Mathématiques en MP* d’après un cours au lycée Louis-le-Grand

chapitre 30.1
Probabilités

Dans tout ce chapitre, E désigne un ensemble.

Préliminaires
→ Soient P et Q deux assertions. Si A = {P }, B = {Q}, alors A∁ = {¬P }, A ∩ B = {P ∧ Q}, et
A ∪ B = {P ∨ Q}.
→ Soit Ω un ensemble. Soit (An ) ∈ P(Ω)N . Alors,
+∞ +∞
!
\ [
An = {ω ∈ Ω | ∀N ∈ N, ∃n ∈ JN, +∞J, ω ∈ An }
N =0 n=N

Si ω ∈ Ω, alors ω appartient cet ensemble si, et seulement si, ω appartient à une infinité de termes
de la suite (An )n∈N .

I Tribus
On appelle tribu sur E toute partie T de P(E) qui vérifie les propriétés suivantes :
→ ∅ et E ∈ T .
+∞
[
→ Si (An ) ∈ T N , An ∈ T .
n=0
→ Si A ∈ T , A∁ ∈ T .
Exemples : {∅, E} est une tribu sur E, et si E est dénombrable, P(E) est une tribu sur E.
Proposition 1.

Soit T une tribu sur E. Soit (An ) ∈ T N .

N N
!
[ [
→ Pour tout N ∈ N, An = An ∪ ∅ ∪ ∅ ∪ . . . ∈ T .
n=0 n=0

N N
!∁
A∁n
\ [
→ Pour tout N ∈ N, An = ∈T.
n=0 n=0
+∞
[ +∞
[
→ Il existe une suite (Bn ) ∈ T N d’ensembles deux à deux disjoints telle que An = Bn ,
n=0 n=0
N
[ N
[
et, pour tout N ∈ N, An = Bn .
n=0 n=0
\
→ Si Λ est un ensemble non vide, et (Tλ )λ∈Λ une famille de tribus sur E, alors Tλ est
λ∈Λ
aussi une tribu sur E.

n−1
!
[
Preuve de la troisième propriété : En posant, pour tout n ∈ N, Bn = An \ Ak , on construit
k=0
bien une suite d’ensembles deux à deux disjoints qui vérifie les deux propriétés.

Tribu engendrée

1/6
Mathématiques en MP* d’après un cours au lycée Louis-le-Grand

Définition 2.

Soit X une partie de P(E), et notons TX l’ensemble des tribus sur E contenant X. On appelle
tribu engendrée par X, la tribu
\
T (X) = T
T ∈TX

C’est la plus petite tribu sur E contenant X.

Exemples
→ On appelle tribu borélienne sur R, et on note B(R), la tribu engendrée par l’ensemble des ouverts
de R. Par complémentarité, cette tribu contient également tous les fermés de R. Donc cette tribu
contient tous les points de R, et par union dénombrable, Q ⊂ B(R) puis, par complémentarité,
R \ Q ⊂ B(R).
→ Soit n ∈ N∗ . Soient A1 , . . . , An des parties de E incluant ∅ et E. Posons
( n )
n o
Bk ∀k ∈ J1; nK, Bk ∈ Ak , A∁k
\
Ta =
k=1

Les éléments de Ta sont deux à deux dijoints et la tribu engendrée par {A1 , . . . , An } est l’ensemble
de réunions d’ensembles appartenant à Ta .
+∞
[
→ Soit (An ) ∈ P(E)N une suite de parties de E deux à deux disjointes telle que An = E. La tribu
( ) n=0
[
engendrée par l’ensemble des termes de (An )n∈N est T = An I ⊂ N .
n∈I
+∞
[ [
En effet, E = An ∈ T , ∅ = An ∈ T , et T est stable par union dénombrable.
n=0 n∈∅
!∁
[ [
Enfin, si I ⊂ N, An = An ∈ T .
n∈I n∈N\I

Notation : Soient A et B deux parties de E. Si l’union A ∪ B est disjointe, on la note A ⊔ B.

Proposition 3.

Soit F un ensemble, et f une application de E dans F . Si T ′ est une tribu sur F , l’ensemble
des images réciproques des éléments de T ′ par f , noté f −1 ⟨T ′ ⟩, est une tribu sur E, appelée
tribu image réciproque de T ′ sous f .
Si, de plus, on munit E d’une tribu T sur E, et F de la tribu T ′ , alors (E, T ) et (F, T ′ ) sont
qualifiés d’espaces mesurables, et f : (E, T ) −→ (F, T ′ ) est dite mesurable lorsque f −1 ⟨T ′ ⟩ ⊂ T

2/6
Mathématiques en MP* d’après un cours au lycée Louis-le-Grand

II Espaces probabilisés

Dans la suite du chapitre, on munit E d’une tribu T sur E si bien que (E, T ) est un espace mesurable,
ou encore un espace probabilisable. Les éléments de T sont appelés événements.
Définition 4.

On dit qu’une application P : T −→ [0, 1] est une probabilité sur l’espace probabilisable (E, T )
lorsqu’elle vérifie les propriétés suivantes :
→ P(∅) = 0 et P(E) = 1.
→ Si (An ) ∈ T N est une suite d’événements deux à deux incompatibles i.e. une suite d’élé-
+∞ +∞
!
[ X
ments de T deux à deux disjoints, alors P An = P(An ).
n=0 n=0

Proposition 5.

Soit P une probabilité sur (E, T ). Alors P vérifie les propriétés suivantes :
→ Soit n ∈ N. Si A0 , . . . , An sont des événements deux à deux incompatibles, alors
n n
!
[ X
P Ak = P(Ak )
k=0 k=0

→ Croissance : Soient A et B deux événements. Si A ⊂ B, alors P(A) ≤ P(B).

→ Soit n ∈ N∗ . Soient A1 , . . . , An ∈ T . Alors
n n n n k
! ! !
k+1
[ X [ X X \
P Ak ≤ P(Ak ) et P Ak = (−1) P Ajℓ
k=1 k=1 k=1 k=1 1≤j1 <···<jk ≤n ℓ=1

L’égalité se nomme la formule de Poincaré.

→ Continuité croissante : Soit (An )n∈N une suite croissante d’événements i.e. pour tout
n ∈ N, An ⊂ An+1 . Alors
+∞
!
[
P(An ) −−−−→ P Ak
n→+∞
k=0

→ Continuité décroissante : Soit (An )n∈N une suite décroissante d’événements i.e. pour tout
n ∈ N, An+1 ⊂ An . Alors
+∞
!
\
P(An ) −−−−→ P Ak
n→+∞
k=0

Preuve de la continuité décroissante

! à partir de la!continuité croissante
n n +∞ +∞
! !
A∁k A∁k −−−−→ P A∁k = 1 − P
[ [ [ \
est croissante donc P Ak
n→+∞
k=0 n∈N k=0 k=0 k=0
| {z }
\n 
=1−P Ak
k=0
| {z }
=An

3/6
Mathématiques en MP* d’après un cours au lycée Louis-le-Grand

X
Conséquence : Si (An )n∈N est une suite d’événements telle que P(An ) converge, alors
n≥0

+∞ +∞
!
[ X
P An ≤ P(An )
n=0 n=0

n
!
[
Preuve : Ak est une suite croissante d’événements donc par continuité croissante
k=0 n∈N

+∞ n n +∞
! !
[ [ X X
P Ak = lim P Ak ≤ lim P(Ak ) = P(An )
n→+∞ n→+∞
k=0 k=0 k=0 n=0

III Événement presque sûr, événement négligeable

Dans la suite du chapitre, on munit l’espace probabilisable (E, T ) d’une probabilité P sur (E, T ), si bien
que (E, T , P) est un espace probabilisé.
Définition 6.

On dit qu’un événement A est presque sûr lorsque P(A) = 1. On dit qu’un événement A est
négligeable lorsque P(A) = 0.

Proposition 7.

→ Soient A et B sont deux événements tels que A ⊂ B. Si A est presque sûr, alors B est
presque sûr.
+∞
[
→ Si (An )n∈N est une suite d’événements négligeables, alors An est négligeable.
n=0

Preuve

→ 1 = P(A) ≤ P(B) ≤ 1, donc B est presque sûr.

+∞ +∞
!
X [ X [
→ La série P(An ) converge car elle est nulle donc 0 ≤ P An ≤ P(An ) = 0, donc An est
n≥0 n=0 n≥0 n=0
négligeable.

Exercice 8.
X
Soit (E, T , P) un espace probabilisé. Soit (An )n∈N une suite d’événements telle que P(An )
n≥0
converge.
+∞ +∞
!
\ [
Que dire que l’événement An ?
N =0 n=N

4/6
Mathématiques en MP* d’après un cours au lycée Louis-le-Grand

IV Exemples d’espaces probabilisés

1. Ensembles finis
|A|
Espace avec équiprobabilité : Si E est non vide et fini, T = P(E), et pour tout A ∈ T , P(A) =
|X|
alors (E, T , P) est un espace probabilisé.
∗
Espace image d’une loi ! binomiale : Soient n ∈ N et p ∈]0, 1[. Si E = J0; nK, T = P(E), et pour
n k
tout k ∈ E, P({k}) = p (1 − p)n−k , alors (E, T , P) est un espace probabilisé.
k

2. Ensembles dénombrables
Supposons dans cette partie que E soit dénombrable. Soit (xn ) ∈ E N une énumeration bijective de E.
+∞
X
Soit (an ) ∈ ℓ1 (N, R+ ) telle que an = 1.
n=0
X
Posons T = P(E). Pour tout A ∈ T , posons IA = {n ∈ N | xn ∈ A}, puis P(A) = an .
n∈IA
On a bien P(∅) = 0, P(E) = 1, et si (An ) est une suite d’événements deux à deux incompatibles, alors
   
+∞
[ X +∞
X X +∞
X
P An  = ak =  ak  = P(An )
n=0 k∈IA n=0 k∈IAn n=0
| {z }
noté A

Donc (E, T , P) est un espace probabilisé.

Exemples
1
→ Soit a > 1. Si E = N∗ , T = P(E) et, pour tout n ∈ N∗ , P({n}) = , alors (E, T , P) est un
ζ(a)na
espace probabilisé. C’est l’univers image d’une loi ζ de paramètre a.
→ Soit p ∈]0, 1[. Si E = N∗ , T = P(E) et, pour tout n ∈ N∗ , P({n}) = (1 − p)n−1 p, alors (E, T , P) est
un espace probabilisé. C’est l’univers image d’une loi géométrique de paramètre p.
λn e−λ
→ Soit λ > 0. Si E = N, T = P(E) et, pour tout n ∈ N, P({n}) = , alors (E, T , P) est un
n!
espace probabilisé. C’est l’univers image d’une loi de Poisson de paramètre λ.
→ Soit F un ensemble dénombrable et (yn )n∈N une énumeration bijective de F . Soit (bn ) ∈ ℓ1 (N, R+ )
+∞
X
tel que bn = 1. Alors en posant, pour tout n ∈ N, P({yn }) = bn , on définit bien une probabilité.
n=0
On définit la probabilité produit P× sur l’espace probabilisable (E × F, P(E × F )) par

∀(n, m) ∈ N2 , P× ({xn , ym }) = an bm
+∞ +∞
! !
X X X
On vérifie que P× (E × F ) = an b m = an am = 1.
(n,m)∈N2 n=0 m=0

5/6
Mathématiques en MP* d’après un cours au lycée Louis-le-Grand

Correction de l’exercice 8. :
Pour tout M ∈ N,     
+∞
\ [ [ +∞
X
P  An  ≤ P  An  ≤ P(An ) −−−−−→ 0
M →+∞
N =0 n≥N ↑ n≥M n=M
croissance de la probabilité

 
+∞
\ [
donc  An  est négligeable.
N =0 n≥N
* * *
Compilé par Mehdi Chouta pour CPGE Paradise le 11 février 2021.
La dernière mise à jour mineure a eu lieu le 14 février 2021.

6/6
Mathématiques en MP* d’après un cours au lycée Louis-le-Grand

chapitre 30.2
Indépendance, conditionnement

Dans tout ce chapitre, (E, T , P) désigne un espace probabilisé.

I Événements indépendants
Définition 1.

Deux événements A et B sont indépendants lorsque P(A ∩ B) = P(A)P(B).

Si A ∩ B = ∅, alors A et B sont indépendants si, et seulement si, A est négligeable ou B est

négligeable.
Exemples
→ Un événement négligeable est indépendant de tout autre.
→ Un événement presque sûr est indépendant de tout autre. En effet, si A est presque sûr, et si B est
∁
un événement quelconque, alors B = (A ∩ B) ⊔ (A
| {z∩ B}), donc P(A)P(B) = P(B) = P(A ∩ B).
⊂A∁ qui est négligeable

Proposition 2.

Si A et B sont deux événements indépendants, alors A∁ et B sont indépendants.

Preuve : P(B) = P(A∁ ∩B)+P(A∩B) = P(A∁ ∩B)+P(A)P(B). Donc P(A∁ ∩B) = P(B)(1 − P(A)).
| {z }
=P(A∁ )
Conséquence : Dans ce cas, B ∁ et A sont indépendants, ainsi que A∁ et B ∁ .

Définition 3.

Soit n un entier supérieur ou égal à 3. Des événements

! A1 , . . . , An sont dits mutuellement
\ Y
indépendants lorsque pour tout I ⊂ J1; nK, P Ai = P(Ai ).
i∈I i∈I

Proposition 4.

Soit n un entier supérieur ou égal à 3. Soient A1 , . . . , An des événements mutuellement indé-

pendants.
\ \
→ Si I et J ⊂ J1; nK et I ∩ J = ∅, alors Ai et Aj sont indépendants.
i∈I j∈J

→ A∁1 , A2 , . . . , An sont mutuellement indépendants.

1/5
Mathématiques en MP* d’après un cours au lycée Louis-le-Grand

Conséquence : Les événements de la tribu engendrée par {A1 , . . . , An } sont mutuellement indépen-
dants.
Exercice 5.

Soit (E, T , P) un espace probabilisé. Soit n un entier supérieur ou égal à 3. Soient A1 , . . . , An

des événements mutuellement indépendants. Montrer que la probabilité qu’aucun d’eux ne se
n
!
X
réalise est majorée par exp − P(Ai ) .
i=1

II Conditionnement
Loi conditionnelle
Soit A un événement tel que P(A) ̸= 0.
P(B ∩ A)
Pour tout B ∈ T , posons P(B | A) = . Alors P( · | A) est une probabilité sur (E, T ). Elle vérifie
P(A)
les propriétés suivantes :
→ P(A ∩ B) = P(B | A)P(A).
→ Si A et B sont deux événements indépendants (au sens de P), alors P(B | A) = P(B).
→ Si n est un entier supérieur ou égal à 3, et A1 , . . . , An sont des événements tels que, pour tout
i
!
\
i ∈ J1; n − 1K, P Ak > 0, alors,
k=1

n
!
\
P Ai = P(A1 )P(A2 | A1 )P(A3 | A1 ∩ A2 ) . . . P(An | A1 ∩ A2 ∩ . . . ∩ An )
i=1

→ Si (An )n∈N est une partition de E telle que pour tout n ∈ N, P(An ) > 0, alors pour tout événement
B non négligeable, on a
+∞
X P(B | An )P(An )
P(B) = P(B | An )P(An ) et P(An |B) = +∞
n=0
X
P(B | An )P(An )
n=0

III Tribus indépendantes

Définition 6.

Soit I un ensemble contenant au moins deux éléments.

Une famille (Ti )i∈I de tribus sur E est dite indépendante lorsque, pour tout ensemble fini J ⊂ I,
Y
toute famille (Aj )j∈J ∈ Tj est une famille d’événements mutuellement indépendants.
j∈J

Indépendance de tribus engendrées par des partitions indépendantes

2
( pour tout (n, p) ∈)N , An et(Bn soient indé-
Soient (An )n∈N et (Bn )n∈N deux partitions de E telles que, )
[ [
pendants. Les tribus engendrées par ces partitions, TA = An I ∈ P(N) et TB = Bn I ∈ P(N) ,
n∈I n∈I
sont indépendantes.

2/5
Mathématiques en MP* d’après un cours au lycée Louis-le-Grand

En effet, pour tous I et J ∈ P(N), en utilisant le théorème d’associativité pour les familles sommables,
 !     ! !
[ [ G X [ [
P An ∩  Bn  = P  (An ∩ Bp ) = P(An ∩ Bp ) = P An P Bn
n∈I p∈J (n,p)∈I×J (n,p)∈I×J
| {z } n∈I n∈J
P(An )P(Bp )

IV Borel-Cantelli
Théorème 7.
X
Soit (An )n∈N une suite d’événements mutuellement indépendants telle que P(An ) diverge.
n≥0
Alors,
+∞ +∞
!!
\ [
P An =1
N =0 n=N

+∞ +∞
!
\ [
Vocabulaire : Si ω ∈ E réalise An i.e. ω appartient à cet ensemble, alors ω réalise
N =0 n=N
une infinité d’événements de la suite (An )n∈N . La conclusion de ce théorème assure alors que, presque
sûrement, une infinité d’événements de (An )n∈N sont réalisés, ou alors que An est réalisé infiniment
souvent.
+∞ +∞
A∁n
[ \
∁
Preuve : Posons, pour tout N ∈ N, BN = An . Alors pour tout N ∈ N, BN =
n=N n=N
M
!
 
A∁n
\
N
et en introduisant la suite décroissante d’événements CM = , on a, par continuité
M ∈N
n=N M ∈N
décroissante    
N ∁
P CM −−−−−→ P BN
M →+∞

D’après l’exercice, par indépendance, pour tout N ∈ N et pour tout entier M ≥ N ,

 
  M
N
X
P CM ≤ exp  − P(An ) 
n=N
| {z }
=P((A∁n )∁ )

∁
donc en passant à! la limite M −→ +∞,!il vient P(BN ) = 0.
+∞ +∞ +∞
X  
∁ ∁ ∁
[ [
Donc P BN = 0 car P BN ≤ P BN . En passant au complémentaire, on obtient la
N =0 N =0 N =0
| {z }
somme d’une série convergente
conclusion du théorème.
Théorème 8.
X
Soit (An )n∈N une suite d’événements telle que P(An ) converge. Alors,
n≥0

+∞ +∞
!!
\ [
P An =0
N =0 n=N

Preuve : En reprenant les notations de la preuve précédente, (BN )N ∈N est une suite décroissante

3/5
Mathématiques en MP* d’après un cours au lycée Louis-le-Grand

d’événements, donc par continuité décroissante

+∞
!
\
P(BN ) −−−−→ P BN
N →+∞
N =0

+∞
X
Par ailleurs, pour tout N ∈ N, P(BN ) ≤ P(An ) −−−−→ 0 donc par unicité de la limite,
N →+∞
n=N
+∞
!
\
P BN = 0, ce qu’on voulait.
N =0

4/5
Mathématiques en MP* d’après un cours au lycée Louis-le-Grand

Correction de l’exercice 5. :
Par indépendance mutuelle,
n n n n
! !
−P(Ai )
A∁i
\ Y Y X
P = (1 − P(Ai )) ≤ e = exp − P(Ai )
i=1 i=1 i=1 i=1

Il est loisible de retenir que pour tout x ∈ R, ex ≥ 1 + x.

* * *
Compilé par Mehdi Chouta pour CPGE Paradise le 11 février 2021.

5/5
Mathématiques en MP* d’après un cours au lycée Louis-le-Grand

chapitre 30.3
Variables aléatoires

Dans tout ce chapitre, (Ω, T , P) désigne un espace probabilisé, et (E, U) un espace probabilisable.

I Généralités
Une variable aléatoire à valeurs dans E est une application X : (Ω, T , P) −→ (E, U) telle que pour tout
U ∈ U, X −1 (U ) ∈ T . Autrement dit, X : (Ω, T ) −→ (E, U) est une fonction mesurable.
Loi de probabilité : La loi de X, notée LX , est une application de U dans [0, 1] définie par

∀U ∈ U, LX (U ) = P(X −1 (U ))

Ainsi, LX (E) = P(Ω) = 1, LX (∅) = P(∅) = 0 et, pour toute suite (Un ) ∈ U N d’événements deux à deux
disjoints,
+∞ +∞ +∞ +∞
! !
−1
P(X −1 (Un )) =
[ G X X
LX Un = P X (Un ) = LX (Un )
n=0 n=0 n=0 n=0

Notons que sur tout espace probabilisable, on peut définir une loi de probabilité L sans se donner de
variable aléatoire.

II Variables discrètes
Définition 1.

On dit qu’une variable aléatoire X : (Ω, T , P) −→ (E, U) est discrète lorsque X(Ω) est dénom-
brable.

Notation 2.

Soit d ∈ N∗ . Soit X : (Ω, T , P) −→ (E, U) une variable aléatoire. Soient x, y ∈ E.

→ L’événement X −1 ({x}) est noté [X = x].
→ Pour tout A ∈ U, l’événement X −1 (A) est noté [X ∈ A].
→ Si (E, U) = (R, B(R)), l’événement X −1 (] − ∞, x]) (respectivement X −1 (] − ∞, x[)) est
noté [X ≤ x] (respectivement [X < x]).
→ Si (E, U) = (R, B(R)), l’événement X −1 ([x, +∞[) (respectivement X −1 (]x, +∞[)) est
noté [X ≥ x] (respectivement [X > x]]).
→ Si (E, U) = (R, B(R)), et x ≤ y, l’événement X −1 ([x, y]) est noté [x ≤ X ≤ y], et on note
de manière analogue les événements X −1 (]x, y]), X −1 ([x, y[), et X −1 (]x, y[).

Proposition 3.

Soit d ∈ N∗ . Soit λ ∈ R. Si X et Y sont des variables aléatoires discrètes définies sur (Ω, T , P)
et à valeurs dans (Rd , B(Rd )), alors X + Y et λX sont des variables aléatoires discrètes.

1/10
Mathématiques en MP* d’après un cours au lycée Louis-le-Grand

Preuve : L’application

X(Ω) × Y (Ω) −→ Rd
(x, y) 7−→ x + y

a pour image une partie dénombrable de Rd contenant (X + Y )(Ω).

[
De plus, pour tout z ∈ Rd , (X + Y )−1 (z) = ([X = x] ∩ [Y = y]) ∈ T en tant qu’union
(x,y)∈X(Ω)×Y (Ω)
x+y=z
dénombrable d’événements.
Remarque 4.

L’union étant disjointe, la loi de X + Y est donnée par

X
∀z ∈ (X + Y )(Ω), LX+Y (z) = P ([X = x] ∩ [Y = y])
(x,y)∈X(Ω)×Y (Ω)
x+y=z

III Variables aléatoires discrètes indépendantes

Dans la suite, on considère que les variables aléatoires sont définies sur (Ω, T , P) et à valeurs dans (E, U).

Définition 5.

Soit n ∈ N∗ . Soient X1 , . . . , Xn des variables aléatoires.

On dit que X1 , . . . , Xn sont indépendantes lorsque, pour tous A1 , . . . , An ∈ U, les événements
[X1 ∈ A1 ], . . . , [Xn ∈ An ] sont mutuellement indépendants.

Suites : On dit que (Xn )n∈N est une suite de variables aléatoires indépendantes lorsque pour toute partie
finie I de N, les variables aléatoires de (Xi )i∈I sont indépendantes.
Remarque 6.

Soit n ∈ N∗ . Soient X1 , . . . , Xn des variables aléatoires. Alors X1 , . . . , Xn sont indépendantes

si, et seulement si, les tribus images réciproques X1−1 ⟨U⟩, . . . , Xn−1 ⟨U⟩ sont indépendantes.

Proposition 7.

Soient n, d ∈ N∗ . On suppose que (E, U) = (Rd , B(Rd )). Soient X1 , . . . , Xn des variables aléa-
toires discrètes. Alors :
→ X1 , . . . , Xn sont indépendantes si, et seulement si, pour tout (x1 , . . . , xn ) ∈ E n , les évé-
nements [X1 = x1 ], . . ., [Xn = xn ] sont mutuellement indépendants.
→ Lemme des coalitions : Soient p, q ∈ N tels que p + q = n. Soient f : (Rd )p −→ Rd et
g : (Rd )q −→ Rd deux fonctions.
Si X1 , . . . , Xn sont indépendantes alors, f (X1 , . . . , Xp ) est une variable aléatoire indépen-
dante de g(Xp+1 , . . . , Xn ).

Exemples : X1 + · · · + Xp et Xp+1 + · · · + Xn sont indépendantes.

2/10
Mathématiques en MP* d’après un cours au lycée Louis-le-Grand

Pour tout i ∈ N tel que 1 ≤ i < i + 3 ≤ n, Xi Xi+1 et Xi+2 Xi+3 sont indépendantes.

Preuve des propositions :

→ (⇐) Soient A1 , . . . , An ⊂ E. En utilisant le théorème d’associativité pour les familles sommables,
X
P ([X1 ∈ A1 ] ∩ . . . ∩ [Xn ∈ An ]) = P ([X1 = x1 ] ∩ . . . ∩ [Xn = xn ])
(x1 ,...,xn )∈A1 ×···×An
X
= P (X1 = x1 ) . . . P (Xn = xn )
(x1 ,...,xn )∈A1 ×···×An

= P(X1 ∈ A1 ) × · · · × P(Xn ∈ An )

→ Soient x, y ∈ Rd . Par indépendance des variables X1 , . . . , Xn ,

P([f (X1 , . . . , Xp ) = x] ∩ g(Xp+1 , . . . , Xn ) = y)

X
= P ([X1 = x1 ] ∩ . . . ∩ [Xn = xn ])
(x1 ,...,xn )∈E n
f (x1 ,...,xp )=x
g(xp+1 ,...,xn )=y
X
= P ([X1 = x1 ]) . . . P ([Xn = xn ])
(x1 ,...,xn )∈E n
f (x1 ,...,xp )=x
g(xp+1 ,...,xn )=y
X
= P ([X1 = x1 ]) . . . P ([Xp = xp ]) P (g (Xp+1 , . . . , Xn ) = y)
(x1 ,...,xp )∈E p
f (x1 ,...,xp )=x

= P (f (X1 , . . . , Xp ) = x) P (g (Xp+1 , . . . , Xn ) = y)

Exercice 8.

Soit (Ω, T , P) un espace probabilisé. Soit X : (Ω, T , P) −→ (R, B(R)) une variable aléatoire
discrète. Donner une condition nécessaire et suffisante pour que X soit indépendante d’elle-
même.

Exercice 9.

Soit (Ω, T , P) un espace probabilisé. Soient X, Y deux variables aléatoires de (Ω, T , P) à valeurs
1
dans (N∗ , P(N∗ )), indépendantes, et telles que, pour tout i ∈ N∗ , P(X = i) = P(Y = i) = i .
2
1. Calculer P(X = Y ).
2. Calculer P(X > Y ).
3. Soit N ∈ N∗ . Calculer P(min(X, Y ) ≤ N ).

IV Lois usuelles
Dans cette partie, toutes les variables aléatoires sont discrètes.

3/10
Mathématiques en MP* d’après un cours au lycée Louis-le-Grand

Schéma de Bernoulli 1 : Soit p ∈ ]0, 1[. Un schéma de Bernoulli est une suite finie d’expériences
identiques, deux à deux indépendantes et ayant, chacune, exactement deux issues possibles : un succès
ou un échec. La probabilité qu’une expérience soit un succès vaut p.
Cette suite d’expériences est modélisée par les termes d’une suite (Xn )n∈N de variables aléatoires indépen-
dantes, à valeurs dans {0, 1}, et suivant la même loi de Bernoulli B(p) i.e. pour tout k ∈ N, P(Xk = 1) = p.
Loi binomiale : Soient n ∈ N, et p ∈ ]0, 1[. Considérons un schéma de Bernoulli d’ordre n (i.e. où
n expériences sont menées) où la probabilité de succès vaut p. Le nombre de succès est aléatoire et est
compris entre 0 et n, et la probabilité que k succès aient lieu vaut la probabilité que l’une des situations où
k ∈ J0; nK succès sont disséminés parmi les n expériences ! ait lieu : l’une de ces situations a une probabilité
n
pk (1 − p)n−k d’avoir lieu (par indépendance), et il y a combinaisons de k succès parmi n expériences
k
à deux issues. n
X
La variable aléatoire S = Xk qui compte le nombre de succès d’un schéma de Bernoulli d’ordre n et
k=1
de probabilité de succès p est à valeurs dans J0; nK et suit la loi binomiale B(n, p) :
!
n k
∀k ∈ J0; nK, P(S = k) = p (1 − p)n−k
k

Loi de Rademacher : Il est possible de modéliser un schéma de Bernoulli d’ordre n ∈ N et de pro-

babilité de succès p ∈ ]0, 1[ par les termes d’une suite (Yn )n≥0 de variables aléatoires à valeurs dans
{−1, 1} indépendantes et identiquement distribuées suivant la loi de Rademacher i.e. pour tout k ∈ N,
P(Yk = 1) = p.
Dans un tel contexte, il est loisible de se ramener à la suite (Xn )n∈N de variables de Bernoulli correspon-
dante en remarquant que, presque sûrement,

∀k ∈ N, Yk = 2Xk − 1

Loi géométrique : Considérons un schéma de Bernoulli infini i.e. où l’on réalise une infinité dénombrable
d’expériences identiques et indépendantes, et où la probabilité de succès vaut p ∈ ]0, 1[.
Le temps d’attente du premier succès est une variable aléatoire T à valeurs dans N∗ suivant une loi
géométrique G(p).
Soit n ∈ N∗ . Pour que le premier succès ait lieu à la n-ième expérience, il faut et il suffit que les expériences
antérieures se soldent toutes par des échecs et que la n-ième soit un succès, c’est-à-dire que

P(T = n) = (1 − p)n−1 p

Théorème 10.

Soit p ∈ ]0, 1[. Soit (Xn )n∈N une suite de variables aléatoires indépendantes et identiquement
distribuées suivant la loi de Bernoulli B(p). Alors
→ Presque sûrement, il existe k ∈ N∗ tel que Xk = 1.
→ Y = min{k ∈ N∗ | Xk = 1} est une variable aléatoire à valeurs dans N∗ suivant la loi
géométrique G(p).

Preuve :
n
!
\
→ La suite d’événements [Xk = 0] est décroissante, donc par continuité décroissante et uni-
k=1 n∈N∗

1. Rappelons que Jacques Bernoulli n’est pas une nouille.

4/10
Mathématiques en MP* d’après un cours au lycée Louis-le-Grand

cité de la limite : n
!
[Xk = 0] −−−−→ P (¬[∃k ∈ N∗ ,
\
P Xk = 1]) = 0
n→+∞
k=1
| {z }
=(1−p)n

→ Soit n ∈ N∗ . [Y = n] = [X0 = 0] ∩ . . . ∩ [Xn−1 = 0] ∩ [Xn = 1] ∈ T , donc Y est mesurable, c’est

donc une variable aléatoire à valeurs dans (N∗ , P(N∗ )).
Par indépendance,
P(Y = n) = (1 − p)n−1 p

Remarque 11.

Souvent, le premier succès arrive assez tôt. En effet, il existe µ > 0 tel que 1 − p = e−µ , donc
(1 − p)n−1 p = e−(n−1)µ (1 − e−µ ), ce qui exhibe une décroissance exponentielle de la probabilité
du premier succès avec le rang de ce succès.

Proposition 12.

Soit p ∈ ]0, 1[. Soit X une variable aléatoire suivant la loi géométrique G(p). Alors

∀(n, k) ∈ N2 , P(X > n + k | X > n) = P(X > k)

On dit qu’une loi géométrique est une loi sans mémoire.

Preuve : Soit (n, k) ∈ N2 .

P(X > n + k)
P(X > n + k | X > n) =
P(X > n)
+∞
X
(1 − p)m−1 p

m=n+k+1
= +∞
X
(1 − p)m−1 p

m=n+1

n+k 1 
(1 − p) × 
1 −
 (1

− p)
= 
1 
(1 − p)n × 
1
 −(1 − p)

= (1 − p)k = P(X > k) formule utile pour une loi géométrique

Loi de Poisson : Soit λ > 0. On dit qu’une variable aléatoire X à valeurs dans N suit une loi de
λn
Poisson P(λ) lorsque pour tout n ∈ N, P(X = n) = e−λ .
n!

5/10
Mathématiques en MP* d’après un cours au lycée Louis-le-Grand

Théorème 13.

Soit λ > 0. Soit (pn ) ∈ ]0, 1[N telle que npn −−−−→ λ. Soit (Xn )n∈N une suite de variables
n→+∞
aléatoires telle que pour tout n ∈ N, Xn suit la loi B(n, pn ).
Alors (Xn )n∈N converge en loi vers une loi de Poisson P(λ) i.e.

λm
∀m ∈ N, P(Xn = m) −−−−→ e−λ
n→+∞ m!

Preuve : Soit m ∈ N. Pour tout entier n > m,

!
n m
P(Xn = m) = p (1 − pn )n−m
m n
n × · · · × (n − m + 1) n
= (1 − pn )−m pm
n (1 − pn )
m!
λ
Or (1 − pn )n −−−−→ e−λ car pn ∼ . De plus,
n→+∞ n→+∞ n
1 m−1
   
n × · · · × (n − m + 1)(1 − pn )−m pm
n
m
= (npn ) 1− × ··· × 1 − (1 − pn )−m
| {z } n n | {z
} −−−−→1
}
−n→+∞
−−−→λm | {z
−n→+∞
−−−→1 n→+∞

ce qu’il fallait démontrer.

Exercice 14.

Soient λ > 0 et p ∈ ]0, 1[. On modélise le nombre d’œufs pondus par un poisson par une loi
de Poisson P(λ). On modélise l’éclosion d’un œuf indépendamment des autres par une loi de
Bernoulli B(p). Déterminer la loi du nombre d’œufs éclos.

Exercice 15.

Soit (Ω, T , P) un espace probabilisé. Soit p ∈]0, 1[. Soit (Xi )i∈N∗ une suite de variables aléatoires
définies sur (Ω, T ), indépendantes et identiquement distribuées suivant la loi de Rademacher
de paramètre p.
On pose S0 = 0 et, pour tout n ∈ N∗ , Sn = X1 + · · · + Xn . Pour tout m ∈ N∗ , on pose
+∞
\
Am = [|Sn | ≤ m].
n=0
1
1. On suppose que p = . Montrer que pour tout m ∈ N∗ , P(Am ) = 0.
2
1
2. On suppose que p ̸= . Montrer que P([Sn = 0] infiniment souvent) = 0.
2

6/10
Mathématiques en MP* d’après un cours au lycée Louis-le-Grand

V Compléments
Fonction de répartition : Soit X une variable aléatoire à valeurs dans (R, B(R)). On introduit la
fonction de répartition de X, notée FX , définie par

FX : R −→ [0, 1]
x 7−→ P(X ≤ x)

Cette fonction ne caractérise que la loi de X.

Proposition 16.

Soit X une variable aléatoire à valeurs dans (R, B(R)). Alors :

→ FX est croissante.
→ FX (x) −−−−→ 0 et FX (x) −−−−→ 1.
x→−∞ x→+∞
→ FX est continue à droite en tout point de R.
→ Soit a ∈ R. FX n’est pas continue en a si, et seulement si, P(X = a) > 0.

Preuves :
→ La croissance de FX découle de la croissance de P.
→ Soit (xn )n∈N une suite réelle décroissante divergeant vers −∞. ([X ≤ xn ])n∈N∗ est une suite décrois-
sante d’événements donc par continuité décroissante,
+∞
!
\
FX (xn ) −−−−→ P [X ≤ xn ] = P(∅) = 0
n→+∞
n=0

Par un raisonnement analogue, on prouve de même que FX (x) −−−−→ 1

n→+∞

→ Soit (xn )n∈N une suite réelle décroissante convergeant vers a ∈ R. ([X ≤ xn ])n∈N∗ est une suite
décroissante d’événements donc par continuité décroissante, FX (xn ) −−−−→ FX (a). Donc FX est
n→+∞
continue à droite en a.
→ (⇒) Soit (xn )n∈N une suite réelle décroissante convergeant vers a et (yn )n∈N une suite réelle crois-
sante convergeant vers a sans valoir a. Par continuité croissante et décroissante, on montre que
FX (xn ) −−−−→ FX (a) et FX (yn ) −−−−→ FX (a− ).
n→+∞ n→+∞
Donc P(X = a) = FX (a) − FX (a− ) > 0 car FX est discontinue en a.
(⇐) Si FX est continue en a, alors P(X = a) = FX (a) − FX (a− ) = 0.
Variables à densité : Soit X une variable aléatoire à valeurs dans (R, B(R)). On dit que X est une
variable aléatoire à densité s’il existe une fonction f : R −→ R+ intégrable et telle que
Z a
∀a ∈ R, FX (a) = f (t)dt
−∞

Une telle fonction détermine entièrement la loi de X.

Exemples :
→ Pour tout t ∈ R, f (t) = e−t 1[0,+∞[ (t). f est la densité d’une loi exponentielle E(1).
1 2
→ Pour tout t ∈ R, f (t) = √ e−t . f est la densité d’une loi normale centrée réduite N (0, 1).
2π
1
→ Pour tout t ∈ R, f (t) = . f est la densité d’une loi de Cauchy.
(1 + t2 )π

7/10
Mathématiques en MP* d’après un cours au lycée Louis-le-Grand

Il est alors possible de définir, sous réserve d’existence,

Z +∞ Z +∞
l’espérance et le moment d’ordre 2 de telles
variables par E(X) = tf (t)dt, et E(X 2 ) = t2 f (t)dt
−∞ −∞

Proposition 17.

Si X est une variable aléatoire à densité, alors pour tout a ∈ R, P(X = a) = 0.

Preuve : Soit a ∈ R. P(X = a) = FX (a) − FX (a− ) = 0 car la fonction de répartition d’une variable
aléatoire à densité est continue. En effet, soit ε > 0. Pour tout x ∈ [a − ε, a],

|FX (a) − FX (x)| ≤ ∥f ∥∞,[a−ε,a] |x − a|

ce qui démontre à la continuité à gauche, donc la continuité.

8/10
Mathématiques en MP* d’après un cours au lycée Louis-le-Grand

Correction de l’exercice 8. :
Supposons que X soit indépendante d’elle-même. Soit x ∈ R tel que P(X = x) > 0. Alors par indépen-
dance des événements [X = x] et [X = x], P(X = x) = P([X = x] ∩ [X = x]) = P(X = x)2 , donc
P(X = x) = 1. Donc X est presque sûrement constante.
Réciproquement, toute variable aléatoire constante est indépendante d’elle-même.
En conclusion, une variable aléatoire est indépendante d’elle-même si, et seulement si, elle est presque
sûrement constante.

Correction de l’exercice 9. :
+∞ +∞
!
G X 1 1
1. P(X = Y ) = P [X = i] ∩ [Y = i] = i
= .
i=1 ↑ i=1 4 3
indépendance

+∞ +∞
1 +∞ +∞
!
G X X 1 X1 1
2. P(X > Y ) = P [Y = i] ∩ [X > i] = i i+j
= i
= .
i=1 ↑ i=1 2 j=1 2 i=1 4 3
indépendance

1
3. P(min(X, Y ) ≤ N ) = 1 − P(min(X, Y ) > N ) = 1 − P(X > N )P(Y > N ) = 1 − N
| {z }
↑ ↑ 4
=[X>N ]∩[Y >N ]
indépendance calcul aisé

Correction de l’exercice 14. :

Notons X la variable aléatoire désignant le nombre d’œufs pondus, et Y le nombre d’œufs ayant éclos.
n
!
λ n
Pour tout n ∈ N, P(X = n) = e−λ et pour tout k ∈ J0; nK, P(Y = k | X = n) = pk (1 − p)n−k car
n! k
lorsque [X = n] est réalisé, chaque éclosion est considérée, indépendamment des autres comme un succès
dans un schéma de Bernoulli d’ordre n et de probabilité de succès p.
Soit k ∈ N.

+∞
X +∞
X
P(Y = k) = P([Y = k] ∩ [X = n]) = P(Y = k | X = n)P(X = n)
n=k n=k
+∞ n
!
n k λ
p (1 − p)n−k × e−λ
X
=
n=k k n!
+∞
(m+ k)! k λm+k
 
−λ
p (1 − p)m
X
=e 
k!m! (m+ k)!
 
↑ m=0 
m←n−k

(pλ)k +∞
X (1 − p)m λm (pλ)k (1−p)λ
= e−λ = e−λ e
k! m=0 m! k!
k
−pλ (pλ)
=e
k!
Donc Y suit la loi de Poisson P(pλ).

Correction de l’exercice 15. :

2m+1
∗ ∗
\ 1
1. Soit m ∈ N . Soit k ∈ N . Posons Bk = [Xkm+i = 1]. Par indépendance, P(Bk ) = et par
i=0 22m+2
construction, si Bk est réalisé, alors |Smk+2m+1 − Smk−1 | ≥ 2m + 2 est réalisé, donc [Smk+2m+1 ∈/
J−m; mK] ∪ [Smk−1 ∈ / J−m; mK] est réalisé, et ceci est valable pour tout k ∈ N . Pour tout ℓ ∈ N∗
∗

9/10
Mathématiques en MP* d’après un cours au lycée Louis-le-Grand

posons kℓ = 4ℓm. Par le lemme des coalitions, pour tous ℓ, ℓ′ ∈ N∗ tels que ℓ ̸= ℓ′ , les événements
X
Bℓ et Bℓ′ sont indépendants. De plus P(Bkℓ ) est divergente (son terme général est non nul et
ℓ≥1
indépendant de ℓ).   
+∞
\ +∞
[
Le premier théorème de Borel-Cantelli assure alors que P   Bkℓ′  = 1
ℓ=1 ℓ′ =l+1
Autrement dit, presque sûrement, Bkℓ est réalisé infiniment souvent, donc l’événement Am est
négligeable : il existe une partie infinie J de N telle que pour tout n ∈ J, Sn ∈
/ J−m; mK.
2. Pour tout m ∈ N∗ , posons um = P(S2m = 0).
Soit m ∈ N∗ . Remarquons que le retour à l’origine se fait si, et seulement
! si, autant de déplacements
2m
à gauche qu’à droite ont lieu et, sur 2m déplacements il y a telles combinaisons et par
!
m
2m m
indépendance des déplacements, um = p (1 − p)m . Alors
m

um+1 (2m + 2)(2m + 1)

= p(1 − p) −−−−→ 4p(1 − p) < 1
um (m + 1)2 m→+∞

En effet, y = x(1 − x) est une parabole tournée vers le bas atteignant son maximum entre les deux
1 1 1
racines de X(X − 1), donc en x = , et celui-ci vaut . p ̸= donc l’inégalité est stricte. D’après
X 2 4 2
la règle de d’Alembert, um converge.
m≥1
Le deuxième théorème de Borel-Cantelli assure alors que P([S2m = 0] infiniment souvent) = 0.
* * *
Compilé par Mehdi Chouta pour CPGE Paradise le 21 mars 2021.

10/10
Mathématiques en MP* d’après un cours au lycée Louis-le-Grand

chapitre 30.4
Couples de variables aléatoires

Soit d ∈ N∗ . Dans tout ce chapitre, les variables aléatoires sont définies sur l’espace probabilisé (Ω, T , P)
et à valeurs dans l’espace mesurable (Rd , B(Rd )).

I Loi conjointe, loi marginale

Définition 1.

Soient X, Y deux variables aléatoires discrètes. La loi conjointe de (X, Y ) est définie par

∀(x, y) ∈ (Rd )2 , L(X,Y ) ({(x, y)}) = P([X = x] ∩ [Y = y])

Les lois LX et LY sont appelées lois marginales de L(X,Y ) .

Remarque 2.

Les lois marginales se calculent à partir de la loi conjointe :

 

∀x ∈ Rd ,
G X
P(X = x) = P  [X = x] ∩ [Y = y] = L(X,Y ) ({(x, y)})
y∈Y (Ω) y∈Y (Ω)

Exercice 3.

Soit (Ω, T , P) un espace probabilisé.

Soient X et Y deux variables aléatoires à valeurs dans (N, P(N)) telles que pour tout (i, j) ∈ N2
1
L(X,Y ) ({(i, j)}) =
2i+j+2
1. Vérifier que L(X,Y ) est bien une loi de probabilité.
2. Calculer les lois marginales LX et LY .
3. X et Y sont-elles indépendantes ?

II Produit de convolution
Soient X et Y deux variables aléatoires à valeurs dans (N, P(N)). On définit le produit de convolution
de LX et LY , et note LX ⋆ LY , par :
X
∀n ∈ N, (LX ⋆ LY )({n}) = LX ({i})LY ({j})
(i,j)∈N2
i+j=n

1/3
Mathématiques en MP* d’après un cours au lycée Louis-le-Grand

Si, de plus, X et Y sont indépendantes, alors LX+Y = LX ⋆ LY .En effet, pour tout n ∈ N,
X X
P(X + Y = n) = P([X = i] ∩ [Y = j]) = P(X = i)P(Y = j) = (LX ⋆ LY )({n})
(i,j)∈N2
↑ (i,j)∈N2
i+j=n i+j=n
indépendance

Exemples : On suppose que d = 1.

→ Produit de convolution de lois binomiales : Soient n, m ∈ N∗ et p ∈]0, 1[. Soient X1 , . . . , Xn+m
des variables aléatoires indépendantes et indentiquement distribuées suivant la loi B(p). Posons
X = X1 + · · · + Xn et Y = Xn+1 + · · · + Xn+m . Alors LX+Y est une loi binomiale B(n + m, p).
Produit de convolution de lois de Poisson : Soient λ, µ > 0. Posons L1 = P(λ) L2 = P(µ).
Alors, pour tout n ∈ N,
X λi −λ µj −µ
(L1 ⋆ L2 )({n}) = e · e
(i,j)∈N2
i! j!
i+j=n
!
−(λ+µ)
X 1 n i n−i
=e λµ
(i,j)∈N2 n! i
i+j=n
n
1 n i n−i (λ + µ)n −(λ+µ)
!
= e−(λ+µ)
X
λµ = e
i=0 n! i n!

On reconnaît une loi de Poisson P(λ + µ).

2/3
Mathématiques en MP* d’après un cours au lycée Louis-le-Grand

Correction de l’exercice 3. :
1. Le nombre de manières d’écrire un entier naturel n non nul sous la forme d’une somme de
deux entiers naturels vaut le nombre de manières de placer un baton parmi n objets alignés de sorte
à les scinder en deux groupes d’objets en autorisant toutefois qu’au moins l’un des groupes n’en
contienne aucun. De tels emplacements pour le baton, il y en a n + 1. Ainsi, dans la somme calculée
1
ci-dessous, il y a n + 1 termes égaux à i+j+2 lorsque i + j = n.
2
Ce raisonnement est aisément généralisable si l’on veut écrire un entier naturel non nul sous la
forme d’une somme à plus de deux termes d’entier naturel.
+∞
X Xn+1 1 +∞
Xn + 1 1 1
L(X,Y ) ({(i, j)}) = = = ·  =1
(i,j)∈N2 n=0 2
n+2 4 n=0 2n 4 1 2
1−
2
Donc L(X,Y ) est bien une loi de probabilité.

Il est loisible de retenir les sommes des séries dérivées d’une série géométrique convergente.
Soit q ∈ C tel que |q| < 1. Alors
+∞ +∞
n−1 1 2
n(n − 1)q n−2 =
X X
nq = et
n=1 (1 − q)2 n=2 (1 − q)3

2. Soit i ∈ N.
+∞
X 1 +∞X1 1
LX ({i}) = L(X,Y ) ({(i, j)}) = i+2 j
= i+1 = LY ({i})
j=0 2 j=0 2 2
1
3. Oui, car pour tout (i, j) ∈ N2 , LX ({i})LY ({j}) = = L(X,Y ) ({i, j})
2i+j+2
* * *
Compilé par Mehdi Chouta pour CPGE Paradise le 21 mars 2021.

3/3