Probabilités

Chapitre 4 : Vecteur aléatoire

Toufik Chaayra
Département : Mathématiques
Filière : SMA - S6
Module : M33
Année universitaire : 2021/2022

12 Mai, 2022
Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 1 / 34
Variable aléatoire vectorielle

Définition
Soit (Ω, F) un espace mesurable. Une application X : Ω → Rd est dite
variable
  aléatoire
 vectorielle si X est mesurable de (Ω, F) dans
Rd , B Rd .

Remarque
Soient X1 , X2 , . . . , Xd des variables aléatoires : Xi : Ω → R alors
X = (X ., Xd ) est une variable aléatoire vectorielle de (Ω, F)
 1 , X2, . . .
dans Rd , B Rd appelé vecteur aléatoire.

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 2 / 34

Loi d’un vecteur aléatoire
Définition
Soit une variable aléatoire X sur l’espace probabilisé(Ω,F, P ), à
valeurs dans Rd muni de la tribu borélienne réelle B Rd .
La loi de la variable aléatoire X  la mesure de probabilité, PX ,
 est
définie par : Pour tout B ∈ B Rd ;
 
−1
PX (B) = P X (B) = P (X ∈ B)

Remarque
Si X est un vecteur aléatoire à valeurs dans Rd
Z
P (X ∈ A) = E (1A (X)) = 1A (X(ω))dP (ω)
Z Ω

= 1A (x)dPX (x) = PX (A)

Rd

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 3 / 34

Loi d’un vecteur aléatoire
Remarque
1 Puisque les ensembles A1 × . . . ×Ad ,où les Ai sont borélien,
engendrent la tribu borélienne B Rd , alors PX est caractérisée
par : Pour tout A1 , . . . , Ad ∈ B(R);
 
−1
PX (A1 × . . . × Ad ) = P X (A1 × . . . × Ad )
= P (X ∈ A1 × . . . × Ad )
= E (1A1 ×...×Ad (X))

2 Si X = (X1 , X2 , . . . , Xd ) alors, puisque les pavés

]−
 ∞,
 x1 ] × . . . ×] − ∞, xd ] engendrent la tribu borélienne
B Rd , la loi du vecteur aléatoire X PX est caractérisées par :
Pour tout x1 , . . . , xd ∈ R;

PX (] − ∞, x1 ] × . . . ×] − ∞, xd ]) = P (X1 ≤ x1 , . . . , Xd ≤ xd )

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 4 / 34

Loi d’un vecteur aléatoire
La formule de transfert se généralise à d variables.

Théorème (de transfert)

Soit
 . , Xd ) un vecteur aléatoire sur (Ω, A, P ) à valeurs dans
(X1 , . .
Rd , B Rd et soit ϕ une fonction borélienne de Rd dans R.
Si ϕ est à valeurs positives,
Z
E (ϕ (X1 , . . . , Xd )) = ϕ (X1 (ω), . . . , Xd (ω)) dP (dω)
ZΩ
= ϕ (x1 , . . . , xd ) dP(X1 ,...,Xd ) (x1 , . . . , xd )
Rd

1
 ϕ (X1 , . . . , Xd ) ∈ L (Ω, A, P ) si et
Si ϕ est à valeurs quelconques,

seulement si ϕ ∈ L1 Rd , B Rd , P(X1 ,...,Xd ) .
Dans ce cas, l’égalité précédente a lieu.

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 5 / 34

Loi marginale
Définition
Soit (X1 , X2 , . . . , Xd ) un vecteur aléatoire sur l’espace probabilisé
(Ω, F, P ), à valeurs dans Rd , de loi P(X1 ,X2 ,...,Xd ) .
La loi de probabilité de la i-ème coordonnée d’un vecteur aléatoire,
notée PXi , est appelée la i-ème loi marginale.

Proposition
La loi marginale PXi s’obtient par la formule : Pour tout A ∈ B(R),
Z
PXi (A) = 1A (xi ) dP(X1 ,X2 ,...,Xd ) (x1 , . . . , xd )

où pour toute fonction ϕ borélienne positive de R dans R+

Z
E (ϕ (Xi )) = ϕ (xi ) dP(X1 ,...,Xd ) (x1 , . . . , xd )
Rd

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 6 / 34

Loi marginale : Proposition

Preuve :
Il suffit de remarquer que pour tout A ∈ B(R)

PXi (A) = P(X1 ,X2 ,...,Xd ) (R × . . . × A × . . . × R)

Z
= 1R×...×A×...×R (x1 , . . . , xd ) dP(X1 ,X2 ,...,Xd ) (x1 , . . . , xd )
Z
= 1A (xi ) dP(X1 ,X2 ,...,Xd ) (x1 , . . . , xd ) .

En appliquant le théorème de transfert pour ϕ (x1 , x2 , . . . , xd ) = ϕ (xi ),

il vient Z
E (ϕ (Xi )) = ϕ (xi ) dP(X1 ,...,Xd ) (x1 , . . . , xd ) .
Rd

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 7 / 34

Loi marginale d’un sous vecteur

Plus généralement on a la proposition suivante.

Proposition
Soient k ≤ d et i1 < i2 < . . . < ik . La loi (ou loi marginale) du vecteur
Ai1 , . . . , Aik ∈ B(R),

P(Xi ,Xi2 ,...,Xik ) (Ai1 × . . . × Aik ) =

1
Z
= 1Ai1 ×...×Aik (xi1 , . . . , xik ) dP(X1 ,X2 ,...,Xd ) (x1 , . . . , xd ) ,

où pour toute fonction ϕ borélienne positive de R dans R+

Z
E (ϕ (Xi1 , Xi2 , . . . , Xik )) = ϕ (xi1 , xi2 , . . . , xik ) dP(X1 ,...,Xd ) (x1 , . . . , xd )
Rd

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 8 / 34

Vecteur discret

Définition
Un vecteur aléatoire (X1 , X2 , . . . , Xd ) sur l’espace probabilisé
(Ω, F, P ), à valeurs dans Rd , est dit discret si elle existe des parties
Di ⊂ R, 1 ≤ i ≤ d au plus dénombrable telle que
X
P(X1 ,X2 ,...,Xd ) = p(x1 ,...,xd ) δ(x1 ,...,xd )
(x1 ,...,xd )∈D1 ×...×Dd

où X
p(x1 ,...,xd ) = 1 et p(x1 ,...,xd ) > 0
(x1 ,...,xd )∈D1 ×...×Dd

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 9 / 34

Remarque
Si (X1 , X2 , . . . , Xd ) est un vecteur aléatoire discret alors la loi et les
lois marginales sont caractérisées par :
1 Loi (X1 , X2 , . . . , Xd ) : ∀ (x1 , x2 , . . . , xd ) ∈ D1 × . . . × Dd ;

P (X1 = x1 , . . . , Xd = xd ) = p(x1 ,...,xd )

2 Lois marginales : Pour k ≤ d et i1 < i2 < . . . < ik

X
P(Xi ,Xi2 ,...,Xik ) = p(x1 ,...,xd ) δ(xi ,xi2 ,...,xik )
1 1
(x1 ,...,xd )∈D1 ×...×Dd

en particulier
X
PXi = p(x1 ,...,xd ) δxi
(x1 ,...,xd )∈D1 ×...×Dd

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 10 / 34

Vecteur discret

Exemple
Supposons que X = (X1 , X2 ) suit de loi discrète dans R2 concentrée en
les points (−1, 0), (0, 1), (0, −1), (1, 0) tous de probabilité 1/4.
Autrement dit,
1 1 1 1
PX = δ(−1,0) + δ(0,1) + δ(0,−1) + δ(1,0)
4 4 4 4
Les lois marginales PX1 et PX2 de PX sont égales, et données par
1 1 1
PX1 = PX2 = δ−1 + δ0 + δ1 .
4 2 4
On pourra noter que l’on obtient les lois marginales PX1 et PX2 en
sommant les probabilités respectivement sur les lignes et les colonnes
de la table.

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 11 / 34

Vecteur discret

Remarque
Si (X1 , X2 , . . . , Xd ) est un vecteur aléatoire discret alors les espérances
sont caractérisées par : si ϕ est positive ou intégrable alors pour k ≤ d
et i1 < i2 < . . . < ik
X
E (ϕ (Xi1 , Xi2 , . . . , Xik )) = p(x1 ,..,xd ) ϕ (xi1 , xi2 , . . . , xik )
(x1 ,...,xd )∈D1 ×...×Dd

en particulier
X
E (ϕ (Xi )) = p(x1 ,...,xd ) ϕ (xi )
(x1 ,...,xd )∈D1 ×...×Dd

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 12 / 34

Vecteur absolument continu

Définition
Soit une variable aléatoire X sur l’espace probabilisé(Ω,F, P ), à
valeurs dans Rd muni de la tribu borélienne réelle B Rd .
La loi de la variable aléatoire X, PX , est dite absolument continue si
elle est absolument continue par rapport à la mesure de Lebesgue sur
Rd , dλRd = dx1 . . . dxd , i.e

PX << λRd

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 13 / 34

Radon-Nikodym

Théorème (Radon-Nikodym)
Si la loi de la variable aléatoire X, PX , est absolument continue par
rapport à la mesure de Lebesgue sur Rd , alors il existe une fonction
intégrable f : Rd −→ R+ , appelée densité, telle que
Z +∞ Z +∞
··· f (x1 , . . . , xn ) dx1 . . . dxd = 1
−∞ −∞

et
P (X1 ≤ x1 , . . . , Xd ≤ xd ) = PX (] − ∞, x1 ] × . . . ×] − ∞, xd ])
Z x1 Z xd
= ... f (x1 , . . . , xn ) dx1 . . . dxd
−∞ −∞

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 14 / 34

Densité marginale

Proposition
Soient k ≤ d et i1 < i2 < . . . < ik . La densité marginale du vecteur
(Xi1 , Xi2 , . . . , Xik ) notée f(Xi ,Xi ,...,Xi ) s’obtient par la formule :
1 2 k
∀ (xi1 , . . . , xik ) ∈ Rk

f(Xi ,Xi ,...,Xi ) (xi1 , . . . , xik ) =

1 2 k
Z Y
= f(X1 ,X2 ,...,Xd ) (x1 , . . . , xd ) dxi
Rd−k
i∈{i
/ 1 ,i2 ,...,ik }

où pour toute fonction ϕ borélienne positive de R dans R+

E (ϕ (Xi1 , Xi2 , . . . , Xik )) =

Z
= ϕ (xi1 , xi2 , . . . , xik ) f(Xi ,Xi2 ,...,Xik ) (xi1 , . . . , xik ) dx1 . . . dxd
Rd 1

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 15 / 34

Considérons le vecteur aléatoire gaussien
   
d d
X = (X1 , X2 , . . . , Xd ) : (Ω, A, P ) −→ R , B R , λRd

dont la densité par rapport à la mesure de Lebesgue sur Rd est donnée

par
1 ∥x∥2
− 2
fX (x) = e
(2π)d/2

Remarque
Un vecteur aléatoire X = (X1 , X2 , · · · , Xd ) est dit gaussien lorsque
toute combinaison linéaire a1 X1 + · · · + ad Xd de ses composantes Xi
suit une même loi normale N (µ, σ).

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 16 / 34

Pour k ≤ d et i1 < i2 < . . . < ik , la densité marginale du vecteur
(Xi1 , Xi2 , . . . , Xik ), est :
f(Xi ,Xi ,...,Xi ) (xi1 , . . . , xik ) =
1 2 k

1 x2 +...+x2
Z
− 1 d Y
= e 2 dxi
(2π)d/2 Rd−k i∈{i
/ 1 ,i2 ,...,ik }
x2 +x2 +...+x2
!
1 i
− 1
i2 ik 1
= k e
2
d−k
(2π) 2 (2π) 2
X
x2i
Z i∈{i
/ 1 ,i2 ,...,ik }
−
Y
× e 2 dxi
Rd−k
i∈{i
/ 1 ,i2 ,...,ik }
!d−k
x2 +x2 +···+x2
!
1 1 2
i i2 ik
Z
− 1 − x2
= k e e dx
2
1
(2π) 2 (2π) 2 R
x2 +x2 +···+x2
1 i
− 1
i2 ik
= k e 2 .
(2π) 2

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 17 / 34

Fonctions de répartition d’un vecteur aléatoire

Définition
Soient X1 , X2 , . . . , Xd des variables aléatoires : Xi : Ω → R. On appelle
fonction de répartition de X = (X1 , X2 , . . . .Xd ), ou de la loi de X, la
fonction définie pour t = (t1 , . . . , td ) ∈ Rd par

FX (t) = P ((X1 ≤ t1 ) ∩ · · · ∩ (Xd ≤ td ))

= P (X1 ≤ t1 , . . . , Xd ≤ td )

La fonctions de répartition marginale de la variable aléatoire Xi est

donnée par
FXi (ti ) = lim FX (t)
t1 ,...,ti−1 ,ti+1 ,...,td −→+∞

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 18 / 34

Fonctions de répartition d’un vecteur aléatoire

Si X = (X1 , X2 , . . . ., Xd ) est un vecteur discret alors

X X
F(X1 ,X2 ,....,Xd ) (t1 , . . . , td ) = ... p(x1 ,...,xd ) ,
x1 ∈]∞,t1 ] xd ∈]∞,td ]

Si X = (X1 , X2 , . . . ., Xd ) est absolument continue par rapport à la

mesure de Lebesgue de densité f alors
Z t1 Z td
F(X1 ,...,Xd ) (t1 , . . . , td ) = ... f(X1 ,...,Xd ) (x1 , . . . , xd ) dx1 . . . dxd .
−∞ −∞

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 19 / 34

Fonctions de répartition d’un vecteur aléatoire

Proposition
Soient k ≤ d et i1 < i2 < . . . < ik .
La fonction de répartition marginale du vecteur (Xi1 , Xi2 , . . . , Xik ),
notée F(Xi ,Xi ,...,Xi ) s’obtient par la formule :
1 2 k
∀ (ti1 , . . . , tik ) ∈ Rk

F(Xi ,...,Xik ) (ti1 , . . . , tik ) =

1
Z ti Z ti Z
1 k
= ... f(X1 ,...,Xd ) (x1 , . . . , x1 ) dx1 . . . dxd .
−∞ −∞ Rd−k

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 20 / 34

Exemple
Soit (X, Y ) un couple aléatoire de densité f (x, y) par rapport à la
mesure de Lebesgue sur R2 , i.e.
Z t1 Z t2
F (t1 , t2 ) = f (x, y)dxdy, t1 , t2 ∈ R
−∞ −∞

alors les fonctions de répartitions marginales et les densités marginales

sont donées par
Z t1 Z +∞ Z +∞
FX (t1 ) = f (x, y)dydx, fX (x) = f (x, y)dy
−∞ −∞ −∞

et
Z t2 Z +∞ Z +∞
FY (t2 ) = f (x, y)dxdy, fY (y) = f (x, y)dx
−∞ −∞ −∞

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 21 / 34

Changement de variables
Soit X un vecteur aléatoire dans Rd et g une application mesurable de
Rd vers Rd . On veut déterminer la loi du vecteur aléatoire g(X).

Théorème
Soit X un vecteur aléatoire à valeurs dans Rd de densité fX et soit g :
Rd −→ Rd un difféomorphisme de Rd (bijection continûment
différentiable ainsi que son inverse).
Alors Y = g(X) est une variable aléatoire à valeurs dans Rd qui admet
pour densité la fonction
 
−1
fY (y) = fX g (y) Jac g −1 (y) ; y ∈ Rd

où
g −1 (y)

!
d
Jac g −1 (y) = det i
, 1 ≤ i, j ≤ d
dyj
est le jacobien de g −1 .

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 22 / 34

Changement de variables : Théorème

Preuve :
Il suffit d’écrire
FY (y1 , . . . , yd ) = P ((g(X))1 ≤ y1 , . . . , (g(X))d ≤ yd )
Z
= fX (x1 , . . . , xd ) dx1 . . . dxd
g −1 (]−∞,y 1 ]×...×]−∞,yd ])

Puisque g : Rd −→ Rd est un difféomorphisme, le changement de

variable y = g(x) implique
Z y1 Z yd     
−1 −1
FY (y1 , . . . , yd ) = ... fX g (y) ,..., g (y) Jac g −1 (y)
−∞ −∞ 1 d
Z y1 Z yd  
−1
= ... fX g (y) Jac g −1 (y) dy.
−∞ −∞

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 23 / 34

Vecteur aléatoire

Nous avons également une méthode assez générale, valable même dans
le cas où g n’est pas difféomorphisme, pour déterminer la loi d’une
transformée d’un vecteur aléatoire, basée sur la caractérisation
suivante.
Théorème
Soit Y un vecteur aléatoire à valeurs dans Rd .
Pour que sa loi PY , absolument continue, soit de densité fY il faut et il
suffit que pour toute fonction borélienne bornée ϕ : Rd → R telle que
ϕ(Y ) soit intégrable ou positive, on ait :
Z
E(ϕ(Y )) = ϕ(y)f (y)dx
Rd

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 24 / 34

Cas d’un vecteur aléatoire

Définition
Soient X1 , X2 , . . . , Xd des variables aléatoire sur un espace probabilisé :
Xi : Ω → R positives ou de carré intégrable.
L’espérance du vecteur X = (X1 , X2 , . . . , Xd ) est le vecteur

E(X) = (E (X1 ) , . . . , E (Xd ))

Sa matrice de covariance est définie par

Cov(X) = E ((Xi − E (Xi )) (Xj − E (Xj )))1≤i,j≤d

 
t
= E (X − E(X))(X − E(X))

où At est la transposée de la matrice A.

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 25 / 34

Remarque
(i) Si Xi et Xj sont deux variables aléatoires réelles alors

Cov (Xi , Xj ) =E (Xi Xj ) − E (Xi ) E (Xj )

Z
= xi xj dP(X1 ,...,Xd ) (x1 , . . . , xd )
Z Rd Z
− xi dP(X1 ,...,Xd ) (x1 , . . . , xd ) × xj dP(X1 ,...,Xd ) (x1 , . . . , xd )
Rd Rd

(ii) Si Xi est une variable aléatoire réelle alors

Z
Cov (Xi , Xi ) = V (Xi ) = x2i dP(X1 ,...,Xd ) (x1 , . . . , xd )
Rd
Z 2
− xi dP(X1 ,...,Xd ) (x1 , . . . , xd )
Rd

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 26 / 34

Remarque
(iii) Si (X1 , X2 , . . . , Xd ) est dit discret de loi
X
P(X1 ,X2 ,...,Xd ) = p(x1 ,...,xd ) δ(x1 ,...,xd ) ,
(x1 ,...,xd )∈D1 ×...×Dd

alors les espérances marginales sont données par

X
E (Xi ) = xi p(x1 ,...,xd )
(x1 ,...,xd )∈D1 ×...×Dd
  X
E Xi2 = x2i p(x1 ,...,xd )
(x1 ,...,xd )∈D1 ×...×Dd

et X
E (Xi Xj ) = xi xj p(x1 ,...,xd )
(x1 ,...,xd )∈D1 ×...×Dd

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 27 / 34

Remarque
(iv) Si (X1 , X2 , . . . , Xd ) est absolument continu de densité f(X1 ,X2 ,...,Xd )
alors les espérances marginales sont données par
Z
E (Xi ) = xi f(X1 ,X2 ,...,Xd ) (x1 , . . . , x1 ) dx1 . . . dxd
Rd
  Z
E Xi2 = x2i f(X1 ,X2 ,...,Xd ) (x1 , . . . , x1 ) dx1 . . . dxd
Rd
et
Z
E (Xi Xj ) = xi xj f(X1 ,X2 ,...,Xd ) (x1 , . . . , x1 ) dx1 . . . dxd
Rd

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 28 / 34

Cas discret
Exemple
Si X = (X1 , X2 ) est de loi discrète dans R2 telle que
1 1 1 1
PX = δ(−1,0) + δ(0,1) + δ(0,−1) + δ(1,0) ,
4 4 4 4
alors
1 1
E (X1 ) = − 1 × p(−1,0) + 0 × p(0,1) + 0 × p(0,−1) + 1 × p(1,0) = − =0
4 4
E (X2 ) =0 × p(−1,0) + 1 × p(0,1) + (−1) × p(0,−1) + 0 × p(1,0)
1 1
= − =0
4  4
V (X1 ) =E X12 = (−1)2 × p(−1,0) + 02 × p(0,1) + 02 × p(0,−1) + 12 × p(1,0)
1 1 1
= + =
4 4 2

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 29 / 34

Cas discret

 
V (X2 ) =E X22
=(0)2 × p(−1,0) + 12 × p(0,1) + (−1)2 × p(0,−1) + 02 × p(1,0)
1 1 1
= + =
4 4 2

Cov (X1 , X2 ) =E (X1 X2 )

=(−1) × 0 × p(−1,0) + 0 × 1 × p(0,1) + 0 × (−1) × p(0,−1)
+ 1 × 0 × p(1,0)
=0

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 30 / 34

Cas continu

Exemple
Considèrons le vecteur aléatoire gaussien X = (X1 , X2 , . . . , Xd ) dont la
densité par rapport à la mesure de Lebesgue sur Rd est donnée par
2 2
1 x +...+x
− 1 2 d
fX (x1 , . . . , xd ) = e
(2π)d/2

alors
1 x2 2
1 +...+xd
Z
−
E (Xi ) = xi e 2 dx1 . . . dxd
(2π)d/2 Rd
Z +∞ ! Z +∞ !d−1
1 − x2
2 1 − x2
2
= 1 xe dx 1 e dx
(2π) 2 −∞ (2π) 2 −∞

=0

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 31 / 34

Cas continu

1 x2 +...+x2
Z
− 1 d
V (Xi ) = x2i e 2 dx1 . . . dxd
(2π)d/2 Rd
Z +∞ ! Z +∞ !d−1
1 − x2
2 1 − x2
2
= 1 x2 e dx 1 e dx
(2π) 2 −∞ (2π) 2 −∞

= 1,

et pour i ̸= j,

1 x2 +...+x2
Z
− 1 d
Cov (Xi , Xj ) = xi xj e 2 dx1 . . . dxd
(2π)d/2 Rd
Z +∞ !2 Z +∞ !d−2
1 − x2
2 1 − x2
2
= 1 xe dx 1 e dx
(2π) 2 −∞ (2π) 2 −∞

= 0.

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 32 / 34

Vecteur aléatoire multinomiale X ∼ B (n, p1 , . . . , pm )
Définition
On dit qu’un vecteur aléatoire X = (X1 , . . . , Xm ) suit la loi
multinomiale de paramètres n > 0, p1 > 0, . . . , pm > 0
tels que p1 + . . . + pm = 1, on écrit X ∼ B (n, p1 , . . . , pm ) si
m
X
∀ (n1 , . . . , nm ) tel que ni = n
i=1

n!
P (X1 = n1 , . . . , Xm = nm ) = pn1 1 . . . pnmm
n1 ! . . . nm !

Proposition
Soit X ∼ B (n, p1 , . . . , pm ) alors chacune des variables reste une
variable binomiale et on a
E (Xi ) = npi V (Xi ) = npi (1 − pi )
Cov (Xi , Xj ) = −npi pj
Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 33 / 34
Loi normale multidimensionnelle X ∼ N (µ, Σ)
Définition
Soit X = (X1 , X2 , . . . , Xd ) un vecteur aléatoire de loi PX . X est dit de
loi normale multidimensionnelle de paramètres µ ∈ Rd et Σ ∈ Md (R),
PX << λRd de densité définie par pour tout x ∈ Rd
1 1 ⊤ Σ−1 (x−µ).
fµ,Σ (x) = d/2 1/2
e− 2 (x−µ)
(2π) |Σ|

Remarque
Si µ = (0, . . . , 0), Σ = Id , alors X = (X1 , X2 , . . . , Xd ) est dit de loi
normale multidimensionnelle centrée réduite dont la densité est définie
par pour tout x ∈ Rd
2 2
1 x +...+x
− 1 2 d
fN (0,Id ) (x) = e .
(2π)d/2

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 34 / 34