Cours 4 : Probabilités Approfondies

Licence de Mathématiques

Table des matières

1 Espaces Probabilisés 2
1.1 Vocabulaire des Ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Tribus et Probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Propriétés Élémentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Cas Particuliers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Probabilités Conditionnelles 3
2.1 Dénition et Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Formule des Probabilités Totales . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3 Théorème de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.4 Indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3 Variables Aléatoires Discrètes 5
3.1 Dénition et Loi de Probabilité . . . . . . . . . . . . . . . . . . . . . . . . 5
3.2 Espérance et Variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.3 Lois Discrètes Usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.4 Couple de Variables Aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . 6
4 Variables Aléatoires Continues 7
4.1 Densité de Probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
4.2 Lois Continues Usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
5 Théorèmes Limites 8
5.1 Loi des Grands Nombres . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.2 Théorème Central Limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
Annexe : Lois Usuelles 9

1
1 Espaces Probabilisés
1.1 Vocabulaire des Ensembles
Dénition 1.1 (Expérience aléatoire). Une expérience aléatoire est une expérience
dont le résultat n'est pas prévisible avec certitude, mais dont on peut décrire l'ensemble
des résultats possibles.
Dénition 1.2 (Univers). L'univers, noté Ω, est l'ensemble de tous les résultats possibles
d'une expérience aléatoire.
Dénition 1.3 (Événement). Un événement est une partie de Ω (un sous-ensemble de
résultats possibles).
 Ω : événement certain
 ∅ : événement impossible
 {ω} : événement élémentaire
Dénition 1.4 (Opérations sur les événements). Soient A, B ⊂ Ω deux événements.
 A ∪ B : A ou B (au moins l'un des deux)
 A ∩ B : A et B (les deux à la fois)
 Ā = Ω \ A : contraire de A (non A)
 A ⊂ B : A implique B
 A et B sont incompatibles si A ∩ B = ∅
1.2 Tribus et Probabilité
Dénition 1.5 (Tribu). Une tribu (ou σ-algèbre) sur Ω est une famille F de parties de
Ω telle que :
1. Ω ∈ F
2. A ∈ F =⇒ Ā ∈ F (stabilité par passage auScomplémentaire)
3. Pour toute suite (A ) d'éléments de F , A ∈ F (stabilité par union dé-
nombrable)
n n∈N n∈N n

Dénition 1.6 (Probabilité). Une probabilité sur (Ω, F) est une application P : F →
[0, 1] telle que :
1. P(Ω) = 1
2. Pour toute suite (A ) d'événements deux à deux incompatibles (A ∩ A = ∅
pour i ̸= j) :
n n∈N i j

!
[ X
P An = P(An )
n∈N n∈N

(σ-additivité)
Le triplet (Ω, F, P) est appelé espace probabilisé.

2
1.3 Propriétés Élémentaires
Propriété 1.1. Pour tous événements A, B :
1. P(∅) = 0
2. P(Ā) = 1 − P(A)
3. Si A ⊂ B, alors P(A) ≤ P(B)
4. P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
5. P(A ∪ B) ≤ P(A) + P(B) (inégalité de Boole)
Propriété 1.2 (Formule du crible de Poincaré). Pour n événements A , . . . , A : 1 n

n
! n
[ X X
P Ai = (−1)k−1 P(Ai1 ∩ Ai2 ∩ · · · ∩ Aik )
i=1 k=1 1≤i1 <i2 <···<ik ≤n

1.4 Cas Particuliers

Dénition 1.7 (Univers ni ou dénombrable). Si Ω est ni ou dénombrable, on prend
généralement F = P(Ω) (toutes les parties).
Dénition 1.8 (Probabilité uniforme sur un univers ni). Si Ω est ni de cardinal N , la
probabilité uniforme est dénie par :
|A|
P(A) =
N
Chaque événement élémentaire a la même probabilité . 1
N

Exemple 1.1. Lancer d'un dé équilibré : Ω = {1, 2, 3, 4, 5, 6}, P({i}) = . P(nombre pair) = 1

= .
6
3 1
6 2

2 Probabilités Conditionnelles
2.1 Dénition et Propriétés
Dénition 2.1 (Probabilité conditionnelle). Soit B un événement tel que P(B) > 0. Pour
tout événement A, on dénit la probabilité conditionnelle de A sachant B par :
P(A ∩ B)
P(A | B) =
P(B)

Propriété 2.1. L'application A 7→ P(A | B) est une probabilité sur (Ω, F).
Théorème 2.1 (Formule des probabilités composées). Pour des événements A , A , . . . , A
tels que P(A ∩ · · · ∩ A ) > 0 :
1 2 n
1 n−1

P(A1 ∩A2 ∩· · ·∩An ) = P(A1 )×P(A2 | A1 )×P(A3 | A1 ∩A2 )×· · ·×P(An | A1 ∩· · ·∩An−1 )

3
2.2 Formule des Probabilités Totales
Dénition 2.2 (Système complet d'événements). Une famille {B , B , . . . , B } d'événe-
ments est un système complet si :
1 2 n

1. SLes B sont deux à deux incompatibles (B ∩ B = ∅ pour i ̸= j)

i i j

2. B = Ω
n
i

3. P(B ) > 0 pour tout i

i=1

Théorème 2.2 (Formule des probabilités totales). Soit {B , . . . , B } un système complet

d'événements. Alors pour tout événement A :
1 n

n
X
P(A) = P(A | Bi )P(Bi )
i=1

2.3 Théorème de Bayes

Théorème 2.3 (Théorème de Bayes). Soit {B , . . . , B } un système complet d'événe-
ments. Pour tout i et pour tout événement A tel que P(A) > 0 :
1 n

P(A | Bi )P(Bi )
P(Bi | A) = Pn
j=1 P(A | Bj )P(Bj )

Exemple 2.1 (Test médical). Un test pour une maladie a une sensibilité de 95% (P(T | +

M ) = 0.95) et une spécicité de 90% (P(T | M̄ ) = 0.90). La prévalence de la maladie

−

est de 1% (P(M ) = 0.01). Quelle est la probabilité d'être malade si le test est positif?
Par Bayes :
0.95 × 0.01 0.0095
P(M | T + ) = ≈ ≈ 0.0876
0.95 × 0.01 + 0.10 × 0.99 0.0095 + 0.099
Seulement 8.76% de chance d'être malade malgré un test positif!
2.4 Indépendance
Dénition 2.3 (Indépendance de deux événements). Deux événements A et B sont dits
indépendants si :
P(A ∩ B) = P(A)P(B)
Si P(B) > 0, cela équivaut à P(A | B) = P(A).
Dénition 2.4 (Indépendance mutuelle). Des événements A , . . . , A sont mutuelle-
ment indépendants si pour toute sous-famille {i , . . . , i } :
1 n
1 k

k
Y
P(Ai1 ∩ · · · ∩ Aik ) = P(Aij )
j=1

Remarque 2.1. L'indépendance deux à deux n'implique pas l'indépendance mutuelle.

4
3 Variables Aléatoires Discrètes
3.1 Dénition et Loi de Probabilité
Dénition 3.1 (Variable aléatoire discrète). Une variable aléatoire discrète X est
une fonction X : Ω → R telle que X(Ω) soit ni ou dénombrable.
Dénition 3.2 (Loi de probabilité). La loi de X est la donnée des probabilités P(X = x )
pour tous les x ∈ X(Ω). On a :
i
i
X
P(X = xi ) = 1
xi ∈X(Ω)

Dénition 3.3 (Fonction de répartition). La fonction de répartition de X est FX (x) =

P(X ≤ x) pour tout x ∈ R.
3.2 Espérance et Variance
Dénition 3.4 (Espérance). L'espérance (ou moyenne) d'une variable aléatoire discrète
X est : X
E[X] = x · P(X = x)
x∈X(Ω)

sous réserve de convergence absolue.

Propriété 3.1 (Linéarité de l'espérance). Pour toutes variables aléatoires X, Y et tous
réels a, b :
E[aX + bY ] = aE[X] + bE[Y ]

Dénition 3.5 (Variance et écart-type). La variance de X est :

V(X) = E[(X − E[X])2 ] = E[X 2 ] − E[X]2

L'écart-type est p
σ(X) = V(X) .
Propriété 3.2. Pour tous réels a, b :
V(aX + b) = a2 V(X)

3.3 Lois Discrètes Usuelles

Dénition 3.6 (Loi de Bernoulli). Une variable X suit une loi de Bernoulli de para-
mètre p ∈ [0, 1] si :
P(X = 1) = p, P(X = 0) = 1 − p
On note X ∼ B(p).
E[X] = p
V(X) = p(1 − p)

5
Dénition 3.7 (Loi binomiale). Une variable X suit une loi binomiale de paramètres
n ∈ N et p ∈ [0, 1] si elle compte le nombre de succès dans n épreuves de Bernoulli
∗

indépendantes :  
n k
P(X = k) = p (1 − p)n−k , k = 0, 1, . . . , n
k
On note X ∼ B(n, p).
E[X] = np
V(X) = np(1 − p)
Dénition 3.8 (Loi géométrique). Une variable X suit une loi géométrique de para-
mètre p ∈]0, 1] si elle représente le nombre d'épreuves nécessaires pour obtenir un premier
succès : k−1 ∗
P(X = k) = (1 − p) p, k ∈ N
On note X ∼ G(p).
1
E[X] =
p
1−p
V(X) =
p2
Dénition 3.9 (Loi de Poisson). Une variable X suit une loi de Poisson de paramètre
λ>0 si : λk
P(X = k) = e−λ , k∈N
k!
On note X ∼ P(λ).
E[X] = λ
V(X) = λ

3.4 Couple de Variables Aléatoires

Dénition 3.10 (Loi conjointe). La loi conjointe de (X, Y ) est la donnée des P(X =
x , Y = y ) pour tous x , y .
i j i j

Dénition 3.11 (Lois marginales). Les lois marginales sont :

X
P(X = xi ) = P(X = xi , Y = yj )
j
X
P(Y = yj ) = P(X = xi , Y = yj )
i

Dénition 3.12 (Indépendance de deux variables). X et Y sont indépendantes si pour

tous x, y :
P(X = x, Y = y) = P(X = x)P(Y = y)
Dénition 3.13 (Covariance et corrélation). La covariance de X et Y est :
Cov(X, Y ) = E[(X − E[X])(Y − E[Y ])] = E[XY ] − E[X]E[Y ]
Le coecient de corrélation est ρ(X, Y ) = (quand déni).
Cov(X,Y )
σ(X)σ(Y )

Propriété 3.3. Si X et Y sont indépendantes, alors Cov(X, Y ) = 0 (mais la réciproque

est fausse).
6
4 Variables Aléatoires Continues
4.1 Densité de Probabilité
Dénition 4.1 (Variable aléatoire continue). Une variable aléatoire X est dite continue
s'il existe une fonction f : R → R (appelée densité) telle que pour tout a ≤ b :
X
+

Z b
P(a ≤ X ≤ b) = fX (t)dt
a

Propriété 4.1 (Propriétés d'une densité). 1. f X (t) ≥0 pour tout t

2. f (t)dt = 1
R +∞

3. Pour tout a, RP(X = a) = 0

−∞ X

4. P(X ≤ x) = f (t)dt = F (x) (fonction de répartition)

x
−∞ X X

Dénition 4.2 (Espérance et variance). Pour une variable continue de densité f :

Z +∞
E[X] = tf (t)dt
−∞
Z +∞
E[g(X)] = g(t)f (t)dt
−∞
Z +∞
V(X) = (t − E[X])2 f (t)dt = E[X 2 ] − E[X]2
−∞

4.2 Lois Continues Usuelles

Dénition 4.3 (Loi uniforme). X suit une loi uniforme sur [a, b], notée U([a, b]), si sa
densité est :
si x ∈ [a, b]
(
1

sinon
b−a
f (x) =
0

a+b
E[X] =
2
(b − a)2
V(X) =
12
Dénition 4.4 (Loi exponentielle). X suit une loi exponentielle de paramètre λ > 0,
notée E(λ), si sa densité est :
si x ≥ 0
(
−λx
λe
f (x) =
0 sinon
Sa fonction de répartition est F (x) = 1 − e pour x ≥ 0.
−λx

1
E[X] =
λ
1
V(X) = 2
λ
Propriété d'absence de mémoire : P(X > t + s | X > t) = P(X > s).
7
Dénition 4.5 (Loi normale (gaussienne)). X suit une loi normale d'espérance µ et de
variance σ , notée N (µ, σ ), si sa densité est :
2 2

1 (x−µ)2
f (x) = √ e− 2σ2 , x∈R
σ 2π
La loi N (0, 1) est appelée loi normale centrée réduite.
Théorème 4.1 (Changement de variable). Si X ∼ N (µ, σ ), alors Z = 2
∼ N (0, 1).
X−µ
σ

Dénition 4.6 (Loi du khi-deux). Si Z , . . . , Z sont indépendantes de loi N (0, 1), alors
X = Z + · · · + Z suit une loi du khi-deux à n degrés de liberté, notée χ .
1 n
2 2 2
1 n n

E[X] = n, V(X) = 2n

5 Théorèmes Limites
5.1 Loi des Grands Nombres
Théorème 5.1 (Loi faible des grands nombres). Soit (X ) une suite de variables
aléatoires indépendantes et identiquement distribuées, d'espérance µ et de variance nie.
n n≥1

Alors pour tout ε > 0 :

 
X1 + · · · + Xn
lim P −µ ≥ε =0
n→+∞ n

On dit que la moyenne empirique converge en probabilité vers µ.

Théorème 5.2 (Loi forte des grands nombres). Sous les mêmes hypothèses, on a conver-
gence presque sûre :  
X 1 + · · · + Xn
P lim =µ =1
n→+∞ n

5.2 Théorème Central Limite

Théorème 5.3 (Théorème central limite). Soit (X ) une suite de variables aléatoires
indépendantes et identiquement distribuées, d'espérance µ et de variance σ > 0. Alors
n n≥1
2

pour tous a < b :

 √    Z b
n X1 + · · · + Xn 1 2
lim P a ≤ −µ ≤b = √ e−t /2 dt
n→+∞ σ n 2π a

Autrement dit, (X̄ − µ) converge en loi vers N (0, 1).

√
σ
n
n

Exemple 5.1 (Approximation normale). Pour une binomiale B(n, p), quand n est grand,
on peut approximer par N (np, np(1 − p)).

8
Annexe : Lois Usuelles
Loi Notation Support E[X]
Bernoulli
V(X)
B(p) {0, 1} p p(1 − p)
Binomiale B(n, p) {0, . . . , n} np np(1 − p)
Géométrique G(p) N∗ 1 1−p

Poisson
p p2
P(λ) N λ λ
Uniforme (continue) U([a, b]) [a, b] a+b (b−a)2

Exponentielle E(λ) R+
2
1
12
1

Normale N (µ, σ 2 ) R µ
λ
σ
λ2
2