CPGE Bab Essahra-Guelmim  Année scolaire : 2024-2025

CH 5 : PROBABILITÉS : RAPPELS ET COMPLÉMENTS

Classe : ECS 2

I. Espaces probabilisables • [a; +∞[ est le complémentaire de ] − ∞; a[.

• si a < b, alors [a; b] = [a; +∞[∩] − ∞; b]

Définition 1

Soit Ω un ensemble. Une partie A ⊂ P(Ω) est appelée tribu (ou σ-algèbre) si II. Espace probabilisé
• Ω∈A
Définition 6
• ∀A ∈ A , Ā ∈ A
[ Soit (Ω, A ) un espace probabilisable.
• si (An )n∈N est une suite d’éléments de A , alors An ∈ A . Une application P : A → [0, 1] est appelée probabilité si :
n∈N
• P(Ω) = 1
On dit alors que (Ω, A ) est un espace probabilisable, et les éléments de A sont appelés évé-
nements. • Si (An )n∈N est une suite d’événements deux à deux incompatibles, alors

X
!
[
P An = P (An ) .
L Exemple 2 n∈N n∈N

Donner différentes tribus sur Ω = N.

On dit alors que (Ω, A , P) est un espace probabilisé.
{∅, N},
{∅, N, {0}, N∗ } ,

L Exemple 7
Définition 3Tribu engendrée par une famille) On tire aléatoirement un entier de N∗ avec la probabilité P qui à n ∈ N∗ associe une
1
chance de tirer n de n . Calculer la probabilité P1 de tirer un nombre n > 10, la proba-
Soit Ω un univers et B une famille d’éléments de P(Ω). On appelle tribu engendrée par cette 2
famille la plus petite tribu, au sens de l’inclusion, contenant cette famille. On la note A (B) bilité P2 de tirer un nombre n multiple de 3.
Autrement dit, si A est une tribu telle que B ⊂ A , alors A (B) ⊂ A .

Définition 4

On appelle tribu des boréliens la tribu de R engendrée par les intervalles ] − ∞; a], a ∈ R. On
la note B(R).

Remarque 5
Tous les intervalles sont dans B(R) car :
• ] a; +∞[ est le complémentaire de ] - ∞; a], donc appartient à B(R)
[  1

• ] − ∞; a[= −∞; a −
n∈N∗
n

CH 5: Probabilités: Rappels et compléments 1/8 CPGE Bab Essahra-Guelmim

 On commence par définir des événements élémentaires plus manipulables. Soit n ∈ Démonstration. Suite croissante : Si (An )n∈N est une suite croissante d’événements, nous pouvons
N∗ , on pose An = « tirer le nombre n». Puisque ces événements sont incompatibles définir une suite (Bn )n∈N d’événements deux à deux incompatibles par :
deux à deux, on trouve alors par σ-additivité de P : 
B0 = A0
X X
+∞
! +∞ +∞ 1
1 1 1
∀n ∈ N, Bn+1 = An+1 \An
[ 11
P1 = P An = P (An ) = n
= 2 1 = 10 = .
n=11 n=11 n=11
2 1 − 2
2 1024
et nous pouvons vérifier que, pour tout entier n :
X X X
+∞
! +∞ +∞ +∞
[ 1 1 1 8 1
P2 = P A3n = P (A3n ) = = = 1 −1 = −1= .
[
2 3n 8n 1− 8 7 7 An = Bk
n=1 n=1 n=1 n=1
k⩽n

Nous en déduisons :
Proposition 8 Les événements (Bn )n∈N étant deux à deux incompatibles, nous pouvons appliquer la propriété d’ad-
ditivité dénombrable :
X X
+∞
! +∞ n
Soit (Ω, A, P) un espace probabilisé et (A, B) ∈ A2 . Alors : [
P An = P (Bk ) = lim P (Bk )
n→+∞
n=0 k=0 k=0
• P(Ā) = 1 − P(A) [
Comme An = Bk , où les événements (Bk )0⩽k⩽n sont deux à deux incompatibles, nous savons
• P(∅) = 0 k⩽n
que :
• Si A ⊂ B, alors P(B\A) = P(B) − P(A), X
n
P (An ) = P (Bk )
• P(A ∪ B) = P(A) + P(B) − P(A ∩ B) k=0
Nous avons donc démontré :
• ∀(A, B) ∈ A2 , A ⊂ B =⇒ P(A) ⩽ P(B). +∞
!
[
P (An ) −→ P An
n→+∞
n=0
Définition 9 ■
Soit (Ai )i∈I une famille d’événements deux à deux incompatibles indicée par I. On dit que :
[ Définition 11
• (Ai )i∈I est un système complet d’événements si Ai = Ω.
i∈I Soit (Ω, T, P) un espace probabilisé. Tout événement A tel que P(A) = 0, différent de ∅, est
! dit négligeable ou quasi-impossible.
[ Tout événement de probabilité 1 , différent de Ω, est dit presque certain ou quasi-certain.
• (Ai )i∈I est un système quasi-complet d’événements si P Ai =1 Toute propriété vérifiée sur un ensemble de probabilité 1 est dite presque sûrement vraie ou
i∈I
presque sûre.

Théorème 10(Théorème de limite monotone)

• Soit (Ω, A, P) un espace probabilisé, et soit (Cn )n∈N∗ une suite d’événements de A III. Conditionnement et indépendance
croissante au sens de l’inclusion. Alors
+∞
! Définition 12
[
P Cn = lim P (Cn ) .
n→+∞ Soit (Ω, A, P) un espace probabilisé et soit B ∈ A tel que P(B) ̸= 0. On définit un nouvel
n=1
espace probabilisé (Ω, A, PB ) par
• Soit (Ω, A, P) un espace probabilisé, et soit (Dn )n∈N∗ une suite d’événements de A dé- P(A ∩ B)
croissante au sens de l’inclusion. Alors PB (A) = pour tout A ∈ A.
P(B)
+∞
!
\
P Dn = lim P (Dn ) PB est appelée probabilité conditionnelle relative à B, et PB (A) est la probabilité de A sachant
n=1
n→+∞
B, parfois aussi notée P(A | B)

CH 5: Probabilités: Rappels et compléments 2/8 CPGE Bab Essahra-Guelmim

 Proposition 13 Proposition 17 (Formules de Bayes)

PB (A) est une probabilité sur (Ω, A) • Si A et B sont deux événements de probabilités non nulles,

PA (B)P(A)
PB (A) = .
P(B)
Proposition 14 (Formule des probabilités composées)
• Si (Ai )i∈I est un système complet d’événements fini ou dénombrable, si J =
Soient A1 , A2 , . . . , An des événements tels que P (A1 ∩ · · · ∩ An−1 ) ̸= 0. Alors
{i ∈ I : P (Ai ) ̸= 0}, alors pour tout événement B de probabilité non nulle, et pour tout
\n
! i∈J
P Ai = P (A1 ) PA1 (A2 ) PA1 ∩A2 (A3 ) · · · PA1 ∩···∩An−1 (An ) . PAi (B)P (Ai )
PB (Ai ) = P .
i=1 j∈J PAj (B)P (Aj )

Proposition 15 Formule des probabilités totales Définition 18

• Deux évènements A et B sont dits indépendants lorsque P(A ∩ B) = P(A) × P(B).

Soit (Ω, A, P) un espace probabilisé. Soit I ⊂ N et (Ai )i∈I un système complet d’événements
de Ω. Alors pour tout B ∈ A, X • Soit (Ai )i∈I une famille d’évènements. Les évènements Ai sont mutuellement indépen-
P(B) = P (B ∩ Ai ) . dants si :
i∈I
∀k ∈ N, ∀ (i1 , . . . , ik ) ∈ Nk , 0 ⩽ i1 < · · · < ik ,



P Ai1 ∩ · · · ∩ Aik = P (Ai1 ) × · · · × P Aik
Démonstration.
On décompose l’événement B sur le système complet d’événements (Ai )i∈I :

L Exemple 19 Un joueur joue indéfiniment à un jeu qui conduit à 1 chance sur 100 de ga-
[
B= (B ∩ Ai ) ,
i∈I
gner. On note G l’événement «le joueur gagne au moins une fois », et pour n ∈ N∗ , Gn
l’événement « le joueur gagne au moins une fois au cours des n premières parties ».
Montrer que G est un événement presque sûr.
et les (B ∩ Ai ) sont incompatibles deux à deux. La σ-additivité de la probabilité donne alors le résul-
tat. ■ On remarque que les Gn forment une suite d’événements croissants car ∀i ∈ N∗ , Gi ⊂
+∞
[
Gi+1 . De plus, G = Gn . Soit i ∈ N∗ , on pose Ai l’événement « le joueur perd la
n=1
i-ème partie », l’indépendance des parties donne alors :
L Exemple 16
Y
n
! n  n
∗

\ 99
On considère une infinité d’urnes numérotées par les entiers de N∗ , et telles que pour ∀n ∈ N , P (Gn ) = 1 − P Gn = 1 − P Ai = 1 − P (Ai ) = 1 −
100
i ∈ N∗ , l’urne Ui contienne i ! boules numérotées de 1 à i !. On choisit une urne au i=1 i=1
1
hasard selon la loi suivante : pour tout i ∈ N∗ , on choisit l’urne Ui avec probabilité i . 99
2 Donc par théorème de limite monotone et puisque <1
Puis on tire une boule au hasard dans cette urne. Calculer la probabilité de tirer la boule 100
numéro 1. Soit i ∈ N∗ , on note Ai l’événement « l’urne i est choisie », et G l’événement   n 
« on tire la boule numéro 1 ». Comme les Ai forment un système complet d’événements 99
P(G) = lim P (Gn ) = lim 1 − = 1.
1 n→∞ n→∞ 100
et que ∀i ∈ N∗ , P (Ai ) = i ̸= 0, la formule des probabilités totales donne :
2
X
+∞ X
+∞ X
+∞
1 1 1
P(G) = P (G ∩ Ai ) = P (Ai ) PAi (G) = × = e 2 − 1 ≃ 0, 35
2i i! L Exercice 20 On lance deux fois de suite un dé à 6 faces équilibré. On définit les événe-
i=1 i=1 i=1
ments :
A :"le premier lancer donne un chiffre pair"

CH 5: Probabilités: Rappels et compléments 3/8 CPGE Bab Essahra-Guelmim

 B :"le deuxième lancer donne un chiffre impair" IV. Variables aléatoires réelles
C :"l’un des lancer donne un chiffre pair, l’autre un chiffre impair"
IV.1. Définitions
1) Montrer que les événements A et B sont indépendants, que les événements A et
C sont indépendants et que les événements B et C sont indépendants. Définition 22

2) Les événements A, B et C sont-ils mutuellement indépendants ? Soit (Ω, A ) un espace probabilisable. Une variable aléatoire réelle sur Ω est une application
X : Ω → R telle que :
Solution 1 ∀x ∈ R, [X ⩽ x] = {ω ∈ Ω : X(ω) ⩽ x} ∈ A .
Les événements A, B et C sont deux à deux indépendants, mais pas mutuellement indépendants.
A = {2, 4, 6} × [|1, 6|], B = [|1, 6|] × {1, 3, 5}, C = {2, 4, 6}2 ∪ {1, 3, 5}2
Proposition 23
3×6 1 1 18 1
P(A) = = P(B) = P(C) = =
36 2 2 36 2 Soit X une variable aléatoire réelle définie sur (Ω, A ). Alors

A ∩ B = A ∩ C = B ∩ C = {2, 4, 6}2 , ainsi : ∀B ∈ B(R), [X ∈ B] = {ω ∈ Ω : X(ω) ∈ B} ∈ A .

9 1
P(A ∩ B) = P(A ∩ C) = P(B ∩ C) = = = P(A)P(B) = P(A)P(C) = P(B)P(C) Remarque 24
36 4
Si X est une variable aléatoire réelle sur (Ω, A ) alors, pour tout intervalle I de R, l’ensemble
Enfin, A ∩ B ∩ C = A ∩ B. Ainsi, {ω ∈ Ω, X(ω) ∈ I} est un événement (i.e. appartient à A ). En particulier, pour tout réel x, l’en-
semble {ω ∈ Ω, X(ω) = x} appartient à A .
9 1 1 Si on prend B =] − ∞, x], ] − ∞, x[, [x, +∞[, cela signifie notamment que si x ∈ R, alors les ensembles
P(A ∩ B ∩ C) = = et P(A)P(B)P(C) = .
36 4 8 [X ⩽ x], [X < x], [X ⩾ x], etc, sont bien des événements.

[X = x] = X−1 ({x}) = {ω ∈ Ω, X(ω) = x}

[X ⩾ x] = X−1 ([x, +∞[) = {ω ∈ Ω, X(ω) ⩾ x}
L Exercice 21 On lance une pièce de monnaie équilibrée une infinité de fois. On note B
l’événement « n’obtenir que des faces au cours du jeu », et pour n ∈ N∗ , Bn l’événe- [X < x] = X−1 (] − ∞, x[) = {ω ∈ Ω, X(ω) < x}
ment « n’obtenir que des faces aux n premiers lancers ». Montrer que B est un événe- [X > x] = X−1 (| x, +∞[) = {ω ∈ Ω, X(ω) > x}
ment négligeable. A-t-on B = ∅ ?
On remarque que
[X ⩽ x] = [X < x] ∪ [X = x].
Solution 2
De même, on écrit, pour tous réels a et b,
Les Bn forment une suite d’événements décroissants, puisque ∀i ∈ N∗ , Bi+1 ⊂ Bi . De plus, B =
+∞
\ [a ⩽ X ⩽ b] = X−1 ([a, b]) = {ω ∈ Ω, a ⩽ X(ω) ⩽ b}
Bn . Soit i ∈ N∗ , on pose Ai l’événement « obtenir face au i-ème lancer », l’indépendance des
n=1
lancers donne alors : Proposition 25

Y Soient X et Y deux variables aléatoires réelles définies sur (Ω, A ), et soit λ ∈ R. Alors
n
! n  n
∗
\ 1
∀n ∈ N , P (Bn ) = P Ai = P (Ai ) = X + Y, XY, λX et max(X, Y), min(X, Y) sont également des variables aléatoires réelles sur
2
i=1 i=1
(Ω, A )
1
Donc par théorème de limite monotone et puisque <1
2 Définition 26

Soit (Ω, A , P) un espace probabilisé. Soit X : Ω −→ R une v.a.r.

 
1
P(B) = lim P (Bn ) = lim = 0. L’application PX : B(R) −→ [0, 1] définie par PX (B) = P X−1 (B) est appelée loi de la v.a.r
n→∞ n→∞ 2n
X.
Mais B ̸= ∅ : il peut être réalisé en ne tirant que des faces.

CH 5: Probabilités: Rappels et compléments 4/8 CPGE Bab Essahra-Guelmim

IV.2. Fonction de répartition • La fonction FX est croissante sur R et majorée par 1. Par le théorème de la limite monotone (pour
les fonctions), elle admet donc une limite finie en +∞, et on trouve par composée :
Définition 27 (Fonction de répartition)
lim FX (t) = lim FX (n)
t→+∞ n→+∞
Soit X une variable aléatoire, on appelle fonction de répartition de X la fonction FX définie
pour tout x ∈ R par La suite ([X ⩽ n])n∈N∗ est une suite croissante d’événements, donc d’après le théorème de la
FX (x) = P(X ⩽ x). limite monotone (pour les probabilités),
+∞
!
[
lim P(X ⩽ n) = P [X ⩽ n] = P(Ω).
Proposition 28Propriétés de la fonction de répartition n→+∞
n=1

Si FX est la fonction de répartition d’une variable aléatoire X, alors Donc lim FX (t) = P(Ω) = 1, et lim FX (t) = 1.
t→+∞ t→+∞

• FX est croissante sur R, ■

• FX est continue à droite sur R,
Corollaire 29
• lim FX (x) = 0, Pour toute variable aléatoire réelle X de l’espace probabilisé (Ω, A , P), la fonction de répartition de X
x→−∞
est continue en x si, et seulement si, P([X = x]) = 0.
• lim FX (x) = 1. Démonstration.
x→+∞
D’après le théorème précédent FX est continue à droite en tout point de R. Par suite FX est continue
en x si, et seulement si, FX est continue à gauche en x, donc si, et seulement si, lim FX (t) = FX (x),
Démonstration. t→x
t<x

• Soit x et y deux réels tels que x ⩽ y. Alors [X ⩽ x] ⊂ [X ⩽ y], donc par croissance de la c’est-à-dire FX (x) − P([X = x]) = FX (x). Ainsi FX est continue en x si, et seulement si, P([X = x]) = 0.
probabilité, FX (x) ⩽ FX (y). La fonction FX est donc croissante sur R. ■

• Soit x ∈ R. La fonction FX est croissante sur R. Elle admet donc une limite à droite finie en x
Définition 30
(théorème de la limite monotone pour les fonctions), et par composition de limites :
Soit X une variable aléatoire réelle sur (Ω, A , P). Alors la tribu engendrée par X, notée AX ,
 
1
lim FX (t) = lim FX x + est la plus petite tribu contenant tous les événements [X ⩽ x], x ∈ R. En particulier, puisque
t→x,t>x n→+∞ n
  ∀x ∈ R, [X ⩽ x] ∈ A , on a AX ⊂ A .
1
La suite X ⩽ x + est une suite décroissante d’événements, donc d’après le théorème
n n∈N∗
de limite monotone (pour les probabilités), Définition 31
  +∞
\ !
1 1 oit (Ω, A ) un espace probabilisable, et soit A ∈ A . On appelle variable indicatrice de A, et on
lim P X ⩽ x + =P X⩽x+ = P(X ⩽ x)
n→+∞ n n=1
n note 1A la fonction 1A : Ω → R définie par
Donc lim FX (t) = P(X ⩽ x) = FX (x) et FX est continue à droite en x. 0 si ω ∈
t→x,t>x
1A (ω) = /A
1 si ω ∈ A
• La fonction FX est croissante sur R et minorée par 0 . Par le théorème de la limite monotone (pour
les fonctions), elle admet donc une limite finie en −∞, et on trouve par composée :
lim FX (t) = lim FX (−n) Proposition 32
t→−∞ n→+∞

La suite ([X ⩽ −n])n∈N∗ est une suite décroissante d’événements, donc d’après le théorème de Si A ∈ A , alors 1A est une variable aléatoire réelle.
limite monotone (pour les probabilités),
Démonstration. Soit x ∈ R. Si x < 0, alors [1A ⩽ x] = ∅ ∈ A . Si 0 ⩽ x < 1, alors
+∞
!
\
lim P(X ⩽ −n) = P [X ⩽ −n] = P(∅).
n→+∞
n=1 [1A ⩽ x] = [1A = 0] = {ω ∈ Ω : ω ∈
/ A} = Ā ∈ A .
Donc lim FX (t) = P(∅) = 0, et lim FX (t) = 0.
t→−∞ t→−∞
Enfin, si x ⩾ 1, alors [1A ⩽ x] = [1A ⩽ 1] = Ω ∈ A .

CH 5: Probabilités: Rappels et compléments 5/8 CPGE Bab Essahra-Guelmim

Ainsi, ∀x ∈ R, [1A ⩽ x] ∈ A : 1A est bien une variable aléatoire réelle sur (Ω, A ). ■ Proposition 37

Si X et Y sont indépendantes alors pour toutes fonctions f et g dont les ensembles de défi-
nition contiennent respectivement X(Ω) et Y(Ω), les variables aléatoires f(X) et g(Y) sont
L Exemple 33 indépendantes.
On lance n fois une pièce équilibrée. On note Ai l’événement « on fait pile au ième
lancer ». Alors
X
n
V.2. Indépendance mutuelle de variables aléatoires réelles
• 1A i
est le nombre de piles obtenu au cours des n lancers.
i=1 Définition 38
Y
n
• 1− 1A i
est la variable indicatrice de l’événement "faire au moins un face lors Soit (Xn ) une suite de variables aléatoires réelles définie sur un même espace probabi-
i=1 lisé (Ω, A , P). On dit que les variables aléatoires Xn sont mutuellement indépendantes
des n lancers ». si : Cas d’une suite finie (X1 , . . . , Xn ) : pour tout (x1 , . . . , xn ) ∈ Rn , les évènements
[X1 ⩽ x1 ] , . . . , [Xn ⩽ xn ] sont mutuellement indépendants, soit encore :

Y
n
! n
\
n
∀ (x1 , . . . , xn ) ∈ R , P [Xi ⩽ xi ] = P (Xi ⩽ xi ) .
V. Indépendance des variables aléatoires i=1 i=1

V.1. Indépendance de deux variables aléatoires

Proposition 39
Définition 34
Soient X1 , . . . , Xn des variables aléatoires sur (Ω, A , P). Alors les assertions suivantes sont
On dit que les variables aléatoires X et Y sont indépendantes lorsque pour tout (x, y) ∈ R , 2 équivalentes :
les évènements [X ⩽ x] et [Y ⩽ y] sont indépendants, c’est-à-dire : 1) X1 , . . . , Xn sont mutuellement indépendantes
P([X ⩽ x] ∩ [Y ⩽ y]) = P(X ⩽ x)P(Y ⩽ y). 2) pour tous I1 , . . . , In intervalles de R, on a P ([X1 ∈ I1 ] ∩ · · · ∩ [Xn ∈ In ]) =
Yn
P (Xi ∈ Ii )
Proposition 35 i=1

3) pour tout A1 ∈ AX1 , . . . , An ∈ AXn , les événements A1 , . . . , An sont mutuellement in-

Soient X et Y deux variables aléatoires d’un espace probabilisé (Ω, A , P). Alors il y a équiva- dépendants.
lence entre :
1) X et Y sont indépendantes ; Proposition 40Lemme des coalitions)
2) pour tous intervalles I et J de R, P([X ∈ I] ∩ [Y ∈ J]) = P(X ∈ I)P(Y ∈ J)
Soit (X1 , X2 , . . . , Xn ) une famille de variables aléatoires mutuellement indépendantes sur
3) pour tout événement A ∈ AX et tout événement B ∈ AY : P(A ∩ B) = P(A)P(B) (Ω, A , P), et soit p ∈ J1, n − 1K. Alors toute variable aléatoire fonction de X1 , X2 , . . . , Xp est
indépendante de toute variable aléatoire fonction de Xp+1 , Xp+2 , . . . , Xn .

Proposition 41
L Exemple 36 On lance deux dés, on note X la variable aléatoire somme des deux dés, et
Y la variable aléatoire égale au produit des deux dés. Si [Y = 6], alors l’une des variables Soit (X1 , X2 , . . . , Xn ) une famille de variables aléatoires mutuellement indépendantes
vaut 2 et l’autre vaut 3 ou l’une vaut 1 et l’autre vaut 6 . Donc [X = 5] ou [X = 7]. Par
sur (Ω, A , P). Pour toutes fonctions f1 , . . . , fn définies sur un ensemble contenant
conséquent, P([X = 6] ∩ [Y = 6]) = 0 ̸= P(X = 6)P(Y = 6). Et donc X et Y ne sont
indépendantes. X1 (Ω), . . . , Xn (Ω) respectivement, les variables aléatoires f1 (X1 ) , . . . , fn (Xn ) sont mutuel-
lement indépendantes.

CH 5: Probabilités: Rappels et compléments 6/8 CPGE Bab Essahra-Guelmim

Remarque 42 • En particulier, si X et Y sont indépendantes, alors f(X) et g(Y) sont indépen- Définition 48
2
dantes, quelles que soient les fonctions f et g. Par exemple, X2 est indépendante de eY .
Soit I un ensemble dénombrable, et soit (ui )i∈I une famille de réels indexée par I. On dit que
X
• Ce résultat peut être généralisé de la manière suivante : si (X1 , . . . , Xn ) sont mutuellement indé- la famille (ui )i∈I est sommable s’il existe une bijection φ : N → I telle que uφ(n) converge
pendantes, et si 1 ⩽ k1 < k2 < · · · < kp = n, alors n⩾0

absolument.
Y1 = f1 (X1 , . . . , Xk1 ) , Y2 = f2 (Xk1 +1 , . . . , Xk2 ) , . . . , Yp = fp Xkp−1 +1 , . . . , Xn
Proposition 49
sont mutuellement indépendantes.

X
+∞
Si la famille (ui )i∈I est sommable, alors la somme uφ(n) est indépendante de l’indexation
L Exemple 43 n=0 X
• Si (X1 , X2 , X3 ) sont mutuellement indépendantes, alors Y = X1 + X2 est indépen- φ. On appelle ce réel la somme de la famille (ui )i∈I et on la note simplement ui .
i∈I
dante de Z = eX3 .
• Si (X1 , . . . , X2n ) sont mutuellement indépendantes, alors Y = max (X1 , . . . , Xn ) est
indépendante de min (Xn+1 , . . . , X2n ). Théorème 50de sommation par paquets, ou de Fubini

Soit I un ensemble dénombrable, et (ui )i∈I une famille de réels indexés par I. On suppose que
[
I= In , où les In sont des ensembles dénombrables ou finis, deux à deux disjoints. Alors la
VI. Séries doubles n∈N
famille (ui )i∈I est sommable si et seulement si :
VI.1. Ensembles dénombrables X
• ∀n ∈ N, la famille (ui )i∈In est sommable (et donc |ui | existe)
Définition 44 i∈In

X X
!
Un ensemble I est dit dénombrable si il est fini ou s’il existe une bijection φ : N → I.
• |ui | est convergente. Dans ce cas, on a alors
n∈N i∈In

Remarque 45 X X X
!
Cela signifie que l’on peut « numéroter » les éléments de I : φ(0) est le "premier" élément de I, φ(1) ui = ui .
le « second », etc. i∈I n∈N i∈In

L Exemple 46
L Exemple 51
• N est dénombrable
(−1)m
• N∗ est dénombrable, avec φ : N → N∗ , n 7→ n + 1 Prenons I = N × N, et pour (m, n) ∈ N × N, um,n = .
m!n!
• Z est dénombrable Alors I est dénombrable, et si on pose
In = {(m, n), m ∈ N}
Proposition 47 on a bien I =
[
In , avec les In deux à deux disjoints.
n∈N
• Si I et J sont dénombrables, alors I × J est dénombrable. X 1 X
1 X 1
Pour n ∈ N, (ui )i∈In est sommable car um,n =
= est une série
m!n! n! m m!
[
• Si (Ij )j∈N est une suite d’ensembles dénombrables, alors Ij est encore dénombrable. m
j∈N X 1 X 1
+∞
e X e
absolument convergente. On a alors |um,n | = = . Mais alors
m∈I
n! m=0 m! n! n
n!
n

CH 5: Probabilités: Rappels et compléments 7/8 CPGE Bab Essahra-Guelmim

 est convergente, donc (um,n )(m,n)∈N×N est sommable, et Proposition 52

X X
+∞ X
+∞
!
X
+∞ −1 X
+∞ Si I = N × N et si (um,n )(m,n)∈N×N est sommable, alors
(−1)m 1 e 1
um,n = = = e−1 = e−1 × e = 1
(m,n)∈N×N n=0 m=0
m! n! n=0
n! n=0
n! X X
+∞ X
+∞ X
+∞ X
+∞
um,n = um,n = um,n
(m,n)∈N×N n=0 m=0 m=0 n=0

CH 5: Probabilités: Rappels et compléments 8/8 CPGE Bab Essahra-Guelmim