MATHÉMATIQUES 2022 – 2023 1

Résumé 10 – Probabilités discrètes

Dénombrement Définition : Système complet d’événements

On appelle système complet d’événements toute
Soient ⌦ un ensemble à n éléments et p 2 π0, n ∫.
famille finie ou dénombrable (A i )i 2I d’événements
Définition telle que :

• Un p -uplet ou une p -liste de ⌦ est une famille de p (i) Pour tous i et j distincts, A i \ A j = ? ;
[
éléments de ⌦. (ii) A i = ⌦.
• Un arrangement de p éléments de ⌦ est un p -uplet i 2I

constitué d’éléments de ⌦ distincts.

• Une permutation de ⌦ est un arrangement de ⌦ Définition : Probabilité
à n éléments. On appelle probabilité sur (⌦, A ) toute application
• Une combinaison de p éléments de ⌦ est un sous- P : A ! [0, 1] vérifiant :
ensemble de ⌦ contenant p éléments. • P(⌦) = 1
• Pour toute suite (A n )n 2N d’événements deux à deux
On modélise les tirages successifs avec remise à l’aide de incompatibles,
listes, les tirages successifs sans remise avec des arrange- ✓+1 ◆ +1
[ X
ments et les tirages simultanés avec des combinaisons. P An = P(A n ) ( -additivité)
n =0 n=0
Théorème
Le triplet (⌦, A , P) est appelé espace probabilisé.
• Il y a n p p -listes de ⌦.
n! Une probabilité est une application qui opère sur les évé-
• Il y a arrangements de p éléments de ⌦. nements. La -additivité assure la convergence des séries
(n p )!
manipulées.
• Il y a n ! permutations de ⌦.
✓ ◆ Proposition
n
• Il y a combinaisons de p éléments de ⌦. Soient (⌦, A , P) un espace probabilisé et A, B 2 A .
p
• P(?) = 0 et P(A) = 1 P(A).
• Si A ⇢ B alors P(A) ∂ P(B ).
Soient n , p , m 2 N.
• P(A [ B ) = P(A) + P(B ) P(A \ B ).
✓ ◆ ✓ ◆ ✓ ◆ ✓ ◆
n n n n
• = 1, =n • =
0 1 p n p Définition
✓ ◆ ✓ ◆ ✓ ◆ ✓ ◆ ✓ ◆ Soient (⌦, A , P) un espace probabilisé et A 2 A .
n n 1 n 1 n 1 n
• p =n • + = (i) Si P(A) = 0, l’événement A est dit négligeable
p p 1 p 1 p p
✓ ◆ ✓ ◆✓ ◆ ✓ ◆ ou quasi-impossible.
X n
n X n
p
m n +m
• = 2n • = (ii) Si P(A) = 1, l’événement A est dit presque sûr
k =0
k k =0
k p k p ou quasi-certain.

Probabilités discrètes
! Distribution de probabilités
! Tribus et probabilités
On appelle distribution de probabilités discrète sur ⌦
toute famille de réels positifs indexée par ⌦ et de somme
Définition : Tribu
égale à 1.
Une tribu sur ⌦ est une partie A de P (⌦) qui vérifie :
Théorème
(i) ⌦ 2 A ;
Soit ⌦ un ensemble au plus dénombrable.
(ii) Si A 2 A alors A 2 A
[
+1 • Soit P une probabilité définie sur (⌦, P (⌦)). On
(iii) Si (A n )n 2N 2 A N , alors An 2 A pose, pour tout ! 2 ⌦, p! = P({!}). Alors,
n =0 (p! )!2⌦ est une distribution de probabilités.
• Si (p! )!2⌦ est une distribution de probabilités,
La donnée d’un univers ⌦ (au plus dénombrable ou non) il existe une unique probabilité P définie sur
et d’une tribu A définit un espace probabilisable (⌦, A ) ; (⌦, P (⌦)) telle que pour tout ! 2 ⌦, p! = P({!}).
tout élément de A est appelé événement de ⌦.
Dans le cas fini, on appelle probabilité uniforme sur
Soit (⌦, A ) un espace probabilisable. ⌦ l’unique probabilité qui prend la même valeur pour
chaque événement élémentaire.

Année 2022/2023 Lycée Louis-le-Grand – MP

2 Fiche 10 – Probabilités discrètes

! Propriétés Théorème : Formule de Bayes

Soient A et B deux événements,
Proposition : Continuité croissante
Si (A n )n 2N est une suite croissante d’événements (au P(A)
P(A|B ) = ⇥ P(B |A)
sens de l’inclusion), alors : P(B )
✓+1 ◆
[
P A n = lim P(A n ) Définition : Indépendance
n !+1
n =0
• Deux événements A et B sont dits indépendants
De même, si (A n )n 2N est une suite décroissante d’événe- si P(A \ B ) = P(A) · P(B ).
✓+1 ◆
\ • Soit (A i )i 2I une famille d’événements. Ces événe-
ments (au sens de l’inclusion), P A n = lim P(A n ).
n=0
n !+1 ments sont dits (mutuellement) indépendants si
pour toute partie finie J ⇢ I ,
Ainsi, pour toute suite d’événements (A n )n 2N ,
✓ p ◆ ✓+1 ◆ Ç å
[ [ \ Y
lim P An = P An P Aj = P(A j )
p !+1
n =0 n =0 j 2J j 2J
✓ ◆ ✓+1 ◆
\p \
lim P An = P An L’indépendance mutuelle d’une famille d’événements im-
p !+1
n =0 n =0
plique qu’ils sont deux à deux indépendants mais la réci-
proque est fausse.
Proposition : Sous-additivité
• Si (A 1 , . . . , A n ) est une famille d’événements, alors : Variables aléatoires discrètes
✓ ◆
[
n X
n
Soient (⌦, A , P) un espace probabilisé et E un ensemble
P Ak ∂ P(A k ) quelconque (souvent R ou C).
k =0 k =0
Définition : Variable aléatoire discrète
• Si
P(A n )n2N est une suite d’événements et si la série On appelle variable aléatoire réelle discrète toute
P(A n ) converge, alors : application X : ⌦ ! E telle que :
✓+1 ◆
[ X
+1 • X (⌦) est un ensemble fini ou dénombrable ;
P An ∂ P(A n ) 1
• Pour tout x 2 X (⌦), (X = x ) = X ({x }) 2 A .
n =0 n =0

X désigne désormais une variable aléatoire discrète.

! Conditionnement et indépendance X (⌦) = {xn | n 2 N}

Pour tout A ⇢ X (⌦), (X 2 A) 2 A ; la famille ((X = xn ))n 2N
Théorème / Définition : Probabilité conditionnelle
est un système complet d’événements.
Soit A un événement tel que P(A) 6= 0. L’application
! Loi d’une variable aléatoire
PA : A ! R
P(A \ B )
B 7 ! Définition : Loi d’une variable aléatoire
P(A)
On appelle loi de probabilité de X l’application :
est une probabilité sur ⌦. On l’appelle probabilité
conditionnelle relative à A (ou sachant A). PX : P (X (⌦)) ! R
A 7 ! P(X 2 A)

En tant que probabilité, PA vérifie toutes les propriétés PX est une probabilité sur X (⌦).
énoncées précédemment. La loi de X est entièrement déterminée par la distribution
Théorème : Formule des probabilités composées de probabilités (P(X = x )) x 2X (⌦) .
Soient n æ 2 et (A 1 , A 2 , . . . , A n ) une famille d’événe- Notations usuelles :
ments telle que P(A 1 \ · · · \ A n 1 ) 6= 0. Alors, • Si X suit la loi de probabilité L : X ⇠ L ;
• Si X et Y suivent la même loi : X ⇠ Y .
P(A 1 \ · · · \ A n ) = P(A 1 )PA 1 (A 2 ) ⇥ · · · ⇥ PA 1 \···\A n 1 (A n )
Si X est à valeurs dans E et f : E ! F , alors f (X ) est une
variable aléatoire, de loi donnée par :
Théorème : Formule des probabilités totales X
8A ⇢ f (X (⌦)), P f (X ) (A) = P( f (X ) 2 A) = P(X = x )
Soit (A n )n 2N un système complet d’événements. x 2X (⌦)
Pour tout événement B , la série de terme général f (x )2A

P(B \ A n ) est convergente et : On généralise aux fonctions de plusieurs variables.

En particulier,
X
+1 X
+1 X
P(B ) = P(B \ A n ) = P(B |A n )P(A n ) P(X 1 + · · · + X n = x ) = P(X 1 = x1 , . . . , X n = xn )
n =0 n =0 (x1 ,...,xn )2Rn
x1 +···+xn =x

© Mickaël PROST Année 2022/2023

 Fiche 10 – Probabilités discrètes 3

! Vecteurs aléatoires discrets ! Moments d’une variable aléatoire

(X , Y ) désigne un couple de variables aléatoires discrètes. Soit X une v.a.d. sur (⌦, A , P) et à valeurs dans C.

Définition : Espérance
Définition : Lois conjointe et marginales
La variable X est dite d’espérance finie si la famille
• La loi conjointe de X et de Y est la loi de (X , Y ).
(x P(X = x )) x 2X (⌦) est sommable. Dans ce cas, on ap-
Elle est donnée par la distribution de probabilités :
pelle espérance de X le nombre complexe :
P X = x,Y = y X
(x ,y )2X (⌦)⇥Y (⌦) E(X ) = x P(X = x )
x 2X (⌦)
• Les lois marginales de (X , Y ) sont celles de X et Y .
= {xn | n 2 N}, on justifiera la
En pratique, pour X (⌦) P
La formule des probabilités totales permet de trouver les convergence absolue de xn P(X = xn ).
lois marginales à partir de la loi conjointe. Si X r admet une espérance, on appelle moment d’ordre
r 2 N le nombre complexe E(X r ). On note L r l’ensemble
Définition : Lois conditionnelles des variables aléatoires admettant un moment d’ordre r .
• On appelle loi conditionnelle de X sachant (Y = y )
Théorème : Théorème de transfert
la loi définie par P(X = x |Y = y ) x 2X (⌦) ;
Soit f : X (⌦) ! R. f (X ) est d’espérance finie ssi la
• On appelle loi conditionnelle de Y sachant (X = x ) famille f (x )P(X = x ) x 2X (⌦) est sommable. Et alors,
la loi définie par P(Y = y |X = x ) y 2Y (⌦) .
X
E( f (X )) = f (x )P(X = x )
x 2X (⌦)
On étend les définitions suivantes aux n -uplets de va-
riables aléatoires (X 1 , . . . , X n ).
L’espérance est linéaire, positive, croissante et vérifie l’in-
Définition : (Mutuelle) indépendance égalité triangulaire. Si |X | ∂ Y et Y 2 L 1 , alors X 2 L 1 .
Les variables X 1 , . . . , X n sont dites indépendantes si Si X est à valeurs dans N et d’espérance finie,
pour tout (x1 , . . . , xn ) 2 X 1 (⌦) ⇥ · · · ⇥ X n (⌦), X
+1
E(X ) = P(X æ n )
Y
n
n =1
P(X 1 = x1 , . . . , X n = xn ) = P(X i = xi )
i =1
Théorème : Espérance et indépendance
Soient X , Y 2 L 1 indépendantes.
L’indépendance se traduit de manière équivalente par :
Alors, X Y 2 L 1 et E(X Y ) = E(X )E(Y ).
pour tout (A 1 , . . . , A n ) ⇢ X 1 (⌦)⇥· · ·⇥ X n (⌦), les événements
(X 1 2 A 1 ) , . . . , (X n 2 A n ) sont mutuellement indépendants.
La réciproque est fausse.
L’indépendance deux à deux ne garantit pas l’indépen- On ne considère désormais que des variables réelles.
dance mutuelle.
Définition : Variance
Si X et Y sont indépendantes, alors f (X ) et g (Y ) sont indé-
Si X 2 L 2 , (X E(X ))2 est d’espérance finie. On ap-
pendantes. Plus généralement (lemme des coalitions), si
pelle variance de X et on note V(X ) le réel positif :
les variables X 1 , . . . , X n sont mutuellement indépendantes,
X
f (X 1 , . . . , X p ) et g (X p +1 , . . . , X n ) sont indépendantes.
V(X ) = E (X E(X ))2 = (x E(X ))2 P(X = x )
x 2X (⌦)

! Famille infinie de variables aléatoires p

On appelle écart type de X le réel (X ) = V(X ).
On considère une famille infinie (X i )i 2I de variables aléa-
toires sur l’espace probabilisé (⌦, A , P). Alors,
Proposition : Formule de Kœnig-Huygens
• les variables X i sont dites indépendantes si pour
Si X 2 L 2 , V(X ) = E(X 2 ) E(X )2 .
toute partie finie J de I , la famille (X i )i 2 J est indé-
pendante.
X2+Y 2
• si les variables X i suivent de plus toutes la même loi, Une inégalité importante : |X Y | ∂ .
2
on dira que (X i )i 2I est une famille de variables indé-
pendantes et identiquement distribuées (i.i.d.). Définition
Si X , Y 2 L 2 , alors (X E(X ))(Y E(Y )) est d’espé-
Théorème : Théorème de Kolmogorov rance finie. On appelle covariance de X et Y et on
note cov(X , Y ) le réel :
Soit (Ln )n æ1 une suite de lois discrètes sur des en-
sembles En . Il existe un espace probabilisé (⌦, A , P) cov(X , Y ) = E ((X E(X ))(Y E(Y )))
et une suite (X n )næ1 de variables aléatoires indépen-
dantes telles que pour tout n æ 1, X n ⇠ Ln . Si cov(X , Y ) = 0, les variables sont dites décorrélées.

Année 2022/2023 Lycée Louis-le-Grand – MP

4 Fiche 10 – Probabilités discrètes

On suppose par la suite que X , Y 2 L 2 . Proposition : Inégalité de Bienaymé-Tchebychev

Si X admet un moment d’ordre 2,
Théorème : Formule de Kœnig-Huygens
V(X )
cov(X , Y ) = E(X Y ) E(X ) · E(Y ). 8" > 0, P (|X E(X )| æ ") ∂
"2

Proposition Théorème : Loi faible des grands nombres

Pour tous a , b 2 R, Soit (X n )n æ1 une suite de variables indépendantes et
de même loi, admettant un moment d’ordre 2.
V(a X + b Y ) = a 2 V(X ) + b 2 V(Y ) + 2a b cov(X , Y ) Xn
En notant m l’espérance commune et Sn = Xi ,
i =1
Plus généralement, ✓ ◆
Sn
X
n X 8" æ 0, P m æ" !0
n n !+1
V(X 1 + · · · + X n ) = V(X i ) + 2 ⇥ cov(X i , X j )
i =1 1∂i < j ∂n

X
n ! Lois usuelles
En cas de décorrélation, V(X 1 + · · · + X n ) = V(X i ).
i =1

Nom Notation X (⌦) P(X = k ) E(X ) V(X )

Cas particulier : V(a X + b ) = a 2 V(X ).
⇢
p si k = 1
Inégalité de Cauchy-Schwarz : E(X Y )2 ∂ E(X ) · E(Y ). Bernoulli B (p ) {0, 1} p pq
q si k = 0
En particulier, |cov(X , Y )| ∂ (X ) · (Y ). ✓ ◆
n k n k
Binomiale B (n , p ) π0, n ∫ p q np np q
! Fonctions génératrices k

Définition : Fonction génératrice 1 n + 1 n2 1

Uniforme U (π1, n ∫) π1, n ∫
Si X est à valeurs dans N, la fonction génératrice de n 2 12
la variable X est définie par : 1 q
Géométr. G (p ) N⇤ qk 1
p
X
+1 p p2
G X : t 7! E t X = P(X = n )t n k
n =0 Poisson P( ) N e
k!
X
La série entière P(X = n )t n a un rayon de convergence
n 2N • Si X 1 , . . . , X n ⇠ B (mi , p ) sont mutuellement indépen-
R æ 1 et converge normalement sur D f (0, 1). dantes, alors X 1 + · · · + X n ⇠ B (m1 + · · · + mn , p ).

Théorème : Fonction génératrice et moments • Si X 1 , . . . , X n ⇠ P ( i ) sont mutuellement indépen-

dantes, alors X 1 + · · · + X n ⇠ P ( 1 + · · · + n ).
Soit X une variable aléatoire à valeurs dans N.
(i) La variable aléatoire X admet une espérance • Si pour tout n 2 N⇤ , X n ⇠ B (n , pn ) et lim npn = ,
n !+1
E(X ) si et seulement si G X est dérivable en 1. k
Si tel est le cas, E(X ) = G X0 (1). 8k 2 N, P(X n = k ) !e
n !+1 k!
(ii) La variable aléatoire X admet une variance si
et seulement si G X est deux fois dérivable en 1.

Théorème : Somme de variables indépendantes

Si X et Y sont à valeurs dans N et indépendantes,
alors, pour tout t 2] r, r [ où r = min(R X , R Y ),

G X +Y (t ) = E t X +Y = E t X E t Y = G X (t )G Y (t )

! Inégalités de concentration et convergence

Lemme : Inégalité de Markov

Si X est à valeurs positives et admet une espérance,

E(X )
8a > 0, P(X æ a ) ∂
a

© Mickaël PROST Année 2022/2023