Cours de Probabilités Statistiques

Variables aléatoires

Lucien D. GNING
lucien.gning@univ-thies.sn

February 16, 2023

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 1/1
Introduction
1 Dans de nombreuses expériences aléatoires, on n’est pas intéressé
directement par le résultat de l’expérience, mais par une certaine
fonction de ce résultat.
2 Considérons par exemple l’expérience qui consiste à observer, pour
chacune des n pièces produites par une machine, si la pièce est
défectueuse ou non
3 Nous attribuerons la valeur 1 à une pièce défectueuse et la valeur 0 à
une pièce en bon état. L’univers associé à cette expérience est
⌦ = {0, 1}n .
4 Ce qui intéresse le fabricant est la proportion de pièces défectueuses
produites par la machine. Introduisons donc une fonction de ⌦ dans
R qui à tout ! = (!1 , · · · , !n ) de ⌦ associe le nombre
n
X !i
X (!) =
n
i=1

qui correspond à la proportion de pièces défectueuses associée à

l’observation de !. Une telle fonction X s’appelle une variable
aléatoire réelle.
 Généralités

Définition
Soient (⌦, C, P) un espace probabilisé et E un ensemble quelconque. On
appelle variable aléatoire sur ⌦ une application

X :⌦ !E
Cette définition théorique est en fait très simple à comprendre. Une
variable aléatoire est une application, c’est-à-dire une sorte de fonction,
qui pour chaque événement de l’univers des possibles ⌦ associe une valeur
appartenant à un univers X (⌦) ⇢ E .
Plus généralement, l’application X associe à tout événement de C sur ⌦,
une valeur appartenant à E sur X (⌦). Cette valeur peut être
numérique(on parle alors de variable aléatoire quantitative) ou non
numérique (on parle alors de variable aléatoire qualitative).

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 3/1
 Généralités

Définition
On appelle réalisations, les valeurs prises par la variable aléatoire X .
L’univers X (⌦) correspond à l’univers des réalisations.

Exemple
On considère l’expérience aléatoire qui consiste à lancer un dé à 6 faces.
L’univers des résultats possibles est alors défini par ⌦ = {1, 2, 3, 4, 5, 6}.
Définissons une variable aléatoire, notée X , comme une application qui
prend la réalisation 10 lorsque le résultat du lancer est un nombre pair et
20 lorsque le résultat est un nombre impair. La variable aléatoire X est
dite quantitative. Si la variable aléatoire X prend les réalisations ”pair” ou
”impair”, cette variable est dite qualitative.

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 4/1
 Variables aléatoires réelles

Définition
Soit (⌦, C, P) un espace probabilisé. Nous appelons une variable aléatoire
réelle (v.a.r.) toute application de ⌦ dans R telle que : pour tout
intervalle I de R, l’ensemble :
1
X (I ) = {! 2 ⌦|X (!) 2 I } = {X 2 I }

est un événement de C.
Cela exprime que l’image inverse d’un intervalle quelconque est un
événement. II suffit en fait de vérifier que pour tout réel x :
1
X (] 1, x[) 2 C

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 5/1
 Variables aléatoires réelles

Notations
1 Les variables aléatoires sont notées avec des lettres majuscules et les
quantités déterministes avec des lettres minuscules
2 Nous notons X (⌦) l’ensemble des valeurs prises par la variable
aléatoire X définie sur l’espace probabilisé (⌦, C, P).
3 X 1 ({x}) = {! 2 ⌦| X (!) = x} se note {X = x}
4 X 1 (] 1, x]) = {! 2 ⌦| X (!)  x} se note {X  x}
5 X 1 ([x, +1[) = {! 2 ⌦| X (!) x} se note {X x}
6 X 1 (] 1, x[) = {! 2 ⌦| X (!) < x} se note {X < x}
7 X 1 (]x, +1[) = {! 2 ⌦| X (!) > x} se note {X > x}
8 X 1 (]x, y ]) = {! 2 ⌦| x < X (!)  y } se note {x < X  y }
9 ...
X (⌦) est nommé support de X

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 6/1
 Variables aléatoires réelles

Exemple
1 On s’intéresse à l’expérience aléatoire consistant à observer le résultat
d’1 lancer simultané de 4 pièces. ) ⌦ = {P, F }4 et C = P(⌦)
2 Considérons X la v.a.r. consistant à compter le nombre de P (Pile)
obtenus lors du lancer. L’ensemble C = {! 2 ⌦|X (!)  2} est un
bien un événement : C : ”le lancer a produit au plus deux P”
3 Des lancers tels que (P, P, F , F ), (F , F , F , F ), (F , F , P, F ) réalisent
cet événement. On notera C = {X  2}
4 On peut aussi considérer les événements :
{X = 2} : ”le lancer contient exactement 2P”
{1 < X  3} : ”le lancer contient soit 2 soit 3P”

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 7/1
Variables aléatoires discrètes vs Variables aléatoires
continues
Définition
On appelle variable aléatoire discrète sur (⌦, C) une application
X : ⌦ ! R avec X (⌦) dénombrable (en général X (⌦) est fini ou
X (⌦) ⇢ N ou X (⌦) ⇢ Z et et dans tous les cas X (⌦) est en
correspondance bijective avec N) et telle que pour tout x réel :
X 1 ({x}) = {! 2 ⌦ |X (!) = x} 2 C. Ce qui exprime tout simplement
que X 1 ({x}) est un événement.

Exemple
1 On considère un lancer de dé à six faces numérotées.
Alors ⌦ = {1, 2, 3, 4, 5, 6}.
La variable aléatoire X définie par
X : ⌦ ! {1, 2, 3, 4, 5, 6}
! ! ! est une variable aléatoire discrète.
2 La durée de vie d’une lampe ou le salaire d’un individu tiré au sort
dans une population sont représentés par des variables continues.
 Probabilité image

Définition
Soient (⌦, C, P) un espace probabilisé, et X une variable aléatoire sur ⌦
dans R, on appelle probabilité image de P par X , la probabilité PX définie
par :
PX (B) = P(X 1 (B))
pour tout B 2 P(R)

Exercice
Montrer que PX est une probabilité sur (R, P(R)).

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 9/1
 Fonction de répartition

Définition
Soient (⌦, C, P) un espace probabilisé et X une variable aléatoire réelle sur
(⌦, C), on appelle fonction de répartition de X et on note F l’application :

F: R !R
x 7 ! F (x) = P(X  x)

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 10 / 1

Fonction de répartition
Théorème
La fonction de répartition vérifie les propriétés suivantes :
1 8x 2 R, 0  F (x)  1
2 F est croissante sur R
3 lim F (x) = 0 et lim F (x) = 1
x! 1 x!+1
4 F est continue à droite en tout point de x 2 R. Autrement dit

8x 2 R, lim F (t) = F (x)

t!x,t>x

5 F admet une limite finie à gauche en tout point de x 2 R. Autrement

dit

8x 2 R, lim F (t) = F (x) P(X = x) = P(X < x)

t!x,t<x

6 On a l’identité : P(a < X  b) = F (b) F (a) 8a < b.

Fonction de répartition
Preuve
1 Soit x 2 R. F (x) = P(X  x) 2 [0, 1] par définition de P.

2 Soient (x, y ) 2 R2 tel que x  y . Alors {X  x} ✓ {X  y }.

Par croissance des probabilités, on alors :
F (x) = P(X  x)  P(X  y ) = F (y )
3 On démontre lim F (x) = 1 (même idée pour lim F (x) = 0)
x!+1 x! 1
La fonction F est croissante et majorée par 1. Elle admet donc une
limite finie en +1 et :
lim F (x) = lim F (n) = lim P(X  n)
x!+1 n!+1 n!+1

Or comme (X  n)n2N est une suite croissante d’événements, le

théorème de la limite monotone permet d’affirmer que :
✓ +1
[ ◆
lim P(X  n) = P (X  n)
n!+1
n=0
Fonction de répartition

Preuve
S
Il reste à démontrer que : +1
3. S  n) = ⌦.
n=0 (X S
+1 +1
n=0 (X  n) est événement donc n=0 (X  n) ⇢ ⌦.
Soit ! 2 ⌦. Notons m = dX (!)e.
Par définition, X (!)  S dX (!)e = m.
Ainsi, ! 2 (X  m) ⇢ +1 n=0 (X  n).
4. La fonction F est croissante sur [x, +1[ et minorée par 0. Elle admet
donc une limite à droite en✓x et ◆ ✓ ◆
1 1
limt!x,t>x F (t) = lim F x + n = lim P X  x + n Or,
n!+1 n!+1
comme (X  x + n1 )n2N est une suite décroissante d’événements, le
théorème
✓ de la limite◆monotone
✓ permet d’affirmer
◆ que :
1 T+1 1
lim P X  x + n = P n=1 (X  x + n )
n!+1
T
Et enfin (par double inclusion ), on a : +1 1
n=1 (X  x + n ) = (X  x).
 Fonction de répartition

Preuve
(Suite de la preuve)
5. La fonction F est croissante sur ] 1, x] et majorée par 1. Elle
admet donc une limite à gauche
✓ en◆ x et : ✓ ◆
limt!x,t<x F (t) = lim F x n = lim P X  x n1 Or,
1
n!+1 n!+1
1
comme X  x n n2N est
une suite décroissante d’événements, le
théorème
✓ de la limite
◆ monotone
✓ permet d’affirmer
◆ que :
S +1
lim P X  x n1 = P n=1 (X  x
1
n)
n!+1
S
Et enfin (par double inclusion ), on a : +1n=1 (X  x
1
n ) = (X < x).
6. (a < X  b) = (X  b)\(X  a)

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 14 / 1

 Loi de probabilité

Définition
Soient (⌦, C, P) un espace probabilisé et X une variable aléatoire réelle.
On appelle loi de X la donnée de toutes les probabilités P(X 2 A) où A est
une réunion au plus dénombrable d’intervalles de R.

Théorème
Soient (⌦, C, P) un espace probabilisé, et X , Y deux variables aléatoires
réelles.
On dit que deux variables aléatoires X et Y ont la même loi si et
seulement si elles ont la même fonction de répartition FX = FY .
On dira alors que la fonction de répartition caractérise la loi d’une variable
aléatoire réelle.

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 15 / 1

 Loi de probabilité d’une v.a.r. discrète

Soit X une variable aléatoire réelle définie sur un espace probabilisé

✓ C, P). La loi de la◆variable aléatoire X la donnée d’une suite numérique
(⌦,
P(X = k) = pX (k) tel que
k2X (⌦)
1 8k 2 X (⌦), pX (k) 0
2
X
pX (k) = 1
k2X (⌦)

3 pour tout réel x,

X
F (x) = P(X  x) = pX (k)
kx

(sommation sur l’ensemble des k 2 X (⌦) inférieurs ou égaux à x.)

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 16 / 1

 Loi de probabilité d’une v.a.r. discrète

Exercice
Soit X une variable aléatoire discrète prenant les valeurs 2, 4, 6 et 8.
Déterminez la loi de probabilité de X sachant que :
P(X < 6) = 1/3, P(X > 6) = 1/2, P(X = 2) = P(X = 4).

Exercice
Un joueur dispose d’un dé cubique truqué de telle sorte que la probabilité
d’apparition d’un numéro est proportionnelle à ce dernier. Nous supposons
que les faces sont numérotées de 1 à 6. Soit X la variable aléatoire réelle
associée au lancer de ce dé.
1 Déterminez la loi de X .
1
2 Nous posons Y = X. Déterminez la loi de Y .

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 17 / 1

Fonction de densité
Soient X une variable aléatoire réelle définie sur un espace probabilisé
(⌦, C, P) et F sa fonction de répartition.
On dit que X est une variable aléatoire continue s’il existe une fonction
numérique f définie sur R telle que :
1 8x 2 R f (x) 0
2 f est continue sur R sauf peut-être aux points pour lesquels elle
admet une limite finie à gauche et à droite.
Rx
3 8x 2 R, F (x) = P(X  x) = 1 f (t) dt et
Rx R +1
lim F (x) = lim 1 f (t) dt = 1 f (t) dt est bien définie et
x!+1 x!+1
égale à 1.
Dans ces conditions, f est alors une densité de probabilité de la
variable aléatoire X .
Exercice
Soit f (x) = e x 1R+ (x), avec > 0. Montrer que f est bien une
fonction de densité.
 Fonction de densité

Propriétés Soit X une variable aléatoire réelle admettant une densité de

probabilité f .
1 Pour tout a 2 R, P(X = a) = 0;
2 Pour tout (a, b) avec 1  a  b  +1, nous avons :
Z b
P(a < X < b) = P(a  X  b) = f (t) dt
a
0
3 Si de plus f est continue en x, F est dérivable et F (x) = f (x).
4 La fonction de densité de probabilité caractérise la loi de la variable
aléatoire.

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 19 / 1

 Indépendance de variables aléatoires
1 Deux variables aléatoires X et Y discrètes ou continues, sont dites
indépendantes lorsque pour tout (x, y ) 2 R2 :

P([X  x] \ [Y  y ]) = P([X  x])P([Y  y ])

2 Propriété : Si X et Y sont indépendantes et g et h sont deux

fonctions à valeurs réelles définies et continues sauf en un nombre fini
de points respectivement de X (⌦) et de Y (⌦), alors g (X ) et h(Y )
sont deux variables aléatoires indépendantes
3 Indépendance mutuelle d’une famille de v.a. : soit K un ensemble
fini, les variables aléatoires (Xk )k2K sont dites mutuellement
indépendantes, si pour tout ensemble fini L ⇢ K
✓\ ◆ Y
P (Xk  xk ) = P(Xk  xk ).
k2L k2L

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 20 / 1

 Indépendance de variables aléatoires
1 La famille (Xk )k2K est une famille infinie de variables aléatoires
mutuellement indépendantes si pour tout ensemble fini L ⇢ K , les
variables aléatoires (Xl )l2L sont mutuellement indépendantes.
2 Indépendance deux à deux d’une famille de variables aléatoires
Les v.a. (Xk )k2K sont dites deux à deux indépendantes si, pour tout
(i, j) 2 K , Xi et Xj indépendantes.

Remarque
L’indépendance mutuelle implique l’indépendance deux à deux. La
réciproque n’est pas vraie.

Remarque
Deux variables aléatoires discrètes X et Y sont dites indépendantes si pour
tout x 2 X (⌦) et y 2 Y (⌦), les événements {X = x} et {Y = y } sont
indépendants, i.e.
P([X = x] \ [Y = y ]) = P(X = x)P(Y = y )

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 21 / 1

Moments non centré
Dans ce qui suit on considère X une variable aléatoire réelle définie sur un
espace probabilisé (⌦, C, P).
1 Si X est discret on pose X (⌦) = {x1 , . . . , xn , . . . , }
2 Si X est continue on note f sa densité de probabilité

Définition
On appelle moment (non centré) d’ordre k de la variable aléatoire X , le
réel mk (X ) défini par :
8P+1
< i=1 xi P(X = xi ) si X est discret
> k

mk (X ) =
>
:R +1 k
1 x f (x) dx si X est continue

Espérance mathématique : L’espérance mathématique d’une variable

aléatoire X est égale au moment d’ordre 1 de X , s’il existe. Elle se note
E(X )
Moments centré
On appelle variable aléatoire centrée d’une variable aléatoire X , la variable
aléatoire Y définie par : Y = X E(X ) = X m1 (X ).
On appelle moment centré d’ordre k de la variable aléatoire X , le réel
µk (X ) défini par :
8P+1
< i=1 (xi E(X )) P(X = xi ) si X est discret
> k

µk (X ) =
>
:R +1
1 (x E(X ))k f (x) dx si X est continue

Variance : La variance d’une variable aléatoire X est égale au moment

centré d’ordre 2pde X , s’il existe. Elle se note V(X ) ou Var(X ). L’écart
type noté = V(X ) est la racine carrée de la variance.

Exercice
Soit X une variable aléatoire discrète prenant les valeurs 2, 4, 6 et 8.
Calculer E(X ) et V(X ) sachant que :
P(X < 6) = 1/3, P(X > 6) = 1/2, P(X = 2) = P(X = 4).
 Propriétés

1 Espérance d’une fonction d’une variable aléatoire

Théorème
(Théorème du transfert)
Soit g une fonction définie sur X (⌦) à valeurs dans R. Lorsque g (X )
admet une espérance mathématique, c’est-à-dire g (X ) 2 L1 (⌦, C, P), nous
avons
8P+1
>
< i=1 g (xi )P(X = xi ) si X est discret
E(g (X )) =
>
:R +1
1 g (x)f (x) dx si X est continue

Remarque
Pour calculer E(g (X )), il suffit de changer xi en g (xi )

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 24 / 1

 Propriétés et vocabulaire

Soient X et Y deux variables aléatoires réelles définies sur un espace

probabilisé (⌦, C, P) et a, b 2 R
1 E(X + a) = E(X ) + a
2 E(aX + bY ) = aE(X ) + bE(Y )
3 V(a) = 0
4 V(X ) = E[(X E(X ))2 ] = E(X 2 ) (E(X ))2 (formule de Huygens)
5 V(aX + b) = a2 V(X )
6 Si E(X ) = 0, alors X est une variable aléatoire centrée.
7 Si V(X ) = 1, alors X est une variable aléatoire réduite.
8 Si X admet une variance non nulle, la variable Y = Xp E(X ) est
V(X )
appelée variable centrée et réduite associée à X.
9 Si X et Y sont indépendants alors E(XY ) = E(X )E(Y ) et
V(X + Y ) = V(X ) + V(Y )

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 25 / 1

 Covariance
1 Soient X et Y sont deux variables aléatoires de carré intégrable, la
covariance de X et de Y , ou covariance du couple (X , Y ), est
donnée par :
Cov(X , Y ) = E[(X E(X ))(Y E(Y ))] = E(XY ) E(X )E(Y )
On dit que les variables X et Y sont non corrélées si leur covariance
est nulle.
2 Propriétés
Cov(X , X ) = V(X )
Cov(X , Y ) = Cov(Y , X )
V(X + Y ) = V(X ) + V(Y ) + 2Cov(X , Y )
Cov(a, X ) = 0 a 2 R
Cov(aX1 + bX2 , Y ) = aCov(X1 , Y ) + bCov(X2 , Y ) a, b 2 R
Cov(X , cY1 + dY2 ) = cCov(X , Y1 ) + dCov(X , Y2 ) c, d 2 R
Cov(aX1 + bX2 , cY1 + dY2 ) =
acCov(X1 , Y1 ) + adCov(X1 , Y2 ) + bcCov(X2 , Y1 ) + bdCov(X2 , Y2 )
Cov(aX + b, cY + d) = acCov(X , Y )
Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 26 / 1
Covariance
1 Si X et Y sont deux variables aléatoires indépendantes et intégrables,
on a
Cov(X , Y ) = E(XY ) E(X )E(Y ) = 0
ATTENTION : la réciproque de ce résultat est fausse en général
Exercice
Soit X une variable aléatoire discrète de loi :
P(X = 2) = P(X = 1) = P(X = 1) = P(X = 2) = 14 , et soit la
variable aléatoire Y = X 2 .
Calculer E(X ), E(Y ) et E(XY ). Conclure.

2 Si X et Y sont deux variables aléatoires indépendantes et f et g deux

fonctions telles que les variables aléatoires f (X ) et g (Y ) sont
intégrables, on a

E(f (X )g (Y )) = E(f (X ))E(g (Y )).

La réciproque de ce résultat est fausse.

 Inégalités avec les moments

Il est parfois utile de disposer d’inégalités sur les moments des variables
aléatoires afin de donner des majorations ou des minorations des moments
sans avoir à les calculer.
Théorème
(Inégalité de Cauchy-Schwarz)
Soient X et Y deux variables aléatoires réelles définies sur le même espace
probabilisé (⌦, C, P) et dont les moments d’ordre 2 existent (E(X 2 ) < 1
et E(Y 2 ) < 1) alors
q
|E(XY )|  E(|XY |)  E(X 2 )E(Y 2 )

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 28 / 1

 Inégalités avec les moments

Proposition
(Inégalités de Markov et Bienaymé-Chebyshev)
1 Soit une variable aléatoire X à valeurs réelles dont l’espérance existe
et soit a > 0.
E(|X |)
P(|X | a)  . (Inégalité de Markov)
a
2 Soit une variable aléatoire X à valeurs réelles dont l’espérance et la
variance existent et soit a > 0
E [X E(X )]2 V(X )
P(|X E(X )| a)  2
= .
a a2
(Inégalité de Bienaymé-Chebyshev)

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 29 / 1

 Coefficient de corrélation linéaire

1 Soient X et Y deux variables aléatoires de variances finies. On

appelle coefficient de corrélation linéaire de (X , Y ) le réel noté
⇢(X , Y ) défini par :

Cov(X , Y )
⇢(X , Y ) = p p
V(X ) V(Y )

ce coefficient permettant de mesurer l’intensité de la liaison linéaire

entre les deux variables X
2 1  ⇢(X , Y )  1
3 Si les variables aléatoires X et Y sont indépendantes alors
⇢(X , Y ) = 0, la réciproque est généralement fausse.

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 30 / 1

 Couple de variable aléatoires discrètes

Définition
Soient X et Y deux variables aléatoires discrètes avec X (⌦) = {xi , i 2 N}
et Y (⌦) = {yj , j 2 N}. La loi conjointe du couple (X , Y ) est donnée par
(X , Y )(⌦) = X (⌦) ⇥ Y (⌦) ainsi que par les probabilité :
pij = P (X = xi ) \ (Y = yj ) = P(X = xi , Y = yj ) pour i, j 2 N

Remarque
P
On a nécessairement i,j2N pij =1

Exercice
On prend une nouvelle fois l’exemple du dé. On note Y la variable qui
vaut 1 si le résultat est impair et 2 si le résultat est pair et Z la variable
qui vaut 0 si le résultat est 1, 1 si le résultat est 6 et 2 sinon. Déterminez
la conjointe de (Y , Z ).

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 31 / 1

 Lois marginales (v.a. discrètes)

Définition
On appelle première loi marginale (respectivement deuxième loi marginale)
la loi de la première composante X (respectivement deuxième composante
Y ). On les obtient de la façon suivante : pour i, j 2 N,
X X
pi = P(X = xi ) = P(X = xi , Y = yj ) = pij
j2N j2N

X X
qj = P(Y = yj ) = P(X = xi , Y = yj ) = pij
i2N i2N

Exercice
On reprend une nouvelle fois l’exemple du dé (voir exercice précédent).
Retrouvez les lois marginales à partir de la loi conjointe de (Y , Z ).

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 32 / 1

Loi conditionnelle (cas discret)
1 Soient X et Y deux variables aléatoires discrètes avec
X (⌦) = {xi , i 2 N} et Y (⌦) = {yj , j 2 N}.
2 Pour chaque xi 2 X (⌦) vérifiant pi = P(X = xi ) > 0, on peut définir
la loi conditionnelle Y par rapport à l’événement {X = xi }. On
obtient ainsi une variable aléatoire discrète à valeurs dans Y (⌦).
Cette variable aléatoire notée Y |X = xi a ainsi pour loi de probabilité

P(X = xi , Y = yj ) pij
P Y = yj |(X = xi ) = =
P(X = xi ) pi

3 Si les variables aléatoires X et Y sont indépendantes les lois

conditionnelles sont confondues avec les lois marginales.
4 On appelle l’espérance conditionnelle de Y sachant X = xi
l’espérance mathématique de la variable aléatoire Y |X = xi :
X
E(Y |X = xi ) = yj P Y = yj |(X = xi )
j2N
 Loi conditionnelle (cas discret)

1 La loi d’un couple (X , Y ) est donnée par le tableau suivant :

Y
2 0 2
X
1 0.1 0.2 0.1 0.4
2 0.2 0.2 0.2 0.6
0.3 0.4 0.3 1
2 La loi conditionnelle de Y |X = 1 est donnée par
Y |X = 1 2 0 2
0.1 0.2 0.1
0.4 0.4 0.4 1
0.3 0.4 0.3 1
3 Calcul de l’espérance conditionnelle E(X |Y = 1) :
E(Y |X = 1) = 2 ⇤ 0.1 0.2 0.1
0.4 + 0 ⇤ 0.4 + 2 ⇤ 0.4 = 0

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 34 / 1

 Couple de variable aléatoires continues

1 Dans toute cette section, X et Y seront des variables aléatoires

réelles de densité respective fX et fY , et de fonction de répartition
respective FX et FY .
2 Comme on l’a fait pour une v.a.r., on peut définir la densité et la
fonction de répartition d’un couple de v.a.r. Il suffit de passer de la
dimension 1 à la dimension 2, c’est-à-dire de R à R2 .

Définition
Soit f une fonction définie sur R2 , à valeurs réelles. On dit que f est une
densité de probabilité sur R2 si :
1 f est continue ”par morceaux” sur R2 .
2 f 0 sur R2 .
RR
R2 f (x, y ) dxdy = 1
3

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 35 / 1

 Couple de variable aléatoires continues

Définition
Soit f une densité sur R2 .
On dira que le couple de v.a.r. (X , Y ) a pour densité f si, pour tout
couple de réels (x, y ), on a :
Z x ✓Z y ◆
P(X  x, Y  y ) = f (u, v )dv du
1 1
Z y ✓Z x ◆
= f (u, v )du dv
1 1

De manière générale, quel que soit le domaine B ⇢ R2 ,

Z Z
P((X , Y ) 2 B) = f (u, v )dudv
B

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 36 / 1

 Couple de variable aléatoires continues
Exemple
Considérons la fonction suivante :
8
<4uv si(u, v ) 2 C
>
f (u, v ) =
>
:
0 sinon

où C = {(u, v ) 2 R2 : 0 < u < 1 et 0 < v < 1}

Vérifier que f est une densité sur R2 .

Définition
On appelle fonction de répartition du couple (X , Y ) de densité f
l’application défini sur R2 par :
Z x Z y
F (x, y ) = P(X  x, Y  y ) = f (u, v )dudv 8(x, y ) 2 R2 .
1 1

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 37 / 1

 Couple de variable aléatoires continues

La fonction de répartition F d’un couple de variables aléatoires réelles

(X , Y ) vérifie les propriétés suivantes :
1 F (x, y ) 2 [0, 1] pour tout (x, y ) 2 R2
2 F est croissante en x et croissante en y .
3 F (x, y ) ! 0 si x ! 1 ou si y ! 1
4 F (x, y ) ! 1 si x ! +1 et si y ! +1
5 F est continue sur R2
6 Pour tous réels a < b et c < d, on a :

P(a < X  b, c < Y  d) = (F (b, d) F (b, c)) (F (a, d) F (a, c))

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 38 / 1

 Lois marginales

Définition
Soit (X , Y ) un couple de v.a.r. de fonction de répartition F . Soit FX et
FY les fonctions de répartition respectives de X et de Y . Alors :

FX (x) = lim F (x, y ) 8x 2 R

y !+1

FY (y ) = lim F (x, y ) 8y 2 R
x!+1

Définition
Soit (X , Y ) un couple de v.a.r. de densité f . Alors X et Y ont les densités
suivantes :
Z +1 Z +1
fX (x) = f (x, y ) dy 8x 2 R fY (y ) = f (x, y ) dx 8y 2 R
1 1

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 39 / 1

 Couple de variable aléatoires continues
Proposition
Soit (X , Y ) un couple de v.a.r. de densité f et de fonction de répartition
F . Les trois propositions suivantes sont équivalentes :
1 X et Y sont indépendantes
2 F (x, y ) = FX (x)FY (y ) pour tout (x, y ) 2 R2
3 f (x, y ) = fX (x)fY (y ) pour tout (x, y ) 2 R2

Définition
(Théorème de transfert)
Soit (X , Y ) un couple de v.a.r. de densité f et une fonction de R2 à
valeurs réelles, alors :
Z Z
E( (X , Y )) = (u, v )f (u, v )dudv
R2

quand elle existe.

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 40 / 1
 Espérance, matrice de covariance

Définition
1 L’espérance du couple (X , Y ) est définie si X et Y sont intégrables et

on a alors
E[(X , Y )] = (E(X ), E(Y ))
2 Si X et Y sont deux variables aléatoires de carré intégrable, la
matrice de variance-covariance (ou matrice de covariance) du couple
(X , Y ) est la matrice :
✓ ◆
Var(X ) Cov(X , Y )
C=
Cov(Y , X ) Var(Y )

C est symétrique et semi-définie positive.

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 41 / 1