Intégration et probabilités

(cours + exercices corrigés)

L3 MASS, Université Nice Sophia Antipolis
version 2021

Sylvain Rubenthaler
Table des matières

Introduction iii

1 Dénombrement (rappels) 1
1.1 Ensembles dénombrables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1 Énoncés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.2 Corrigés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2 Théorie de la mesure 5
2.1 Tribus et mesures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.1 Tribus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Mesures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3 Intégrales des fonctions étagées mesurables positives. . . . . . . . . . . . . . . 9
2.4 Fonctions mesurables et intégrales . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4.1 Intégrales des fonctions mesurables positives . . . . . . . . . . . . . . . 10
2.4.2 Intégrales des fonctions mesurables de signe quelconque. . . . . . . . . 11
2.5 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.6.1 Énoncés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.6.2 Corrigés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

3 Ensembles négligeables 17

4 Théorèmes limites 21
4.1 Stabilité de la mesurabilité par passage à la limite. . . . . . . . . . . . . . . . 21
4.2 Théorèmes de convergence pour les intégrales. . . . . . . . . . . . . . . . . . . 22
4.3 Intégrales dépendant d’un paramètre . . . . . . . . . . . . . . . . . . . . . . . 25
4.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.4.1 Énoncés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.4.2 Corrigés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

5 Mesure produit et théorèmes de Fubini 33

5.1 Théorèmes de Fubini et Fubini-Tonelli . . . . . . . . . . . . . . . . . . . . . . 33
5.2 Changement de variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
5.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5.3.1 Énoncés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5.3.2 Corrigés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

6 Fondements de la théorie des probabilités 41

6.1 Définitions générales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
6.2 Espérance d’une v.a. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
6.3 Inégalités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
6.4 Lois classiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
6.4.1 Lois discrètes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
6.4.2 Lois continues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
6.5 Fonctions caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
6.6 Fonctions génératrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

i
 6.7 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
6.7.1 Énoncés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
6.7.2 Corrigés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

7 Variables indépendantes 59
7.1 Définitions générales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
7.1.1 Événements et variables indépendantes . . . . . . . . . . . . . . . . . 59
7.1.2 Densités de variables indépendantes . . . . . . . . . . . . . . . . . . . 60
7.2 Lemme de Borel-Cantelli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
7.3 Somme de deux variables indépendantes . . . . . . . . . . . . . . . . . . . . . 62
7.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
7.4.1 Énoncés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
7.4.2 Corrigés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

8 Convergence de variables aléatoires 71

8.1 Les différentes notions de convergence . . . . . . . . . . . . . . . . . . . . . . 71
8.2 Loi des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
8.3 Théorème central-limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
8.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
8.4.1 Énoncés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
8.4.2 Corrigés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

9 Conditionnement 83
9.1 Conditionnement discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
9.2 Espérance conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
9.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
9.3.1 Énoncés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
9.3.2 Corrigés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86

10 Variables gaussiennes 89
10.1 Définitions et propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
10.2 Gaussiennes et espérance conditionnelle . . . . . . . . . . . . . . . . . . . . . 90

A Table de la loi normale 93

Introduction

Le but de ce cours est d’introduire les notions de théorie de la mesure qui seront utiles
en calcul des probabilités et en analyse. Il est destiné aux étudiants qui veulent poursuivre
leurs études dans un master à composante mathématique. Pour un cours plus complet, se
reporter à la bibliographie.
Informations utiles (partiels, barêmes, annales, corrigés, . . .) :
[Link]
PRÉREQUIS : Pour pouvoir suivre ce cours, l’étudiant doit connaı̂tre, entre autres, les
développements limités, les équivalents, les études de fonction, le dénombrement, les nombre
complexes, la théorie des ensembles., les intégrales et primitives usuelles, la trigonométrie,
etc.
Nouveautés 2019 : corrections apportées par Laure Helme-Guizon (Teaching Fellow,
UNSW, Sydney, Australia) et Antoine Mal. Un grand merci à eux.

iii
Chapitre 6

Fondements de la théorie des

probabilités

6.1 Définitions générales

Définition 6.1.1. On appelle espace probabilisé un espace mesuré (Ω, A, P) où la mesure P
est telle que P(Ω) = 1. On dit alors que P est une mesure de probabilité (et c’est pour cela
qu’on la note P). Les éléments de A sont appelés événements.
Définition 6.1.2. On appelle variable aléatoire toute application mesurable X d’un espace
probabilisé (Ω, A, P) dans un espace mesurable (E, E). On dit alors que X est à valeurs dans
E.
On notera v.a. pour  variable aléatoire et v.a.r. pour  variable aléatoire réelle (va-
riable aléatoire à valeurs dans R).
Dans toute la suite du chapitre, si on ne précise rien, (Ω, A, P) sera un espace probabilisé.
Exemple 6.1.3. Soit Ω = {1, 2, . . . , 6} × {1, 2, . . . , 6} muni de la tribu P(Ω) et de la mesure
1
P telle que P((i, j)) = 36 , ∀(i, j) ∈ Ω. La mesure P est une mesure de probabilité car
card(Ω) = 36. L’ensemble Ω est l’ensemble des combinaisons que l’on peut obtenir en jetant
un dé deux fois ( ensemble de tous les possibles ). La quantité P(3, 2) = 1/36 est la
probabilité d’obtenir 3 puis 2. C’est du moins une modélisation raisonnable de ce qui se
passe quand on jette un dé deux fois. Nous pouvons calculer diverses quantités en utilisant
la propriété 3 de la définition d’une mesure (déf. 2.2.2) :
— P({(1, 1), (2, 2)}) = 2/36 = 1/18 est la probabilité d’avoir (1 puis 1) ou (2 puis 2)
— P({(1, 1), (1, 2), . . . , (1, 6)}) = 6 × 1/36 = 1/6 est la probabilité d’avoir 1 au premier
tirage .
Introduisons deux variables aléatoires

X : (i, j) ∈ Ω 7→ i ∈ R , Y : (i, j) ∈ Ω 7→ i + j ∈ R .

La variable X est le résultat du premier tirage et Y est la somme des deux tirages. Remar-
quons aussi une variable aléatoire triviale

Z : (i, j) ∈ Ω 7→ (i, j) ∈ Ω .

Définition 6.1.4. Soit X : Ω → (E, E) une variable aléatoire. On appelle loi de X la mesure
PX sur (E, E) définie par

PX (A) = P({ω ∈ Ω : X(ω) ∈ A})

= P(X −1 (A)).

(On rappelle que, par définition, {ω ∈ Ω : X(ω) ∈ A} = X −1 (A).) On notera PX (A) =

P(X ∈ A). C’est un abus de notation très courant.
Remarque 6.1.5. La mesure PX est la mesure image de P par X (cf. prop. 2.4.3).
La mesure PX est une mesure de probabilité.

41
42 CHAPITRE 6. FONDEMENTS DE LA THÉORIE DES PROBABILITÉS

Exemple 6.1.6. Reprenons l’exemple précédent. Nous pouvons décrire complètement la loi
de Y (toujours à l’aide de la propriété 3 de la définition 2.2.2) :
PY ({1}) = P(Y = 1) = 0
PY ({2}) = P(Y = 2) = P((i, j) = (1, 1)) = 1/36
PY ({3}) = P(Y = 3) = P({(1, 2), (2, 1)}) = 2/36
PY ({4}) = P(Y = 4) = P({(1, 3), (2, 2), (3, 1)}) = 3/36
...
Définition 6.1.7. Soit X une v.a. à valeurs dans R. On appelle fonction de répartition de
X la fonction de répartition associée à la mesure PX (cf. déf. 2.5) , c’est à dire la fonction
F : R → R+
t 7→ FX (t) = PX (] − ∞, t]) = P(X 6 t)
Le théorème suivant est une conséquence de la proposition 2.5.2.
Théorème 6.1.8. Soit X une v.a.r.. Alors
(i) FX est croissante
(ii) limt→−∞ FX (t) = 0, limt→+∞ FX (t) = 1
(iii) FX est càdlàg et limt→t0 ,t<t0 FX (t) = P(X < t0 )
FX est continue en t0 si, et seulement si, P(X = t0 ) = 0.
Définition 6.1.9. Soit X una v.a. à valeurs dans Rd . On dit que X a un densité fX : Rd →
R+ si ∀φ mesurable Rd → R,
Z
E(φ(X)) = φ(x)fX (x)dx .
Rd

Ceci implique en particulier

Z
P(X ∈ B) = fX (x)1B (x)dx .
Rd

La densité de X est la densité de PX (cf. les déf. 2.4.8, 5.1.8 de la densité d’une mesure).
Remarque 6.1.10. Si X est une v.a.r. avec une densité fX alors
Z t
FX (t) = fX (u)du .
−∞

La densité d’un variable aléatoire détermine complètement sa loi.

ParRdéfinition, une densité fX (d’une v.a. X à valeurs dans Rd ) est toujours positive et
vérifie Rd fX (x)dx = 1.
Exemple 6.1.11. Soit X une v.a.r. avec la densité fX : x ∈ R 7→ e−x 1x>0 .

Figure 6.1 – Dessin de fX .

6.1. DÉFINITIONS GÉNÉRALES 43

Calculons
Z
P(X > 1) = e−x 1x>0 1x>1 dx
R
Z +∞
= e−x dx
1
= [−e−x ]+∞
1
= e−1 .

Calculons la fonction de répartition de X. Si t < 0,

Z
P(X 6 t) = e−x 1x>0 1x6t dx = 0 .
R

Si t > 0,
Z
P(X 6 t) = e−x 1x>0 1x6t dx
R
Z t
= e−x dx
0
= 1 − e−t .

Figure 6.2 – Dessin de FX .

Exemple 6.1.12. Soit X v.a.r. de densité x 7→ 1[0,1] (x).

0 1

Figure 6.3 – Dessin de la densité de X.

R
Si t < 0, P(X 6 t) = RR 1]−∞,t] (x)1[0,1] (x)dx = R0.
Si t > 1, P(X 6 t) = R 1]−∞,t] (x)1[0,1] (x)dx = R 1[0,1] (x)dx = 1.
44 CHAPITRE 6. FONDEMENTS DE LA THÉORIE DES PROBABILITÉS

R Rt
Si t ∈ [0, 1], P(X 6 t) = R
1]−∞,t] (x)1[0,1] (x)dx = 0
1dx = t.

0 1

Figure 6.4 – Dessin de la fonction de répartition de X.

√
Exemple 6.1.13. Soit X v.a.r. de densité x 7→ 1[−1,1] (x) 1 − x2 π2 .

0 1
−1

Figure 6.5 – Dessin de la densité de X.

Si t 6 −1, P(X 6 t) = 0. Si t ∈ [−1, 1],

Z +∞ p 2
P(X 6 t) = 1]−∞,t] (x)1[−1,1] (x) 1 − x2 dx
−∞ π
Z t p
2
= 1 − x2 dx
−1 π
  p
1 t
= x 1 − x2 + arcsin(x)
π −1
1p 2
 1
= t 1 − t + arcsin(t) +
π 2

car sur [−1, 1], arcsin0 (x) = √ 1

1−x2
et arcsin(−1) = − π2 .