Vous êtes sur la page 1sur 132

Rpublique Algrienne Dmocratique et Populaire

Ministre de lEnseignement Suprieur et de la Recherche Scientique

Universit Abou Bekr Belkaid Tlemcen

Facult des Sciences

Probabilits

Boukhari Fakhreddine
ii

Dpartement de Mathmatiques f_boukhari@yahoo.fr


Facult des Sciences
BP 119 Tlemcen

Boukhari.F
c
" Comme un aveugle na aucune ide
des couleurs, de mme nous navons
aucune ide de la manire dont Dieu
inniment sage peroit et comprend
toutes choses."
Isaac Newton.
Table des matires

Introduction 1

1 Analyse combinatoire 5
1.1 Rappels et Complments . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Elments danalyse combinatoire . . . . . . . . . . . . . . . . . . . 9
1.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2 Espace de Probabilit 17
2.1 Espace probabilisable . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Espace de probabilit . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Probabilit conditionnelle . . . . . . . . . . . . . . . . . . . . . . 27
2.4 Evnements indpendants . . . . . . . . . . . . . . . . . . . . . . 34
2.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

3 Variables alatoires relles 43


3.1 Dnition-Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.2 Variables alatoires discrtes . . . . . . . . . . . . . . . . . . . . . 48
3.3 Variables alatoires absolument continues . . . . . . . . . . . . . . 53
3.4 Fonction gnratrice des moments . . . . . . . . . . . . . . . . . . 58
3.5 Fonction caractristique . . . . . . . . . . . . . . . . . . . . . . . 60
3.6 Trois ingalits utiles . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.7 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

4 Lois usuelles 69
4.1 Lois discrtes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
vi Table des matires

4.2 Lois absolument continue . . . . . . . . . . . . . . . . . . . . . . . 74


4.3 Approximation de la loi binomiale . . . . . . . . . . . . . . . . . . 78
4.4 Transformation dune variable alatoire . . . . . . . . . . . . . . . 80
4.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

5 Couples alatoires 87
5.1 Dnitions-Exemples . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.2 Couples discrets . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.3 Couples absolument continus . . . . . . . . . . . . . . . . . . . . . 91
5.4 Variables alatoires indpendantes . . . . . . . . . . . . . . . . . . 97
5.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

6 Convergence de suites de variables alatoires 107


6.1 Convergence en probabilit . . . . . . . . . . . . . . . . . . . . . . 107
6.2 Convergence en moyenne . . . . . . . . . . . . . . . . . . . . . . . 108
6.3 Convergence presque sre . . . . . . . . . . . . . . . . . . . . . . 109
6.4 Convergence en loi . . . . . . . . . . . . . . . . . . . . . . . . . . 110
6.5 Comparaison des modes de convergence . . . . . . . . . . . . . . . 114
6.6 Lois des grands nombres . . . . . . . . . . . . . . . . . . . . . . . 117
6.7 Le thorme de la limite centrale . . . . . . . . . . . . . . . . . . 119
6.8 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122

Bibliographie 125

Boukhari.F
c
Introduction

Ce manuscrit est une introduction au calcul des probabilits, il est destin aux
tudiants de la deuxime anne de la lire Gnie Productique. Il peut aussi tre
utilis par les tudiants de la deuxime anne de la lire MI option informatique.
Ce polycopi ne peut tre considr comme un ouvrage de rfrence, il est
crit dans le but de servir comme aide mmoire pour un tudiant abordant pour
la premire fois le cours de probabilits.

Il est constitu de six chapitres


Le premier chapitre est un rappel des outils de base de lanalyse combinatoire,
aprs un bref survol de la thorie des ensembles et des fonctions, on y expose les
principes fondamentaux de lanalyse combinatoire.
Dans le second chapitre on aborde la thorie moderne du calcul des proba-
bilits en donnant la dnition mathmatique dun espace de probabilits, nous
avons essay de faire appel le moins possible aux notions de la thorie de la me-
sure, qui reste malgr tout essentielle pour une approche rigoureuse du calcul des
probabilits. Nous avons introduit la notion de probabilit conditionnelle ainsi
que la notion dindpendance pour les vnements qui reste une notion propre
la thorie de la probabilit.
Le troisime chapitre est consacr aux variables alatoires, aprs la dnition
de cette notion nous tudions en dtail les deux grandes familles de variables
alatoire savoir les variables discrtes et les variables absolument continues,
nous dnissons ensuite la fonction gnratrice des moments ainsi que la fonction
caractristiques essentielle pour lidentication des lois ainsi que pour le problme
de convergence en loi.
Dans le quatrime chapitre on donne les principales lois de probabilits, on
2 Introduction

y traite aussi le problme de changement de variable ainsi quune premire ap-


proche concernant la convergence en loi dune loi binomiale vers une loi de Pois-
son.
Le cinquime chapitre constitue une introduction aux vecteurs alatoires.
Aprs avoir enseign le cours de probabilits aux tudiants de la deuxime an-
ne informatique plusieurs reprises, jai pu constater amrement la dicult
daborder ce sujet dans sa gnralit au vu des dicults que rencontre de nom-
breux tudiants manipuler les intgrales multiples, jai d donc me restreindre
aux couples alatoires, en esprant des jours meilleurs.
En lisant le dernier chapitre, des collgues ayant enseign ce cours me traite-
ront peut tre doptimiste, ce qui nest pas mon cas malheureusement, en eet
ce chapitre est consacr la dlicate question de la convergence en thorie des
probabilits est ses corollaires lgendaires : les lois des grands nombres et le tho-
rme de la limite centrale. Elle est dlicate car il ya au moins quatre modes de
convergence, dautre part on est amen dans au moins un mode de convergence
de traiter avec le fameux epsilon qui fait tant peur nos tudiants (pourtant il
a lair sympathique), ajoutant cela le fait que dans le plus important mode de
convergence (la convergence en loi), on est amen traiter non pas avec la suite
de variables alatoires tudies mais avec sa suite de lois, enn pour couronner
le tout, comme en analyse, montrer la convergence ou la divergence revient sou-
vent faire des majorations ou des minorations, ce que beaucoup dtudiants
rechignent faire si on ninsiste pas.
A la n de chaque chapitre nous proposons une srie dexercices dicult
variable, an daider ltudiant studieux mieux assimiler le contenu de ce cours.
Cet ouvrage ne prtend aucune originalit, le contenu expos est standard, il
fait partie de la plupart des livres traitant de la thorie moderne des probabilits.
Comme chaque travail acadmique, il contient srement des erreurs et je remercie
par avance tout collgue et tout tudiant qui me fera part de ses remarques et
critiques.

Je remercie mon collgue le Professeur Abdellaoui Boumdine pour son en-


couragement, son soutient et son enthousiasme. Jexprime ma gratitude et mon
profond respect mon collgue Miri Soane Maitre de confrences luniversit

Boukhari.F
c
Introduction 3

de Tlemcen, pour ses qualits humaines et pour avoir lu et corrig ce manuscrit.

Boukhari.F
c
Chapitre 1

Analyse combinatoire

1.1 Rappels et Complments


Dans tout ce qui suit on dsigne par un ensemble non-vide.

1.1.1 Thorie des ensembles


Lensemble vide est lensemble qui ne contient aucun lment, on le
note .
P () , dsigne lensemble des toutes les parties de .
A P () A .

Exemple 1.1. Soit = {a, b, c}, alors P () = {, , {a}, {b}, {c}, {a, b},
{a, c}, {b, c}}.

Soient prsent A, B P (), alors


A = CA = { ;
/ A}.
A B = { ; A ou B}.
A B = { ; A et B}.
A\B = A B = { ; A et
/ B}.
AB = A\B B\A = BA.
[ ]
AB AB .
[ ]
A = B A B et B A .
6 Chapitre 1. Analyse combinatoire

Proposition 1.1. Soient A, B et C trois sous ensembles de . On a


1/ A A = A
2/ A A = A
3/ A B = B A (commutativit de lintersection)
4/ A B = B A (commutativit de lunion)
5/ (A B) C = A (B C) (associativit de lintersection)
6/ (A B) C = A (B C) (associativit de lunion)
7/ A (B C) = (A B) (A C) (Distributivit de lunion sur lin-
tersection)
8/ A (B C) = (A B) (A C) (Distributivit de lintersection sur
lunion)
9/ A B = A B
10/ A B = A B
11/ A A =
12/ A A =

On gnralise les notions dintersection et dunion une innit densembles


de la manire suivante :

Dnition 1.1. Soient I un ensemble non-vide, {Ai , i I} une famille dl-


ments de P (), alors

iI Ai = { / i I tel que Ai }.

iI Ai = { / Ai , i I}.
Ainsi

iI Ai i I, Ai .

iI Ai Ai , i I.

Dnition 1.2. Soit A P (), on note par card(A), le nombre (ventuellement


inni) dlments de A. On dit que A est en ensemnle ni si card(A) est un
nombre ni.

Exemple 1.2. card() = 0, card({a, b, c, d}) = 4, card(N) = +.

Dans le cas dun ensemble ni, il nest pas dicile de montrer le rsultat
suivant :

Boukhari.F
c
1.1. Rappels et Complments 7

Proposition 1.2. Soient un ensemble ni, A, B P (). Alors

card(A B) = card(A) + card(B) card(A B).

En particulier, si A B = , alors

card(A B) = card(A) + card(B).

Dnition 1.3. Soient 1 et 2 deux ensembles non-vides, le produit cartsien


de 1 et 2 est lensemble not 1 2 dni par

1 2 = {(1 , 2 ) ; 1 1 et 2 2 }

Remarque 1.1. 1 2 est lensemble des couples (1 , 2 ) o 1 1 et 2


2 . Il faut noter que (1 , 2 ) est appel couple ordonn, ainsi il y a une dirence
entre (1 , 2 ) et (2 , 1 ) .

[(1 , 2 ) = (1 , 2 )] [1 = 1 et 2 = 2 ]

De la mme manire on dnit le produit cartsien de plusieurs ensembles :

Dnition 1.4. Soient k 2, {n , n 1}, une familles innie densembles


non-vides.
On appelle k-uplet une disposition ordonne de k lments de type
(1 , 2 , , ..., k ) o i i pour chaque 1 i k.
Le produit cartsien 1 2 k est lensemble des k-uplets, i. e.

1 2 k = {(1 , 2 , , ..., k ), i i , pour 1 i k}.

1.1.2 Applications

Dnition 1.5. On appelle application dun ensemble E vers un ensemble F ;


toute correspondance X qui associe tout lment E un et un seul lment

Boukhari.F
c
8 Chapitre 1. Analyse combinatoire

y = X() F. On note
X: E F
7 X()
Remarque 1.2. On rappelle que :
E est appel lensemble de dpart.
F est appel lensemble darrive.
y = X() est appel limage de par X.
est appel un antcdent de y = X().

Dnition 1.6. Soient X : E F une application, A E et B F.

1. Image directe : Limage directe de A par X note X (A), est le sous en-
semble de F dni par

X (A) = {y F ; A tel que y = X()}

2. Image rciproque : Limage rciproque de B par X note X 1 (B), est le


sous ensemble de E dni par

X 1 (B) = { E; X() B }

Remarque 1.3. Il faut noter que


1. limage dun ensemble A, est tout simplement le sous ensemble de F consti-
tu des images de tous les lments de A.
2. limage rciproque de B est le sous ensemble de E constitu des lments
dont limage est dans B.
3. pour parler de limage rciproque dun ensemble par une application X, il
nest pas ncessaire dexiger que X soit bijective contrairement limage
rciproque dun lment par une application X qui na de sens que si X
est bijective.

Proposition 1.3. Soient X : E F une application, A E , B E et


C F , D F . On a
1. A B X (A) X (B)

Boukhari.F
c
1.2. Elments danalyse combinatoire 9

2. X (A B) = X (A) X (B)
3. X (A B) X (A) X (B)
4. Si X est injective alors, X (A B) = X (A) X (B)
5. C D X 1 (C) X 1 (D)
6. X 1 (C D) = X 1 (C) X 1 (D)
7. X 1 (C D) = X 1 (C) X 1 (D)

Nous terminons ce paragraphe par introduire la fonction indictarice dun


ensemble, trs importante en thorie des probabilits :

Dnition 1.7. Soient un ensemble non vide, A P (). La fonction indicatrice de A,


note 1A est dnie par 1A : {0, 1}, avec


1 si A
1A () =
0 si A

Cette fonction possde les proprits suivantes :

Proposition 1.4. Soient A, B P (), alors


1 = 1 et 1 = 0.
1AB = 1A + 1B 1AB .
1AB = max(1A , 1B ).
1A = 1 1A
1AB = 1A 1B = min(1A , 1B )

1.2 Elments danalyse combinatoire


Supposons prsent que card() = n, o n 1.

Dnition 1.8. Pour tout i 1, on dnit le factoriel de i par i! = 12 i.


On conviendra que 0! = 1.

Remarque 1.4. Il est facile de voir que pour tout i 1,

i! = (i 1)! i = (i 2)! (i 1) i = .

Boukhari.F
c
10 Chapitre 1. Analyse combinatoire

Dnition 1.9. On appelle arrangement avec rptition de k lments choisis


parmi n, un k-uplet (1 , 2 , , ..., k ) o i pour tout 1 i k.

Exemple 1.3. Soient = {a, b, c}, k = 2, les arrangement avec rptition de 2


lments choisis dans sont : (a, a), (b, b), (c, c), (a, b), (b, a), (a, c), (c, a), (b, c), (c, b).

Remarque 1.5. Il faut bien noter que dans un arrangement avec rptition,
un lments peut gurer plusieurs fois, et que lordre des lments est pris en
considration, ainsi dans lexemple prcdents les lments (a, b) et (b, a) sont
dirents, ils sont donc compts tous les deux.

Proposition 1.5. Le nombre darrangements avec rptition de k lments choi-


sis parmi n est nk .

Exemple 1.4. Pour utiliser une carte de retrait bancaire, on a besoin dun code
de 4 chires. Combien de codes peut-on gnrer ?
Solution:
Chaque code est un nombre de 4 chires de type abcd, o a, b, c, d {0, 1, ..., 9}.
Ainsi le nombre de codes possibles est 10 10 10 10 = 104 codes.

Dnition 1.10. Soient 1 k n, on appelle arrangement sans rptition de k


lments parmi n une disposition ordonne sans rptition de k lments choisis
dans un ensemble de cardinal n.

Exemple 1.5. Soient = {a, b, c}, k = 2, les arrangements sans rptition de


2 lments choisis dans sont : (a, b), (b, a), (a, c), (c, a), (b, c), (c, b).

Remarque 1.6. Dans un arrangements sans rptition, on a pas le droit de


choisir un lment plus quune fois dans une disposition, cest pour cette raison
que llment (a, a) ne gure pas dans lexemple prcdent, cependant lordre des
lments est pris en considration.

Proposition 1.6. Le nombre darrangements sans rptition de k lments


parmi n est not Akn , il est donn par la formule :

n!
Akn = n (n 1) (n k + 1) = .
(n k)!

Boukhari.F
c
1.2. Elments danalyse combinatoire 11

Exemple 1.6. On veut former un mot de 5 lettres avec lalphabet franais avec
la condition que chaque lettre apparat au plus une fois (On ne tient pas compte
du sens du mot ).
Solution:
Puisque on exige quune lettre ne peut appratre quau plus une fois, il ne
peut y avoir de rptition, cest donc un arrangement sans rptition, ainsi on
peut former A526 mots.

Dnition 1.11. Soient n 1, un ensemble avec card() = n. On appelle


permutation sans rptition de n lments une disposition ordonne des lments
de o chaque lments gure une seule fois et une seule.

Exemple 1.7. Soit = {a, b, c}, les permutations sans rptition des sont :
abc bac bca cba cab acb.

Proposition 1.7. Le nombre de permutations sans rptition dlments dun


ensemble de cardinal n est n!

Exemple 1.8. De combien de faons peut-on ranger 4 livres dirents sur une
tagre ?
Solution:
Il y a 4! manires de ranger 4 livres dirents sur une tagre.

Dnition 1.12. Soient k 1, 1 , 2 , ..., k des ensembles dirents contenant


respectivement n1 , n2 , ..., nk lments identiques. Posons n = n1 + n2 + ... + nk .
On appelle permutation avec rptition de n lments une disposition ordonne
des ces lments, o chaque lments gure une seule fois et une seule.

Exemple 1.9. Considrons la disposition : aabcc, elle est compose de 3 groupes


distincts, contenant respectivement 2, 1 et 2 lments. Les permutations possibles
de cette disposition sont : aabcc, aacbc, aaccb, acacb, accab, acabc,...etc

Proposition 1.8. Le nombre de permutations avec rptition dun groupe de n


lments compos de k sous groupes dirents, contenant respectivement n1 , n2 , ...,
nk lments identiques est gale

n!
n1 ! n2 ! nk !

Boukhari.F
c
12 Chapitre 1. Analyse combinatoire

5!
Exemple 1.10. Le nombre de permutaions des lments : aabcc est donc 2!1!2!
=
30, alors que le nombre de permutations (sans rptition) des lments : abcde est
5! = 120. Cette dirence est de au fait quon ne comptabilise les permutations
eectues au sein dun mme groupe quune seule fois.

Dnition 1.13. Soient 1 k n, un ensemble contenant n lments.


On appelle combinaison sans rptition de k lments de une disposition non
ordonne et sans rptition de k lments de .

Remarque 1.7. Daprs cette dnition, on remarque que :


Une combinaison sans rptition de k lments parmi n est tout simple-
ment un ensemble contenant k lments quon choisis dans un plus grand
ensemble de cardinal n.
La dirence entre une combinaison sans rptition et un arrangment sans
rptition est donc le fait de considerer que lordre nest pas important pour
la premire, alors quil est important pour un arrangement, ceci implique
que le nombre de combinaisons sans rptition sera plus petit que le nombre
darrangments sans rptition.

Exemple 1.11. Soit = {a, b, c}, les combinaisons sans rptition de 2 lments
de sont : {a, b}, {a, c} et {c, b}.

Proposition 1.9. Soient 0 k n. Le nombre de combinaisons sans rptition


de k lments parmi n est not Cnk , il est donn par la formule :

n!
Cnk = .
k! (n k)!

Exemple 1.12. Une urne contient 9 boules : 4 blanches, 2 noires et 3 rouges.


On tire 3 boules de cette urne, de combien de manires peut-on tirer :
Deux boules blanches et une noire.
Une boule de chaque couleur.
Solution:
On a C42 faons de tirer deux boules blanches et C21 faons de tirer une boule
noire, ainsi on a C42 C21 = 12 manires de tirer deux boules blanches et
une noire.

Boukhari.F
c
1.2. Elments danalyse combinatoire 13

On a C41 faons de tirer une boule blanche, C21 faons de tirer une boule
noire et C31 faons de tirer une boule rouge, ainsi on a C41 C21 C31 = 24
manires de tirer une boule de chaque couleur.

Proposition 1.10. Pour 1 k n, Cnk est le nombre des sous ensembles


contenant k lments quon peut former partir dun ensemble de n lments.

Remarque 1.8. Soient 0 k n.


Il nest pas dicile de voir que Akn = k!Cnk , ceci est d au fait que chaque
ensemble contenant k lments genre k! dispositions (permutations) si on
considre que lordre est important ; et une seule disposition dans le cas o
lordre nest pas pris en compte.
Cn0 = 1, puisque Cn0 est le nombre de sous ensembles ne contenant aucun
lments dans un ensemble n lments, cest donc lensemble vide et il
ny en a quun seul.
Cnn = 1, puisque Cnn est le nombre de sous ensembles contenant n lments
dans un ensemble n lments, cest donc lensemble tout entier et il ny
en a quun seul.
Cn1 = n, puisque Cn1 est le nombre de sous ensembles ne contenant quun
seul lment (singletons) dans un ensemble n lments, il y a donc n
singletons.

Boukhari.F
c
14 Chapitre 1. Analyse combinatoire

1.3 Exercices
Exercice 1.1. Soient X : E F une application, A E , B E et C F ,
D F . Montrer que
1. A B X (A) X (B)
2. X (A B) = X (A) X (B)
3. X (A B) X (A) X (B)
4. Si X est injective alors, X (A B) = X (A) X (B)
5. C D X 1 (C) X 1 (D)
6. X 1 (C D) = X 1 (C) X 1 (D)
7. X 1 (C D) = X 1 (C) X 1 (D)

Exercice 1.2. Soient , F deux ensembles non-vides, X : F une applica-


tion, A, B P() et C, D P(F ).
1. Montrer que

X 1 (C D) = X 1 (C) X 1 (D)

X 1 (C D) = X 1 (C) X 1 (D)

X 1 (C) = X 1 (C)

X(A B) = X(A) X(B)

X(A B) X(A) X(B).

2. Montrer quen gnral, la dernire inclusion est stricte.


3. Montrer que si X est injective alors la dernire inclusion est une galit.

Exercice 1.3. Soient n N, un ensemble ni avec card() = n. Montrer par


rcurrence que card(P()) = 2n .

Exercice 1.4. Soient 1 k n. Montrer par deux mthodes direntes les


galits suivantes :
Cnk = Cnnk , k1
Cnk = Cn1 k
+ Cn1 .

et
Cnk = Cn2
k2 k1
+ 2 Cn2 k
+ Cn2 .

Boukhari.F
c
1.3. Exercices 15

Exercice 1.5. Soient a, b R, n N.


1. Montrer par rcurrence la formule du binme de Newton :


n
(a + b)n = Cnk ak bnk .
k=0

2. En dduire la valeur de


n
n
(1)k Cnk et Cnk
k=0 k=0

3. Montrer que si card() = n alors card(P()) = 2n .


4. Montrer par deux mthodes direntes que pour tout n 1 :


n
k Cnk = n2n1 .
k=1

(On pourra utiliser la fonction f (x) = (1 + x)n ).

Exercice 1.6. Dans une classe de 30 tudiants :18 lles et 12 garons. On veut
former un comit compos de trois membres. Combien de comits peut-on former
si :

a. aucune conditition nest suppose.

b. le comit doit contenir les deux sexes.

c. le comit doit contenir au moins une lle.

Exercice 1.7. Soient A, B P (). Montrer les galits suivantes :


1A = 1 et 1 = 0.
1AB = 1A + 1B 1AB .
1AB = max(1A , 1B ).
1A = 1 1A
1AB = 1A 1B = min(1A , 1B )

Boukhari.F
c
Chapitre 2

Espace de Probabilit

2.1 Espace probabilisable

2.1.1 Espace chantillon


Dnition 2.1. On appelle exprience alatoire ou preuve, toute exprience
dont le rsultat est rgi par le hasard lorsquon rpte lexprience dans les
mmes conditions.

Exemple 2.1. Donnons quelques exemples simples dexpriences alatoires :

1. le jet dune pice de monnaie et lobservation de la face suprieure.

2. Le jet dun d six faces et lobservation de la face suprieure.

3. Lextraction dune carte dun jeu de 32 cartes.

4. La mesure de la dure de vie dune batterie de tlphone portable.

5. La dtermination du nombre de personnes arrivant un guichet dans une


priode donne.

Dnition 2.2. On appelle lensemble des tous les rsultats possibles dune
exprience alatoire espace chantillon ou espace des preuves. On le note .

Remarque 2.1. Les espaces chantillons correspondent aux expriencs ala-


toires cites dans lexemple prcdent sont respectivement : 1 = {pile, face}, 2 =
{1, 2, 3, 4, 5, 6}, 3 = lensembles des 32 carte, 4 = [0, +[, 5 = N.
18 Chapitre 2. Espace de Probabilit

2.1.2 Algbre-Tribu
Dnition 2.3. Soit un espace chantillon, une algbre A sur est une partie
de P () vriant :

i. A
ii. A A A A.
iii. A, B A A B A.

Dnition 2.4. Soit un espace chantillon, une tribu ou une - algbre F sur
est une partie de P () vriant :

i. A
ii. A A A A.
iii. Si {Ak , k N} est une famille dlments de F alors


Ak F.
kN

Exemple 2.2. Soient un espace chantillon, A P (), alors


A0 = {, } est une algbre sur appele lalgbre triviale sur .
P() est une algbre sur , elle est appele lalgbre grossire sur .
Soit A , posons : (A) = {, , A, A}. Il est clair que (A) est une
algbre sur , elle est appele lalgbre engendre pas A.
Posons = {a, b, c} et A = {, , {a, b}, {a, c}, {c}}, alors A nest pas une
algbre sur puisque {a, c} = {b}
/ A.

Remarque 2.2. Il nest pas dicile de voir que


Une tribu est forcment une algbre mais la rciproque est fausse en gnral.
(voir exercice 2.9)
Une algbre (et fortiori une tribu) contient toujours lensemble vide.
Une algbre est stable par intersection nie. (Voir exercice 2.7)
Une tribu est stable par intersection innie dnombrable. (Voir exercice
2.7)
La runion de deux algbres (resp. de deux tribus) nest pas une algbre
(resp. une tribu) en gnral. (Voir exercice 2.8)

Boukhari.F
c
2.2. Espace de probabilit 19

Cependant on a le rsultat suivant :

Proposition 2.1. Lintersection de deux algbres (resp. de deux tribus) est une
algbre (resp. une tribu).

Dnition 2.5. Soient un espace chantillon, F une tribu sur . Le couple


(, F) est appel espace probabilisable ou espace mesurable.

2.2 Espace de probabilit


Dans tout ce qui suit (, F) dsigne un espace probabilisable.

Dnition 2.6. Soient A, B, A1 , A2 , ...An des lments de F.

a. On dit que A et B sont incompatibles ou disjoints si A B = .

b. On dit que A1 , A2 , ...An sont deux deux incompatibles si pour tout


1 i = j n : Ai Aj = .

c. On dit que A1 , A2 , ...An forment une partition de , sils sont deux deux
incompatibles et si

n
Ak = .
k=1

Nous pouvons prsent donner la dnition dune probabilit :

Dnition 2.7. On appelle probabilit, toute application IP : [0, 1] vri-


ant les deux proprits suivantes :

i. IP () = 1.

ii. -additivit : Pour toute famille {Ak , k 1} dlments de F deux deux


incompatibles, on a
( )

IP Ak = IP (Ak ). (2.1)
k1 k=1

Remarque 2.3. Cette dnition mrite quelques explications :

1. La premire condition est assez naturelle puisque par dnition, est len-
semble de tous les rsultats possibles.

Boukhari.F
c
20 Chapitre 2. Espace de Probabilit

2. La condition de -additivit est aussi naturelle, en eet si on considre le


jet dun d quilibr, la probabilit davoir un 2 ou un 4 est 2/6 = 1/6+1/6
donc la somme des probabilits davoir un 2 et un 4.
3. De cette dnition, on peut comprendre lutilit de la notion de tribu,
introduite dans la dnition 2.4, ainsi la tribu peut tre considre comme
le domaine de dnition dune probabilit IP . En eet dans cette dernire
dnition on peut parler de IP (An ) puisque An F, mais on ne pouvait

pas crire IP ( n1 An ) si F ntait pas une tribu. ( mditer)
4. On peut se demander pourquoi ne pas dnir une probabilit IP sur P()
tout simplement ? La rponse est que lorsque est un ensemble ni, la
tribu F sera souvent P(), mais lorsque est un ensemble inni, ceci
nest pas possible en gnral, ces considrations sont purement thoriques
et sortent du cadre de ce polycopi.

Remarque 2.4. Il faut bien noter que pour la condition de -additivit exige
dans la dnition prcdente, on demande que les ensembles {Ak , k 1} soient
deux deux incompatibles, en eet si cette condition nest pas vrie, lquation
(2.1), peut ne pas tre satisfaite, pour le voir il sut de considrer lexprience
alatoire qui consiste jeter un d quilibr et observer la face suprieure.
Soient :
A : "avoir un chire pair"
B : "avoir un chire suprieur ou gale 3".
On a A = {2, 4, 6}, B = {3, 4, 5, 6}, do AB = {2, 3, 4, 5, 6}. Ainsi IP (A) =
1/2, IP (B) = 2/3 et IP (A B) = 5/6, par consquent

5 7
IP (A B) = = = IP (A) + IP (B).
6 6

Dnition 2.8. Si (, F) est un espace probabilisable, IP une probabilit dnie


sur (, F), alors le triplet (, F, IP ) est appel espace de probabilit.

Proposition 2.2. Soient (, F, IP ) un espace de probabilit, A, B F , alors


1. E F , 0 IP (E) 1.

Boukhari.F
c
2.2. Espace de probabilit 21

2. IP () = 0.
3. IP (A) = 1 IP (A).
4. Croissance : IP est une application croissante :

A B = IP (A) IP (B). (2.2)

5. IP (A B) = IP (A) + IP (B) IP (A B).

Exemple 2.3. Soient (, F) un espace probabilisable, A, B F . Peut-on dnir


une probabilit vriant :

1 3 1
IP (A) = , IP (B) = et IP (A B) = ?
3 4 2

Solution:
Il sut de remarquer que IP (A B) = 1
2
> 1
3
= IP (A) ce qui est impossible
car A B A et ceci implique daprs le quatrime point de la proposition 3.2
que IP (A B) doit tre infrieur ou gale IP (A).

Exemple 2.4. Soient (, F) un espace probabilisable, A, B F . Peut-on dnir


une probabilit IP vriant :

1 7 1
IP (A) = , IP (B) = et IP (A B) = .
2 8 4

Solution:
Daprs la proposition 3.2, on a

1 7 1 9
IP (A B) = + = > 1,
2 8 4 8

ce qui est impossible daprs la dnition dune probabilit.

Remarque 2.5. Soient (, F, IP ) un espace de probabilit, A, B F , alors


Lensemble vide est appel lvnement impossible.
Si IP (A) = 0, on dit que A est un vnement presque impossible.
est appel lvnement certain.
Si IP (B) = 1, on dit que B est un vnement presque certain.

Boukhari.F
c
22 Chapitre 2. Espace de Probabilit

Dans la dnition de la -additivit (dnition 2.7), on exige que les vne-


ments {Ak , k N} soient deux deux incompatibles, pour pouvoir calculer la
probabilit de la runion de plusieurs vnements. Dans le cas o cette condition
nest pas vrie, on a seulement une ingalit, dite ingalit de Boole :

Proposition 2.3. Soient (, F, IP ) un espace de probabilit, {Ak , k N} une


suite dlments de F, alors

( )

IP Ak IP (Ak ). (2.3)
k1 k=1

Une probabilit possde aussi une proprit qui ressemble la continuit


dune fonction et qui nous sera utile pour la suite :

Proposition 2.4. Soit (, F, IP ) un espace de probabilit.


Si {An , n N} est une suite croissante dlments de F (i. e An An+1 ,
pour tout n 1), alors

( )
IP An = n
lim IP (An ). (2.4)
n1

Si {An , n N} est une suite dcroissante dlments de F (i. e An An+1 ,


pour tout n 1), alors

( )
IP An = lim IP (An ). (2.5)
n
n1

2.2.1 Le cas quiprobable

Supposons dans ce paragraphe que est un ensemble ni avec card() = n,


on peut lcrire : = {1 , 2 , , n }. Supposons aussi que tous les vnements
{k } sont quiprobables ou uniformes i. e.

IP ({1 }) = IP ({2 }) = = IP ({n }). (2.6)

En utilsant les proprits de la probabilit IP (dnition 2.7), on a par la propi-

Boukhari.F
c
2.2. Espace de probabilit 23

rit de -additivit :


n
n
1 = IP () = IP ( {k }) = IP ({k }) = nIP ({1 }).
k=1 k=1

Par suite
1
k {1, 2, . . . , n}, IP ({k }) = (2.7)
n
Soient prsent 1 k n, A , avec card(A) = k. Dans ce cas on peut

crire A = {1 , 2 , , k }, o chaque i est choisit dans lensemble . Ainsi


k

k
k
IP (A) = IP ( {j }) = IP ({j }) = kIP ({1 }) = .
j=1 j=1 n

On a alors prouv le rsultat suivant :

Thorme 2.1. Dans le cas quiprobable, la probabilit dun vnement A est


donne par
card(A) nombre de cas favorables
IP (A) = = (2.8)
card() nombre de cas possibles

An dillustrer ce rsultat, donnons trois exemples :

Exemple 2.5. On jette deux ds quilibrs, et on observe les faces suprieures


des deux ds. Notons par A lvnement :

A : "la somme des deux chires est gale 5".

Calculer IP (A).
Solution:
Soit lespace chantillon associ cette exprience alatoire, ainsi

= {(x, y)/x, y {1, 2, 3, 4, 5, 6}} .

Par suite card() = 6 6 = 36. De plus les deux ds sont quilibrs, donc
chaque lment (x, y) de a la mme probabilit dapparatre. On est par cons-
quent dans un cas quiprobable. Dautre part A = {(1, 4), (4, 1), (2, 3), (3, 2)}. Le

Boukhari.F
c
24 Chapitre 2. Espace de Probabilit

thorme 2.6 donne :


card(A) 4 1
IP (A) = = = .
card() 36 9

Exemple 2.6. On forme un nombre de 4 chires choisis au hasard dans len-


semble {1, 2, ..., 9}. Quelle est la probabilits que le nombre soit pair ?
Solution:
Notons le nombre choisis par abcd et soit lespace chantillon associ cette
exprience alatoire, ainsi

= {abcd/a, b, c, d {1, 2, ...9}}.

Do card() = 9 9 9 9 = 94 . A prsent, introduisons lvnement


B : "le nombre choisis est pair". Puisque le nombre est choisi au hasard, on est
dans un cas quiprobable. Dautre part le nombre abcd est pair si et seulement
si d {2, 4, 6, 8}, donc card(B) = 9 9 9 4. On a par le thorme

card(B) 93 4 4
IP (B) = = 4
= .
card() 9 9

Exemple 2.7. Une urne contient 10 boules : 3 noires, 4 blanches et 3 rouges.


On tire de cette urne 3 boules. calculer la probabilit des vnements suivants :
A : "Avoir exactemeent 3 boules blanches".
B : "Avoir une boule de chaque couleur".
C : "Avoir au moins une boule rouge".
Solution:
Dans cet exemple on nattache pas dimportance lordre dapparition des
boules, on forme donc un sous ensemble compos de trois boules choisis dans un
3
ensemnble de 10 boules. Par consquent card() = C10 .
Pour le premier vnement, on veut 3 boules blanches, pour raliser cet
vnement, on doit choisir nos 3 boules parmi les 4 boules blanches, on a
donc card(A) = C43 . Ainsi

card(A) C3
IP (A) = = 34 .
card() C10

Boukhari.F
c
2.2. Espace de probabilit 25

Pour lvnement B, on veut avoir une boule de chaque couleur, donc on a 3


choix pour la noire, 4 pour la blanches et 3 pour la rouges, ainsi card(B) =
3 4 3 = 36. Donc

card(B) 36
IP (B) = = 3 .
card() C10

Enn pour le dernier vnement, mme si on peut calculer IP (C) directe-


ment, il est prfrable de calculer dabord IP (C) qui est plus simple. En
eet, on a C : "Ne pas avoir de boule rouge", mais il y a 7 boules qui ne
sont pas de couleur rouge, do card(C) = C73 . Par consquent

card(C) C3
IP (C) = 1 IP (C) = 1 = 1 37 .
card() C10

2.2.2 Probabilit de la runion

En calcul des probabilits, on est souvent amen calculer la probabilit de


lunion de plusieurs vnements, si ces vnements sont deux deux incompa-
tibles alors on peut utiliser directement la formule 2.1, dans le cas gnral, la
formule suivante, dite formule de Poincar, donne cette probabilit :

Thorme 2.2. Soient (, F, IP ) un espace de probabilit, {Ak , 1 k n}


une suite dlments de F, alors on a

(
n )
n
IP Ak = (1)k1 Sk , (2.9)
k=1 k=1

o
( )
Sk = ... IP Ai1 Ai2 Aik ,
i1 i2 ik

o les sommes sont prises sur lensemble {1 i1 < i2 < . . . < ik n}.

Remarque 2.6. Dans cette formule le terme Sk reprsente la somme des pro-
babilits de toutes les intersections possibles de k- vnements choisis parmis les
vnements A1 , A2 , . . . , An .
Appliquons cette formule pour n = 2 et n = 3 :

Boukhari.F
c
26 Chapitre 2. Espace de Probabilit

Pour n = 2, on a deux vnements A1 , A2 et donc deux sommes calculer


S1 , S 2 :
S1 = IP (A1 ) + IP (A2 ), S2 = IP (A1 A2 ),

do


2
IP (A1 A2 ) = (1)k1 Sk = IP (A1 ) + IP (A2 ) IP (A1 A2 ).
k=1

Pour n = 3, on a trois vnements A1 , A2 , A3 et donc trois sommes


calculer S1 , S2 , S3 :

S1 = IP (A1 )+IP (A2 )+IP (A3 ), S2 = IP (A1 A2 )+IP (A1 A3 )+IP (A2 A3 ),

S3 = IP (A1 A2 A3 ),

do


3
IP (A1 A2 A3 ) = (1)k1 Sk
k=1
= S1 S2 + S3
= IP (A1 ) + IP (A2 ) + IP (A3 ) IP (A1 A2 ) IP (A1 A3 )
IP (A2 A3 ) + IP (A1 A2 A3 ).

Exemple 2.8. Quatre personnes entrent dans un restaurent pour diner muni
chacun de son parapluie noir, en sortant chacun prend un parapluie au hasard.
Calculer la probabilit quau moins une personne rcupre son parapluie.
Solution:
introduisons les vnements :
E : "Au moins une personne rcupre son parapluie"
Ai : "La ime personne rcupre son parapluie", i {1, 2, 3, 4}
Dans cet exemple, est lensemble de faons de distribuer les quatres para-
pluies sur leur propritaires dune manire alatoire, ainsi card() = 4! = 24.
Dautre part card(Ai ) est le nombre de manires de distribuer les parpluies sur
les quatres personnes en donnant la ime personne le sien, ainsi on commence

Boukhari.F
c
2.3. Probabilit conditionnelle 27

par donner la ime personne son parapluie, ensuite on distribue les trois para-
pluie restant sur les trois autres personnes, par consquent card(Ai ) = 3! = 6.
De mme card(Ai Aj ) = 2 et card(Ai Aj Ak ) = card(A1 A2 A3 A4 ) = 1.

card(Ai )
IP (Ai ) =
card()

Il est clair que E = 4i=1 Ai , dautre part, on a par le thorme 2.2 :

IP (E) = IP (4i=1 Ai )

4
= (1)k1 Sk
k=1
= S1 S2 + S3 S4

o

4
S1 = IP (Ai ), S2 = IP (Ai Aj ),
i=1 1i=j4

S3 = IP (A1 A2 A3 ) + IP (A1 A3 A4 ) + IP (A1 A2 A4 ) + IP (A2 A3 A4 )

et
S4 = IP (A1 A2 A3 A4 ).

2.3 Probabilit conditionnelle


Soient (, F, IP ) un espace de probabilit, B F avec IP (B) > 0.

Dnition 2.9. Pour A F , on dsigne par IP (A/B) la probabilit de A sachant


B, elle est dnie par
IP (A B)
IP (A/B) = . (2.10)
IP (B)

Remarque 2.7. Soient A, B deux vnements de , IP (A/B) se lit


la probabilit de A sachant B ou la probabilit conditionnelle de A par rapport
B.

Boukhari.F
c
28 Chapitre 2. Espace de Probabilit

La probabilit condionnelle par rapport un vnement permet dintroduire


une nouvelle probabilit sur lespace probabilisable (, F), en eet :

Proposition 2.5. Lapplication IP (/B) dnie de F vers [0, 1] par

IP (A B)
A F , IP (A/B) =
IP (B)

est une probabilit sur (, F).

Remarque 2.8. Soient C, D F . Cette proposition signie en particulier que


a. IP (/B) = 1.
b. IP (C D/B) = IP (C/B) + IP (D/B) IP (C D/B).
c. Si C et D sont incompatibles, alors IP (C D/B) = IP (C/B) + IP (D/B).
d. IP (C/B) = 1 IP (C/B).

Exemple 2.9. On jette successivement deux ds quilibrs. calculer la probabi-


lit des vnements suivants :
1. A : "La somme des chires sur les deux ds est un nombre pair".
2. B : "La somme des chires sur les deux ds est un nombre pair
sachant que le premier d a donn le chire 5".
Solution:
Dans cet exemple = {(x, y)/x, y {1, 2, 3, 4, 5, 6}}. Dautre part, la somme
de deux chires est paire si et seulement si les deux chires sont pairs ou impairs,
do
A = {(x, y)/x, y {1, 3, 5}} {(x, y)/x, y {2, 4, 6}} .

Par consquent, card(A) = 9 + 9 = 18 et on a

18 1
IP (A) = = .
36 2

Pour le second vnement introduisons lvnement C : "le premier d a donn


le chire 5". On a ainsi A C = {(5, y)/y {1, 3, 5}} et on a card(A C) = 3.
Donc
IP (A C) 3/36 1
IP (B) = IP (A/C) = = = .
IP (C) 3/6 6

Boukhari.F
c
2.3. Probabilit conditionnelle 29

Remarque 2.9. Dans cet exemple, on a calcul dans les deux questions la pro-
babilit que la somme des deux chires obtenus soit paire, mais la dierence
de la premire question o on navait aucune information, dans la deuximme
question on savait que le premier d a ramen le chire 5, ce qui explique la
dirence dans les rsultats obtenus, et le fait que la probabilit calcule dans le
second cas est plus petite que celle calcule au premier cas.

Exemple 2.10. On jette deux pices de monnaie quilibrs. Calculer


1. La probabilit que les deux pices ramnent pile, sachant que la premire
a ramen pile.
2. La probabilit que les deux pices ramnent face, sachant quau moins lune
dentre elle a ramen face.
Solution:
Pour i {1, 2}, posons : Ai : "La ime pice a ramen pile"
1. On cherche IP (A1 A2 /A1 ). On a

IP (A1 A2 ) 1/2 1/2 1


IP (A1 A2 /A1 ) = = = .
IP (A1 ) 1/2 2

2. On cherche IP (A1 A2 /A1 A2 ). On a


( )
IP A1 A2 (A1 A2 )
IP (A1 A2 /A1 A2 ) =
IP (A1 A2 )
IP (A1 A2 )
=
1 IP (A1 A2 )
1/2 1/2
=
1 (1/2 1/2)
1
= .
3

Remarque 2.10. Soient prsent A, C F avec IP (A) > 0 et IP (A B) > 0


Daprs la dnition de la probabilit conditionnelle, on a

IP (A B)
IP (A/B) = ,
IP (B)

Boukhari.F
c
30 Chapitre 2. Espace de Probabilit

do
IP (A B) = IP (B/A)IP (A) = IP (A/B)IP (B). (2.11)

De mme
IP (C A B)
IP (C/A B) = ,
IP (A B)
ainsi
IP (C A B) = IP (C/A B)IP (A B). (2.12)

En combinant cette dernire quation avec (2.11), on obtient

IP (A B C) = IP (A)IP (B/A)IP (C/A B).

En faisant un raisonnement par rcurrence, on peut gnraliser cette dernire


formule n vnements, ainsi

Proposition 2.6. Soient n 2, A1 , A2 , . . . , An une famille dlments de F,


n1
vriant IP ( k=1 Ak ) > 0, alors


n
n1
IP ( Ak ) = IP (A1 )IP (A2 /A1 )IP (A3 /A1 A2 ) IP (An / Ak ).
k=1 k=1

Remarque 2.11. Cette proposition est souvent utilise lorsquon veut calculer
la probabilit de lintersection de plusieurs vnements obtenus en rptant une
exprience alatoire plusieurs fois, et lorsque lespace chantillon change chaque
rptition.

Nous proposons un exemple simple pour illustrer cela :

Exemple 2.11. Une urne contient une boule blanche et une boule noire, on tire
des boules de cette urne jusqu ce que la noire appraisse. A chaque fois quune
boule blanche est tire, on la remet dans lurne avec une autre boule blanche.
Calculer la probabilit que la boule noire napparaisse pas au cours des cinq
premiers tirages.
Solution:
Pour i {1, 2, 3, 4, 5}, posons :
Bi : "la boule tire au ime tirage est blanche"

Boukhari.F
c
2.3. Probabilit conditionnelle 31

B : "la boule noire napparaisse pas au cours des cinq premiers tirages."
Il est facile de voir que

5
B= Bi .
i=1

En appliquant la proposition prcdente, on a napparaisse pas au cours des cinq


premiers tirages.

(
5 )
IP (B) = IP Bi
i=1
= IP (B1 )IP (B2 /B1 ) IP (B5 /B1 B2 B3 B4 )
1 2 3 4 5
=
2 3 4 5 6
1
= .
6

2.3.1 Formule des probabilits totales

Dans certaines situations on est amen calculer la probabilit dun vne-


ment A, qui peut se raliser travers plusieurs alternatives.
Soient n 2, A1 , A2 , . . . , An une partition de avec IP (Ak ) > 0 pour tout
1 k n. Si A F , on peut crire

(
n ) (
n )
IP (A) = IP (A ) = IP A ( Ak ) = IP (A Ak ) .
k=1 k=1

Mais les vnements {A Ak , k = 1, 2, ..., n} sont 2 2 incompatibles, ainsi

(
n )
n
n
IP (A Ak ) = IP (A Ak ) = IP (Ak )IP (A/Ak ).
k=1 k=1 k=1

On obtient ainsi :

Thorme 2.3. Soient A1 , A2 , . . . , An un systme complet de , A F, alors


on a la formule de probabilits totales :


n
IP (A) = IP (Ak )IP (A/Ak ). (2.13)
k=1

Exemple 2.12. Une zone sensible est couverte par un radar, le constructeur

Boukhari.F
c
32 Chapitre 2. Espace de Probabilit

de ce radar arme que si un avion est prsent dans sa zone de couverture, ce


radar le dtecte avec une probabilit 0.99, alors quil peut signaler un objet sur
son cran sans la prsence davion avec une probabilit 0.1. La probabilit quun
avion survol cette zone est 0.05.
a. Calculer la probabilit que le radar signale la prsense dun objet sur son
cran.
b. Calculer la probabilit que le radar faille sa mission.
Solution:
Introdsuisons les vnements :
A : "un avion est prsent dans la zone de couverture".
E : "le radar signale la prsence dun objet sur son cran".
a. On veut calculer IP (E). On a par la formule de probabilit totale :

IP (E) = IP (E/A)IP (A) + IP (E/A)IP (A)


= 0.99 0.05 + 0.1 0.95
= 0.1445

b. On cherche IP (E A), il faut dabord remarquer que par la proposition


2.5, lapplication B 7 IP (B/A) est une probabilit sur (, F), ainsi

IP (E/A) = 1 IP (E/A)

Dautre part,

IP (E A) = IP (E/A)IP (A)
[ ]
= 1 IP (E/A) IP (A)
= 0.01 0.05 = 0.005.

2.3.2 Formule de Bayes

Soient A1 , A2 , . . . , An une partition de , A F et supposons que IP (A) > 0


et que IP (Ak ) > 0 pour tout 1 k n. Soit 1 k n, on a par les quations

Boukhari.F
c
2.3. Probabilit conditionnelle 33

(2.11) :
IP (A Ak ) = IP (A/Ak )IP (Ak ) = IP (Ak /A)IP (A).

Par consquent
IP (A/Ak )IP (Ak )
IP (Ak /A) =
IP (A)
En faisant appel la formule des probabilits totales dans cette dernire
galit, on obtient :

Thorme 2.4. Soient A1 , A2 , . . . , An un systme complet de , A F , avec


IP (A) > 0, IP (Ak ) > 0 pour tout 1 k n. Alors

IP (A/Ak )IP (Ak )


IP (Ak /A) = n (Formule de Bayes).
k=1 IP (A/Ak )IP (Ak )

Remarque 2.12. La formule de Bayes est appele aussi la formule des causes,
en eet la quantit IP (Ak /A) donne la probabilit que lvnement A sest ralis
travers Ak ou " cause" de Ak .

Exemple 2.13. On eectue un test dans un grand levage de bovins pour dpis-
ter une maladie. Ce test a permis de dceler 1.8% de cas atteints chez les mles
et 1.2% chez les femelles. Cet levage contient 65% de femelles.
1. Quelle est la probabilit quun animal choisis au hasard dans cet levage
soit atteint de cette maladie.
2. Lanimal choisi est atteint de cette maladie, quelle est la probabilit quil
soit un mle.
Solution:
Introduisons les vnements suivants :
A : "Lanimal choisi est atteint de cette maladie".
M : "Lanimal choisi est un mle".
Pour la premire question, on cherche IP (A). On a par la formule des proba-
bilits totales :

IP (A) = IP (A/M )IP (M ) + IP (A/M )IP (M )


= (0.018)(0.35) + (0.012)(0.65)
= 0.0141.

Boukhari.F
c
34 Chapitre 2. Espace de Probabilit

Pour la deuximme question on cherche IP (M/A). On a par la formule de


Bayes :
IP (A/M )IP (M ) (0.018)(0.35)
IP (M/A) = = = 0.4468.
IP (A) 0.0141

2.4 Evnements indpendants


Soient (, F, IP ) un espace de probabilit, A, B F avec IP (B) > 0.

Dnition 2.10. On dit que les vnements A et B sont indpendants si

IP (A/B) = IP (A). (2.14)

Remarque 2.13. Soient A et B deux vnements de :


Intuitivement, A et B sont indpendants si la ralisation de B ninue pas
sur la rlisation de A et vice versa.
Si A et B sont indpendants et si IP (A) > 0, alors il nest pas dicile de
voir quon a aussi :
IP (B/A) = IP (B).

Une consquence importante de la dnition est :

Thorme 2.5. Deux vnements A et B sont indpendants si et seulement si

IP (A B) = IP (A)IP (B) (2.15)

Remarque 2.14. On peut prendre lquation (2.15) comme dnition pour lin-
dpendance de deux vnements, dans ce cas on est pas oblig de supposer que
la probabilit de lun des deux vnements est strictement positive.

Exemple 2.14. On jette une pice de monnaie deux fois de suites et on considre
les vnements :
A : "On obtient pile au premier jet"
B : "On obtient le mme rsultat dans les deux jets"
C : "On obtient pile dans les deux jets"

Boukhari.F
c
2.4. Evnements indpendants 35

Pour cette exprience on a = {(x, y)/x, y {pile, f ace}}, ainsi card() = 4.


Dautre part :

A = {(pile, pile), (pile, f ace)}, B = {(pile, pile), (f ace, f ace)},

C = {(pile, pile)}, A B = {(pile, pile)}, A C = {(pile, pile)},

do
1 1
IP (A) = IP (B) = , IP (C) = IP (A B) = IP (A C) = .
2 4
Par suite
IP (A B) = IP (A)IP (B).

Ainsi A et B sont indpendants. Mais

1 1
IP (A C) = = = IP (A)IP (C),
4 8

ce qui montre que A et C ne sont pas indpendants.

Proposition 2.7. Soient A, B deux vnements de , les proprits suivantes


sont quivalentes :
Les vnements A et B sont indpendants.
Les vnements A et B sont indpendants.
Les vnements A et B sont indpendants.
Les vnements A et B sont indpendants.

En utilisant le thorme 2.5, on peut gnraliser la notion dindpendance


plusieurs vnements :

Dnition 2.11. Soient n 2, A1 , A2 , . . . , An des vnements dun espace de


probabilit (, F, IP ). On dit que A1 , A2 , . . . , An sont indpendants si

(
p )
p
IP A ki = IP (Aki ), (2.16)
i=1 i=1

pour tout k1 , k2 , ..., kp {1, 2, ..., n}.

Boukhari.F
c
36 Chapitre 2. Espace de Probabilit

Remarque 2.15. Daprs cette dnition, pour montrer que n vnemente sont
indpendants il faut vrier que lquation (2.16) est valide pour toutes les in-
tersections possibles des ces vnements, ainsi trois vnements A, B et C sont
indpendants si

IP (A B) = IP (A)IP (B), IP (A C) = IP (A)IP (C), IP (B C) = IP (B)IP (C)

et
IP (A B C) = IP (A)IP (B)IP (C).

Exemple 2.15. Considrons lexprience alatoire qui consiste jeter une pice
de monnaie deux fois de suite et dobserver les rsultats obtenus. Soient A, B et
C les vnements :
A : " Le rsultat du premier jet est pile "
B : " Le rsultat du deuxime jet est pile "
C : " On obtient le mme rsultat dans les deux jets "
Ici = {(x, y), avec x, y {pile, f ace}}, donc card() = 4. Dautre part

1 1 1
IP (C) = La probabilit davoir deux fois pile ou deux fois face = + =
4 4 2

do
1
IP (A) = IP (B) = IP (C) =
2
dun autre cot
IP (A B) = La probabilit davoir pile dans les deux jets
IP (A C) = La probabilit davoir pile dans les deux jets
IP (B C) = La probabilit davoir pile dans les deux jets.
Par suite

1 1
IP (A B) = = IP (A)IP (B), IP (A C) = = IP (A)IP (C)
4 4

et
1
IP (B C) = = IP (B)IP (C).
4
Ainsi

Boukhari.F
c
2.4. Evnements indpendants 37

1 1
IP (A B C) = = = IP (A)IP (B)IP (C).
4 8
Par consquent, les vnements A, B et C ne sont pas indpendants.

Boukhari.F
c
38 Chapitre 2. Espace de Probabilit

2.5 Exercices
Exercice 2.1. Soit (, F) un espace probabilisable, A, B et C des vnements
de . En utilisant les oprations , et le passage au complmentaire, exprimer
les vnements suivants :
E1 : Aucun des vnements A, B et C ne se ralise.
E2 : B se ralise mais pas A et C.
E3 : Exactement deux vnements se ralisent.
E4 : Au moins lun des vnements se ralisent.
E5 : Au plus lun des vnements se ralisent.
E6 : Exactement un vnement se ralise.

Exercice 2.2. Dans une tombola il y a 120 tickets pour gagner 3 lots dirents,
pour chaque lot il y a 4 cadeaux et donc 4 tickets gagnants. Une personne achte
3 tickets.
1. Quelle est la probabilit que cette personne gagne un seul cadeau ?
2. Quelle est la probabilit que cette personne gagne au moins un cadeau ?
3. Quelle est la probabilit que cette personne un cadeau de tois lots
dirents ?

Exercice 2.3. On jette 3 ds quilibrs et on note les rsultats de ces trois jets :
a, b et c.
i. Dterminer et card().
ii. On forme alors lquation (E) : ax2 + bx + c = 0. Calculer les probabilits
des vnements suivants :
A : "Les racines de lquation (E) sont relles".
B : "Les racines de lquation (E) sont complexes".

Exercice 2.4.

Exercice 2.5.

Exercice 2.6. Montrer par rcurrence la proposition 2.6.

Exercice 2.7. Soient un espace chantillon, A une algbre sur et F une


tribu sur .

Boukhari.F
c
2.5. Exercices 39

1. Montrer que si n N et A1 , A2 , ..., An des lments de A, alors


n
n
Ak A et Ak A.
k=1 k=1

2. Montrer que si {A1 , A2 , ..., } est une suite dlments de F, alors


Ak F .
k1

Exercice 2.8. En utilisant les algbres engendres par deux ensembles dirents,
montrer que lunion de deux algbres nest pas ncessairement une algbre.

Exercice 2.9. Posons

A = {A P(R), card(A) est ni o card(A) est ni}.

Montrer que A est une algbre sur R, mais pas une tribu.

Exercice 2.10. Soient (, F, IP ) un espace de probabilits, A, B F avec


IP (A) = 1/3, IP (B) = 1/4 et IP (A B) = 1/6. Calculer

IP (A), IP (A B), IP (A B), IP (A B), IP (A B).

Exercice 2.11. Soient (, F, IP ) un espace de probabilits, A, B F avec


IP (A) = 3
4
et IP (B) = 13 . Montrer que 1
12
IP (A B) 13 .

Exercice 2.12. Soient (, F, IP ) un espace de probabilits, A, B, C F avec


IP (A B C) > 0. Montrer que

1. IP (A B) = 1 IP (B)IP (A/B).
IP (A/(AB)) IP (A)
2. IP (B/(AB))
= IP (B)
.

3. IP (A B/(B C)) = IP (A B/B)IP (B/(B C)).

4. IP (A/B)IP (B/C)IP (C/A) = IP (B/A)IP (C/B)IP (A/C).

5. IP (B C/A) = IP (C/A)IP (B/(A C)).

Boukhari.F
c
40 Chapitre 2. Espace de Probabilit

Exercice 2.13. Dans une universit 70% sont des garons. 60% des garons
fument ainsi que 40% des lles. les tudiants sont enregistrs par un numro
dinscription. Un numro est tir au hasard.

1. Quelle est la probabilit que le numro tir corresponde une personne qui
fume ?

2. Si on sait que le numro tir correspond une personne qui fume, quelle
est la probabilit que ce soit une lle ?

Exercice 2.14. La ville de Strasbourg contient 82% dalsaciens et 18% de per-


sonnes dorigines non alsacinnes. 25% des alsaciens parle allemand, 5% de per-
sonnes dorigine non alsacinne parle allemand. Un touriste allemand est en visite
Strasbourg, il demande un strasbourgeois choisis au hasard de lui indiquer le
chemin du parlement europen.
1. Quelle la probabilit que ce Strasbourgeois parle allemand ?
2. La personne choisis parle eectivement allemand, quelle est la probabilit
quelle soit alsacinne ?

Exercice 2.15. Une cole prestigieuse exige de ces candidats de passer un test
avant daccepter leurs candidature. Un bon candidat a 85% de chance de russir
le test alors quun candidat faible na que 15% de chance de russir le test. Des
tudes statistiques ont montr quil y a en moyenne 40% de bon candidats.
1. Quelle est la probabilit quun candidat chosis au hasard, russi le test.
2. Un candidat a chou au test, quelle est la probabilit quil soit bon.
3. Quelle est la proportion des bons candidats qui ont russi au test.

Exercice 2.16. Soient (, F, IP ) un espace de probabilits, A, B, C F avec


IP (C) > 0 et A1 , A2 , , An des lments de F.
1. Montrer que IP (A B/C) = IP (A/C) + IP (B/C) IP (A B/C).
2. Montrer que si A1 , A2 , , An sont deux deux incompatibles, alors


n
n
IP ( Ak /C) = IP (Ak /C).
k=1 k=1

Boukhari.F
c
2.5. Exercices 41

3. En dduire que lapplication IP (/B) dnie de F vers [0, 1] par

IP (A B)
IP (A/B) =
IP (B)

est une probabilit sur (, F).

Exercice 2.17. **Soient 0 < p < 1, A1 , A2 , ...An des vnements indpendants


avec P (A1 ) = p. Calculer en fonction de p la probabilit des vnements suivants :
A : "Aucun vnement ne se ralise".
B : "Au moins un vnement se ralise".

Exercice 2.18. Soient A, B deux vnements de . Montrer que les proprits


suivantes sont quivalentes :
Les vnements A et B sont indpendants.
Les vnements A et B sont indpendants.
Les vnements A et B sont indpendants.
Les vnements A et B sont indpendants.

Exercice 2.19. Quatre personnes prennent un ascenseur dans un immeuble de


quatre tages, chaque personne choisi de descendre un tage indpendamment
des autres. Calculer les probabilits suivantes :
Les quatres personnes descendent au mme tage.
Les quatres personne descendent des tages dirents.
Trois personnes descendent au mme tage et la quatrime un autre tage.

Exercice 2.20. Soient (, F, IP ) un espace de probabilits, A, B deux lments


de F. Montrer que
|IP (A) IP (B)| IP (AB)

Soient A1 , , An , B1 , , Bn des lments de F vriant Ak Bk pour 1


k n. Montrer que

1.

n
n
n
IP ( Bk ) IP ( Ak ) (IP (Bk ) IP (Ak ))
k=1 k=1 k=1

Boukhari.F
c
42 Chapitre 2. Espace de Probabilit

2.

n
n
IP ( Ak ) 1 IP (Ak )
k=1 k=1

Exercice 2.21. On xe n 1 et on choisit dans {1, 2, n} un nombre dune


manire quiprobable. Si p n on note

Ap : "le nombre choisi est divisible par p".

1. Calculer IP (Ap ) lorsque p est un diviseur de n.

2. Si p1 , p2 pk sont des diviseurs premiers de n, deux deux distinct, mon-


trer que les vnements associs (Ai )1ik sont indpendants.

3. On appelle indicateur dEuler, que lon note (n), le nombre dentiers stric-
tement infrieurs n et premiers avec n. Montrer la formule dEuler :

(n) 1
= (1 )
n p premier, p\n
p

Boukhari.F
c
Chapitre 3

Variables alatoires relles

Tout au long de ce chapitre (, F, IP ) dsignera un espace de probabilit.

3.1 Dnition-Exemples
Nous commenons ce paragraphe par dnir une tribu trs importante en
thorie de probabilit, la tribu borlinne. pour ce faire introduisons dabord la
notion de tribu engendre :

Dnition 3.1. Soient (, F) un espace probabilisable, C P(). On appelle


tribu engendre par C, la plus petite tribu contenant C.

Remarque 3.1. La tribu engendre par une partie C de P() existe toujours
puisque P() est une tribu contenant C. Elle est construite en prenant linter-
section de toutes les tribus contenant C.

Dnition 3.2. La tribu borelinne sur R (ou la tribu de Borel), note BR est
la tribu engendre par la famille C0 = {] , x], x R}.

Remarque 3.2. Les lments de BR sont appels les borliens de R.

Remarque 3.3. La tribu borelinne sur R est construite partir de la famille


C0 , en utilisant les oprations , et le passage au complmentaire, ainsi BR
contient les intervalles ouverts, ferms, borns, non borns, les points,..., etc. En
eet, on peut voir par exemple que pour x, y R avec x < y, on a
44 Chapitre 3. Variables alatoires relles

[x, +[ = ] , x] BR .
[x, y[ = ] , y] [x, +[ BR .

Dnition 3.3. Soit X : R une application. On dit que X est une


variable alatoire relle (on note v. a. r) si

A BR , X 1 (A) F . (3.1)

Remarque 3.4. Il faut remarquer, que dans le cas gnral F & P(), par
consquent, si X est une application de vers R et si A BR , on peut juste
armer que X 1 (A) P(). Pour que X soit une variable alatoire on demande
que X 1 (A) soit dans F. ( mditer)

Exemple 3.1. Donnons quelques exemples simples :


1. Lapplication constante : Soient R, X lapplication constante dnie
sur par X() = , pour tout , alors X est une v. a. r.
En eet soit A BR , on a


si A
X 1 (A) =

si A

do X 1 (A) F puisquune tribu contient toujours et lensemble vide.


2. La fonction indicatrice : Soient A F , 1A la fonction indicatrice de A
(voir ? ?). Posons Y = 1A , alors Y est une v. a. r. En eet soit A BR , on
a


si {0, 1} A





si {0, 1} A
Y 1 (A) =



A si 1 A, 0 A



A si 0 A, 1 A

do Y 1 (A) F .
3. Supposons prsent que = {a, b, c, d}, F = {, , {a}, {b, c, d}} et soit
Z lapplication dnie sur par Z(a) = 1, Z(b) = Z(c) = 0 et Z(d) = 50.
On a alors

Boukhari.F
c
3.1. Dfinition-Exemples 45

Z 1 (0) = {b, c}
/ F,

ainsi Z nest pas une v. a. r.

Sur ces trois exemples simples, on a pu dterminer partir de la dnition


si les applications proposes tait des v. a. r ou pas, en gnral il est dicile
dutiliser cette dnition pour savoir si une application donne est une v. a. r ou
pas. La dicult rside dans le fait quon doit vrier la condition (3.1) pour tous
les borliens de R ! Or un borlien de R peut tre un ensemble assez compliqu,
cest pourquoi on a besoin dun critre plus pratique pour dterminer si une
application donne est une v. a. r ou pas. Le rsultat suivant donne ce critre.

Thorme 3.1. Une application X : R est une variable alatoire relle


si et seulement si
x R, X 1 (] , x]) F (3.2)

Remarque 3.5. Sous la lumire de ce rsultat, on peut armer que


1. Pour prouver quune application est une v. a. r, il sut de vrier la
condition (3.1) pour les borliens de la forme ] , x], en lieu et place
dun borlien quelconque.
2. Il est vident que La condition (3.1) implique (3.2), limplication rci-
proque est de au fait que la tribu borlinne sur R est gnre par les
intervalles de type ] , x] et un rsultat classique de la thorie de
probabilit appel Thorme de la classe monotone.

Notation : Soient X une variable alatoire relle, A BR . A partir de mainte-


nant, la notation IP ({X A}) dsignera IP ({ , X() A}).

Dnition 3.4. Soit X une v. a. r dnie sur , la fonction de rpartition FX


associe X est dnie par

FX : R [0, 1]
x 7 FX (x)

avec
( ) ( )
FX (x) = IP X 1 (] , x]) = IP X x .

Boukhari.F
c
46 Chapitre 3. Variables alatoires relles

Exemple 3.2. Dterminons les fonctions de rpartition associes aux deux v. a.


r de lexemple 3.1.
1. Soit R et posons X() = pour tout . On alors


0 si x <
FX (x) =

1 si x

2. Soient A F et posons Y = 1A , la fonction indicatrice de A. On a




0 si x < 0



FY (x) = 1 IP (A) si 0 x < 1



1 si x 1

La fonction de rpartition associe une variable alatoire relle jouit des


proprits suivantes :

Proposition 3.1. Soient X une v. a. r, FX sa fonction de rpartition, alors


1. Limage de FX :
x R, 0 FX (x) 1.

2. Le comportement linfini :

lim FX (x) = 0 et lim FX (x) = 1.


x x+

3. La croissance : La fonction FX est croissante.


4. La continuit droite : La fonction FX est continue droite, i. e.

a R, lim FX (x) = FX (a).


xa+

La fonction de rpartition est trs utile pour calculer la probabilit attache


un intervalle, en eet

Thorme 3.2. Soient a, b R avec a < b, X une v. a. r et FX sa fonction de


rpartition, alors
( )
1. IP a < X b = FX (b) FX (a).
( )
2. IP a X b = FX (b) FX (a) + IP (X = a).

Boukhari.F
c
3.1. Dfinition-Exemples 47

( )
3. IP a < X < b = FX (b) FX (a) IP (X = b).
( )
4. IP a X < b = FX (b) FX (a) + IP (X = a) IP (X = b).

PREUVE
Il est clair quil sut de montrer la premire galit. Soient a, b R avec
a < b, alors on a

( ) ( ) ( )
X 1 ] , b] = X 1 ] , a] X 1 ]a, b] ,

( ) ( )
de plus, les ensembles X 1 ]a, b] et X 1 ] , a] sont incompatibles, donc

( ( ))
1
FX (b) = IP X ] , b]
( ( ) ( ))
1 1
= IP X ] , a] X ]a, b]
( ( )) ( ( ))
1 1
= IP X ] , a] + IP X ]a, b]
( ) ( )
= IP X a + IP a < X b
( )
= FX (a) + IP a < X b .

Par consquent
( )
IP a < X b = FX (b) FX (a).

Comme on la dja expliqu au dbut de ce chapitre, une v. a. r X permet


de travailler sur R, qui est un space plus "sympathique" que lespace chantillon
, elle permet aussi de gnerer une probabilit sur (R, BR ) appele la loi de X,
en eet :

Thorme 3.3. Soit X une v. a. r dnie sur un espace de probabilit (, F, IP )


et soit IP X , lapplication dnie par

IP X : BR [0, 1]
A 7 IP X (A)

Boukhari.F
c
48 Chapitre 3. Variables alatoires relles

avec

( ) ( ) ( )
A BR , IP X A = IP X 1 (A) = IP , X() A .

IP X est une probabilit sur (R, BR ), elle est appele la loi de X.

Remarque 3.6. Il faut bien noter la dirence entre les probabilits IP et IP X ,


la premire est dnie sur (, F), cest la probabilit de rfrence et elle est
indpendante de la v. a. r X, alors que la seconde est construite sur (R, BR ) en
faisant appel la variable X.

Les variables alatoires relles se dcomposent en deux grandes familles :


les variables alatoires discrtes et les variables alatoires absolument continues,
nous allons prsent tudier ces deux familles.

3.2 Variables alatoires discrtes


Dnition 3.5. On dit quun sous ensemble de R est discret si il est ni ou
inni dnombrable.

Dnition 3.6. Soit X une v. a. r dnie sur un espace probabilisable (, F).


On dit que X est une v. a. r discrte si X() est un ensemble discret.
Le sous ensemble X() est appel le support de X, cest lensemble qui
contient les valeurs prises par la v. a. r X avec une probabilit strictement posi-
tive.

Remarque 3.7. Une variable alatoire discrte est tout simplement une appli-
cation qui prend des valeurs discrtes {x1 , x2 , . . . , xn , . . .}, ainsi on arrive

Dnition 3.7. Soit X une v. a. r discrte, on appelle fonction de masse de X,


la fonction dnie par
pX : R [0, 1]
x 7 pX (x)
avec

IP (X = x) si x X()
pX (x) =
0 sinon

Boukhari.F
c
3.2. Variables alatoires discrtes 49

Exemple 3.3. Dterminons les fonctions de masse associes aux deux variables
alatoires discrtes de lexemple 3.1.

1. Soient R, X() = pour tout , alors X est une v. a. r discrte,


X() = {} et sa fonction de masse est donne par


1 si x =
pX (x) =

0 sinon

2. Soient A F, Y = 1A , la fonction indicatrice de A, alors la fonction de


masse de Y est donne par


IP (A) si x = 1



pX (x) =
1 IP (A) si x = 0



0 sinon

On a vu comment calculer la fonction de masse pour une variable alatoire


donne, inversement on peut se demander sous quelles conditions, une fonction
p(x) est la fonction de masse dune certaine variable alatoire ? Le rsultat suivant
donne une rponse cette question :

Proposition 3.2. Soient N un sous ensemble discret de R, p une fonction relle


dnie sur N, nulle ailleurs et vriant :

i. Pour tout x R, 0 p(x) 1.



ii. kN p(k) = 1

Alors il existe un espace de probabilit (, F, IP ), une variable alatoire X dnie


sur cet espace telle que p soit la fonction de masse de X, i. e. pX (x) = p(x), pour
tout x R.

Exemple 3.4. La fonction p dnie par




6
2 k2
si x = k N
p(x) =

0 sinon

Boukhari.F
c
50 Chapitre 3. Variables alatoires relles

est la fonction de masse dune variable alatoire car

1 2
x 1, 0 p(x) 1 et = .
k1 k2 6

Exemple 3.5. Soient n 1, C > 0 et p la fonction relle dnie par




C x
n(n+1)
si x {1, 2, . . . , n}
p(x) =

0 sinon

Sous quelles conditions, p est-elle une fonction de masse ?

Solution:

La premire chose vrier est la condition 0 p(x) 1. Un calcul simple


montre que cette condition est satisfaite si C n + 1. Dautre part on doit avoir

aussi xN p(x) = 1. Par consquent

C n
C n(n + 1) C
1= p(x) = x= = .
xN n(n + 1) x=1 n(n + 1) 2 2

Donc, ci C = 2 les deux conditions sont vries et p est bien une fonction
de masse.

A prsent dterminons la relation entre la fonction de masse et la fonction de


rpartition dans le cas dune variable alatoire discrte.

Thorme 3.4. Soient X une v. a. r discrte, FX sa fonction de rpartition et


pX sa fonction de masse. Pour x X(), posons FX (x ) = limtx FX (t). Alors

Pour tout x R,
pX (x) = FX (x) FX (x ).

Pour tout x R,

FX (x) = pX (k).
kx

Boukhari.F
c
3.2. Variables alatoires discrtes 51

3.2.1 Esprance

Dnition 3.8. On appelle esprance mathmatique ou moyenne dune variable


alatoire relle discrte X, la quantit note E(X) et dnie par


E(X) = kpX (k).
kX()

o pX est la fonction de masse de X.

Remarque 3.8. Soit X une v. a. r discrte.


i. Lesprance de X est dnie par une somme qui peut tre innie, cest
pour cette raison quelle appartient R {, +} en gnral.
ii. Lorsque E(X) = 0, on dit que la variable alatoire X est centre.
iii. Si X() est un ensemble ni, alors il nest pas dicile de montrer que

min X() E(X) max X().


Proposition 3.3. Soient X une variable discrte, pX sa fonction de masse et


g : R R une fonction continue. Posons Y = g(X), alors Y est encore une v.
a. r discrte et

E(Y ) = E(g(X)) = g(k)pX (k).
kX()

Dnition 3.9. Soit X une variable alatoire relle discrte. On dit que X est
intgrable si E(|X|) < .

Lesprance dune v. a. r, jouit dune proprit trs utile dans les calculs, elle
est linaire :

Proposition 3.4. Soient X, Y deux variables alatoire discrte, , R, alors


i. E(X + Y ) = E(X) + E(Y ).
ii. Si E(|X|) = 0 alors IP (X = 0) = 1.

3.2.2 Variance et Ecart-type

Dnition 3.10. Soit X une variable alatoire relle discrte.

Boukhari.F
c
52 Chapitre 3. Variables alatoires relles

On appelle variance de X, la quantit note V ar(X) et dnie par


[( )2 ] ( )2
V ar(X) = E X E(X) = k E(X) pX (k).
kX()

On appelle cart-type de X, la quantit note (X) et dnie par


(X) = V ar(X).

Remarque 3.9. La variance dune v. a. r discrte est dnie par la somme


(ventuellement innie) de quantits positives, par consquent V ar(X) R+
{+} en gnral.

En dveloppant le carr dans la dnition de la variance, on obtient une


nouvelle formule plus utile dans les calculs, en eet :

Proposition 3.5. Si X est une variable alatoire discrte, alors

( )2 ( )2
V ar(X) = E(X 2 ) E(X) = k 2 pX (k) E(X) .
kX()

Contrairement lesprance mathmatique, la variance nest pas linaire, elle


est cependant invariante par translation :

Proposition 3.6. Soient X est une variable alatoire relle discrte, a, b R,


alors
V ar(aX + b) = a2 V ar(X).

En particulier, V ar(X + b) = V ar(X).

Dnition 3.11. Soient X une variable discrte, pX sa fonction de masse et


r N .
i. On appelle moment centr dordre r, la quantit :
[( )r ] ( )r
r = E X E(X) = k E(X) pX (k).
kX()

Boukhari.F
c
3.3. Variables alatoires absolument continues 53

ii. On appelle moment dordre r, la quantit :

( )
r = E X r = k r pX (k).
kX()

Remarque 3.10. Soit X une variable discrte.


i. Si X est centre, alors ses moments centrs et non centrs concident.
ii. Le moment centr dordre 2 de X est exactement sa variance.
iii. Le moments et les moments centrs dune v. a. r discrte, appartiennent
en gnral R {, +}.

3.3 Variables alatoires absolument continues


Dnition 3.12. Soient X : R une variable alatoire relle, FX sa
fonction de rpartition. On dit que X est une variable absolument continue sil
existe une fonction relle note fX qui vrie
x
x R, FX (x) = fX (t)dt. (3.3)

La fonction fX est appele la fonction de densit de X.

Un critre simple pour vrier si une v. a. r est absolument continue est donn
par le rsultat suivant :

Proposition 3.7. Soient X : R une variable alatoire relle, FX sa


fonction de rpartition. Si FX est une foncion drivable sur R (sauf peut tre
en un nombre ni de points), alors X est une variable absolument continue. De
plus, si on pose

D = {x R, t FX (t) est drivable au point t = x},

alors la fonction de densit fX peut tre dnie par




F (x)
X si x D
fX (x) =
0 sinon

Boukhari.F
c
54 Chapitre 3. Variables alatoires relles

Comme dans le cas dune variable alatoire discrte, on peut se demander


sous quelles conditions une fonction f est la fonction de densit dune certaine
variable alatoire absolument continue ? Le rsultat suivant fournit une rponse
cette question :

Proposition 3.8. Soit g une fonction relle vriant :


i. Pour tout x R, g(x) 0.

ii. R g(x)dx = 1.
Alors il existe un espace de probabilit (, F, IP ), une variable alatoire X dnie
sur cet espace telle que g soit la fonction de densit de X, i. e. fX (x) = g(x),
pour tout x R.

Exemple 3.6. Soient c R, f la fonction dnie par




2ce x3 si x 0
f (x) =

0 sinon

Sous quelle condition la fonction f est la fonction de densit dune variable


alatoire relle ?

Solution:
Pour que f soit la fonction de densit dune variable alatoire il faut quelle

soit positive, ainsi c 0, de plus on doit avoir R f (x)dx = 1, par consquent
+
e 3 dx = 6c.
x
1= f (x)dx = 2c
R 0

Ainsi, f est la fonction de densit dune variable alatoire si et seulement


si c = 1/6.

Contrairement ce qui ce passe dans le cas discret, pour une variable alatoire
absolument continue, la probabilit attache un point est toujours nulle, en eet

Proposition 3.9. Soit X une variable alatoire absolument continue, alors

x R, IP (X = x) = 0. (3.4)

Boukhari.F
c
3.3. Variables alatoires absolument continues 55

PREUVE
Soient > 0, x R et soient FX la fonction de rpartition de X, fX sa
fonction de densit. Remarquons tout dabord que

( )
IP (X = x) = lim IP x < X x + .
0

Mais par le thorme 3.2, on a

( )
IP x < X x + = FX (x + ) FX (x ),

ainsi

[ ]
IP (X = x) = lim FX (x + ) FX (x )
0
x+
= lim fX (t)dt
0 x
= 0.

Remarque 3.11. On obtient comme consquence immdiate de cette proposi-


tion : pour une variable alatoire absolument continue X, pour a, b R avec a <
( ) ( ) ( ) ( )
b, les quantits IP a < X b , IP a X b , IP a < X < b , IP a X < b
sont toute gales FX (b) FX (a).

Proposition 3.10. Soient X une variable alatoire absolument continue, fX sa


fonction de densit et a, b R avec a < b. On a
b
IP (a < X b) = FX (b) FX (a) = fX (t)dt.
a

3.3.1 Esprance

Dnition 3.13. On appelle esprance mathmatique ou moyenne dune va-


riable alatoire relle absolument continue X, la quanit note E(X) et dnie
par

E(X) = xfX (x)dx.
R

o fX est la fonction de densit de X.

Boukhari.F
c
56 Chapitre 3. Variables alatoires relles

Remarque 3.12. i. Il faut remarquer que lesprance dune v.a. r absolu-


ment continue est dnie par une intgrale sur R tout entier cest pour
cette raison quelle appartient R {, +} en gnral.
ii. Lorsque E(X) = 0, on dit que la variable alatoire X est centre.

Proposition 3.11. Soient X une variable alatoire relle absolument continue,


g : R R une fonction continue, posons Y = g(X), alors Y est encore une v.
a. r absolument continue et

E(Y ) = E(g(X)) = g(x)fX (x)dx.
R

Dnition 3.14. Soient p 1, X une variable alatoire relle absolument conti-


nue.
On dit que X est intgrable si E(|X|) < .
On dit que X est dans Lp si E(|X|p ) < .

Comme pour le cas discret, lesprance dans le cas absolument continu est
aussi linaire, ceci est d la linarit de lintgrale, en eet

Proposition 3.12. Soient X, Y deux variables alatoire absolument continues,


, R, alors
i. E(X + Y ) = E(X) + E(Y ).
ii. Si E(|X|) = 0 alors IP (X = 0) = 1.

3.3.2 Variance et Ecart-type

Dnition 3.15. Soit X une variable alatoire relle absolument continue


On appelle variance de X, la quantit note V ar(X) et dnie par
[( )2 ] ( )2
V ar(X) = E X E(X) = x E(X) fX (x)dx.
R

On appelle cart-type de X, la quantit note (X) et dnie par


(X) = V ar(X).

Boukhari.F
c
3.3. Variables alatoires absolument continues 57

Remarque 3.13. La variance dune v. a. r absolument continue est dnie par


lintgrale sur R dune fonction positive, par consquent V ar(X) R+ {+}
en gnral.

En dveloppant le carr dans la dnition de la variance, on obtient une


nouvelle formule plus utile dans les calculs, en eet :

Proposition 3.13. Si X est une variable alatoire relle absolument continue,


alors
( )2 ( )2
V ar(X) = E(X 2 ) E(X) = x2 fX (x)dx E(X) .
R

Contrairement lesprance mathmatique, la variance nest pas linaire, elle


est cependant invariante par translation :

Proposition 3.14. Soient X est une variable alatoire relle absolument conti-
nue, a, b R, alors
V ar(aX + b) = a2 V ar(X).

Dnition 3.16. Soient X une variable alatoire relle absolument continue,


r N .
i. On appelle moment centr dordre r, la quantit :
[( )r ] ( )r
r = E X E(X) = x E(X) fX (x)dx.
R

ii. On appelle moment dordre r, la quantit :

( )
r = E X r = xr fX (x)dx.
R

Remarque 3.14. Soit X une v. a. r absolument continue.


i. Si X est centre, alors ses moments centrs et non centrs concident.
ii. Le moment centr dordre 2 de X est exactement sa variance.
iii. Les moments et le moments centrs dune v. a. r absolument continue,
appartiennent en gnrale R {, +}.

Boukhari.F
c
58 Chapitre 3. Variables alatoires relles

3.4 Fonction gnratrice des moments

Pour une variable alatoire X, posons

( )
H = {t R/ E etX < }.

Lensemble H est tout simplement le domaine de dnition de la fonction t 7


( )
E etX , il faut remarquer que cet ensemble ne peut pas tre vide puisque 0 H.

Dnition 3.17. Soit X une variable alatoire relle, la fonction MX dnie par

( )
MX (t) = E etX , tH (3.5)

est appele la fonction gnratrice des moments de la variable X.

Exemple 3.7. Calculons la fonction gnratrice des moments pour quelques


variables alatoires :
i. Soit X la v. a. r qui prends les valeurs +1 et 1 avec une probabilit 21 ,
alors un petit calcul donne :

et + et
H=R et MX (t) = cosh (t) = .
2

ii. Soient > 0, Y la v. a. r absolument continue de fonction de densit :

fY (x) = ex 1]0,+[ (x),

alors

MY (t) = E(e ) =
tY tx
e fY (x)dx = e(t)x dx.
R 0

Remarquons dabord que MY () = +. Supposons donc que t = . On a


MY (t) = e(t)x dx
0

= [e(t)x ]
0 .
t

Boukhari.F
c
3.4. Fonction gnratrice des moments 59

Par suite


t
si t <
MY (t) =
+ si t

Ceci implique que H =] , [ et


t H, MY (t) = .
t

La fonction gnratrice des moments permet didentier la loi dune variable


alatoire, en eet

Thorme 3.5. Soient X, Y deux variables alatoires relles, MX , MY leur


fonctions gnratrices, alors

[ ] [ ]
X et Y ont mme loi MX MY .

Une autre proprit importante de la fonction gnratrice des moments est


quelle permet de calculer les moments dune v. a. r lorsquun calcul direct savre
dicile, en eet :

Thorme 3.6. Soient X une variables alatoire relle, MX sa fonction g-


nratrice des moments. Si la fonction t MX (t) est dnie sur un intervalle
ouvert et contenant 0, alors elle admet le dveloppement en srie entire suivant :

E(X n )
MX (t) = tn ,
nN n!

pour tout t dans un voisinage de 0. En particulier, si n 1, alors

(n)
E(X n ) = MX (0),

(n)
o MX dsigne la drive dordre n de MX .

Exemple 3.8. Calculons la moyenne et la variance pour les variables X et Y de


lexemple 3.7. On a


t R, u ] , [, MX (t) = cosh (t) et MY (u) = .
u

Boukhari.F
c
60 Chapitre 3. Variables alatoires relles

Ainsi, les deux fonction gnratrices vrient les conditions du thorme 3.6,
do


E(X) = MX (0) = sinh(0) = 0, E(X 2 ) = MX (0) = cosh(0) = 1.

et
1 2
E(Y ) = MY (0) = , E(Y 2 ) = MX (0) =
2
Par suite
1
V ar(X) = 1 et V ar(Y ) = .
2

3.5 Fonction caractristique


Dans ce paragraphe C dsigne lensemble des nombres complexes, i le nombre
complexe vriant : i2 = 1.

Dnition 3.18. Soit X : C une application. On dit que X est une


variable alatoire complexe si ses parties relle et imaginaire sont des variables
alatoires relles.

Dnition 3.19. Soit X une variable alatoire relle, la fonction X : R C


dnie par
( )
X (t) = E eitX , tR (3.6)

est appele la fonction caractristique de la variable X.

Contrairement la fonction gnratrice qui peut tre innie, la fonction ca-


ractristique est toujours nie, mieux elle est borne, en eet

Proposition 3.15. Soient X une v. a. r, X sa fonction caractrisque, alors

1. X (0) = 1 et suptR |X (t)| 1.

2. La fonction t 7 X (t) est uniformment continue.

3. X est une v. a. r symtrique (i. e L(X) = L(X)), si et seulement si X


est une fonction relle paire

Boukhari.F
c
3.5. Fonction caractristique 61

4. Soient a, b R et posons Y = aX + b, alors

t R, Y (t) = eibt X (at).

Calculons a prsent la fonction caractristique pour quelques variables ala-


toires :

Exemple 3.9. Considrons les variables suivantes :


i. Soit X la v. a. r qui prends les valeurs +1 et 1 avec une probabilit 21 ,
alors un petit calcul donne :

( ) eit + eit
X (t) = E eitX = = cos (t).
2

ii. Soit Y la v. a. r absolument continue de fonction de densit :

fY (x) = 1[0,1] (x).

Pour t = 0, on a Y (0) = 1. Si t = 0, alors

( ) 1 eit 1
Y (t) = E e itY
= ity
e dy = .
0 it

Donc

eit 1
it
si t = 0
Y (t) =

1 si t = 0.

La fonction gnratrice, permet didentier la loi dune variable alatoire en


eet :

Thorme 3.7. Soient X, Y deux variables alatoires, X , Y leur fonctions


caractristiques, alors

[ ] [ ]
X et Y ont mme loi X Y .

Comme la fonction ganratrice des moments, la fonction caractristique per-


met de calculer les moments dune variable relle lorsque le caclul directe est
dicile.

Boukhari.F
c
62 Chapitre 3. Variables alatoires relles

Proposition 3.16. Soient X deux variable alatoire, X sa fonction caract-


ristique et n 1. Supposons que E(X n ) < , alors la fonction X est n fois
drivable, de plus

1 k n, E(X k ) = (i)k (k) (0),

o (k) est la drive dordre k de .

Exemple 3.10. Soient X, Y les variables alatoires de lexemple 3.9. On rappelle


que

eiu 1
X (t) = cos(t), et Y (u) = ,
iu
pour t R, u R et Y (0) = 1. Maintenant il faut remarquer que les deux
variables sont bornes, donc elle admettent des moments de tout ordre, ainsi on
peut appliquer le thorme 3.7. On a

i
X (0) = 0 et Y (0) =
2

Par suite
1
E(X) = iX (0) = 0 et E(Y ) = iY (0) = .
2
De mme
1
X (0) = 1 et Y (0) =
3
Par suite
1
E(X 2 ) = X (0) = 1 et E(Y 2 ) = Y (0) =
3
Par consquent
1
V ar(X) = 1 et V ar(Y ) = .
12

3.6 Trois ingalits utiles


Dans ce paragraphe on donne trois ingalits quon utilisera dans les chapitres
suivants, ces ingalits sont valables pour les variables alatoires discrtes et les

Boukhari.F
c
3.6. Trois ingalits utiles 63

variables alatoires absolument continues, leur intert rside dans le fait quelle
ne font pas appel la loi de la variable altoire considre. Nous commenons
par lingalit de Jensen.

Dnition 3.20. Soit I un intervalle de R, f : I R une fonction. On dit


que f est convexe sur I si

x, y I, [0, 1], f (x + (1 )y) f (x) + (1 )f (y).

Exemple 3.11. La fonction x |x| est convexe sur R.

En gnral, il est dicile de vrier quune fonction donne est convexe en


utilisant juste la dnition, cependant si cette fonction est deux fois drivable,
alors

Proposition 3.17. Soit I un intervalle ouvert de R, f : I R une fonction


deux fois drivable sur I, alors


f convexe sur I x I, f (x) 0.

Comme consquence de ce rsultat, on a

Corollaire 3.1. Soient p 1, n N et R, alors


i. x xp est convexe sur R+ .
ii. x x2n est convexe sur R.
i. x ex est convexe sur R.

A prsent on peut nnoncer lingalit de Jensen :

Proposition 3.18. Soient f : R R une fonction convexe, X une variable


( )
alatoire relle. Supposons que E |f (X)| < , alors on a lingalit de Jensen :

( ) ( )
f E(X) E f (X) (3.7)

En appliquant ce rsultat des fonctions convexes particulires, on a

Corollaire 3.2. Soient X une variable alatoire relle, n N et R.

Boukhari.F
c
64 Chapitre 3. Variables alatoires relles

( )
i. Si E |X| < , alors
( ) ( )
|E X | E |X| .
( )
ii. Si E X 2n < , alors

( )2n ( )
E(X) E X 2n .

( )
iii. Si X est positive et si E X n < , alors

( )n ( )
E(X) E Xn .

( )
iv. Si E eX < , alors
( )
eE(X) E eX .

La deuxime ingalit est utile pour estimer la quantit IP (|X| > ) lorsquon
connait pas la loi de la variable alatoire X, elle est connue sous le nom ingalit
de Markov :

Proposition 3.19. Soient > 0, X une variable alatoire relle, avec


( )
E |X| < , alors
( ) E(|X|)
IP |X| > . (3.8)

La dernire ingalit est une consquence de lingalit de Markov, elle appele
ingalit de Tchebyche :

Proposition 3.20. Soient > 0, X une variable alatoire relle, avec


( )
E X 2 < , alors
( ) V ar(X)
IP |X E(X)| > . (3.9)
2

Boukhari.F
c
3.7. Exercices 65

3.7 Exercices
Exercice 3.1. Soient un espace chantillon, A et B deux sous ensembles de
avec A = B. Dterminer lalgbre engendre par la famille C = {A, B}.

Exercice 3.2. Soient (, F) un espace probabilsable et X : R une appli-


cation, posons
X = {X 1 (A); A R}.

Montrer que X est une tribu sur , elle est appele la tribu engendre par X.

Exercice 3.3. Soient un espace chantillon, C P(). Posons

T (C) = {T P(), T tribu , C T }

1. Montrer que T (C) nest pas vide.


2. Posons

(C) = T.
T T (C)

Montrer que (C) est la plus petite tribu contenant C. ((C) est appele la
tribu engendre par C).

Exercice 3.4. Soient a, b R avec a < b. Montrer que les ensembles suivants
sont des borliens :

[a, +[, ]a, +[, ] , a[, [a, b], [a, b[, ]a, b[, ]a, b], {a}.

Exercice 3.5. Soit p la fonction dnie par

(x 1)
p(x) = c si x {1, 2, ..., n}.
n

Dterminer la valeur de c pour que p soit la fonction de masse dune variable


alatoire X.
Dterminer dans ce cas FX .
Calculer IP (X 3), IP (1 < X 5) et IP (X > n 2).
Calculer la moyenne de X.

Boukhari.F
c
66 Chapitre 3. Variables alatoires relles

Exercice 3.6. Soit X une variable alatoire discrte de fonction de masse :

e2 2k
pX (k) = (1 + ck), k N.
4k!

Dterminer c.
Soient Y, Z deux variable alatoire de Poissons de paramtre 2. Montrer
que
1 3
IP (X = k) = IP (Y = k) + IP (Z = k 1).
4 4
En dduire E(X).

Exercice 3.7. Soit f la fonction dnie par

f (x) = cxe 2 1[0,+[ (x).


x

Dterminer la valeur de c pour que f soit une fonction de densit dune


variable alatoire X.
Calculer la fonction de rpartition de X.
Calculer la moyenne et la variance de X.

Exercice 3.8. Soit X une variable alatoire relle absolument continue de fonc-
tion de densit
fX (x) = ke|x5| , x R.

a. Dterminer la constante k.
b. Calculer FX , la fonction de rpartition de X ainsi que la moyenne et la
variance de X.

Exercice 3.9. La dure de vie dune machine est modlise par une variable
alatoire X. Daprs des tudes statistiques, on sait que ce type de machine
fonctionne encore aprs 9 ans avec une probabilit 0.1. On propose

a
f (x) = 1[0,+[ (x).
(x + 1)b

Comme fonction de densit pour cette variable alatoire.


Dterminer les constantes a et b.

Boukhari.F
c
3.7. Exercices 67

Calculer la dure moyenne de fonctionnement pour ce type de machine.


Quelle est la probabilit que cette machine fonctionne encore aprs 12 ans.

Exercice 3.10. Soit X une variable alatoire de fonction de densit f donne


par
1 x2
f (x) = e 2 , x R.
2
Posons
+
1 x2
(t) = eitx 2 dx.
2

1. Calculer en intgrant sous le signe intgrale.


2. Montrer que la fonction vrie une equation direntielle dterminer.
3. En dduire la fonction caractristique de la variable X.

Boukhari.F
c
Chapitre 4

Lois usuelles

Le but de ce chapitre est de donner les principales caractristiques des va-


riables alatoires les plus utilises en calcul des probabilits, nous commenons
par les variables alatoires discrtes. toutes les variables alatoires de ce chapitre
sont dnies sur un espace de probabilits (, F, IP ).

4.1 Lois discrtes

4.1.1 Loi de Dirac

Dnition 4.1. Soient a R, X une variable alatoire relle. On dit que X


suit une loi de Dirac concentre en a si IP (X = a) = 1. (On note X , a ).

Remarque 4.1. Il nest pas dicile de voir que si X , a , alors sa fonction de


masse est donne par

1 si x = a
pX (x) =

0 si x = a

Par consquent, E(X) = a et V ar(X) = 0 = X


2
.

Proposition 4.1. Soient X , a , MX , sa fonction gnratrice des moments et


X sa fonction caractristique, alors

MX (t) = eat , X (t) = eiat ,


70 Chapitre 4. Lois usuelles

pour tout t R.

4.1.2 Loi de Bernoulli


Dnition 4.2. Soient 0 < p < 1, X une variable alatoire relle. On dit que X
suit une loi de bernoulli de paramtre p (on note X , B(p)) si X est valeurs
dans {0, 1} avec
P (X = 1) = p = 1 P (X = 0).

Remarque 4.2. La variable de Bernoulli est souvent utilise pour modliser une
experience alatoire qui na que deux issues. En gnral, le chire 1 est atribu
au "succs" alors que 0 est attribu "lechec". Dans une exprience alatoire de
Bernoulli, le paramtre p est donc la probabilit du "succs".

Il nest pas dicile de montrer

Proposition 4.2. Soit X , B(p), alors


1. La fonction de masse de X est donne par


pk (1 p)1k si k {0, 1}
pX (k) =

0 sinon


2. E(X) = p, V ar(X) = p(1 p) et X = p(1 p).

Proposition 4.3. Soient X , B(p), MX , sa fonction gnratrice des moments


et X sa fonction caractristique, alors

MX (t) = 1 p + pet , X (t) = 1 p + peit ,

pour tout t R.

4.1.3 Loi binomiale


Dnition 4.3. Soient n 1 et 0 < p < 1. On rpte une experience de
Bernoulli n fois de manire indpendantes et on note par X la variable alatoitre
qui compte le nombre de fois o on a obtenu le chire 1. On dit que la variable X
ainsi dnie suit une loi binomiale de paramtres n et p. (on note X , B(n, p))

Boukhari.F
c
4.1. Lois discrtes 71

Remarque 4.3. daprs cette dnition, on peut armer que


Une variable alatoire qui suit une loi binomiale de paramtres n et p
est tout simplement une variable de comptage, elle compte le nombre de
"succs" obtenus lorsquon rpte la mme exprience plusieurs fois.
Le paramtre n est un entier positif, il dsigne le nombre de rptitions,
alors que p est la probabilit du "succs"
Une variable binomiale B(n, p), est valeurs dans lensemble {0, 1, ..., n}.

Proposition 4.4. Soit X , B(n, p), alors


1. La fonction de masse de X est donne par


C k pk (1 p)nk
n si k {0, 1, .., n}
pX (k) =

0 sinon


2. E(X) = np, V ar(X) = np(1 p) et X = np(1 p).

Exemple 4.1. Dans un exercice militaire, un soldat a le droit de tirer sur une
cible mobile 10 fois, si la probabilit datteindre cette cible est 0.7, quelle est la
probabilit que ce soldat atteigne la cible au moins 2 fois.
Solution:
Cette exprience alatoire consiste rpter la mme exprience (tirer sur
une cible) 10 fois de suite. cest donc une exprience binomiale. Soit X la va-
riable alatoire qui modlise cette exprience, on a X , B(10, 0.7) et on cherche
( )
IP X 2 . Donc

( ) ( )
IP X 2 = 1 IP X < 2
( ( ) ( ))
= 1 IP X = 0 + IP X = 1
( )
= 1 C10
0
(1 0.7)10 + C10
1
(0.7)(1 0.7)9
= 0.856.

Proposition 4.5. Soient X , B(n, p), MX sa fonction gnratrice des moments


et X sa fonction caractristique, alors

MX (t) = (1 p + pet )n , X (t) = (1 p + peit )n ,

Boukhari.F
c
72 Chapitre 4. Lois usuelles

pour tout t R.

4.1.4 Loi de Poisson

Dnition 4.4. Soient > 0. On dit que la variable X suit une loi de Poisson
de paramtre (on note X , P()), si sa fonction de masse est donne par

k
pX (k) = e , k N.
k!

Remarque 4.4. On rappelle que si x R, alors

xk
x
e = .
kN k!

Ainsi pX est bien une fonction de masse.

Proposition 4.6. Soit X , P(), alors


E(X) = = V ar(X) et X = .

Exemple 4.2. Dans la gare ferroviaire dOran, un guichet vend en moyenne 2


billets chaque demi-heure pour le trajet Oran-Alger. Quelle est la probabilit que
ce guichet vende 6 billets pour ce trajet dans un intervalle de 2 heures ?
Solution:
Soit X la v. a. r qui modlise le nombre de billets vendu par ce guichet
pendant 2 heures. Il faut remarquer que pour une loi de Poisson, la moyenne
est exactement le paramtre, ainsi pour 2 heures la moyenne est E(X) = 8. Par
( )
suite on cherche IP X = 6 . on a

( ) 86
IP X = 6 = e8 = 0.106
6!

Proposition 4.7. Soient X , P(), MX sa fonction gnratrice des moments


et X sa fonction caractristique, alors

MX (t) = e(e 1) ,
t it 1)
X (t) = e(e ,

Boukhari.F
c
4.1. Lois discrtes 73

pour tout t R.

4.1.5 Loi gomtrique


Dnition 4.5. Soient 0 < p < 1. On dit que la variable X suit une loi gom-
trique de paramtre p (on note X , G(p)), si sa fonction de masse est donne
par
pX (k) = p(1 p)k1 , k N .

Proposition 4.8. Soit X , G(p), alors



1 1p 1p
E(X) = , V ar(X) = et X = .
p p2 p

Proposition 4.9. Soient X , G(p), MX , sa fonction gnratrice des moments


et X sa fonction caractristique, alors

pet peiu
MX (t) = et X (u) = ,
1 (1 p)et 1 (1 p)eiu

pour t ] , ln(1 p)[ et u R.

4.1.6 Loi hypergomtrique


Dnition 4.6. Soit une urne contenant N boules dont une proportion p de
boules blanches. On prlve de cette urne un chantillon (sans remise) de n
boules. On note par X la variable alatoire qui donne le nombre de boules
blanches de lchantillon. On dit que X suit une loi hypergomtrique de pa-
ramtres N, n, p et on note X , H(N, n, p).

Daprs le chapitre 1, on a

Proposition 4.10. Soit X , H(N, n, p), alors


k C nx

CN p qN
n
CN
si max(0, n N q) k min(n, N p)
pX (k) =

0 sinon

o q = 1 p.

Boukhari.F
c
74 Chapitre 4. Lois usuelles

On a dautre part

Proposition 4.11. Soit X , H(N, n, p), alors



N n N n
E(X) = np, V ar(X) = np(1 p) et X = np(1 p).
N 1 N 1

4.2 Lois absolument continue

4.2.1 Loi uniforme

Dnition 4.7. Soient a, b R avec a < b. On dit quune variable alatoire X


suit une loi uniforme sur [a, b] si sa fonction de densit f est donne par

1
f (x) = 1[a,b] (x)
ba

On note X , U[a,b] .

Il nest pas dicile de montrer

Proposition 4.12. Soit X , U[a,b] , alors

a+b (b a)2 ba
E(X) = , V ar(X) = et X = .
2 12 2 3

De mme, on a

Proposition 4.13. Soit X , U[a,b] , alors




ebt eat
(ba)t
si t = 0
MX (t) =

1 sinon

et


eibt eiat
i(ba)t
si t = 0
X (t) =
1 sinon

Boukhari.F
c
4.2. Lois absolument continue 75

4.2.2 Loi exponentielle

Dnition 4.8. Soit > 0. On dit quune variable alatoire X suit une loi
exponentielle de paramtre si sa fonction de densit f est donne par

f (x) = ex 1[0,+[ (x)

On note X , E().

Il nest pas dicile de montrer

Proposition 4.14. Soit X , E(), alors

1 1 1
E(X) = , V ar(X) = et X = .
2

De mme, on a

Proposition 4.15. Soit X , E(), alors


MX (t) = et X (u) = ,
t iu

pour t ] , [ et u R.

4.2.3 Loi gamma

Dnition 4.9. Soient r > 0, > 0. On dnit la fonction par


+
(r) = xr1 ex dx
0

On dit quune variable alatoire X suit une loi gamma de paramtres r, si


sa fonction de densit f est donne par

r r1 x
f (x) = x e 1]0,+[ (x)
(r)

On note X , (, r).

Boukhari.F
c
76 Chapitre 4. Lois usuelles

Proposition 4.16. Soit X , (, r), alors

r r2 r
E(X) = , V ar(X) = et X = .
2

De mme

Proposition 4.17. Soit X , (, r), alors

( )r ( )r
MX (t) = , X (u) = ,
t iu

pour t ] , [ et u R.

4.2.4 Loi de Laplace

Dnition 4.10. On dit quune variable alatoire suit une loi de Laplace si sa
fonction de densit est donne par

1
f (x) = e|x| , x R.
2

On note X , L.

Proposition 4.18. Soit X , L, alors


E(X) = 0, V ar(X) = 2 et X = 2.

Proposition 4.19. Soit X , L, alors

1 1
MX (t) = , X (u) = ,
1 t2 1 + u2

pour tout t ] 1, 1[ et u R.

Boukhari.F
c
4.2. Lois absolument continue 77

4.2.5 Loi de Cauchy

Dnition 4.11. On dit quune variable alatoire X suit une loi de Cauchy si
sa fonction de densit f est donne par

1 1
f (x) = , x R.
1 + x2

On note X , C.

Proposition 4.20. Soit X , C, alors

X (t) = e|t| ,

pour tout t R.

4.2.6 Loi normale centre rduite

Dnition 4.12. On dit quune variable alatoire X suit une loi de normale
centre rduite (ou gaussienne centre rduite) si sa fonction de densit f est
donne par
1 x2
f (x) = e 2 , x R.
2
On note X , N (0, 1).

Proposition 4.21. Soit X , N (0, 1), alors

E(X) = 0, V ar(X) = 1 = X .

Proposition 4.22. Soit X , N (0, 1), alors

t2 t2
MX (t) = e 2 , X (t) = e 2 ,

pour tout t R.

Boukhari.F
c
78 Chapitre 4. Lois usuelles

4.2.7 Loi normale

Dnition 4.13. Soient R, > 0. On dit quune variable alatoire X suit


une loi de normale ou gaussienne si sa fonction de densit f est donne par

1 (x)2
f (x) = e 22 , x R.
2

On note X , N (, 2 ).

Proposition 4.23. Soit X , N (, 2 ), alors

E(X) = , V ar(X) = 2 , X = .

Proposition 4.24. Soit X , N (, 2 ), alors

t2 t2
MX (t) = et+ 22 , et X (t) = eit 22 ,

pour tout t R.

4.3 Approximation de la loi binomiale

Soient n 1, 0 < p < 1 et X , B(n, p) et supposons que le produit np tends


vers > 0 lorsque n + et p 0. Dans ce cas, pour n assez grand on peut
remplacer p par n . Dautre part si k {0, 1, ..., n}, alors

pX (k) = IP (X = k) = Cnk pk (1 p)nk ,

ainsi pour tout k {0, 1, ..., n} :

n(n 1) (n k + 1) k
pX (k) = p (1 p)nk
k!
nk (1 n1 ) (1 k1 ) p k
= n
( ) (1 p)n
k! 1p
(np)k 1 2 k1
= (1 )(1 ) (1 )(1 )n .
k! n n n n
Boukhari.F
c
4.3. Approximation de la loi binomiale 79

Mais
(np)k k n
lim = et lim (1 ) = e .
n+ k! k! n+ n
Par consquent
k
lim pX (k) = e
n+ k!
qui est la fonction de masse dune loi de Poisson de paramtre , on a dmontr
le rsultat suivant :

Thorme 4.1. Soient n 1, 0 < p < 1 et X une variable alatoire de loi


B(n, p). Supposons que np lorsque n + et p 0. Alors

B(n, p) P().

An dillustrer ce rsultat, considrons lexemple suivant :

Exemple 4.3. Dans un pays le pourcentage des personne atteints dune certaine
maladie gntique est de 0.4%. Quelle est la probabilit de trouver au plus 2
personnes atteintes de cette maladie dans un village de 250 personnes ?
Solution:
Soit X la variable alatoire qui donne le nombre de personnes atteinte de cette
maladie dans ce village de 250 personnes. Il est clair quon cherche IP (X 2) et
que X , B(250, 0.004). Ainsi n et assez grand et p est petit, de plus le produit
f , P(1), on a
np = 250 0.004 = 1, donc si X

IP (X 2) = IP (X = 0) + IP (X = 1) + IP (X = 2)
f = 0) + IP (X
IP (X f = 1) + IP (X
f = 2)

e1
= e1 + e1 +
2
5 1
= e .
2

Remarque 4.5. Dans la pratique, ce rsultat nous permet de remplacer la loi


B(n, p) par la loi P(np) lorsque le produit np est trs petit. Lavantage de la loi
de Poisson est quelle ne dpend que dun seul paramtre. Bien videment ceci
reste une approximation, mais elle est acceptable ds que n > 50 et p < 0.1.

Boukhari.F
c
80 Chapitre 4. Lois usuelles

4.4 Transformation dune variable alatoire

Commenons par introduire la notion de support pour une variable alatoire

Dnition 4.14. Soit X une variable alatoire relle.


Si X est discrte de fonction de masse pX , alors on appelle support de X
lensemble {x R, pX (x) = 0}.
Si X est absolument continue de fonction de densit fX , alors on appelle
support de X lensemble {x R, fX (x) = 0}.
Le support dune variable alatoire X est not supp(X)

Dans plusieurs situations, on est amen utilisr non pas une variable ala-
toire X de loi usuelle mais une fonction de celle-ci, i. e. Y = h(X) o h est une
fonction relle. il devient donc naturel de chercher une mthode qui permet de
dduire les principales caractristique la nouvelle variable Y partir de celles
de X. Dans cette section on propose une mthode pour le faire partir de 4
exemples, en distingant le cas bijectif et la cas non-bijectif.
Tout au long de ce paragraphe h : R R est une fonction.

4.4.1 Le cas discret

Thorme 4.2. Soient X une variable alatoire discrte, pX sa fonction de masse


et supp(X) son support. On pose Y = h(X), alors Y est une variable alatoire
( )
discrte, son support supp(Y ) = h supp(X) et sa fonction de masse pY est
donne par


pX (k) si y supp(Y )
{k/ h(k)=y}
pY (y) =

0 sinon

Exemple 4.4. Soit X une variable alatoire discrte qui prend les valeurs 1, 0, 1, 2
avec les probabilits respectives 81 , 1
16
, 14 , 16
9
. Posons h(x) = |x|, on a dans ce

Boukhari.F
c
4.4. Transformation dune variable alatoire 81

cas supp(X) = {1, 0, 1, 2} et supp(Y ) = {0, 1, 2}. Par suite :




1
si y = 0

16



3
8
si y = 1
pY (y) =

9

si y = 2


16

0 sinon

4.4.2 Le cas absolument continu

Thorme 4.3. Soient X une variable alatoire absolument continue, fX sa


fonction de densit et supp(X) son support. On pose Y = h(X) et on suppose
que la fonction h soit bijective sur supp(X), et que sa fonction rciproque h1
admette une drive continue sur h(supp(X)). Alors Y est une variable alatoire
( )
absolument continue, son support supp(Y ) = h supp(X) et sa fonction de den-
sit fY est donne par


fX (h1 (y))|(h1 ) (y)| si y supp(Y )
fY (y) =

0 sinon

Exemple 4.5. Soient X , U[ 1, 3], h(x) = ex et Y = h(X). Il est clair que


supp(X) = [1, 3], supp(Y ) = [e, e3 ] et h est bijective sur [1, 3], puisque h1 (x) =
ln(x), de plus h1 admet une drive continue sur [1, 3], ainsi la fonction de
densit fY est donne par

1 1
fY (y) = fX (ln(y)) = 1[e,e3 ] (y).
y 2y

Exemple 4.6. Soient > 0, X , E(), h(x) = 1


x
et Y = h(X). On peut
voir que supp(X) = [0, +[, supp(Y ) =]0, +[ et h est bijective sur ]0, +[,
puisque h1 (x) = x1 , de plus h1 admet une drive continue sur ]0, +[, ainsi
la fonction de densit fY est donne par

1 1
fY (y) = fX ( )| 2 | = 2 e y 1]0,+[ (y).
y y y

Remarque 4.6. Lhypothse de bijectivit de la fonction h sur tout le support

Boukhari.F
c
82 Chapitre 4. Lois usuelles

de X est trop forte, en eet mme si cette hypothse nest pas vrie on peut
dans la plupart des cas partager le support de X en plusieurs parties de telle
sorte que h soit bijective dans chaque partie, ainsi on peut appliquer le thorme
sur chaque partie, pour le voir considrons :

Exemple 4.7. Soient X , N (0, 1), h(x) = x2 et Y = h(X). Dans ce cas


supp(X) = R, ainsi h nest pas bijective sur supp(X). Soit FY la fonction de
rpartition de Y et remarquons que supp(Y ) = [0, +[. Soit y supp(Y ), on
peut crire

( )
FY (y) = IP Y y
( )
= IP X 2 y
( )
= IP y X y

= FX ( y) FX ( y).

Do
1 1
fY (y) = FY (y) = fX ( y) + fX ( y) ,
2 y 2 y
par consquent
1
e 2 y 1[0,+[ (y).
1
fY (y) =
2y

Boukhari.F
c
4.5. Exercices 83

4.5 Exercices

Exercice 4.1. Soit X une variable alatoire relle, trouver E(X), V ar(X) et
X dans les cas suivants :
X , B(p).
X , B(n, p).
X , P().
X , G(p).
X , U[a,b] .
X , E().
X , (, r).
X , L.
X , N (0, 1).
X , N (, 2 ).

Exercice 4.2. Dans un examen de type QCM, on pose 10 questions. Pour chaque
question on propose au candidat 3 rponses dont une seule est juste. Une personne
ignorant totalement le sujet se prsente cet examen et coche les rponses pour
chaque question au hasard. Soit X la variable alatoire qui donne le nombre de
rponses justes.
Quelle est la loi de X ?
Quelle est la probabilit que cette personne donne 3 rponses justes ?
Une personne est admise si elle donne au moins 5 rponses justes. Quelle
est la probabilit que cette personne soit admise ?

Exercice 4.3. Les clients dun magasin arrivent selon une loi de Poisson avec
une moyenne de deux clients par heure. Qelle est la loi de la variable X qui donne
le temps ncessaire pour que dix clients arrivent ?

Exercice 4.4. La dure de vie dun composant lctrique suit une loi exponen-
tielle de moyenne 5 ans. Sachant que ce composant a fonctionn pendant une
anne, quelle est la probabilit quil tombe en panne dans les quatres annes
suivantes.

Boukhari.F
c
84 Chapitre 4. Lois usuelles

Exercice 4.5. Dterminer la fonction de rpartition FX pour la variable alatoire


X dans les cas suivants :
X , B(p).
X , U[a,b] .
X , E().
X , L.

Exercice 4.6. Soit F la fonction de rpartition dune certaine variables alatoire


X. Supposons que F est continue et posons Y = F (X). Montrer que Y suit une
loi uniforme sur [0, 1].

Exercice 4.7. Soient > 0, {pn , n 1} une suite de nombres rels vriant : :

n 1, 0 < pn < 1, et lim npn = ,


n+

Montrer que pour tout z C :

( )n
lim 1 pn z = ez .
n+

Exercice 4.8. Pour r > 0, on dnit la fonction par


+
(r) = xr1 ex dx
0

Caluler (0) et (1).


Montrer que pour tout r > 0, (r + 1) = r(r).
En dduire que pour tout n 1, (n) = (n 1)!.

Exercice 4.9. Soient > 0, t1 , t2 R et X une variable alatoire de loi E() .


Montrer que
IP (X > t1 + t2 /X > t1 ) = IP (X > t2 ).

Exercice 4.10. Soient R, > 0 et X , N (0, 1).


1. Posons Y = X +, calculer FY la fonction de rpartition de Y en fonction
de FX et en dduire la densit de Y . Identier la loi de Y .

Boukhari.F
c
4.5. Exercices 85

U
2. Soit prsent U une variable alatoire de loi N (, 2 ), posons V =
.
Calculer FV la fonction de rpartition de V en fonction de FU et en dduire la
densit de V . Identier la loi de V .

Exercice 4.11. Deux espces de poissons vivent dans un petit barrage, 200 de la
premire espce et 60 de la seconde. On pche 5 poissons de ce barrage. Calculer
la probabilit de ne pas pcher de poissons de la seconde espce.

Exercice 4.12. Les rsultats dun test de quotient intellectuel pour une classe
dans un collge montre que le QI de cette classe suit une loi normale de moyenne
100 et de variance 225. Quel est le pourcentage des lve ayant un QI infrieur
91 ou suprieur 130.

Exercice 4.13. Dans un village, la taille des hommes peut tre modlise par
une variable alatoire normale de moyenne 167 cm et dcart-type 3cm. Calculer
le pourcentage des hommes qui ont une taille
suprieur 170 cm.
infrieur 165 cm
comprise entre 162 cm et 172 cm.
On choisit au hasard 4 hommes de ce village, quelle est la probabilit que
Les 4 hommes aient une taille suprieur 170 cm.
Deux aient une taille suprieure la moyenne et deux ont une taille inf-
rieure la moyenne.

Exercice 4.14. Soit X une variable alatoire relle absolument continue de


fonction de densit
1
fX (x) = e|x1| , x R.
2
1. Calculer la fonction de rpartition, la moyenne et la variance de X.
2. On pose Y = 2X + 1.
i. Calculer FY , la fonction de rpartition de Y et en dduire fY la fonction
de densit de Y .
ii. Calculer E(Y ) et V ar(Y ) par deux mthodes direntes.

Boukhari.F
c
86 Chapitre 4. Lois usuelles

Exercice 4.15. Soient > 0, X , P().


1
1. Vrier que la v. a. r 1+X
est intgrable.
2. Calculer E( 1+X
1
) et E( 1+X
2+X
).
3. En dduire E( 2+X
1
).

Boukhari.F
c
Chapitre 5

Couples alatoires

Au chapitre 3 nous avons introduit la notion de variable alatoire une


dimension, le but de ce chapitre est de gnraliser cette notion aux variables
deux dimensions (couple). Toutes les variables alatoires de ce chapitre sont
dnies sur un espace de probabilit (, F, IP ).

5.1 Dnitions-Exemples
Dnition 5.1. Soient X, Y deux applications de vers R. Si X et Y sont
deux variables alatoires relles alors le couple (X, Y ) est appel couple alatoire.

Exemple 5.1. On jette deux ds quilibrs et on note par X le chire obtenu par
le premier d, Y la somme des chires obtenus. (X, Y ) est un couple alatoire.

Exemple 5.2. On prlve un groupe de TD au hasard et on mesure le poids et


la taille des tudiants de ce groupe. On note par X la taille en cm et Y le poids
en kg. (X, Y ) est un couple alatoire.

Dnition 5.2. Soit (X, Y ) un couple alatoire, lapplication F(X,Y ) dnie sur
R R par
( )
x, y R, F(X,Y ) (x, y) = IP X x , Y y .

est apple la fonction de rpartition du couple (X, Y ).

Comme dans le cas rel, la fonction de rpartition possde de nombreuses


bonnes proprits :
88 Chapitre 5. Couples alatoires

Proposition 5.1. Soient (X, Y ) un couple alatoire, F(X,Y ) sa fonction de r-


partition, alors
Pour tout (x, y) R R, 0 F(X,Y ) (x, y) 1.
limx et y F(X,Y ) (x, y) = 0 et limx et y+ F(X,Y ) (x, y) = 1.
Pour tout y R, lapplication x F(X,Y ) (x, y) est croissante et continue
droite.
Pour tout x R, lapplication y F(X,Y ) (x, y) est croissante et continue
droite.

Dnition 5.3. Soit (X, Y ) un couple alatoire, Les fonctions de rpartition marginales
associes au couple (X, Y ) sont donnes par :

FX (x) = lim F(X,Y ) (x, y)


y+

et
FY (y) = lim F(X,Y ) (x, y)
x+

5.2 Couples discrets


Dnition 5.4. Soient X, Y deux applications de vers R. On dit que (X, Y )
est un couple alatoire discret si X et Y sont deux variables alatoire discrtes.

Dnition 5.5. Soit (X, Y ) un couple alatoire discret, lapplication p(X,Y ) d-


nie sur R R par



IP (X = x, Y = y) si (x, y) supp(X) supp(Y )
p(X,Y ) (x, y) =

0 sinon

est apple la fonction de masse du couple (X, Y ).

Exemple 5.3. On jette deux ds quilibrs et on note par X le chire obtenu


par le premier d, Y la variable alatoire qui vaut 1 si le deuxime d ramne
un chire infrieur ou gale 4 et 0 sinon. La fonction de masse pour ce couple

Boukhari.F
c
5.2. Couples discrets 89

alatoire est donne par




2
si (x, y) {1, 2, 3, 4} {1}


3
p(X,Y ) (x, y) =

1
si (x, y) {5, 6} {0}


3

0 sinon

Proposition 5.2. Une application p dnie sur R R est une fonction de masse
si et seulement si
Pour tout (x, y) R R, p(x, y) 0.

(x,y)X()Y () p(x, y) = 1.

Dnition 5.6. Soit (X, Y ) un couple alatoire discret, p(X,Y ) sa fonction de


masse et supp(X) (resp. supp(Y )) le support de X (resp. le support de Y ).
Les fonctions de masse marginales associes au couple (X, Y ) sont donnes
par :



pX,Y (x, y) si (x, y) supp(X) supp(Y )
ysupp(Y )
pX (x) =

0 sinon

et



pX,Y (x, y) si (x, y) supp(X) supp(Y )
xsupp(X)
pY (y) =

0 sinon

Remarque 5.1. Les fonctions de masse marginales sont aussi appeles les lois
marginales associes au couple (X, Y ).

Dnition 5.7. Soient (X, Y ) un couple alatoire discret, p(X,Y ) sa fonction de


masse. lesprance mathmatique ou la moyenne du couple (X, Y ) est (E(X), E(Y )).

Dnition 5.8. Soient (X, Y ) un couple alatoire discret, p(X,Y ) sa fonction de


masse.

Boukhari.F
c
90 Chapitre 5. Couples alatoires

la covariance du couple (X, Y ) est donne par


Cov(X, Y ) = ijp(X,Y ) (i, j) E(X)E(Y ).
(i,j)supp(X)supp(Y )

Supposons que V ar(X) > 0 et V ar(Y ) > 0. Le coecient de corrlation


du couple (X, Y ) est donne par

Cov(X, Y )
(X,Y ) = .
V ar(X)V ar(Y )

Proposition 5.3. Soit (X, Y ) un couple alatoire discret, alors

V ar(X + Y ) = V ar(X) + V ar(Y ) + 2Cov(X, Y ).

Dnition 5.9. Soient (X, Y ) un couple alatoire discret, p(X,Y ) sa fonction de


masse et supp(X) (resp. supp(Y )) le support de X (resp. le support de Y ).
La loi conditionnelle de X sachant Y est donne par :


p(X,Y ) (x,y)
pY (y)
si (x, y) supp(X) supp(Y )
pX/Y =y (x) =

0 sinon

La loi conditionnelle de Y sachant X est donne par :




p(X,Y ) (x,y)
pX (x)
si (x, y) supp(X) supp(Y )
pX/Y =y (x) =

0 sinon

Dnition 5.10. Soit (X, Y ) un couple alatoire discret.


Lesprance conditionnelle de X sachant Y est donne par :

( )
y supp(Y ), E X/Y = y = ipX/Y =y (i).
isupp(X)

Lesprance conditionnelle de Y sachant X est donne par :

( )
x supp(X), E Y /X = x = jpY /X=x (j).
jsupp(Y )

Boukhari.F
c
5.3. Couples absolument continus 91

5.3 Couples absolument continus


Dnition 5.11. Un couple alatoire (X, Y ) est absolument continu si sa fonc-
tion de rpartition F(X,Y ) est continue droite et gauche par rapport chacune
des variables et possde une drive seconde :

2 F(X,Y )
xy

sur un domaine non-vide D.

Dnition 5.12. Soit (X, Y ) un couple alatoire absolument continu. La fonc-


tion


2 F(X,Y )
xy
(x, y) si (x, y) D
f(X,Y ) (x, y) =
0 sinon

est appele la fonction de densit du couple (X, Y ).

Proposition 5.4. Une application f dnie sur RR est une fonction de densit
si et seulement si
Pour tout (x, y) R R, f (x, y) 0.

R2 f (x, y)dxdy = 1.

Dnition 5.13. Soit (X, Y ) un couple alatoire absolument continu, f(X,Y ) sa


fonction de densit et supp(X) (resp. supp(Y )) le support de X (resp. le support
de Y ).
Les fonctions de densit marginales associes au couple (X, Y ) sont don-
nes par :


si (x, y) D
R fX,Y (x, y)dy
fX (x) =

0 sinon

et


si (x, y) D
R fX,Y (x, y)dx
fY (y) =
0 sinon

Boukhari.F
c
92 Chapitre 5. Couples alatoires

Les fonctions de rpartition marginales associes au couple (X, Y ) sont don-


nes par :
FX (x) = lim F(X,Y ) (x, y)
y+

et
FY (y) = lim F(X,Y ) (x, y)
x+

Remarque 5.2. Les fonctions de densit marginales sont aussi appeles les lois
marginales associes au couple (X, Y ).

Proposition 5.5. Si (X, Y ) est un couple alatoire absolument continu, alors


pour tout (x, y) D :


fX (x) = FX (x), et fY (y) = FY (y).

Exemple 5.4. Soient c R, f la fonction dnie par

f (x, y) = cxyex
2 y 2
, x, y R+ .

Dterminer c pour que f soit la fonction de densit dun couple alatoire


(X, Y ).
Calculer F(X,Y ) la fonction de rpartition du couple (X, Y ).
En dduire les fonctions de rpartitions marginales.
Calculer les fonctions de densit marginale.

Solution:

Il faut remarquer dabord que f doit tre positive, ainsi c 0, de plus



c
xex dx yey dy = .
2 2
1= f (x, y)dxdy = c
R R R R 4

Ainsi c = 4.

Boukhari.F
c
5.3. Couples absolument continus 93

Soient x, y R+ , la fonction de rpartition du couple est donne par


x y
F(X,Y ) (x, y) = f (u, v)dudv

x y
u2
vev dv
2
= 4 ue du

( )( )
x2 y 2
= 1e 1e .

Dautre part F(X,Y ) est nulle lorsque lune des coordonnes x ou y est
ngative.
Pour les fonctions de rpartitions marginales, il sut de prendre la limite,
en eet

( )( ) ( )
FX (x) = lim 1 ex 1 ey 1R+ R+ (x, y) = 1 ex 1R+ (x)
2 2 2

y+

et

( )( ) ( )
1 ex 1 ey 1R+ R+ (x, y) = 1 ey 1R+ (y).
2 2 2
FY (y) = lim
x+

Pour les fonctions de densit marginales, on a


fX (x) = FX (x) = 2xex 1R+ (x).
2

et

fY (y) = FY (y) = 2yey 1R+ (y).
2

Dnition 5.14. Soient (X, Y ) un couple alatoire absolument continu, f(X,Y ) sa


fonction de densit. lesprance mathmatique ou la moyenne du couple (X, Y )
est (E(X), E(Y )).

Dnition 5.15. Soient (X, Y ) un couple alatoire absolument continu, f(X,Y )


sa fonction de densit.
La covariance du couple (X, Y ) est donne par

Cov(X, Y ) = xyf(X,Y ) (x, y)dxdy E(X)E(Y ).
R2

Boukhari.F
c
94 Chapitre 5. Couples alatoires

Supposons que V ar(X) > 0 et V ar(Y ) > 0. Le coecient de corrlation


du couple (X, Y ) est donne par

Cov(X, Y )
(X,Y ) = .
V ar(X)V ar(Y )

Proposition 5.6. Soit (X, Y ) un couple alatoire absolument continu, alors

V ar(X + Y ) = V ar(X) + V ar(Y ) + 2Cov(X, Y ).

Dnition 5.16. Soient (X, Y ) un couple alatoire absolument continu, f(X,Y )


sa fonction de densit et supp(X) (resp. supp(Y )) le support de X (resp. le
support de Y ).
La loi conditionnelle de X sachant Y est donne par :


f(X,Y ) (x,y)
fY (y)
si (x, y) supp(X) supp(Y )
fX/Y =y (x) =

0 sinon

La loi conditionnelle de Y sachant X est donne par :




f(X,Y ) (x,y)
fX (x)
si (x, y) supp(X) supp(Y )
fX/Y =y (x) =

0 sinon
Dnition 5.17. Soit (X, Y ) un couple alatoire absolument continu.
Lesprance conditionnelle de X sachant Y est donne par :

( )
y supp(Y ), E X/Y = y = xfX/Y =y (x)dx.
supp(X)

Lesprance conditionnelle de Y sachant X est donne par :

( )
x supp(X), E Y /X = x = yfY /X=x (y)dy.
supp(Y )

Exemple 5.5. Soit (X, Y ) un couple alatoire de fonction de densit

3( 2 )
f (x, y) = x + y 2 1[0,1][0,1] (x, y).
2

Calculer les densits marginales.

Boukhari.F
c
5.3. Couples absolument continus 95

Dterminer les lois conditionnelles.


Solution:
Pour les densit marginales, on a pour x, y [0, 1] :

3( 2 1 2 ) 3 2 1
fX (x) = f (x, y)dy = x + y dy = x + .
R 2 0 2 2

De mme

3( 2 1 2 ) 3 2 1
fY (y) = f (x, y)dx = y + x dy = y + .
R 2 0 2 2

Ainsi

3 1 3 1
fX (x) = x2 + 1[0,1] (x) et fY (y) = y 2 + 1[0,1] (y).
2 2 2 2

Pour les lois conditionnelles, soient x, y [0, 1], on a

f(X,Y ) (x, y) 3(x2 + y 2 )


fX/Y =y (x) = = .
fY (y) 3y 2 + 1

De mme
f(X,Y ) (x, y) 3(x2 + y 2 )
fY /X=x (y) = = .
fX (x) 3x2 + 1

Exemple 5.6. Soit (X, Y ) un couple alatoire de fonction de densit

f(X,Y ) (x, y) = ey 1R+ [x,+[ (x, y).

Donner les lois marginales des v. a X, Y .


Dterminer fX/Y =y et fY /X=x .
En dduire E(X/Y ) et E(Y /X).
Solution:
Commenons par la loi marginale selon X, soit x R+ , on a
+ +
fX (x) = f(X,Y ) (x, y)dy = ey dy = ex ,
x

Boukhari.F
c
96 Chapitre 5. Couples alatoires

do
fX (x) = ex 1[0,+[ (x).

De mme, si y R+ , on a
+ y
fY (y) = f(X,Y ) (x, y)dx = ey dx = yey ,
0

do
fY (y) = yey 1[0,+[ (y).

Calculons prsent les lois conditionnelles, soient x R+ , 0 < y x :

f(X,Y ) (x, y) ey 1
fX/Y =y (x) = = y = ,
fY (y) ye y

De mmme
f(X,Y ) (x, y) ey
fY /X=x (y) = = x = e(yx) .
fX (x) e
Par suite

1
fX/Y =y (x) = 1]0,y] (x) et fY /X=x (y) = e(yx) 1[x,+[ (y).
y

Pour les esprances conditionnelles, on a pour y R+ :


+ y x y
E(X/Y = y) = xfX/Y =y (x)dx = dx = ,
0 y 2

De mme si x R+ , on faisant une intgration par parties, on obtient


+ + ( )
E(Y /X = x) = yfY /X=x (y)dx = ex yey dy = ex xex +ex = x+1.
x

Ainsi
Y
E(X/Y ) = et E(Y /X) = X + 1.
2

Boukhari.F
c
5.4. Variables alatoires indpendantes 97

5.4 Variables alatoires indpendantes


La notion dindpendance est trs importante en thorie des probabilits, elle
est lhypothse principale dans plusieurs rsultats fondamentaux concernant le
comportement asymptotique des moyennes de variables alatoires. Commenons
par rappeler la notion de tribu engendre par une variable alatoire dnie dans
le troisime chapitre. Soit X une variable alatoire relle, la tribu engendre par
X et note (X) est dnie par

(X) = {X 1 (A), A BR },

o BR est la tribu borlinne sur R.

Dnition 5.18. Soient X, Y deux variables alatoires relles. On dit que X


et Y sont indpendantes si les tribus engendres par les variables X et Y sont
indpendantes. i. e.

( ) ( ) ( )
A, B BR , IP X A, Y B = IP X A IP Y B .

Remarque 5.3. Vrier lindpendance de deux variables alatoires re-


vient vrier lindpendance des tribus engendres par ces deux variables.
De la mme manire, la notion dindpendance ainsi dnie peut tre g-
nralise plusieurs variables.

En gnral, il est dicile de prouver lindpendance de deux variables ala-


toires en utilisant cette dnition, cest pour cette raison que nous allons proposer
dautre critres.

Proposition 5.7. Soient (X, Y ) un couple alatoire, F(X,Y ) sa fonction de r-


partition, FX et FY les fonctions de rpartition marginales. Alors

Les variables X et Y sont indpendantes F(X,Y ) (x, y) = FX (x)FY (y).

Dans le cas o on connait la nature du couple (X, Y ) (discret ou absolument


continu), on a

Boukhari.F
c
98 Chapitre 5. Couples alatoires

Proposition 5.8. Soit (X, Y ) un couple alatoire, vriant :

Supp(X, Y ) = Supp(X) Supp(Y ).

Si (X, Y ) est un couple discret de fonction de masse p(X,Y ) , alors les va-
riables X et Y sont indpendantes si et seulement si

(x, y) supp(X) supp(Y ), p(X,Y ) (x, y) = pX (x)pY (y),

Si (X, Y ) est un couple absolument continu de fonction de densit f(X,Y ) ,


alors les variables X et Y sont indpendantes si et seulement si

(x, y) supp(X) supp(Y ), f(X,Y ) (x, y) = fX (x)fY (y),

Exemple 5.7. Soient , R+ , (X, Y ) un couple alatoire de fonction de


densit
f (x, y) = e(x+y) 1R+ R+ (x, y).

On remarque que Supp(X, Y ) = R+ R+ = Supp(X) Supp(Y ), de plus on


peut crire
f (x, y) = ex 1R+ (x) ey 1R+ (y).

Par suite, les variables alatoires X et Y sont indpendantes.

Lindpendance peut tre vrie aussi en utilisant la fonction gnratrice


des moments et la fonction caractristique, commenons dabord par dnir ces
fonction pour les couples alatoires.

Dnition 5.19. Soit (X, Y ) un couple alatoire.


La fonction gnratrice des moments associe au couple (X, Y ) est dnie
par
( )
s, t R, M(X,Y ) (s, t) = E esX+tY .

La fonction caractristique associe au couple (X, Y ) est dnie par

( )
s, t R, (X,Y ) (s, t) = E eisX+itY ,

Boukhari.F
c
5.4. Variables alatoires indpendantes 99

o i est le nombre complexe vriant : i2 = 1.

Proposition 5.9. Soient (X, Y ) est un couple alatoire, M(X,Y ) sa foncton g-


nratrice des moments et (X,Y ) sa fonction caractristique. Les trois proprits
suivantes sont quivalentes :
X et Y sont indpendantes.
Pour tout (s, t) R2 , M(X,Y ) (s, t) = MX (s)MY (t).
Pour tout (s, t) R2 , (X,Y ) (s, t) = X (s)Y (t).

Une consquence importante de lindpendance de deux variables alatoires


est le rsultat suivant :

Proposition 5.10. Soient X, Y deux variables alatoires indpendantes, alors


Pour tout couple de fonctions continues (g, h), les variables alatoires g(X)
et h(Y ) sont aussi indpendantes.
Pour tout couple de fonctions continues (g, h),

( ) ( ) ( )
E g(X)h(Y ) = E g(X) E h(Y ) .

En particulier E(XY ) = E(X)E(Y ).


Cov(X, Y ) = 0.
V ar(X + Y ) = V ar(X) + V ar(Y ).
Pour tout t R, MX+Y (t) = MX (t)MY (t).
Pour tout t R, X+Y (t) = X (t)Y (t).

Exemple 5.8. On peut se servir de ce dernier rsultat pour calculer la loi de la


somme de deux variables alatoires indpendantes, en eet considrons les deux
exemples suivants :
Soient n, m 1, 0 < p < 1 et X, Y deux variables alatoires indpendantes
avec X , B(n, p), Y , B(m, p). Posons S = X +Y et soient t R, MS la
fonction gnratrice des moments de S. On a par cette dernire proposition
et la Proposition 4.5 du Chapitre 4 :

( )n ( )m
MS (t) = MX+Y (t) = MX (t)MY (t) = 1 p + pet 1 p + pet .

Boukhari.F
c
100 Chapitre 5. Couples alatoires

On a donc, pour tout t R :

( )n+m
MS (t) = 1 p + pet .

En faisant appel encore une fois la Proposition 4.5 du quatrime chapitre,


on conclut que
S , B(n + m, p).

Soient 1 , 2 R, 1 , 2 R+ et X, Y deux variables alatoires ind-


pendantes avec X , N (, 12 ), Y , N (2 , 22 ). Posons S = X + Y et
soient t R, S la fonction caractristique de S. On a par cette dernire
proposition et la Proposition 4.24 du Chapitre 4 :

12 12
t2 t2
S (t) = X+Y (t) = X (t)Y (t) = ei1 t 2 ei2 t 2 .

On obtient alors
2 + 2 )
(1 2 t2
S (t) = ei(1 +2 )t 2 ,

pour tout t R. Par la Proposition 4.24 du quatrime chapitre, on peut


armer que
S , N (1 + 2 , 12 + 22 ).

Un autre avantage de lindpendance de deux variables alatoires X et Y ,


est quelle permet dans plusieurs situations de calculer explicitement la loi de la
somme X + Y , lorsque on connait les lois des variables X et Y , en eet

Proposition 5.11. Soient X et Y deux variables alatoires indpendantes, po-


sons S = X + Y .
Si X et Y sont deux variables discrtes de fonctions de masse pX et pY ,
alors S est aussi une variable alatoire discrte de fonction de masse pS
donne par


pS (k) = pX (k j)pY (j)
(kj,j)Supp(X)Supp(Y )

Si X et Y sont deux variables absolument continues, de fonctions de densit

Boukhari.F
c
5.4. Variables alatoires indpendantes 101

fX et fY , alors S est aussi une variable alatoire absolument coninue de


fonction de densit fS donne par
+
fS (x) = fX (x y)fY (y)dy.

Exemple 5.9. Soient > 0, > 0, X, Y deux variables alatoires indpendantes


avec X , P(), Y , P(). On pose S = X + Y . Trouver la loi de S.
Solution:
Daprs la proposition prcdente, S est une variable alatoire discrte, de
plus Supp(S) = N. Ainsi pour k N on a


pS (k) = pX (k j)pY (j)
(kj,j)Supp(X)Supp(Y )
kj j
= e(+)
(kj,j)NN
(k j)!j!
e(+) n
k!
= kj j
k! j=0 (k j)!j!

e(+) n
= Ckj kj j
k! j=0

( + )k
= e(+) .
k!

Par consquent S , P( + ).

Exemple 5.10. Soient X, Y deux variables alatoires indpendantes avec X ,


E(1) et Y , E(1). On pose S = X + Y . Trouver la loi de S.
Solution:
Remarquons dabord que Supp(S) = R+ . Soient x 0, fS la fonction de
densit de S, on a par la proposition prcdente :

fS (x) = fX (x y)fY (y)dy
Rx
= e(xy) ey dy
0
= xex .

Boukhari.F
c
102 Chapitre 5. Couples alatoires

Ainsi
fS (x) = xex 1[0,+[ (x).

Boukhari.F
c
5.5. Exercices 103

5.5 Exercices
Exercice 5.1. Soit F la fonction dnie par

F (x, y) = 1[1,+[ (x + y).

Montrer que F nest pas une fonction de rpartition.

Exercice 5.2. Soient > 0, X, Y deux v. a. r discrtes avec

(i + j) i+j
P(X,Y ) (i, j) = e1
i! j!
1. Dtermier pour que P(X,Y ) soit une fonction de masse.
2. Calculer les lois marginales pX et pY .
3. Calculer E(2X+Y ).

Exercice 5.3. Soit le couple alatoire (X, Y ) de fonction de densit :

f(X,Y ) (x, y) = exy 1{x>0, y>0} .

Trouver
1. Les densits marginales de X et de Y .
2. Les fonctions de rpartitions : F(X,Y ) , FX et FY .
3. E(X), E(Y ) et Cov(X, Y ).

Exercice 5.4. Soit (X, Y ) un couple alatoire de fonction de densit

f(X,Y ) (x, y) = ey 1R+ [x,+[ (x, y).

1. Vrier que f est bien une densit de probabilit.


2. Donner les lois marginales de X et Y .
3. Calculer P (X 1/Y > 2).
4. Dterminer fX/Y =y et fY /X=x .
5. En dduire E(X/Y = y) et E(Y /X = x).
6. Calculer E(X), E(Y ) par deux mthodes direntes.

Boukhari.F
c
104 Chapitre 5. Couples alatoires

Exercice 5.5. Soient X, Y deux v. a. r avec

1
fY (y) = 1[1,+[ , fX/Y =y (x) = xy 2 exy 1R+ (x).
y2

1. Donner la loi du couple (X, Y ).


2. En dduire la loi marginale de X.
3. Calculer fY /X=x .
4. En dduire E(Y /X).

Exercice 5.6. Soit (X, Y ) un couple alatoire de fonction de densit

x x(x+y)
f(X,Y ) (x, y) = e 2 1R+ R+ (x, y).
2

1. Dterminer fX/Y =y et fY /X=x .


2. En dduire E(X/Y = y) et E(Y /X = x).

Exercice 5.7. Soient n 1, (Uk )1kn une suite de variables altoires indpen-
dantes de mme loi uniforme sur [0, 1]. Posons Zn = n min(U1 , . . . , Un ). Trouver
la loi de Zn .

Exercice 5.8. Soit (X, Y ) un couple alatoire sur


mathbbR2 , dont la loi admet une densit f donne par

f (x, y) = n(n 1)(y x)n2 1(0xy1) .

o n 2.
a. Quelle est la loi de X ?
b. Donner fY /X=x .
c. En dduire E(Y /X = x) et E(Y /X).

Exercice 5.9. Soient X, Y deux de v.a r, pour n, k 1, on a :

n+1
P (Y = n) =
2n+2
Boukhari.F
c
5.5. Exercices 105

et
1
P (X = k/Y = n) = pour 0 k n
n+1
1. Donner la loi du couple (X, Y ) et calculer P (X Y ).
2. Les variables alatoires X et X Y sont-elles indpendantes ?

Exercice 5.10. Soit T une v. a. r ayant une densit de probabilit f continue


sur [0, [. Montrer que T a une loi exponentielle ssi pour tout t > 0, la loi
conditionnelle de T t sachant T > t est encore celle de T .

Exercice 5.11. Soient , R+ , (X, Y ) un couple alatoire de fonction de


densit
f (x, y) = e(x+y) 1[0,+[ (x, y).

Calculer les densits marginales.


( ) ( )
En dduire E X/Y = y et E Y /X = x .
Calculer E(X), E(X), Cov(X, Y ) et V ar(X + Y ).

Exercice 5.12. Soient 0 < p < 1, n 1, m 1 et soient X et Y deux variables


alatoires indpendantes avec X , B(n, p), Y , B(m, p). On pose S = X + Y .
Montrer que la variable S , B(n + m, p).

Exercice 5.13. Soient X, Y deux v. a. r indpendantes de mme loi gomtrique


de paramtre p ]0, 1[. i. e

P (X = k) = p(1 p)k , k N.

On pose S = X + Y
1. Donner la loi de S.
2. Calculer par deux mthodes direntes E(S).
3. Dterminer E(X/S) par deux mthodes direntes.

Exercice 5.14. Soit (X, Y ) un couple alatoire de fonction de densit

f (x, y) = 3x2 y(1 y)ex 1]0,+[]0,1[ (x, y).

1. Calculer les densits marginales du couple (X, Y ).

Boukhari.F
c
106 Chapitre 5. Couples alatoires

2. Les variables X et Y sont-elle indpendantes ?


3. Calculer E(X), E(Y ) et E(XY ).

Exercice 5.15. Soient (X, Y ) un couple alatoire de fonction de densit

2 ( )
f (x, y) = 1 x > 0, y > 0 .
(1 + x + y)3

1. Calculer laa fonction de rpartition du couple (X, Y ).


2. Dterminer les lois marginales.
3. Calculer fY /X=x .

Boukhari.F
c
Chapitre 6

Convergence de suites de
variables alatoires

Tout au long de ce chapitre, {Xn , n 1} dsignera une suite de variables


alatoires relles dnies sur un espace de probabilit (, F, IP ).

6.1 Convergence en probabilit


Dnition 6.1. On dit quune suite de variables alatoires {Xn , n 1} converge
en probabilit vers une variable alatoire X, si

> 0, lim IP (|Xn X| ) = 0.


n+

P
On note Xn X.

Exemple 6.1. Considrons la suite de variables alatoires {Xn , n 1} o


chaque variable Xn prend les valeurs 0 et 1 avec les probabilits respectives 1 n1
et n1 , alors la suite {Xn , n 1} converge vers 0 en probabilit. En eet si > 0,
alors deux cas peuvent se prsenter :
Premier cas : > 1.
Dans ce cas, il est clair que pour tout n 1,

IP (|Xn 0| ) = IP (Xn ) = 0.
108 Chapitre 6. Convergence de suites de variables alatoires

Deuxime cas : 0 1.
Dans ce cas, on a

1
IP (|Xn 0| ) = IP (Xn ) = IP (Xn = 1) = ,
n

P
do Xn 0.

Proposition 6.1. Soient {Xn , Yn n 1} deux suites de variables alatoires,


f : R R une fonction continue. Supposons que {Xn , n 1} (resp. {Yn n 1})
converge en probabilit vers une variable alatoire X (resp. Y ), alors
P
Pour tout , R, Xn + Yn X + Y .
P
Xn Yn XY .
P
f (Xn ) f (X).

6.2 Convergence en moyenne


Dnition 6.2. Soit X une variable alatoire relle.
On dit que X est intgrable si E(|X| < ).
On dit que X est de carr intgrable si E(|X|2 < ).
Si p 1, on dit que X est dans Lp () si E(|X|p < ).

Dnition 6.3. On dit quune suite de variables alatoires intgrables {Xn , n


1} converge en moyenne vers une variable alatoire X, si

lim E(|Xn X|) = 0.


n+

On note Xn X en moyenne.

Dnition 6.4. On dit quune suite de variables alatoires de carr intgrable


{Xn , n 1} converge en moyenne quadratique vers une variable alatoire X, si

lim E(|Xn X|2 ) = 0.


n+

On note Xn X en moyenne quadratique.

Boukhari.F
c
6.3. Convergence presque sre 109

Remarque 6.1. Il faut bien noter que


On ne peut pas parler de la convergence en moyenne (resp. en moyenne
quadratique) si les variables considres ne sont pas intgrables (resp. de
carr intgrable).
Lorsquune suite de variables alatoires intgrables {Xn , n 1} converge
en moyenne (resp. en moyenne quadratique) vers une variable alatoire X,
alors X est aussi intgrable i. e. E(|X| < ).(resp. de carr intgrable i. e.
E(|X|2 ) < ).

Exemple 6.2. Considrons la suite de variables alatoires {Xn , n 1} o


chaque variable Xn prends les valeurs 0 et 1 avec les probabilits respectives
1 en et en , alors la suite {Xn , n 1} converge vers 0 en moyenne. En eet
si n 1, alors
Dans ce cas, il est clair que pour tout n 1,

E(|Xn 0|) = E(Xn ) = en 0,

lorsque n +.

6.3 Convergence presque sre


Dnition 6.5. On dit quune suite de variables alatoires {Xn , n 1} converge
presque srement vers une variable alatoire X, si

IP { , lim Xn () = X()} = 1
n+

On note Xn X p. s.

Un critre trs utilis pour tablir la convergence presque sre pour une suite
des variables alatoires relles est donn par le rsultat suivant :

Thorme 6.1. Soit {Xn , n 1} une suite de variables alatoires.


Supposons que pour tout > 0,

( )
IP |Xn X| < , (6.1)
n1

Boukhari.F
c
110 Chapitre 6. Convergence de suites de variables alatoires

alors la suite {Xn , n 1} converge presque surement vers X.


Rciproquement, si {Xn , n 1} est une suite de v. a. r indpendantes qui
converge presque srement vers X, alors la condition 6.1 est vrie.

Exemple 6.3. Considrons la suite de variables alatoires {Xn , n 1} o


chaque variable Xn prend les valeurs 0 et 1 avec les probabilits respectives
1 1
n2
et 1
n2
, alors la suite {Xn , n 1} converge vers 0 presque srement. En
eet si > 0, alors on peut considrer les deux cas suivants :
Premier cas : > 1.
Il est clair que dans ce cas, on a pour tout n 1,

IP (|Xn 0| ) = IP (Xn ) = 0.

Deuxime cas : 0 1.
Dans ce cas, on a

1
IP (|Xn 0| ) = IP (Xn ) = IP (Xn = 1) = .
n2

Comme 1
n1 n2 < , on a bien


IP (|Xn 0| ) < .
n1

Ainsi la condition 6.1 est vrie et la suite {Xn , n 1} converge presque


srement vers 0.

6.4 Convergence en loi


On rappelle que si X est une variable alatoire, sa loi que nous avons note
IP X est une probabilit dnie sur (R, BR ) par

A BR , IP X (A) = IP (X A).

On rappelle aussi que si X est une variable alatoire relle, on peut lui associer

Boukhari.F
c
6.4. Convergence en loi 111

une fonction relle quon appelle fonction de rpartition, dnie par

x R, FX (x) = IP (X x)

et une autre fonction appele fonction caractristique et note X dnie sur R


par
( )
t R, X (t) = E eitX .

On a vu aussi que deux variables alatoires ont mme loi (i. e. IP X = IP Y ) si et


seulement si elles ont la mme fonction de rpartition i. e. FX = FY .
Pour une suite de variables alatoire {Xn , n 1}, on note {Fn , n 1} (resp.
n ) la suite des fonctions de rpartitions associes (resp. la suite des fonctions
caractristiques associes) i.e. pour tout x, t R :

n 1, Fn (x) = FXn (x) et n (t) = Xn (t).

Dnition 6.6. Soient {Xn , n 1} une suite de variables alatoires relles,


{Fn , n 1} la suite des fonctions de rpartitions correspondantes. On dit que
{Xn , n 1} converge en loi vers une variable alatoire X de fonction de rpar-
tition FX , si
lim Fn (t) = FX (t),
n+

L
pour tout point t o FX est continue. On note Xn X.

Exemple 6.4. Soient > 0, {Xn , n 1} une suite de variables alatoires


indpendantes de mme fonction de densit :

f (x) = x(+1) 1]1,+[ (x).

et posons pour n 1 :
Yn = n max Xk .
1

1kn

La suite de variables alatoires {Yn , n 1} converge en loi vers la variable


Y de loi

fY (y) = y (+1) ey 1]0,+[ (y).

Boukhari.F
c
112 Chapitre 6. Convergence de suites de variables alatoires

En eet, on a pour tout x > 1, la fonction de rpartition pour chaque variable


Xn est
x
F (x) = t(+1) dt = 1 x .
0

Par suite, si x > 0 on peut crire :

( )
FYn (x) = IP n max Xk x
1

1kn
( 1
)
= IP max Xk n x
1kn
( 1
)
= IP 1 k n, Xk n x
( ( ))n
1
= F n x

( )n
1
= 1 .
nx

Par consquent,

x > 0, FYn (x) ex ,

lorsque n +, pour tout x > 0. Ceci prouve la convergence en loi de la suite


{Yn , n 1}. En drivant cette dernire fonction on obtient la loi de Y .

Dans bien des situations, il est dicile de montrer la convergence en loi dune
suite da variables alatoires en utilisant la dnition, cest pourquoi le rsultat
suivant peut tre dune grande utilit :

Proposition 6.2. Soient {Xn , n 1} une suite de variables alatoires relles,


{n , n 1} la suite des fonctions caractristiques correspondantes. Les trois
proprits suivantes sont quivalentes :
{Xn , n 1} converge en loi vers X.
Pour tout t R, limn+ n (t) = X (t).
Pour toute fonction continue et borne f : R R :

( ) ( )
lim E f (Xn ) = E f (X) .
n+

De cette dernire proposition, on peut dduire le rsultat suivant :

Proposition 6.3. Soient {Xn , n 1} une suite de variables alatoires relles,


h : R R une fonction continue. Si la suite {Xn , n 1} converge en loi vers

Boukhari.F
c
6.4. Convergence en loi 113

une variable alatoire X alors la suite {h(Xn ), n 1} converge en loi vers la


variable alatoire h(X).

Exemple 6.5. Soient {pn , n 1} une suite de nombres rels, {Xn , n 1} une
suite de variables alatoires relles. Supposons que pour tout n 1 :

0 < pn < 1, Xn , B(n, pn )

et quil existe > 0, vriant

lim npn = .
n+

L
Alors il existe une variable alatoire X , P(), telle que Xn X.

Solution:

Faisont appel au deuxime point de la Proposition 6.2 pour tablir ce rsultat,


en eet on sait (voir Chapitre 4 ) que si X , P(), alors pour tout t R,

it 1)
X (t) = e(e .

De mme, on a vu au chapitre 4 aussi que si n est la fonction caractristique


de la variable Xn , alors on a pour t R,

( )n
n (t) = 1 pn + pn eit .

Par consquent

( )n
n (t) = 1 pn (1 eit )
( (1 eit ) )n
= 1 npn .
n

Mais
lim npn =
n+

Boukhari.F
c
114 Chapitre 6. Convergence de suites de variables alatoires

Ainsi on a

( (1 eit ) )n
= e(e 1) = X (t).
it
lim n (t) = lim 1 npn
n+ n+ n

Do le rsultat.

6.5 Comparaison des modes de convergence


On a dni quatre modes de convergence, se sont les plus imprtants en pro-
babilit, prsent nous tudions les relations qui existent entre ces modes de
convergence, an de comprendre les direntes situations qui peuvent se pr-
senter. Nous commenons par le lien entre la convergence presque sre et la
convergence en probabilit :

Proposition 6.4. Soit {Xn , n 1} une suite de variables alatoires relles,


alors
Si {Xn , n 1} converge presque srement vers X alors elle converge en
probabilit vers X.
Il existe une suite {Xn , n 1} qui converge en probabilit mais qui ne
converge pas presque srement.
Si {Xn , n 1} converge en probabilit vers X alors il existe une suite de
nombres naturels positifs {mn , n 1} strcictement croissante, telle que la
sous-suite {Xmn , n 1} converge presque srement vers X.

Pour la convergence en moyenne et en moyenne quadratique, on a

Proposition 6.5. Soit {Xn , n 1} une suite de variables alatoires relles.


Si {Xn , n 1} converge en moyenne vers X alors elle converge en proba-
bilit vers X.
Il existe une suite {Xn , n 1} qui converge en probabilit mais qui ne
converge pas en moyenne.
Si {Xn , n 1} converge en moyenne quadratique vers X alors elle converge
en moyenne vers X et donc en probabilit vers X.

En n, concernant la convergence en loi, nous avons

Boukhari.F
c
6.5. Comparaison des modes de convergence 115

Proposition 6.6. Soit {Xn , n 1} une suite de variables alatoires relles,


alors
Si {Xn , n 1} converge en probabilit vers une v. a. r X, elle converge
aussi en loi vers X.
Il existe une suite {Xn , n 1} qui converge en loi mais qui ne converge
pas en probabilit.
Si {Xn , n 1} converge en loi vers une constante C alors elle converge
aussi en probabilit vers C.

Nous nallons pas donner la preuve des liens entre ces dirents modes de
convergence, car elle ncesssite des outils mathmatiques qui nentrent pas dans
le cadre de ce cours (thorie de la mesure), cependant nous donnerons quelques
exemples simples an dillustrer le fait quon peut avoir la convergence dans un
mode prcis et pas dans un autre.

La convegence en probabilit nimplique pas la convergence


presque sre :
Soit {Xn , n 1} la suite de variables alatoires indpendantes o chaque
variable Xn prend les valeurs 0 et 1 avec les probabilit respectives 1 n1 et n1 . On
a vu dans lexemple 6.1 que cette suite converge en probabilit vers 0, cependant
si 0 < < 1, alors

1
IP (|Xn 0| > ) = IP (Xn = 1) = = +.
n1 n1 n1 n

Daprs le deuxiemme point du Thorme 6.1, la suite {Xn , n 1} ne peut


pas converger vers 0 presque srement.

La convegence en probabilit nimplique pas la convergence


en moyenne :
Soit {Xn , n 1} la suite de variables alatoires o chaque variable Xn prend
les valeurs 0 et n avec les probabilit respectives 1 n1 et n1 . Comme pour lexemple
6.1, il nest pas dicile de vrier que cette suite converge en probabilit vers 0.
Dautre part
E(|Xn 0|) = E(Xn ) = 1.

Boukhari.F
c
116 Chapitre 6. Convergence de suites de variables alatoires

Ainsi cette suite ne converge pas en moyenne.

La convegence en loi nimplique pas la convergence en probabilit :


Soit X , N (0, 1), Y = X et posons pour n 1, Xn = X. Une variable
de loi N (0, 1) est symtrique, ainsi X et Y ont la mme loi, dautre part il est
vident que Xn converge en loi vers X donc vers Y aussi. Mais comme Z :=
X Y , N (0, 2), on peut voir que

1 + x2
IP (|Xn Y | 2) = IP (|X Y | 2) = IP (|Z| 2) = e 8 dx > 0.
2 1

Ainsi, la suite {Xn , n 1} ne converge pas en probabilit.

La convegence presque sre nimplique pas la convergence


en moyenne :
Soit {Xn , n 1} la suite de variables alatoires o chaque variable Xn prend
les valeurs 0 et n2 avec les probabilits respectives 1 n12 et 1
n2
. Remarquons tout
dabord que pour tout >0,

1
IP (|Xn 0| > ) = IP (Xn = n2 ) = < .
n1 n1 n1 n2

A prsent, le Thorme 6.1 permet de conclure que la suite {Xn , n 1} converge


presque srement vers 0. Dun autre cot

E(|Xn 0|) = E(Xn ) = 1.

Cette suite ne peut pas converger vers 0 en moyenne.

La convegence en moyenne nimplique pas la convergence


presque sre :
Soit {Xn , n 1} la suite de variables alatoires indpendantes o chaque

variable Xn prend les valeurs 0 et n avec les probabilits respectives 1 n1 et
1
n
. En faisant appel encore une fois au Thorme 6.1, on montre que cette suite
ne converge pas presque srement. Dautre part

1
E(|Xn 0|) = E(Xn ) = 0.
n

Boukhari.F
c
6.6. Lois des grands nombres 117

Par suite, cette suite converge vers 0 en moyenne. On arrive donc au rsultat
suivant :

Proposition 6.7. Soit {Xn , n 1} une suite de variables alatoires relles,


alors
La convergence presque sre implique la convergence en probabilit.
La convergence en probabilit implique la convergence en loi.
La convergence en moyenne implique la convergence en probabilit.
Les implications rciproques sont en gnral fausses.

6.6 Lois des grands nombres


Soit {Xn , n 1} une suite de variables alatoires indpendantes, Dans ce
paragraphe on sintresse au comportement des moyennes arithmtiques

1 n
Xn = Xk ,
n k=1

lorsque n devient de plus en plus grands. Les rsultats concernant ce problme


sont appels : Lois des Grands Nombres : (LGN). Ces rsultats ce dcomposent
en deux parties :
Lois fortes des grands nombres.
Lois faibles des grands nombres.
La dirence entre ces deux familles de rsultats rside dans le mode de
comportement quon tudie, dans la premire on sintresse au comportement
ponctuel(convergence presque sre), alors que dans la seconde on regarde le com-
portement en probabilit (convergence en probabilit) qui est plus faible.
Nous commenons par tablir deux rsultats de la seconde famille de lois :

Proposition 6.8. Soit {Xn , n 1} une suite de variables alatoire relles


indpendantes, centres et de carr intgrable. Supposons que

1 n
V ar(Xk ) 0,
n2 k=1

alors les moyennes {X n , n 1} convergent vers 0 en probabilit.

Boukhari.F
c
118 Chapitre 6. Convergence de suites de variables alatoires

Comme corollaire direct de ce rsultat, on obtient

Thorme 6.1. Soit {Xn , n 1} une suite de variables alatoire relles ind-
pendantes, de mme loi et de carr intgrable. Posons = E(X1 ), alors

X n ,

en probabilit lorsque n .

PREUVE
Pour k 1, posons Yk = Xk , 2 = V ar(Xk ) = V ar(Yk ). La suite
{Yn , n 1} est par construction une suite de v. a. r indpendantes et centres,
de plus
1 n
2
V ar(Yk ) = 0.
n2 k=1 n

Par la proposition prcdente,

1 n
(Xk ) 0,
n k=1

en probabilit, ainsi
1 n
Xn = Xk ,
n k=1
en probabilit.
Pour la seconde famille des lois des grands nombres, on a la loi forte des
grands nombres de Kolmogorov :

Thorme 6.2. Soit {Xn , n 1} une suite de variables alatoire relles, ind-
pendantes, intgrables et de mme loi. Posons = E(X1 ), alors

X n ,

presque surement lorsque n .

Boukhari.F
c
6.7. Le thorme de la limite centrale 119

6.7 Le thorme de la limite centrale

Le thorme de la limite centrale (TLC) est un thorme fondamental, non


seulement en calcul des probabilits mais galement en statistique mathmatique,
il arme grosso modo quune somme nie de variables alatoires indpendantes,
centres, de mme loi et de variance nie, se comporte en loi (lorsquelle est bien
normalise et lorsque n devient trs grand) comme une variable alatoire de loi
normale centre rduite. Ainsi on a pas besoin de connaitre la loi des variables
alatoire considres. Ce rsultat permet (entre autre) de construire un intervalle
de conance pour un paramtre inconnu, ou alors de faire un test dhypothse
dans la statistique mathmatique.

Thorme 6.3. Soit {Xn , n 1} une suite de variables alatoire relles, ind-
pendantes, de mme loi et de carr intgrable. Posons = E(X1 ) et
2 = V ar(X1 ), alors

1 n
L
(Xk ) N (0, 1),
n k=1

lorsque n +. Par consquent

(
1 n ) 1 x t2
x R, lim IP (Xk ) x = e 2 dt.
n+ n k=1 2

Remarque 6.2. Il faut bien noter quon nexige aucune information sur la loi
des variables alatoires conidres.

PREUVE
Pour k 1, posons
Xk
Yk = .

Les variables Yk ainsi dnies sont indpendantes, de mme loi, centres et
rduites i.e. E(Yk ) = 0 et V ar(Yk ) = 1. Posons pour tout k 1, t R :

1 n
1 n
Zk = (Xk ) = Yk ,
n k=1 n k=1

Boukhari.F
c
120 Chapitre 6. Convergence de suites de variables alatoires

( ) ( )
k (t) = E eitZk et (t) = E eitY1 .

Soit prsent n 1. En faisant appel lindpendance des variables Yk , on peut


crire

( it
n )
Yk
n (t) = E e n k=1


n ( it

)
Y
= E e n k

k=1
n
tY1 )
= (
k=1 n
tY1 )
= n ( .
n

Dautre part, les Yk ont une moyenne nulle et une variance qui vaut 1, par la
proposition 3.16 , la fonction admet au voisinage de 0, le dvelopement limit
suivant :
u2
(u) = 1 + o(u2 ).
2
Donc pour n assez grand on a

tY1 ) t2 t2
( = 1 + o( ).
n 2n 2n

Ainsi
( )n
t2 t2 t2
lim n (t) = lim n (t) = lim 1 + o( ) = e 2 .
n+ n+ n+ 2n 2n

La proposition 6.2 permet de conclure que la suite {Zn , n 1} converge en


loi vers une variable alatoire de loi N (0, 1), ceci prouve notre thorme.
En combinant ce thorme avec la proposition 6.3 on obtient

Proposition 6.9. Soit {Xn , n 1} une suite de variables alatoire relles,


indpendantes, de mme loi et de carr intgrable. Posons = E(X1 ) et
2 = V ar(X1 ), alors
1 n
L
Xk N (, 2 ),
n k=1

Boukhari.F
c
6.7. Le thorme de la limite centrale 121

lorsque n +. Par consquent

( 1 n ) 1 x (t)2 2
x R, lim IP Xk x = e 2 dt.
n+ n k=1 2

Boukhari.F
c
122 Chapitre 6. Convergence de suites de variables alatoires

6.8 Exercices
Exercice 6.1. Soient 0 < a < 1, X , G(a).
1. Calculer FX et X .
2. Calculer E(X) et V ar(X) par deux mthodes direntes.
A prsent, Soit (Xn )n1 une suite de v. a. r avec Xn , G( na ).
Montrer par deux mthodes direntes que ( Xnn )n1 converge en loi vers une
v. a. X dterminer.

Exercice 6.2. Soient 0 < a < 1, (Xn )n1 une suite de v. a. r.


1. On suppose que

n 1, Xn , U{1, 2, . . . , n}.

Montrer que ( Xnn )n1 converge en loi vers une v. a. U dterminer.


2. On suppose que
a
n 1 Xn , B(n, ).
n
Montrer que (Xn )n1 converge en loi vers une v. a. X dterminer.

Exercice 6.3. La probabilit quune pice de monnaie montre pile lors dun
lancers est p ]0, 1[. On lance cette pice n fois et on note respectivement Pn
et Fn le nombre de piles et de faces obtenus lors de ces lancers quon suppose
indpendants.
1. Quelle est la loi de la v. a. r Pn + Fn ?
2. Expliquer pourquoi les suites ( Pnn )n1 et ( Fnn )n1 converge presque srement
et donner leurs limites.
3. Montrer que

( 1 )
P 2p 1 (Pn Fn ) 2p 1 + 1,
n

lorsque n .
4. Montrer que pour tout n N ,

1 1 (1 p)n+1
E( )= .
1 + Pn (n + 1)p

Boukhari.F
c
6.8. Exercices 123

Exercice 6.4. Soit (Xn )n1 une suite de v. a. indpendantes de mme loi P(1).
n
On pose Sn = 1 Xk .
1. Montrer par rcurrence que Sn , P(n), pour tout n 1.
2. Appliquer le TLC la suite (Xn )n1 .
3. En dduire que

n
nk 1
lim en = .
n
k=1 k! 2

Exercice 6.5. Soient (Un )n1 une suite de v. a. r indpendantes de loi uniforme
sur [0, 1]. On pose pour tout n 1 :

(
n ) a
Yn = e n
Uk n

k=1

1. Etudier la convergence en loi de Zn = ln(Yn ).


2. Etudier la convergence en loi de Yn .

Exercice 6.6. Soient n 1, > 0 et (Xk )k1 une suite de v. a. r indpendantes


de mme loi P(), posons


n
n
Yn = (1 + Xk ), Zn = Xk .
k=1 k=1

1
1. Etudier la convergence presque sre de n
log(Yn ).
2. Calculer P (Zn = 0).
3. Etudier la convergence en moyenne de Zn .

Boukhari.F
c
Bibliographie

[1] Allab. K., Elments danalyse : fonction dune variable relle. OPU. 1991.

[2] Ash. R, B., Probability and measure theory. Harcourt Academic Press. 2000.

[3] Barbe. P, Ledoux. M., Probabilit. EDP Sciences., 2007.

[4] Bertsekas. P, Tsitsiklis. J. N., Introduction to Probability. Course 6.041-6.431


M.I.T. FALL. 2000.

[5] Cacoullos. T., Exercises in Probability. Springer-Verlag. 1989.

[6] Calot. G., Cours de calcul des Probabilits. Dunod. 1982.

[7] Gordon. H., Discrete Probability. Springer-Verlag New York, Inc. 1997.

[8] Gut. A., Probability : a graduate course. Springer texts in statistics. 2005.

[9] Jacod. J, Protter. P., Probability-Essentials. Springer-Verlag Berlin and Hei-


delberg Second edition. 2003

[10] Lefebvre. M., Basic Probability theory with applications. Springer. 2000.

[11] Miri. S. E., Algbe et Analyse. Polycopi, Universit Abou Bekr Belkaid.
2013.

[12] Redjdal, K. Cours de Probabilits. O.P.U. 1995.