Réalisé par : Badr Ouled jamaa Espérance condtionnelle Chapitre 2

Espérance condtionnelle : Définition :

L’espérance conditionnelle est une notion de probabilité qui permet, étant données une variable
aléatoire X et une sous-tribu B, d’exprimer ce que l’on sait de X en ayant uniquemer l’information
contenue dans B.

Théorème et définition :Soit (Ω, A, P) un espace probabilisé, et B une sous-tribu de A. Soit

également X une variable aléatoire réelle définie sur (Ω, A, P), et intégrable. Alors il existe une
unique variable aléatoire, appelée espérance conditionnelle de X sachant B, notée E(X | B),
telle que : E(X | B) est B-mesurable ; R
pour tout B ∈ B, B E(X | B)dP(ω) = B X(ω)dP(ω).
R

Si B est la tribu engendrée par une variable aléatoire Y , on note aussi E(X | Y ).
Cas discret :

Espérance conditionnelle d’une v.a. sachant un évènement :

Soit (Ω, T , P) un espace probabilisé que nous supposerons fini et satisfaisant en outre la
condition suivante :
∀ω ∈ Ω, P(ω) , 0.
P
Soit X une variable aléatoire sur Ω. L’espérance de X est le nombre E(X) = ω∈Ω X(ω)P(ω).
Notons que, pour tout évènement A ⊆ Ω appartenant à la tribu T , on peut exprimer la
P
probabilité de A comme l’espérance d’une v.a., en posant P(A) = α∈A P(α) = EIA , où IA
désigne la v.a. indicatrice de A, égale à 1 sur A et 0 sinon.
Plus généralement, on appelle "espérance de X sachant A" ou "espérance de X conditionnellement
à A " , le nombre, notée E(X/A), donné par :

1 X E (XIA )
E(X/A) = X(α)P(α) = .
P(A) α∈A EIA

En d’autres termes E(X/A) est la moyenne des éléments de A, pondérée par leur probabilité
rapportée à la probabilité de A.
Nous insistons sur le fait que l’espérance conditionnelle d’une v.a. sachant un évènement
est un nombre. L’espérance conditionnelle par rapport à une tribu, que nous allons introduire
à présent, n’est pas un nombre, mais "un nombre qui dépend de l’état du monde", c’est-à-dire
une variable aléatoire.

Espérance conditionnelle d’une v.a. par rapport à une tribu :

Soient F ⊆ T une tribu et ψ := {Ω1 , . . . , Ωm } la partition de Ω formée par les atomes de

F.
Définition : Soit X est une v.a. sur Ω. On appelle espérance conditionnelle de X par rapport
d la tribu F ⊆ T , ou encore espérance conditionnelle de X relativement à la partition ψ, la v.a.
notée E(X | F) définie, pour tout ω ∈ Ω, par
1 X
E(X | F)(ω) := E[X/ω̄] = X(α)P(α)
P(ω̄) α∈ω̄

où ω̄ désigne l’atome Ωi ∈ ψ de la partition tel que ω ∈ Ωi . On voit done que par définition
l’espérance conditionnelle par rapport à une tribu F est une v.a. constante sur les atomes Ωi
de la partition ψ associée à F. On a plus précisément :

Page 1
Réalisé par : Badr Ouled jamaa Espérance condtionnelle Chapitre 2

Exemples :
- L’espérance conditionnelle de X par rapport à la tribu triviale {∅, Ω} est une application
constante. Sa valeur est l’espérance de X !
- On lance deux fois une même pièce. On gagne un euro à la fin si on obtient deux piles, on
perd un euro sinon. On note X la variable aléatoire égale au gain. L’espace des événéments
correspondant est
Ω = {(P1 , P2 ) , (P1 , F2 ) , (F1 , P2 ) , (F1 , F2 )}
La tribu associée est P(Ω), elle comporte 24 = 16 éléments. Maintenant, on suppose qu’on a
déjà lancé une première fois la pièce. Dans ce cas, on ne peut pas distinguer I événement (P1 , P2 )
de l’événement (P1 , F2 ), ni l’événement (F1 , P2 ) de l’événement (F1 , F2 ). La tribu associée doit
en tenir compte, et la tribu qui porte l’information que l’on a après le premier tirage est la
tribu engendrée par les deux ensembles {(P1 , P2 ) , (P1 , F2 )} et {(F1 , P2 ) , (F1 , F2 )}. Elle est donc
égale à
B = {∅, Ω, {(P1 , P2 ) , (P1 , F2 )} , {(F1 , P2 ) , (F1 , F2 )}} .
Calculons maintenant l’espérance conditionnelle de X par rapport à B. Comme E(X | B) doit
être B-mesurable, on a nécessairement

E(X | B) (P1 , P2 ) = E( X | B (P1 , F2 ) .

La deuxième condition donne :

E(X | B) (P1 , P2 ) = E(X | B) (P1 , F2 ) = 0

Ceci exprime que, si on a simplement l’information donnée par le premier lancer de la pièce, et
que le résultat est pile, alors le jeu est équitable. De la même façon, on a

E(X | B) (P1 , P2 ) = E( X | B (P1 , F2 ) = −1

Ceci exprime que, si on a simplement l’information donnée par le premier lancer de la pièce, et
que le résultat est face, alors le jeu est perdant à tous les coups.

Proposition : La v.a. E(X | F) est mesurable par rapport à la tribu F et de plus si

Y = E(X | F) désigne cette v.a., alors Y peut être définie comme l’unique v.a. F-mesurable
telle que :
∀Ωi ∈ ψ , E (Y /Ωi ) = E (X/Ωi )

Preuve :Le fait que E(X | F) soit mesurable par rapport à la tribu F est clair par définition
puisqu’elle est constante sur les atomes de la partition ψ associée à F.
Montrons qu’elle vérifie l’équation : Soit ω est un élément quelconque de l’atome Ωi , et
donc ω̄ = Ωi ; comme Y est constante sur les atomes on a Y (ω) = Y (α) pour tout α ∈ Ωi . Par
définition de Y = E(X | F), on a

1 X 1 X P (Ωi )
E (Y /Ωi ) = Y (α)P(α) = Y (ω) P(α) = E(X | F)(ω) = E[X/ω̄] = E (X/Ωi )
P (Ωi ) α∈Ω P (Ωi ) α∈Ω P (Ωi )
i i

Réciproquement si Y est F-mesurable, elle est constante sur les Ωi ∈ ψ, et la relation E (Y /Ωi ) =
E (X/Ωi ) définit Y uniquement car, pour tout ω ∈ Ω, on aura Y (ω) := E (X/Ωi ), où Ωi est
l’atome contenant ω.

Voici les principales propriétés de l’espérance conditionnelle :

Page 2
Réalisé par : Badr Ouled jamaa Espérance condtionnelle Chapitre 2

Proposition :
Soient X et Y des v.a. sur(Ω, T , P), F et G des sous-tribus de T , et x0 , a et bes nombres réels.
On a :
1. E(X | T ) = X, et E(X | {∅, Ω}) = E(X).
2. E(aX + bY | F) = aE(X | F) + bE(Y | F).
3. Si X ≥ 0, on a E(X | F) ≥ 0, avec égalité si et seulement si X = 0.
4. E (x0 | F) = x0 .
5. Si Y est F-mesurable, on a E(XY | F) = Y E(X | F)
6. Si G ⊆ F, on a E(E(X | F) | G) = E(X | G). En particulier E(E(X | F)) = E(X).

Cette sixième propriété s’appelle la transitivité des espérances conditionnelles. Elle est d’un
usage fréquent en Finance.
L’espace euclidien L2 (Ω) :
On désigne par L2 (Ω) l’ensemble des variables aléatoires sur Ω dans le cas où on munit cet
ensemble d’une structure euclidienne (c’est-à-dire d’un produit scalaire) que nous allons définir
à présent. Cet espace de v.a. joue un rôle fondamental en économétrie et en calcul stochastique.
Tout d’abord, il est facile de munir l’ensemble des v.a. sur Ω d’une structure d’espace
vectoriel : si X et Y sont deux éléments de cet ensemble, X + Y et, pour tout λ ∈ R, λX sont
encore des v.a. sur Ω. D’autre part on peut définir un produit scalaire sur cet ensemble de la
façon suivante :
< X, Y >:= E(XY )
et la norme associée par : q
kXk := E (X 2 )
En effet on vérifie facilement la bilinéarité et la symétrie ; de plus on akXk ≥ 0 puisque X 2
est une v.a. positive ou nulle ; enfin, si kXk = 0, alors X = 0 car E X 2 est une combinaison
linéaire à coefficients strictement positifs (puisque P(ω) > 0 pour tout ω ∈ Ω ) des nombres
positifs.
On vérifie sans peine que l’on a E(X) = hX, 1 >, Cov(X, Y ) =< X − E(X), Y − E(Y ) > et
done Var(X) =< X − E(X), X − E(X) >= kX − E(X)k2 .

L’espace L2 (Ω) des variables aléatoires sur Ω, muni du produit scalaire (3.2), est done bien
un espace euclidien. On sait que dans un espace euclidien on peut associer à tout vecteur sa
projection orthogonale sur un sous espace. Rappelons la définition de la projection orthogonale :
Définition :Soient G ⊆ L2 (Ω) un sous espace vectoriel et X ∈ L2 (Ω) un vecteur quelconque.
On appelle projection orthogonale de X sur G, notée π(X) l’unique élément de G tel que
∀Z ∈ G, < X − π(X), Z >= 0
On peut vérifier facilement que si F est une tribu alors l’ensemble des v.a. de L2 (Ω)F-
mesurables forment un sous espace vectoriel. En effet, si X et Y sont deux v.a. F-mesurables,
donc constantes sur les atomes de la partition associée à la tribu F, toute combinaison linéaires
λX + µY , pour λ et µ réels quelconques, est encore F-mesurable.

Proposition : Soient X une v.a. et F une tribu. L’espérance conditionnelle de X par rapport
à la tribu F est la projection orthogonale de X sur le sous espace G des v.a. F-mesurables.
Preuve : Soit Z ∈ G. En utilisant les propriétés de l’espérance conditionnelle , on a :
E(XZ) = E(E(XZ | F)) = E(E(X | F)Z)
donc < X − E(X | F), Z >= E(XZ) − E(E(X | F)Z) = 0

Page 3