Vous êtes sur la page 1sur 44

Chapitre 1

Les probabilits
1.1 Elments de thorie des ensembles
1.1.1 Rappels
Dnition
Soit E un ensemble. On note (E) lensemble des parties de E, cest--dire :
A (E) A E
Lensemble E est une collection dobjets qui sont les lments de E ou les points de E.
Remarques
E (E)
(E)
w E = le singleton w (E)
Cas particulier
Si E est un ensemble ni E=(w
1
, . . . , w
n
) alors CardE = n et Card (E)=2
n
Exemple
Soit lensemble E={w
1
,w
2
,w
3
}
alors (E)={, {w
1
}, {w
2
}, {w
3
}, {w
1
, w
2
}, {w
1
, w
3
}, {w
2
, w
3
}, {w
1
, w
2
, w
3
}}
et Card (E)=8
Soit E un ensemble, A et B deux parties de E, on peut alors dnir :
A
c
: le complmentaire de A dans E
A B : lunion de A et de B
A B : lintersection de A et de B
AB = w E/w A et w , B = A B
c
: la dirence de A et de B
AB = (AB) (BA) : la dirence symtrique de A et de B.
On dit aussi soit A, soitB.
5
6 CHAPITRE 1. LES PROBABILITS
A
B
E
Diffrence entre A et B
A
B
E
A B
1.1.2 Tribu
Dnition
Soit E un ensemble quelconque et T un sous-ensemble de (E) (T est une famille de
parties de E).
On dit que T est une tribu (ou -algbre) sur E si :
1. E appartient T
2. A T = A
c
T. Cest dire que le complmentaire par rapport E de tout lments
de F est un lment de F.
3. Toute runion nie ou innie dnombrable dlments de T est un lment de T
(A
i
)
iI
A
i
T
_
alors

iI
A
i
T
Exemples
Exemples de tribus sur E = {x
1
, x
2
, x
3
}.
(E)
{, E}
{, E, {x
1
}, {x
2
, x
3
}} : tribu engendre par {x
1
}
{, E, {x
1
}} nest pas une tribu car ne contient pas le complmentaire de {x
1
}.
Proposition
Si T est une tribu sur E alors
T et donc E T.
Toute intersection nie ou innie dnombrable dlments de T est un lment de T.
(A
i
)
iI
A
i
T
_
alors

iI
A
i
T
Soit E un ensemble et T une tribu sur E, alors (E,T) est appel espace mesurable
Propositions
Soit E un ensemble quelconque.
1.1. ELMENTS DE THORIE DES ENSEMBLES 7
(E) est une tribu de E.
{,E} est une tribu. Cest la plus petite, elle est contenue dans toutes les autres.
Soit A une partie de E (A (E)). Alors {, E, A, A
c
} est une tribu, cest la plus petite
tribu contenant A, cest la tribu engendre par A.
Soit G un sous-ensemble (qui nest forcment une tribu) de (E), on appelle tribu engendre par G
lintersection de toutes les tribus (sur E) contenant G; cest la plus petite tribu qui
contienne G.
Cas particuliers
Lensemble des sous-ensembles de R Lebesgue-mesurables, forme une tribu sur R.
Soient E=R, G la famille de tous les ouverts. G nest pas une tribu sur R. La tribu
engendre par G est appele tribu borlienne sur R, et note B(R). Les lments de B(R)
sont appels borliens de R.
Tous les sous-ensembles usuels (intervalles ouverts, ferms, semi-ouverts, ..., singleton,
ensemble inni dnombrable de singletons ainsi que toutes les runions et intersections d-
nombrables de ferms et douverts) sont des borliens.
tribu des Borliens
tribu des
sous-ensembles
Lebesgue-mesurables
(R)
1.1.3 Mesure positive sur une tribu
Soit (E,T) un espace mesurable.
Dnition
On appelle mesure positive sur (E,T) une fonction m dnie sur T, valeurs dans
[ 0 , +[, vriant :
1. m()=0
2. Pour toute famille nie ou innie dnombrable (A
i
)
iI
dlments de la tribu T deux
deux disjoints, on a :
m
_
_
iI
A
i
_
=

iI
m(A
i
)
Soit A T alors le nombre m(A) (ni ou non) est appel mesure de A et le triplet (E,T,m)
est appel espace mesur.
8 CHAPITRE 1. LES PROBABILITS
Mesure de Lebesgue-Stieltjes
(R, B(R)) est un espace mesurable. Soit f une fonction relle, dnie sur R non dcroissante,
et continue droite en tout point de x R ( lim
0
+
f(x + ) = f(x))
Proposition
Il existe une mesure unique dnie sur la tribu borlienne B(R) telle que pour tout
intervalle semi-ouvert born ] a , b ] ( a < b +) on ait :
m(] a , b ]) = f(b) f(a)
Cest la mesure de Lebesgue-Stieltjes note m
LS
associe f.
Propositions
1. m
LS
(] a , b [) = f(b

) f(a)
2. m
LS
([ a , b [) = f(b

) f(a

)
3. m
LS
([ a , b ]) = f(b) f(a

)
4. m
LS
(a) = f(a) f(a

)
Si f est discontinue en a alors m
LS
(a) ,= 0.
Cas particulier
Soit la fonction f(x)=x, la mesure de LS associe cette fonction est la mesure de Le-
besgue, note m
leb
.
m
leb
(a) = 0
m
leb
(] a , b ]) = m
leb
([ a , b [) = m
leb
([ a , b ]) = m
leb
(] a , b [) = b a
Cas particulier
Soit la fonction f(x) =
_
1 si x 0
0 si x < 0
.
La mesure associe f est appele mesure de Dirac concentre lorigine et note m
D
.
Soit E un lment de B(R) ; alors m
D
(E) =
_
1 si E contient lorigine
0 sinon
1.1.4 Epreuves
Dnition
On appelle (et on note c) preuve une exprience susceptible dtre rpte dans des
conditions a priori identiques et dont lissue est soumise au hasard.
Le rsultat dune preuve est imprvisible, mais appartient un ensemble bien dter-
min : lensemble de tous les rsultats possibles, appel espace fondamental et not .
1.1. ELMENTS DE THORIE DES ENSEMBLES 9
Exemples
1. c
1
on lance un d (non pip) et on considre le nombre obtenu sur la face suprieure.

1
= 1, 2, 3, 4, 5, 6 = [[ 1 , 6 ]]
2. c
2
on lance deux ds, un rouge et un vert ; on note (x, y) le rsultat avec x le nombre
ach sur le d rouge et y le nombre ach sur le d vert.

2
= (x, y)/1 x 6 et 1 y 6 = [[ 1 , 6 ]]
2
.
1.1.5 Evnements
Dnition
Etant donn une preuve c et son espace fondamental , on appelle vnement asso-
ci c(ou tout simplement vnement) un fait dont on peut dire, pour chaque rsultat
de lpreuve, sil est ralis ou non.
Proposition
De faon gnrale, on identie un vnement avec le sous-ensemble de rsultats pour
lequel il est ralis.
Un vnement est donc un sous ensemble de , cest le lien avec la thorie des en-
sembles.
Exemples
1. c
1
: on lance un d non pip et on considre le nombre obtenu.

1
= 1, 2, 3, 4, 5, 6 = [[ 1 , 6 ]]
vnement A : "on obtient un nombre pair"
A = 2, 4, 6
2. c
2
: on lance deux ds non pips et on considre le couple de nombres obtenu.

2
= [[ 1 , 6 ]]
2
.
vnement A : "la somme des numros fait trois"
vnement A

:"le produit des numros est 2"


A = A

= (1, 2), (2, 1)


Lensemble est un vnement appel vnement certain.
Exemple
Pour c
1
avec
1
= [[ 1 , 6 ]] on a :
lvnement "on obtient un entier" est lvnement certain.
La partie vide est un vnement appel vnement impossible.
10 CHAPITRE 1. LES PROBABILITS
Exemple
Pour c
1
avec
1
= [[ 1 , 6 ]] on a :
lvnement "on obtient un 7" est lvnement impossible.
Soit . Le singleton est un vnement appel vnement lmentaire.
Si A est un vnement alors A
c
est lvnement contraire. Si A est lvnement "on obtient
un nombre pair" alors A
c
est lvnement "on obtient un nombre impair".
Si A B alors A entrane B. Lorsque A est ralis, B lest aussi.
A B est lvnement "A ou B".
A B est lvnement "A et B".
Si A B = alors les vnements A et B sont dits incompatibles. Aucun rsultats ne
permets la fois A et B dtre ralis.
1.1.6 Mesure de probabilit
Soient c et . On a vu que les vnements sont des lments de ().
On cherche attribuer une certaine "probabilit" aux vnements associs c.
Rappel
Un ensemble dnombrable est en bijection avec N.
Remarque
Si est ni ou inni dnombrable, lensemble / des vnements que lon va tudier
pour construire un ensemble probabilis est () en entier.
Si nest ni ni, ni inni dnombrable, il se trouve que, pour des raisons mathma-
tiques, lensemble / des vnements tudis est seulement inclus dans (). On impose
que / ait la structure de tribu sur .
Exemple
Si = R, alors / = B(R)
Dnition
Le couple (,/) form de lensemble fondamental et de la tribu / des vnements
forme un espace probabilisable.
Dnition
Soit (,/) un espace probabilisable. On appelle mesure de probabilit (ou simplement
probabilit) sur (,/) une mesure positive (note P).
P est donc une application :
P : /(R) R
A P(A)= probabilit de A
qui associe tout vnement A de / un nombre P(A), appel probabilit de A, et
qui satisfait aux axiomes suivants :
1.1. ELMENTS DE THORIE DES ENSEMBLES 11
1. A / 0 P(A) 1
2. P() = 1
3. (A
i
)
iI
est un ensemble ni ou inni dnombrable dlments de /, 2 2 incompatibles
(A
i
A
j
= si i ,= j).
P
_
_
iI
A
i
_
=

iI
P(A
i
)
Le triplet (, /, P) est appel espace probabilis.
Si P(A) = p [0, 1], alors la probabilit pour que A se ralise est p.
Propositions
1. P() = 0
2. P(A
c
) = 1 P(A)
3. Si A B alors P(BA) = P(B) P(A)
4. P(A B) + P(A B) = P(A) + P(B)
5. P(A
1
A
2
... A
n
) P(A
1
) + P(A
2
)...P(A
n
)
Denition
On appelle vnement quasi-impossible un vnement A tel que P(A)=0 .
Un vnement quasi-impossible nest pas forcment gal .
On appelle vnement quasi-certain un vnement A tel que P(A)=1.
Remarques
Si A et B sont disjoints alors P(A B)=P(A)+P(B)
1.1.7 Mesure de probabilit sur un ensemble ni
Soit = (
1
, . . . ,
n
) un ensemble ni. Toute mesure de probabilit sur (, ()) est
parfaitement dtermine par la donne des p
i
= P(w
i
) pour i = 1..n avec p
i
0 et
N

i=1
p
i
= 1.
Exemple
Soit c lpreuve : "lancer dun d non quilibr".
On a : = [[ 1 , 6 ]] et / = ().
/ est donc la tribu des vnements et (, () un espace probabilisable.
On note P(a) = p
a
.
p
1
= 1/9 p
2
= 1/9 p
3
= 1/9
p
4
= 2/9 p
5
= 2/9 p
6
= 2/9
Soit A : "obtenir un nombre pair". On a P(A) = p
2
+ p
4
+ p
6
=
5
9
.
12 CHAPITRE 1. LES PROBABILITS
1.1.8 Cas particulier : probabilit uniforme ( ni : = (
1
, . . . ,
n
))
Si p
i
=
1
N
=
1
Card
pour i [[ 1 , n]], alors p est la probabilit uniforme.
On a : P(A) =
Card A
Card
=

i
A
P(
i
) pour tout vnement A ().
Application : Problme des anniversaires
Soient N personnes en prsence.
On cherche la probabilit pour que deux personnes aient leur anniversaire le mme
jour. Si N > 365 alors P
N
= 1. On supposera donc que 2 N 365.
Soit (, /, P) un espace probabilis avec = (x
1
, . . . , x
n
) /x
i
[[ 1 , 365 ]] et
/ = ().
P : mesure de probabilit uniforme car est mesurable.
Soit P
N
la probabilit de lvnement A : "deux personnes parmi les N personnes pr-
sentes sont nes le mme jour de lanne".
Il est plus simple dtudier lvnement B : "les anniversaires des N personnes tombent
tous des jours dirents".
On a alors A B = et A B = do P(A)=1-P(B).
P(B) =
Card B
Card
avec Card = 365
N
et Card B =
365!
(365 N)!
.
Ainsi P
N
= 1
365 ... (365 N + 1)
365
N
.
N 2 10 15 22 23 32 35 41
P
N
0.003 0.12 0.25 0.48 0.51 0.75 0.81 0.90
On remarque que P
N
devient suprieur 0.5 ds que N 23.
Attention, cest moins intressant de parier quil y a une personne parmi les N qui a
son anniversaire le mme jour que toi.
1.1.9 Suite dvnements
Soit (, /, P) un espace probabilis, considrons une suite dvnements A
0
, A
1
, ... (l-
ments de /).
-additivit
Si (A
n
) est une suite dvnements de /, 2 2 incompatibles alors :
P
_
_
n
A
n
_
=

P(A
n
)
Cette proprit est appel la -additivit.
Dnition
1.2. MESURE DE PROBABILIT UNIFORME SUR UNE PARTIE DE R 13
1. la suite (A
n
)
nN
est dite croissante si : A
n
A
n+1
n N
2. la suite est dite dcroissante si A
n+1
A
n
n N
Proposition
1. Si (A
n
)
nN
est une suite croissante dvnements alors lim
n+
P(A
n
) = P(

nN
A
n
)
2. Si (A
n
)
nN
est une suite dcroissante dvnements alors lim
n+
P(A
n
) = P(

nN
A
n
)
Dmonstration
Soit (A
n
)
nN
une suite croissante. Soit la suite (B
n
)
nN
avec B
0
= A
0
et n N

, B
n
= A
n
A
n1
.
Les B
n
sont deux deux incompatibles.
P
_
_
nN
A
n
_
= P
_
_
nN
B
n
_
=
+

n=0
P(B
n
)
enn
n

m=0
P(B
m
) = P(A
n
). En passant la limite on alors
+

m=0
P(B
m
) = lim
n+
P(A
n
)
Exemple
On lance un d indniment. Quel est la probabilit de ne pas obtenir das au cours des
n premiers lancers ?
A
n
: vnement "ne pas obtenir das au cours des n premiers lancers"
P(A
n
) =
nb de suites (u
1
, . . . , u
n
) ne contenant pas das
nb de suites (u
1
, . . . , u
n
)
=
5
n
6
n
Lvnement "ne jamais obtenir das" est

nN

A
n
.
La suite (A
n
)
nN
est dcroissante donc on peut appliquer la proposition ci-dessus.
lim
n+
P(A
n
) = lim
n+
_
5
6
_
n
= 0
"Ne jamais obtenir das" est donc un vnement quasi-impossible.
1.2 Mesure de probabilit uniforme sur une partie de R
Problme
Si on choisit un nombre au hasard entre zro et un. Quelle est la probabilit quil
appartienne [ 0.27 , 0.32 [ ? Quelle est la probabilit que le nombre soit rationnel ?
Dnition
Soit un borlien de R, on munit de sa tribu borlienne B() et on considre la
mesure de Lebesgue m
leb
sur (, B()). Si 0 < m
leb
() < +, on appelle mesure de
probabilit uniforme sur (, B()) la mesure de probabilit dnie pour tout A B()
par :
14 CHAPITRE 1. LES PROBABILITS
P
unif
: /(R) R
A P(A) =
m
leb
(A)
m
leb
()
Lexpression "choisir au hasard un nombre dans " signie que lon utilise le triplet
(, B(), mesure de probabilit uniforme).
Rponses au problme
= [0, 1] et m
leb
() = 1
A "appartient" [ 0.27 , 0.32 [ avec P(A) =
0.05
1
= 0.05
A "appartient" aux rationnels avec P(A) =
m
leb
([ 0 , 1 ] Q)
m
leb
()
= 0 car (A dnombrable).
1.3 Probabilits conditionnelles
1.3.1 Introduction
Considrons un d non pip avec les faces paires colores en blanc et les faces impaires
colores en noir. On jette le d et on observe de loin que cest noir. Quelle est alors la probabilit
dobtenir un cinq ?
A = 5, B = 1, 3, 5, = [[ 1 , 6 ]], / = (). P mesure de probabilit uniforme sur (, ())
P(A[B) : "probabilit de A sachant B".
P(A B) =
1
6
et P(B) =
1
2
soit encore P(A[B) =
P(A B)
P(B)
=
1
3
. Do la dnition
suivante.
Dnition
Soit (, /, P) un espace probabilis. Soit B / un vnement de probabilit non
nulle. Etant donn un vnement A /, la probabilit de "A sachant B" est le nombre :
P(A[B) =
P(A B)
P(B)
Thorme
Soit (, /, P) un espace probabilis et B / tel que P(B) > 0, alors lapplication :
/ R
A P(A[B)
est une mesure de probabilit sur (, /), appele probabilit conditionnelle relative B.
1.3.2 Indpendance de deux vnements
Dnition
Deux vnements A et B sont dits indpendants si P(A B) = P(A) P(B)
Soient trois vnements A, B et C, ils sont mutuellement indpendants si
1.3. PROBABILITS CONDITIONNELLES 15
- P(A B) = P(A) P(B)
- P(A C) = P(A) P(C)
- P(B C) = P(B) P(C)
- P(A B C) = P(A) P(B) P(C)
Si on a uniquement les trois premires conditions, on dit que les vnements sont deux
deux indpendants.
Exemple
On lance deux ds : un rouge et lautre bleu, on a alors = [[ 1 , 6 ]]
2
, / = () et P
uniforme.
Soient les trois vnements :
A "le d rouge amne un numro pair".
B "le d bleu amne un numro pair".
C "la somme des numros est paire".
P(A) = P(B) = P(C) =
1
2
P(A B) = P(A C) = P(B C) =
1
4
P(A B C) =
1
4
,=
_
1
2
_
3
Les vnements sont deux deux indpendants mais pas tous mutuellement.
1.3.3 Systme complet dvnements. Formule des probabilts totales et
formule de Bayes
Dnition
Soit H
k
/k = 1, 2, ... une famille nie ou innie dnombrable dvnements deux
deux incompatibles telle que

kN
H
k
= . Une telle famille est appele systme complet dvnements.
Proposition
Soit H
k
/k = 1, 2, ... un systme complet dvnements, tous de probabilit non
nulle. Alors, on a :
A /, P(A) =

k
P(H
k
)P(A[H
k
)
Cette formule est dite "formule des probabilits totales".
Si de plus P(A) > 0, on a :
k, P(H
k
[A) =
P(H
k
)P(A[H
k
)
P(A)
=
P(H
k
)P(A[H
k
)

j
P(H
j
)P(A[H
j
)
16 CHAPITRE 1. LES PROBABILITS
Cette formule est dite "formule de Bayes".
Application de la formule de Bayes
On tire au hasard un individu dune population o un homme sur 10
4
est malade.
On dispose dun test : le test est able pour une personne malade dans 99% des cas, et
0,1% des personnes saines (non malades) ont un test positif.
Sachant que la raction de lindividu au test est positive, quelle est la probabilit
quil soit rellement malade ?
Soit lpreuve E "On tire au hasard un individu dans la population".
H
1
: "lindividu est malade".
H
2
: "lindividu nest pas malade".
H
2
= H
c
1
donc H
1
, H
2
forme un systme complet dvnements.
A : "lindividu tir au hasard prsente une raction positive au test".
On cherche P(H
1
[A).
On sait dj que P(H
1
) = 10
4
, P(H
2
) = 0.9999, P(A[H
1
) = 0.99 et que P(A[H
2
) = 0.001
do :
P(H
1
[A) =
P(H
1
)P(A[H
1
)
P(H
1
)P(A[H
1
) + P(H
2
)P(A[H
2
)
0.09
La probabilit dtre rellement malade est 9 de %. Le fait que P(H
1
[A) soit faible
provient du fait que la maladie est rare.
Un classique
Un prsentateur a trois enveloppes. Il y a un chque dans une enveloppe. On en choisit
une sans louvrir. Le prsentateur dit je vous aide et ouvre une des deux enveloppes et
elle est vide. Question : faut-il changer ou non denveloppe ?
1.4 Gnralits sur les variables alatoires
1.4.1 Variable alatoire relle (v.a.r.)
On considre une preuve c et lespace probabilis associ (, /, P). Attention : Une v.a.r.
nest pas une "variable", cest un nombre qui dpend du rsultat de lpreuve : cest donc une
fonction valeurs relles du rsultat. Une v.a.r. lie c est un nombre rel dont la valeur
dpend du rsultat de lpreuve.
Dnition
Soit (, /, P) un espace probabilis. On appelle v.a.r. sur (, /, P) une application
X de dans R vriant :
B B(R), X
1
(B) = /X() B /
Remarque
Lensemble X
1
(B) = /X() B est souvent not X B (oui cest vrai cest
de labu).
1.4. GNRALITS SUR LES VARIABLES ALATOIRES 17
Remarque gnrale
On cherche saranchir de la nature des preuves car les nombres sont beaucoup plus
faciles manier.
1.4.2 Loi de probabilit dune v.a.r.
Soit X une v.a.r. sur (, /, P), alors B B(R), X
1
(B) /.
La probabilit de X
1
(B) est donne par P(X
1
(B)). Cette probabilit se lit "probabilit que
X soit dans B" et on la note P(X B).
Proposition
Soit X une v.a.r. dnie sur (, /, P). Alors lapplication :
P
X
: B(R) [0, 1]
B P
X
(B) = P(X
1
(B))
est une mesure de probabilit sur (R, B(R)).
La mesure P
X
est appele loi de probabilit de la v.a.r. X. On dit aussi que X suit la loi
de probabilit P
X
.
Exemple
On considre lpreuve c
2
dnie au paragraphe 1.1.4 et un espace probabilis (, /, P)
avec = [[ 1 , 6 ]]
2
, / = () et P est la mesure de probabilit uniforme.
Soit X lapplication dnie par :
X : R
X() = nombre de fois quon obtient un as quand se ralise
X est une v.a.r. sur (, /, P) et X() = 0, 1, 2. On a alors :
X
1
(0) = /X() = 0 = [[2, 6]]
2
P
X
(0) = P(X
1
(0)) = 25/36
X
1
(1) = (1, j)/j [[2, 6]] (i, 1)/i [[2, 6]] P
X
(1) = P(X
1
(1)) = 10/36
X
1
(2) = (1, 1) P
X
(2) = P(X
1
(2)) = 1/36
1.4.3 Fonction de rpartition dune v.a.r.
Dnition
Soit (, /, P) un espace probabilis et X une v.a.r. dnie sur cet espace. On appelle
fonction de rpartition de X la fonction F
X
dnie par :
F
X
: R [0, 1]
x F
X
(x) = P
X
(] , x]) = P
X
(X x)
= P(X
1
(] , x]))
= P( /X() ] , x])
18 CHAPITRE 1. LES PROBABILITS
Propositions
1. x R, 0 F
X
(x) 1.
2. F
X
est une fonction croissante de X.
3. x R, F
X
est continue droite et admet une limite gauche.
4. lim
x
F
X
(x) = 0 et lim
x+
F
X
(x) = 1.
Remarque
x R, F
X
(x) F
X
(x

) = F
X
(x
+
) F
X
(x

) = P
X
(x).
Proposition
Pour toute fonction F
X
vriant les proprits 1 4 cites ci-dessus, il existe une et
une seule mesure de probabilit P
X
sur (R, B(R)) vriant pour tout couple (a, b) R
2
, a < b :
P
X
(]a, b]) = F
X
(b) F
X
(a)
P
X
est la mesure de Lebesgue-Stieltjes associe F
X
.
Donc deux v.a.r. ayant mme fonction de rpartition ont mme loi de probabilit.
Proposition
Soient X une v.a.r., P
X
sa loi de probabilit, F
X
sa fonction de rpartition. Alors,
pour tout couple (a, b) R
2
, a < b, on a :
P
X
(] , a]) = F
X
(a)
P
X
(] , a[) = F
X
(a

) ,= F
X
(a)
P
X
([a, +[) = 1 F
X
(a)
P
X
(]a, +[) = 1 F
X
(a
+
) = 1 F
X
(a)
P
X
(]a, b]) = F
X
(b) F
X
(a)
1.5 Variables alatoires relles discrtes
1.5.1 Dnition
Une v.a.r. X, dnie sur (, /, P), est dite discrte si lensemble image X() = X()/
est ni ou inni dnombrable.
Cas particulier
Si X() est ni, la v.a.r. discrte X est dite simple.
Proposition
Soit X : R une application densemble image X() = x
k
/k K (K est un
sous-ensemble de N), ni ou inni dnombrable. Alors, X est une v.a.r. discrte si et
seulement si k K, X
1
(x
k
) /.
1.5. VARIABLES ALATOIRES RELLES DISCRTES 19
Remarque
Si est ni ou inni dnombrable, alors toute application X de dans R est une v.a.r.
discrte.
1.5.2 Loi de probabilit dune v.a.r. discrte
Dnition
La loi de probabilit P
X
dune v.a.r. discrte densemble image X() = x
k
/k K
est dnie par la donne k K de la probabilit de lvnement X
1
(x
k
) :
P
X
(x
k
) = P(X
1
(x
k
))
Notation
Dans toute la suite, pour simplier lcriture, on notera :
P
X
(x
k
) = P(X = x
k
)
Remarque

kK
P
X
(x
k
) = 1 car lensemble des vnements X
1
(x
k
) forme un systme complet
dvnements.
On note (et oui a encore cest de labu) P
X
(x
k
) = P(X = x
k
)
Proposition
Soit B B(R).
On a alors :
P
X
(B) =

kK,x
k
B
P
X
(x
k
)
En eet :
X
1
(B) = /X() B
=

kK,x
k
B
/X() = x
k
union disjointe
=

kK,x
k
B
X
1
(x
k
)
do
P(X
1
(B)) =

kK,x
k
B
P(X
1
(x
k
))
et par suite
P
X
(B) =

kK,x
k
B
P
X
(x
k
)
20 CHAPITRE 1. LES PROBABILITS
Exemple
On considre lpreuve c
2
qui consiste lancer deux ds non pips. Soit (, /, P) lespace
probabilis associ. On a = [[ 1 , 6 ]]
2
, / = () et P la mesure de probabilit uniforme.
On considre le nombre X das obtenus lors du lancer. On a :
P
X
(0) = P(X = 0) =
25
36
P
X
(1) = P(X = 1) =
10
36
P
X
(2) = P(X = 2) =
1
36
La probabilit pour que X soit pair est P
X
(B) =

kK,x
k
B
P
X
(x
k
) avec B = 2m, m N.
On a alors P
X
(B) =
13
18
.
1.5.3 Fonction dune v.a.r. discrte
Soit X une v.a.r. discrte, X() = x
k
/k K et une fonction de R dans R dnie en
tout point de X() par :
(X) : R
(X())
Proposition
Y = (x) est une v.a.r. discrte avec Y() = (x
k
)/k K. De plus :
y Y(), P
Y
(y) =

kK,(x
k
)=y
P
X
(x
k
)
Exemple
Soit X une v.a.r. discrte simple. X() = 2, 1, 0, 1 avec :
P(X = 2) = P(X = 1) = P(X = 0) = P(X = 1) = 1/4
Soit Y = X
2
une v.a.r. On a alors Y() = 0, 1, 4 avec :
P(Y = 0) = 1/4 P(Y = 1) = 1/2 P(Y = 4) = 1/4
1.5.4 Exemples de lois discrtes usuelles
Loi binomiale
On appelle v.a.r. binomiale de paramtres n et p (n N

, p [ 0 , 1 ]) une v.a.r. discrte


simple X qui peut prendre les valeurs {0,1,. . .,n} (i.e. X() = [[ 0 , n]]) et dont la loi de
probabilit est donne par :
k [[ 0 , n]] , P
X
(k) = C
k
n
p
k
(1 p)
nk
La loi binomiale correspond au cas dun tirage avec remise.
Cas particulier (n=1)
On dit alors que X est une v.a.r. de Bernoulli. Lpreuve c de Bernoulli est caractrise
1.5. VARIABLES ALATOIRES RELLES DISCRTES 21
par =
1
,
2
avec
1
la probabilit davoir un chec et
2
la probabilit davoir un
succs. On a P(
1
) = 1 p et P(
2
) = p. Comme X(
1
) = 0 et X(
2
) = 1, on
a :
P(X = 0) = P(
1
) = 1 p P(X = 1) = P(
2
) = p
Loi de Poisson
On appelle v.a.r. de Poisson de paramtre > 0 une v.a.r. discrte X qui prend les valeurs
0, 1, . . . et dont la loi de probabilit est donne par :
k N, P(X = k) = e

k
k!
Remarque
Comme pour toute loi, on a bien :

kN
P(X = x
k
) = 1
Retour sur la loi binomiale
Considrons la limite n +, p 0 et le produit np = une constante positive. Alors,
P(X = k) = C
k
n
p
k
(1 p)
nk
=
n(n 1) . . . (n k + 1)
k!
p
k
(1 p)
nk
n(n 1) . . . (n k + 1)
k!
p
k

n
k
k!
p
k


k
k!
(1 p)
nk
e
(nk)ln(1p)
e
np
e

On retrouve, dans cette limite, une loi de Poisson de paramtre (voir schmas).
Loi gomtrique
On appelle v.a.r. gomtrique de paramtre p [ 0 , 1 ] une v.a.r. discrte X avec = 1, 2, . . .
dont la loi de probabilit est donne par :
k N

, P(X = k) = p(1 p)
k1
Exemple pour se rappeler de la loi gomtrique
On considre lpreuve c qui consiste jeter indniment une pice. Soit p la probabilit
dobtenir pile. = (u
1
, u
2
, . . .)/u
i
= pile ou face. Soit la v.a.r. X dnie par :
22 CHAPITRE 1. LES PROBABILITS
2 4 6 8 10 12
0.05
0.1
0.15
0.2
0.25
Points noirs : loi binomiale avec n = 10 et p = 0.37
Cercle blancs : loi de Poisson avec lamda = 3.7
2 4 6 8 10 12
0.05
0.1
0.15
0.2
Points noirs : loi binomiale avec n = 100 et p = 0.037
Cercle blancs : loi de Poisson avec lamda = 3.7
1.5. VARIABLES ALATOIRES RELLES DISCRTES 23
X : R
numro du premier lancer donnant pile
On a alors X() = N
+
et :
k N

, P(X = k) = P(w /X() = k) = (1 p)


k1
p
1.5.5 Fonction de rpartition dune v.a.r. discrte
Proposition
Soit X une v.a.r. discrte, X() = x
k
/k K. Sa fonction de rpartition F
X
est
donne par :
x R, F
X
(x) = P
X
(] , x]) =

kK,x
k
x
P(X = x
k
)
N.B. : F
X
est constante par morceaux.
1
x
1
x
2
x
3
x
n
Fig. 1.1 Exemple de fonction de rpartition dune v.a.r. simple
1.5.6 Esprance mathmatique, moments
Soit X une v.a.r. discrte, X() = x
k
/k K.
Esprance mathmatique
Lesprance mathmatique de X (note E[X]) est dnie par :
E[X] =

kK
x
k
P(X = x
k
)
(sous rserve que cette srie converge absolument).
Moments
Les dnitions suivantes sont vraies sous rserve de la convergence des sries mises
en jeu.
24 CHAPITRE 1. LES PROBABILITS
Soit r N. On appelle le moment dordre r la srie :

kK
x
r
k
P(X = x
k
) = E(X
r
)
On appelle le moment centr dordre r la srie :

kK
(x
k
E[X])
r
P(X = x
k
) = E[(XE[X])
r
]
On appelle variance de la v.a.r. X le moment centr dordre 2 :
var[X] =

kK
(x
k
E[X])
2
P(X = x
k
)
Remarques
var[X] 0
var[X] = E[X
2
] (E[X])
2
Ecart-type
Si la v.a.r. discrte X admet une variance, on dnit lcart-type par :
(X) =
_
var[X]
Dnition
La v.a.r. discrte X est dite centre si E[X] = 0, rduite si var[X] = 1.
Soit Y une v.a.r. discrte telle que la srie

kK
y
k
P(Y = y
k
) converge absolument. Y
admet alors une esprance mathmatique, une variance et un cart-type.
La v.a.r
Y E[Y]
(Y)
est la v.a.r. centre-rduite associe Y.
Exemples
Loi binomiale de paramtres n et p.
E[X] =
n

k=1
kC
k
n
p
k
(1 p)
nk
= np
n

k=1
C
k1
n1
p
k1
(1 p)
(n1)(k1)
= np
Un calcul similaire donne var[X] = np(1 p).
Loi de Poisson de paramtre .
E[X] = var[X] =
Loi gomtrique de paramtre p ]0, 1[.
E[X] =
1
p
var[X] =
1 p
p
2
Soit X une v.a.r. discrte. X() = N

et k N

, P
X
(k) =
1
k(k + 1)
=
1
k

1
k + 1
. Cette
v.a.r. discrte nadmet pas desprance mathmatique.
1.5. VARIABLES ALATOIRES RELLES DISCRTES 25
1.5.7 Couple de v.a.r. discrtes
Soit (, /, P) un espace probabilis associ une preuve c. Soient X et Y deux v.a.r.
discrtes dnies sur (, /, P). X() = x
i
/i I et Y() = y
j
/j J.
Loi conjointe
Dnir la loi de probabilit conjointe du couple (X, Y) , cest donner la probabilit
note p
ij
de lvnement :
X
1
(x
i
) Y
1
(y
j
) = /X() = x
i
et Y() = y
j

On note la probabilit :
p
ij
= P(X = x
i
et Y = y
j
)
Lois marginales
P
marg
(X = x
i
) =

jJ
p
ij
Ceci est vrai car Y
1
(y
j
)/j J est un systme complet dvnements. On a de mme :
P
marg
(Y = y
j
) =

iI
p
ij
Lois conditionnelles
On note la probabilit de lvnement A sachant que lvnement B est ralis : P(A[B).
On a :
P(X = x
i
[Y = y
j
) =
P(X = x
i
et Y = y
j
)
P(Y = y
j
)
=
p
ij

iI
p
ij
On a de mme :
P(Y = y
j
[X = x
i
) =
p
ij

jJ
p
ij
Remarque

(i,j)IJ
p
ij
= 1
Esprance mathmatique conditionnelle
On appelle esprance mathmatique conditionnelle de la v.a.r. X sachant que Y = y
j
le
nombre :
E[X[Y = y
j
] =

iI
x
i
P(X = x
i
[Y = y
j
)
=

iI
x
i
P(X = x
i
, Y = y
j
)

k
P(X = x
k
, Y = y
j
)
26 CHAPITRE 1. LES PROBABILITS
Fonction de rpartition conjointe du couple
Soit un couple (X,Y) de v.a.r. discrtes. On appelle fonction de rpartition conjointe du
couple la fonction dnie par :
(x, y) R
2
, F
X,Y
(x, y) = P(X ] , x] et Y ] , y ])
Fonctions de rpartition marginales
On appelle fonction de rpartition marginale de X, la fonction dnie par :
x R, F
X
(x) =

iI,x
i
x
P(X = x
i
)
De mme, pour Y :
y R, F
Y
(y) =

jJ,y
j
y
P(Y = y
i
)
Exemple
On considre lpreuve qui consiste choisir au hazard un entier dans lintervalle [[ 1 , n]],
puis choisir un entier infrieur ou gal au premier obtenu. Lespace fondamental est
simplement :
= (k, l) [[ 1 , n]]
2
/l k
On dnit alors les deux v.a.r. suivantes :
X : R
(k, l) k
Y : R
(k, l) l
Loi marginale de X
k [[ 1 , n]] , P(X = k) =
1
n
Loi conjointe du couple (X,Y)
(k, l) , l k, P(X = k et Y = l) = P(X = k) P(Y = l[X = k) =
1
nk
Si l > k, P(X = k et Y = l) = 0
Loi marginale de Y
l [[ 1 , n]] , P(Y = l) =
n

k=l
P(X = k et Y = l) =
n

k=l
1
nk
=
1
n
_
1
l
+ . . . +
1
n
_
1.5. VARIABLES ALATOIRES RELLES DISCRTES 27
Cas particulier n=3
P(X = 1) = P(X = 2) = P(X = 3) =
1
3
Loi conjointe :
P(X = 3 et Y = 1) = P(X = 3 et Y = 2) = P(X = 3 et Y = 3) =
1
9
P(X = 2 et Y = 2) = P(X = 2 et Y = 1) =
1
6
P(X = 1 et Y = 1) =
1
3
Loi marginale de Y :
P(Y = 1) =
11
18
P(Y = 2) =
5
18
P(Y = 1) =
2
18
Dnition
Soient X et Y deux v.a.r. discrtes (dnies sur (, /, P).
Elles sont indpendantes si :
x
i
X() et y
j
Y(), P(X = x
i
et Y = y
j
) = P(X = x
i
) P(Y = y
j
)
Si X et Y indpendantes alors :
(x, y) R
2
, F
X,Y
(x, y) = F
X
(x) F
Y
(y)
Somme de deux v.a.r. discrtes indpendantes
Soient X
1
et X
2
deux v.a.r. discrtes indpendantes telles que X
1
() N et X
2
() N.
Proposition
La somme S = X
1
+ X
2
est une v.a.r. discrte valeurs dans N et :
k N, P(S = k) =
k

i=0
P(X
1
= i) P(X
2
= k i)
Dmonstration
Pour la dmonstration, il sut de partir de :
P(S = k) =

(i,j)(N)
2
,i+j=k
P(X
1
= i X
2
= j)
Exemples
28 CHAPITRE 1. LES PROBABILITS
X
1
et X
2
v.a.r. de Poisson indpendantes de paramtres
1
et
2
. S = X
1
+ X
2
.
k N, P(S = k) =

k
i=0
_
e

i
1
i!
__
e

ki
2
(k i)!
_
=
e
(
1
+
2
)
k!

k
i=0
k!
i!(k i)!

i
1

ki
2
=
e
(
1
+
2
)
k!
(
1
+
2
)
k
On obtient pour S une loi de Poisson de paramtre
1
+
2
.
X
1
et X
2
v.a.r. de Bernoulli de mme paramtre p [ 0 , 1 ]. X
1
() = 0, 1.
P(X = 0) = 1 p P(X = 1) = p
Soit S = X
1
+ X
2
. Alors S() = 0, 1, 2 et
P(S = 0) = (1 p)
2
= C
0
2
p
0
(1 p)
20
P(S = 1) = 2p(1 p) = C
1
2
p
1
(1 p)
21
P(S = 2) = p
2
= C
2
2
p
2
(1 p)
22
S est une v.a.r. binomiale de paramtres n = 2 et p.
Gnralisation
X
1
, X
2
, . . . , X
N
N v.a.r. de Bernoulli, indpendantes, de mme paramtre p. Alors, la v.a.r.
S = X
1
+ . . . + X
N
est une v.a. binomiale de paramtres n = N et p.
1.5.8 Covariance et coecient de corrlation linaire
Soit X et Y deux v.a.r. discrtes dnies sur le mme espace probabilis (, /, P) et
admettant chacune une esprance mathmatique. On appelle covariance de X et de Y le
nombre :
cov(X, Y) = E[(XE[X])(Y E[Y])] = E[XY] E[X]E[Y]
sous rserve que la v.a. XY admet une esprance mathmatique.
Dnition
Si cov(X, Y) = 0, on dit que X et Y ne sont pas corrles.
Remarque
Si X et Y sont indpendantes, alors, elles ne sont pas corrles (la rciproque est en
gnral fausse).
Exemple
Soit X une v.a.r. telle que X() = 1, 0, 1, et telle que :
P(X = 1) = P(X = 0) = P(X = 1) = 1/3.
Soit la v.a.r. Y = X
2
. On a alors Y() = 0, 1 et P(Y = 0) = 1/3 et P(Y = 1) = 2/3.
On a alors : cov(X, Y) = 0, alors que X et Y ne sont pas indpendantes.
1.5. VARIABLES ALATOIRES RELLES DISCRTES 29
Dnition
Coecient de corrlation linaire :
f(X, Y) =
cov(X, Y)
_
var[X]var[Y]
=
cov(X, Y)
(X)(Y)
sous rserve que var(X)>0 et var(Y)>0.
Proposition
Soit (a, b) R. Alors :
f(X, aX + b) =
_
1 si a > 0
1 si a < 0
En particulier, on a
_
f(X, X) = 1
f(X, X) = 1
Proposition
Le coecient de corrlation linaire de X et Y satisfait la relation [f(X, Y)[ 1.
Remarque
Lgalit f(X, Y) = 1 est obtenue si et seulement si X et Y sont lies par une relation
ane (Y=aX+b avec (a,b) R
2
).
1.5.9 Ingalit de Bienaym - Tchebitchev
thorme
Soit X une v.a.r. discrte admettant une esprance mathmatique et une variance.
Alors :
l > 0, P([XE[X][ l)
var[X]
l
2
Note : P([XE[X][ l)dsigne ici la quantit P
X
(] , E[X] l]

[E[X] + l, +[)
1.5.10 Fonctions gnratrices
Dnition
Soit X une v.a.r. discrte, valeurs dans N. On appelle fonction gnratrice de la
distribution de probabilit de X (ou simplement fonction gnratrice de X) la fonction
G
X
dnie par :
30 CHAPITRE 1. LES PROBABILITS
G
X
(s) =

kK
P(X = k)s
k
avec K N
Remarque
G
X
(s) = E[s
X
] avec s
X
= e
Xln(s)
Proposition
Le rayon de convergence de la srie

kK
P(X = k)s
k
est au moins gal 1.
Exemples
Soit X une v.a.r. de Bernoulli, de paramtre p.
G
X
(s) = P(X = 0)s
0
+ P(X = 1)s
1
= 1 p + ps
Soit X une v.a.r. binomiale de paramtres n et p.
G
X
(s) =

n
k=0
P(X = k)s
k
=

n
k=0
C
k
n
p
k
(1 p)
nk
s
k
= (1 p + ps)
n
Soit X une v.a.r. de Poisson de paramtre .
G
X
(s) =

+
k=0
P(X = k)s
k
=

+
k=0
e

k
k!
s
k
= e
(s1)
Proposition
Soit X une v.a.r. discrte, valeurs dans N.
Si X admet une esprance, G
X
est drivable en s = 1 et G

X
(s = 1) = E[X].
Si X admet une variance et une esprance, alors G
X
admet une drive seconde en s = 1
et :
G

X
(s = 1) + G

X
(s = 1) (G

X
(s = 1))
2
= var[X]
Proposition
Soient X et Y deux v.a.r. discrtes indpendantes, valeurs dans N.
G
X+Y
(s) = G
X
(s)G
Y
(s)
Dmonstration
G
X+Y
(s) = E[s
X+Y
] = E[s
X
s
Y
] = E[s
X
]E[s
Y
]
Gnralisation
Soient X
1
, X
2
, . . . , X
n
, n v.a.r. discrtes indpendantes valeurs dans N. On a :
G
X
1
+X
2
+...+Xn
(s) = G
X
1
(s) . . . G
Xn
(s)
1.6. VARIABLES ALATOIRES RELLES ABSOLUMENT CONTINUES (A.C.) 31
Exemple
Soient X
1
, X
2
, . . . , X
n
, n v.a.r. indpendantes de Bernoulli de mme paramtre p.
G
X
1
+X
2
+...+Xn
(s) = (1 p + ps) . . . (1 p + ps) = (1 p + ps)
n
On retrouve en fait la fonction gnratrice dune loi binomiale. Or, on admet que si deux
v.a.r. ont mme fonction gnratrice alors elles suivent la mme loi de probabilit donc
X
1
+ X
2
+ + X
n
suit la loi binomiale.
Proposition
Si deux variables admettent la mme fonction gnratrice alors elles ont la mme loi
de probabilit.
1.6 Variables alatoires relles absolument continues (a.c.)
1.6.1 Dnition
Soit X une v.a.r. dont la fonction de rpartition F
X
est de la forme :
x R, F
X
(x) = P(X ] , x]) =
_
],x]
f
X
(v)d(v)
o est la mesure de Lebesgue sur R et o la fonction f
X
: R R est telle que :
1. f
X
0
2. f
X
est sommable au sens de Lebesgue sur R et
_
f
X
(v)d(v) = 1
Alors, on dit que X est une v.a.r. absolument continue (a.c.) et la fonction f
X
est la densit
de probabilit de X.
Exemples de lois de probabilit absolument continues
1. Loi uniforme sur [a, b] ((a, b) R
2
) :
f
X
(x) =
_
_
_
1
b a
a x b
0 sinon
2. Loi normale (Gaussienne) :
f
X
(x) =
1

2
e

(xm)
2
2
2
, x R, m R, > 0
Si m = 0 et = 1, la loi normale est dite centre-rduite. On a :
F
X
(x) =
_
x

2
e

t
2
2
dt =
_
Erf
_
x

2
_
+ 1
_
32 CHAPITRE 1. LES PROBABILITS
3. Loi de Cauchy
f
X
(x) =
a
(x
2
+ a
2
)
, x R, a > 0
4. Loi exponentielle
f
X
(x) =
_
e
x
x 0
0 sinon
, > 0
Proposition
Si X est une v.a.r. absolument continue de densit f
X
:
F
X
est continue sur R et en tout point o f
X
est continue, F

X
(x) = f
X
(x)
x R, P
X
(x) = 0. En eet, pour un intervalle [a, b] R, on a :
P
X
([a, b]) =
_
[a,b]
f(v)d(v)
Si lintervalle se rduit un singleton, la valeur de lintgrale est nulle.
Remarque
Soient x
0
R et h > 0 ; alors
P
X
([x
0
, x
0
+ h]) =
_
[x
0
,x
0
+h]
f
X
(v)d(v)
Si f
X
est continue en x
0
, on a alors :
lim
h0
+
1
h
_
[x
0
,x
0
+h]
f
X
(v)d(v) = f
X
(x
0
)
do lon dduit :
P
X
([x
0
, x
0
+ dx]) f
X
(x
0
)dx
Exemple
Soit X une v.a.r. absolument continue de densit de probabilit f
X
(x) =
_
e
x
x 0
0 sinon
Quelle est la probabilit que sin X > 0 ?
Notons Psin X > 0 cette probabilit. On a lvnement :
X
1
_
_
kZ
]2k, (2k + 1)[
_
= /X()
_
kZ
]2k, (2k + 1)[
P(X
1
(

kZ
]2k, (2k + 1)[)) = P
X
((

kZ
]2k, (2k + 1)[))
=

kZ
P
X
(]2k, (2k + 1)[)
=

kN
_
(2k+1)
2k
e
x
dx
=

kN
(1 e

)e
2k
= (1 e

kN
e
2k
Psin X > 0 =
1 e

1 e
2
=
1
1 + e

0.959
1.6. VARIABLES ALATOIRES RELLES ABSOLUMENT CONTINUES (A.C.) 33
-2 -1 1 2 3
0.05
0.1
0.15
0.2
0.25
0.3
Densit de probabilit pour la loi uniforme
Haveca = - 1 et b = 2L
-2 -1 1 2 3
0.2
0.4
0.6
0.8
1
Fonction de rpartition pour la loi uniforme
Haveca = - 1 et b = 2L
34 CHAPITRE 1. LES PROBABILITS
-3 -2 -1 1 2 3
0.1
0.2
0.3
0.4
Densit de probabilit pour la loi normale
Havecm = 1 et sigma = 2L
-3 -2 -1 1 2 3
0.2
0.4
0.6
0.8
1
Fonction de rpartition pour la loi normale
Havecm = 1 et sigma = 2L
1.6. VARIABLES ALATOIRES RELLES ABSOLUMENT CONTINUES (A.C.) 35
-3 -2 -1 1 2 3
0.05
0.1
0.15
0.2
0.25
0.3
Densit de probabilit pour la loi de Cauchy
Haveca = 1L
-3 -2 -1 1 2 3
0.2
0.4
0.6
0.8
Fonction de rpartition pour la loi de Cauchy
Haveca = - 1 L
36 CHAPITRE 1. LES PROBABILITS
-2 -1 1 2 3 4
0.2
0.4
0.6
0.8
1
Densit de probabilit pour la loi exponentielle
Havecalpha = 1L
-2 -1 1 2 3 4
0.2
0.4
0.6
0.8
1
Fonction de rpartition pour la loi exponentielle
Havecalpha = 1L
1.6. VARIABLES ALATOIRES RELLES ABSOLUMENT CONTINUES (A.C.) 37
1.6.2 Esprance, variance
Dnition
Soit X une v.a.r. absolument continue. On appelle esprance mathmatique de X le
nombre :
E[X] =
_
R
xf
X
(x)d(x)
sous rserve que la fonction xf
X
soit sommable au sens de Lebesgue.
La variance est dnie par :
var[X] = E[(XE[X])
2
]
Les expressions des esprances mathmatiques et des variances sont donnes dans le tableau
suivant pour direntes lois de probabilits absolument continues.
E[X] var[X]
loi uniforme sur [ a , b ]
a + b
2
(b a)
2
12
loi normale m, m
2
loi de Cauchy, pas desprance pas de variance
loi exponentielle
1

2
1.6.3 Couple de v.a.r. absolument continu
Loi conjointe
Soient X et Y deux v.a.r. (, /, P). On appelle fonction de rpartition conjointe du
couple (X, Y) la fonction F
X,Y
de R
2
dans [ 0 , 1 ] :
(x, y) R
2
, F
X,Y
(x, y) = P(X ] , x] et Y ] , y ])
Dnition
Si F
X,Y
est telle que :
(x, y) R
2
, F
X,Y
(x, y) =
_
],x]],y]
f
X,Y
(u, v)d(u)d(v)
avec
1. f
X,Y
0
2. f
X,Y
est sommable au sens de Lebesgue sur R
2
et son intgrale vaut 1.
Alors le couple (X, Y) est dit absolument continu et f
X,Y
est appele la densit de
probabilit conjointe du couple (X, Y).
Remarques
On parle aussi de vecteur au lieu de couple.
38 CHAPITRE 1. LES PROBABILITS
Soient X et Y deux v.a.r. absolument continues. Il se peut que le couple (X, Y) ne soit
pas absolument continu.
Si (X,Y) est un couple a.c., alors X et Y sont des v.a.r.a.c.
Exemple
Soit (X, Y) un couple de v.a.r. tel que F
X,Y
=
_
],x]],y]

3
4
e

1
2
(u
2
uv+v
2
)
d(u)d(v).
On vrie que le couple (X,Y) est un couple absolument continu de densit de proba-
bilit f
X,Y
=

3
4
e

1
2
(u
2
uv+v
2
)
0 et
_
f
X,Y
(u, v)d(u)d(v) = 1.
Loi marginale
Proposition
Soit (X, Y) un couple de v.a.r. absolument continu, de densit f
X,Y
. Alors X est une
v.a.r. absolument continue admettant pour densit de probabilit la fonction (appele
densit marginale de X) dnie par :
f
margX
: R R
+
u f
margX
(u) =
_
R
f
X,Y
(u, v)d(v)
Avec lexemple prcdent, on obtient :
f
margX
=

3
2
1
2
e

3
8
u
2
f
margY
=

3
2
1
2
e

3
8
v
2
On obtient des lois normales avec les paramtres m = 0 et =
2

3
Dnition
Soit (X, Y) un couple de v.a.r. absolument continues de densit f
X,Y
. On dit que X
et Y sont indpendantes si f
X,Y
(x, y) = f
margX
(x).f
margY
(y) pour presque tout (x,y).
Exemple
Romo et Juliette projettent de se rencontrer devant les arnes entre minuit et une heure
du matin et dattendre chacun dix minutes.
Quelle est la probabilit de rencontre ?
On note respectivement t
r
et t
j
les heures darrive de Romo et de Juliette. On
travaille dans = (t
r
, t
j
)/t
r
[ 0 , 1 ] et t
j
[ 0 , 1 ] = [ 0 , 1 ]
2
. On dnit deux
variables alatoires :
X : [ 0 , 1 ]
(t
r
, t
j
) t
r
1.6. VARIABLES ALATOIRES RELLES ABSOLUMENT CONTINUES (A.C.) 39
y
x
1/6
1/6
y = x - 1/6
y = x + 1/6
Y : [ 0 , 1 ]
(t
r
, t
j
) t
j
Loi marginale de X : x R, F
X
(x) = P
X
(] , x]) =
_
_
_
0 x < 0
x 0 x 1
1 x > 1
On a alors F
X
(x) =
_
x

I
[ 0 , 1 ]
(u)du avec I
[ 0 , 1 ]
la fonction indicatrice de lintervalle
[ 0 , 1 ].
De mme pour Y, on a : x R, F
Y
(y) = P
Y
(] , y ]) =
_
y

I
[ 0 , 1 ]
(v)dv.
Loi conjointe du couple
(x, y) R
2
, F
X,Y
(x, y) = P
X
(] , x]).P
Y
(] , y ]) =
_
0 u x
0 v y
I
[0,1]
(u)I
[0,1]
(v)dudv
Le couple (X, Y) est absolument continu et sa densit de probabilit est simplement
donne par :
f
X,Y
(u, v) = I
[0,1]
(u)I
[0,1]
(v)
A : vnement Romo et Juliette se rencontrent. Cet vnement correspond lensemble :
(t
r
, t
j
) tel que [t
r
t
j
[
1
6

La probabilit de A est alors donne par :


P(A) =
_
0 u 1
0 v 1
|u v| 1/6
dudv = 1
_
5
6
_
2
=
11
36
Exemple : laiguille de Buon (1786)
On trace sur le sol un rseau de droites quidistantes (d). On jette une aiguille de
longueur l < d. Quelle est la probabilit pour que laiguille coupe une droite ?
On considre lpreuve c qui consiste jeter laiguille. On mesure h et , les coor-
donnes de laiguille. On a = (h, )/h [0, d/2], [0, ]
On considre les variables alatoires suivantes :
40 CHAPITRE 1. LES PROBABILITS

h
d
Fig. 1.2 Aiguille de Buon
X : [0, 1/2]
(h, ) h/d
Y : [0, [
(h, )
Le couple (X, Y) est absolument continu et de densit conjointe :
f
X,Y
(x, y) =
1
1/2
I
[0,1/2]
(x).
1

I
[0,[
(y)
Soit A lvnement "laiguille coupe une droite.
A = (h, ) /0 h (l/2) sin
P(A) =
_
(x, y) [0, 1/2] [0, [
0 x (l/2d) sin y
f
X,Y
(x, y)dxdy
P(A) =
2

_
(x, y) [0, 1/2] [0, [
0 x (l/2d) sin y
dxdy =
2

_

0
1
2
l
d
sin tdt =
2l
d
Pour une dtermination de partir de ce rsultat, on pourra consulter le site :
http ://www.angelre.com/wa/hurben/bu.html
Loi conditionnelle de X sachant que Y = y
h > 0 P(X x[Y [y h, y + h]) =
P(X x et Y [y h, y + h])
P(Y [y h, y + h])
P(X x et Y [y h, y + h]) =
_
],x][yh,y+h]
f
X,Y
(u, v)d(u)d(v)
P(Y [y h, y + h]) =
_
[yh,y+h]
f
margY
(v)d(v)
1.6. VARIABLES ALATOIRES RELLES ABSOLUMENT CONTINUES (A.C.) 41
On multiplie et on divise par
1
2h
. On a alors, quand h tend vers zro :
lim
h0
P(X x[Y [y h, y + h]) =
_
],x]
f
X,Y
(u, y)d(u)
f
margY
(y)
Dnition
Soit (X, Y) un couple de v.a.r. absolument continu de densit f
X,Y
. La fonction de
rpartition conditionnelle de X sachant que Y = y est dnie par :
x R F
X|Y=y
(x) =
_
],x]
f
X,Y
(u, y)d(u)
f
margY
(y)
et donc la densit de probabilit conditionnelle est donne par :
f
X|Y=y
=
f
X,Y
(x, y)
f
margY
(y)
Remarque : analogie avec les variables discrtes
P(X = x[Y = y) =
P(X = x Y = y)
P(Y = y)
Dnitions
Soit (X, Y) un couple de v.a.r. absolument continu de densit f
X,Y
.
On appelle esprance mathmatique de X :
E[X] =
_
uf
X,Y
(u, v)d(u)d(v)
On appelle esprance conditionnelle de X sachant Y = y :
E[X[Y = y] =
_
uf
X|Y=y
(u, y)d(u)
Exemple
On choisit au hasard un nombre entre ] 0 , 1 [ puis un second entre ] 0 , premier nombre obtenu [.
On a = ] 0 , 1 [
2
. On dnit les variables alatoires suivantes :
X : ] 0 , 1 [
(x, y) x
Y : ] 0 , 1 [
(x, y) y
42 CHAPITRE 1. LES PROBABILITS
f
margX
(x) =
_
1 si x ] 0 , 1 [
0 sinon
f
Y|X=x
(y) =
_
1
x
si y ] 0 , x[
0 sinon
Loi conjointe
f
X,Y
(x, y) = f
margX
(x).f
Y|X=x
(y) =
_
1
x
si 0 < y < x < 1
0 sinon
Loi marginale de Y
f
margY
(y) =
_
f
X,Y
(x, y)d(x) =
_
_
_
_
1
y
dx
x
= lny si 0 < y < 1
0 sinon
Esprance mathmatique de X et de Y
E[X] =
_
xf
X,Y
(x, y)dxdy =
1
2
E[Y] =
_
yf
X,Y
(x, y)dxdy =
1
4
Attention : f
X,Y
(x, y) ,= f
margX
(x).f
margY
(y)
(X et Y ne sont donc pas indpendantes.)
Esprance mathmatique conditionnelle de Y sachant que X = x :
E[Y[X = x] =
_
yf
Y|X=x
(y)dy =
x
2
Proposition
Soit (X, Y) un couple de v.a.r. absolument continu de densit f
X,Y
. Alors, la somme
S = X + Y est une v.a.r. absolument continue admettant pour densit de probabilit :
f
S
(s) =
_
f
X,Y
(u, s u)d(u) =
_
f
X,Y
(s v, v)d(v)
Cas particulier : si X et Y sont indpendantes alors
f
S
(s) =
_
f
margX
(u)f
margY
(s u)d(u)
Exemple
Soit X une v.a. normale centre-rduite.
x R F
X
(x) = P
X
(] , x]) =
_
x

u
2
2

2
du
1.6. VARIABLES ALATOIRES RELLES ABSOLUMENT CONTINUES (A.C.) 43
Quelle est la loi de probabilit de la v.a.r. Y = X
2
?
y > 0 F
Y
(y) = P
Y
(] , y ]) = P
X
([

y ,

y ]) =
_

y

y
e

u
2
2

2
du = 2
_
y
0
e

v
2

2
dv
2

v
donc
f
Y
(v) =
_
_
_
0 si v 0
e

v
2

2v
si v > 0
y R F
Y
(y) =
_
y

f
Y
(v)dv
Loi du
2
un degr de libert.
1.6.4 Fonctions caractristiques
Dnition
Soit X une v.a.r. absolument continue de densit f
X
. On appelle fonction caractris-
tique de X la fonction dnie par :

X
: R C
t
_
f
X
(x)e
itx
d(x)
Remarque

X
(t) = E[e
itx
]. Cette dnition permet de dnir
X
pour les v.a.r. discrtes.
Exemples
Soit X une v.a. de Bernoulli de paramtre p [ 0 , 1 ].

X
(t) = G
X
(s = e
it
) = 1 p + pe
it
Soit X une v.a. binomiale de paramtres n,p.

X
(t) = (1 p + pe
it
)
n
Proposition
Deux v.a.r. ayant mme fonction caractristique ont mme loi de probabilit.
Exemples
Soit X une v.a.r. absolument continue de densit f
X
(x) =
a
(x
2
+ a
2
)
avec a > 0 (variable
alatoire de Cauchy). Alors,

X
(t) =
_

a
(x
2
+ a
2
)
e
itx
dx = e
a|t|
(cf. mthode des rsidus)
44 CHAPITRE 1. LES PROBABILITS
Soit X une v.a.r. normale centre-rduite.
f
X
(x) =
1

2
e

x
2
2

X
(t) = e

t
2
2
Proposition
Soit
X
(t) la fonction caractristique dune v.a.r. X :
1.
X
(t = 0) = 1
2. t R [
X
(t)[ 1
3.
X
(t) est uniformment continue sur R
4. Si le moment dordre n de X existe :

(n)
X
(t = 0) = i
n
E[X
n
]
Proposition
La fonction caractristique dune somme de v.a.r est le produit de leurs fonctions
caractristiques.
1.7 Suite de variables alatoires
Prliminaire
Soit q R, on appelle variable alatoire certaine q une variable alatoire discrte qui ne
prend quune seule valeur, q, avec une probabilit de 1.
x R, F
X
(x) =
_
1 si x q
0 sinon
1.7.1 Introduction - thorme de Moivre-Laplace
Soit X
1
, X
2
, . . . , X
n
une suite de v.a. de Bernoulli, indpendantes, de mme paramtre
p [ 0 , 1 ]. n N

, X
n
prend les valeurs 0 et 1. De plus :
P(X
n
= 0) = 1 p P(X
n
= 1) = p
E[X
n
] = p var[X
n
] = p(1 p) (X
n
) =
_
p(1 p)
On note n N

S
n
= X
1
+ X
2
+ . . . + X
n
. S
n
est une v.a. discrte prenant les valeurs
k [[ 0 , n]]. On a P(S
n
= k) = C
k
n
p
k
(1 p)
nk
et :
E[S
n
] = np var[S
n
] = np(1 p) (S
n
) =

n
_
p(1 p)
Soit S

n
la v.a.r. discrte dnie par :
S

n
=
S
n
np

n
_
p(1 p)
1.7. SUITE DE VARIABLES ALATOIRES 45
S

n
prend ses valeurs dans
k np

n
_
p(1 p)
[k [ 0 , n]. On a :
P
_
S

n
=
k np

n
_
p(1 p)
_
= C
k
n
p
k
(1 p)
nk
On a de plus :
x R F
S

n
(x) = P
S

n
(] , x]) =

k [0, n]
k np

n
_
p(1 p)
x
P
_
S

n
=
k np

n
_
p(1 p)
_
=

k [0, n]
k x

n
_
p(1 p) + np
C
k
n
p
k
(1 p)
nk
x R, x| = le plus grand entier infrieur x
Remarque
Si x <
np

n
_
p(1 p)
alors F
S

n
(x) = 0 et si x >
n np

n
_
p(1 p)
alors F
S

n
(x) = 1
Proposition
Quand n tend vers linni, avec p x, on a x R :
lim
n
F
S

n
(x) =
_
x

e
u
2
2

2
du
Cest le thorme de Moivre-Laplace. La limite de F
S

n
(x) pour n est la fonction
de rpartition dune v.a.r. normale centre rduite (voir gure 1.3).
Considrons la v.a.r.
S
n
n
=
X
1
+ ... + X
n
n
. Cette v.a.r. prend les valeurs k/n pour k [[ 1 , n]].
On a :
P
_
S
n
n
=
k
n
_
= C
k
n
p
k
(1 p)
nk
x R, FSn
n
(x) =

k [[ 1 , n]]
k xn
C
k
n
p
k
(1 p)
nk
_
x < 0 FSn
n
(x) = 0
x > 1 FSn
n
(x) = 1
Proposition
lim
n
FSn
n
(x)
=
_
1 si x p
0 sinon
La limite est la fonction de rpartition de la variable alatoire certaine p (v.a.r. dis-
crte ne prenant quune valeur, savoir p, avec une probabilit gale 1) (voir gure
1.4).
46 CHAPITRE 1. LES PROBABILITS
-4 -2 2 4
0.2
0.4
0.6
0.8
1
Fig. 1.3 F
Sn
(x) avec n=100 et p=0.2
1.7. SUITE DE VARIABLES ALATOIRES 47
0.2 0.4 0.6 0.8 1
0.2
0.4
0.6
0.8
1
Fig. 1.4 F
Sn/n
(x) avec n=100 et p=0.2
48 CHAPITRE 1. LES PROBABILITS
1.7.2 Convergence en loi - thorme "central limit
Dnition
Soit Y
1
, Y
2
, . . . , Y
n
, . . . une suite de v.a.r. On dit que lorsque n , Y
n
converge
en loi vers la v.a.r. Y si pour tout y o la fonction de rpartition F
Y
est continue, on
a :
lim
n
F
Yn
(y) = F
Y
(y)
Remarque
Soit
Yn
et
Y
les fonctions caractristiques de Y
n
et Y. La suite de v.a.r. Y
n
converge
en loi vers la v.a.r. Y si et seulement si, pour tout t R, la suite
Yn
(t) converge vers

Y
(t).
Thorme "central limit
Soit X
1
, X
2
, . . . , X
n
une suite de v.a.r. indpendantes et de mme loi de probabilit, ad-
mettant chacune une esprance m et une variance
2
(i.e. E[X
n
] = m et var[X
n
] =
2
pour
tout n N

).
Posons S
n
= X
1
+ X
2
+ ... + X
n
(n N

).
(Rappel : E[S
n
] = nm et var[S
n
] = n
2
).
Alors, lorsque n tend vers linni, la v.a.r.
S
n
nm

n
converge en loi vers une v.a.r. normale
centre rduite.
Avec les mmes hypothses, la v.a.r. S
n
/n converge en loi quand n tend vers linni vers
la variable alatoire certaine m (Loi des grands nombres).