Probabilits

Essaidi Ali
20 mars 2015

Espaces probabiliss :
Soit un ensemble.

1.1

Espaces probabiliss :

Notation : Pour tout A , on note A le complmentaire de A dans .

Dfinition 1.1 Une partie T de P() est dite tribu si :
1. T .
2. Si A T alors A T .
3. Si (An )nN est une suite dlments de T , alors

An T .

nN

Dans ce cas, tout lment de T est appel un vnement de T .

Remarques : Soit T une tribu de .
Tout singleton de T est appel vnement lmentaire de T .
sappelle lvnement impossible.
T . On lappelle lvnement certain.
\
Si (An )nN est une suite dvnements de T , alors
An T .
nN

Si A1 , . . . , An T alors A1 An et A1 An sont des vnelents de T .

Soient A, B T :
1. A \ B T .
2. A B est lvenement "A ou B est ralis".
3. A B est lvenement "A et B sont raliss".
4. A est vnement contraire de A.
5. Si A B = alors on dit que les vnements A et B sont incompatibles.
Si est fini ou dnombrable alors il est usuel de choisir T = P().
Dfinition 1.2 Soit T une tribu de . On appelle probabilit sur T toute application p : T [0, 1] telle que :
1. P () = 1.
2. Axiome dadditivit dnombrable : Pour toute suite (An ) dvnements de T qui sont deux deux
! incompatibles (i.e
+
X
[
P
m, n N, m 6= n Am An = ), la srie p(An ) converge et on a
p(An ) = p
An .
n=0

nN

Dans ce cas, le triplet (, T , p) est appel espace probabilis.

Remarques : Soit (, T , p) un espace probabilis.
Pour tout vnement A de T , p(A) sappelle la probabilit de A.
Un vnement A de T tel que p(A) = 0 est dit ngligeable ou presque impossible.
Un vnement A de T tel que p(A) = 1 est dit presque sr ou presque certain.
p() = 0.
Additivit : Si A1 , . . . , An sont des vnements de T deux deux incompatibles alors p(A1 An ) = p(A1 ) +
+ p(An ).
= 1 p(A).
Si A est un vnement de T alors p(A)
Soient A et B deux vnements de T . Alors :
1

CPGE Laayoune

Lissane Eddine

Essaidi Ali

1. p(B \ A) = p(B) p(A B).

2. Si A B alors p(B \ A) = p(B) p(A). En particulier, p(A) p(B).
3. p(A B) = p(A) + p(B) p(A B).
Sous additivit : Si A1 , . . . , An sont des vnements de T alors p(A1 An ) p(A1 ) + p(An ).
P
Sous additivit dnombrable : Soit une suite (An )nN dvnements de T . Si la srie p(An ) converge alors p

!
[

An

nN
+
X

p(An ).

n=0

Une union au plus dnombrable densembles ngligeables est ngligeable.

Thorme 1.1 (Continuit monotone squentielle dune probabilit) Soient (, T , p) un espace probabilis et (An ) une suite
dvnements de T .
!
[
Continuit croissante : Si la suite (An ) est croissante alors la suite (p(An ) converge et on a lim p(An ) = p
An .
n+

nN

Continuit dcroissante : Si la suite (An ) est dcroissante alors la suite (p(An ) converge et on a
!
\
An .
p

lim p(An ) =

n+

nN

Exemples :
On lance une pice non truqu une infinit de fois et on considre A lvnement : "On obtient face au moins une fois".
Soit An , n N lvnement "On obtient face au moins une fois dans [
les n premiers lancers" donc la suite des vnements
An .
(An ) est croissante, n N, p(An ) = 1 p(An ) = 1 21n et A =
nN
!
[
On dduit que p(A) = p
An = lim p(An ) = 1 donc A est un vnement presque sr.
nN

On lance un d non truqu 6 faces une infinit de fois et on considre A lvnement : "On nobtient jamais de 6".
Soit An , n N lvnement "On nobtient
\ jamais de 6 dans les n premiers lancers" donc la suite des vnements (An )
5n
est dcroissante, p(An ) = 6n et A =
An .
nN
!
\
On dduit que p(A) = p
An = lim p(An ) = 0 donc A est un vnement ngligeable.
nN

1.2

Evnements indpendants, probabilit conditionnelle :

Dfinition 1.3 Soit (, T , p) un espace probabilis.

Deux vnements A et B de T sont dits indpendants si p(A B) = p(A)p(B).

Une famille (Ai )iI dvnements de T est dite indpendante si J I finie, on a : p

Aj =

jJ

p(Aj ).

jJ

Remarque : Soit (, T , p) un espace probabilis.

le sont. En effet, p(A B)
= p(A \ (A B)) =
Si A et B sont deux vnements indpendants de T alors A et B

p(A) p(A)p(B) = p(A)(1 p(B)) = p(A)p(B). On dduit encore que A et B sont indpendants.
Si (Ai )iI est une famille indpendante dvnements de T alors ses lments sont deux deux indpendants. La rciproque est fausse.
Soit A1 , . . . , An des vnements de T . Si p(A1 An ) = p(A1 ) p(An ) alors la famille (A1 , . . . , An ) nest pas
forcment indpendante.
Exemple : On lance un d non truqu 6 faces et soient les vnements A = "Le nombre obtenu est divisible par 2" et B = "Le
nombre obtenu est divisible par 3".
On a A = {2, 4, 6}, A = {3, 6} et A B = {6} donc p(A)p(B) = 63 62 = 16 = p(A B) do les vnements A et B sont
indpendants.
Dfinition 1.4 Soient (, T , p) un espace probabilis et B un vnement de T tel que p(B) 6= 0.
On appelle probabilit sachant B, lapplication note pB et dfinie sur T par pB (A) = p(AB)
p(B) .
Pour tout vnement A de T , pB (A) se lit "la probabilit de A sachant B". pB (A) se note aussi p(A|B).
Remarques : Soient (, T , p) un espace probabilis et A, B deux vnements de T avec p(B) 6= 0.
www.mathlaayoune.webs.com

2/16

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

pB est une probabilit sur T . On la note aussi p( |B).

p(A)
Si A B alors p(A|B) = p(B)
.
p(A B) = p(A|B)p(B). Si, en plus p(A) 6= 0 alors p(A B) = p(A|B)p(B) = p(B|A)p(A).
= p(A).
A et B sont indpendants si, et seulement si, p(A|B) = p(A). Dans ce cas, p(A|B) = p(A|B)

Dfinition 1.5 (Systme complet dvnements)

Soit (, T , p) un espace probabilis. On dit quune famille (Ai )iI dvnements de T forme un systme complet dvnements
de T si :
1. i, j I tels que i 6= j on a Ai Aj = .
[
2.
Ai = .
iI

Thorme 1.2 Soient (, T , p) un espace probabilis, A un vnement de T et (Bi )iI une famille finie ou dnombrable qui
forme un systme complet dvnements
i I, p(Bi ) 6= 0.
X de T telle queX
Probabilits totales : p(A) =
p(A Bi ) =
p(A|Bi )p(Bi ).
iI

iI

Formule de Bayes : Si p(A) 6= 0 alors i I, p(Bi |A) =

p(A|Bi )p(Bi )
p(A|Bi )p(Bi )
=X
.
p(A)
p(A|Bj )p(Bj )
jI

Exemple : On dispose de deux urnes u1 et u2 , u1 contient 2 boules balanches et 3 boules noires et u2 contient 3 boules blanches
et 2 boules noires.
On lance un d non truqu, si le numro obtenu est infrieur 2, on tire une boule de lurne u1 , sinon on tire une boule de lurne
u2 et on suppose que les boules sont indiscernables au toucher.
Probabilit de tirer une boules blanche : On considre les vnements B = "Tirer une boule blanche", U1 = "Choisir lurne
u1 " et U2 = "Choisir lurne u2 ".
On a p(B|U1 ) = 52 , p(B|U2 ) = 35 , p(U1 ) = 26 = 13 (U1 est aussi lvnement dobtenir 1 ou 2 lors du lancer du d) et
p(U2 ) = 64 = 23 (U2 est aussi lvnement dobtenir 3 ou 4 ou 5 ou 6 lors du lancer du d ou encore U1 ).
Daprs la formule des probabilits totales p(B) = p(B U1 ) + p(B U2 ) = p(B|U1 )p(U1 ) + p(B|U2 )p(U2 ) =
21
32
8
5 3 + 5 3 = 15 .
1 B)
1 )p(U1 )
Probabilit davoir choisit lurne U1 sachant que la boule tire est blanche : On a p(U1 |B) = p(U
= p(B|U
=
p(B)
p(B)
1
2 1 15
=
.
53 8
4

Variables alatoires relles, fonction de rpartition :

Dans toute la suite, (, T , p) est un espace probabilis.

2.1

Variables alatoires relles :

Dfinition 2.1 On appelle variable alatoire relle sur lespace probabilis (, T , p) toute application X : R telle que
a R, X 1 (] , a]) = { /X() a} T .
Remarques et notations : Soient X une variable alatoire relle sur lespace probabilis (, T , p) et a, b R tels que a b.
A R, lensemble X 1 (A) = { /X() A} se note aussi (X A).
On a (X ] , a]) = X 1 (] , a]) T donc (X ] , a]) est un vnement de T , on le note aussi (X a).
On a (X ]a, +[) = (X a) T donc
(X ]a, +[) est un vnement de T , on le note aussi (X > a).
\
1
On a (X [a, +[) =
X >a
T donc (X [a, +[) est un vnement de T , on le note aussi (X a).
k

kN

On a (X ] , a[) = (X a) T donc (X ] , a[) est un vnement de T , on le note aussi (X < a).

On a (X ]a, b]) = (X b) \ (X a) T donc (X ]a, b]) est un vnement de T , on le note aussi (a < X b).
On a (X [a, b]) = (X b) \ (X < a) T donc (X [a, b]) est un vnement de T , on le note aussi (a X b).
On a (X {a}) = (a X a) T donc (X {a}) est un vnement de T , on le note aussi (X = a).
On a (X [a, b[) = (X < b) \ (X < a) T donc (X [a, b[) est un vnement de T , on le note aussi (a X < b).
On a (X ]a, b[) = (X < b) \ (X a) T donc (X ]a, b[) est un vnement de T , on le note aussi (a < X < b).
Pour tout intervalle I de R, (X I) est un vnement de T .
Gnralement, si A est une partie de R obtenue par combinaison de passages au complmentaires, de runions et intersections au plus dnombrables dintervalles de R alors (X A) est un vnement de T .
Si T = P() alors toute fonction de vers R est une variable alatoire relle.

www.mathlaayoune.webs.com

3/16

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

Proposition 2.1 Si X1 , . . . , Xn sont des variables alatoires relles sur lespace probabilis (, T , p) et f : Rn R une
application continue sur Rn alors lapplication 7 f (X1 (), . . . , Xn ()) est une variable alatoire relle sur (, T , p).
On la note f (X1 , . . . , Xn ).
Corollaire 2.2 Si X1 , . . . , Xn sont des variables alatoires relles sur lespace probabilis (, T , p) et 1 , . . . , n R alors
1 X1 + + n Xn , X1 Xn , max(X1 , . . . , Xn ) et min(X1 , . . . , Xn ) sont des variables alatoires relles sur (, T , p).
Exemple : Si X et Y sont deux variables alatoires relles sur lespace probabilis (, T , p) alors X Y est une variable
alatoire. En particulier, (X = Y ) = (X Y = 0), (X Y ) = (X Y 0) et (X < Y ) = (X Y < 0) sont des
vnements de T .
Proposition 2.3 Si X est une variable alatoire relle sur lespace probabilis (, T , p) et f : R R monotone alors f X
est une variable alatoire relle sur (, T , p). On la note f (X).
Remarque : Le rsultat reste vrai si f est monotone par morceaux.
Exemple : Si X est une variable alatoire relle sur lespace probabilis (, T , p) alors X 2 , sin(X) et E(X) sont des variables
alatoires relles sur (, T , p).
Proposition 2.4 Soit (Xn ) une suite de variables alatoires relles sur lespace probabilis (, T , p).
Si (Xn ) converge simplement sur vers une application X alors X est une variable alatoire sur (, T , p).

2.2

Fonction de rpartition dune variable alatoire relle :

Dfinition 2.2 Soit X une variable alatoire relle sur lespace probabilis (, T , p).
On appelle fonction de rpartition de X lapplication, note FX , de R vers R dfinie par t R, FX (t) = p(X t).
Proprit 2.1 Soit X une variable alatoire relle sur lespace probabilis (, T , p). Alors :
FX est croissante sur R. En particulier, FX admet en tout point une limite droite et une limite gauche.
FX est continue droite sur R. Autrement dit, t R, lim FX (u) = FX (t).
ut+

lim FX (t) = 0.

lim FX (t) = 1.

t+

Proprit 2.2 Soient X une variable alatoire relle sur lespace probabilis (, T , p) et a, b R tels que a b. Alors :
p(X > a) = 1 FX (a).
p(X < a) = lim FX (t).
ta

p(X a) = 1 lim FX (t).

ta

p(a < X b) = FX (b) FX (a).

p(a X b) = FX (b) lim FX (t).
ta

p(a X < b) = lim FX (t) lim FX (t).

tb

ta

p(a < X < b) = lim FX (t) FX (a).

tb

p(X = a) = FX (a) lim FX (t).

ta

Remarque : Soit X une variable alatoire relle sur lespace probabilis (, T , p).
La connaissance de la fonction de rpartition de X permet de calculer p(X I) pour tout intervalle I de R.
Corollaire 2.5 Soit X une variable alatoire relle sur lespace probabilis (, T , p).
FX est continue en a R si, et seulement si, p(X = a) = 0.
FX est continue sur R si, et seulement si, x R, p(X = x) = 0.
Notation : Soit X1 , . . . , Xn une famille de variables alatoires sur lespace probabilis (, T , p) et I1 , . . . , In une famille
dintervalles de R.
Lvnement (X1 I1 ) (Xn In ) se note aussi (X1 I1 , . . . , Xn In ).
Dfinition 2.3 Soit (X1 , . . . , Xn ) une famille finie de variables alatoires relles sur lespace probabilis (, T , p).
On appelle fonction de rpartition de la famille (X1 , . . . , Xn ) lapplication, note FX1 ,...,Xn , de Rn dans R, dfinie par
(t1 , . . . , tn ) Rn , FX1 ,...,Xn (t1 , . . . , tn ) = p(X1 t1 , . . . , Xn tn ).
Remarque : Si (X1 , . . . , Xn ) est une famille de variables alatoires relles sur lespace probabilis (, T , p) alors la connaissance de la fonction de rpartition FX1 ,...,Xn de la famille (X1 , . . . , Xn ) permet de calculer p(X1 I1 , . . . , Xn In ) pour
tous intervalles I1 , . . . , In de R.
www.mathlaayoune.webs.com

4/16

mathlaayoune@gmail.com

CPGE Laayoune

3
3.1

Lissane Eddine

Essaidi Ali

Loi dune variable alatoire relle :

Loi dune variable alatoire relle :

Notation : On note I(R) lensemble de tous les intervalles de R.

Dfinition 3.1 Soit X une variable alatoire relle sur lespace propbabilis (, T , p).
On appelle loi de X lapplication I I(R) 7 p(X I).
Remarque : Si X est une variable alatoire relle sur lespace probabilis (, T , p) alors la connaissance de la fonction de
rpartition FX de X permet de dterminer la loi de X. On dit que la fonction de rpartition de X carctrise la loi de X.
Dfinition 3.2 Soit (X1 , . . . , Xn ) une famille de variables alatoires relles sur lespace propbabilis (, T , p).
n
On appelle loi de la famille (X1 , . . . , Xn ) lapplication (I1 , . . . , In ) (I(R)) 7 p(X1 I1 , . . . , Xn In ).
Remarque : Si (X1 , . . . , Xn ) est une famille de variables alatoires relles sur lespace probabilis (, T , p) alors la connaissance de la fonction de rpartition de la famille (X1 , . . . , Xn ) permet de dterminer la loi de (X1 , . . . , Xn ). On dit que la
fonction de rpartition de (X1 , . . . , Xn ) carctrise la loi de la famille (X1 , . . . , Xn ).
Dfinition 3.3 Soient X une variable alatoire relle et A un vnement non ngligeable sur lespace probabilis (, T , p).
p((X I) A)
On a appelle loi conditionnelle de X sachant lvnement A, lapplication I I(R) 7 p((X I)|A) =
.
p(A)
On la note (pA )X .

3.2

Variables alatoires de lois discrtes :

Dfinition 3.4 Une variable alatoire relle X sur lespace propbabilis (, T , p) est dite de loi discrte sil existe 0 T tel
que p(0 ) = 1 et D = X(0 ) soit au plus dnombrable.
Remarques : Soient X une variable alatoire de loi discrte sur lespace propbabilis (, T , p) et 0 T tel que p(0 ) = 1 et
D = X(0 ) au plus dnombrable
!
[
X
A D, p(X A) = p
(X = x) =
p(X = x).
xA

xA

La loi de X est caractrise par la donne de D et de lapplication x D 7 p(X = x).

On peut supprimer de D tous les lments x tels que p(X = x) = 0, les x restants sont appels les valeurs possibles de
X.
Exemples de lois discrtes usuelles : Soit X une variable alatoire de loi discrte sur lespace probabilis (, T , p).
Loi uniforme : On dit que X suit la loi uniforme de paramtre n N si X prend ses valeurs dans {1, . . . , n} tel que
k {1, . . . , n}, p(X = k) = n1 . On note X , U(n).
Exemple : Jeu de d, on lance un d quilibr et soit X la valeur obtenue alors X , U(6).
Loi de Bernoulli : On dit que X suit la loi de Bernoulli de paramtre p [0, 1] si X prend deux valeurs 1 (succs) et 0
(chec) avec p(X = 1) = p et p(X = 0) = 1 p. On note X , B(p).
Exemple : Jeu de pile ou face, on lance une pice et soit X gale 1 si on obtient pile et 0 si cest face, alors X , B(p)
o p est la probabilit dobtenir pile.
Loi binomiale : On dit que X suit la loi de binomiale de paramtres n N et p [0, 1] si X prend ses valeurs dans
{0, . . . , n} tel que k {0, . . . , n}, p(X = k) = Cnk pk (1 p)nk . On note X , B(n, p).
Exemple : Jeu de pile ou face fini, on lance une pice n fois et soit X le nombre de piles obtenus, alors X , B(n, p) o
p est la probabilit dobtenir pile.
Loi gomtrique : On dit que X suit la loi gomtrique de paramtre p [0, 1] si X prend ses valeurs dans N tel que
n N , p(X = n) = p(1 p)n1 . On note X , G(p).
Exemple : Jeu de pile ou face infini, on lance une pice une infinit de fois et soit X le rang du premier pile obtenu, alors
X , G(p) o p est la probabilit dobtenir pile.
Loi de Poisson : On dit que X suit la loi Poisson de paramtre > 0 si X prend ses valeurs dans N tel que n
n
N, p(X = n) = e n! . On note X , P().
Exemple : On change une ampoule chaque fois quelle tombe en panne et soit X le nombre de fois quon a d changer
lampoule pendant une dure de temps t. Si est le nombre moyen des ampoules changes alors X , P().
Remarques : Soit (X, Y ) un couple de variables alatoires de lois discrtes sur lespace probabilis (, T , p).
La loi du couple (X, Y ) est caractrise par la donne des ensembles D et D0 des valeurs possibles de X et Y respectivement et de la fonction (x, y) D D0 7 p(X = x, Y = y). Cette loi sappelle aussi la loi conjointe du couple
(X, Y ).

www.mathlaayoune.webs.com

5/16

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

Pour dterminer les lois de X et Y on utilise la formule des probabilits totales : x D, p(X = x) =

p(X =

yD 0

x, Y = y) et y D0 , p(Y = y) =

p(X = x, Y = y).

xD

Exemple : On lance simultanment deux ds et soient les deux variables alatoires X le plus grand nombre obtenu et Y le plus
petit.
Loi conjointe du couple (X, Y ) : Soient i, j {1, . . . , 6}.
Si i < j alors p(X = i, Y = j) = 0 car X Y .
1
Si i = j alors p(X = i, Y = j) = 36
car on na quun seul choix (avoir la mme valeur i pour les deux ds).
1
2
car on na deux choix (i, j) ou (j, i).
Si i < j alors p(X = i, Y = j) = 36 = 18
6
i
X
X
Loi de X : Soit i {1, . . . , 6}. On a p(X = i) =
p(X = i, Y = j) =
p(X = i, Y = j) = p(X = i, Y =
j=1

i) +

i1
X

p(X = i, Y = j) =

j=1

j=1

i1
2i 1
1
+
=
.
36
18
36

Loi de Y : Soit j {1, . . . , 6}. On a p(Y = j) =

6
X

p(X = i, Y = j) =

i=1

j) +

6
X

p(X = i, Y = j) =

i=j+1

6
X

p(X = i, Y = j) = p(X = j, Y =

i=j

6j
13 2j
1
+
=
.
36
18
36

Exemples de caclul de la loi de Y = g(X) pour

 une
 variable alatoire X de loi discrte :
Soit p [0, 1] et X , G(p). Loi de Y = X2 :
On a Y prend ses valeurs dans N donc
 Y est

une variable alatoire de loi discrte. Soit k N.
=
0
= p(X = 1) = p.
Si k = 0 alors p(Y = k) = p X
2 


Si k 1 alors p(Y = k) = p X
=
0
= p((X = 2k) (X = 2k + 1)) = p(X = 2k) + p(X = 2k + 1) =
2
p(1 p)2k1 + p(1 p)2k = p(2 p)(1 p)2k1 .
p
si k = 0
La loi de Y est alors donne par k N, p(Y = k) =
.
p(2 p)(1 p)2k1 si k 1
Soit > 0 et X , P(). Loi de Y = cos(X) :
On a Y prend ses valeurs dans {1, 1} donc Y est une variable alatoire de loi discrte.
On a p(Y = 1) = p(X pair) =

+
X

p(X = 2n) =

n=0

n=0

On a p(Y = 1) = p(X impair) =

+
X

+
X

p(X = 2n + 1) =

n=0

2n
= e ch().
(2n)!
+
X

n=0

2n+1
= e sh().
(2n + 1)!

La loi de Y est alors donne par p(Y = 1) = e ch() et p(Y = 1) = e sh(). En particulier,

3.3

Y +1
2

, B(e ch())

Variables alatoires de lois continues :

Dfinition 3.5 Une variable alatoire relle X sur lespace probabilis (, T , p) est dite de loi densit ou de loi continue si
sa fonction de rpartition FX est continue sur R et de classe C 1 sur R priv dun sous-ensemble F fini ou vide.
Dans ce cas, on appelle densit de X lapplication, note fX , dfinie sur R par :
 0
FX (t) si t
/F
t R, fX (t) =
0
si t F
Remarque : Si X est une variable alatoire de loi continue sur lespace probabilis (, T , p) alors a, b R avec a b :
p(X = a) = 0.
p(X a) = p(X < a) = FX (a).
p(X a) = p(X > a) = 1 FX (a).
p(a X b) = p(a < X b) = p(a < X < b) = p(a X < b) = FX (b) FX (a).
Proprit 3.1 Si X est une variable alatoire de loi densit sur lespace probabilis (, T , p) alors :
1. fX est positive et continue sur R priv dun sous-ensemble fini ou vide.
Z
Z
2. Lintgrale
fX (t)dt converge et on a
fX (t)dt = 1.
R

Z
3. Pour tout intervalle I de R on a p(X I) = FX (b) FX (a) =

fX (t)dt avec a = inf I et b = sup I.

a

www.mathlaayoune.webs.com

6/16

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

Exemples de lois densit usuelles : Soit X une variable alatoire de loi densit sur lespace probabilis (, T , p).
Loi uniforme : On dit que X suit la loi uniforme sur lintervalle [a, b] si sa fonction de densit est :
1

si t [a, b]

ba
fX (t) =

0
sinon
Dans ce cas, on note X , U(a, b).
Loi exponentielle : On dit que X suit la loi exponentielle de paramtre > 0 si sa fonction de densit est :

et si t 0
fX (t) =

0
sinon
Dans ce cas, on note X , E().
Loi gamma : On dit que X suit la loi gamma de paramtres > 0 et > 0 si sa fonction de densit est :

t 1

e t
si t > 0

()
fX (t) =

0
sinon
Dans ce cas, on note X , (, ).
Loi gaussienne : On dit que X suit la loi gaussienne ou la loi normale de paramtres m R et > 0 si sa fonction de
densit est :
(tm)2
1
fX (t) = e 22
2
Dans ce cas, on note X , N (m, 2 ).
Remarques :
La loi (1, ) est la loi E().
X m
Si X , N (m, 2 ) alors
, N (0, 1). N (0, 1) sappelle la loi normale centre rduite ou la loi gaussinne

standard.
Exemples de caclul de la loi de Y = g(X) pour une variable alatoire X de loi continue :
Soit > 0 et X , E(). Loi de Y = 3X : Soit t R.


Si t 0 alors FY (t) = p(Y t) = p(3X t) = p X 3t =

0.


Si t > 0 alors FY (t) = p(Y t) = p(3X t) = p X 3t = FX 3t donc Y est une variable alatoire de loi


t
densit et on a fY (t) = FY0 (t) = 13 fX 3t = 3 e 3 .
t
On dduit que la densit de Y est fY (t) = 3 e 3 1]0,+[ (t).
Soit X , N (0, 1). Loi de Y = X 2 :
Soit t R.
Si t 0 alors FY (t) = p(Y t) = p(X 2 t) = 0.

Si t > 0 alors FY (t) = p(Y t) = p(X 2 t) = p( t X

t) = FX ( t)FX ( t) donc Y est une variable

t
t
1
1 1
1 1
1
alatoire de loi densit et on a fY (t) = FY0 (t) = 2
f ( t) + 2
f ( t) = 2
e 2 + 2
e 2 =
t X
t X
t 2
t 2
t

1 e 2 .
2t

On dduit que la densit de Y est fY (t) =

4
4.1

1 e 2 1[0,+[ (t)
2t

Variables alatoires relles indpendantes :

Variables alatoires relles indpendantes :

Dfinition 4.1 Une famille (Xj )jJ de variables alatoires relles sur lespace probabilis (, T , p) est dite indpendante ou
mutuellement indpendante si, pour toute famille (Ij )jJ dintervalles de R, la famille (Xj Ij )jJ des vmements de T est
indpendante.
Remarques :
Deux variables alatoires relles X et Y sur lespace probabilis (, T , p) sont indpendantes si pour tous intervalles I
et J de R on a p(X I, Y J) = p(X I)p(Y J).

www.mathlaayoune.webs.com

7/16

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

Une famille (Xj )jJ de variables alatoires relles sur lespace probabilis
(, T , p) est indpendante si K J fini et
!
\
Y
pour toute famille (Ik )kK dintervalles de R on a p
(Xk Ik ) =
p(Xk Ik ).
kK

kK

Si (Xi )iI est une famille indpendante de variables alatoires alors ses lments sont deux deux indpendants. La
rciproque est fausse.
Lindpendance dune famille de variables alatoires est relative la probabilit donne.
Exemple : Soient X, Y de variable alatoires relles indpendantes sur lespace probabilis (, T , p).
Loi de M = sup(X, Y ) :
Soit t R. On a FM (t) = p(M t) = p(X t, Y t) = p(X t)p(Y t) = FX (t)FY (t).
En particulier, si X, Y sont de lois continues alors il en est de mme pour M et on a fM (t) = fX (t)FY (t) + FX (t)fY (t).
Loi de m = min(X, Y ) :
Soit t R. On a 1 Fm (t) = p(m > t) = p(X > t, Y > t) = p(X > t)p(Y > t) = (1 FX (t))(1 FY (t)) donc
Fm (t) = 1 (1 FX (t))(1 FY (t)).
En particulier, si X, Y sont de lois continues alors il en est de mme pour m et on a fm (t) = fX (t)(1 FY (t)) + (1
FX (t))fY (t).
Proposition 4.1 (Indpendance hrite) Soit (Xi )1in une famille indpendante de variables alatoires relles sur lespace
probabilis (, T , p).
Si n0 , n1 , . . . , nk N tels que 0 = n0 < n1 < < nk1 < nk = n et i {1, . . . , k}, fi : Rni ni1 R continue alors
la famille (f1 (X1 , . . . , Xn1 ), f2 (Xn1 +1 , . . . , Xn2 ), . . . , fk (Xnk1 +1 , . . . , Xnk )) est indpendante.
Exemples :
Si (X, Y, Z, T, U ) est une famille indpendante de variables alatoires alors la famille (X 2 , Y +Z, T U ) est indpendante.
Si X et Y sont deux variables alatoires indpendantes alors les variables X 2 et cos(Y ) sont indpendantes.
X1 + + Xn
et Xn+1 sont
Si (X1 , . . . , Xn+1 ) est une famille indpendante de variables alatoires alors les variables
n
indpendantes.
Exemples de caclul de la loi de Y = g(X1 , . . . , Xn ) pour une famille indpendantes
(X1 , . . . , Xn ) de variables alatoires :


Y
Soient X, Y deux variables alatoires indpendantes avec X , B n, 21 et Y , E(1). Loi de Z = X+1
:


n
X
Y
p(X t(k + 1), Y =
Soit t R. On a FZ (t) = p(Z t) = p(XY t) = p
t = p(Y t(X + 1)) =
X +1
k=0
n
n
n
n
X
X
X
1
et X k kt
k) =
p(X t(k + 1))p(Y = k) =
FX (t(k + 1))p(Y = k) =
e(k+1)t Cnk n = n
Cn e
=
2
2
k=0

k=0

k=0

k=0

et
(1 + et )n .
2n


Soit X et Y deux variables alatoires indpendantes telles que X , N (0, 1) et Y 2+1 , B 12 (Autrement dit, p(Y =
1) = p(Y = 1) = 21 ). Loi de Z = XY :
Soit t R. On a FZ (t) = p(Z t) = p(XY t) = p(X t, Y = 1) + p(X t, Y = 1) = p(X t)p(Y =
1)+p(X t)p(Y = 1) = 12 FX (t)+ 12 (1FX (t)) donc Z est de loi continue et on a fZ (t) = 21 fX (t)+ 21 fX (t) =
fX (t) car fX est paire.
On dduit que Z , N (0, 1).

4.2

Loi de la somme de deux variables alatoires relles indpendantes :

Proposition 4.2 Soit (X1 , X2 ) un couple de variables alatoires relles indpendantes de lois discrtes et densembles de
valeurs possibles respectives D1 et D2 . Alors :
La variables alatoire S = X1 + X2 est de loi discrte.
Lensemble des valeurs X
possibles de S est D = {u + v/(u, v)X
D1 D2 }.
s D, p(S = s) =
p(X1 = u)p(X2 = s u) =
p(X1 = s v)p(X2 = v). Cette formule sappelle la
uD1

vD2

convolution discrte des lois de X1 et X2 .

Exemples :
Stabilit de la la loi binomiale : Soient m, n N, p [0, 1], X , B(m, p), Y , B(n, p) indpendantes et S = X +Y .
S est une variable alatoire de loi discrte et densemble des valeurs possibles {0, . . . , n + m}. Soit k {1, . . . , n + m},
on a :
m
m
m
X
X
X
u u
u ku
p(S = k) =
p(X = u)p(Y = ku) =
Cm
p (1p)nu Cnku pku (1p)mk+u = pk (1p)n+mu
Cm
Cn .
u=0

www.mathlaayoune.webs.com

u=0

u=0

8/16

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

n+m
X
s
k
On a (X + 1)n+m =
Cn+m
X s donc le coefficient de X k est Cn+m
. Dautre part, (X + 1)n+m = (X + 1)m (X +
!s=0 n
!
!
m
n+m
m
m
X
X
X X
X
n
s
s
s s
u su
s
u ku
k
1) =
Cm X
Cn X
=
Cm Cn
X donc le coefficient de X est
Cm
Cn
do
m
X

s=0

s=0

s=0

u=0

u=0

u ku
k
Cm
Cn = Cn+m
.

u=0
k
On dduit que p(S = k) = Cn+m
pk (1 p)n+mk donc S , B(m + n, p).
Stabilit de la loi de Poisson : Soient > 0, > 0, X , P(), Y , P() indpendantes et S = X + Y .
S est une variable alatoire de loi discrte et densemble des valeurs possibles N. Soit n N, on a :
n
n
+
n
X
X
X
nk
k nk
1 X n k nk
k
= e(+)
= e(+)
Ck
=
p(S = n) =
p(X = k)p(Y = nk) =
e e
k!
(n k)!
k!(n k)!
n!
k=0
k=0
k=0
k=0
( + )n
.
e(+)
n!
On dduit que S , P( + ).

Proposition 4.3 Soit (X, Y ) un couple de variables alatoires relles indpendantes telles que X soit de loi discrte, densemble de valeurs possibles D, et Y soit de loi continue et de densit fY . Alors :
La variables alatoire S = X + Y est de loi X
densit.
La densit de S est la fonction fS : t R 7
p(X = u)fY (t u).
uD

Exemple : Soient p [0, 1], > 0, X , B(p), Y , E() indpendantes et S = X + Y .

S est une variable alatoire de loi densit et soit t R. on a :

(1 p)et + pe(t1)
fS (t) = p(X = 0)fY (t) + p(X = 1)fY (t 1) = (1 p)fY (t) + pfY (t 1) =
(1 p)et

si t 1
(1 p + pe )et
(1 p)et
si t [0, 1[ .
On dduit que la fonction de densit de S est t R, fS (t) =

0
si t < 0

si t 1
si t [0, 1[
si t < 0

Proposition 4.4 Soit (X, Y ) un couple de variables alatoires relles indpendantes de lois continues et de densits respectives
fX et fY . Alors :
La variables alatoire S = X + Y est de loi Zdensit.
Z
+

La densit de S est la fonction fS : t R 7

appele le produit de convolution des densits

fX (u)fY (t u)du =

fX et

fX (t u)fY (u)du. Cette fonction est

fY .

Exemples :
Loi exponentielle : Soient > 0, X , E(), Y , E() indpendantes et S = X + Y .
Z +
S est une variable alatoire densit. Soit t R. On a : fS (t) =
fX (u)fY (t u)du.

Si t 0 :
Si u < 0 alors fX (u) = 0 donc fX (u)fY (t u) = 0.
Si u > 0 alors t u < 0 donc fY (t u) = 0 donc fX (u)fY (t u) = 0.
Donc u R , fX (u)fY (t u) = 0 do fS (t) = 0.
Z t
Z t
Si t > 0 alors fS (t) =
eu e(tu) du = 2 et
du = 2 tet .
0

Donc fS (t) = 2 tet 1]0,+[ (t) do S , (2, ).

Stabilit de la loi gaussienne : Soient X , N (0, 1 ) et Y , N (0, 2 ) indpendantes. la densit de X + Y est :
Z

f (x) =

www.mathlaayoune.webs.com

12 t2
12 (xt)2
1
1
1

e 21
e 22
du =
21 2
21
22

9/16

+ 1
2

t2
2
1

(xt)2
2
2

du

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

On a :

t2
(x t)2
+
12
22

1
(t2 22 + (x t)2 12 )
12 22

1
(t2 (12 + 22 ) 2xt12 + x2 12 )
12 22

12 + 22
12 22


t2 2xt

12 + 22
12 22


tx

12 + 22
12 22

=
2

1
1 2
On pose a = x 2 +
2 et b = 2
1

1 +22

f (x)

Essaidi Ali

12
2
+ x2 2 1 2
2
2
1 + 2
1 + 2

12
2
1 + 22

2

14
2
x
+ x2 2 1 2
2
2
2
(1 + 2 )
1 + 2

!
2
2 2

12
+ x2 2 1 2 2 2
12 + 22
(1 + 2 )

2
2
2
2
2
x

1 + 2
+ 2
tx 2 1 2
2
2
1 2
1 + 2
1 + 22

tx

(x t)2
1
x2
t2
do :
+
= 2 (t a)2 + 2
2
2
1
2
b
1 + 22
Z +
x2
12 (ta)2
1
2 + 2 )
2(1
2 du
e 2b
21 2

donc

1
p

2(12

22 )

1
p

2(12 + 22 )

x2
2 + 2 )
2(1
2

1
2b

e 2b2 (ta) du

x2
2 + 2 )
2(1
2

Z +
2
1
1
e 2b2 (ta) du = 1 (loi N (a, b2 )).
2b
On dduit que X + Y , N (0, 12 + 22 ).
Gnralement, si X , N (m1 , 1 ) et Y , N (m2 , 2 ) indpendantes alors X m1 , N (0, 1 ) et Y m2 , N (0, 2 )
donc X + Y (m1 + m2 ) , N (0, 12 + 22 ) do X + Y , N (m1 + m2 , 12 + 22 )

Car

5
5.1

Esprance, moments :
Esprance :

Dfinition 5.1 Soit X une variable alatoire relle de loi discrte ou continue sur lespace propbabilis (, T , p).
Cas X de loi discrte et densemble de valeursX
possibles D : On dit que X admet une esprance si la famille (kp(X =
k))kD est sommable. Dans ce cas, le nombre
kp(X = k) sappelle lesprance de X et on le note E(X).
kD

Cas X de loi continue : On dit que X admet une esprance si lapplication t 7 tf (t) est intgrable sur R. Dans ce cas,
Z +
le nombre
tfX (t)dt sappelle lesprance de X et on le note E(X).

Remarques :
Si X est une variable alatoire de loi discrte sur lespace propbabilis (, T , p) qui admet une esprance alors la valeur
de E(X) ne dpend pas de lordre de sommation.
Esprance dune constante : Soit a R. Si X = a alors p(X = a) = 1 donc E(X) = ap(X = a) = a. En particulier,
E(1) = 1.
Esprance de variables alatoires relles de lois usuelles :
Cas discret :
Loi uniforme : Si X , U(n) alors :
E(X) =

n
X

kp(X = k) =

k=1

www.mathlaayoune.webs.com

n
X
n+1
k
=
n
2

k=1

10/16

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

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

E(X) = 1p(X = 1) + 0p(X = 0) = p
Loi de benomiale : Si X , B(n, p) alors :
E(X)

n
X

kp(X = k)

k=0

= np

n
X

k1 k1
Cn1
p
(1

nk

p)

k=1

n
X

kCnk pk (1 p)nk

k=0
n1
X

np

n
X

k1 k
nCn1
p (1 p)nk

k=1
k
Cn1
pk (1

n1k

= np(p + (1 p))n1 = np

p)

k=0

k1
Loi
donc la srie
P de gomtrique : Soit X , G(p) avec p ]0, 1[. On a k N , kp(X = k) = kp(1 p)
kp(X = k) est convergente do la famille (kp(X = k)) est sommable.
On dduit que X admet une esprance et on a :

E(X) =

+
X

kp(X = k) =

k=1

+
X

kp(1 p)k1 = p

k=1

+
X

k(1 p)k1 =

k=1

1
p
=
2
(1 (1 p))
p
k

k1

Loi de Poisson : Soit X , P() avec > 0. On a k N , kp(X = k) = ke k! = e (k1)!

donc la srie
P
kp(X = k) est convergente do la famille (kp(X = k)) est sommable.
On dduit que X admet une esprance et on a :

E(X) =

+
X

+
X

kp(X = k) =

ke

k=0

k=0

k=1

k=0

X k1
X k
k
= e
= e
= e e =
k!
(k 1)!
k!

Cas continu :
Loi uniforme : Si X , U(a, b) alors :
Z

E(X) =
a

 2 b
t
1
b2 a2
a+b
dt =
t a=
=
ba
2(b a)
2(b a)
2

Loi exponentielle : Soit X , E() avec > 0. Lapplication t 7 tet est intgrable sur [0, +[ donc X admet
une esprance et on a : alors :
Z +
Z +


1
1  t +
t
t +
e
=
E(X) =
te dt = te
+
et dt =
0
0

0
0
Loi gamma : Si X , (, ) avec , > 0. Lapplication t 7 tet t1 est intgrable sur ]0, +[ donc X admet
une esprance et on a : :
Z +
Z +

1
( + 1)

t 1
E(X) =
te t
dt =
+1 et t dt =
=
()
()
()

0
0
Lois gaussiennes : Si X , N (m, 2 ) avec m R et > 0. Lapplication t 7 te
X admet une esprance et on a :
Z +
(tm)2
1
te 22 dt
E(X) =
2
=

(t m)e

(tm)2
2 2

m
dt +
2

(tm)2
2 2

est intgrable sur R donc

(tm)2
2 2

dt


+
Z +
(tm)2
(tm)2

m
22

e
+
e 22 dt = m
2
2

Thorme 5.1 (Thorme de transfert) Soit X une variable alatoire relle de loi discrte ou continue sur lespace propbabilis (, T , p) et g : X() R telle que Y = g(X) soit une variable alatoire.
Cas X de loi discrte densemble de valeurs possibles D
X: Y admet une esprance si, et seulement si, la famille
(g(k)p(X = k))kD est sommable. Dans ce cas, E(Y ) =
g(k)p(X = k).
kD

www.mathlaayoune.webs.com

11/16

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

Cas X de loi continue : Y admet une esprance si, et seulement si, lapplication t 7 g(t)fX (t) est intgrable sur R.
Z +
g(t)fX (t)dt.
Dans ce cas, E(Y ) =

Exemples :
Soit > 0, X , P() et Y =
E[Y ] =

+
X
k=0

1
X+1

: La famille

1
k
k+1 e
k!

est sommable donc Y admet une esprance et on a :

+
+
e X k+1
e X k
e
1 e
1 k
e
=
=
=
(e 1) =
k+1
k!

(k + 1)!

k!

k=0

k=1

2 t

Soit > 0, X , E() et Y = X : Lapplication t 7 t e

est intgrable sur [0, +[ donc Y admet une esprance et
on a :
Z +
1
2
t2 et dt = 2 (3) = 2 (Changement de variables u = t)
E[Y ] =

0
Remarque : Le thorme de transfert permet de calculer lesprance de Y laide de la loi de X et sans avoir dterminer
celle de de Y .
Thorme 5.2 Thorme de transfert deux variables discrtes Soit X, Y deux variables alatoires de lois discrtes sur
lespace propbabilis (, T , p), D et D0 les ensembles des valeurs possibles respectives et g : (X, Y )() R.
La variable alatoire Z = g(X, Y ) admet une esprence si, et seulement si, la famille (g(xi , yj )p(X = xi , Y = yj ))(i,j)DD0
est sommable.
X
Dans ce cas, E(Z) =
g(xi , yj )p(X = xi , Y = yj ).
i,j

Exemple : On lance simultanment deux ds quilibrs et soit X le produit des deux nombres obtenus. On pose U et V ,
respectivement, le nombre du premier d et celui du second d.
!2
6
6
6
X
62 72
49
1 X
1 X
On a E(X) =
ijp(U = i, V = j) =
ij =
i
=
=
.
36 i,j=1
36 i=1
4 36
4
i,j=1
Proposition 5.1 Soient X et Y deux variables alatoires de lois discrtes (resp. de lois continues) sur lespace probabilis
(, T , p).
Si Y admet une esprance et |X| Y alors X admet une esprance et on a E(X) E(Y ).
Proprit 5.1 Proprits de lesprance Soient X et Y deux variables alatoires de lois discrtes ou continues sur lespace
probabilis (, T , p).
Si X et Y possdent une esprance alors :
Linarit : , R, X + Y possde une esprance et on a E(X + Y ) = E(X) + E(Y ).
Positivit : Si X est positive alors E(X) 0.
Croissance : Si X Y alors E(X) E(Y )
Ingalit triangulaire : E(|X + Y |) E(|X|) + E(|Y |).
Produit : Si X et Y sont indpendants alors E(XY ) = E(X)E(Y ).
Remarque : Soit X et Y deux variables alatoires relles de lois discrtes ou continues sur lespace propbabilis (, T , p) qui
possdent des esprances.
Si E(X) = 0 alors, on dit que la X est centre.
La variable alatoire Y = X E(X) sappelle la variable alatoire centre associe X et on a E(Y ) = 0.
Si X et Y ne sont pas indpendantes alors XY nadmet pas forcment une esprance.
Si E(XY ) = E(X)E(Y ) alors X et Y ne sont pas frcment indpendantes.


Exemple : Soit X et Y deux variables alatoires indpendantes telles que X , N (0, 1) et Y 2+1 , B 21 et Z = XY .
On a X et Y indpendantes donc Z = XY admet une esprance et on a E(X)E(Z) = 0 car E(X) = 0 puisque X , N (0, 1).
On a X et Y indpendantes donc X 2 et Y indpendantes do XZ = X 2 Y admet une esprance et on a E(XZ) = E(X 2 Y ) =
E(X 2 )E(Y ) = 0 car E(Y ) = p(Y = 1) p(Y = 1) = 0.
On dduit E(XZ) = E(X)E(Z).
Supposons que X et Z sont indpendantes donc X 2 et Z 2 sont indpendantes, or Z 2 = X 2 car les valeurs possibles de Y sont
1 et 1 do X 2 est indpendante delle mme donc p(X 2 1, X 2 1) = p(X 2 1)p(X 2 1) = p(X 2 1)2 do
p(X 2 1) = 0 ou p(X 2 1) = 1.
Z 1
t2
1
2
e 2 dt 6= 0 et 6= 1. X et Z sont alors dpendantes et E(XZ) =
Absurde car p(X 1) = p(1 X 1) =
2 1
E(X)E(Z).
Remarque : En gnrale, une variable alatoire relle X et indpendante delle mme si, et seulement si, X est constante
presque partout (Autrement dit, C R, p(X = C) = 1).
www.mathlaayoune.webs.com

12/16

mathlaayoune@gmail.com

CPGE Laayoune

5.2

Lissane Eddine

Essaidi Ali

Moments, variance, cart-type et covariance :

Dfinition 5.2 Soit X une variable alatoire relle de loi discrte ou continue sur lespace propbabilis (, T , p) et k N .
Si la variable alatoire X k admet une esprance alors on dit que X admet un moment dordre k. Dans ce cas, E(X k ) sappelle
le moment dordre k de X.
Remarque : Soit X une variable alatoire relle de loi discrte ou continue sur lespace propbabilis (, T , p).
Si X admet un moment dordre k N alors r {1, . . . , k 1}, X admet un moment dordre r.
Si X admet un moment dordre k N alors R, X + admet un moment dordre k.
Dfinition 5.3 Soit X une variable alatoire relle de loi discrte ou continue sur lespace propbabilis (, T , p).
Si X admet un moment dordre 2 alors on appelle :
2
Variance de X la quantit V (X) = E((X
p E(X)) ).
Ecart-type de X la quantit (X) = V (X).
Remarque : Soit X une variable alatoire relle de loi discrte ou continue sur lespace propbabilis (, T , p) qui admet un
moment dordre 2.
R, V (X) = 2 V (X) et (X) = ||(X).
Si V (X) = 1 alors on dit que la variable X est rduite.
X E(X)
Y =
sappelle la variable alatoire centre rduite associe X et on a E(Y ) = 0 et V (Y ) = 1.
(X)
Proprit 5.2 Soit X une variable alatoire relle de loi discrte ou continue sur lespace propbabilis (, T , p) qui admet un
moment dordre 2. Alors :
V (X) 0.
V (X) = E(X 2 ) E(X)2 .
V (X) = 0 X = 0 presque partout (Autrement dit, p(X = 0) = 1).
R, V (X + ) = V (X).
Proposition 5.2 (Ingalit de Cauchy-Schwarz) Soient X et Y deux variables alatoires relles de lois discrtes ou continues
sur lespace propbabilis (, T , p).
Si X et Y possdent des moments dordre 2, alors la variable alatoire XY possde une esprance et on a E(XY )2
E(X 2 )E(Y 2 ).
Proposition 5.3 Soient X et Y deux variables alatoires relles de lois discrtes ou continues sur lespace propbabilis
(, T , p).
Si X et Y possdent un moment dordre 2, alors la variable alatoire X + Y possde un moment dordre 2 et on a V (X + Y ) =
V (X) + V (Y ) + 2E((X E(X))(Y E(Y ))).
Dfinition 5.4 Soient X et Y deux variables alatoires relles de lois discrtes ou continues sur lespace propbabilis (, T , p).
Si X et Y possdent un moment dordre 2, alors on appelle covariance du couple (X, Y ) la quantit C(X, Y ) = E((X
E(X))(Y E(Y ))).
Proprit 5.3 Soient X et Y deux variables alatoires relles de lois discrtes ou continues sur lespace propbabilis (, T , p)
admettant un moment dordre 2.
V (X + Y ) = V (X) + V (Y ) + 2C(X, Y ).
C(X, Y ) = E(XY ) E(X)E(Y ).
Si X et Y sont indpendants alors C(X, Y ) = 0. La rciproque est fausse.
Si X et Y sont indpendants alors V (X + Y ) = V (X) + V (Y ).
Dfinition 5.5 Soient X et Y deux variables alatoires relles de lois discrtes ou continues sur lespace propbabilis (, T , p).
Si X et Y possdent un moment dordre 2 et V (X), V (Y ) non nuls, alors on appelle corrlation linaire du couple (X, Y ) la
C(X, Y )
quantit (X, Y ) =
.
(X)(Y )
Proprit 5.4 Soient X et Y deux variables alatoires relles de lois discrtes ou continues sur lespace propbabilis (, T , p)
admettant un moment dordre 2.
Si X et Y sont indpendants alors (X, Y ) = 0. La rciproque est fausse.
Si (X, Y ) = 1 alors on dit que X et Y sont linairement corrles.
Si (X, Y ) = 0 alors on dit que X et Y sont non corrles linairement.
(X, Y ) = 1 > 0, R, Y = X + presque partout (Autrement dit p(Y = X + ) = 1).
(X, Y ) = 1 < 0, R, Y = X + presque partout (Autrement dit p(Y = X + ) = 1).


Exemple : Soit X et Y deux variables alatoires indpendantes telles que X , N (0, 1) et Y 2+1 , B 21 et Z = XY .
On a E(XZ) = E(X)E(Z) donc C(X, Y ) = E(XY )E(X)E(Y ) = 0 et (X, Y ) = 0. Cependant, on a X et Z dpendantes
(voir le dernier exemple de la section 5.1, page 12).
www.mathlaayoune.webs.com

13/16

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

Fonctions gnratrices :

Dfinition 6.1 Soit X une variable alatoire relle sur lespace propbabilis (, T , p) valeurs dans N.
+
X
On appelle fonction gnratrice de X la fonction GX (t) = E(tX ) =
p(X = n)tn .
n=0

Remarques : Soit X une variable alatoire relle sur lespace propbabilis (, T , p) valeurs dans N.
Si lensemble des valeurs possibles de X est fini alors GX est dfinie sur R.
+
X
P
On a
p(X = n) = 1 donc le rayon de convergence de la srie entire p(X = n)tn est 1.
n=0

P
La srie entire p(X = n)tn converge normalement sur [1, 1].
GX est continue sur [1, 1] et C sur ] 1, 1[.
(n)
G (0)
. Autrement dit, GX caractrise la loi de X.
n N, p(X = n) = X
n!
Fonctions gnratrices des lois discrtes usuelles : Soit X une variable alatoire relle de loi discrte sur lespace propbabilis
(, T , p).
n+1
t
t
n
X
si t 6= 1
1 k
Loi uniforme : Si X , U(n) alors t R, GX (t) =
t = n(t 1)
.

n
k=1
1
si t = 1
Loi de Bernoulli : Si X , B(p) alors t R, GX (t) = p(X = 0) + p(X = 1)t = pt.
n
n
X
X
Loi binomiale : Si X , B(n, p) alors t R, GX (t) =
Cnk pk (1 p)nk tk =
Cnk (tp)k (1 p)nk =
k=0

k=0

(tp + 1 p)n = (p(t 1) + 1)n .

Loi gomtrique : Si X , G(p) avec p ]0, 1[ : On a n N , p(X = n)tn = p(1 p)n1 tn donc le rayon de


+
X
P
1
1
1
do t
,
p(1 p)n1 tn =
convergence de la srie entire
p(X = n)tn est 1p
, GX (t) =
1p 1p
n=1
pt

+
X

(t(1 p))n1 = pt

n=1

+
X

(t(1 p))n =

n=0

pt
.
1 t(1 p)
n

Loi de Poisson : Si X , P() avec > 0 : On a n N , p(X = n)tn = e n! tn donc le rayon de convergence de
+
X
P
n
la srie entire p(X = n)tn est + do t R, GX (t) =
e tn = e et = e(t1) .
n!
n=0
Proposition 6.1 Soit X une variable alatoire relle sur lespace propbabilis (, T , p) valeurs dans N.
X admet une esprance si, et seulement si, GX est drivable en 1. Dans ce cas, E(X) = G0X (1).
X admet un moment dordre 2 si, et seulement si, GX admet une drive seconde en 1. Dans ce cas, E(X 2 ) E(X) =
G00X (1).
Exemples :
Loi de Poisson : Soit X , P(). On a GX (z) = e(t1) donc E(X) = G0X (1) = , E(X 2 ) E(X) = G00X (1) = 2
et V (X) = E(X 2 ) E(X)2 = 2 + 2 = .
Proposition 6.2
Soient X, Y sont deux variables alatoires relles indpendantes sur lespace propbabilis (, T , p)
valeurs dans N alors GX+Y = GX GY .
Gnralement, si (X1 , . . . , Xn ) est une famille indpendante de variables alatoires relles sur lespace propbabilis
(, T , p) valeurs dans N alors GX1 ++Xn = GX1 GXn .
Exemples :
Stabilit de la loi binomiale : Soient X , B(m, p) et Y , B(n, p). Si X, Y sont indpendantes alors GX+Y (t) =
GX (t)GY (t) = (p(t 1) + 1)m (p(t 1) + 1)n = (p(t 1) + 1)m+n donc X + Y , B(m + n, p).
Stabilit de la loi de Poisson : Soient X , P() et Y , P(). Si X, Y sont indpendantes alors GX+Y (t) =
GX (t)GY (t) = e(t1) e(t1) = e(+)(t1) donc X + Y , P( + ).

www.mathlaayoune.webs.com

14/16

mathlaayoune@gmail.com

CPGE Laayoune

7
7.1

Lissane Eddine

Essaidi Ali

Ingalits, notions de convergence et thormes limites :

Ingalits :

Proposition 7.1 (Ingalit de Markov) Si X est une variable alatoire relle positive admettant une esprance, alors, pour
tout > 0, p(X ) E(X)
.
Proposition 7.2 (Ingalit de Bienaym-Tchebychev) Si X est une variable alatoire relle admettant un moment dordre 2,
alors, pour tout > 0, p(|X E(X)| ) V (X)
2 .
Interprtation : la variance permet de contrler lcart entre X et sa valeur moyenne E(X).
Proposition 7.3 (Ingalit de Jensen) Soit X une variable alatoire relle sur lespace propbabilis (, T , p) admettant une
esprance et f : R R une application convexe sur R.
Si la variable alatoire Y = f (X) admet une esprance, alors f (E(X)) E(f (X)).

7.2

Convergence en loi, convergence en probabilit :

Dfinition 7.1 Soit (Xn ) une suite de variables alatoires relles sur lespace propbabilis (, T , p).
On dit que (Xn ) convergence en probabilit vers une variable alatoire relle X si :
> 0, lim p(|X Xn | ) = 0
n+

On note Xn X.
n+

Exemple : Soit (Xn ) une suite de variables alatoires relles sur lespace propbabilis (, T , p) dfinie par n N, p(Xn =
n) = n1 et p(Xn = 0) = 1 n1 .
On a > 0, p(|Xn | ) = p(|Xn | =
6 0) = p(Xn = n) =

1
n

0 donc Xn 0.
n+

Proposition 7.4 Soit X une variable alatoire relle sur lespace propbabilis (, T , p).
Si (fn ) est une suite de fonctions de R vers R qui converge simplement sur R vers une fonction f alors la suite de variables
alatoires relles (fn (X)) converge en probabilit vers la variable alatoire relle f (X).
Exemple : Soit X une variable alatoire relle sur lespace propbabilis (, T , p).
s
P
0 sur R donc X
0.
On a n1
n
n+

n s x

n
P
On a 1 + nx
e sur R donc 1 + X
eX .
n
n+

Dfinition 7.2 Soit (Xn ) une suite de variables alatoires relles sur lespace propbabilis (, T , p).
On dit que (Xn ) convergence en loi vers une variable alatoire relle X si en tout point t de continuit de FX on a :
lim FXn (t) = FX (t)

n+
L

On note Xn X.
n+

Exemple : Soit > 0 et (Xn ) une suite de variables alatoires relles indpendantes sur lespace propbabilis (, T , p) de
mme loi E().
On pose n N, Yn = min(X0 , . . . , Xn ) donc n N, FYn = 1 (1 FX1 ) (1 FXn ) = 1 (1 FX1 )n .
On dduit que t R, si t 0, FYn (t) = 1 (1 (1 et ))n = 1 ent et si t < 0, FYn (t) = 0 donc lim FYn (t) =
n+
(
1 si t > 0
.
0 si t 0
(
1 si t 0
Soit la variable alatoire X telle que p(X = 0) = 1 donc FX (t) =
donc, en tout point de continuit t de FX on
0 si t < 0
L

a lim FXn (t) = FX (t) donc Xn X.

n+

n+

Proposition 7.5 Soit X et (Xn ) une suite de variables alatoires relles sur lespace propbabilis (, T , p) valeurs dans N.
(Xn ) converge en loi vers X si, et seulement si, k N, lim p(Xn = k) = P (X = k).
n+

www.mathlaayoune.webs.com

15/16

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

Corollaire 7.6 Soit (Xn )n1 une suite de variables alatoires telle que n 1, Xn , B(n, pn ).
Si npn > 0 alors la suite (Xn )n1 converge en loi vers une variable alatoire X , P().
n+

Interprtation de la loi de Poisson comme loi des vnements rares : Soit > 0 et X , P().
Daprs le collaire prcdent, pour n assez grand, on peut considrer que X , B(n, n ) donc la loi de Poisson dcrit le nombre
de succs, lorsquon rpte un trs grand nombre de fois (n), une exprience ayant une faible chance de se raliser ( n ).
Proposition 7.7 Soit (Xn ) une suite de variables alatoires relles sur lespace propbabilis (, T , p).
Si (Xn ) converge en propbabilit vers une variable alatoire X alors (Xn ) converge en loi vers X.
Remarque : La rciproque est fausse. En effet, soit X , B( 2 ) et (Xn ) dfinie par n N, Xn = 1 X.
Dautre part, on a n N, p(Xn = 0) = p(X = 1) = p(X = 0) = p(Xn = 1) donc n N, Xn , B( 2 ) donc
L

n N, FXn = FX do Xn X.
n+

Cependant, On a n N, |Xn X| = |1 2X| et X prend deux valeurs 0 et 1 donc |Xn X| prend une seule valeur 1 do
p(|Xn X| = 1) = 1. On dduit que n N, p(|Xn X| 12 ) = p(|1 2X| 21 ) = p(|1 2X| = 1) = 1 6 0 donc (Xn )
ne converge pas en probablilit vers X.

7.3

Thormes limites :

Thorme 7.1 (Loi faible des grands nombres) Si (Xn )n1 est
! une suite de variables alatoires indpendantes et de mme
n
1X
loi, admettant un moment dordre 2, alors la suite
Xk
, de variables alatoires, converge en probabilit vers la
n
k=1

n1

variable constante = E(X1 ).

Remarque : Quand les variables alatoires ont mme loi, on dit quelles sont identiquement distribues.
Application : interprtation frquentiste de la probabilit dun vnement A : Soit A un vnement dont on cherche la
probabilit p de ralisation.
Au cours dune suite dexpriences, on pose n N, Xn la variable alatoire gale 1 si A est ralis au n-ime exprience et
0 sinon. On dduit que n N, Xn , B(p).
n
1X
P
On a n N, E(Xn2 ) = p(1 p) donc, daprs la loi faible des grands nombres,
Xk p.
n+
n
k=1
On dduit que, pour n assez grand, on peut approch p par le nombre moyen de ralisation de lvnement A.
Thorme 7.2 (Thorme de la limite centre) Si (Xn )n1 est une suite!de!variables alatoires indpendantes et de mme
n
X
1

Xk n )
, de variables alatoires, o = E(X1 ) et
loi, admettant un moment dordre 2, alors la suite
n
k=1

n1

= (X1 ), converge en loi vers la variable alatoire suivant la loi Gaussienne standard.
Remarques :
1

n
X

t2

e 2 dt.
Dans les condition du thorme de la loi centre a b on a p a
Xk b
n
a
k=1
!

n
n 1X
Xk N (0, 1) donc la vitesse de convergence de la loi des grands nombres est donc en n .
On a

n
k=1
Application : Soit (Xn ) une suite de variables alatoires indpendantes de mme loi P(1) donc n N, E(Xn ) = V (Xn ) = 1.


Z 0
t2
X1 + + Xn n
1

Daprs le thorme de la limite centre p

0
e 2 dt = .
2
n


X1 + + Xn n

Dautre part, par stabilit de la loi de poisson X1 + +Xn , P(n) donc p

0 = p (X1 + + Xn n) =
n
n
n
X
X
nk
1
nk
do en

en
k!
k!
2
k=0

k=0

www.mathlaayoune.webs.com

16/16

mathlaayoune@gmail.com