Abderrazak Chakor 6 février 2024 Variables aléatoires sur un espace probabilisé fini Notes

Chapitre Variables aléatoires sur un espace probabilisé fini

Dans toute la suite, soit (Ω, P(Ω), P ) un espace probabilisé fini

I - Variables aléatoires :

Définition 1.1
Toute application X : Ω → Rk est dite une variable aléatoire( v.a) sur l’espace
probabilisé (Ω, P(Ω), P )

Remarques 1.1

Si k = 1 on parle de variable aléatoire réelle ( v.a.r)

Propriétés 1.1

3 Si X une variable aléatoire réelle sur l’espace probabilisé (Ω, P(Ω), P )

∀A ⊂ R, l’ensemble X −1 (A) = {ω ∈ Ω/X(ω) ∈ A} se note aussi (X ∈ A) et on a

Théorème 1.1
Si X1 , . . . , Xn sont des variables aléatoires réelles sur l’espace probabilisé fini
(Ω, P(Ω), P )
et f : Rn → R une application définie sur X1 (Ω) × ... × Xn (Ω) alors l’application
f (X1 , . . . , Xn ) : Ω −→ R est une variable aléatoire réelle
ω 7−→ f (X1 (ω), . . . , Xn (ω))
sur (Ω, P(Ω), P )

Corollaire 1.1
Si X1 , . . . , Xn sont des variables aléatoires réelles sur l’espace probabilisé fini
(Ω, P(Ω), P ) et λ1 , . . . , λn ∈ R
alors λ1 X1 +· · ·+λn Xn , X1 X2 ...Xn , max(X1 , . . . , Xn ) et min(X1 , . . . , Xn ) sont
des variables aléatoires sur (Ω, P(Ω), P )
II - Lois de variables aléatoires :
2. 1. Généralités
Notations : On note I(R) l’ensemble des intervalles de R.
Si (X1 , . . . , Xn ) une famille de variables aléatoires sur l’espace probabilisé fini
(Ω, P(Ω), P ) et (J1 , ..., Jn ) ∈ I(R)
n
\
L’événement (Xi ∈ Ji ) se note aussi (X1 ∈ J1 , . . . , Xn ∈ Jn )
k=1

Définition 2.1
— Soit X un variable aléatoire réelle sur l’espace probabilisé fini (Ω, P(Ω), P ).
On appelle loi de X l’application de I(R) vers [0, 1] qui à tout intervalle J de R
associe le nombre P (X ∈ J).
— Soit (X1 , . . . , Xn ) une famille finie de variables aléatoires sur l’espace probabi-
lisé (Ω, T, P ).
On appelle loi de la famille (X1 , . . . , Xn ) l’application de I(R)n vers [0, 1]
qui à tout produit cartésien J1 × · · · × Jn d’intervalles de R associe
P (X1 ∈ J1 , . . . , Xn ∈ Jn ).

1
Abderrazak Chakor 6 février 2024 Variables aléatoires sur un espace probabilisé fini Notes

Proposition 2.1

Soit X une variable aléatoire sur l’espace probabilisé fini (Ω, P(Ω), P )
— La loi de X est caractérisée par la donnée de D = X(Ω) et de l’application
a ∈ D 7→ P (X = a) = PX ({a}). X
Ainsi ∀A ⊂ D, P (X ∈ A) = P (X = a) = PX (A)
a∈A
l’application PX : A 7→ P (X ∈ A) s’appelle la probabilité image de X
— Si f est une fonction définie sur D et Y = f (X) alors Y (Ω) = f (D)
la loi de Y est donnée par
∀B ⊂ f (D); PY (B) = P (Y ∈ B) = PX (f −1 (B))
2. 2. Exemples classiques de lois discrètes
Soit X une variable aléatoire discrète sur l’espace probabilisé fini (Ω, P(Ω), P )

Définition 2.2 Loi uniforme On dit que X suit la loi

uniforme de paramètre n ∈ N∗ si X prend ses valeurs dans {1, . . . , n}
1
et que ∀k ∈ {1, . . . , n}, P (X = k) = . On note X ,→ U(n).
n
Exemple 2.1

Jeu de dé : on lance un dé équilibré .Si X la valeur obtenue alors X ,→ U(6).

C’est le cas de toute épreuve dont les résultats sont en nombre fini et équiprobables

Définition 2.3 Loi de Bernoulli On dit que X suit la

loi de Bernoulli de paramètre p ∈ [0, 1] si X prend deux valeurs 1
(succès) et 0 (échec) avec P (X = 1) = p et P (X = 0) = 1 − p
On note X ,→ B(p)

Exemple 2.2

Jeu de pile ou face, on lance une pièce et soit X égale à 1 si on obtient pile et 0 si c’est face,
alors X ,→ B(p) où p est la probabilité d’obtenir pile.
C’est le cas de toute épreuve ayant deux issues :succés,échec

Définition 2.4 Loi binomiale On dit que X suit la loi de

binomiale de paramètres n ∈ N , p ∈ [0, 1] si X prend les valeurs
0, 1, 2, . . . , n
tel que ∀k ∈ {0, 1, . . . , n}, P (X = k) = Cnk pk (1 − p)n−k . On note X ,→
B(n, p).
Il s’agit de répéter l’épreuve de Bernoulli ayant deux is-
sues :sucé,échec n fois sous les mêmes conditions.
Exemple 2.3

Jeu de pile ou face fini, on lance une pièce n fois et soit X le nombre de fois qu’on obtient
pile, alors X ,→ B(n, p) où p est la probabilité d’obtenir pile
III - Fonction de répartition d’une variable aléatoire réelle :

Définition 3.1
Soit X une variable aléatoire réelle sur l’espace probabilisé fini (Ω, P(Ω), P ). On appelle
fonction de répartition de X l’application, FX : R −→ R
t 7−→ FX (t) = P (X ≤ t)

Remarques 3.1

Soit X une variable aléatoire réelle sur l’espace probabilisé fini (Ω, P(Ω), P ). Alors :
— FX est croissante sur R.
— lim FX (t) = 0
t→−∞
— lim FX (t) = 1.
t→+∞
— ∀t ∈ R lim+ FX (u) = FX (t).
u→t
Ainsi FX est continue à droite en tout point de R

2
Abderrazak Chakor 6 février 2024 Variables aléatoires sur un espace probabilisé fini Notes

Exercice 3.1
Tracer FX pour X ,→ U(3)

Exercice 3.2 Loi du plus grand numéro tiré ,Loi du plus

petit numéro tiré
Une urne contient n boules numérotées de 1 à n (n ≥ 2) . On en tire
deux au hasard . Soit X la variable aléatoire égale au plus grand
numéro tiré.
1. Calculer la probabilité pour k ∈ [[1, n]],P ([X ≤ k]) .
2. En déduire la loi de la variable aléatoire X
3. Mêmes questions pour Y la variable aléatoire égale au plus
petit numéro tiré.
Exercice 3.3
Refaire l’exercice précédent quand les deux boules sont tirées une par une
1. sans remise puis
2. avec remise
IV - Variables aléatoires indépendantes :
4. 1. Généralités

Définition 4.1
Une famille (Xj )j∈J de variables aléatoires réelles sur l’espace probabilisé fini
(Ω, P(Ω), P ) est dite indépendante ou mutuellement indépendante si, pour toute fa-
mille (Ij )j∈J ) d’intervalles de R,
la famille ((Xj ∈ Ij ))j∈J des événements de P(Ω) est indépendante

Exemple 4.1 Jeu Pile-Face répété (ou infini)

La suite (Xj )j∈N∗ de variables aléatoires réelles ,où Xj est le résultat
du j ieme lancer ,est indépendante
Exercice 4.1
Soient X, Y de variable aléatoires réelles indépendantes sur l’espace probabilisé fini
(Ω, P(Ω), P ).
1. Loi de M = sup(X, Y ) : Soit t ∈ R,
Montrer que FM (t) = FX (t)FY (t).
2. Loi de m = min(X, Y ) : Soit t ∈ R,
Montrer que P (m > t) = (1 − FX (t))(1 − FY (t))
3. Déduire que Fm (t) = 1 − (1 − FX (t))(1 − FY (t)).

Proposition 4.1 Indépendance héritée

Soit (Xi )1≤i≤n une famille indépendante de variables aléatoires
réelles sur l’espace probabilisé fini (Ω, P(Ω), P ).
Si n0 , n1 , . . . , nk ∈ N tels que 0 = n0 < n1 < · · · < nk−1 < nk = n et
∀i ∈ {1, . . . k}, fi : Rni −ni−1 → R est une fonction alors la famille des
v.a.r
(Y1 , Y2 , ..., Yk ) = (f1 (X1 , . . . , Xn1 ), f2 (Xn1 +1 , . . . , Xn2 ), . . . , fk (Xnk−1 +1 , . . . , Xnk ))
est indépendante
Exemple 4.2

— Si (X1 , X2 , X3 , X4 , X5 ) est une famille indépendante de v.a.r alors la famille

(X12 , X2 + X3 , X4 X5 ) est indépendante.
— Si R et θ sont deux v.a.r indépendantes alors les variables R2 et cos(θ) sont
indépendantes.
— Si (X1 , . . . , Xn+1 ) est une famille indépendante de v.a.r alors les
X1 + · · · + Xn
et Xn+1 sont indépendantes.
n

3
Abderrazak Chakor 6 février 2024 Variables aléatoires sur un espace probabilisé fini Notes
4. 2. Loi conditionnelle d’une variable aléatoire :

Définition 4.2
Soit X une variable aléatoire réelles et A un événement non négligeable sur l’espace pro-
babilisé fini (Ω, P(Ω), P ).
On a appelle loi conditionnelle de X sachant l’événement non négligeable A, l’applica-
tion de I(R) vers R qui à tout intervalle J de R associe
P ((X ∈ J) ∩ A)
le nombre P ((X ∈ J)|A) = . On la note (PA )X
P (A)
Remarque 4.1
1 Quand (X, Y ) est un couple de variables aléatoires réelles discrètes on conditionne
généralement par A = (Y = y)/y ∈ Y (Ω) quand il est non négligeable
4. 3. Loi de la somme de deux variables aléatoires indépen-
dantes :

Proposition 4.2

Soit (X1 , X2 ) un couple de variables aléatoires réelles indépendantes sur l’espace pro-
babilisé fini (Ω, P(Ω), P ) dont les lois sont d’ensembles de valeurs possibles D1 et D2 .
Alors :
— L’ensemble des valeurs possibles de S = X1 + X2 est
D = {u + v/(u, v) ∈ D1 × D2 }.
— ∀s ∈ D,
X X
P (S = s) = P (X1 = u)P (X2 = s−u) = P (X1 = s−v)P (X2 = v)
u∈D1 v∈D2

.
Cette dernière formule s’appelle la convolution discrète des lois de X1 et
X2 .
Proposition 4.3 Stabilité de la loi Binomiale
Si X ,→ B(n, p), Y ,→ B(m, p) sont indépendantes
alors S = X + Y ,→ B(n + m, p)

Corollaire 4.1 Somme finie de de même paramètre p

Si X1 , X2 , ..., Xn ,→ B(1, p)(loi de Bernoulli) indépendantes
Pn
alors S = Xi ,→ B(n, p)
i=1

V - Espérance, moments :
5. 1. Espérance :

Définition 5.1
Si X est une var sur un espace probabilisé fini (Ω, P(Ω), P ) alors son espérance est
P
donnée par E(X) = xP (X = x)
x∈X(Ω)
5. 2. Espérance de variables aléatoires réelles discrètes de
lois usuelles :
n+1
— Loi uniforme : Si X ,→ U(n) alors :E(X) = en effet
2
n n
Xk
X n+1
E(X) = kP (X = k) = =
n 2
k=1 k=1

— Loi de Bernoulli :
Si X ,→ B(p) alors :

E(X) = 1.P (X = 1) + 0.P (X = 0) = p

4
Abderrazak Chakor 6 février 2024 Variables aléatoires sur un espace probabilisé fini Notes
— Loi de binomiale :
Si X ,→ B(n, p) alors :E(X) = np en effet si q = 1 − p

n
X n
X n
X
k−1 k n−k
E(X) = kP (X = k) = kCnk pk q n−k = nCn−1 p q
k=0 k=0 k=1
n
X n−1
X
k−1 k−1 n−k k
= np Cn−1 p q = np Cn−1 pk q n−1−k = np(p + q)n−1 = np
k=1 k=0

Théorème 5.1 de transfert

Soit X une variable aléatoire réelle sur l’espace probabilisé fini
(Ω, P(Ω), P ) et une application g : X(Ω) → R X
Si X(Ω) = D Y = g(X) a pour espérance E(Y ) = g(k)P (X = k)
k∈D

Théorème 5.2 de transfert à deux variables discrètes

Soit (X, Y ) un couple de variables aléatoires réelles sur l’espace
probabilisé fini (Ω, P(Ω), P )
et une application g : (X, Y )(Ω) → R ; D = (X, Y )(Ω) qui est fini
En posant pour (i, j) ∈ D , pi,j = P (X = i, Y = j)
Loi du couple (X, Y ) (dite loi conjointe) est donnée par
{ ((i, j), pi,j )/(i, j) ∈ D } ;
la v.a.r Z =X g(X, Y ) admet une espérance donnée
par E(Z) = g(i, j)P (X = i, Y = j)
i,j

Propriétés 5.1

Soient X et Y deux variables aléatoires réelles sur l’espace probabilisé fin (Ω, P(Ω), P ).
— Linéarité : ∀α, β ∈ R, αX + βY possède une espérance et on a E(αX + βY ) =
αE(X) + βE(Y ).
— Positivité : Si X est positive alors E(X) ≥ 0.
— Croissance : Si X ≤ Y alors E(X) ≤ E(Y )
— Inégalité triangulaire : E(|X + Y |) ≤ E(|X|) + E(|Y |).
— Produit : Si X et Y sont indépendants alors E(XY ) = E(X)E(Y ).
Preuve: P
E(X + Y ) = (u + v)P (X = u, Y = v)
u,v
P P
= uP (X = u, Y = v) + vP (X = u, Y = v)
u,v u,v
P P
= uP (X = u) + vP (Y = v) = E(X) + E(Y )
u v

Remarque 5.1

Soit X une variable aléatoire réelle sur l’espace probabilisé fini (Ω, P(Ω), P ) .
— Si E(X) = 0 alors, on dit que la X est centrée.
— La variable aléatoire Y = X −E(X) qui est d’espérance nulle s’appelle la variable
aléatoire centrée associée à X .
5. 3. Moments, variance, écart-type et covariance :

Définition 5.2
Soit X une variable aléatoire réelle sur l’espace probabilisé fini (Ω, P(Ω), P ) et k ∈ N∗ .
L’espérance de la variable aléatoire X k s’appelle le moment d’ordre k de X

5
Abderrazak Chakor 6 février 2024 Variables aléatoires sur un espace probabilisé fini Notes

Définition 5.3
Soit X une variable aléatoire réelle sur l’espace probabilisé fini (Ω, P(Ω), P ).
— Variance de X la quantité V (X) = E((X − E(X))2 ).
p
— Ecart-type de X la quantité σ(X) = V (X).
Vocabulaire : Soit X une variable aléatoire réelle sur l’espace probabilisé
(Ω, P(Ω), P ) qui admet un moment d’ordre 2.
— Si E(X) = 0 alors on dit que la variable X est centrée.
— Si V (X) = 1 alors on dit que la variable X est réduite.
X − E(X)
— Si σ(X) > 0 alors la variable aléatoire Y = s’appelle la variable
σ(X)
aléatoire centrée réduite associée à X car E(Y ) = 0 et V (Y ) = 1.

Propriétés 5.2

Soit X une variable aléatoire réelle sur l’espace probabilisé fini (Ω, P(ω), P )
— V (X) = E((X − E(X))2 ) ≥ 0
— V (X) = 0 ⇐⇒ X = E(X) P presque sur
— V (X) = E(X 2 ) − E(X)2 .
— ∀α ∈ R, V (X + α) = V (X).
— ∀α ∈ R, V (αX) = α2 V (X).

Remarques 5.1
pratiques
1. V (X) = E(X(X − 1)) + E(X) − E(X)2 .
2. V (X) = E(X(X + 1)) − E(X) − E(X)2

Proposition 5.1 2 Inégalité de Cauchy-Schwarz

Si X et Y deux variables aléatoires réelles sur l’espace probabilisé fini (Ω, P(ω), P ) alors

E(XY )2 ≤ E(X 2 )E(Y 2 )

Preuve:
Pour λ réel P (λ) = E((λX + Y )2 )) = λ2 E(X 2 ) + E(Y 2 ) + 2λE(XY ) ≥ 0
Ind : discriminant négatif quand il a un sens
d’où le résultat
Définition 5.4
Soient X et Y deux variables aléatoires réelles sur l’espace probabilisé fini (Ω, P(Ω), P ).
Si X et Y possèdent un moment d’ordre 2, alors la quantité
Cov(X, Y ) = E((X − E(X))(Y − E(Y ))) s’appelle la covariance du couple
(X, Y )

Proposition 5.2

Soient X et Y deux variables aléatoires réelles sur l’espace probabilisé fini (Ω, P(ω), P )
.
— Cov(X, Y ) = E(XY ) − E(X)E(Y ).
— V (X + Y ) = V (X) + V (Y ) + 2Cov(X, Y ).
— Si X et Y sont indépendants alors Cov(X, Y ) = 0. La réciproque est fausse.
— Si X et Y sont indépendants alors V (X + Y ) = V (X) + V (Y ).

Définition 5.5
Soient X et Y deux variables aléatoires réelles sur l’espace probabilisé fin (Ω, P(Ω), P ).
Si V (X)V (Y ) ̸= 0 alors on appelle coefficient de corrélation linéaire du
Cov(X, Y )
couple (X, Y ) la quantité ρ(X, Y ) =
σ(X)σ(Y )

6
Abderrazak Chakor 6 février 2024 Variables aléatoires sur un espace probabilisé fini Notes

Propriétés 5.3

Soient X et Y deux variables aléatoires réelles sur l’espace probabilisé fini (Ω, P(Ω), P ).
— Si X et Y sont indépendants alors ρ(X, Y ) = 0. La réciproque est fausse(Voir
exercice).
— −1 ≤ ρ(X, Y ) ≤ 1
— ρ(X, Y ) = 1 ⇐⇒ ∃α > 0, Y − E(Y ) = α(X − E(X)) P presque sûr.
— ρ(X, Y ) = −1 ⇐⇒ ∃α < 0, Y − E(Y ) = α(X − E(X)). P presque
sûr.
Interprétation :
Soient X et Y deux variables aléatoires réelles sur l’espace probabilisé fini (Ω, P(Ω), P )
— Si ρ(X, Y ) ≃ 1 alors il y a une dépendance linéaire positive forte entre X et Y
— ρ(X, Y ) ≃ −1 alors il y a une dépendance linéaire négative forte entre X et Y
— ρ(X, Y ) ≃ 0 alors il y a une indépendance linéaire

Exercice 5.1 Coefficient de corrélation et indépendance

Soit X et Y deux variables de Bernoulli indépendantes et de même
paramètre p ∈]0, 1[ .
Soit U = X + Y, V = X − Y . Déterminer :
1. La loi du couple (U, V )
2. Le coefficient de corrélation ρ(U, V )
3. U et V sont-elles indépendantes ? Conclure ?
VI - Inégalités :

Proposition 6.1 Inégalité de Markov

Si X est une variable aléatoire réelle positive sur l’espace probabi-
lisé fini (Ω, P(Ω), P )
E(X)
alors pour tout ε > 0, P (X ≥ ε) ≤ .
ε
E(|X|)
Ou encore pour tout ε > 0, P (|X| ≥ ε) ≤
ε
Preuve: Cas discret : X positive donc X prend ses valeurs dans un ensemble au
plus dénombrable D ⊂ [0, +∞[
X X X
E(X) = tP (X = t) ≥ tP (X = t) ≥ ε P (X = t) = εP (X ≥
t∈D t∈D/t≥ε t∈D/t≥ε
ε)
E(X)
d’où P (X ≥ ε) ≤
ε
Proposition 6.2 Inégalité de Benyamé-Tchebychev
Si X est une variable aléatoire réelle positive sur l’espace probabi-
lisé fini (Ω, P(Ω), P )
V (X)
alors pour tout ε > 0, P (|X − E(X)| ≥ ε) ≤ .
ε2
Preuve:
∀ε > 0,

E((X − E(X))2 ) V (X)

P (|X − E(X)| ≥ ε) = P ((X − E(X))2 ≥ ε2 ) ≤ =
ε2 ε2
Remarque 6.1

On voit que la variance permet de contrôler l’écart entre X et sa valeur moyenne E(X)