Probabilité

Dr Malicki ZOROM

CPGE II
”Département Sciences et Techniques de l’Ingénieur”
email: [Link]@[Link]
Institut 2iE
11 mars 2025

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 1 / 63

Plan

1 Probabilité

2 Variables aléatoires discrètes

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 2 / 63

Plan

1 Probabilité

2 Variables aléatoires discrètes

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 2 / 63

Plan

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 3 / 63

 Probabilité Espace probabilisé

Plan

1 Probabilité
Espace probabilisé
Probabilité
Probabilité conditionnelle
Indépendance

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 4 / 63

 Probabilité Espace probabilisé

Univers

Définition
L’ensemble des résultats possibles décrivant une expérience aléatoire est appelé univers.
Il est généralement noté Ω. Les éléments ω de Ω sont les issues observées de l’expérience
aléatoire,on les appelle éventualités. La réalisation de l’expérience aléatoire revient au
choix d’une éventualité dans l’univers i.e. d’un élément ω à l’intérieur de l’ensemble Ω.

Exemples
On lance une pièce pour obtenir Pile ou Face. Il est naturel de choisir Ω = {P; F } pour
modéliser les issues de l’expérience. Déterminer Ω. dans chacun des cas suivants : i) On
lance la pièce n fois ii) On lance la pièce indéfiniment.

Remarques
Le choix de l’univers dépend de la modélisation choisie pour l’expérience aléatoire
il ne doit pas être trop petit pour pouvoir étudier toutes les issues souhaitées ;
il ne doit pas être inutilement grand en prenant en compte des phénomènes inutiles.

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 5 / 63

 Probabilité Espace probabilisé

Tribu

Définition

On appelle tribu sur un ensemble toute partie A de P(Ω) vérifiant :

1 Ω ∈ A;
2 ∀A ∈ A, Ā ∈ A;
+∞
[
N
3 ∀(An )n∈N ∈ A , An ∈ A
n=0
La dernière propriété s’appelle la stabilité par réunion dénombrable.

Exemple

Vérifier que P(Ω), {∅; Ω} sont une tribu de Ω. Soit A une partie de Ω. Vérifier que A = {∅; A; Ā; Ω} est une tribu de Ω.

Théorème

Si A est une tribu sur un ensemble alors

a) ∅ ∈ A;
b) ∀A, B ∈ A, A ∪ B ∈ A, A ∩ B ∈ A et A ∖ B ∈ A;
+∞
\
N
c) ∀(An )n∈N ∈ A , An ∈ A
n=0

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 6 / 63

 Probabilité Espace probabilisé

Tribu

Remarque
Une tribu est donc stable :
par passage au complémentaire ;
par réunion et intersection finie ou dénombrable.

Définition
On appelle espace probabilisable tout couple (Ω, A) constitué d’un
ensemble Ω et d’une tribu A sur Ω.

Eexemple
(Ω, P(Ω)) est un espace probabilisable.

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 7 / 63

 Probabilité Espace probabilisé

Evénements

Définition

Si (Ω, A) est un espace probabilisable, les parties A de Ω éléments de la tribu A sont appelées événement de l’univers Ω.

Exemple

On lance un dé et l’on considère Ω = [ 1, 6]] et A = P(Ω). Traduire les évènements élémentaires suivants :
Ω = {6}; Ω = {2, 4, 6}

Définition

L’événement ∅ est appelé événement impossible.

L’événement Ω est appelé événement certain.
Les événements de la forme {ω} sont appelés événements élémentaires.

Définition

Si A et B sont deux événements de l’espace probabilisable (Ω, A) alors

Ā est l’événement contraire de A;
A ∩ B est l’événement conjonction de A et B;
A ∪ B est l’événement disjonction de A et B.

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 8 / 63

 Probabilité Espace probabilisé

Evénements

Définition

Soit A et B sont deux événements de l’espace probabilisable (Ω, A).

On dit que l’événement A implique B si A ⊂ B.
On dit que les événements A et B sont incompatibles si A ∩ B = ∅.

Exemple

Soit (An )n∈N une suite d’événements de l’espace probabilisable (Ω, A).
+∞
[
L’événement An correspond à la réalisation de tous les An .
n=0
+∞
\
L’événement An correspond à la réalisation d’au moins un An .
n=0
+∞
[ +∞
\
L’événement An correspond à la réalisation de tous les An à partir d’un certain rang.
N=0 n=N
+∞
\ +∞
[
L’événement An correspond à la réalisation d’une infinité de An .
N=0 n=N

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 9 / 63

 Probabilité Probabilité

Plan

1 Probabilité
Espace probabilisé
Probabilité
Probabilité conditionnelle
Indépendance

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 10 / 63

 Probabilité Probabilité

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 11 / 63

 Probabilité Probabilité conditionnelle

Plan

1 Probabilité
Espace probabilisé
Probabilité
Probabilité conditionnelle
Indépendance

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 12 / 63

 Probabilité Probabilité conditionnelle

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 13 / 63

 Probabilité Indépendance

Plan

1 Probabilité
Espace probabilisé
Probabilité
Probabilité conditionnelle
Indépendance

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 14 / 63

 Probabilité Indépendance

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 15 / 63

 Variables aléatoires discrètes Variables aléatoires discrètes

Plan

2 Variables aléatoires discrètes

Variables aléatoires discrètes
Événements valeurs
Loi d’une variable aléatoire discrète
Lois finies usuelles
Variables aléatoires composées
Couple de variables aléatoires discrètes
Indépendance de variables aléatoires
Espérance
Variance d’une variable aléatoire
Variables aléatoires à valeurs naturelles

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 16 / 63

 Variables aléatoires discrètes Variables aléatoires discrètes

Variables aléatoires discrètes

Définition

On appelle variable aléatoire discrète définie sur l’espace probabilisé Ω et à valeurs dans un ensemble E toute application
X : Ω → E vérifiant
1 l’ensemble des valeurs prises X (Ω) est fini ou dénombrable ;
2 ∀x ∈ X (Ω), X −1 ({x}) = {ω ∈ Ω/X (ω) = x} est élément de la tribu A.
Lorsque E = R, on parle de variable aléatoire réelle.

Remarque

L’appellation variable aléatoire est usuelle bien que malheureuse. En effet, X n’est pas une variable, mais bien une fonction et
celle-ci n’est pas aléatoire, mais plutôt parfaitement déterminée. Ce sont les valeurs de X qui correspondent à des quantités qui
vont varier selon le résultat de l’expérience aléatoire.

Exemple

On tire avec remise n boules dans une urne contenant des boules blanches et rouges en proportion p et q = 1 − p. On note X
le nombre de boules blanches obtenues dans un tirage, X est une variable aléatoire discrète.

Remarque

il est fréquent de manipuler des variables aléatoires sans même avoir précisé l’espace probabilisé d’étude.

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 17 / 63

 Variables aléatoires discrètes Événements valeurs

Plan

2 Variables aléatoires discrètes

Variables aléatoires discrètes
Événements valeurs
Loi d’une variable aléatoire discrète
Lois finies usuelles
Variables aléatoires composées
Couple de variables aléatoires discrètes
Indépendance de variables aléatoires
Espérance
Variance d’une variable aléatoire
Variables aléatoires à valeurs naturelles

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 18 / 63

 Variables aléatoires discrètes Événements valeurs

Événements valeurs
Définition

Soit X : Ω → E une variable aléatoire discrète. Pour tout x ∈ E , on note (X = x) ou {X = x} l’événement

X −1 ({x}) = {ω ∈ Ω/X (ω) = x}.
Il s’agit bien d’un événement par définition d’une variable aléatoire discrète et l’on peut en calculer la probabilité P(X = x)

Exemple

On lance deux dés et X désigne la somme de leur valeur. L’événement (X = 12) correspond au cas où les deux dés valent 6.

Définition

Soit X : Ω → E une variable aléatoire discrète. Pour toute partie A de E on note (X ∈ A) ou {X ∈ A} l’événement X −1 (A).
Autrement dit (X ∈ A) = {ω ∈ Ω/X (ω) ∈ A}.

Remarque

(X ∈ A) est bien un événement. En effet, X (ω) étant au plus dénombrable,

[
(X ∈ A) = (X = x)
x∈X (Ω)∩A

est un événement car réunion au plus dénombrable d’événements. Cela autorise le calcul de sa probabilité P(X ∈ A)

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 19 / 63

 Variables aléatoires discrètes Événements valeurs

Événements valeurs

Remarque

La notation (X ∈ A) est compatible avec les opérations ensemblistes

(X ∈ A) ∩ (X ∈ B) = (X ∈ A ∩ B)

(X ∈ A) ∪ (X ∈ B) = (X ∈ A ∪ B)

(X ∈ Ā) = (X ∈ A)

Définition

Si X est une variable aléatoire discrète réelle et si a ∈ R, on introduit l’événement

Soit X : Ω → E une variable aléatoire discrète. Pour toute partie A de E on note (X ∈ A) ou

−1
{X ≤ a} = X (] − ∞, a]) = {ω ∈ Ω/X (ω) ≤ a}.

On peut aussi définir (X < a), (X ≥ a), · · · et calculer leur probabilité.

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 20 / 63

 Variables aléatoires discrètes Loi d’une variable aléatoire discrète

Plan

2 Variables aléatoires discrètes

Variables aléatoires discrètes
Événements valeurs
Loi d’une variable aléatoire discrète
Lois finies usuelles
Variables aléatoires composées
Couple de variables aléatoires discrètes
Indépendance de variables aléatoires
Espérance
Variance d’une variable aléatoire
Variables aléatoires à valeurs naturelles

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 21 / 63

 Variables aléatoires discrètes Loi d’une variable aléatoire discrète

Loi d’une variable aléatoire discrète

Soit X : Ω → E une variable aléatoire discrète et X (Ω) son univers valeurs (au plus
dénombrable)

Définition
On appelle loi de la variable X : Ω → E l’application
PX : φ(X (Ω)) → [0, 1] définie par ∀A ∈ φ(X (Ω)), PX (A) = P(X ∈ A)

Théorème
La loi PX définit une probabilité sur l’espace probabilisable (X (Ω), φ(X (Ω)))

Corollaire
La loi PX est entièrement déterminée par les valeurs px = PX (x) = P(X = x) pour chaque
x ∈ X (Ω).

Remarque
Souvent, on résume la loi de X à la famille des probabilités px pour x ∈ X (Ω) puisque celles-ci
suffisent à déterminer PX (A) pour toute partie A de X (Ω).

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 22 / 63

 Variables aléatoires discrètes Loi d’une variable aléatoire discrète

Loi d’une variable aléatoire discrète

Remarque

La loi PX détermine la probabilité de chaque événement valeur lié à la variable X . Cependant, la loi PX ne suffit pas à
déterminer la variable aléatoire X
PX = PY n’implique pas X = Y

Exemple

Considérons un lancer de deux équilibrés. Si X et Y désignent les valeurs de chaque dé, celles-ci suivent la même loi sans pour
autant être égales !

Définition

Soient X et Y deux variables aléatoires discrètes sur prenant les mêmes valeurs. Si PX = PY , on dit que X et Y suivent la
même loi et l’on note :
X ∼ Y.

Si la variable Y suit une loi usuellement notée L, on écrit

X ∼ L.

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 23 / 63

 Variables aléatoires discrètes Lois finies usuelles

Plan

2 Variables aléatoires discrètes

Variables aléatoires discrètes
Événements valeurs
Loi d’une variable aléatoire discrète
Lois finies usuelles
Variables aléatoires composées
Couple de variables aléatoires discrètes
Indépendance de variables aléatoires
Espérance
Variance d’une variable aléatoire
Variables aléatoires à valeurs naturelles

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 24 / 63

 Variables aléatoires discrètes Lois finies usuelles

Lois finies usuelles

X désigne une variable aléatoire discrète sur (Ω, A, P).

Loi uniforme

On dit que la variable aléatoire X suit une loi uniforme sur un ensemble fini E si
1
X (Ω) = E et ∀x ∈ E , P(X = x) = avec n = Card(E ). On note U ([[a, b]]) la loi uniforme sur [ a, b]] et en particulier U (n)
n
celle sur [ 1, n]].

Exemple

Si X est la valeur du lancer d’un dé équilibré alors X ∼ U (6)

Loi de Bernoulli

On dit que la variable aléatoire X suit une loi de Bernoulli de paramètre p (avec p ∈]0, 1[ ) si
X (Ω) = {0, 1}, P(X = 0) = 1 − p et P(X = 1) = p. On note B(p) cette loi.

Exemple

Une urne contient des boules blanches en proportion p et des boules rouges en proportion q = 1 − p. On tire une boule de cette
urne. Si X vaut 1 lorsque la boule est blanche et 0 sinon alors X ∼ B(p).

Remarque

Les variables de Bernoulli sont utiles pour modéliser les situations à deux issues : succès (valeur 1) ou échec (valeur 0)

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 25 / 63

 Variables aléatoires discrètes Lois finies usuelles

Lois finies usuelles

Loi binomiale
On dit que la variable aléatoire X suit une loi binomiale de paramètres n et p (avec
n ∈ N et p ∈]0, 1[ ) si X (Ω) = [[0, n]] et ∀k ∈ [[0, n]], P(X = x) = Cnk p k (1 − p)n−k . On
note B(n, p) cette loi.

Exemple
Une urne contient des boules blanches en proportion p et des boules rouges en
proportion q = 1 − p. On tire n boules avec remise dans cette urne. Si X désigne le
nombre de boules blanches obtenues alors X ∼ B(n, p).

Remarque
La loi de Bernoulli est utile pour modéliser ce qui s’apparente à un tirage avec remise,
elle permet aussi de mesurer le nombre de succès lorsqu’on répète indépendamment une
expérience dont la probabilité de réussite égale p.

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 26 / 63

 Variables aléatoires discrètes Variables aléatoires composées

Plan

2 Variables aléatoires discrètes

Variables aléatoires discrètes
Événements valeurs
Loi d’une variable aléatoire discrète
Lois finies usuelles
Variables aléatoires composées
Couple de variables aléatoires discrètes
Indépendance de variables aléatoires
Espérance
Variance d’une variable aléatoire
Variables aléatoires à valeurs naturelles

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 27 / 63

 Variables aléatoires discrètes Variables aléatoires composées

Variables aléatoires composées

Soit X une variable aléatoire sur l’espace probabilisé (Ω, A, P). à valeurs dans un ensemble E .

Définition

Si f est une application définie au moins sur X (Ω) ⊂ E à valeurs dans un ensemble E ′ , on note f (X ) la variable aléatoire
Y =f ◦X
′
Y : Ω → E avec Y (ω) = f (X (ω))

Remarque
−1 −1
[
On vérifie qu’il s’agit bien d’une variable aléatoire car ∀y ∈ Y (Ω), Y ({y }) = X ({x})
x∈X (Ω),f (x)=y

Remarque

Si la fonction f est une fonction présentant une notation

√ usuelle particulière, on adapte celle-ci à la description de la variable
aléatoire f (X ). C’est ainsi qu’on pourra écrire X 2 , X , |X |, aX + b, · · ·

Théorème

Si Y = f (X ) alors la loi de Y est entièrement déterminée par celle de X : ∀B ∈ Y (Ω), PY (B) = PX (f −1 (B))

Remarque

En pratique, connaı̂tre la loi de X suffira pour déterminer les lois des variables aléatoires composées déduites de X .

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 28 / 63

 Variables aléatoires discrètes Variables aléatoires composées

Variables aléatoires composées

Exemple
Justifier que si X ∼ B(n, p) alors Y = n − X ∼ B(n, q).

Définition
Plus généralement, si X1 , · · · , Xm sont des variables aléatoires discrètes sur
(Ω, A, P), on peut donner un sens à la variable aléatoire discrète
Y = f (X1 , · · · , Xm ) pour peu que f soit définie sur les valeurs prises par :
ω 7→ (X1 (ω), · · · , Xm (ω)).

Remarque
Pour connaı̂tre la loi de Y , connaı̂tre les lois des Xk ne suffit pas, il faut
aussi connaı̂tre leurs comportements conjoints...

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 29 / 63

 Variables aléatoires discrètes Couple de variables aléatoires discrètes

Plan

2 Variables aléatoires discrètes

Variables aléatoires discrètes
Événements valeurs
Loi d’une variable aléatoire discrète
Lois finies usuelles
Variables aléatoires composées
Couple de variables aléatoires discrètes
Indépendance de variables aléatoires
Espérance
Variance d’une variable aléatoire
Variables aléatoires à valeurs naturelles

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 30 / 63

 Variables aléatoires discrètes Couple de variables aléatoires discrètes

Loi conjointe

Définition

Soit X et Y deux variables aléatoires discrètes définies sur le même espace probabilisé (Ω, A, P) et à valeurs dans des ensembles
E et F respectivement. On appelle couple défini par les variables aléatoires X et Y la variable aléatoire
Z = (X , Y ) : Ω → E × F déterminée par ∀ω ∈ Ω, Z (ω) = (X (ω), Y (ω))

Remarque

Il s’agit d’une variable aléatoire discrète car Z (Ω) ⊂ X (Ω) × Y (Ω) est au plus dénombrable.

Définition

On appelle loi conjointe de deux variables aléatoires X et Y la loi du couple Z = (X , Y ).

Remarque

Celle-ci est entièrement déterminée à partir de la connaissance de P(X = xi , Y = yj ) avec xi ∈ X (Ω) et yj ∈ Y (Ω). On
pourra exploiter un tableau pour visualiser cette loi conjointe.

Exemple

Une urne comporte 2 boules blanches, 1 rouge et 1 noire. On tire simultanément deux boules de cette urne et l’on note X le
nombre de boules blanches et Y le nombre de boules noires tirées. Donner le tableau Z = (X , Y ).

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 31 / 63

 Variables aléatoires discrètes Couple de variables aléatoires discrètes

Lois marginales
Soit Z une variable aléatoire discrètes sur l’espace probabilisé (Ω, A, P) à valeurs dans un produit cartésien E × F . Pour
chaque ω ∈ Ω, Z (ω) désigne un couple élément de E × F . Notons X (ω) ∈ E et Y (ω) ∈ F les deux éléments de ce couple. La
variable Z se comprend alors comme le couple (X , Y ).

Définition

Les lois des deux variables aléatoires X et Y sont appelées les lois marginales de la variable Z .

Proposition

La loi de Z détermine entièrement ses lois marginales.

Remarque

Dans un tableau visualisant la loi conjointe, les lois marginales s’obtiennent en sommant sur les rangées

Exemple

On reprend l’urne urne comporte 2 boules blanches, 1 rouge et 1 noire. On tire simultanément deux boules de cette urne et l’on
note X le nombre de boules blanches et Y le nombre de boules noires tirées.

Remarque

En revanche, les lois marginales ne suffisent pas à déterminer la loi conjointe.

Exemple

Donner deux tableaux correspondant à de mêmes lois marginales pour des lois conjointes différentes
Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 32 / 63
 Variables aléatoires discrètes Couple de variables aléatoires discrètes

Lois marginales
Soit X et Y deux variables aléatoires discrètes sur un espace probabilisé (Ω, A, P).

Définition
Soit x ∈ X (Ω). On appelle loi conditionnelle de Y sachant X = x la loi de la variable aléatoire
Y pour la probabilité conditionnelle P(.|X = x). Autrement dit, pour toute partie B ⊂ Y (Ω)
 P(Y ∈ B, X = x) , si P(X = x) > 0


P(Y ∈ B|X = x) = P(X = x)

0, sinon


Remarque
Cette loi est entièrement déterminée par la connaissance de P(Y = y |X = x) pour tout
y ∈ Y (Ω).

Théorème
La connaissance :
de la loi de X ;
de la loi de Y sachant X = x pour chaque x ∈ X (Ω)
détermine entièrement la loi conjointe de Z = (X , Y ).

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 33 / 63

 Variables aléatoires discrètes Couple de variables aléatoires discrètes

Lois marginales

Remarque
P
En particulier la loi de Y est alors connue P(Y = y ) = P(Y = y |X = x)P(X = x)
x∈X (Ω)

Définition
Plus généralement, si A est une partie de X (Ω), on peut définir la loi de Y sachant X ∈ A
 P(X ∈ A, Y = y ) , si P(X ∈ A) > 0


P(Y = y |X ∈ A) = P(X ∈ A)
0, sinon


Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 34 / 63

 Variables aléatoires discrètes Couple de variables aléatoires discrètes

Vecteurs aléatoires

Soit X1 , · · · , Xn des variables aléatoires discrètes sur l’espace probabilisé

(Ω, A, P).
Définition
On appelle vecteur aléatoire discret défini à partir des variables aléatoires
X1 , · · · , Xn la variable aléatoire discrète Z donnée par
∀ω ∈ Ω, Z (ω) = (X1 (ω), · · · , Xn (ω)). La loi de la variable Z est appelée
loi conjointe des variables X1 , · · · , Xn tandis que les lois de X1 , · · · , Xn
sont les lois marginales de Z .

Remarque
La loi conjointe détermine les lois marginales, mais l’inverse n’est pas vrai.

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 35 / 63

 Variables aléatoires discrètes Indépendance de variables aléatoires

Plan

2 Variables aléatoires discrètes

Variables aléatoires discrètes
Événements valeurs
Loi d’une variable aléatoire discrète
Lois finies usuelles
Variables aléatoires composées
Couple de variables aléatoires discrètes
Indépendance de variables aléatoires
Espérance
Variance d’une variable aléatoire
Variables aléatoires à valeurs naturelles

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 36 / 63

 Variables aléatoires discrètes Indépendance de variables aléatoires

Couple de variables indépendantes

Soient X et Y deux variables aléatoires discrètes sur l’espace probabilisé (Ω, P).

Définition

On dit que les deux variables X et Y sont indépendantes si pour tout A ⊂ X (Ω) et B ⊂ Y (Ω), les événements (X ∈ A) et
(Y ∈ B) sont indépendants.

Exemple

On lance deux dés discernables. X détermine la valeur du premier et Y celle du second. X et Y sont des variables
indépendantes ?

Remarque

Si X et Y sont indépendantes, la loi de Y sachant X ∈ A se résume à la loi de Y .

Théorème

On a équivalence entre :
i) les variables aléatoires X et Y sont indépendantes ;
ii) ∀(x, y ) ∈ X (Ω) × Y (Ω), P(X = x, Y = y ) = P(X = x)P(Y = y )

Théorème

Si X et Y sont deux variables indépendantes alors pour toutes fonctions f , g définies sur les domaines de valeurs de X et Y , les
variables f (X ) et g (Y ) sont indépendantes.

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 37 / 63

 Variables aléatoires discrètes Indépendance de variables aléatoires

Famille finie de variables mutuellement indépendantes

Soit (Xi )1≤n≤n une famille de n variables aléatoires discrètes sur l’espace probabilisé
(Ω, A, P).

Définition
On dit que celle-ci sont mutuellement indépendantes si pour toute famille (Xi )1≤n≤n
avec Ai ⊂ Xi (Ω) les événements (Xi = Ai ) sont mutuellement indépendants.

Exemple
On lance deux dés discernables. X détermine la valeur du premier et Y celle du second.
X et Y sont des variables indépendantes ?

Théorème
On a équivalence entre :
i) les variables aléatoires X1 , · · · , Xn sont mutuellement indépendantes ;
ii) ∀(x1 , · · · , xn ) ∈ X1 (Ω) × · · · × Xn (Ω), P(X1 = x1 , · · · , Xn = xn ) =
P(X1 = x1 ) · · · P(Xn = xn )

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 38 / 63

 Variables aléatoires discrètes Espérance

Plan

2 Variables aléatoires discrètes

Variables aléatoires discrètes
Événements valeurs
Loi d’une variable aléatoire discrète
Lois finies usuelles
Variables aléatoires composées
Couple de variables aléatoires discrètes
Indépendance de variables aléatoires
Espérance
Variance d’une variable aléatoire
Variables aléatoires à valeurs naturelles

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 39 / 63

 Variables aléatoires discrètes Espérance

Espérance

Les variables aléatoires introduites seront toutes supposées réelles, discrètes et définies sur un même espace probabilisé
(Ω, A, P).

Définition

On dit que la variable X admet une espérance si la famille (xP(X = x))x∈X (Ω) est sommable. Sa somme définit alors
l’espérance de X X
E (X ) = xP(X = x).
x∈X (Ω)

Celle-ci ne dépend que la loi de la variable X .

Remarque

Si la variable X ne prend qu’un nombre fini de valeurs x1 , · · · , xn alors celle-ci est assurément d’espérance finie et

n
X
E (X ) = xk P(X = xk ).
k=1

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 40 / 63

 Variables aléatoires discrètes Espérance

Espérance
Remarque

Si la variable X prend une infinité (nécessairement dénombrable) de valeurs alors, en introduisant (xnP )n ∈ N une énumération de
celles-ci, la variable X admet une espérance si, et seulement si, il y a convergence absolue de la série xn P(X = xn ). On a alors

+∞
X
E (X ) = xn P(X = xn ).
n=0

La valeur obtenue ne dépend pas de l’énumération choisie.

Exemple

Déterminer E (X ) dans les cas suivants

X ∼ B(p), X ∼ B(n, p)
1
X (Ω) = N, P(X = n) =
2n+1
⋆ 1 1
X (Ω) = N , P(X = n) = −
n n+1
X = c, c est constante

Définition

Si la variable X admet une espérance et si celle-ci est nulle, on dit que la variable X est centrée.

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 41 / 63

 Variables aléatoires discrètes Espérance

Propriété
Théorème
Si les variables X et Y admettent des espérances alors pour tout λ ∈ R les variables λX et
X + Y admettent une espérance et E (λX ) = λE (X ) et E (X + Y ) = E (X ) + E (Y )

Corollaire
L’ensemble des variables aléatoires réelles discrètes définies sur (Ω, A, P) admettant une
espérance est un espace vectoriel et l’espérance y définit une forme linéaire.

Théorème
Si X est à valeurs positives alors E (X ) > 0. Si de plus E (X ) = 0 alors X = 0 presque sûrement.

Corollaire
Si X et Y admettent une espérance et si X ≤ Y alors E (X ) ≤ E (Y )

Théorème
Si |X | ≤ Y et si Y admet une espérance alors X aussi.

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 42 / 63

 Variables aléatoires discrètes Espérance

Formule de transfert

Théorème
Soit X une variable et f une fonction définie au moins sur X (Ω) et à
valeurs dans R. On a équivalence entre :
i) la variable f (X ) admet une espérance ;
ii) la famille (f (x)P(X = x))x∈X (Ω) est sommable.
De plus, si tel est le cas
X
E (f (X )) = f (x)P(X = x).
x∈X (Ω)

Exemple
Donner E (X k ) et E (e X ) en fonction de P(X = x)

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 43 / 63

 Variables aléatoires discrètes Espérance

Inégalité de Markov

Théorème
Soit X une variable à valeurs positives admettant une espérance. Pour tout
a ≥ 0, on a
aP(X ≥ a) ≤ E (X )

Exemple
L’inégalité de Markov ( à démontrer) possède de nombreuses déclinaisons.
E (|X |)
Montrer que P(|X | ≥ ϵ) ≤
ϵ

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 44 / 63

 Variables aléatoires discrètes Espérance

Variables indépendantes

Théorème
Si les variables X et Y sont indépendantes et admettent une espérance
alors XY admet une espérance et E (XY ) = E (X )E (Y )

Remarque
La réciproque est fausse : on peut avoir E (XY ) = E (X )E (Y ) sans pour
autant indépendance de X et Y .

Corollaire
Si f (X ) et g (Y ) admettent des espérances avec X et Y variables
indépendantes alors E (f (X )g (Y )) = E (f (X ))E (g (Y ))

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 45 / 63

 Variables aléatoires discrètes Variance d’une variable aléatoire

Plan

2 Variables aléatoires discrètes

Variables aléatoires discrètes
Événements valeurs
Loi d’une variable aléatoire discrète
Lois finies usuelles
Variables aléatoires composées
Couple de variables aléatoires discrètes
Indépendance de variables aléatoires
Espérance
Variance d’une variable aléatoire
Variables aléatoires à valeurs naturelles

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 46 / 63

 Variables aléatoires discrètes Variance d’une variable aléatoire

Moments

Les variables aléatoires introduites seront toutes supposées réelles,

discrètes et définies sur un espace probabilisé (Ω, A, P).
Définition
On dit que la variable X admet un moment d’ordre k ∈ N si la variable Xk
admet une espérance. Celle-ci
X est alors appelée moment d’ordre k de X et
k
on note mk = E (X ) = x k P(X = x)
x∈X (Ω)

Exemple
Donner m0 , m1

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 47 / 63

 Variables aléatoires discrètes Variance d’une variable aléatoire

Espace des variables possédant un moments d’ordre 2

Théorème
Si la variable X admet un moment d’ordre 2 alors X admet une espérance.

Remarque
Ce résultat se généralise : si X admet un moment d’ordre n, X admet un
moment d’ordre k pour tout k ≤ n.

Théorème
Si les variables X et Y admettent chacune un moment d’ordre 2 alors XY
est d’espérance finie et E (XY )2 ≤ E (X 2 )E (Y 2 )

Théorème
L’ensemble des variables admettant un moment d’ordre 2 est un
sous-espace vectoriel de l’espace des variables admettant un moment
d’ordre 1.
Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 48 / 63
 Variables aléatoires discrètes Variance d’une variable aléatoire

Variance et écart-type
Définition

Si X admet un moment d’ordre 2, on appelle variance de la variable X le réel V (X ) = E ((X − E (X )2 )). On introduit aussi son
p
écart type σ(X ) = V (X )

Remarque

La variance un bien définie car X et la constante E (X ) admettent des moments d’ordre 2.

Remarque

Variance et écart-type permettent de mesurer la dispersion de la variable X autour de sa moyenne.

Si la variable X se comprend avec une unité (des mètres, des années, des points,. . . ) espérance et écart-type s’exprime avec la
même unité.

Théorème

Si X admet un moment d’ordre 2 alors

2 2
V (X ) = E (X ) − (E (X )) .

Exemple

Déterminer les variances de X ∼ B(p) et X ∼ B(n, p)

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 49 / 63

 Variables aléatoires discrètes Variance d’une variable aléatoire

Variance et écart-type

Théorème
Si X est admet un moment d’ordre 2 alors pour tout a, b ∈ R, V (aX + b) = a2 V (X )

Remarque
Il est naturel que la translation de b ne modifie pas la valeur de la variance car, si cette
translation modifie la moyenne, elle ne modifie pas la dispersion de la variable autour de celle-ci.

Définition
Lorsqu’une variable aléatoire est de variance égale à 1, on la qualifie de réduite.

Exemple
Si X est une variable admettant un moment d’ordre 2 alors en introduisant son espérance m et
X −m
son écart type σ (supposé non nul), montrer que la variable Y = est centrée réduite.
σ

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 50 / 63

 Variables aléatoires discrètes Variance d’une variable aléatoire

Covariance

Définition

les variables X et Y admettent des moments d’ordre 2, on introduit leur covariance Cov (X , Y ) = E ((X − E (X ))(Y − E (Y )))

Exemple

Montrer que Cov (X , X ) = V (X )

Proposition

La covariance définit une application bilinéaire symétrique sur l’espace des variables admettant un moment d’ordre 2.

Théorème

Si X et Y sont deux variables aléatoires réelles sur l’espace probabilisé (Ω, P) alors Cov (X , Y ) = E (XY ) − E (X )E (Y )

Corollaire

Si les variables X et Y sont indépendantes Cov (X , Y ) = 0. La réciproque est fausse.

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 51 / 63

 Variables aléatoires discrètes Variance d’une variable aléatoire

Variance d’une somme

Remarque

Par l’inégalité de Cauchy-Schwarz, on a |Cov (X , Y )| ≤ V (X )V (Y ).

Cov (X , Y )
Si V (X ) > 0 et V (Y ) > 0 on peut introduire cor (X , Y ) = p ∈ [−1, 1] appelé coefficient de corrélation de X et
V (X )V (Y )
Y.
Si les variables X et Y sont indépendantes, ce coefficient est nul.
Si les variables X et Y ont des comportements analogues , ce coefficient est proche de 1.
Si les variables X et Y ont des comportements opposés , ce coefficient est proche de -1.

Proposition

Si X et Y admettent un moment d’ordre 2 alors V (X + Y ) = V (X ) + 2Cov (X , Y ) + V (Y )

Théorème

Si les variables X1 , · · · , Xn admettent des moments d’ordre 2 alors V ( ni=1 Xi ) =

P Pn P
i=1 V (Xi ) + 2 i<j Cov (Xi , Xj )

Corollaire
Pn Pn
Si les variables X1 , · · · , Xn sont deux à deux indépendantes V ( i=1 Xi ) = i=1 V (Xi )

Exemple

Appliquer le corollaire ci-dessus à la loi de Binomiale pour trouver la variance.

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 52 / 63

 Variables aléatoires discrètes Variance d’une variable aléatoire

Inégalité de Bienaymé-Tchebychev

Théorème
Si la variable X admet un moment d’ordre 2 alors pour tout ϵ > 0,

V (X )
P(|X − E (X )| ≥ ϵ) ≤
ϵ2

Remarque
Cette inégalité permet de mesurer dans quelle mesure l’expérimentation
peut s’écarter de sa moyenne.

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 53 / 63

 Variables aléatoires discrètes Variance d’une variable aléatoire

Loi faible des grands nombres

Théorème
Soit (Xn )n≥0 une suite de variables aléatoires deux à deux indépendantes et suivant une même
loi. Si celles-ci admettent un moment d’ordre 2 alors en introduisant m leur espérance commune
et
Xn
Sn = Xk
k=1

on a
Sn
P(| − m |≥ ϵ) −→ 0
n n→+∞

Exemple
On veut estimer l’équilibre d’une pièce. On note p la probabilité (inconnue) que la pièce donne
face lors d’un lancer.
On lance n fois la pièce et l’on pose S égale au nombre de lancers ayant donné face . En
Pn
posant Xk la variable de Bernoulli testant si le k − ième lancer donne face , on a S = Xk .
k=1
1
Sachant E (Xk ) = p, V (Xk ) = p(1 − p) ≤ et ϵ = 0, 01 pour quelle valeur de n, on obtient que
4
S/n est une valeur approchée de p à ϵ près avec une probabilité supérieure à 5 % ?

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 54 / 63

 Variables aléatoires discrètes Variables aléatoires à valeurs naturelles

Plan

2 Variables aléatoires discrètes

Variables aléatoires discrètes
Événements valeurs
Loi d’une variable aléatoire discrète
Lois finies usuelles
Variables aléatoires composées
Couple de variables aléatoires discrètes
Indépendance de variables aléatoires
Espérance
Variance d’une variable aléatoire
Variables aléatoires à valeurs naturelles

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 55 / 63

 Variables aléatoires discrètes Variables aléatoires à valeurs naturelles

Loi de Poisson
Définition

On dit qu’une variable aléatoire X suit une loi de Poisson de paramètre λ (avec λ > 0 ) si
λk
X (Ω) = N et P(X = k) = e −λ .
k!
On note P(λ) cette loi.

Théorème

Si X ∼ P(λ) alors E (X ) = λ et V (X ) = λ

Exemple

Si durant un laps de temps T un phénomène se produit en moyenne λ fois, il est fréquent de dire que le nombre d’occurrences
de ce phénomène durant ce laps de temps suit une loi de Poisson de paramètre λ.
Par exemple, le nombre de désintégrations radioactives par seconde, le nombre de passages journalier le long d’une route, le
nombre d’accidents annuel, etc.
Cette interprétation s’explique par un passage à la limite de la loi binomiale dans le cadre des événements rares.

Théorème

Soit (Xn )n≥0 est une suite de variables aléatoires avec Xn ∼ B(n, pn ).
Si npn −→ λ alors
n→+∞
λk
P(Xn = k) −→ e −λ
n→+∞ k!

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 56 / 63

 Variables aléatoires discrètes Variables aléatoires à valeurs naturelles

Loi de Poisson

Exemple
Soit X et Y deux variables aléatoires indépendantes suivant des lois de
Poisson de paramètres λ et µ > 0. Étudions la loi de la variable
Z = X + Y . Montrer que La variable X + Y suit une loi de Poisson de
paramètre λ + µ.

Indications
k
P
X + Y est à valeurs dans N et P(X + Y = k) = P(X = k, Y = k − l)
l=0
Par indépendance et par la formule du binôme on
k k λl µk−l
e −λ e µ
P P
P(X + Y = k) = P(X = l)P(Y = k − l) = =
l=0 l=0 l! (k − l)!
e −λ+µ P k (λ + µ)k
Ckl λl µk−l = e −(λ+µ)
k! l=0 k!

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 57 / 63

 Variables aléatoires discrètes Variables aléatoires à valeurs naturelles

Loi géométrique
Définition

On dit que la variable aléatoire X suit une loi géométrique de paramètre p (avec p ∈]0, 1[ ) si
X (Ω) = N⋆ et P(X = k) = p(1 − p)k−1 .
On note G(p) cette loi.

Exemple

On lance successivement un dé équilibré jusqu’à obtention d’un six. On pose X le nombre de lancers nécessaires. Déterminer la
loi de X .

Remarque

Plus généralement, la loi géométrique est utile pour évaluer le temps d’attente du premier succès dans une suite d’épreuves de
Bernoulli mutuellement indépendantes de même paramètre p.

Théorème
1 1−p
Si X ∼ G(p) alors E (X ) = et V (X ) =
p p2

Théorème

Si X est une variable aléatoire à valeurs dans N⋆ vérifiant la condition d’absence de mémoire
∀n, k ∈ N, P(X > n + k | X > n) = P(X > k)
alors X suit une loi géométrique.

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 58 / 63

 Variables aléatoires discrètes Variables aléatoires à valeurs naturelles

Fonctions génératrices
Soit X une variable aléatoire discrète à valeurs dans N.

Définition

On appelle fonction génératrice de la variable X la série entière

n
X
P(X = n)t

On note GX (t) sa somme là où elle est définie

+∞
n X
X
GX (t) = P(X = n)t = E (t )
n=0

Théorème

Cette série entière est de rayon de convergence RX au moins égale à 1 et converge normalement sur [−1, 1].

Corollaire

La fonction génératrice GX est au moins définie et continue sur [−1, 1].

Remarque

La fonction génératrice est entièrement déterminée par la loi de X . Inversement, la fonction génératrice caractérise la loi de X
(n)
GX (0)
puisque P(X = n) =
n!

Exemple
Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 59 / 63
 Variables aléatoires discrètes Variables aléatoires à valeurs naturelles

Calcul d’espérances et de variances

Soit X une variable aléatoire discrète à valeurs dans N et GX sa fonction génératrice. On

remarque
+∞
X
GX (1) = P(X = n) = 1 = E (1)
n=0

Par dérivation de série entière sur ] − 1; 1[

+∞
(k)
X
GX (t) = n(n − 1) · · · (n − k + 1)P(X = n)t n−k
n=0

et donc
(k)
GX (t) = E (X (X − 1) · · · (X − k + 1))t X

Sous réserve d’existence

(k)
GX (1) = E (X (X − 1) · · · (X − k + 1))
ce qui donne accès aux moments de X · · · Approfondissons dans le cadre de l’espérance et de la
variance.

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 60 / 63

 Variables aléatoires discrètes Variables aléatoires à valeurs naturelles

Fonctions génératrices

Théorème

On a équivalence entre :
i) la variable X admet une espérance ;
ii) la fonction génératrice GX est dérivable en 1.
De plus, on a alors
′
E (X ) = GX (1)

Théorème

On a équivalence entre :
i) la variable X admet un moment d’ordre 2 ;
ii) la fonction génératrice GX est deux fois dérivable en 1.
De plus, on a alors
′′ ′ ′ 2
V (X ) = GX (1) + GX (1) − (GX (1))

Exemple

Si X ∼ B(p), X ∼ B(n, p), X ∼ P(λ), X ∼ G(p). Déterminer E (X ) et V (X ) en utilisant GX (t) dans chacun des cas.

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 61 / 63

 Variables aléatoires discrètes Variables aléatoires à valeurs naturelles

Fonctions génératrices d’une somme

Théorème
Soit X et Y sont deux variables aléatoires discrètes à valeurs dans N.
Si X et Y sont indépendantes alors

GX +Y = GX × GY

Corollaire
Si X1 , · · · , Xn sont des variables mutuellement indépendantes

GX1 +···+Xn (t) = GX1 (t) × · · · × GXn (t)

Exemple
Sachant qu’une loi B(n, p) peut être simulée par la somme de n loi B(p) indépendantes, on
retrouve que si X ∼ B(n, p) alors GX (t) = (1 − p + pt)n .

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 62 / 63

 Bibliographie

Bibliographie

Dr Malicki ZOROM (2iE) Probabilité 11 mars 2025 63 / 63