Un couple de variables aléatoires \((X, Y)\) est la donnée simultanée de deux variables aléatoires définies sur un même espace probabilisé. Son étude repose sur la loi conjointe, qui rassemble toutes les probabilités \(P(X = x, Y = y)\), puis sur des outils de couplage : lois marginales, indépendance, covariance et théorème de transfert. C’est l’un des chapitres les plus transversaux des probabilités en prépa : il relie l’algèbre (tableaux, sommations), l’analyse (séries dans le cas dénombrable) et la modélisation.
Cet article est le cours complet de référence du chapitre. Tu y trouveras les définitions rigoureuses, une méthode pour étudier n’importe quel couple en cinq étapes, les démonstrations clés, des exemples d’application corrigés, les pièges classiques et une FAQ. Chaque notion importante renvoie vers une page dédiée pour aller plus loin.
📌 Au programme (vérifié 2026-2027)
- 🟢 MPSI, MP2I, PCSI : couple, loi conjointe, lois marginales, loi conditionnelle, indépendance, lemme des coalitions, transfert, covariance, variance d’une somme (univers fini).
- 🟢 ECG1 approfondies / ECG2 appliquées : couples discrets, marginales, conditionnelles, loi de \(g(X,Y)\), covariance, coefficient de corrélation \(\rho\).
- 🟠 Deuxième année : cas dénombrable en MP, MPI, PC, PSI et ECG2 ; fonctions génératrices en MP, MPI, PC et PSI ; espérance conditionnelle sachant un événement en ECG2 approfondies.
Ce cours couvre d’abord le socle de première année, puis signale les extensions de deuxième année par un badge 🟠. Retrouve le détail dans notre cours complet sur les couples de variables aléatoires.
I. Couple de variables aléatoires : définition
Dès qu’une même expérience aléatoire produit deux grandeurs mesurées simultanément : le résultat de deux dés, le nombre de pannes et le coût d’une réparation, la note en maths et en physique d’un élève : on étudie non plus une variable isolée mais leur comportement conjoint. C’est précisément ce que formalise la notion de couple.
Définition : Couple de variables aléatoires
Soit \((\Omega, \mathcal{A}, P)\) un espace probabilisé et \(X, Y\) deux variables aléatoires discrètes définies sur \(\Omega\). L’application
est appelée couple de variables aléatoires. Son ensemble de valeurs est une partie de \(X(\Omega) \times Y(\Omega)\).
A. Notations selon les filières
Deux écritures coexistent pour une même probabilité, et il faut savoir passer de l’une à l’autre :
- \(P(X = x, Y = y)\) : convention des programmes MPSI, MP, PC, PSI.
- \(P([X = x] \cap [Y = y])\) : convention des programmes ECG, qui insiste sur l’intersection d’événements.
Les deux désignent la probabilité que, simultanément, \(X\) prenne la valeur \(x\) et \(Y\) prenne la valeur \(y\). Elles sont rigoureusement équivalentes.
B. 🟠 Vecteurs aléatoires et n-uplets
La notion s’étend à des familles de plusieurs variables. Les lois conjointes, marginales et l’indépendance restent pertinentes. La matrice de covariance d’un vecteur constitue ici un prolongement hors programme de prépa.
II. Loi conjointe et lois marginales
La loi conjointe d’un couple est la donnée, pour tout couple de valeurs \((x, y)\), de la probabilité \(P(X = x, Y = y)\). Dans le cas fini, on la range dans un tableau à double entrée. Les lois marginales : les lois de \(X\) et de \(Y\) prises séparément : s’en déduisent en sommant chaque ligne et chaque colonne.
Définition : Loi conjointe et lois marginales
La loi conjointe de \((X, Y)\) est la famille \(\big(p_{i,j}\big)\) avec \(p_{i,j} = P(X = x_i, Y = y_j)\). Elle vérifie \(p_{i,j} \geq 0\) et \(\displaystyle\sum_{i,j} p_{i,j} = 1\).
Les lois marginales sont données par :
Ces formules de sommation ne sont rien d’autre que la formule des probabilités totales appliquée au système complet \(\big([Y = y_j]\big)_j\).
Les marginales seules ne permettent généralement pas de reconstruire la conjointe. L’indépendance donne une règle supplémentaire, le produit des marginales. Une autre relation donnée entre les variables peut aussi renseigner leur dépendance.
La construction pratique du tableau et la lecture des marginales font l’objet d’une fiche méthode dédiée : loi conjointe et lois marginales.
Fiche PDF à imprimer
Le support de révision est reçu gratuitement par e-mail.
📄 Ta fiche de révision en PDFReçois gratuitement le PDF par e-mail.
III. Lois conditionnelles
La loi de Y sachant une valeur de X est une loi conditionnelle. Elle peut différer de la marginale ; sous indépendance, elle coïncide avec elle pour chaque valeur conditionnante de probabilité positive.
Définition : Loi conditionnelle
Pour un événement \(A\) tel que \(P(A) \gt 0\), la loi conditionnelle de \(X\) sachant \(A\) est :
Pour \(P(X=x_i)\gt 0\), on divise la ligne correspondante par son total : \(P(Y=y_j\mid X=x_i)=p_{i,j}/P(X=x_i)\). Une ligne de total nul ne définit pas de loi conditionnelle par cette formule.
Ces lois conditionnelles prolongent la probabilité conditionnelle vue en Terminale. Leur étude approfondie, ainsi que l’espérance conditionnelle \(E(X \mid A)\) et la formule de l’espérance totale (au programme d’ECG2 approfondies), est détaillée sur la page espérance conditionnelle et loi conditionnelle.
IV. Indépendance de deux variables aléatoires
Deux variables aléatoires discrètes \(X\) et \(Y\) sont indépendantes lorsque, pour tout couple de valeurs \((x, y)\), la probabilité conjointe se factorise : \(P(X = x, Y = y) = P(X = x)\,P(Y = y)\). Autrement dit, connaître \(X\) n’apporte aucune information sur \(Y\).
Définition : Indépendance
\(X\) et \(Y\) sont indépendantes si et seulement si
\(\forall (x, y), \quad P(X = x, Y = y) = P(X = x)\,P(Y = y).\)
Concrètement : la loi conjointe est le produit des lois marginales.
Deux conséquences majeures, toutes deux centrales en concours :
- Lemme des coalitions : si \(X\) et \(Y\) sont indépendantes, alors \(f(X)\) et \(g(Y)\) le sont aussi, pour toutes fonctions \(f, g\).
- Espérance du produit : si \(X,Y\) sont indépendantes et intégrables, alors \(XY\) est intégrable et \(E(XY)=E(X)E(Y)\).
Piège majeur : ne jamais confondre l’indépendance d’événements et l’indépendance de variables. Pour conclure à l’indépendance des variables, la factorisation doit valoir pour tous les couples \((x,y)\), pas pour un seul. Un seul couple qui ne se factorise pas suffit à prouver la dépendance.
Le critère, la méthode pour prouver (ou réfuter) l’indépendance, le lemme des coalitions avec ses contre-exemples et le cas des familles mutuellement indépendantes sont développés sur la page variables aléatoires indépendantes et lemme des coalitions.
V. Fonction d’un couple et théorème de transfert
À partir d’un couple \((X, Y)\), on construit souvent une nouvelle variable \(Z = g(X, Y)\) : la somme \(X + Y\), le produit \(XY\), le minimum ou le maximum. Déterminer sa loi, son espérance ou sa variance est l’exercice-type du chapitre.
Théorème de transfert pour un couple. Pour toute fonction \(g\) telle que l’espérance existe :
On n’a pas besoin de calculer d’abord la loi de \(g(X,Y)\) : on somme directement sur le tableau de la loi conjointe.
Deux cas se traitent très souvent :
- Loi de \(X + Y\) : on regroupe les cases du tableau donnant une même somme. L’étude complète (espérance, variance, échantillon, formule de convolution) est sur la page somme de variables aléatoires.
- Loi du maximum et du minimum : plus simple à traiter via la fonction de répartition, surtout pour des variables indépendantes.
Pour des espérances finies, \(E(X+Y)=E(X)+E(Y)\), sans hypothèse d’indépendance. Dans un univers fini, l’existence des moments est automatique.
VI. Covariance, corrélation et variance d’une somme
Comment mesurer si deux variables « varient ensemble » ? C’est le rôle de la covariance, qui quantifie la liaison linéaire entre \(X\) et \(Y\).
Définition : Covariance
Pour des variances finies : \(\mathrm{Cov}(X,Y)=E((X-E(X))(Y-E(Y)))=E(XY)-E(X)E(Y).\)
La seconde écriture (formule de Koenig-Huygens pour le couple) est celle que l’on utilise en pratique.
La covariance commande la variance d’une somme, résultat à connaître par cœur :
\(V(X + Y) = V(X) + V(Y) + 2\,\mathrm{Cov}(X, Y)\)En particulier, si \(X\) et \(Y\) sont indépendantes, alors \(\mathrm{Cov}(X, Y) = 0\) et la variance de la somme est la somme des variances.
Réciproque fausse ! \(\mathrm{Cov}(X, Y) = 0\) n’implique pas l’indépendance. On dit alors que \(X\) et \(Y\) sont décorrélées. Il existe des contre-exemples chiffrés simples (trois points équiprobables) où la covariance est nulle alors que la dépendance est totale.
La définition complète, les formules, les propriétés (symétrie, bilinéarité), le coefficient de corrélation \(\rho(X,Y)\) avec \(\vert \rho \vert \leq 1\) (déduit de l’inégalité de Cauchy-Schwarz) et la matrice de variance-covariance sont sur la page dédiée : covariance de deux variables aléatoires. Attention à ne pas la confondre avec la covariance d’une série statistique étudiée en statistiques à deux variables.
VII. Méthode : étudier un couple en cinq étapes
Devant n’importe quel énoncé de couple : tirages avec ou sans remise, urne, dés : la même démarche fonctionne. Voici l’algorithme à dérouler systématiquement.
Les 5 étapes pour étudier un couple \((X, Y)\)
- Support : déterminer \(X(\Omega)\) et \(Y(\Omega)\), c’est-à-dire les valeurs possibles.
- Loi conjointe : calculer \(P(X = x_i, Y = y_j)\) pour chaque case (dénombrement ou arbre).
- Lois marginales : sommer lignes et colonnes, puis reconnaître les lois usuelles.
- Indépendance : tester si la conjointe est le produit des marginales.
- Moments : calculer \(E(X), E(Y)\), \(E(XY)\) par transfert, puis \(\mathrm{Cov}(X,Y)\) et les variances.
Cette grille est exactement celle qu’un correcteur attend sur une copie de concours : elle structure la rédaction et évite les oublis. Entraîne-toi à l’appliquer sur nos exercices corrigés sur les couples.
VIII. Erreurs fréquentes
Quatre fautes reviennent sur presque toutes les copies. Les connaître à l’avance, c’est gagner des points.
❌ « \(V(X + Y) = V(X) + V(Y)\) toujours. »
Diagnostic : on oublie le terme \(2\,\mathrm{Cov}(X,Y)\).
✅ Correction : l’additivité des variances n’est valable que si les variables sont indépendantes (ou décorrélées).
❌ « \(\mathrm{Cov}(X,Y) = 0\) donc \(X\) et \(Y\) indépendantes. »
Diagnostic : on utilise la fausse réciproque.
✅ Correction : l’indépendance entraîne la covariance nulle, pas l’inverse.
Deux pièges : déduire une conjointe des seules marginales sans information suffisante sur la dépendance ; confondre \(2X\) avec la somme de deux copies indépendantes \(X_1,X_2\). Pour une variance finie, \(V(2X)=4V(X)\) alors que \(V(X_1+X_2)=2V(X)\).
IX. Exemples d’application
Voici trois exemples courts, à travailler avant de passer aux exercices complets du chapitre. Essaie de les faire seul avant d’ouvrir la correction.
Exercice 1 : Loi conjointe d’un tirage ★
Une urne contient 2 boules rouges et 1 boule verte. On tire deux boules sans remise. Soit \(X\) le nombre de rouges au premier tirage (0 ou 1) et \(Y\) le nombre de rouges au second tirage. Donne la loi conjointe de \((X, Y)\).
Voir la correction de l’exercice 1
On calcule chaque case par probabilités composées (tirage sans remise sur 3 boules, dont 2 rouges) :
\(P(X=0, Y=0) = 0\) (après la verte, il reste deux rouges, donc \(Y=1\) certainement).
La somme vaut \(1\) : la loi conjointe est cohérente. On remarque que \(P(X=0,Y=0)=0 \neq P(X=0)P(Y=0)\), donc \(X\) et \(Y\) ne sont pas indépendantes (tirage sans remise).
Exercice 2 : Espérance d’un produit ★
Soit \((X, Y)\) un couple de variables de variances finies vérifiant \(E(X) = 2\), \(E(Y) = 3\), et tel que \(\mathrm{Cov}(X, Y) = 1\). Calcule \(E(XY)\).
Voir la correction de l’exercice 2
On part de la définition de la covariance : \(\mathrm{Cov}(X,Y) = E(XY)- E(X)E(Y)\).
D’où \(E(XY) = \mathrm{Cov}(X,Y) + E(X)E(Y) = 1 + 2\times 3\).
\(E(XY) = 7\). Remarque : si les variables avaient été indépendantes, on aurait eu \(E(XY)=6\) ; l’écart de 1 est exactement la covariance.
Exercice 3 : Variance d’une somme ★
On reprend le couple de l’exercice 2, avec \(V(X) = 2\) et \(V(Y) = 4\). Calcule \(V(X + Y)\). Que vaudrait-elle si \(X\) et \(Y\) étaient indépendantes ?
Voir la correction de l’exercice 3
On applique la formule générale :
.
Si les variables étaient indépendantes, la covariance serait nulle et l’on aurait \(V(X+Y) = 2 + 4 = 6\).
Conclusion : la covariance positive augmente la dispersion de la somme.
X. 🟠 Et en deuxième année ?
Le socle précédent (univers fini) se prolonge en deuxième année dans plusieurs directions, selon ta filière.
- 🟠 Cas dénombrable : les supports peuvent être infinis dénombrables, par exemple \(\mathbb{N}^2\). Les probabilités se somment en séries doubles ; l’existence des moments exige de contrôler les séries correspondantes.
- 🟠 Fonctions génératrices (MP, MPI, PC, PSI) : pour une variable à valeurs dans \(\mathbb{N}\), \(G_X(t) = E(t^X)\) caractérise la loi et transforme la somme de variables indépendantes en produit de leurs génératrices. C’est l’outil roi pour les stabilités (binomiale, Poisson). Voir fonction génératrice d’une variable aléatoire.
- 🟠 Espérance conditionnelle (ECG2 approfondies) : \(E(X \mid A)\) et la formule de l’espérance totale. Hors programme en MP, PC et PSI. Voir espérance conditionnelle.
Ces extensions nourrissent aussi les grands théorèmes de convergence : inégalité de Bienaymé-Tchebychev et loi des grands nombres, qui reposent sur l’étude des sommes \(X_1 + \dots + X_n\).
XI. Questions fréquentes
Qu’est-ce qu’un couple de variables aléatoires ?
Un couple de variables aléatoires est la donnée simultanée de deux variables aléatoires \(X\) et \(Y\) définies sur le même espace probabilisé. On l’étudie via sa loi conjointe, c’est-à-dire l’ensemble des probabilités \(P(X = x, Y = y)\), qui décrit entièrement le comportement commun des deux variables.
Comment trouver la loi conjointe d’un couple ?
On détermine d’abord les valeurs possibles de \(X\) et \(Y\), puis on calcule \(P(X = x_i, Y = y_j)\) pour chaque case, par dénombrement ou par probabilités composées (arbre). On range le tout dans un tableau à double entrée. Un contrôle indispensable : la somme de toutes les cases doit valoir \(1\).
Quelle est la différence entre loi conjointe et loi marginale ?
La conjointe décrit toutes les probabilités du couple. Les marginales s’obtiennent en sommant lignes et colonnes. En général, le retour aux seules marginales fait perdre l’information sur la dépendance.
Deux variables de covariance nulle sont-elles indépendantes ?
Non. L’indépendance entraîne une covariance nulle, mais la réciproque est fausse : on dit que les variables sont décorrélées. Il existe des contre-exemples simples, par exemple trois points équiprobables \((-1,1)\), \((0,0)\), \((1,1)\), où la covariance est nulle alors que \(Y\) est entièrement déterminée par \(X\).
Comment calculer l’espérance de X + Y ou de XY ?
Pour des espérances finies, la somme vérifie \(E(X+Y)=E(X)+E(Y)\). Pour le produit, l’indépendance et l’intégrabilité permettent \(E(XY)=E(X)E(Y)\). Avec des variances finies, on peut aussi écrire \(E(XY)=E(X)E(Y)+\mathrm{Cov}(X,Y)\).
Révise tout le chapitre d’un coup d’œil : définitions, formules clés, méthode en 5 étapes et pièges, condensés sur une fiche. Reçois gratuitement le PDF par e-mail.
Pour aller plus loin
Tu maîtrises maintenant la structure d’un couple de variables aléatoires. Pour consolider les notions de base sur lesquelles tout repose :
- Espérance (1ère) : Cours, Propriétés et Exercices
- Variance (1ère) : Cours, Propriétés et Exercices
- 25 Exercices Variables Aléatoires Prépa Corrigés (PDF)