Chapitre II:

Espérance Conditionnelle

Probabilités II

5ème année DS
A.U:2021-2022

Probabilités II Chapitre II:Espérance Conditionnelle 1 / 29

 Notion de Tribus - Filtrations

1 Notion de Tribus - Filtrations

2 Espérance conditionnelle

3 Propriétés de l’espérance conditionnelle

4 Conditionnement d’une v.a. par une autre v.a.

Probabilités II Chapitre II:Espérance Conditionnelle 2 / 29

 Notion de Tribus - Filtrations

Tribus construites à partir de variables aléatoires

Soit Ω un ensemble muni d’une tribu A. On rappelle qu’une tribu est un

sous-ensemble de l’ensemble P(Ω) des parties de Ω
1 contenant ∅ et Ω.
2 stable par passage au complémentaire.
3 stable par union ou intersection dénombrable.

Remarque :
Une sous-tribu B de A est une tribu sur Ω tel que B ⊂ A.

Probabilités II Chapitre II:Espérance Conditionnelle 3 / 29

 Notion de Tribus - Filtrations

Rappel : Variable aléatoire

Définition
Une variable aléatoire réelle est une application mesurable X de (Ω, A) dans
(R, B(R)), où B(R) est la tribu borélienne de R (c’est la plus petite tribu qui
contient tous les intervalles de R).
c-à-d ∀B ∈ B(R), on a :

{ω ∈ Ω, X (ω) ∈ B} = {X ∈ B} ∈ A.

Probabilités II Chapitre II:Espérance Conditionnelle 4 / 29

 Notion de Tribus - Filtrations

Tribus construites à partir de variables aléatoires

Définition
Soit X une variable aléatoire sur (Ω, A) à valeurs dans R. On note par σ(X ) la
plus petite sous tribu B de A, rendant l’application X B-mesurable.

Cette tribu représente l’information donnée par la connaissance de X .

Exemple : Soit X = 1A , avec A ∈ A. la tribu engendrée par X est :

σ(X ) = {∅, Ω, A, Ac }

Probabilités II Chapitre II:Espérance Conditionnelle 5 / 29

 Notion de Tribus - Filtrations

Tribus construites à partir de variables aléatoires

- Soient X1 , ..., Xn , n variables aléatoires sur (Ω, A) à valeurs dans R, on note :

σ(X1 , ..., Xn )

la plus petite sous tribu B de A rendant les applications X1 , ..., Xn B-mesurables.

De même cette tribu représente l’information donnée par la connaissance des
variables aléatoires X1 , ..., Xn .

Probabilités II Chapitre II:Espérance Conditionnelle 6 / 29

 Notion de Tribus - Filtrations

Filtration

Définition
Soit (Ω, A, P) un espace de probabilité, une filtration (Fn )n≥0 sur (Ω, A, P) est
une suite croissante de sous-tribus de A

Proposition
Soit (Xn , n ≥ 1) une suite de variables aléatoires réelles A-mesurables. On note,
pour tout n ≥ 1 :
Fn = σ(Xk , 1 ≤ k ≤ n).
Alors (Fn , n ≥ 1) est une suite croissante de tribus qui porte le nom de filtration
naturelle.
Pour un n ≥ 1 fixé, Fn représente l’information disponible à l’instant n.

Probabilités II Chapitre II:Espérance Conditionnelle 7 / 29

 Notion de Tribus - Filtrations

Filtration

Proposition
Soient X et Y deux variables aléatoires réelles, alors Y est dite σ(X )-mesurable si
et seulement si il existe une fonction f de R dans R, telle que :

P(Y = f (X )) = 1

- Ce résultat explique l’interprétation d’une tribu comme information.

- Si Y est σ(X )-mesurable, et si on connaît la valeur de X , on peut en déduire la
valeur de Y .

Probabilités II Chapitre II:Espérance Conditionnelle 8 / 29

 Espérance conditionnelle

1 Notion de Tribus - Filtrations

2 Espérance conditionnelle

3 Propriétés de l’espérance conditionnelle

4 Conditionnement d’une v.a. par une autre v.a.

Probabilités II Chapitre II:Espérance Conditionnelle 9 / 29

 Espérance conditionnelle

Espérance conditionnelle

Soit X une variable aléatoire réelle définie sur (Ω, A) et soit B ⊂ A une sous tribu
de A.

L’espérance conditionnelle vise à définir la notion de meilleure approximation de X

par une variable aléatoire B-mesurable.

Probabilités II Chapitre II:Espérance Conditionnelle 10 / 29

 Espérance conditionnelle

Espérance conditionnelle

Hypothèses :
On pose :
- HA ={X variable aléatoire A-mesurable telle que E (X 2 ) < +∞}.
C’est un espace de Hilbert : c’est un espace vectoriel complet muni d’une
norme dérivant du produit scalaire < X , Y >= E (XY ) et ||X ||2 =< X , X >.

- HB ={X variable aléatoire B-mesurable telle que E (X 2 ) < +∞}.

C’est un sous espace vectoriel fermé inclus dans HA .

Probabilités II Chapitre II:Espérance Conditionnelle 11 / 29

 Espérance conditionnelle

Espérance conditionnelle

Le théorème de projection sur un sous espace fermé dans un espace de Hilbert,

nous permet d’avoir le résultat suivant.
Proposition
Si X est une variable aléatoire telle que E(X 2 ) < +∞, il existe une unique
variable aléatoire Z , B-mesurable, telle que E(Z 2 ) < +∞ et vérifiant :

E[(X − Z )2 ] = inf E[(X − Y )2 ].

Y ∈HB

Z est la variable aléatoire la “plus proche” de X au sens de la norme de

l’espace de Hilbert HB .
Z est l’espérance conditionnelle de X sachant B que l’on note :

E[X |B]

Probabilités II Chapitre II:Espérance Conditionnelle 12 / 29

 Espérance conditionnelle

Espérance conditionnelle

Probabilités II Chapitre II:Espérance Conditionnelle 13 / 29

 Espérance conditionnelle

Espérance conditionnelle

Proposition
Il existe une unique variable aléatoire B-mesurable telle que E(Z 2 ) < +∞,
vérifiant pout toute variable aléatoire Y , B-mesurable et telle que E(Y 2 ) < +∞ :

E(XY ) = E(ZY ).

-Cette
p variable aléatoire Z est la meilleure approximation, au sens de la norme
E(X 2 ), de X parmi les variables aléatoires B-mesurables de carré intégrable.

Probabilités II Chapitre II:Espérance Conditionnelle 14 / 29

 Espérance conditionnelle

Espérance conditionnelle

La définition précédente ne permet pas de traiter le cas de variables aléatoires

seulement intégrables. On admet le résultat suivant :
Théorème
Soit X une variable aléatoire réelle telle que E(|X |) < +∞, alors il existe une
unique variable aléatoire B-mesurable Z telle que E(|Z |) < +∞ vérifiant ∀Y
B-mesurable et bornée :
E(XY ) = E(ZY )

On note la variable aléatoire Z sous la forme :

E (X |B)

C’est l’espérance conditionnelle de X sachant B.

Probabilités II Chapitre II:Espérance Conditionnelle 15 / 29

 Espérance conditionnelle

Espérance conditionnelle

Remarque :

Rappelons que toute variable aléatoire σ(X )-mesurable est de la forme f (X ).

Donc on aura
E(Y |X ) = E(Y |σ(X )) = f (X ), P − p.s
E(Y |X ) est donc la meilleure approximation de Y par une fonction de X .

Probabilités II Chapitre II:Espérance Conditionnelle 16 / 29

 Propriétés de l’espérance conditionnelle

1 Notion de Tribus - Filtrations

2 Espérance conditionnelle

3 Propriétés de l’espérance conditionnelle

4 Conditionnement d’une v.a. par une autre v.a.

Probabilités II Chapitre II:Espérance Conditionnelle 17 / 29

 Propriétés de l’espérance conditionnelle

Propriétés de l’espérance conditionnelle

Linéarité
E (λX + µY |B) = λE(X |B) + µE(Y |B), ∀(λ, µ) ∈ R2

Positivité
Si X ≥ 0, alors E(X |B) ≥ 0.
Si X ≥ Y , alors E(X |B) ≥ E (Y |B).

Mesurabilité de X
Si X est intégrable et B-mesurable alors :

E(X |B) = X .

Probabilités II Chapitre II:Espérance Conditionnelle 18 / 29

 Propriétés de l’espérance conditionnelle

Propriétés de l’espérance conditionnelle

"Sortir ce qui est connu"

Soit Z est une v.a. B-mesurable et bornée alors :

E(ZX |B) = Z E(X |B)

L’espérance de l’espérance conditionnelle

E(E(X |B)) = E(X )

Emboitement
Soit C une sous-tribu de B alors :

E(E(X |B)|C) = E(X |C)

Probabilités II Chapitre II:Espérance Conditionnelle 19 / 29

 Propriétés de l’espérance conditionnelle

Propriétés de l’espérance conditionnelle

Indépendance
Si X est indépendante de la tribu B alors :

E(X |B) = E(X )

Contraction pour la norme L2

 
2 2
E | E(X |B) | ≤ E(|X | )

Remarque :
On pourra déduire la contraction pour la norme L1 .
En effet d’après la positivité de l’espérance conditionnelle on a :

| E(X |B) | ≤ E(|X ||B)

Ce qui donne que :  

E | E(X |B) | ≤ E(|X |)

Probabilités II Chapitre II:Espérance Conditionnelle 20 / 29

 Propriétés de l’espérance conditionnelle

Propriétés de l’espérance conditionnelle

Lemme
Soient B une sous-tribu de A, X et Y deux v.a.réelles telsque X est indépendante
de B et Y est B-mesurable. On considère f : R2 → R une fonction mesurable
bornée alors :
E(f (X , Y )|B) = ψ(Y )
avec
ψ(y ) = E(f (X , y )), ∀y ∈ R

Probabilités II Chapitre II:Espérance Conditionnelle 21 / 29

 Conditionnement d’une v.a. par une autre v.a.

1 Notion de Tribus - Filtrations

2 Espérance conditionnelle

3 Propriétés de l’espérance conditionnelle

4 Conditionnement d’une v.a. par une autre v.a.

Probabilités II Chapitre II:Espérance Conditionnelle 22 / 29

 Conditionnement d’une v.a. par une autre v.a.

Conditionnement : Cas discret

Définition
Soit (X , Y ) un couple de variable aléatoires discrètes. On appelle distribution
conditionnelle de X sachant Y = y la fonction

FX |Y (x ) = P(X ≤ x |Y = y ),

définie pour les y tels que P(Y = y ) > 0. La distribution conditionnelle de X

sachant Y est la variable

FX |Y (x ) = P(X ≤ x |Y ).

On peut aussi introduire les fonctions de masse conditionnelles

fX |Y =y (x ) = P(X ≤ x |Y = y )

fX |Y (x ) = P(X ≤ x |Y ).

Probabilités II Chapitre II:Espérance Conditionnelle 23 / 29

 Conditionnement d’une v.a. par une autre v.a.

Exercice

Une poule pond un nombre aléatoire N d’oeufs qui suit une loi de Poisson de
paramètre λ. Les oeufs éclosent avec une probabilité p indépendamment les uns
des autres. Quelle est la loi du nombre X de poussins ?

Probabilités II Chapitre II:Espérance Conditionnelle 24 / 29

 Conditionnement d’une v.a. par une autre v.a.

Solution
Conditionnellement à N le nombre X suit une loi de binomial de paramètre N et
p.c-a-d
P(X = k|N = n) = Ckn p k (1 − p)n−k , k = 0, . . . , n
Par conséquent
λn
P(X = k, N = n) = P(X = k|N = n)P(N = n) = Ckn p k (1 − p)n−k e −λ .
n!
Puis
+∞ −λn k
X e p (1 − p)n−k e −λ
P(X = k) =
k!(n − k)!
n=k

En faisant le changement d’indice m = n − k on trouve

(p)k
P(X = k) = e −p
k!
Donc X suit une loi de Poisson de paramètre p.

Probabilités II Chapitre II:Espérance Conditionnelle 25 / 29

 Conditionnement d’une v.a. par une autre v.a.

Conditionnement : Cas discret

Définition
Soit X une v.a.d à valeurs dans {x1 , x2 , . . . , xn }. On suppose que X est intégrable.
On appelle espérance conditionnelle de X sachant Y = y la quantité
X
E(X |Y = y ) = xi P(X = xi |Y = y )
i

définie pour les y tels que P(Y = y ) > 0. On appelle espérance conditionnelle de
X sachant Y la v.a. X
E(X |Y ) = xi P(X = xi |Y )
i

Probabilités II Chapitre II:Espérance Conditionnelle 26 / 29

 Conditionnement d’une v.a. par une autre v.a.

Conditionnement : Cas continu

Définition
Soit X , Y un couple de v.a. ayant une densité f(X ,Y ) . On appelle densité
conditionnelle de X sachant Y = y la fonction

f(X ,Y ) (x , y )
fX |Y =y (x ) =
fY (y )

définie pour tout y telle que fY (y ) > 0.

Définition
On suppose que X est intégrable. On appelle espérance conditionnelle de X
sachant Y = y la quantité
Z
E(X |Y = y ) = xfX |Y =y (x )dx
R

Probabilités II Chapitre II:Espérance Conditionnelle 27 / 29

 Conditionnement d’une v.a. par une autre v.a.

Exemple
Soit (X , Y ) ayant pour densité la fonction la fonction
1
f(X ,Y ) (x , y ) = 10<y <x <1 .
x
La densité X est
Z Z x
1
fX (x ) = f(X ,Y ) (x , y )dy = ( dy )10<x <1 .
R x 0
Autrement dit X suit une loi uniforme sur [0, 1]. La densité conditionnelle de Y
sachant X est donnée par
f(X ,Y ) (x , y ) 10<y <x
fY |X =x (y ) = =
fX (x ) x
Pour tout y ∈ R et tout x ∈]0, 1[. Autrement dit, conditionnellement à X , la
variable Y est uniforme sur [0, X ]. En particulier
Z Z
y
E(Y |X ) = yfY |X =x (y )dy = 10<y <x dy
R R x
1 x
Z
X
= ydy = .
x 0 2
Probabilités II Chapitre II:Espérance Conditionnelle 28 / 29
 Conditionnement d’une v.a. par une autre v.a.

Exercice

Soit (Bt )t≥0 un mouvement brownien et 0 < s ≤ t.

1 Calculer E [Bt |Bs ] et E [Bs |Bt ].
2 Déterminer E [Bt2 |Bs ] et E [e λBt |Bs ], λ ∈ R

Probabilités II Chapitre II:Espérance Conditionnelle 29 / 29