2 LIC-RO-Sect A Chap2. Proba2. 2022-2023.

CHAPITRE 2
Vecteurs Aléatoires Absolument Continus

1. Rappels d’intégration.
Soit une fonction à deux variables f : R2 ! R intégrable et soit un domaine D borné du plan R2 et
contenue dans le domaine de dé…nition de f:

Théorème 1.1. (Fubini)

Soit un domaine D = R2 ; alors on a:
Z Z Z +1 Z +1 Z +1 Z +1
f (x; y)dx dy = f (x; y)dx dy = f (x; y)dy dx
R2 1 1 1 1

Théorème 1.2. (Fubini pour des rectangles fermés)

Soit un domaine D = f(x; y) 2 R2 ; a x b; c y dg avec a; b; c; d des réelles alors on a:
ZZ Z b Z d Z d Z b
f (x; y)dx dy = f (x; y)dy dx = f (x; y)dx dy
a c c a
D

Théorème 1.3.
Soit un domaine D = f(x; y) 2 R2 ; a x b; h(x) y g(x)g où h et g sont deux fonctions dé…nies sur
R, alors on a:
ZZ Z b "Z g(x)
#
f (x; y)dx dy = f (x; y)dy dx
a h(x)
D

Théorème 1.4.
Soit un domaine D = f(x; y) 2 R2 ; c y d; u(y) x v(y)g où u et v sont deux fonctions dé…nies sur
R, alors on a:
ZZ Z "Z #
d v(y)
f (x; y)dx dy = f (x; y)dx dy
c u(y)
D

2. Densité conjointe.
Dé…nition 2.1. Un vecteur aléatoire (X; Y ) est absolument continu si sa fonction de répartition F(X;Y )
est continue à droite et à gauche sur R par rapport à chacune des deux variables et possède une dérivée
seconde.

Dé…nition 2.2. Soit (X; Y ) un vecteur aléatoire absolument continu. La fonction:

@ 2 F(X;Y ) (x; y)
f(X;Y ) (x; y) = est appelée la densité conjointe du vecteur (X; Y ):
@x@y

Proposition 2.1.
Une application f dé…nie sur R2 est une fonction de densité conjointe si et seulement si:
2
1/- R8(x;
R y) 2 R ; f(X;Y ) (x; y) 0:
2/- f
R2 (X;Y )
(x; y) dx dy = 1:

1
 Chap2. Proba2. 2022-2023.
Proposition 2.2.
Pour tout domaine D de R2 ; on peut déterminer la probabilité suivante:
Z Z
P [(X; Y ) 2 D] = f(X;Y ) (x; y) dx dy
D

3. Densités marginales.
Proposition 3.1.
Soit (X; Y ) un vecteur aléatoire absolument continu, alors les v.a X et Y sont absolument continues et la
densité conjointe détermine les densités marginales fX (x) et fY (y) :

Z
fX (x) = f(X;Y ) (x; y)dy
R
Z
fY (y) = f(X;Y ) (x; y)dx:
R

4. Fonction de répartition conjointe.

Soit (X; Y ) un vecteur aléatoire absolument continu, sa fonction de répartition conjointe est dé…nie par:
Z x Z y
F(X;Y ) (x; y) = P (X x \ Y y) = f(X;Y ) (u; v)dv du 8(x; y) 2 R2
1 1

Les fonctions de répartition marginales associées au vecteur (X; Y ) sont données par:

FX (x) = lim F(X;Y ) (x; y)

y!+1

FY (y) = lim F(X;Y ) (x; y)

x!+1

5. Densités conditionnelles.
Supposons que le vecteur (X; Y ) admet une densité conjointe f(X;Y ) (x; y), alors:

8y tel que fY (y) > 0, la loi conditionnelle X j Y = y admet une densité qui vaut:

f(X;Y ) (x; y)
fXjY =y (x j y) = fXjY (x j y) =
fY (y)

8x tel que fX (x) > 0, la loi conditionnelle Y j X = x admet une densité qui vaut:

f(X;Y ) (x; y)
fY jX=x (y j x) = fY jX (y j x) =
fX (x)

Aussi, on peut déterminer la probabilité conditionnelle suivante:

Z b
P (a < Y < b j X = x) = fY jX (y j x) dy 8(a; b) 2 R2
a

2
 Chap2. Proba2. 2022-2023

6. L’espérance mathématique.
Dé…nition 6.1.
Soit (X; Y ) un vecteur aléatoire absolument continu, l’espérance mathématique du couple (X; Y ) est le
vecteur (E(X); E(Y )):

Théorème 6.1 (de Transfert )

Soit h(X; Y ) une fonction réelle du couple (X; Y ); l’espérance de h(X; Y ) ,si elle existe, est donnée par:

Z Z
E [h(X; Y )] = h(x; y) fX;Y (x; y)dxdy
R2

En particulier, on peut déterminer E [XY ] comme suit:

Z Z
E [XY ] = xy fX;Y (x; y)dxdy:
R2

7. L’espérance conditionnelle.
Dé…nitions 7.1.
Soit (X; Y ) un vecteur aléatoire absolument continu.
L’espérance conditionnelle de Y j X = x est donnée par :
Z
E [Y j X = x] = y fY jX (y j x) dy
R

L’espérance conditionnelle de X j Y = y est donnée par:

Z
E [X j Y = y] = x fXjY (x j y) dx
R
.

Dé…nition 7.2.
L’espérance conditionnelle notée E [Y j X] est une variable aléatoire à valeurs E [Y j X = x] et de densité
fX (x):

Théorème 7.1. (Thm de l’espérance totale)

Soit (X; Y ) un vecteur aléatoire absolument continu. Alors la v.a E [Y j X] admet une espérance avec:
E [E(Y j X)] = E [Y ] :
Preuve. On a
Z
E [E(Y j X)] = E [Y j X = x] fX (x) dx
R
Z Z
= y fY jX (y j x) dy fX (x) dx
R R
Z Z Z Z
= y fY jX (y j x) fX (x) dx dy = y fX;Y (x; y) dx dy
R R R R
Z
= y fY (y)dy = E(Y ):
R

3
 Chap2. Proba2. 2022-2023
8.Indépendance et Covariance.
Dé…nition 8.1.
Deux v.a X et Y absolument continues sont indépendantes si et seulement si l’une des propriétés suivantes
équivalentes est véri…ée:
1- 8(x; y) 2 R2 ; fX;Y (x; y) = fX (x) fY (y):
2- 8(x; y) 2 R2 ; FX;Y (x; y) = FX (x) FY (y):

Dé…nition 8.2.
La covariance entre deux variables aléatoires absoluments continus X et Y est donnée par:

Cov(X; Y ) = E [(X E(X)) (Y E(Y ))]

= E(XY ) E(X)E(Y )
Z Z Z Z
= xy fX;Y (x; y)dxdy xfX (x)dx y fY (y)dy
R2 R R

Proposition 8.1.
Soit X et Y deux v.a absoluments continues indépendantes, alors on a:

1- E(XY ) = E(X)E(Y ):

2- Cov(X; Y ) = 0:
Cov(X;Y )
3- Le coé¢ cient de corrélation linéaire: XY =
p p = 0:
V ar(X) V ar(Y )

Propriétés 8.1.
Soient X , Y et Z des v.a absoluments continues et soient a; b; c; d des réels; on a:

1- Cov(aX + b; cY + d) = a c Cov(X; Y ):

2- Cov(X + Y; Z) = Cov(X; Z) + Cov(Y; Z):

3- V ar(aX + bY ) = a2 V ar(X) + b2 V ar(Y ) + 2 a b Cov(X; Y ):

Preuve. Exercice

4
 Chap2. Proba2. 2022-2023

9. Changement de variables bidimentionnel.

Soit un couple de v.a (X; Y ) de densité conjointe fX;Y (x; y):

Et on veut déterminer la densité conjointe fT;Z (t; z) du couple (T; Z) avec:

T = g 1 (X; Y ) et Z = g 2 (X; Y )
Où: g1 et g2 sont deux fonctions dé…nies sur R2 véri…ant les deux conditions suivantes:

1- Le système d’équation suivant admet une solution :

8 8
< T = g 1 (X; Y ) < X = h1 (T; Z)
, :
: :
Z = g 2 (X; Y ) Y = h2 (T; Z)
2- Les fonctions h1 et h2 sont continûment di¤érentiable et de jacobien partout non nul, soit:

@h1 @h1
@t @z @h1 @h2 @h2 @h1
J(t; z) = = 6= 0
@h2 @h2 @t @z @t @z
@t @z
On peut montrer que le vecteur (T; Z) admet la densité conjointe suivante:

fT;Z (t; z) = jJ(t; z)j fX;Y ( h1 (t; z) ; h2 (t; z) ) (t; z) 2 R2

10. Somme de deux v.a à densité indépendantes.

Soit un vecteur aléatoire (X; Y ) de densité conjointe fX;Y (x; y) et de densités marginales fX (x) et fY (y):

Proposition 10.1.
La variable aléatoire somme Z = X + Y admet pour densité fZ (z) dé…nie par:
Z
fZ (z) = fX;Y (x; z x) dx ,avec y = z x
R
Z
= fX;Y (z y; y) dy ,avec x = z y
R

Proposition 10.2 (produit de convolution)

Soit X et Y deux v.a indépendantes, alors la somme Z = X + Y admet pour densité fZ (z) dé…nie par :

Z
fZ (z) = fX (x) fY (z x) dx
R
Z
= fX (z y) fY (y) dy
R

5
 Chap2. Proba2. 2022-2023

Proposition 10.3.
Soit MX (t) la fonction génératrice des moments de la v.a absolument continue X,
Soit MY (t) la fonction génératrice des moments de la v.a absolument continue Y;
Si X et Y sont indépendantes alors

MX+Y (t) = MX (t) MY (t)

Preuve.
On applique le théorème 6.1:
MX+Y (t) = E(et(X+Y ) ) = E etX etY
Z Z
= etx ety fX;Y (x; y)dxdy
R R
Z Z
tx
= e fX (x)dx ety fY (y)dy car X et Y indépendantes
R R

= MX (t) MY (t):
Proposition 10.4
2 2
1- Soit X et Y deux v.a réelles indépendantes de lois Normales i.e X ! N (m1 ; 1) et Y ! N (m2 ; 2)
alors:

2 2
X + Y ! N (m1 + m2 ; 1 + 2)

2- Soit X et Y deux v.a réelles indépendantes de lois Gammas i.e X ! G( 1; ) et Y ! G( 2; ) alors:

X + Y ! G( 1+ 2; )

3- Soit X et Y deux v.a réelles indépendantes de lois du Chi-deux i.e X ! 2 (n1 ) et Y ! 2 (n2 ) alors:

X +Y! 2 (n1 +n2 )

Preuves.
X et Y sont indépendantes alors: M X+Y (t) = M X (t) M Y (t):

2 2
1- On a: X ! N (m1 ; 1) et Y ! N (m2 ; 2) :

t2 t2
( 21 ) + m1 t ( 22 ) + m2 t
Avec: MX (t) = e 2 et MY (t) = e 2 donc:

MX+Y (t) = MX (t) MY (t)

t2 t2
( ) +m1 t 2
1 ( ) +m2 t
2
2
= e 2 e 2

t2
( 2
1 + 2
2 ) +(m1 +m2 )t
= e 2 :

6
Ainsi on reconnait la fonction génératrice de la loi Normale, donc:

2 2
X + Y ! N (m1 +m2 ; 1+ 2)

2- On a: X ! G( 1; ) et Y ! G( 2; )
1 2
Avec: MX (t) = t
et MY (t) = t
: avec t>0

Donc:

MX+Y (t) = MX (t) M Y (t)

1 2
=
t t
1+ 2

=
t

On reconnait donc la fonction génératrice de la loi Gamma, i.e:

X + Y ! G( 1 + 2; )

n1 1 n2 1
3- On a: X ! 2 (n1 ) G( ; ) et Y ! 2 (n2 ) G( ; )
2 2 2 2
Ainsi:
n1 + n2 1
X + Y ! G( ; ) 2 (n1 +n2 )
2 2

Remarque 10.1.

1- On peut facilement généraliser les résultats de la proposition 10.4 à la somme de n v.a réelles indépen-
dantes et identiquement distribuées X1 ; X 2 ; :::; X n i:e (i:i:d):

2- Toutes combinaison linéaire des n v.a X1 ; X 2 ; :::; X n indépendantes Normales suit la loi Normale.