²−𝑥𝑦+ ] √3 − [(𝑥− ) ]
4𝜋
2- 𝑓𝑋⁄𝑌=𝑦 (𝑦) = = 9 = 𝑒 2 4 = 𝑒 2 2 ,
𝑓𝑌 (𝑦) 𝟑 − 𝑦² √𝟐𝝅 √𝟐𝝅
𝑒 8
𝟐√𝟐𝝅

𝑥∈ℝ
𝑦 1
𝑋 ⁄𝑌 = 𝑦 ↝ 𝑁 ( , 𝜎 = )
2 √3
𝒚
3- 𝑬(𝑿⁄𝒀 = 𝒚)=
𝟐
𝒀 4 𝟏 1
4- 𝑬(𝑿⁄𝒀) = , 𝒄𝒐𝒎𝒎𝒆 𝑌 ↝ 𝑁 (0, ) 𝒂𝒍𝒐𝒓𝒔: 𝒀 ↝ 𝑁 (0, )
𝟐 9 𝟐 9
3
+∞ +∞ 3 √3 − [𝑥 2 −𝑥𝑦+𝑦 2 ]
5- 𝐸(𝑋. 𝑌) = ∫−∞ ∫−∞ 𝑥. 𝑦𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 = ∬ℝ 𝑥. 𝑦. 𝑒 2 𝑑𝑥𝑑𝑦 =
4𝜋

3 𝑦 2 𝑦 2
3 √3 3
− 𝑦²
3
− [𝑥²−𝑥𝑦] 3 √3 3
− 𝑦² − [(𝑥− ) − ]
2 2 4 𝑑𝑥
= ∫ 𝑦𝑒 2 𝑑𝑦 ∫ 𝑥𝑒 2 𝑑𝑥 = ∫ 𝑦𝑒 2 𝑑𝑦 ∫ 𝑥𝑒
4𝜋 4𝜋
=

3 √3 9 3 𝑦 2
− 𝑦² − [(𝑥− ) ]
= ∫ 𝑦𝑒 8 𝑑𝑦 ∫ 𝑥𝑒 2 2 𝑑𝑥
4𝜋
𝑦 2
1[(𝑥− ) ]
2
−
2 1 2
3 9 √3 ( )
= ∫ 𝑦𝑒 −8𝑦² 𝑑𝑦 ∫ 𝑥𝑒 √3 𝑑𝑥 =
2√2𝜋 √2𝜋
( )
1 𝑦²
−
3 9 𝑦 3 2 2 2
( )
= ∫ 𝑦𝑒 −8𝑦² ( ) 𝑑𝑦 = ∫ 𝑦²𝑒 3 𝑑𝑦
2√2𝜋 2 2.2√2𝜋
1 𝑦²
−
1 3 2 2 2 1 4 2
( )
= [∫ 𝑦²𝑒 3 𝑑𝑦] = . =
2. 2√2𝜋 2 9 9

𝟐
𝑪𝒐𝒗(𝑿, 𝒀) = 𝑬(𝑿. 𝒀) − 𝑬(𝑿). 𝑬(𝒀) =
𝟗
𝟐
𝑪𝒐𝒗(𝑿, 𝒀) 𝟗 𝟏
𝝆 = 𝑪𝒐𝒓𝒓(𝑿, 𝒀) = = = ≠𝟎
𝟒 𝟐
𝝈𝑿 𝝈𝒀
𝟗

K.ZERFAOUI Page 3
 𝑂𝑛 𝑐𝑜𝑛𝑐𝑙𝑢𝑡 𝑞𝑢𝑒 𝑋 𝑒𝑡 𝑌 𝑛𝑒 𝑠𝑜𝑛𝑡 𝑝𝑎𝑠 𝑖𝑛𝑑é𝑝𝑒𝑛𝑑𝑎𝑛𝑡𝑒𝑠.

7−

1 1 𝑥 − 𝜇1 (𝑥 − 𝜇1 )(𝑦 − 𝜇2 ) 𝑦 − 𝜇2 2
𝑓(𝑥, 𝑦) = 𝑒𝑥𝑝 [− ( ) − 2𝜌 +( ) ]
2𝜋𝜎1 𝜎2 √1 − 𝜌² 2(1 − 𝜌²) 𝜎1 𝜎1 𝜎2 𝜎2

3√3 3
= 𝑒𝑥𝑝 [− (𝑥² − 𝑥𝑦 + 𝑦²)]
4𝜋 2
3√3 1
= 𝑒𝑥𝑝 [− (3𝑥² − 3𝑥𝑦 + 3𝑦²)] ; 𝑃𝑎𝑟 𝑖𝑑𝑒𝑛𝑡𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑜𝑛
4𝜋 2
1
= 3 … … … … … (1)
(1 − 𝜌²)𝜎12

2𝜌
= 3 … … … … … . . (2)
𝜎1 𝜎2 (1 − 𝜌²)

1
= 3 … … … … … … . (3)
(1 − 𝜌²)𝜎22

(1) 𝜎12
⟺ 2 = 1 ⟹ 𝜎12 = 𝜎22 ⟹ 𝜎1 = 𝜎2
(3) 𝜎2

(2) ⟺ 2𝜌 = 3𝜎1 𝜎2 (1 − 𝜌2 ) = 3𝜎12 (1 − 𝜌2 ) = 1 , 𝑑 ′ 𝑎𝑝𝑟é𝑠(1)

1
Donc : 2𝜌 = 1 ⟹ 𝜌 = 2

1 3 4
Et 3𝜎12 (1 − 𝜌2 ) = 1 ⟺ 3𝜎12 (1 − 4) = 1 ⟺ 3𝜎12 (4) = 1 ⟹ 𝜎12 = 9 = 𝜎22

On conclut :
𝟏 𝟐 𝟏 𝟒 𝟐
𝝆 = 𝟐, 𝝈𝟏 = 𝝈𝟐 = 𝟑 ; 𝑪𝒐𝒗(𝑿, 𝒀) = 𝝆𝝈𝟏 𝝈𝟐 = 𝟐 ∗ 𝟗 = 𝟗 , 𝝁𝟏 = 𝝁𝟐 = 𝟎

𝟒 𝟐
𝝈𝟐𝟏 𝝆𝝈𝟏 𝝈𝟐 𝟗 𝟗] ; 𝝁𝟏 𝟎
𝚺=[ 𝟐 ] = [𝟐 𝝁=( )=( )
𝝆𝝈𝟏 𝝈𝟐 𝝈𝟐 𝟒 𝝁𝟐 𝟎
𝟗 𝟗

𝟏
𝝆= ; 𝑶𝒏 𝒄𝒐𝒏𝒄𝒍𝒖𝒕 𝒒𝒖𝒆 𝑿 𝒆𝒕 𝒀 𝒏𝒆 𝒔𝒐𝒏𝒕 𝒑𝒂𝒔 𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒆𝒔.
𝟐

K.ZERFAOUI Page 4