X

Résumé: Probabilités I (P ({ω}))ω∈Ω sommable de réels positifs tels que pω = 1.

ω∈Ω
Ω sera un ensemble abstrait, c’est-à-dire sans structure particulière. P(Ω) dé-
signe l’ensemble de tous les sous-ensembles de Ω, y compris le sous-ensemble
vide ∅. Nous noterons Ac , ou Ā, le complémentaire de la partie A de Ω. § 3. Propriétés élémentaires des probabilités.— On se fixe ici un espace pro-
......................................................................................................................................................................................................................... babilisé (Ω, A , P ).
1 E SPACES P ROBABILISÉS Propriétés 1.4
§ 1. Tribus.— C’est la partie qualitative : nous définissons la classe des parties I A ∈ A =⇒ P (Ac ) = 1 − P (A).
de Ω que nous considérerons I A, B ∈ A et A ⊂ B =⇒ P (A) 6 P (B).
I Si A ∩ B = ∅, alors P (A ∪ B) = P (A) + P (B).
Définition 1.1 (σ−algèbre, ou tribu)
I P (A ∪ B) = P (A) + P (B) − P (A ∩ B).
On appelle tribu tout ensemble A ⊂ P(Ω) vérifiant les 3 hypothèses sui- I P (A ∩ B c ) = P (A) − P (A ∩ B).
vantes :
1. A contient ∅ et Ω. Voici un analogue probabiliste du théorème de limite monotone :

2. A est stable par complémentation, i.e que si A ∈ A , alors Ac ∈ A . Proposition 1.5

3. A est stable par les réunions dénombrables et les intersections dénom- I Si (An )n∈N est une suite croissante pour l’inclusion d’événements, alors
∞
[ ∞
\
brables, i.e que si pour tout i ∈ N, Ai ∈ A , alors Ai et Ai sont [∞
!
i=1 i=1 P (An ) −−−−→ P An .
aussi dans A . n→∞
n=0
On dit alors du couple (Ω, A ) qu’il est un espace probabilisable.
I Si (An )n∈N est une suite décroissante pour l’inclusion d’événements, alors
Les éléments de A sont appelés événements.
∞
!
\
P (An ) −−−−→ P An .
n→∞
§ 2. Probabilité.— C’est la partie quantitative : on donne un poids à chaque n=0
événement.
Définition 1.2 (Probabilité) .........................................................................................................................................................................................................................
Soit (Ω, A ) un espace probabilisable. Une mesure de probabilités, ou sim- 2 P ROBABILITÉS C ONDITIONNELLES ET E SPÉRANCES
plement une probabilité est une application P : A → [0, 1] qui vérifie :
1. P (Ω) = 1. Définition 2.1 (Indépendance)
2. Pour toute suite (An )n∈N d’éléments de A qui!sont deux à deux disjoints 1. Deux événements A et B sont dits indépendants s’ils vérifient P (A ∩ B) =
∞ ∞
[ X P (A)P (B).
(i.e An ∩ Am = ∅ si n 6= m), on a : P An = P (An ).
n=1 n=1
2. Soit une famille finie ou infinie d’événements (Ai )i∈I . Ces événements
Le nombre P (A) s’appelle la probabilité de l’événement A. L’axiome 2. s’ap- sont dits indépendants, ou mutuellement indépendants, si pour toute par-
pelle la σ−additivité. tie finie J de I, on a
Le triplet (Ω, A , P ) est appelé espace probabilisé. \
!
Y
P Ai = P (Ai ).
Proposition 1.3 i∈J i∈J

Enfin, dans le cas où ω est fini ou dénombrable et A = P(Ω), se donner

une probabilité sur (Ω, A ) est équivalent à se donner une suite (pω )ω∈Ω =

Page 1/7
 .........................................................................................................................................................................................................................
: si les (Ai )i∈I sont indépendants, ils sont aussi deux à deux indépen- 3 VARIABLES A LÉATOIRES D ISCRÈTES
dants, mais la réciproque est fausse.
Définition 3.1 (Variable aléatoire discrète)
C’est la probabilité conditionnelle qui code la manière dont A dépend de B :
Une variable aléatoire discrète définie sur Ω est une application X : Ω −→ E,
Définition 2.2 (Probabilité conditionnelle) où E est un ensemble, dont l’image X(Ω) est finie ou dénombrable, et telle
Soient A et B deux événements avec P (B) > 0. La probabilité conditionnelle que pour tout x ∈ X(Ω), l’ensemble X −1 ({x}) appartienne à A .
P (A ∩ B) Lorsque E = R, on dit de X qu’elle est une variable aléatoire réelle.
de A sachant B est P (A|B) = . Si X est une variable aléatoire réelle, alors pour toute fonction f : R → R,
P (B)
l’application f ◦ X : Ω → R est aussi une variable aléatoire réelle.
Théorème 2.3
Supposons que P (B) > 0. E XEMPLES :

1. A et B sont indépendants si et seulement si P (A|B) = P (A). Les variables aléatoires discrètes 1A , où A ∈ A .

2. L’application A 7−→ P (A|B) de A dans [0, 1] définit une nouvelle mesure

de probabilité sur A , appelée la probabilité conditionnelle sachant B.
Définition 3.2 (loi d’une v.a.d)
Les trois résultats suivants, quoique élémentaires, sont très utiles, et en parti- Soit X : Ω −→ E une variable aléatoire discrète. On appelle loi de X la loi
culier le second d’entre eux. notée PX définie sur la tribu P(E) de toutes les parties de E vérifiant :
Théorème 2.4 (Probabilités composées)  
Pour tout B ⊂ E, PX (B) = P X −1 (B) .
Si A1 , . . . , An ∈ A et si P (A1 ∩ · · · ∩ An ) > 0, alors
 
P (A1 ∩ · · · ∩ An ) = P (A1 )P (A2 |A1 )P (A3 |A1 ∩ A2 ) . . . P (An |A1 ∩ · · · ∩ An−1 ). On note aussi PX (B) = P (X ∈ B) = P {ω ∈ Ω/X(ω) ∈ B} .

.........................................................................................................................................................................................................................
Théorème 2.5 (Probabilités Totales)
4 L OIS USUELLES
Soit (En ) un système complet d’éléments non négligeables de la tribu A . Pour
tout A ∈ A , on a X Nous donnons ici quelques lois usuelles, que vous rencontrerez dans maintes situations. Elles
P (A) = P (A|En )P (En ). permettent de classer les variables aléatoires . Par exemple, une variable aléatoire est dite de Poisson
n
si la loi est une loi de Poisson.
Dans le cas des variables de bernoulli, Binômiale, et géométrique, on notera systématiquement q =
En particulier, P (A) = P (A|B)P (B) + P (A|B c )P (B c ). 1 − p.

Théorème 2.6 (Formule de Bayes)

§ 1. Lois finies.— Ici, Ω est un ensemble fini.
Si A et B sont des événements non négligeables, alors

P (B|A)P (A)
P (A|B) = . 1.1 Loi uniforme
P (B|A)P (A) + P (B|Ac )P (Ac )
C’est la loi la plus simple, définie comme étant celle où P ({ω}) ne dépend pas du choix de ω ∈ Ω.
Ainsi, pour toute partie A ⊂ Ω,
Card(A)
P (A) = .
Card(Ω)

Page 2/7
1.2 Loi de Bernoulli B(p) E XEMPLES :
Ici, Ω = {α, β} est de cardinal 2, et si p est un réel compris entre 0 et 1, la loi de bernoulli P de FONDAMENTAL : C’est la loi du premier succès dans une suite d’expériences aléatoires
paramètre p est définie par indépendantes deux à deux.
P ({α}) = p et P ({β}) = q.
On pense à cette loi dès lors que l’on s’intéresse au succès ou à l’échec d’une expérience. Si p = 1/2,
cela corrrespond au lancer d’une pièce non truquée.
Proposition 4.1 (Caractérisation d’une loi sans mémoire)
Une variable aléatoire de Bernoulli de paramètre p ∈ [0, 1] est une variable aléatoire X : Ω →
X : Ω → N∗ est une variable géométrique ⇐⇒ pour tous n, k ∈ N∗ , P (X > k + n|X > n) =
{0, 1} vérifiant P (X = 1) = p et P (X = 0) = q = 1 − p.
P (X > k).
E XEMPLES :
Les 1A sont des variables de Bernoulli, avec p = P (A).
2.2 Loi de Poisson P(λ)
Soit λ > 0. La loi de poisson de paramètre λ, notée P(λ), est donnée par
λn
1.3 Loi Binômiale B(n, p) Pour tout n ∈ N, pn = e−λ .
n!
Soit p ∈ [0, 1] et Ω = [[0, n]] un ensemble de cardinal n. Un de ses intérêt est qu’elle peut fournir une bonne approximation de la loi de Benoulli :
La loi binomiale de paramètre p et de taille n, que l’on condensera en “loi B(p, n)”, est définie par
Proposition 4.2 (B(p, n) ←→ P(λ))
 
n x
Pour tout x ∈ [[0, n]], P ({x}) = p (1 − p)n−x . Soit λ > 0. Soit (Xn )n une suite de variables Binômiales de loi B(n, pn ) telles que n × pn → λ.
x
λk
Alors, pour tout k ∈ N, P (Xn = k) −−−−→ e−λ .
On voit que tous ces réels sont positifs, et que leur somme est égale à 1. n→∞ k!

E XEMPLES : .........................................................................................................................................................................................................................
1. FONDAMENTAL : Toute variable aléatoire représentant le nombre de succès dans 5 E SPÉRANCE
une suite de n expériences aléatoires indépendantes mutuellement est une variable
binomiale de loi B(n, p) pour un ceratin p.
Définition 5.1 (Espérance d’une variable aléatoire réelle)
2. On lance n fois une pièce truquée. Ω = {P, F }n . Soit X le nombre total de
PILE. X prend ses
 valeurs dans [[0, n]], donc est discrète. Sa loi est donnée par Soit X : Ω → R une variable aléatoire discrète réelle.
n k
P (X = k) = p (1 − p)n−k , ce qui en fait une variable aléatoire binomiale de
k
paramètre p. C’est par ailleurs la somme de n variables de Bernoulli mutuellement 1. Si X est à valeurs dans R+ , on appelle espérance de X le nombre appar-
indépendantes. tenant à [0, +∞] : X
E(X) = xP (X = x).
x∈X(Ω)

§ 2. Lois dénombrables.— On considèrera ici que Ω = N. Bien sûr, il n’existe pas de loi uniforme 2. Si X est quelconque (i.e pas forcément positive), la variable aléatoire est
sur N. dite d’espérance finie si la famille (xP (X = x))x∈X(Ω) est sommable.
Rappelons que se donner une loi P sur cet espace discret est équivalent à se donner une
∞
X Dans ce cas, la somme
X de cette famille est appelée espérance de X, i.e à
suite(pn )n∈N de réels positifs telle que pn = 1, et de poser pour tout n ∈ N, pn = P ({n}). nouveau E(X) = xP (X = x).
n=0 x∈X(Ω)

Nous noterons L (Ω) (ou plus souvent L 1 ) l’ensemble des variables aléa-
1
2.1 Loi géométrique G(p) toires réelles X : Ω → R d’espérance finie.
La loi géométrique de paramètre p ∈]0, 1[ est donnée par
Propriétés 5.2 (De l’espérance)
Pour tout n ∈ N∗ , pn = pq n−1 .

Page 3/7
 1. Soient X, Y : Ω → R d’espérances finies. Alors, pour tout réel a, aX + Y (Y = y) sont indépendants, i.e lorsque
est aussi d’espérance finie et  
∀x, y ∈ E, P (X = x) ∩ (Y = y) = P (X = x) × P (Y = y).
E(aX + Y ) = aE(X) + E(Y ).
2. Les variables aléatoires discrètes d’une famille (Xn )n∈N sont dites mutuel-
2. Si X > 0, alors E(X) > 0.
lement indépendantes lorsqu’elles le sont deux à deux.
3. Si X > Y , et si ces deux v.a.d sont d’espérance finie, alors E(X) > E(Y ).
4. Si X est positive et d’espérance finie, et si Y : Ω → R est une v.a.d telle Théorème 6.2
que |Y | 6 X, alors Y est d’espérance finie.
5. Si Y est d’espérance finie, alors |E(Y )| 6 E(|Y |). 1. Si X : Ω → E et Y : Ω → R sont indépendantes, et si f, g : R → R, alors
f (X) et g(Y ) sont aussi indépendantes.
6. L 1 contient toutes les variables aléatoires bornées.
2. Si X1 , . . . , Xn : Ω → R sont des variables aléatoires indépendantes, alors
Proposition 5.3 (Formule de transfert) pour tout m compris entre 1 et n − 1, et toutes fonctions f et g, les deux
variables f (X1 , . . . , Xm ) et g(Xm+1 , . . . , Xn ) sont indépendantes.
Soit X : Ω → E est une variable aléatoire discrète, et f une fonction de X(Ω)
dans R. Alors
I f (X) est d’espérance finie si et seulement si la famille P (X = x)f (x)

La loi d’une somme de deux variables aléatoires indépendantes se calcule
est sommable. grâce à :

X
I Dans ce cas, E f (X) = P (X = x)f (x). Proposition 6.3 (Loi d’une somme de variables aléatoires indépendantes)
x∈X(Ω)
Si X et Y sont desvariables aléatoires réelles indépendantes, alors pour tout
réel k,
Proposition 5.4 (Inégalité de Markov) P (X + Y = k) =
X
P (Y = y)P (X = k − y).
Soit X : Ω → R unevariable aléatoire discrète, et a > 0. On a l’inégalité y∈Y (Ω)

E(|X|)
P |X| > a 6 . Propriétés 6.4 (Espérance d’un produit de variables aléatoires indépendantes)
a
Si X, Y sont deux variables aléatoires réelles indépendantes d’espérance finie,
alors XY est d’espérance finie et de plus
Démonstration : Notons A = (|X| > a) = {ω ∈ Ω/|X(ω)| > a}. Nous avons vu que
c’est bien un événement. De plus, lavariable aléatoire |X| est supérieure ou égale à
E(XY ) = E(X)E(Y ).
lavariable aléatoire a1A (on le vérifie sur A, puis sur son complémentaire). D’après
la croissance de l’espérance, E(|X|) > E(a1A ) = aP (A).

.........................................................................................................................................................................................................................
6 C OUPLE DE VARIABLES ALÉATOIRES § 2. Variables Aléatoires Dépendantes.— On est un peu plus démunis
lorsque l’on ne dispose plus de cette hypothèse.
§ 1. Variables Aléatoires Indépendantes.— Les couples, ou les familles, de Définition 6.5
variables aléatoires indépendantes sont les plus simples à étudier.
Soient X, Y : Ω → R deux variables aléatoires discrètes réelles. Alors l’ap-
Définition 6.1 (variables aléatoires indépendantes) plication Z = (X, Y ) : Ω → R2 est aussi unevariable aléatoire discrète. On
appelle
I loi conjointe de X et Y , et on note P(X,Y ) , la loi de la variable aléatoire
1. Un couple de variables aléatoires discrètes X, Y : Ω → E sont dites in-
dépendantes lorsque pour tous x, y ∈ E, les événements (X = x) et

Page 4/7
 (X, Y ) : Ω → R2 , qui est donc une loi sur R2 : moment d’ordre 2 fini.



pour tous x, y ∈ R, P(X,Y ) (x, y) = P (X = x) ∩ (Y = y) .
Propriétés 7.2 (L 2 ←→ L 1 )
I lois marginales de (X, Y ) les lois de X et de Y .
I pour tout x ∈ R tel que P (X = x) > 0, la loi conditionnelle de Y 1. Si X admet un moment d’ordre 2, elle est d’espérance finie, i.e L 2 (Ω) ⊂
sachant (X = x) la loi µ de probabilité sur R définie par : L 1 (Ω)
Pour tout y ∈ R, µ({y}) = P (Y = y|X = x). 2. Cauchy-Schwarz : Si X et Y admettent toutes deux un moment d’ordre
2, alors XY est d’espérance finie, et

E(XY )2 6 E(X 2 )E(Y 2 ).

: On ne confondra pas E(X 2 ) et E(X)2 .

Propriétés 7.3 (de L 2 )

L 2 est un sous-espace vectoriel de L 1 .

Proposition 6.6 (De la conjointe aux marginales)

X
Pour tout réel x, fX (x) = f(X,Y ) (x, y). Autrement dit,
y∈Y (Ω)
§ 2. La variance.— C’est une mesure de la dispersion.
X

P (X = x) = P X = x, Y = y .
y∈Y (Ω) Définition 7.4 (Variance, Ecart-type)
Soit X ∈ L 2 . On appelle 
2 
......................................................................................................................................................................................................................... I variance son deuxième moment centré var(X) = E X − E(X) .
7 VARIANCE , C OVARIANCE p
I écart-type le réel σX = var(X).
§ 1. L’espace L 2 .— On s’intéresse ici à une classe plus restreinte de variables I Si X ∈ L 2 , elle est dite centrée si son espérance est nulle, et réduite si
aléatoires . sa variance vaut 1.
X − E(X)
Définition 7.1 (Moments) Si σX > 0, alors la variable aléatoire est centrée réduite.
σX
Soit X unevariable aléatoire réelle, et k est un entier positif. On appelle
I k−ième moment de X le réel mk = E(X k ) (lorsqu’il existe évidem-
ment).  Les deux moments les plus utilisés sont l’espérance m1 et le deuxième moment

k  centré que l’on appelle variance. Ces deux quantités sont de grossières mesures
I k−ième moment centré le réel E X − E(X) = µk . 2
de la dispersion de X : E(X) est la valeur moyenne de X et σX mesure la
Nous noterons L 2 l’ensemble des variables aléatoires réelles qui admettent un dispersion de X autour de sa valeur moyenne.

Page 5/7
 3. Une variable Aléatoire suivant une loi géométrique G(p) est définie par
R EMARQUES : X(Ω) = N∗ et pour tout n ∈ N∗ , P (X = n) = pq n−1 . Alors,
Si X ∈ L 2 , d’après le théorème de transfert,
1 q
n E(X) = et Var(X) = 2
p p
X
2 2
I Si X(Ω) = {x1 , . . . , xn }, σX = (xi − EX) P (X = xi ).
i=1
4. Une variable Aléatoire suivant une loi de Poisson P(λ) est définie par
+∞
λn
X(Ω) = N et pour tout n ∈ N, P (X = n) = e−λ . Alors,
X
2 2
I Si X(Ω) = {xi , i ∈ N}, σX = (xi − EX) P (X = xi ).
n!
i=0

E(X) = λ et Var(X) = λ .

Lemme 1 5. Une variable Aléatoire suivant une loi Binomiale  B(n,

 p) est définie par
n k n−k
Si X ∈ L 2 , alors X(Ω) = [[0, n]] et pour tout k ∈ [[0, n]], P (X = k) = p q . Alors
k
1. var(X) = E(X 2 ) − E(X)2 .
2. Pour tous réels a et b, var(aX + b) = a2 var(X). E(X) = np et Var(X) = npq .

6. Lorsque la variable aléatoire est à valeurs positives, on peut obtenir une

La première est parfois appelée formule de Leibniz, et la seconde traduit l’in- espérance infinie. C’est le cas d’une variable dite de Pareto, i.e telle que
variance de σX par translation, et l’homogénéité de σX . 1
X(ω) = N∗ , et pour tout j ∈ N∗ , P (X = j) = , lorsque 0 <
ζ(α + 1)j α+1
Théorème 7.5 (Inégalité de Bienaymé-Chebychev) α 6 1.
Si X ∈ L 2 , alors pour tout réel a > 0,

§ 4. Covariance.— Dans le cas où les variables ne sont pas indépendantes, la

E X2 variance d’une somme fait apparaitre un terme correctif.
P |X| > a 6 .
a2 Définition 7.6
Soient
X, Y ∈ L 2 . Il résulte de l’inégalité de Schwarz que la variable X −
On peut en particulier montrer qu’une variable aléatoire admettant un mo- E(X) Y − E(Y ) est d’espérance finie. On appelle
ment d’ordre 2 est presque-sûrement contante ⇐⇒ elle est de variance nulle.
1. covariance de X et Y le réel



cov(X, Y ) = E X − E(X) Y − E(Y ) .
§ 3. Espérance et Variance des lois usuelles.—

1. Une variable Aléatoire suivant une loi de Bernoulli B(p) est définie par cov(X, Y )
2. Coefficient de corrélation entre X et Y le réel ρ(X, Y ) = , si
X = 1 a pour probabilité p et X = 0 a pour probabilité q. Alors σ(X)σ(Y )
leurs variances ne sont pas nulles évidemment.
E(X) = p et Var(X) = pq . 3. On dira que X et Y sont décorrélées lorsque leur covariance est nulle, i.e
lorsque E(XY ) = E(X)E(Y ). Nous avons déjà vu que c’est le cas lorsque
X et Y sont indépendantes.
2. Une variable Aléatoire suivant une loi uniforme est définie par X(Ω) =
1 n+1 n2 − 1 La proposition suivante permet de calculer la variance d’une somme de va-
[[1, n]] et P (X = k) = . Alors E(X) = et Var(X) = .
n 2 12 riables aléatoires, et de calculer plus simplement la covariance.

Page 6/7
 Théorème : Loi faible des grands nombres
Proposition 7.7 Soit (X n )n æ1 une suite de variables indépendantes et
Soient X1 , . . . , Xn des variables aléatoires admettant un moment d’ordre 2. de même loi, admettant un moment d’ordre 2.
Xn
Alors En notant m l’espérance commune et Sn = Xi ,
1. cov(X1 , X2 ) = E(X1 X2 ) − E(X1 )E(X2 ). ✓ ◆ i =1

2. var (X + Y ) = var(X) + var(Y ) + 2cov(X, Y ). Sn

8" æ 0, P m æ" !0
n
! n n n !+1
X X X
3. var Xk = var(Xk ) + 2 cov(Xi , Xj ).
k=1 k=1 16i<j6n
Lois usuelles
Le coefficient de corrélation est une mesure de la dépendance de X par rapport
àY :
Proposition 7.8 Nom Notation X (⌦) P(X = k ) E(X ) V(X )
⇢
Soient X et Y ∈ L 2 (Ω). Alors p si k = 1
Bernoulli B (p ) {0; 1} p pq
1. |ρ(X, Y )| 6 1 . q si k = 0
✓ ◆
2. L’égalité |ρ(X, Y )| = 1est satisfaite si et seulement si il existe deux réels a n k n k
Binomiale B (n , p ) π0; n∫ p q np np q
et b tels que P (Y = aX + b) = 1. k
1 n + 1 n2 1
Propriétés 7.9 Uniforme U (π1; n ∫) π1; n∫
n 2 12
Soient X et Y deux variables aléatoires admettant un moment d’ordre 2.
1 q
Alors, Géométr. G (p ) N⇤ qk 1
p
p p2
1. Si X et Y sont indépendantes, alors var(X + Y ) = var(X) + var(Y ).
k
2. Si (Xi )16i6n!sont mutuellement indépendantes, alors Poisson P( ) N e
X n Xn k!
var Xi = var(Xi ).
i=1 i=1
3. Si (Xi )16i6n!sont mutuellement indépendantes et de même loi, alors • Si X 1 , . . . , X n ,! B (mi , p ) sont mutuellement indépen-
n
X dantes, alors X 1 + · · · + X n ,! B (m1 + · · · + mn , p ).
var Xi = nvar(X1 ).
i=1 • Si X 1 , . . . , X n ,! P ( i ) sont mutuellement indépen-
dantes, alors X 1 + · · · + X n ,! P ( 1 + · · · + n ).
• Si pour tout n 2 N⇤ , X n ,! B (n, pn ) et lim npn = ,
n !+1
k
8k 2 N, P(X n = k ) !e
n !+1 k!
⇤
• Si X (⌦) = N , alors X ,! G (p ) si et seulement si :

8(k , n ) 2 N2 , P(X > n + k |X > n) = P(X > k )

Page 7/7