Probabilités (partie 1)

Auteur : ET-TAHRI Fouad

Professeur agrégé de Mathématiques à l'école Royale de l'Air
ettahrifouad1@gmail.com

https://www.youtube.com/channel/UCWrHPjpNXZiGHqSw6hseiLw?view_as=subscriber
https://ettahrifouad1.wixsite.com/prepasmarrakech
9 mars 2021

1
 Probabilités (partie 1)

Sommaire
I) Espaces probabilisés 3
1) Espaces probabilisables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2) Espaces probabilisés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3) Événements négligeables, événements quasi certains . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4) Construction d'une probabilité sur un univers au plus dénombrable . . . . . . . . . . . . . . . . . . . . . . . . . . 5

II) Probabilités conditionnelles et indépendances 6

1) Probabilités conditionnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2) Indépendances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

III) Généralités sur les variables aléatoires réelles 9

1) Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2) Loi d'une variable aléatoire réelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3) Fonction de répartition FX d'une variable aléatoire réelle X . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4) Variables aléatoires réelles indépendantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

https://ettahrifouad1.wixsite.com/prepasmarrakech 2/12 ettahrifouad1@gmail.com

I) Espaces probabilisés
1) Espaces probabilisables

Dénition 1 (Expérience aléatoire).

¬ Une expérience aléatoire est une expérience qui ne donne pas le même résultat quand on répète l'expérience dans
des conditions identiques.
­ L'ensemble de résultats possibles d'une expérience aléatoire est appelé univers et noté Ω.

Exemples
I Soit n ∈ N∗ . On lance une pièce n fois, on compte le nombre de lancés pour avoir pille : Ω = [[1, n]] (est ni).
I On lance une pièce une innité de fois, on compte le nombre de pilles obtenus : Ω = N (est dénombrable).
I On observe une bactérie, on s'intéresse à la durée de vie de la bactérie : Ω = [0, +∞[ (intervalle de R, n'est pas dénom-
brable).

Dénition 2 (Tribu).
Soit Ω un ensemble non vide et T une famille de parties de Ω.
I On dit que T est une tribu sur Ω si :
B Ω∈T,
B T est stable par complémentaire : ∀A ∈ T , Ac ∈ T , [
B T est stable par union dénombrable : ∀n ∈ N, An ∈ T , An ∈ T .
n∈N
I Tout élément de T est appelé événement.

I Le couple (Ω, T ) est appelé espace probabilisable.

Exemples
I T = {∅, Ω} est une tribu sur Ω, dite la tribu grossière.
I T = P(Ω) est une tribu sur Ω, dite la tribu discrète.

Proposition 1 (Propriétés d'une tribu).

Soit (Ω, T ) un espace probabilisable, alors
I ∅∈T.
I ∀A, B ∈ T , A \ B\ ∈T.
I ∀(An )n∈N ∈ T ,N
An ∈ T .
n∈N

Remarque 1.
I On vérie aisément qu'une intersection de tribus sur Ω est une tribu sur Ω.
I Soit A ⊂ P(Ω). On appelle tribu engendrée par A l'intersection de toutes les tribus sur Ω qui contiennent A, c'est
la plus petite tribu sur Ω contenant A.
I Lorsque Ω = R, la tribu engendrée par l'ensemble des intervalles ouverts de R est dite la tribu borélienne de R et
notée B(R).

2) Espaces probabilisés

Dénition 3 (Probabilité).
Soit (Ω, T ) un espace probabilisable.
I On appelle probabilité sur l'espace (Ω, T ) toute application P : T → [0, 1] telle que :
B P(Ω) = 1, !
[ +∞
X
B Pour toute suite (An )n∈N d'événements deux à deux incompatibles (disjoints), on a P An = P(An ).
n∈N n=0
I La propriété précédente est appelée la σ -additivité de P.
I Le triplet (Ω, T , P) est appelé un espace probabilisé.

card(A)
Exemple (Probabilité uniforme) sur Ω un univers ni, on dénit la probabilité uniforme par ∀A ∈ P(Ω), P(A) = card(Ω) 

https://ettahrifouad1.wixsite.com/prepasmarrakech 3/12 ettahrifouad1@gmail.com

 Proposition 2 (Propriétés élémentaires).
Soit (Ω, T , P) un espace probabilisé.
¬ P(∅) = 0. !
n
[ n
X
­ Pour toute suite nie (Ai )1≤i≤n d'événement deux à deux incompatibles, P Ak = P(Ak ).
k=1 k=1
® ∀A ∈ T , P(Ac ) = 1 − P(A).

¯ ∀A, B ∈ T , P(A ∪ B) = P(A) + P(B) − P(A ∩ B).

° ∀A, B ∈ T , A ⊂ B =⇒ P(A) ≤ P(A) P(B \ A) = P(B) − P(B).

et

n
! n
[ X
± Pour toute suite nie (Ai )1≤i≤n d'événement, P Ak ≤ P(Ak ).
k=1 k=1
La propriété ± est appelée la sous-additivité de P.

Proposition 3 (Propriétés des suites d'événements).

Soit (Ω, T , P) un espace probabilisé et (An )n∈N une suite d'événements, alors
!
[
¬ Si (An )n∈N est croissante, alors lim P(An ) = P Ak .
n→+∞
k∈N
!
\
­ Si (An )n∈N est décroissante, alors lim P(An ) = P Ak .
n→+∞
! k∈N
[ +∞
X
® P Ak ≤ P(Ak ). cette propriété est appelée la σ -sous additivité de P.
k∈N k=0

Exercice 1
On lance un dé équilibré une innité de fois. Quelle est la probabilité que tous les lancés donnent le nombre 6.

Solution
Pour tout n ≥ 1, on considère les événements A " Tous les lancés donnent le nombre 6
An " Les n premiers
" et lancés donnent
6".  n
\ 1
Comme la suite (An )n≥1 est décroissante et A= An , alors P(A) = lim P (An ) = lim =0
n→+∞ n→+∞ 6
n≥1

Exercice 2
On lance un dé équilibré jusqu'à l'obtention d'un 2. Quelle est la probabilité que tous les nombres obtenus soient pairs.

Solution
Pour tout n ≥ 1, on considère les événements A " Tous les nombres obtenus soient pairs " et An " Les n − 1 premiers lancés
donnent 4
ou 6 et le n-ème lancé donne 2 ".
Comme les An sont disjoints (pour n < m, si An est réalisé alors le n-ème lancé donne 2 et si Am est réalisé, alors le n-ème lancé
+∞ +∞  n−1
[ X X 2 1 1
donne 4 ou 6, donc An ∩ Am = ∅) et A = An , alors P(A) = P (An ) = × = 
n=1 n=1
6 6 4
n≥1

Exercice 3 (Modèles des tirages)

On considère une urne contenant N1 billes blanches et N2 billes noires.
Soit n ∈ [[1, N1 ]], on considère l'expérience aléatoire : on tire n billes de l'urne.
Soit E l'événement "les billes tirées sont blanches ".
Calculer la probabilité de l'événement E dans les cas suivants :
I Le tirage est successif et sans remise (ou exhaustifs) : après chaque tirage la bille n'est pas remise dans l'urne.

I Le tirage est successif et avec remise (ou non exhaustifs) : après chaque tirage la bille est remise dans l'urne.

I Le tirage est simultané (c'est prendre en un seul tirage n billes).

Solution
On pose N = N1 + N2 le nombre de billes dans l'urne.

https://ettahrifouad1.wixsite.com/prepasmarrakech 4/12 ettahrifouad1@gmail.com

 N1 ×(N1 −1)×...×(N1 −n+1) An
N1
I P(E) = N ×(N −1)×...×(N −n+1) = An .
N

N1 ×N1 ×...×N1 (N1 )n

I P(E) = N ×N ×...×N = Nn .
n
CN
I P(E) = n
CN
1


3) Événements négligeables, événements quasi certains

Dénition 4 (Événement négligeable, quasi certain).

Soit (Ω, T , P) un espace probabilisé et A, B ∈ T .
¬ On dit que A est négligeable, si P(A) = 0.

­ On dit que B est quasi certain (on dit aussi presque sûr), si P(B) = 1.

Exemples
I L'événement impossible ∅ est négligeable.
I L'événement certain Ω est quasi-certain.

Proposition 4 (Propriétés quasi-certaines).

I A, B ∈ T tel que B ⊂ A, alors
Soit
B A est négligeable =⇒ B est négligeable.
B B est quasi-certain =⇒ A est quasi-certain.

I A, B ∈ T , alors
Soit
B A est négligeable =⇒ A ∩ B est négligeable.
B B est quasi-certain =⇒ A ∪ B est quasi-certain.
[
I Soit (An )n∈N une famille d'événements négligeables, alors An est négligeable.
n∈N
\
I Soit (Bn )n∈N une famille d'événements quasi certains, alors Bn est quasi certain.
n∈N

Exercice 4 (Lemme de Borel-Cantelli)

Soit (Ω, T , P) un espace probabilisé et (An )n∈N une suite d'événements.
X \ [
Montrer que, si la série P(An ) converge, alors Ak est négligeable.
n≥0 n∈N k≥n

Solution
   
\ [ [ \ [ [ +∞
X
Pour tout n ∈ N, Ak ⊂ Ak , donc 0 ≤ P Ak  ≤ P  Ak  ≤ P(Ak ).
n∈N k≥n k≥n n∈N k≥n k≥n k=n
 
X +∞
X \ [
Puisque la série P(An ) est convergente, alors P(Ak ) −→ 0, par suite P Ak  = 0 
n→+∞
n≥0 k=n n∈N k≥n

4) Construction d'une probabilité sur un univers au plus dénombrable

Proposition 5 (Construction d'une probabilité).

Soit (Ω, T ) un espace probabilisable et Ω est au plus dénombrable, alors
I Pour toute famille (pω )ω∈Ω de réels positifs sommable de somme 1, il existe une unique probabilité P sur (Ω, T )
dénie par ∀ω ∈ Ω, pω = P({ω}).

X
I Dans ce cas ∀A ∈ T , P(A) = pω .
ω∈A

I On dit que la famille (pω )ω∈Ω dénit une loi de probabilité sur (Ω, T ).

Exemples
n k n−k


I Soit p ∈ [0, 1], ∀k ∈ Ω = [[0, n]], pk =k p (1 − p) .
(pk )k∈[[0,n]] dénit une loi de probabilité sur ([[0, n]], P([[0, n]]), dite loi uniforme de paramètre n et p.

https://ettahrifouad1.wixsite.com/prepasmarrakech 5/12 ettahrifouad1@gmail.com

 +∞
∗ 1
X 1
I Soit s > 1. ∀k ∈ Ω = N , pk = ζ(s)ks où ζ(s) = s
.
n=1
n
∗ ∗
(pk )k∈N∗ dénit une loi de probabilité sur (N , P(N ), dite loi zêta de paramètre s.

II) Probabilités conditionnelles et indépendances

On xe un espace probabilisé (Ω, T , P).

1) Probabilités conditionnelles

Dénition 5 (Probabilité conditionnelle).

Soit B∈T (P(B) > 0.
tel que

T → [0, 1]
L'application PB : est une probabilité sur (Ω, T ), appelée probabilité conditionnelle sachant l'événement
A 7→ P(A∩B)
P(B)
B.
(On note aussi P(A/B) = PB (A)).

Remarque 2 (Méthode pratique).

Dans la pratique, pour calculer P(A/B), on réalise l'événement B, puis on calcule la probabilité de A sous les nouvelles
conditions de l'expérience.

Théorème 1 (Formule des probabilités composées).

n−1
! n
! n−1
!
\ \ \
Soit A1 , ..., An ∈ T tel que P Ak > 0, alors P Ak = P(A1 )P(A2 /A1 )P(A3 /A1 ∩ A2 )...P An / Ak .
k=1 k=1 k=1

Remarque 3.
La formule des probabilités composées permet de calculer la probabilité d'une intersection d'évènements dépendants à
l'aide de probabilités conditionnelles.

Exercice 5
Soit n ∈ N∗ . Une urne contient n boules blanches et n boules rouges. On tire les boules deux par deux et sans remise jusqu'à
vider l'urne.
¬ Calculer la probabilité pn que l'on tire à chaque tirage une boule blanche et une boule rouge.
­ Étudier la convergence de la suite (pn )n∈N∗ . Interpréter le résultat.

Solution
Pour k ∈ [[1, n]], on!note Ak l'évènement " on tire une boule blanche et une boule rouge au k-ème tirage ".
\n
¬ pn = P Ak , On utilise la formule des probabilités composées
k=1

n−1
!
\
pn = P(A1 )P(A2 /A1 )P(A3 /A1 ∩ A2 )...P An / Ak
k=1
n n n−1 n−1 1 1







1 × 1 1 × 1 1 × 1 n!2n
= 2n

× 2n−2

× ... × 2

=
2 2 2
(2n)!

2(n+1)2
pn+1
X
­ Comme ∀n ≥ 1, pn > 0 et
pn = → 21
(2n+1)(2n+2) n→+∞ < 1,
pn convergente, par suite
par le critère d'Alembert, la série
n≥1
pn → 0. Quand le nombre de boules est très grand, il est très peu probable de tirer à chaque fois une boule blanche et une
n→+∞
boule rouge 

https://ettahrifouad1.wixsite.com/prepasmarrakech 6/12 ettahrifouad1@gmail.com

 Dénition 6 (Système complet d'événements).
Soit (Ak )k∈I une famille d'événements.
 0 0
∀k, k ∈ I, k 6= k =⇒ Ak ∩ Ak0 = ∅
(Ak )k∈I
[
On dit que est un système complet d'événements si : Ak = Ω

k∈I
C'est à dire (Ak )k∈I est une partition de Ω.

Théorème 2 (Formule des probabilités totales).

Soit (Ak )k∈I un système complet d'événements, tous de probabilité non nulle et B∈T, alors

X X
P(B) = P(B ∩ Ak ) = P(B/Ak )P(Ak )
k∈I k∈I

Remarque 4.
La formule des probabilités totales est un théorème qui permet de calculer la probabilité d'un événement B en le décom-
posant suivant un système complet d'événements (Ak )k∈I .
!
[ [
B =B∩Ω=B∩ Ak = (B ∩ Ak )
k∈I k∈I

Théorème 3 (Formule de Bayes).

P(B/A)P(A)
Soit A et B deux événements de probabilités non nulles, alors P(A/B) = P(B) .

Exercice 6
Une urne A contient 6 boules blanches et 5 noires, tandis qu'une urne B contient 4 boules blanches et 8 boules noires. On
transfère aléatoirement deux boules de l'urne B dans l'urne A, puis on tire une boule dans l'urne A.
¬ Calculer la probabilité que l'on tire une boule blanche.
­ On a tiré une boule blanche. Calculer la probabilité qu'au moins une boule blanche ait été transférée de l'urne B à l'urne A.
Solution
Notons B l'évènement " on a tiré une boule blanche " et pour k ∈ [[0, 2]], Ak l'évènement " on a transféré k boules blanches de
l'urneB dans l'urne A ".
(82) 28 (8)(4) (42)
On a P(A0 ) = 12 =
66 , P(A1 ) = 1 12 1 = 32
66 , P(A2 ) = 12 6
= 66 .
(2) (2) (2)
¬ Comme (A0 , A1 , A2 ) est un système complet d'événements, d'après la formule des probabilités totales

P(B) = P(B/A0 )P(A0 ) + P(B/A1 )P(A1 ) + P(B/A2 )P(A2 )

6 28 7 32 8 6 220
= × + × + × =
13 66 13 66 13 66 429
­ On utilise la formule de Bayes

P(A1 ∪ A2 /B) = P(A1 /B) + P(A2 /B)

P(B/A1 )P(A1 ) P(B/A2 )P(A2 )
= +
P(B) P(B)
429 7 32 429 8 6 34
= × × + × × =
220 13 66 220 13 66 55

2) Indépendances

L'indépendance est une notion probabiliste qualiant de manière intuitive des événements aléatoires n'ayant aucune inuence
l'un sur l'autre. Il s'agit d'une notion très importante en statistique et en théorie des probabilités.

Dénition 7 (Couple d'événements indépendants).

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

https://ettahrifouad1.wixsite.com/prepasmarrakech 7/12 ettahrifouad1@gmail.com

 Remarque 5.
Si de plus P(B) > 0, alors A et B sont indépendants si, et seulement si, P(A/B) = P(A).
C'est à dire la réalisation de l'un des événements aléatoires n'a aucune inuence sur l'autre.

Proposition 6.

c
A et B sont indépendants

Si A et B sont deux événements indépendants, alors Ac et B sont indépendants

 c
A et B c sont indépendants

Dénition 8 (Famille mutuellement indépendants).

Une famille (Ak )k∈I d'événements est dite mutuellement indépendants si pour toute partie J ni de I,
!
\ Y
P Ak = P(Ak )
k∈J k∈J

Remarque 6.
Une famille (Ak )k∈I d'événements deux à deux indépendants n'est pas nécessairement mutuellement indépendants, comme
le montre l'exemple suivant :
On lance deux dés équilibrés,
A " Le premier nombre obtenu est pair ", B " Le deuxième nombre nombre est pair " et C " La somme des nombres
obtenus est pair ".

Exercice 7 (Indicatrice d'Euler)

Soit n≥2 un entier naturel.
On considère l'expérience aléatoire : on choisit de manière équiprobable un des entiers compris entre 1 et n.
p
Soit un diviseur positif de n et Ap l'événement " le nombre choisi est divisible par p ".
¬ Vérier que P(Ap ) = p1 .
­ Soient p1 , p2 , ..., pr les diviseurs premiers de n.
(a) Montrer que les événements Ap1 , Ap2 , ..., Apr sont mutuellement indépendants.
(b) On désigne par ϕ(n) la fonction indicatrice d'Euler dénie sur N∗ par ϕ(n) = card{k ∈ [[1, n]], k ∧ n = 1}.
i) Exprimer l'événement A  le nombre choisi est premier avec n en fonction de Ap1 , Ap2 , ..., Apr .
ii) En déduire que
r   Y  
Y 1 1
ϕ(n) = n 1− =n 1−
i=1
pi p premier
p
p divise n

Solution
Comme p est un diviseur positif de n, ∃q ∈ N, n = pq .

¬ Soit c ∈ [[1, n]].

c ∈ Ap ⇐⇒ ∃k ∈ Z, c = kp
⇐⇒ ∃k ∈ [[1, q]], c = kp, car 1 6 c 6 n ⇐⇒ 1 6 kp 6 pq ⇐⇒ 1 6 k 6 q
⇐⇒ c ∈ {p, 2p, 3p, ..., qp}
card(Ap ) q 1
Ainsi Ap = {p, 2p, 3p, ..., qp}, par suite P(Ap ) = card([[1,n]]) = n = p.

­ (a) Montrons que les événements Ap1 , Ap2 , ..., Apr sont mutuellement indépendants.

https://ettahrifouad1.wixsite.com/prepasmarrakech 8/12 ettahrifouad1@gmail.com

  
\ s
Y
Soit J = {n1 , ..., ns } une partie (ni) de [[1, r]], a-t-on P Apnk  = P(Apnk ) ?
16k6s k=1

\
c∈ Apnk ⇐⇒ ∀k ∈ [[1, s]], c ∈ Apnk
16k6s
⇐⇒ ∀k ∈ [[1, s]], pnk divise c
Ys
⇐⇒ ∀k ∈ [[1, s]], pnk divise c
k=1
car des nombres premiers distincts sont premiers entre eux
s
Y
⇐⇒ c ∈ Ap avec p = p nk
k=1

\ s
Y
Ainsi Ap n k = Ap avec p= pnk
16k6s k=1
 
s s
\ 1 1 Y 1 Y
Par suite P Apnk  = P(Ap ) = = s = = P(Apnk ).
p Y pnk
16k6s p nk k=1 k=1

k=1
(b) i) Soit k ∈ [[1, n]].

k ∈ A ⇐⇒ k∧n=1
⇐⇒ ∀i ∈ [[1, r]], k ∧ pi = 1, car p1 , p2 , ..., pr les diviseurs premiers de n
⇐⇒ ∀i ∈ [[1, r]], pi ne divise pas k
⇐⇒ ∀i ∈ [[1, r]], k ∈ (Api )c
\ r
⇐⇒ k ∈ (Api )c
i=1

r
\
Ainsi A= (Api )c .
i=1
card(A) card{k∈[[1,n]], k∧n=1}
ii) On a P(A) = card([[1,n]]) n = = ϕ(n)
n .
D'autre part , puisque les événements Ap1 , Ap2 , ..., Apr sont mutuellement indépendants, alors
r
! r r r  
\
c
Y Y Y 1
P(A) = P (Api ) = P ((Api )c ) = (1 − P(Api ) = 1− . Par suite
i=1 i=1 i=1 i=1
pi

r    
Y 1 Y 1
ϕ(n) = n 1− =n 1− 
i=1
pi p premier
p
p divise n

III) Généralités sur les variables aléatoires réelles

On xe un espace probabilisé (Ω, T , P).

1) Généralités

Dénition 9 (Variable aléatoire réelle).

On appelle variable aléatoire réelle sur (Ω, T , P) toute application X : Ω → R telle que pour tout a ∈ R, X −1 (]−∞, a]) ∈ T .

Remarque 7.
Toute application de X : Ω −→ R est une variable aléatoire sur (Ω, P(Ω), P).

https://ettahrifouad1.wixsite.com/prepasmarrakech 9/12 ettahrifouad1@gmail.com

Exemples (
Ω→R
I Soit c ∈ R, X : est une v.a.r, appelée variable aléatoire constante.
ω 7→ c
(
−1 ∅ si a < c −1
car X (] − ∞, a]) = , d'où X (] − ∞, a]) ∈ T .
Ω si a ≥ c
(
Ω→R
I Soit A ∈ T , X : est une v.a.r. où 1A désigne la fonction indicatrice de A
ω 7→ 1A (ω)

∅
 si a < 0
−1 c −1
en eet X (] − ∞, a]) = A si 0 ≤ a < 1 , donc X (] − ∞, a]) ∈ T .

Ω si a ≥ 1


I On considère l'expérience aléatoire " on lance une pièce " (donc Ω = {P, F }).
Soit X " le nombre de pilles obtenus ".

Ω −→ (
 R
Alors X: 1 si ω=P est une v.a.r sur (Ω, P(Ω), P).
ω 7−→

0 si ω=F
I On considère l'expérience aléatoire " on lance un dé deux fois " (donc Ω = {(i, j)/ i, j ∈ [[1, 6]]}).
Soit X " le
(somme des nombres obtenus ".
Ω −→ R
Alors X: est une v.a.r sur (Ω, P(Ω), P).
ω = (i, j) 7−→ i + j
Notation
Soit X une v.a.r sur (Ω, T , P) et A ⊂ R, On note (X ∈ A) l'ensemble X −1 (A) = {ω ∈ Ω, X(ω) ∈ A}.
En particulier, si a ∈ R, (X = a) = {ω ∈ Ω, X(ω) = a}, (X ≤ a) = {ω ∈ Ω, X(ω) ≤ a} et (X > a) = {ω ∈ Ω, X(ω) > a}.

Proposition 7 ((X ∈ A) est un événement).

Soit X une v.a.r sur (Ω, T , P) et A est une partie de R obtenu en opérant par passages au complémentaire, par réunions,
par intersections sur une famille au plus dénombrable d'intervalles de la forme ] − ∞, x], x ∈ R, alors (X ∈ A) ∈ T .
En particulier, pour tout intervalle I de R, (X ∈ I) ∈ T .

Proposition 8 (Opérations sur les variables aléatoires).

¬ Soit X une v.a.r sur (Ω, T , P) et f :R→R continue ou monotone, alors f (X) est une v.a.r sur (Ω, T , P).

­ Soit X1 , X2 , ..., Xn des v.a.r sur (Ω, T , P) et f : Rn → R continue, alors f (X1 , X1 , ..., Xn ) est une v.a.r sur (Ω, T , P).

® Soit (Xn )n∈N une suite de variable aléatoire qui converge simplement vers une application X : Ω → R, alors X est
une v.a.r sur (Ω, T , P).

Exemples
I Si X est une v.a.r sur (Ω, T , P), alors [X], X 2 sont des v.a.r sur (Ω, T , P).

I Si X, Y sont des v.a.r sur (Ω, T , P), alors X + Y , XY sont des v.a.r sur (Ω, T , P).
Application 1.
n
X n
Y
Soit X1 , X2 , ..., Xn des v.a.r sur (Ω, T , P), alors Xk , Xk , min(X1 , X2 , ..., Xn ) et max(X1 , X2 , ..., Xn ) sont des v.a.r
k=1 k=1
sur (Ω, T , P).

2) Loi d'une variable aléatoire réelle

On désigne par I(R) l'ensemble des intervalles de R.

Dénition 10 (Loi d'une variable aléatoire réelle).

(
I(R) −→ [0, 1]
Soit X une v.a.r sur (Ω, T , P), on appelle loi de X l'application PX :
J 7−→ PX (J) = P(X ∈ J)

https://ettahrifouad1.wixsite.com/prepasmarrakech 10/12 ettahrifouad1@gmail.com

 (
0 si c∈
/J
Exemple (Loi d'une v.a.r constante) La loi de la v.a.r constante X=c est donnée par : PX (J) = . 
1 si c∈J

Dénition 11 (Loi d'une famille nie de v.a.r).

Soit (X1 , ..., Xn ) une famille de variables aléatoires sur (Ω, T , P), on appelle loi de (X1 , ..., Xn ) l'application

 n
I(R) −→ [0, 1]
 !
n
P(X1 ,...,Xn ) : \
I1 × ... × In 7−→ P
 (Xk ∈ Ik )
k=1

Dénition 12 (Loi conditionnelle de X sachant A .

)

Soit X une v.a.r sur (Ω, T , P) et A un événement non négligeable.

on appelle loi de X sachant A l'application
(
I(R) −→ [0, 1]
(PA )X :
J 7−→ P((X∈J)∩A)
P(A)

C'est la loi de X sous la probabilité conditionnelle PA sachant A.

3) Fonction de répartition FX d'une variable aléatoire réelle X

Dénition 13 (Fonction de répartition FX de X ).
Soit X une v.a.r sur (Ω, T , P), on appelle fonction de répartition FX de X l'application

(
R −→ R
FX :
t 7−→ PX (t) = P(X ≤ t)

Exemples (
0 si t≤c
I La fonction de répartition de la v.a.r constante X=c est donnée par : FX (t) = .
1 si t > c

I On considère l'expérience aléatoire " on lance une pièce deux fois, de faces numérotées par 1 et 2 ".
Soit X " la somme
 des nombres obtenus ".

 0 si t<2
1

si 26t<3
Alors FX (t) = 4
3
 si 36t<4
4


1 si t>4

Proposition 9 (Propriétés de FX ).
I FX est croissante sur R.

I FX est continue à droite en tout point de R.

I FX est continue en t si, et seulement si, P(X = t) = 0.

I lim FX (t) = 0 et lim FX (t) = 1.

t→−∞ t→+∞

https://ettahrifouad1.wixsite.com/prepasmarrakech 11/12 ettahrifouad1@gmail.com

 Proposition 10 (FX caractérise la loi de X ).
Soit X une v.a.r sur (Ω, T , P) et FX sa fonction de répartition.
Pour tout a, b ∈ R tels que a < b, on a :

I P(X > a) = 1 − FX (a) et P(X < a) = lim FX (x).

x→a−

I P(X ≥ a) = 1 − lim− FX (x) et P(X ≤ a) = FX (a).

x→a

I P(a < X ≤ b) = FX (b) − FX (a) et P(a ≤ X ≤ b) = FX (b) − lim− FX (x).

x→a

I P(a ≤ X < b) = lim FX (x) − lim FX (x) et P(a < X < b) = lim FX (x) − FX (a).
x→b− x→a− x→b−

Dénition 14 (Fonction de répartition d'une famille).

Soit (X1 , X2 , ..., Xn ) une famille de v.a.r sur (Ω, T , P), on appelle fonction de répartition F(X1 ,X2 ,...,Xn ) de (X1 , X2 , ..., Xn )
l'application
 n
R −→ R
 !
n
F(X1 ,X2 ,...,Xn ) : \
(t1 , ..., tn ) 7−→ P
 (Xk ≤ tk )
k=1

4) Variables aléatoires réelles indépendantes

Dénition 15 (Famille nie de v.a.r indépendante).

Une famille (Xj )j∈J de variables aléatoires sur (Ω, T , P) est dite indépendante si, pour toute famille (Ij )j∈I d'intervalles
de R la famille ((Xj ∈ Ij ))j∈J d'événements est indépendante.

Exemple On lance un dé deux fois, on note X "le premier nombre obtenu" et Y "le deuxième nombre obtenu", alors X et Y
sont indépendantes, (car le deuxième lancé ne dépend pas du premier). 

Théorème 4 (Indépendance héritée).

Soit (Xj )1≤j≤n une famille de variables aléatoires sur (Ω, T , P) indépendante et 1 ≤ n1 < n2 < ... < nk ≤ n, alors la
famille (f1 (Xn1 , ..., Xn2 ), f2 (Xn2 +1 , ..., Xn3 ), ...., f2 (Xnk−1 +1 , ..., Xnk )) est indépendante.

Exemples
I Si (X, Y ) est indépendante, alors (f (X), g(Y )) est indépendante.
En particulier (X, Y 2 ) est indépendante.
I Si (X, Y, Z) est indépendante, alors les familles (f1 (X), f2 (Y ), f3 (Z)), (g1 (X, Y ), g2 (Z)), (h1 (X), h2 (Y, Z)) et (k1 (X, Z), k2 (Y ))
sont indépendantes.
En particulier (X + Y, Z 2 ) est indépendante.

https://ettahrifouad1.wixsite.com/prepasmarrakech 12/12 ettahrifouad1@gmail.com