Documente Academic
Documente Profesional
Documente Cultură
1 Généralités
~ une application de Ω dans R2
Définition 1. Soit (Ω, P(Ω), P) un espace probabilisé et C
On note : C ~ : Ω −→ R2
où X et Y sont deux V.A. définies sur (Ω, P(Ω), P).
ω 7−→ (X(ω), Y (ω))
On dit que C ~ = (X, Y ) est un couple de V.A. discrètes, ou plus simplement couple aléatoire
discret, lorsque les V.A. X et Y sont discrètes.
Exemple 1 On lance un dé. X est le numéro qui sort et Y vérifie Y (Ω) = {0; 1} où Y = 0 si le
numéro est pair et Y = 1 si le numéro est impair.
Remarque : En principe, le couple C ~ pourrait prendre une infinité (dénombrable) de valeurs,
cependant, dans tous les exemples traités, nous nous contenterons d’étudier des couples prenant
un nombre fini de valeurs.
~ = (X, Y ) un couple aléatoire discret. On note, dans le cas fini :
Notations : Soit C
1. X(Ω) = {x1 , · · · , xn } et Y (Ω) = {y1 , · · · , ym }
~ = (xi , yj )) = P((X = xi ) ∩ (Y = yj )) pour tout (i, j) ∈ [[1, n]] × [[1, m]]
2. pij = P(C
3. pi• = P(X = xi ) pour tout i ∈ [[1, n]]
4. p•j = P(Y = yj ) pour tout j ∈ [[1, m]]
Y
y1 y2 ··· yj ··· ym Loi de X
X
~
Table 1 – représentation matricielle des lois de C
Exercice 2 Une urne contient 3 boules blanches et 4 boules noires. On tire successivement
deux boules de cette urne. On considère les V.A.R. X et Y définies par : X prend la valeur 1 si
la première boule tirée est blanche et 0 sinon. Y prend la valeur 1 si la seconde boule tirée est
blanche, et 0 sinon. Donner la table de la loi conjointe de (X, Y ) dans le cas où les tirages se font
avec remise, puis dans le cas où les tirages se font sans remise.
3 Lois conditionnelles
Remarque : Soient C ~ = (X, Y ) un couple aléatoire discret, et xi , (respectivement yj ) une valeur
prise par X) (respect. Y ) telle que P(Y = yj ) 6= 0. On peut considérer la probabilité conditionnelle
P((X = xi ) ∩ (Y = yj )) p
P(Y =yj ) (X = xi ) = = ij
P(Y = yj ) p•j
~ = (X, Y ) un couple aléatoire discret défini sur un espace probabilisé.
Définition 3. Soit C
1. Pour tout indice j tel que P(Y = yj ) 6= 0, on appelle loi conditionnelle de X sachant
(Y = yj ), l’application définie sur X(Ω), à valeurs dans [0, 1] par :
pij
xi 7−→ P(Y =yj ) (X = xi ) =
p•j
2. Pour tout indice i tel que P(X = xi ) 6= 0, on appelle loi conditionnelle de Y sachant
(X = xi ), l’application définie sur Y (Ω), à valeurs dans [0, 1] par :
pij
yj 7−→ P(X=xi ) (Y = yj ) =
pi•
n
X m
X
Remarque : On a vu que pij = p•j et pij = pi• , les applications définies ci-dessus sont
i=1 j=1
n m
pij pij
X X
donc bien des lois de probabilités = =1 .
i=1 p•j j=1 pi•
Exercice 3
On considère deux V.A.R. X et Y discrètes sur un univers Ω telles que X(Ω) = Y (Ω) =
{0; 1; 2}. On donne la table de la loi conjointe de (X, Y ) et des lois marginales.
Y
0 1 2 Loi de X
X
0 0, 1 0, 2 0, 3 0, 6
1 0 0, 1 0, 2 0, 3
2 0 0 0, 1 0, 1
Loi de Y 0, 1 0, 3 0, 6 1
4 Indépendance de V.A.R.
Définition 4. Soit C~ = (X, Y ) un couple aléatoire discret défini sur un espace probabilisé quel-
conque. On dit que les V.A.R.D. X et Y sont indépendantes si et seulement si
∀(i, j) ∈ [[1, n]] × [[1, m]], P (X = xi ) ∩ (Y = yj ) = P(X = xi ) · (Y = yj )
Exercice 4
On lance un dé non truqué (hypothèse d’équiprobabilité). On considère les V.A. X et Y définies
sur [[1; 6]] par :
X prend la valeur 1 si le résultat est pair, et la valeur −1 sinon.
Y prend la valeur 2 si le résultat est 2 ou 5, et la valeur 1 sinon.
Compléter la table de la loi conjointe
Y
Loi de X
X
Loi de Y 1
Combien y-a-t-il d’égalités à vérifier pour justifier que les V.A.R.D. X et Y dont indépen-
dantes ?
Remarque : Si CardX(Ω) = n et CardY (Ω) = m, il y a n · m égalités à vérifier. Par contre,
pour justifier que deux V.A.R.D. ne sont pas indépendantes, il suffit de montrer qu’une égalité
n’est pas vérifiée !
Définition 5. On peut généraliser cette notion à d V.A.R. discrètes définies sur le même espace
probabilisé : elles sont dites mutuellement indépendantes si et seulement si :
Théorème 2. Soient X et Y deux V.A.R. discrètes indépendantes à valeurs dans N (ou une
partie de N). La loi de Z = X + Y est obtenue en faisant le produit de convolution de la loi de X
par la loi de Y , i.e.
X X
∀n ∈ N, P(Z = n) = P(X = p) × P(Y = q) = P(X = p) × P(Y = n − p)
p+q=n p≥0
Exercice 6
On considère deux variables aléatoires X et Y de loi de Bernoulli de
1 2
paramètres et respectivement.
2 3
1
On suppose de plus que P ({X = 0} ∩ {Y = 0}) = .
6
1. Déterminer la loi du couple (X, Y ). Les variables X et Y sont-elles indépendantes ?
2. On pose U = X + Y et V = X · Y . Déterminer la loi du couple (U, V ), ainsi que les lois des
variables aléatoires U et V . Les variables aléatoires U et V sont-elles indépendantes ?
Exercice 7 Sur Ω = {−1; 0; 1}, on considère un couple (X, Y ) de V.A. tel que, pour tout
(i; j)∈ Ω2 ,
1
si i = j,
9
1
P ({X = i} ∩ {Y = j}) = si i = 0 ou j = 0 et i 6= j,
12
1
si i = −j et i 6= j.
6
1. Représenter ces données dans une table. Déterminer les lois marginales de X et Y .
2. Déterminer l’espérance de X, puis celle de Y .
3. Les V.A. X et Y sont-elles indépendantes ?
4. Déterminer la loi de probabilité de la variable Z = X + Y .
Exercice 8 La loi d’un couple (X, Y ) de V.A. est donnée par le tableau suivant :
Y
−2 −1 0 1 2 Loi de X
X
1 1 1 1
0 0 0
6 12 12 3
1 1 1 1
1 0 0
12 24 24 6
1 1 1 1
2 0 0
4 8 8 2
1 5 1 1 1
Loi de Y 1
4 24 3 8 12
1. Calculer E(X) et E (Y ).
2. Les variables aléatoires X et Y sont-elles indépendantes ?
3. On pose Z = X + Y . Donner le tableau de la loi de probabilité du couple (X, Z). Les V.A.
X et Z sont-elles indépendantes ?
Corollaire : Considérons n V.A.R. indépendantes qui suivent toutes la même loi de Bernouilli
(ou loi Binomiale B(1, p)). Alors Z = X1 + X2 + · · · + Xn suit la loi binomiale B(n, p) .
5.3 Espérance
Théorème 5. Soient X et Y deux V.A.R.D. définies sur un espace probabilisé (Ω, P(Ω), P). On
suppose que X et Y possèdent chacune une espérance. Alors
1. X + Y possède une espérance et E(X + Y ) = E(X) + E(Y ).
2. Pour tous réels a et b, W = aX + b possède une espérance et E(W ) = a.E(X) + b.
Définition 6. Soient X et Y deux V.A.R.D. définies sur un espace probabilisé (Ω, P(Ω), P). On
suppose que X et Y possèdent chacune une variance. On appelle covariance de X et Y , notée
cov (X, Y ), l’espérance du produit des V.A.R. centrées associées à X et à Y , i.e.
Théorème 8. Soient X et Y deux V.A.R.D. définies sur un espace probabilisé (Ω, P(Ω), P). On
suppose que X et Y possèdent chacune une variance. Alors
1. La V.A.R.D. Z = X + Y possède également une variance
2. V (X + Y ) = V (X) + V (Y ) + 2cov (X, Y )
Théorème 9. Soient X et Y deux V.A.R. discrètes sur un espace probabilisé (Ω, P(Ω), P). On
suppose que X et Y possèdent chacune une variance non nulle. On a l’implication
Y
1 2 3 Loi de X
X
1 1
1 0 0
2 2
1 1 1
2 0
4 4 2
1 1 1
Loi de Y 1
4 2 4