Variables aléatoires

Cours de É. Bouchet  PCSI

26 avril 2023

Table des matières

1 Variables aléatoires 2
1.1 Dénition et notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Loi d'une variable aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Variables aléatoires usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Loi conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2 Couples de variables aléatoires 5

3 Indépendance de variables aléatoires 7
3.1 Dénition et premières propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.2 Lemme des coalitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.3 Retour sur les variables aléatoires binomiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

1
1 Variables aléatoires
1.1 Dénition et notations
Dénition 1.1 (Variable aléatoire)
Soit Ω un univers ni. On appelle variable aléatoire toute application dénie de Ω vers un ensemble E .
Si X est une variable aléatoire, on note X (Ω) = {X (ω) | ω ∈ Ω} l'ensemble des valeurs prises par X .

Remarque. Puisque Ω est un univers ni, X(Ω) est un ensemble ni. On parle alors de variable aléatoire nie.
Exemple. On lance n fois une pièce équilibrée, en notant 1 pour face et 0 pour pile. Alors Ω = {0, 1}n .
1. Soit X1 la fonction qui à un tirage associe 1 si le premier lancer donne face, 0 sinon. C'est une variable
aléatoire et X1 (Ω) = {0, 1}.
2. Soit X2 la fonction qui à un tirage associe le nombre de face. C'est une variable aléatoire et X2 (Ω) = [[0, n]].
3. Soit X3 la fonction qui à un tirage associe le rang d'apparition du premier pile, s'il existe, et 0 sinon. C'est
une variable aléatoire et X3 (Ω) = [[0, n]].
Remarque. On utilise des notations entre parenthèses ou accolades pour désigner les événements associés à une
variable aléatoire X . Par exemple,
L'événement  X prend la valeur x  est noté {X = x} ou (X = x).
L'événement  X prend une valeur inférieure à x  est noté {X 6 x} ou (X 6 x).
L'événement  X prend une valeur de l'ensemble A  est noté {X ∈ A} ou (X ∈ A).
À l'intérieur d'une probabilité, on s'autorise pour des raisons de lisibilité à retirer les accolades ou parenthèses
supplémentaires. On peut donc écrire P (X = x) en lieu et place de P ({X = x}) ou P ((X = x)).

Proposition 1.2 (Système complet d'événements lié à une variable aléatoire)

Soit X une variable aléatoire nie, alors ({X = x})x∈X(Ω) est un système complet d'événements.

Démonstration. Si x et y sont deux éléments distincts de X(Ω), {X = x} et {X = y} sont incompatibles (la

fonction X ne peut pas prendre deux valeurs diérentes en même temps), et :
[
{X = x} = {X ∈ X(Ω)} = Ω.
x∈X(Ω)

Donc ({X = x})x∈X(Ω) est un système complet d'événements.

Exemple. On reprend la variable aléatoire X1 de l'exemple précédent. Alors ({X1 = 0}, {X1 = 1}) est un système
complet d'événements, qui correspond à la disjonction de cas  le premier lancer donne pile  et  le premier lancer
donne face .

1.2 Loi d'une variable aléatoire

Dénition 1.3 (Loi d'une variable aléatoire)
Soit (Ω, P ) un espace probabilisé et X une variable aléatoire, on appelle loi de X l'application PX dénie
de P(X(Ω)) dans [0, 1] par :
∀A ⊂ X(Ω), PX (A) = P (X ∈ A).

Proposition 1.4 (La loi d'une variable aléatoire est une probabilité)
Soit X une variable aléatoire, l'application PX est une probabilité sur X(Ω).

2
Démonstration.On revient à la dénition :
 Soit A ∈ P(X(Ω)), PX (A) = P (X = A) ∈ [0, 1].
 PX (X(Ω)) = P (X ∈ X(Ω)) = 1 par dénition de X(Ω).
 Soit A et B dans P(X(Ω)), qu'on suppose incompatibles. Se ramener à une nouvelle union incompatible
donne alors,
PX (A ∪ B) = P (X ∈ A ∪ B) = P ({X ∈ A} ∪ {X ∈ B}) = P (X ∈ A) + P (X ∈ B) = PX (A) + PX (B).

D'où le résultat annoncé.

Remarque. Comme PX est une probabilité, elle est entièrement déterminée par sa Xdistribution de probabilités
(P (X = x))x∈X(Ω) . En particulier, pour tout A ∈ P(X(Ω)), PX (A) = P (X ∈ A) = P (X = x).
x∈A

Remarque. Soit X et Y deux variables aléatoires. On note X ∼ Y la relation PX = PY .

Exercice 1. On lance une pièce équilibrée, et on dénit la variable aléatoire Z comme valant 0 si la pièce donne
face, et 1 sinon. Déterminer la loi de Z .
1 1
Solution : La loi de Z est : Z(Ω) = {0, 1}, P (Z = 1) = , P (Z = 0) = .
2 2
Exercice 2. Soient α ∈ R et n ∈ N∗ .
On considère la n-liste (u1 , . . . , un ) dénie pour tout i ∈ [[1, n]] par ui = α × i.
Cette n-liste dénit-elle une loi d'une variable aléatoire réelle ?
Solution : Pour tout i ∈ [[1, n]], on a ui > 0 si et seulement si α > 0. Par ailleurs, on a :
n n n
X X X n(n + 1)
ui = αi = α i=α ,
2
i=1 i=1 i=1

ce qui est égal à 1 ssi α = n(n+1) .

2
Cette valeur étant positive, la liste dénit une loi de variable aléatoire nie si et
seulement si α = n(n+1)
2
.

Proposition 1.5 (Variable aléatoire g(X))

Soit (Ω, P ) un espace probabilisé. Soit X une variable aléatoire à valeurs dans un ensemble E et g une
fonction dénie sur E . La fonction g(X) est également une variable aléatoire et pour tout A ∈ P(g(X(Ω))),
X
Pg(X) (A) = P (g(X) ∈ A) = P (X = x).
x∈X(Ω)
g(x)∈A

Démonstration. La fonction g ◦ X est dénie sur Ω (car X(Ω) ⊂ E ) donc c'est une variable aléatoire. De plus, si
A ∈ P(g(X(Ω))), une décomposition selon le système complet d'événements ({X = x})x∈X(Ω) donne :
 
[
P (g(X) ∈ A) = P  ({X = x} ∩ {g(X) ∈ A})
x∈X(Ω)
 

car dans l'intersection, X est xé

[
=P ({X = x} ∩ {g(x) ∈ A})
x∈X(Ω)
 
 [
=P {X = x}

en regroupant les termes
x∈X(Ω)
g(x)∈A

par incompatibilité des {X = x}.

X
P (g(X) ∈ A) = P (X = x)
x∈X(Ω)
g(x)∈A

3
Remarque. En particulier, si X et Y sont deux variables aléatoires telles que X ∼ Y , et si la composition par g
est bien dénie, g(X) ∼ g(Y ).
Exercice 3. Soit X une variable aléatoire telle que X(Ω) = {−1, 1, 2}, P (X = −1) = 9,
4
P (X = 1) = 4
9 et
P (X = 2) = On pose Y = X 2 , déterminer la loi de Y .
9.
1

Solution : On trouve directement que Y (Ω) = {1, 4}, puis :

4 4 8 1
P (Y = 1) = P (X = 1) + P (X = −1) = + = et P (Y = 4) = P (X = 2) = .
9 9 9 9

1.3 Variables aléatoires usuelles

Dénition 1.6 (Loi uniforme)
Soit E un ensemble ni non vide. Une variable aléatoire X suit la loi uniforme sur E , ce qu'on note
X ∼ U(E), lorsque PX est la probabilité uniforme sur E , c'est-à-dire :

Card(A)
∀A ∈ P(E), PX (A) = P (X ∈ A) = .
Card(E)

Remarque. Si X ∼ U(E), on a en particulier X(Ω) = E et ∀k ∈ E , P (X = k) = Card(E) .

1

Exemple. Soit n ∈ N∗ , on eectue un tirage dans une urne contenant des boules numérotées de 1 à n. Soit X le
numéro de la boule tirée, alors X ∼ U([[1, n]]).

Dénition 1.7 (Loi de Bernoulli)

Une variable aléatoire X suit la loi de Bernoulli de paramètre p ∈ [0, 1], ce qu'on note X ∼ B(p), lorsque :

X(Ω) = {0, 1} et P (X = 1) = p, P (X = 0) = 1 − p.

Remarque. On interprète souvent un tirage de variable de Bernoulli comme le résultat d'une expérience, avec la
convention que {X = 1} représente un succès et {X = 0} un échec.
Exercice 4. On suppose que X ∼ B(p). Quelle est la loi de la variable aléatoire X 2 ?
Solution : X 2 (Ω) = {0, 1}. De plus, comme X est à valeurs positives, P (X 2 = 1) = P (X = 1) = p et P (X 2 = 0) =
P (X = 0) = 1 − p. Donc X 2 ∼ B(p).

Dénition 1.8 (Variable indicatrice d'un événement)

(
X(ω) = 1 si ω ∈ E
Soit Ω un univers ni et E ∈ P(Ω). La variable aléatoire X dénie par est appelée
X(ω) = 0 si ω ∈
/E
la variable indicatrice de l'événement E . On la note 1E .

Exemple. On lance un dé. Soit A l'événement  tirer un numéro pair . La variable aléatoire 1A vaut 1 si on tire
un numéro pair et 0 sinon.
Remarque. La variable indicatrice 1E suit une loi de Bernoulli de paramètre p = P (E).
Dénition 1.9 (Loi binomiale)
Une variable aléatoire X suit la loi binomiale de paramètres p ∈ [0, 1] et n ∈ N∗ , ce qu'on note, X ∼ B(n, p),
lorsque :  
n k
X(Ω) = [[0, n]] et ∀k ∈ [[0, n]], P (X = k) = p (1 − p)n−k .
k

4
 ∀k ∈ [[0, n]], n
pk (1 − p)n−k > 0 puisque p ∈ [0, 1]. De plus la formule du binôme de Newton


Démonstration.
k
donne : n  
X n k
p (1 − p)n−k = (p + 1 − p)n = 1.
k
k=0
Ces valeurs permettent donc bien de dénir une distribution de probabilités.
Remarque. X ∼ B(1, p) ⇔ X ∼ B(p).
On proposera une interprétation du cas général B(n, p) dans la suite du chapitre, quand on aura déni la notion
d'indépendance pour des variables aléatoires.

1.4 Loi conditionnelle

Dénition 1.10 (Loi conditionnelle d'une variable aléatoire)
Soit (Ω, P ) un espace probabilisé ni, X une variable aléatoire et A ∈ P(Ω) tel que P (A) > 0.
On appelle loi conditionnelle de X sachant A la loi de X pour la probabilité PA , c'est-à-dire l'application
de P(X(Ω)) dans [0, 1] qui à B ⊂ X(Ω) associe PA (X ∈ B).

Remarque. La loi conditionnelle de X sachant A est entièrement déterminée par la distribution de probabilités
(PA (X = x))x∈X(Ω) .

Exercice 5. Soit n ∈ N∗ . On choisit un entier X au hasard entre 1 et 2n. Quelle est la loi de X sachant {X 6 n} ?
Solution : On sait que X ∼ U([[1, 2n]]), donc P (X 6 n) = Card([[1,n]])
Card([[1,2n]]) = n
2n = 12 . De plus :

1
P (X = k) 1
∀k ∈ [[1, n]], P{X6n} (X = k) = = 2n
1 = et ∀k ∈ [[n + 1, 2n]], P{X6n} (X = k) = 0.
P (X 6 n) 2
n

La loi de X sachant {X 6 n} est donc une loi U([[1, n]]).

2 Couples de variables aléatoires

Dénition 2.1 (Couple de variables aléatoires)
Soit (Ω, P ) un espace probabilisé ni. On appelle couple de variables aléatoires toute variable aléatoire
dénie sur Ω et à valeurs dans un produit.

Exemple. Soit X , Y deux variables aléatoires. L'application Z dénie sur Ω par ω 7→ (X(ω), Y (ω)) est un couple
de variables aléatoires. On note Z = (X, Y ).

Dénition 2.2 (Loi conjointe, lois marginales)

Soit (Ω, P ) un espace probabilisé ni et X , Y deux variables aléatoires sur Ω.
 On appelle loi conjointe de X et Y la loi P(X,Y ) du couple de variables aléatoires (X, Y ).
 On appelle première loi marginale de (X, Y ) la loi PX de la variable aléatoire X , et deuxième
loi marginale la loi PY de la variable aléatoire Y .

Remarque. Ces dénitions et leurs propriétés s'étendent sans dicultés à des n-uplets de variables aléatoires.
Remarque. On a (X, Y )(Ω) ⊂ X(Ω) × Y (Ω). Pour déterminer la loi conjointe d'un couple, on peut ainsi se
contenter d'étudier la distribution de probabilités (P (X = x et Y = y))(x,y)∈X(Ω)×Y (Ω) .
Attention quand même : dans le cas général, il n'y a pas égalité entre (X, Y )(Ω) et X(Ω) × Y (Ω).
Remarque. Pour alléger les notations, on note souvent P (X = x, Y = y) à la place de P (X = x et Y = y).

5
Exercice 6. On lance deux dés. On note X le plus grand des deux chires obtenus et Y le plus petit. Déterminer
la loi conjointe de (X, Y ).
Solution : On a X(Ω) = [[1, 6]] et Y (Ω) = [[1, 6]], donc (X, Y )(Ω) ⊂ [[1, 6]]2 . Soit (i, j) ∈ [[1, 6]]2 ,
 Si i < j , P (X = i, Y = j) = 0 (le plus grand nombre ne peut pas être strictement inférieur au plus petit).
 Si i = j , P (X = i, Y = j) = Card({(i,i)})
Card([[1,6]]2 )
1
= 36 .
 Si i > j , P (X = i, Y = j) = Card({(i,j),(j,i))})
Card([[1,6]]2 )
= 2
36 = 18 .
1

On peut résumer ces résultats dans un tableau :

P (X = i, Y = j)
j\i 1 2 3 4 5 6
1 1 1 1 1 1
1 36 18 18 18 18 18
1 1 1 1 1
2 0 36 18 18 18 18
1 1 1 1
3 0 0 36 18 18 18
1 1 1
4 0 0 0 36 18 18
1 1
5 0 0 0 0 36 18
1
6 0 0 0 0 0 36

Les éléments du tableau doivent se sommer à 1, puisque ({X = i, Y = j})i∈X(Ω),j∈Y (Ω) donne le système complet
d'événements associé au couple (X, Y ). Cela permet de vérier la cohérence du résultat obtenu.
Exercice 7. Une urne contient 3 boules blanches, 4 boules vertes et 5 boules bleues. On tire simultanément 3
boules dans l'urne. Parmi les boules ainsi obtenues, on note X le nombre de boules blanches et Y le nombre de
boules vertes. Déterminer la loi conjointe de (X, Y ).
Solution : On trouve X(Ω) = [[0, 3]] et Y (Ω) = [[0, 3]], donc (X, Y )(Ω) ⊂ [[0, 3]]2 .
Card({X = i, Y = j})
Soit (i, j) ∈ [[0, 3]]2 . Alors P (X = i, Y = j) = . Un tirage de 3 boules dans une urne en
Card(Ω)
contenant 12 est une partie à 3 éléments d'un ensemble à 12 éléments, donc Card(Ω) = 12 3 .

De plus, pour réaliser {X = i, Y = j}, il faut
:

 choisir les i boules blanches tirées :
3i possibilités.
 choisir les j boules vertes tirées : 4j possibilités.
 choisir les 3 − i − j boules bleues : 3−i−j 5
possibilités.

Donc Card({X = i, Y = j}) = i j 3−i−j . On en déduit :

3 4


5

3

4
5


i j 3−i−j
∀(i, j) ∈ [[0, 3]]2 , P (X = i, Y = j) = 12

.
3

Proposition 2.3 (Calcul des lois marginales à partir de la loi conjointe)

Soit (Ω, P ) un espace probabilisé ni et X , Y deux variables aléatoires sur Ω. La loi conjointe P(X,Y ) du
couple (X, Y ) détermine entièrement ses lois marginales PX et PY . Plus précisément,
X
∀x ∈ X(Ω), P (X = x) = P (X = x, Y = y),
y∈Y (Ω)

X
∀y ∈ Y (Ω), P (Y = y) = P (X = x, Y = y).
x∈X(Ω)

Remarque. Dans le cas général, il n'est par contre pas possible d'obtenir la loi conjointe à partir des lois marginales.
Démonstration. La première égalité se montre en appliquant la formule des probabilités totales au système complet
d'événements ({Y = y})y∈Y (Ω) :
X X
P (X = x) = P ({X = x} ∩ {Y = y}) = P (X = x, Y = y).
y∈Y (Ω) y∈Y (Ω)

6
La deuxième égalité se montre de même en appliquant la formule des probabilités totales au système complet
d'événements ({X = x})x∈X(Ω) .
Remarque. Si la loi du couple est résumée dans un tableau à double entrée, les lois marginales s'obtiennent donc
en sommant les éléments de chaque ligne ou de chaque colonne.
Exercice 8. On se place de nouveau dans le contexte de l'exercice 6. Déterminer les lois marginales de X et Y .
Solution : Il sut de réutiliser le tableau à double entrée, qui donne en sommant en ligne ou en colonnes :
1 + 2(k − 1) 2k − 1 1 + 2(6 − k) 13 − 2k
∀k ∈ [[1, 6]], P (X = k) = = , ∀k ∈ [[1, 6]], P (Y = k) = = .
36 36 36 36

3 Indépendance de variables aléatoires

3.1 Dénition et premières propriétés
Dénition 3.1 (Indépendance de deux variables aléatoires)
Soit X et Y deux variables aléatoires dénies sur un univers Ω. On dit qu'elles sont indépendantes et on
note X⊥⊥Y lorsque pour tout A ∈ P(X(Ω)) et tout B ∈ P(Y (Ω)), les événements {X ∈ A} et {Y ∈ B}
sont indépendants.

Proposition 3.2 (Distribution de probabilités d'un couple de variables indépendantes)

Soit X et Y deux variables aléatoires dénies sur un univers Ω. Elles sont indépendantes si et seulement si
la distribution de probabilités de (X, Y ) est donnée par :

∀(x, y) ∈ X(Ω) × Y (Ω), P (X = x, Y = y) = P (X = x)P (Y = y).

Démonstration.

 On suppose que X et Y sont indépendantes. Alors par dénition de l'indépendance de deux événements,

∀(x, y) ∈ X(Ω) × Y (Ω), P (X = x, Y = y) = P ({X = x} ∩ {Y = y}) = P (X = x)P (Y = y).

 Réciproquement, on suppose que la distribution de probabilités de (X, Y ) est donnée par la relation annon-
cée. Soit A ∈ P(X(Ω)) et B ∈ P(Y (Ω)),
! 
X X
P (X ∈ A)P (Y ∈ B) = P (X = x)  P (Y = y)
x∈A y∈B
X
= P (X = x)P (Y = y)
(x,y)∈A×B
X
= P (X = x, Y = y)
(x,y)∈A×B
 
[
=P {X = x, Y = y}
(x,y)∈A×B

P (X ∈ A)P (Y ∈ B) = P ({X ∈ A)} ∩ {Y ∈ B}),

où on a utilisé les propriétés des unions incompatibles. Donc {X ∈ A} et {Y ∈ B} sont indépendants, donc
X et Y sont indépendantes.

Remarque. Dans le cas où X et Y sont des variables aléatoires indépendantes (et dans ce cas seulement), on
peut donc déterminer la loi conjointe du couple (X, Y ) à partir des deux lois marginales.

7
Exemple. On tire deux dés et on note X le résultat du premier dé, Y celui du deuxième dé. Les variables aléatoires
X et Y sont alors indépendantes. En particulier,
1 1 1
∀(i, j) ∈ [[1, 6]]2 , P (X = i, Y = j) = P (X = i)P (Y = j) = × = .
6 6 36
Remarque. Pour montrer que deux variables aléatoires X et Y ne sont pas indépendantes, il sut de trouver
x ∈ X(Ω) et y ∈ Y (Ω) tels que P (X = x, Y = y) 6= P (X = x)P (Y = y).
Souvent, on cherche x ∈ X(Ω) et y ∈ Y (Ω) tels que P (X = x, Y = y) = 0 et P (X = x) 6= 0, P (Y = y) 6= 0
(c'est-à-dire on cherche s'il y a des zéros dans le tableau de la loi conjointe).
Exercice 9. On tire deux dés simultanément. On note X la somme des deux dés et Y leur produit, montrer que
X et Y ne sont pas des variables aléatoires indépendantes.
Solution : L'équiprobabilité donne :
Card {(1, 1)} 1 Card {(6, 6)} 1
P (X = 2) = 2
= , et P (Y = 36) = 2
= .
Card [[1, 6]] 36 Card [[1, 6]] 36

Or P (X = 2, Y = 36) = 0 puisque si la somme des deux dés fait 2, le produit fait 1, pas 36.
Donc P (X = 2, Y = 36) 6= P (X = 2)P (Y = 36) et X et Y ne sont pas indépendantes.

Dénition 3.3 (Indépendance d'un n-uplet de variables aléatoires)

Soit n ∈ N∗ et X1 ,. . . ,Xn des variables aléatoires dénies sur un univers Ω. On dit qu'elles sont
(mutuellement) indépendantes lorsque pour tout (A1 , . . . , An ) avec Ai ∈ P(Xi (Ω)), les événements
({Xi ∈ Ai })i∈[[1,n]] sont (mutuellement) indépendants.

Remarque. Comme dans le cas d'un couple, cela équivaut à vérier que la distribution de probabilités de
(X1 , . . . , Xn ) est donnée par :

∀(x1 , . . . , xn ) ∈ X1 (Ω) × . . . × Xn (Ω), P (X1 = x1 , . . . , Xn = xn ) = P (X1 = x1 ). . . P (Xn = xn ).

Remarque. Les n-uplets de variables aléatoires sont souvent utilisés pour modéliser une succession de n expé-
riences aléatoires indépendantes. On utilise alors une suite nie (Xi )16i6n de variables aléatoires indépendantes,
où Xi donne une information sur le résultat de la i-ème expérience.

3.2 Lemme des coalitions

Proposition 3.4 (Indépendance et composition)
Soit (Ω, P ) un espace probabilisé ni et X et Y deux variables aléatoires indépendantes sur Ω. Soit f et g
deux fonctions dénies sur X(Ω) et Y (Ω) respectivement. Alors f (X) et g(Y ) sont des variables aléatoires
indépendantes.

Démonstration. Soit a ∈ f (X(Ω)) et b ∈ g(Y (Ω)). Alors,

P (f (X) = a, g(Y ) = b) = P ({f (X) = a} ∩ {g(Y ) = b})

= P ({X ∈ f −1 ({a})} ∩ {Y ∈ g −1 ({b})})
= P (X ∈ f −1 ({a}))P (Y ∈ g −1 ({b})) par indépendance de X et Y
P (f (X) = a, g(Y ) = b) = P (f (X) = a)P (g(Y ) = b).

Donc f (X) et g(Y ) sont des variables aléatoires indépendantes.

8
 Proposition 3.5 (Lemme des coalitions)
Soit (Ω, P ) un espace probabilisé ni, n ∈ N∗ et X1 , . . . , Xn des variables aléatoires indépendantes.
Soit p ∈ [[1, n − 1]], f une fonction dénie sur X1 (Ω) × . . . × Xp (Ω) et g une fonction dénie sur Xp+1 (Ω) ×
. . . × Xn (Ω). Alors f (X1 , . . . , Xp ) et g(Xp+1 , . . . , Xn ) sont des variables aléatoires indépendantes.

Démonstration. Hors-programme.
Remarque. Ce résultat reste valable dans le cas de plus de deux coalitions.
Exemple. Si X1 , X2 , X3 , X4 , X5 sont des variables aléatoires indépendantes alors les variables X1 − X2 + 2X42
et X3 − X52 sont indépendantes.
Exemple. Soit X et Y deux variables aléatoires. Si X 2 et Y 2 ne sont pas indépendantes, alors par contraposée
du lemme des coalitions X et Y ne le sont pas non plus.

3.3 Retour sur les variables aléatoires binomiales

Proposition 3.6 (Somme de lois de Bernoulli)
Soit n ∈ N∗ , p ∈ [0, 1] et X1 , . . . , Xn des variables aléatoires indépendantes de loi B(p). Alors :

X1 + . . . + Xn ∼ B(n, p).

Démonstration. Soit n ∈ N∗ , on pose H(n) :  si X1 , . . . , Xn sont des variables aléatoires indépendantes de loi
B(p), alors X1 + . . . + Xn ∼ B(n, p) .
 Soit X1 une variable aléatoire de loi B(p). On a déjà vu qu'alors, X1 ∼ B(1, p), donc H(1) est vraie.
 Soit n ∈ N∗ , on suppose que H(n) est vraie. Soit X1 , . . . , Xn+1 des variables aléatoires indépendantes de
loi B(p). On pose Y = X1 + . . . + Xn . D'après H(n), Y ∼ B(n, p) et d'après le lemme des coalitions, Y et
Xn+1 sont des variables aléatoires indépendantes. Soit k ∈ [[1, n + 1]], appliquer la formule des probabilités
totales au système complet d'événements ({Xn+1 = 1}, {Xn+1 = 0}) donne donc :

P (Y + Xn+1 = k) = P ({Xn+1 = 1} ∩ {Y + Xn+1 = k}) + P ({Xn+1 = 0} ∩ {Y + Xn+1 = k})

= P ({Xn+1 = 1} ∩ {Y = k − 1}) + P ({Xn+1 = 0} ∩ {Y = k})
= P (Xn+1 = 1)P (Y = k − 1) + P (Xn+1 = 0)P (Y = k)
   
n n k
=p pk−1 (1 − p)n−(k−1) + (1 − p) p (1 − p)n−k
k−1 k
   
n n
= + pk (1 − p)n−k+1
k−1 k
 
n+1 k
P (Y + Xn+1 = k) = p (1 − p)n+1−k ,
k

où on a conclu par la formule de Pascal. Le cas k = 0 se traite presque de même :

P (Y + Xn+1 = 0) = P (Xn+1 = 1)P (Y = −1) + P (Xn+1 = 0)P (Y = 0)

 
n 0
= 0 + (1 − p) p (1 − p)n
0
= (1 − p)n+1
 
n+1 0
= p (1 − p)n+1−0
0

Donc Y + Xn+1 ∼ B(n + 1, p), donc H(n + 1) est vraie.

Cela montre donc le résultat annoncé.

9
Remarque. Cette méthode d'étude d'une fonction de plusieurs variables aléatoires par l'utilisation de la formule
des probabilités totales appliquée au système complet d'événements engendré par une des variables est classique.
Remarque. On savait déjà qu'un résultat de loi de Bernoulli pouvait s'interpréter comme la survenue ou non d'un
succès (de probabilité p) lors d'une expérience.
Un résultat de loi binomiale peut donc s'interpréter comme le nombre de succès obtenus lors de la répétition de n
expériences indépendantes, ayant chacune la probabilité p de succès.
Exercice 10. On eectue 10 lancers de dé et on pose X le nombre de lancers ayant renvoyé 1 ou 6. Déterminer
la loi de X .
Solution : X compte le nombre de succès ( renvoyer 1 ou 6 ), de probabilité 2
6 = 13 , dans une succession de 10
tirages indépendants. Donc X ∼ B(10, 13 ).
Exercice 11 (Variante facultative sur l'interprétation de la loi binomiale, basée uniquement sur le dénombrement).
On considère une expérience qui se déroule en n épreuves indépendantes, ayant toutes une probabilité de succès p
et une probabilité d'échec 1 − p. On note X la variable aléatoire correspondant au nombre total de succès dans les
n épreuves. Déterminer la loi de X .
Solution : Il est immédiat que X(Ω) = [[0, n]]. Soit k ∈ X(Ω), {X = k} correspond à l'événement  il y a exactement
k succès . On pose Si l'événement  la i-ème épreuve est un succès . Alors
 
[
 X

P (X = k) = P  (∩i∈I Si ) ∩ (∩i∈I
/ Si )  = P (∩i∈I Si ) ∩ (∩i∈I
/ Si ) ,

I⊂[[1,n]] I⊂[[1,n]]
Card(I)=k Card(I)=k

où le passage à la somme se justie par l'incompatibilité deux à deux des événements considérés. Comme de plus,
les expériences sont indépendantes,
!
X Y Y X
P (X = k) = ( P (Si ))( P (Si )) = pk (1 − p)n−k .
I⊂[[1,n]] i∈I i∈I
/ I⊂[[1,n]]
Card(I)=k Card(I)=k

Or, il y a nk événements élémentaires qui renvoient k succès
(on choisit la position des k succès dans les n épreuves),

donc autant de manières de choisir I . D'où P (X = k) = nk pk (1 − p)n−k . On en déduit que X ∼ B(n, p).

10