34 Chapitre 2 – Espace de probabilité
Expériences aléatoires indépendantes et espace de probabilité produit
Soit (Ωn , An , Pn ) une suite d’espaces de probabilité modélisant des expériences
aléatoires. Nous souhaiterions construire un espace de probabilité rendant compte
de toutes ces expériences indépendantes les unes des autres.
Si nous avons uniquement deux espaces (Ω1 , A1 , P1 ) et (Ω2 , A2 , P2 ), nous prendrons
Ω = Ω1 × Ω2 , que nous munirons de la tribu produit A = A1 ⊗ A2 . Cette tribu
produit de A1 et A2 est définie comme étant la tribu engendrée par les pavés A1 × A2 ,
A1 ∈ A1 , A2 ∈ A2 , (voir définition 2.5). Nous définissons P sur les pavés de A par
P(A1 × A2 ) = P1 (A1 ) P2 (A2 ). On peut montrer que cela suffit pour caractériser une
probabilité sur A, que l’on appelle probabilité produit, notée P1 ⊗ P2 .
Nous pouvons généraliser cette notion d’espace de probabilité produit, et considérer
le produit (dénombrable) cartésien Ω = Πn Ωn , A = ⊗n An où ⊗n An désigne la plus
petite tribu de Ω engendrée par les produits cartésiens finis d’éléments des tribus
coordonnées, donc contenant tous les ensembles de la forme
A1 × A2 × · · · × Ak × Ωk+1 × Ωk+2 × · · · , Ai ∈ Ai , k = 1, 2, 3, . . .
Il est possible de montrer par un théorème général de théorie de la mesure qu’il existe
une unique probabilité P sur (Ω, A) qui vérifie
P (A1 × A2 × · · · × Ak × Ωk+1 × Ωk+2 × · · · ) = Πki=1 Pi (Ai )
pour tous k = 1, 2, . . . et Ai ∈ Ai . Cette probabilité rend ainsi indépendantes les
expériences aléatoires correspondant à chaque espace (Ωn , An , Pn ).
En particulier, en prenant tous les espaces coordonnées (Ωj , Aj ) égaux, cela nous
permettra de modéliser la même expérience répétée une infinité (dénombrable) de
fois, de manière indépendante et dans les mêmes conditions.
Exemple 2.34 Considérons les lancers successifs et indépendants d’une même pièce
de monnaie, telle que la probabilité de tirer Pile soit égale à p ∈]0, 1[. Soient Fn
l’événement “Face au n-ième lancer” et Pn l’événement “Pile au n-ième lancer”.
Soient Tk l’événement “le premier Pile est obtenu au k-ième lancer” et A l’événement
“on n’obtient jamais de Pile”. Alors, par indépendance des lancers, nous avons
P(Tk ) = P(F1 ∩ F2 ∩ · · · ∩ Fk−1 ∩ Pk )
= P(Face)k−1 P(Pile) = (1 − p)k−1 p pour tout k ∈ N∗ .
Remarquons que {Tk , k ≥ 1, A} est une partition (dénombrable) de Ω, donc
X
P(A) = 1 − P(T = k) = 1 − 1 = 0.
k≥1
2.3 – Conditionnement et indépendance 35
2.3.3 Le lemme de Borel-Cantelli
Nous allons maintenant voir un théorème fameux, dans lequel intervient fonda-
mentalement la notion d’indépendance, et qui sera très important, en particulier pour
les théorèmes de convergence (cf. Chapitre 6).
Pour une suite (An )n d’événements de A, on définit :
lim sup An = ∩p ∪n≥p An .
n
Comme A est stable par union et intersection dénombrables, on a lim supn An ∈ A.
Remarquons que
ω ∈ lim sup An ⇔ ∀p, ∃n ≥ p, tel que ω ∈ An
n
⇔ ω appartient à une infinité de An ,
et que ω ∈
/ lim sup An ⇔ ω appartient à au plus un nombre fini de An .
n
Théorème 2.35 P Soit (An )n une suite d’événements de A.
(i) Si la série n P(An ) < +∞, alors P(lim supn An ) = 0, c’est-à-dire que P-presque
sûrement, il y a au plus un nombre fini de An qui sont réalisés.
(ii) Si de plus la suite (An )n est indépendante, alors
X
P(An ) = +∞ =⇒ P(lim sup An ) = 1.
n
n
Dans ce cas, P-presque sûrement, une infinité de An sont réalisés.
Il est clair que cette dernière propriété n’est plus vraie dans le cas où la suite n’est
pas indépendante. Il suffit pour s’en convaincre de prendre tous les An égaux à un
même événement A de probabilité P(A) ∈]0, 1[.
La première partie de ce lemme est un outil précieux pour démontrer qu’une propriété
est vraie P-presque sûrement. Nous en verrons un exemple dans la preuve de la loi
forte des grands nombres donnée dans la section 6.2. La deuxième partie du lemme
caractérise entièrement, dans le cas indépendant, le fait que P(lim supn An ) vaut 0 ou
1 suivant la convergence ou la divergence de la série de terme général P(An ).
Preuve. Remarquons tout d’abord que
X
P(lim sup An ) = lim ↓ P(∪n≥p An ) ≤ lim ↓ P(An ),
n p p
n≥p
36 Chapitre 2 – Espace de probabilité
P
où lim ↓ désigne la limite d’une suite décroissante. Si la série n P(An ) est conver-
gente, le reste de cette série tend vers 0 et la dernière inégalité implique que
P(lim supn An ) = 0. P
Supposons maintenant que les An soient indépendants et que la série n P(An )
diverge. Soit m un nombre entier. Nous avons
P(∪m
i=p Ai ) = 1 − P(∩m c m c
i=p Ai ) = 1 − Πi=p P(Ai ) grâce à l’indépendance
Pm
− i=p P(Ai )
= 1− Πm
i=p (1 − P(Ai )) ≥ 1 − e
grâce à l’inégalité 1 − x ≤ e−x pour x ≥ 0. Ainsi,
P∞
−
P(∪∞
i=p Ai ) ≥ 1 − e
i=p P(Ai )
=1
et l’on conclut finalement que pour tout p, P(∪∞
i=p Ai ) = 1, ce qui implique finalement
que P(lim supn An ) = 1.
Application : Considérons une suite de parties indépendantes de Pile ou Face, la
probabilité d’apparition d’un Pile étant égale à p ∈]0, 1[. Soit A un “mot” de lon-
gueur l choisi a priori, c’est-à-dire une suite de l lettres prises dans l’alphabet {P, F }.
Désignons par A1 l’événement consistant en le fait que le mot se réalise dans les l
premières parties, par A2 l’événement consistant en le fait que le mot se réalise dans
les l parties suivantes, etc. Les événements A1 ,PA2 , ..., sont indépendants et pour tout
n ≥ 1, nous avons P(An ) = P(A1 ) > 0, d’où n P(An ) = +∞. Il résulte du lemme
de Borel-Cantelli (deuxième assertion), qu’avec une probabilité égale à 1, le mot A se
réalise une infinité de fois au cours du jeu. Le même raisonnement montre que si un
singe tape au hasard sur une machine à écrire, alors, avec une probabilité égale à 1,
le mot ABRACADABRA se réalisera une infinité de fois au cours de la frappe. C’est
vrai pour n’importe quel texte, donc il tapera aussi une infinité de fois le livre “A
LA RECHERCHE DU TEMPS PERDU”.
2.4 Rappels et compléments
2.4.1 Rappels sur les ensembles
Considérons un ensemble Ω non-vide, c’est-à-dire une collection d’objets appelés
éléments de Ω, ou points de Ω. L’appartenance d’un point ω à l’ensemble Ω est notée
ω ∈ Ω, et ω ∈ / Ω signifie que le point ω n’appartient pas à Ω.
Une partie A de Ω est aussi un ensemble, appelé sous-ensemble de Ω. Dans ce cas,
A est dit inclus dans Ω, ce qui s’écrit A ⊂ Ω. Rappelons les opérations élémentaires
sur les parties d’un ensemble.
2.4 – Rappels et compléments 37
Intersection : A ∩ B est l’intersection des ensembles A et B, c’est-à-dire l’ensemble
des points appartenant à la fois à A et à B.
Réunion : A ∪ B est la réunion des ensembles A et B, c’est-à-dire l’ensemble des
points appartenant à au moins l’un des deux ensembles.
Ensemble vide : C’est l’ensemble ne contenant aucun point. Il est noté ∅.
Ensembles disjoints : Les ensembles A et B sont dits disjoints si A ∩ B = ∅.
Complémentaire : Si A ∈ Ω, son complémentaire (dans Ω) est l’ensemble des points
de Ω n’appartenant pas à A. Il est noté Ac ou parfois Ω\A. Les ensembles A et Ac
sont disjoints.
Différence : Si A et B sont deux sous-ensembles de Ω, A\B désigne l’ensemble des
points qui sont dans A mais pas dans B. Ainsi A\B = A ∩ B c .
La réunion et l’intersection sont des opérations commutatives et associatives. Nous
avons A ∪ B = B ∪ A et A ∩ B = B ∩ A, et aussi A ∪ (B ∪ C) = (A ∪ B) ∪ C et
A ∩ (B ∩ C) = (A ∩ B) ∩ C, ensembles que nous notons naturellement A ∪ B ∪ C et
A ∩ B ∩ C.
Plus généralement, pour une famille (Ai )i∈I d’ensembles, indexée par un ensemble
quelconque I, ∪i∈I Ai désigne la réunion de cette famille, i.e. l’ensemble des points
appartenant à au moins l’un des Ai . De même, ∩i∈I Ai désigne l’intersection de
cette famille, i.e. l’ensemble des points appartenant à tous les Ai . Dans ces deux
cas, l’ordre d’indexation des Ai n’a pas d’importance.
Une partition de Ω est une famille (Ai )i∈I telle que les ensembles Ai soient
disjoints deux-à-deux (Ai ∩ Aj = ∅, ∀i, j, i 6= j), et que ∪i∈I Ai = Ω.
2.4.2 Modélisation ensembliste des événements
Les événements étant des ensembles, (rappelons-nous qu’une partie de Ω décrit
un sous-ensemble de résultats possibles de l’expérience), nous pourrons effectuer les
opérations ensemblistes précédemment décrites, avec l’interprétation suivante. Si A
et B sont deux événements, alors :
• NON : la réalisation de l’événement contraire à A est représentée par Ac : le
résultat de l’expérience n’appartient pas à A.
• ET : l’événement “A et B sont réalisés” est représenté par A ∩ B : le résultat
de l’expérience se trouve à la fois dans A et dans B.
38 Chapitre 2 – Espace de probabilité
• OU : l’événement “A ou B sont réalisés” est représenté par l’événement A∪B :
le résultat de l’expérience se trouve dans A ou dans B.
• IMPLICATION : le fait que la réalisation de l’événement A entraı̂ne la
réalisation de B se traduit par A ⊂ B.
• INCOMPATIBILITE : si A ∩ B = ∅, A et B sont dits incompatibles. Un
résultat de l’expérience ne peut être à la fois dans A et dans B.
• TOUJOURS VRAI : l’événement Ω est l’événement certain (tous les résultats
de l’expérience prennent leurs valeurs dans Ω).
• IMPOSSIBLE : ∅ est l’événement impossible.
2.4.3 Les ensembles dénombrables
Un ensemble E est dénombrable s’il est en bijection avec N, c’est-à-dire si ses points
peuvent être énumérés en une suite (xn )n∈N . C’est le cas de l’ensemble N lui-même,
de Z, de Q, des entiers pairs ou de toute suite strictement croissante d’entiers. Ce
n’est pas le cas de R, ni des intervalles [a, b] lorsque a < b, ni de {0, 1}N , ni de P(N). 2
Enonçons quelques propriétés des ensembles dénombrables.
• Tout ensemble dénombrable est infini. La réciproque est fausse, comme nous
l’avons vu ci-dessus.
• Toute partie d’un ensemble dénombrable est elle-même finie ou dénombrable.
• La réunion d’une famille finie ou dénombrable d’ensembles eux-mêmes finis ou
dénombrables est un ensemble fini ou dénombrable.
• Si A n’est ni fini, ni dénombrable, il en est de même de A\B, pour tout B ⊂ A
qui est fini ou dénombrable.
2.4.4 Quelques résultats utiles sur les séries
Nous rappelons les résultats essentiels sur les séries, qui seront d’usage constant dans
l’étude des variables aléatoires sur un espace dénombrable.
Soit (un )n≥1 une suite numérique, et Sn = u1 + · · · + un , n ≥ 1, la suite des
sommes partielles.
2. Il n’existe pas de bijection entre N dans P(N). En effet, pour toute fonction f : N −→ P(N),
E = {n ∈ N : n ∈ / f (n)} n’a pas d’antécédent : si f (n0 ) = E, alors soit n0 ∈ E et donc n0 6∈ f (n0 ) =
E, contradiction, soit n0 6∈ E et donc n0 ∈ f (n0 ) = E, encore une contradiction !
2.4 – Rappels et compléments 39
P
S1 La série
P n un est dite convergente si Sn converge vers une limite finie S, notée
aussi S = n un . C’est la “somme” de la série.
P
S2 Si la série n un converge, la suite (unP )n≥1 tend vers 0. La réciproque est
fausse : on peut avoir un → 0 sans que la série n un converge (Prendre par exemple
un = n1 ).
P P
S3 La série n un est dite absolument convergente si la série n |un | converge.
S4 Si un ≥ 0 pour tout n, alors la suite Sn est croissante,P donc elle tend toujours
vers une limite S éventuellement infinie. On écrit encore S = n un , bien que la série
converge au sens de (S1) si et seulement si S < ∞.
En général l’ordre dans lequel on considère les termes d’une série est important.
Il existe en effet de nombreuxPexemples de suitesP(un )n≥1 et de bijections v de N∗
dans lui-même pour lesquels n un converge et n uv(n) diverge, ou converge vers
une somme différente. Cela étant, il existe deux cas importants où l’ordre des termes
n’a pas d’importance :
P
S5 Si un ≥ 0 pour tout n, la somme n un ne change pas si l’on change l’ordre
de sommation. Rappelons rapidement la démonstration de cette propriété, qui est
fondamentale pour les probabilités : soit v une bijection de N∗ dans lui-même, Sn =
u1 +. . .+un et Sn0 = uv(1) +. . .+uv(n) ; les suites (Sn ) et (Sn0 ) sont croissantes. Notons
S et S 0 leur limites respectives (dans R+ ∪ {+∞}). Pour tout n il existe un entier
m(n) tel que v(i) ≤ m(n) dès que i ≤ n. Comme ui ≥ 0, clairement Sn0 ≤ Sm(n) ≤ S
et donc en passant à la limite nous obtenons S 0 ≤ S. Nous montrons de même que
S ≤ S 0 , et donc S = S 0 .
S6 Lorsque les un sont des réels de signe quelconque et que la série est absolument
convergente, nous pouvons modifier de manière arbitraire l’ordre des termes sans
changer la propriété d’être absolument convergente, ni la somme de la série.
S7 Si un ≥ 0, il est possible de “sommer par paquets”. Cela signifie la chose
suivante : soitP(Ai )i∈I une partition finie ou dénombrable de N∗ . Pour chaque i ∈ I,
posons vi = n∈Ai un . Si Ai est fini, c’est une somme ordinaire P ; sinonPvi est elle-
même la somme d’une série à termes positifs. Nous avons alors n un = i∈I vi , qui
est de nouveau la somme d’une série à termes positifs si I = N∗ . La démonstration
de ce résultat est analogue à celle de (S5) ci-dessus.
P
S8 Si la série n un est absolument convergente, la propriété (S7) est encore vraie.
S9 Théorème de Fubini pour Ples séries. Soit (amn )m,n∈N une série
P double
P telle
que
P P la série de terme général m |amn | converge. Alors les séries n m a mn et
m n amn sont convergentes et de même somme.
40 Chapitre 2 – Espace de probabilité
2.5 Exercices sur le chapitre 2
EXERCICE 2.7
1) Parmi n personnes en présence (n ≤ 365), quelle est la probabilité pour qu’au
moins deux personnes soient nées le même jour ? (On conviendra de ne pas prendre
en compte les personnes nées le 29 février). Que vaut cette probabilité pour n = 4,
n = 16, n = 22, n = 40, n = 64 ?
2) Déterminer nmin pour que la probabilité qu’au moins deux personnes soient nées
le
√ même jour soit supérieure à 0,5. On pourra utiliser la formule de Stirling m! ∼m→∞
1
2πmm+ 2 e−m .
EXERCICE 2.8 Montrer la formule de Poincaré :
n
X X
P (∪nm=1 Am ) = (−1)k−1 pk , où pk = P(Ai1 ∩ · · · ∩ Aik ).
k=1 1≤i1 <···<ik ≤n
EXERCICE 2.9 Un facteur possède n lettres adressées à n destinataires distincts.
Il est totalement ivre et poste au hasard une lettre par boı̂te.
1) Quelle est la probabilité d’obtenir la bonne répartition ?
2) Quelle est la probabilité qu’une lettre au moins arrive à la bonne adresse ?
3) Quelle est la probabilité qu’aucune lettre n’arrive à la bonne destination ?
4) Quel est le nombre dn de manières différentes de poster les lettres de telle sorte
qu’aucune n’arrive à destination ?
EXERCICE 2.10 Soit a ∈]0, 1[. Montrer que la suite de nombres définie par pn =
(1 − a)an−1 caractérise une probabilité sur N∗ .
EXERCICE 2.11 M. et Mme Barbétipoil ont deux enfants, garçons ou filles, les
4 configurations sont équiprobables. Quelle est la probabilité que les deux enfants
Barbétipoil soient des filles,
• sans autre information,
• sachant que l’aı̂née est une fille,
• sachant que l’un des deux enfants est une fille.
EXERCICE 2.12 Modèle de Hardy-Weinberg. Les caractères héréditaires dans cer-
tains organismes, tels que les humains, sont portés par des paires de gènes. Dans le
cas le plus simple, chaque gène peut prendre deux formes appelées allèles, A et a. Ces
allèles se trouvent dans une population parentale avec les proportions p et q. Comme
Aa et aA ne sont pas discernables, il y a 3 génotypes possibles, AA, aa, Aa. Nous sup-
poserons que la reproduction peut avoir lieu entre deux individus quelconques de la
2.5 – Exercices sur le chapitre 2 41
population, indépendamment des gènes considérés. Chaque parent transmet un gène
de son génotype de façon équiprobable, les deux gènes ainsi obtenus constituant le
génotype du descendant.
Calculer la probabilité des différents génotypes dans la génération suivante. Montrer
que la proportion de chacun des allèles reste la même dans la deuxième génération.
EXERCICE 2.13 L’hémophilie est transmise par la mère. La reine porte le gène
de l’hémophilie avec une probabilité de 0,5. Si elle est porteuse, chaque prince aura
une chance sur deux de souffrir de cette maladie. La reine a eu 3 fils non hémophiles.
Quelle est la probabilité qu’elle soit porteuse du gène ? S’il naı̂t un quatrième prince,
avec quelle probabilité sera-t-il hémophile ?
EXERCICE 2.14 Le jeu des 3 portes est un jeu télévisé populaire (Let’s make a
deal) diffusé dans les années 70 aux USA. Trois portes A, B, C sont fermées. Derrière
l’une d’elle il y a une Ferrari, derrière les autres une chèvre.
• Le joueur choisit une porte, disons A.
• Le présentateur, qui sait où se trouve la voiture, l’informe alors qu’elle n’est
pas derrière la porte B et lui offre la possibilité de réviser son choix (i.e. de
choisir la porte C).
Le joueur a-t-il intérêt à réviser son choix ?
EXERCICE 2.15 Un problème simple de démographie. Soit a ∈]0, 1[. Soit pk , la
probabilité qu’une famille ait k enfants. Nous supposons que
p0 = p1 = a ; pk = (1 − 2a)2−(k−1) , ∀k ≥ 2,
et que P(Fille) = P(Garçon) = 21 .
On pose : En : “la famille a n enfants”, Fn : “n filles”, Gn : “n garçons”.
1) Donner la probabilité qu’une famille ayant deux filles aient deux enfants seulement ?
2) Doner la probabilité qu’une famille ait deux garçons sachant qu’elle a deux filles ?
EXERCICE 2.16 On jette indéfiniment une pièce de monnaie, la probabilité d’ap-
parition d’un Face étant égale à p. Soit Ak , pour k entier, l’événement selon le-
quel au moins ”k Faces” consécutifs apparaissent au cours des lancers numérotés 2k ,
2k + 1, . . . , 2k+1 − 1.
1 1
Montrer que P(lim supk Ak ) vaut 0 ou 1 selon que p < 2 ou que p ≥ 2. Comment
interprétez-vous ce résultat ?
EXERCICE 2.17 Montrer qu’il n’existe pas de probabilité P sur (N, P(N)) telle
que P(kN) = k1 pour tout entier strictement positif k, où kN désigne l’ensemble des
entiers multiples de k.
Chapitre 3
Variables aléatoires sur un
espace fini ou dénombrable
I have deeply regretted that I did not proceed at least to understand something of
the great leading principles of mathematics ; for men thus endowed seem to have an
extra sense.
Charles Darwin, Uses and abuses of Mathematics in Biology
Dans ce chapitre et le suivant, nous allons introduire la notion de variable aléatoire
et en développer une étude plus systématique. La grande nouveauté va être de com-
prendre que ce n’est pas la variable aléatoire en tant que fonction précise de l’aléa qui
nous intéresse, mais sa loi, c’est-à-dire la description de son “comportement probable”.
Dans tout ce chapitre, l’espace fondamental Ω est fini ou dénombrable.
3.1 Variables aléatoires discrètes
Soit (Ω, A, P) un espace de probabilité fini ou dénombrable muni de la tribu A =
P(Ω). Toute application X définie sur Ω :
X : Ω −→ X
est appelée variable aléatoire (v.a.). Comme Ω est fini ou dénombrable, l’ensemble
d’arrivée (quitte à le remplacer par X(Ω) sans perte de généralité) est fini ou
dénombrable et de la forme X = {xi , i ∈ I}, pour un certain sous-ensemble I ⊂ N.
43
44 Chapitre 3 – Espace fini ou dénombrable
Attention, cette définition de v.a. n’est valable que dans le cadre d’un espace Ω fini
ou dénombrable. On donnera une définition générale de v.a. dans le cas d’un espace
arbitraire dans le chapitre suivant.
La loi d’une variable aléatoire X est définie par la probabilité induite sur X ,
muni de la tribu P(X ), et le résultat suivant est une conséquence immédiate de la
proposition 2.16.
Proposition 3.1 La loi d’une v.a. X à valeurs dans un espace au plus dénombrable
X est caractérisée par
(xi , pX
i ), xi ∈ X ,
X
P
avec pi = PX ({xi }) = P({ω, X(ω) = xi }) = P(X = xi ) = ω: X(ω)=xi pω .
Exemple 3.2 Une v.a. de loi uniforme sur {1, . . . , n} a pour loi {(k, n1 )}1≤k≤n .
La représentation graphique d’une loi de variable discrète en utilisant un dia-
gramme “en bâtons” est très parlante. Les valeurs xi sont placées en abscisse et les
images pX
i en ordonnée, comme dans la figure 3.1.
Exemple 3.3 Considérons le lancer d’un dé. L’espace fondamental est Ω =
{1, . . . , 6} muni de la probabilité uniforme. Le résultat du lancer d’un dé est la variable
aléatoire X(ω) = ω, à valeurs dans X = {1, . . . , 6}, et on a donc :
1 1 1
pX
1 = , pX2 = , ..., pX
6 = ·
6 6 6
On représente cette loi par un diagramme en bâtons sur la figure 3.1a.
Exemple 3.4 Considérons le lancer de deux dés. L’espace fondamental est Ω =
{1, . . . , 6}2 muni de la probabilité uniforme. Le résultat total est la somme des deux
lancers, S(ω) = ω1 + ω2 , où ω = (ω1 , ω2 ). Cette v.a. prend ses valeurs dans l’en-
semble des entiers X = {2, . . . , 12}, et on obtient par des opérations de dénombrement
élémentaires :
1 2 6
pS2 = , pS3 = , ..., pS7 = ,
36 36 36
5 2 1
pS8 = , ..., pS11 = , pS 12 = ·
36 36 36
On représente cette loi par un diagramme en bâtons sur la figure 3.1b.
La représentation graphique ne donne pas d’information quantitative sur la loi.
Dans les paragraphes suivants, nous allons définir des nombres réels qui vont résumer
en un certain sens le comportement de la variable aléatoire.
