Université Côte d’Azur 2020-2021

Probabilités et introduction à la statistique

1
Table des matières

1 Un peu de combinatoire 3
1.1 Trois formules classiques de dénombrement . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Propriétés des coefficients binomiaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2 Probabilités finies 9
2.1 Expériences aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Mesures de probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3 Variables aléatoires finies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3.1 Espérance d’une variable aléatoire finie . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3.2 Variance d’une variable aléatoire finie . . . . . . . . . . . . . . . . . . . . . . . . . 16

3 Introduction aux statistiques descriptives 18

3.1 Un peu de vocabulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2 Représentation graphique des variables statistiques . . . . . . . . . . . . . . . . . . . . . . 19
3.2.1 Diagrammes en barre et circulaires . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2.2 Classes et histogrammes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2.3 La courbe des effectifs cumulés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3 Indicateurs statistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3.1 Les indicateurs de tendance centrale . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3.2 Paramètres de position . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.3.3 Paramètres de dispersion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

4 Indépendance et conditionnement 28
4.1 Probabilités conditionnelles et indépendance d’événements . . . . . . . . . . . . . . . . . . 28
4.2 Indépendance de variables aléatoires finies . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.3 La loi faible des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

5 Probabilités discrètes 35
5.1 Rappels sur la dénombrabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
5.2 Rappels sur les séries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.3 Probabilités sur les ensembles dénombrables . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.4 Quelques lois classiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.5 Variables aléatoires sur les espaces dénombrables . . . . . . . . . . . . . . . . . . . . . . . 43
5.5.1 Espérance et variance des variables aléatoires sur les espaces dénombrables . . . . 43
5.5.2 Variables indépendantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

6 Variables aléatoires à densité 46

6.1 Définition d’une variable à densité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
6.1.1 Mesures de probabilités sur les ensembles quelconques . . . . . . . . . . . . . . . . 46
6.1.2 Intégration de fonctions positive . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
6.1.3 Densité de probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
6.1.4 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
6.2 Espérance et variance d’une variable aléatoire à densité . . . . . . . . . . . . . . . . . . . 51
6.3 Le théorème central limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

7 Fluctuation d’échantillonnage et intervalle de confiance 56

2
Chapitre 1

Un peu de combinatoire

1.1 Trois formules classiques de dénombrement

Nombre de manières d’ordonner un ensemble fini

Problème concret : Mon équipe de foot est constituée de 11 joueurs, et j’ai 11 maillots,
numérotés de 1 à 11. De combien de manière puis-je distribuer les maillots ?

Problème mathématique : Soit E un ensemble fini, formé de n éléments : E = {x1 , x2 , ..., xn }.

De combien de manière peut-on ordonner les éléments de E ?

Par exemple, considérons l’ensemble à deux éléments E = {x, y}. Il existe deux manières de l’ordon-
ner : (x, y) et (y, x).
L’ensemble à trois éléments F = {a, b, c} peut être ordonné des manières suivantes :

(a, b, c); (a, c, b); (b, a, c); (b, c, a); (c, a, b); (c, b, a).

Il y a donc 6 manières de faire.

Pour trouver une formule générale, on a besoin de la définition suivante.

Définition 1.1. Soit n un entier positif. Le nombre n! est défini comme

n! := n × (n − 1) × (n − 2) × ... × 3 × 2 × 1.

Par convention, on pose 0! = 1.

Qn
Remarque 1.1. Cette définition peut aussi s’écrire comme n! = k=1 k.
On a le résultat suivant :

Théorème 1.1. Soit E un ensemble fini de cardinal n. Il existe n! manières d’ordonner les
éléments de E.

Démonstration. Pour ordonner un ensemble à n éléments, il faut commencer par choisir le premier : on
a n possibilités. On choisit ensuite le second, et on a (n − 1) possibilité. Pour le troisième, on a n − 2
possibilités, etcaetera. En tout, on a donc bien n! possibilités.
Réponse au problème concret. Distribuer les maillots, c’est ordonner mon ensemble de 11 joueurs :
c’est choisir qui est le joueur numéro 1, qui est le numéro 2,... Par le théorème précédent, il existe 11 !
manières de faire, soit 39916800 (d’après ma calculatrice).
Remarque 1.2. Si E est un ensemble de cardinal n, n! est aussi
• le nombre de permutations de E, c’est-à-dire le nombre de bijections de E dans E ;
• le nombre de bijections de {1, ..., n} dans E.

3
Nombre d’arrangements

Problème concret : 10 chevaux participent à une course. Pour jouer au tiercé, on doit prédire
quel cheval arrivera premier, quel cheval arrivera deuxième, et quel cheval arrivera troisième.
Combien y a-t-il de possibilités ?

Problème mathématique : Soit E un ensemble fini, formé de n éléments, et soit p ≤ n. De

combien de manière peut-on choisir une suite de p éléments de E distincts ?

Par exemple, si E = {a, b, c, d} et si p = 2, il existe 12 manières de faire :

(a, b); (a, c); (a, d); (b, a); (b, c); (b, d); (c, a); (c, b); (c, d); (d, a); (d, b); (d, c).

Définition 1.2. Soit E un ensemble fini, formé de n éléments, et soit p ≤ n. Un arrangement

de p éléments de E est le choix d’une suite de p éléments de E distincts.

Remarquons qu’un arrangement de n éléments de E est simplement une manière d’ordonner E.

On a le résultat suivant :

Théorème 1.2. Soit E un ensemble fini de cardinal n et soit p ≤ n. Le nombre d’arrangements

de p éléments de E est donné par :
n!
Apn := = n × (n − 1) × ... × (n − p + 1).
(n − p)!

Démonstration. Pour choisir un arrangement de p éléments de E, je commence par choisir le premier

élément : j’ai n possibilités. Je choisis ensuite le 2ème, et j’ai n − 1 possibilités. Je continue ainsi jusqu’à
choisir le p-ième élément, pour lequel j’ai n−p+1 possibilités. On a donc bien n×(n−1)×...×(n−p+1)
possibilités.
En remarquant que

n! 1 × 2 × ... × (n − p − 1) × (n − p) × (n − p + 1) × ... × (n − 1) × n
=
(n − p)! 1 × 2 × ... × (n − p − 1) × (n − p)
n!
et en simplifiant les (n − p) premiers termes, on trouve bien que n × (n − 1) × ... × (n − p + 1) = (n−p)! .

Réponse au problème concret. Au tiercé, il faut choisir une suite de 3 chevaux (tous distincts) parmi
10. Le nombre de possibilités est donc

A310 = 10 × 9 × 8 = 720.

Nombre de combinaisons

Problème concret : Dans certaines variantes du poker, chaque joueur commence avec une main
de 2 cartes, sur un jeu de 52 cartes. Combien de mains de départ différentes existe-t-il ?

Problème mathématique : Soit E un ensemble fini, formé de n éléments, et soit p ≤ n. De

combien de manière peut-on choisir p éléments de E distincts ?

Attention, ça n’est pas le même problème que précédemment : ici, l’ordre des p éléments choisis n’est
pas pris en compte.
Par exemple, si E = {a, b, c, d} et p = 2, il existe 6 manières de faire :

{a, b}; {a, c}; {a, d}; {b, c}; {b, d}; {c, d}.

4
 Définition 1.3. Soit E un ensemble fini, formé de n éléments, et soit p ≤ n. Une combinaison
de p éléments de E est le choix de p éléments de E distincts.

Théorème 1.3. Soit E un ensemble fini de cardinal n et soit p ≤ n. Le nombre de combinaisons

de p éléments de E est donné par :
 
n n!
:= .
p p!(n − p)!
 
n
Le nombre est aussi noté Cnp . Ces nombres sont appelés les coefficients binomiaux.
p

Démonstration. À partir d’une combinaison de p éléments de E, je peux construire plusieurs arrange-

ments de p éléments de E : un pour chaque manière d’ordonner les p éléments choisis. Par conséquent,
chaque combinaison de p éléments de E permet de construire p! arrangements tous différents. De plus,
les ensembles d’arrangements pouvant être construits à partir de deux combinaisons différentes sont
disjoints. On en déduit que  
n
Apn = p! ,
p
 
n n!
et donc que := p!(n−p)! .
p
 
n
Remarque 1.3. La démonstration ci-dessus, de nature combinatoire, montre que est un nombre
p
entier. Il n’est pas évident de le montrer à partir de la définition et de propriétés arithmétiques !
Réponse au problème concret. Le nombre de mains initiales possibles au poker est le nombre de
combinaisons de 2 éléments d’un ensemble à 52 éléments. Par le théorème précédent, cela vaut
 
52 52! 51 × 52
= = = 1326.
2 2!50! 2

5
1.2 Propriétés des coefficients binomiaux
Symétrie des coefficients

Proposition 1.1. Soit n ≥ 1 un entier, et soit 0 ≤ p ≤ n un entier. On a

   
n n
=
p n−p

Démonstration combinatoire. Choisir 

p éléments
  parmi  n, c’est équivalent à choisir (n−p) éléments (ceux
n n
qu’on ne prend pas). On a donc bien = .
p n−p
Démonstration calculatoire. On a
   
n n! n! n
= = = .
p p!(n − p)! (n − p)!p! n−p

Quelques valeurs à connaitre

Pour tout n ≥ 1, on a
   
n n
= =1
0 n
   
n n
= = n.
1 n−1

Le triangle de Pascal

Proposition 1.2 (La formule de Pascal). Soit n ≥ 2 un entier, et soit 0 ≤ p ≤ n − 1 un entier.

On a      
n n−1 n−1
= + .
p p−1 p

Démonstration calculatoire. On a
   
n−1 n−1 (n − 1)! (n − 1)!
+ = +
p−1 p (p − 1)!(n − p)! p!(n − 1 − p)!
(n − 1)! (n − 1)!
= +
(p − 1)!(n − p − 1)!(n − p) (p − 1)!p(n − 1 − p)!
(n − 1)!  1 1
= +
(p − 1)!(n − p − 1)! n − p p
(n − 1)! n
= ×
(p − 1)!(n − p − 1)! (n − p)p
 
n! n
= = .
p!(n − p)! p

Démonstration
  combinatoire. Soit E un ensemble à n éléments, et soit x un élément quelconque de E.
n
compte le nombre de parties de E ayant p éléments. Il y a deux types de parties de E à p éléments :
p
celles contenant x, et celles ne contenant pas x.
Les parties 
de E à péléments ne contenant pas x sont aussi des parties de E\{x} contenant p éléments.
n−1
Il y en a donc , car E\{x} contient n − 1 éléments.
p

6
  
n−1
Il y a parties de E à p éléments contenant x : elles sont toutes construites en ajoutant {x}
p−1
à une partie de E\{x}
 ayant p − 1éléments.
 
n n−1 n−1
On a donc bien = + .
p p−1 p
La formule de Pascal nous incite à calculer les coefficients binomiaux en les écrivant dans un triangle
comme suit.
• On commence par remplir les cases où p = 0 et celles où p = 1 de 1.
• On remplit les cases où p > n de zéros (par convention).
• Puis on remplit les autres cases de haut en bas, grâce à la règle suivante : chaque case est la
somme de la case au dessus et de la case au dessus à gauche.
p
0 1 2 3 4 5 6
n
1 1 1 0 0 0 0 0
2 1 2 1 0 0 0 0
3 1 3 3 1 0 0 0
4 1 4 6 4 1 0 0
5 1 5 10 10 5 1 0
6 1 6 15 20 15 6 1

Un peu d’histoire : Ce n’est pas Pascal qui a inventé les coefficients binomiaux, ni la  formule
de Pascal . Celles-ci ont été découvertes pour la première fois par les mathématiciens arabes,
au début du Moyen-âge, puis ont ensuite été retrouvées par les mathématiciens chinois à la
fin du Moyen-âge, et par les mathématiciens européens, au début de la Renaissance. Mais c’est
Pascal qui a montré le premier certaines propriétés des coefficients binomiaux par des récurrences
rigoureuses.
La combinatoire est née quand les mathématiciens et les grammairiens arabes se sont posé la
question suivante : Sachant que l’alphabet arabe comporte 28 consonnes, et que chaque mot
arabe est composé de 3 consonnes, combien de mots peut-on former en arabe ?

La formule du binôme de Newton

Vous connaissez la formule (a + b)2 = a2 + 2ab + b2 . Celle-ci se généralise à des puissances plus grande
que 2 : c’est la formule dite du binôme de Newton.

Théorème 1.4. Soit n ≥ 1 un entier. Pour tout x, y ∈ R, on a

n  
n
X n
(x + y) = xk y n−k .
k
k=0

Démonstration. On a (x + y)n = (x + y) × (x + y) × ... × (x + y). En développant le produit, je vais

obtenir des termes qui sont tous de la forme xk y n−k , pour des k entre 0 et n. Le nombre de fois que je
k n−k
vais
 obtenir le terme x y est égal au nombre demanière
 de choisir k éléments parmi n, et donc à
n n n
. On en déduit donc bien que (x + y)n = k=0 xk y n−k .
P
k k

Complément : la formule de Stirling

Problème mathématique : Lorsqu’on fait de la combinatoire, on manipule souvent des fac-

torielles de grands nombres. Celles-ci peuvent être très difficiles à calculer, car elles nécessitent
de nombreuses étapes de calcul, et car les nombres considérés sont trop grands pour votre cal-
culatrice. Que vaut (1000!) ? Elle est incapable de répondre ! Elle ne peut même pas vous dire
combien de chiffres il y a dans ce nombre...

Heureusement, il existe une formule permettant d’approcher (n!) lorsque n est grand.

7
 Proposition 1.3 (La formule de Stirling). On a
√  n n
n! ∼ 2nπ .
e

Nous ne donnerons pas de démonstration de cette formule (peut-être en verrez-vous une dans votre
cours d’analyse). Rappelons simplement que, si un et vn sont des suites strictement positives, un ∼ vn
signifie que unu−v
n
n
−→ 0.

8
Chapitre 2

Probabilités finies

2.1 Expériences aléatoires

Définition 2.1. Une expérience aléatoire est une expérience, ou un phénomène, dont l’issue
ne peut pas être prédite avec certitude.
L’univers d’une expérience (ou univers probabiliste) est l’ensemble des issues possibles de
cette expérience aléatoire.
Un univers probabiliste est traditionnellement noté par la lettre Ω (oméga majuscule), et ses
éléments sont traditionnellement notés ω (omega minuscule). Dans tout ce chapitre, Ω sera un
ensemble fini.

Exemple 2.1. • Le lancer d’une pièce est une expérience probabiliste. Son univers est {pile, face}.
• Le lancer d’un dé a pour univers {1, 2, 3, 4, 5, 6}.
• La note que vous obtiendrez à l’examen est une expérience probabiliste. Son univers est l’ensemble
des entiers (et demi-entiers) compris entre 0 et 20.
• Le temps que mettre un atome radioactif à se désintégrer est aussi une expérience probabiliste.
A priori, une telle désintégration peut se produire n’importe quand dans le futur ; son univers est
donc [0, +∞[. Cet univers n’est pas fini : de telles expériences aléatoires ne seront pas traitées
dans ce chapitre.
Il faut parfois réfléchir un peu pour déterminer l’univers d’une expérience probabiliste. Supposons
par exemple que je lance 2 dés. Si les deux dés sont identiques et si je les lance en même temps, obtenir
1 sur le premier dé et 3 sur le second, c’est la même chose que d’obtenir 3 sur le premier et 1 sur le
troisième. L’univers probabiliste de cette expérience sera donc
n
Ω = {1, 1}, {1, 2}, {1, 3}, {1, 4}, {1, 5}, {1, 6}, {2, 2}, {2, 3}, {2, 4}, {2, 5},
o
{2, 6}, {3, 3}, {3, 4}, {3, 5}, {3, 6}, {4, 4}, {4, 5}, {4, 6}, {5, 5}, {5, 6}, {6, 6} .

En revanche, si les dés sont différents, ou si je les lance l’un après l’autre, alors obtenir 1 sur le premier
dé et 3 sur le second, ça ne sera pas la même chose que d’obtenir 3 sur le premier et 1 sur le troisième.
L’univers probabiliste du lancer des deux dés sera alors
n
Ω = (1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6),
(3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6), (4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6),
o
(5, 1), (5, 2), (5, 3), (5, 4), (5, 5), (5, 6), (6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6) .

Remarquons que cet ensemble est {1, 2, 3, 4, 5, 6} × {1, 2, 3, 4, 5, 6} au sens du produit cartésien.

Définition 2.2. Soit Ω un univers probabiliste fini. Un événement est une partie de Ω. Autre-
ment dit, un événement est un ensemble d’issues possibles d’une expérience aléatoire.
Si A et B sont des parties de Ω telles que A ∩ B = ∅, on dit que les événements A et B sont
incompatibles.

9
 Dans toute la suite, si A est un événement de Ω, on notera Ac son complémentaire, c’est-à-dire
c
A = Ω\A. On notera Card(A) le cardinal de A, c’est-à-dire le nombre d’éléments de A.
Exemple 2.2. Voici quelques exemples d’événements :
• J’obtiens pile en lançant une pièce.
• J’obtiens un résultat pair en lançant un dé à 6 faces.
• Vous obtenez plus que 15/20 à votre examen.
• Nous n’avons défini les événements que pour les univers fini, pas pour les univers infinis.  L’atome
radioactif met entre 2 et 3 secondes à se désintégrer sera sans doute un énénement, car il est
possible de le mesurer.  Le temps que met l’atome radioactif à se désintégrer est un nombre
rationnel sera-t-il un événement ? En tout cas, ça n’est pas facile à mesurer...

2.2 Mesures de probabilité

Une mesure de probabilité est une manière d’associer un nombre entre 0 et 1 à chaque événement.

Définition 2.3. Soit Ω un ensemble fini. Une mesure de probabilité sur Ω est une application
P : P(Ω) −→ [0, 1] vérifiant les propriétés suivantes :
• P(Ω) = 1.
• Pour tout A, B ∈ P(Ω) tels que A ∩ B = ∅, on a P(A ∪ B) = P(A) + P(B).
On dit alors que (Ω, P) est un espace de probabilité (fini).
Si A ⊂ Ω, P(A) est alors appelé la probabilité de l’évènement A.

La seconde propriété ci-dessus s’appelle la propriété d’additivité des mesures de probabilités.

L’exemple le plus important de mesure de probabilité sur un univers fini est la mesure uniforme :

Définition 2.4. Soit Ω un ensemble fini de cardinal N . La mesure uniforme sur Ω est donnée
par

Card(A)
∀A ⊂ Ω, P(A) = .
N
Cette mesure de probabilité sera parfois notée Punif .

Cette loi est utilisée pour modéliser des situations où toutes les issues d’une expérience aléatoire ont
la même probabilité de se produire. Par exemple,
le lancer d’un dé à 6 faces non truqué sera modélisé
par l’espace de probabilité {1, 2, 3, 4, 5, 6}, Punif .

Lien entre mesure uniforme et dénombrement

Problème concret : Dans certaines variantes du poker, chaque joueur commence avec une main
de 2 cartes, sur un jeu de 52 cartes. Quelle est la probabilité de commencer avec une paire d’as ?

Ici, l’expérience aléatoire considérée est la pioche de deux cartes dans un jeu de 52 cartes. L’univers
probabiliste est donc l’ensemble Ω de toutes les combinaisons de deux cartes pouvant être piochées dans
un jeu de 52 cartes. Aucune combinaison de deux cartes n’étant a priori plus probable que les autres
(personne ne triche !), Ω est muni de la probabilité uniforme. L’événement A est la pioche de deux as
dans un jeu de 52 cartes. On a donc
Card(A)
P(A) = .
Card(Ω)
 
52
On a vu au chapitre précédent que Card(Ω) = = 1326. Quant à A, il correspond à choisir 2
2
 
4
éléments parmi les 4 as du jeu. Son cardinal est donc Card(A) = = 6. On a donc
2

6 1
P(A) = = ≈ 0.0045
1326 221

10
 Problème concret : Quelle est la probabilité pour que, dans une classe de 30 élèves, au moins
deux élèves aient la même date de naissance ?

S’il y a n élèves dans la classe, notons Ω = {1, ..., 365}n , c’est-à-dire l’ensemble des n-uplets possibles
donnant la liste des dates de naissance des élèves. En première approximation, on munit cet ensemble de
la mesure uniforme. 1 On a donc, pour tout événement A

Card(A) Card(A)
P(A) = = .
Card(Ω) 365n

L’événement A correspond à ce que au moins deux coordonnées du n-uplet aient la même valeur.
Son complémentaire est donc l’ensemble Ac où toutes les coordonnées du n-uplet sont différentes. Cela
correspond à choisir choisir un suite de n éléments distincts parmi 365. Par le théorème 1.2, on a
365!
Card(Ac ) = An365 = (365−30)! . On a donc, pour n = 30,

365! 365 364 336

P(Ac ) = 30
= × × ... × ≈ 0, 29.
(335!) × 365 365 365 365

On a donc
P(A) = 1 − P(Ac ) ≈ 0, 71.

Propriétés des mesures de probabilité

On peut déduire les propriétés suivantes de la définition d’une mesure de probabilité.

Proposition 2.1 (Propriétés élémentaires des mesures de probabilité). Soit (Ω, P) un espace de
probabilité fini.
1. On a P(∅) = 0.
2. Pour tout A ⊂ Ω, on a P(Ac ) = 1 − P(A).
3. Pour tout A ⊂ Ω et tout B ⊂ A, on a P(B) = P(A) − P(A\B).
4. Pour tout A, B ⊂ Ω, on a P(A ∪ B) = P(A) + P(B) − P(A ∩ B).

Démonstration. 1. En prenant A = B = ∅, on a ∅ ∩ ∅ = ∅, ∅ ∪ ∅ = ∅, donc P(∅) = P(∅ ∪ ∅) = P(∅) + P(∅).

On en déduit que P(∅) = 0.
2. On a A ∩ Ac = ∅, donc P(A) + P(Ac ) = P(A ∪ Ac ) = P(Ω) = 1. On a donc bien P(Ac ) = 1 − P(A).
3. Soit A ⊂ Ω et B ⊂ A. On a B ∪ (A\B) = A et B ∩ (A\B) = ∅, donc P(A) = P(B) + P(A\B), d’où
le résultat découle.
4. Soient A, B ⊂ Ω. On a A ∪ B = B ∪ (A\(A ∩ B)) et B ∪ (A\(A ∩ B)) = ∅, donc

P(A ∪ B) = P(B) + P(A\(A ∩ B))

= P(B) + P(A) − P(A ∩ B)

par le point 3. Le résultat en découle.

Théorème 2.1. Soit (Ω, P) un espace de probabilité fini, et soit A ⊂ Ω. On a

X
P(A) = P({ω}). (2.1)
ω∈A

Démonstration. Montrons ce résultat par récurrence sur le cardinal de A. Si |A| = 0, alors A = ∅, et

on a P(A) = 0, donc le résultat est vrai. Si |A|P= 1, alors A est un singleton : il existe ω0 ∈ Ω tel que
A = {ω0 }. On a donc bien P(A) = P(ω0 ) = ω∈A P({ω}). (2.1) est donc bien vérifiée pour tous les
ensembles A de cardinal 0 ou 1.
1. En fait, plus de gens naissent le printemps et l’été que l’hiver, mais cela reste du même ordre de grandeur.

11
 Supposons que (2.1) est vérifiée pour tous les ensembles de cardinal n, et soit A un ensemble de
cardinal n + 1. Choisissons un élément ω0 ∈ A, et notons B = A\{ω0 }. On a alors A = B ∪ {ω0 }, et
B ∩ {ω0 } = ∅. Par la propriété d’additivité, on a donc P(A) = P(B) + P({ω0 }). Mais, par hypothèse de
récurrence, on a
X X
P(B) = P({ω}) = P({ω}).
ω∈B ω∈A\{ω0 }
P P
On a donc bien P(A) = ω∈A\{ω0 } P({ω}) + P({ω0 }) = ω∈A P({ω}), et on déduit le résultat par
récurrence.

Lois de probabilité
Plutôt que de travailler avec des mesures de probabilité, c’est-à-dire d’associer une valeur à chaque
évènement, il est souvent plus facile d’associer une valeur à chaque issue de l’expérience aléatoire, c’est-
à-dire à chaque élément de Ω. C’est l’objet de la définition suivante.

Définition 2.5. Soit ΩPun ensemble fini. Une loi de probabilité sur Ω est une application
q : Ω −→ [0, 1] telle que ω∈Ω q(ω) = 1.

La proposition suivante nous explique comment passer d’une mesure de probabilité à une loi de
probabilité, et réciproquement ; lorsque Ω est un ensemble fini, ces deux notions sont tellement proches
qu’on les identifie souvent.

Proposition 2.2 (Lien entre mesure de probabilité et loi de probabilité). Soit Ω un ensemble
fini.
1. Si P est une mesure de probabilité sur Ω, alors l’application q : Ω −→ [0, 1] donnée par
q(ω) = P({ω}) est une loi de probabilité.
est une loi de probabilité sur Ω, alors l’application P : P(Ω) −→ [0, 1]
2. Réciproquement, si qP
donnée par P(A) := ω∈A q(ω) est une mesure de probabilité sur Ω.

Démonstration. 1. On applique (2.1) à A = Ω, et on a bien

X X
q(ω) = P({ω}) = P(Ω) = 1.
ω∈Ω ω∈Ω
P
2. Avec cette définition de P, on a P(Ω) = ω∈Ω q(ω) = 1, car q est une loi de probabilité.
Ensuite, si A, B ⊂ Ω avec A ∩ B = ∅, on a
X
P(A ∪ B) = q(ω)
ω∈A∪B
X X
= q(ω) + q(ω) car A ∩ B = ∅
ω∈A ω∈B
= P(A) + P(B).

P est donc bien une mesure de probabilité.

Exemple 2.3. Soit Ω un ensemble fini de cardinal N . La loi de probabilité associée à la mesure uniforme
est donnée par
1
∀ω ∈ Ω, q(ω) = .
N

12
La loi de Bernoulli et la loi binomiale

Définition 2.6. Soit p ∈ [0, 1]. La loi de Bernoulli de paramètre p est la loi sur {0, 1}
donnée par
q(1) = p, q(0) = 1 − p.

Problème concret : Je lance 10 fois une pièce. Quelle est la probabilité que j’obtienne 4 fois
face ?

La réponse est fournie par la loi suivante :

Définition 2.7. Soit N ∈ N et soit p ∈ [0, 1]. La loi binomiale de paramètre p sur {0, ..., N }
est donnée par  
n k
∀k ∈ {0, ..., N }, q(k) = p (1 − p)N −k .
k

Il s’agit bien d’une loi de probabilité : par la formule du binôme de Newton, on a

N  
X n
N
pk (1 − p)N −k = p + (1 − p) = 1.
k
k=0

Vérifions que cette loi répond bien à la question posée précédemment. Supposons que je lance N fois
la même pièce, et que la probabilité d’obtenir face sur cette pièce vaut p. Par exemple, p = 1/2 si la
pièce est équilibrée.
L’univers décrivant cette expérience est alors {(P, F )}N . Soit {x1 , ..., xN } ∈ {(P, F )}N , et soit k le
nombre de F dans {x1 , ..., xN }. Le nombre de P dans {x1 , ..., xN } est donc N − k, et la probabilité
d’obtenir {x1 , ..., xN } est pk (1 − p)N −k
L’espace {(P, F )}N est donc muni de la mesure de probabilité P telle que

P({x1 , ..., xN }) = pk (1 − p)N −k , où k est le nombre de fois où apparait F dans {x1 , ..., xN }.

Revenons à notre problème initial, qui était de calculer la probabilité d’obtenir k fois face. Il existe N


k
N -uplets {x1 , ..., xN }, et chacun a une probabilité pk (1 − p)N −k d’être obtenu. La probabilité d’obtenir
k fois face est donc bien  
n k
p (1 − p)N −k ,
k
comme annoncé.

2.3 Variables aléatoires finies

Dans tout ce chapitre, Ω sera un ensemble fini, muni d’une mesure de probabilité P.

Définition 2.8. Une variable aléatoire sur (Ω, P) est une application X : Ω −→ R.
Le support X(Ω) d’une variable aléatoire X est l’image de Ω par X, c’est-à-dire l’ensemble des
valeurs prises par X(ω) lorsque ω parcourt Ω.

X(Ω) est donc un sous-ensemble fini de R.

13
 Définition 2.9. On notera

{X = x} := {ω ∈ Ω; X(ω) = x}.

On notera aussi 
P(X = x) := P ω ∈ Ω; X(ω) = x .
Plus généralement, si A ⊂ X(Ω), on notera

{X ∈ A} := {ω ∈ Ω; X(ω) ∈ A}, P(X ∈ A) := P ω ∈ Ω; X(ω) ∈ A .

Enfin, si X1 , ..., Xn sont des variables aléatoires, et si x1 ∈ X1 (Ω), ..., xn ∈ Xn (Ω), on notera

{X1 = x1 , ..., Xn = xn } = {ω ∈ Ω; X1 (ω) = x1 et X2 (ω) = x2 et ... et Xn (ω) = xn }.

Proposition 2.3. L’application X(Ω) 3 x 7→ P(X = x) ∈ [0, 1] est une loi de probabilité sur
X(Ω).

Cette loi est appelée la loi de X.

Démonstration. On a
X X 

P(X = x) = P ω ∈ Ω; X(ω) = x
x∈X(Ω) x∈X(Ω)
 [  
=P ω ∈ Ω; X(ω) = x car les événements {X = x} sont deux à deux disjoints
x∈X(Ω)

= P(Ω) = 1.

Exemple 2.4. Considérons le lancer de deux dés à 6 faces équilibrés et discernables. L’espace de pro-
babilité associé est Ω = {1, ..., 6}2 muni de la mesure uniforme.
— Pour i = 1, 2, la variable aléatoire Xi donnant le résultat du dé numéro i est une variable aléatoire
de support {1, ..., 6}, et la loi de cette variable est la loi uniforme.
— La variable aléatoire S = X1 +X2 donnée par la somme des résultats des deux dés est une variable
aléatoire de support {2, ..., 12}. On a

{S = 2} = {(1, 1)}, {S = 3} = {(1, 2); (2, 1)}, {S = 4} = {(1, 3); (2, 2); (3, 1)},
{S = 5} = {(1, 4); (2, 3); (3, 2); (4, 1)} {S = 6} = {(1, 5); (2, 4); (3, 3); (4, 2); (5, 1)},
{S = 7} = {(1, 6); (2, 5); (3, 4); (4, 3); (5, 2); (6, 1)},
{S = 8} = {(2, 6); (3, 5); (4, 4); (5, 3); (6, 2)}, {S = 9} = {(3, 6); (4, 5); (5, 4); (6, 3)}
{S = 10} = {(4, 6); (5, 5); (6, 4)}, {S = 11} = {(5, 6); (6, 5)}, {S = 12} = {(6, 6)}.

On a donc
1 2 1 3 1 4 1
P(S = 2) = , P(S = 3) = = , P(S = 4) = = , P(S = 5) = = ,
36 36 18 36 12 36 9
5 6 1 5 1 4 1
P(S = 6) = , P(S = 7) = = , P(S = 8) = = , P(S = 9) = = ,
36 36 6 36 12 36 9
3 1 2 1 1
P(S = 10) = = , P(S = 11) = = , P(S = 12) = .
36 12 36 18 36

Définition 2.10. Soient (Ω; P) et (Ω0 , P0 ) deux univers probabilistes finis, et soient X : Ω −→ R,
X 0 : Ω0 −→ R deux variables aléatoires. On dit que X et X 0 sont égales en loi, ce que l’on note
L
X = X 0 si X(Ω) = X 0 (Ω0 ) et si, pour tout x ∈ X(Ω), on a P(X = x) = P0 (X 0 = x).

14
 — Soit 0 < p < 1. On dit que X suit une loi de Bernoulli de paramètre p, ce que l’on note X ∼ B(p),
si X(Ω) = {0, 1} et P(X = 1) = p, P(X = 0) = 1 − p.
— Soit 0 < p < 1, n ∈ N. On dit que X suit une loi binomiale de paramètre (n, p), ce que l’on note
X ∼ B(n, p), si X(Ω) = {0, ..., n} et P(X = k) = nk pk (1 − p)n−k .

2.3.1 Espérance d’une variable aléatoire finie

Définition 2.11. Soit X une variable aléatoire sur Ω. On définit son espérance E(X) par
X
E(X) = xP(X = x).
x∈X(Ω)

Remarque 2.1. — Soit X la variable aléatoire donnant le résultat d’un dé équilibré à 6 faces. Son
espérance vaut
1 2 3 4 5 6
E(X) = + + + + + = 3, 5.
6 6 6 6 6 6
L
— L’espérance d’une variable aléatoire ne dépend que de sa loi : X = Y =⇒ E(X) = E(Y ).
— Soit A ⊂ Ω un événement. Sa fonction indicatrice 1A : Ω −→ R, définie par 1A (ω) = 1 si ω ∈ A,
et 0 si ω ∈ Ω\A, est une variable aléatoire de support {0, 1}. Son espérance vaut

E(1A ) = 1 × P(1A = 1) + 0 × P(1A = 0) = P(A).

Proposition 2.4. Soient X, Y : Ω −→ R des variables aléatoires, et soit λ ∈ R. Alors

E(λX + Y ) = λE(X) + E(Y ). (2.2)

Lemme 2.1. Soient X, Y des variables aléatoires. Pour tout x ∈ X(Ω), on a

X
P(X = x) = P(X = x, Y = y).
y∈Y (Ω)

S
Démonstration du lemme. On a {X = x} = y∈Y (Ω) {X = x, Y = y}, et les événements de la réunion
sont deux à deux distincts. On peut donc conclure en utilisant la deuxième propriété dans la définition
d’une mesure de probabilité.
Démonstration de la proposition. Notons Z = λX + Y . On a Z(Ω) = {λx + y | (x, y) ∈ X(Ω) × Y (Ω)}.
Soit z ∈ Z(Ω). On a [
{Z = z} = {X = x, Y = y}.
(x,y)∈X(Ω)×Y (Ω)
λx+y=z

Ces événements étant deux à deux disjoints, on a

X X
P(Z = z) = P(X = x, Y = y) = 1λx+y=z P(X = x, Y = y).
(x,y)∈X(Ω)×Y (Ω) (x,y)∈X(Ω)×Y (Ω)
λx+y=z

15
 On a
X X X
E(Z) = zP(Z = z) = 1λx+y=z (λx + y)P(X = x, Y = y)
z∈Z(Ω) z∈Z(Ω) (x,y)∈X(Ω)×Y (Ω)
X  X 
= 1λx+y=z (λx + y)P(X = x, Y = y)
(x,y)∈X(Ω)×Y (Ω) z∈Z(Ω)
X
= (λx + y)P(X = x, Y = y)
(x,y)∈X(Ω)×Y (Ω)
X X X X
=λ xP(X = x, Y = y) + yP(X = x, Y = y)
x∈X(Ω) y∈Y (Ω) x∈X(Ω) y∈Y (Ω)
X X
=λ xP(X = x) + yP(X = x, Y = y) par le lemme 2.1
x∈X(Ω) y∈Y (Ω)

= λE(X) + E(Y ).

Remarque 2.2. On a vu que, si X1 , ..., Xn étaient des variables aléatoires indépendantes (voir la section
?? pour la définition précise de l’indépendance) suivant une loi de Bernoulli de paramètre p, alors X1 +
... + Xn suivait la loi B(n, p). On déduit de la proposition précédente que si X ∼ B(n, p), alors
E(X) = np.

Proposition 2.5. 1. Soient X −→ [0, +∞[ une variable aléatoire positive. Alors E(X) ≥ 0.
De plus, si E(X) = 0, alors P(X = 0) = 1. (On dit alors que X est presque surement
nulle.)
2. Soient X, Y deux variables aléatoires telles que X ≤ Y . Alors E(X) ≤ E(Y ).

P
Démonstration. 1. On a E(X) = x∈X(Ω) xP(X = x). Cette somme ne comporte que des termes positifs,
donc elle est positive. Si E(X) = 0, alors tous les termes de la somme doivent être nuls. Par conséquent,
on doit avoir P(X = x) = 0 pour tous les x > 0, et donc P(X = 0) = 1.
2. Si X ≤ Y , alors Y − X ≥ 0, donc E(Y − X) ≥ 0. Par la proposition précédente, on a E(Y − X) =
E(Y ) − E(X), donc on en déduit bien que E(X) ≤ E(Y ).

Théorème 2.2 (Formule de transfert). Soit X une variable aléatoire, et soit f : R −→ R.

X
E f (X) = f (x)P(X = x). (2.3)
x∈X(Ω)

Démonstration. Notons Y = f (X). On a Y (Ω) = f X(Ω) = {f (x); x ∈ X(Ω)}. On a
X X X
E(Y ) = yP(Y = y) = y P(X = x)
y∈Y (Ω) y∈Y (Ω) x∈X(Ω);f (x)=y
X
= f (x)P(X = x).
x∈X(Ω)

2.3.2 Variance d’une variable aléatoire finie

Définition 2.12. Soit X : Ω −→ R une variable aléatoire. On définit sa variance Var(X) par

2

Var(X) = E X − E(X) .

L’ écart-type de X est la racine carrée de la variance de X.

16
Remarque 2.3. — La variance (et l’écart-type) mesurent l’étalement, la dispersion de la variable
aléatoire X autour de son espérance E(X).
— On a
Var(X) = E(X 2 ) − (E(X))2 .
La démonstration de cette égalité sera faite en TD.
Exemple 2.5.
Si X ∼ B(p), alors E(X) = p, et donc Var(X) = (1−p)(0−p)2 +p(1−p)2 = p(1−p)(p+(1−p)) = p(1−p).

Un peu d’histoire (et de philosophie) : La théorie des probabilités a été inventée par Fermat
et Pascal, au XVIIème siècle. Mais, notre définition d’une mesure de probabilité est celle donnée
par Kolmogorov, au début du XXème siècle. Que dit-elle ? Qu’à chaque événement, on associe un
nombre compris entre zéro et un, en vérifiant la propriété d’additivité et en donnant la valeur un
à l’univers tout entier. Et c’est tout !
Pourquoi avoir attendu tant de siècles pour donner une définition si simple ? Par ce que personne
n’est d’accord sur ce que signifie la probabilité d’un événement ! Qu’est-ce que ça veut dire, qu’une
pièce lancée en l’air a une probabilité 12 de tomber sur pile ? Pour certains, cela traduit la symétrie
de la pièce. Pour d’autres, cela signifie que quand on lance un très grand nombre de fois cette
pièce, on obtiendra environ autant de pile que de face : la fréquence des piles est de 12 . Certains
considèrent qu’en l’absence d’information, il est également plausible que la pièce donne pile ou
face au prochain lancer (mais, si elle a donné trois fois pile, il est peut-être plus plausible qu’elle
soit truquée, et donc qu’elle donne pile au lancer suivant). Pour d’autres enfin, la probabilité
désigne la propension d’un événement à advenir, une propriété a priori de tous les événements ;
une jolie notion, mais difficile à définir proprement...
Toutes ces interprétations des probabilités ont un dénominateur commun : elles suivent toutes
la définition de Kolmogorov ! Donc, quelles que soient vos convictions philosophiques, ce cours
pourra vous être utile.

17
Chapitre 3

Introduction aux statistiques

descriptives

3.1 Un peu de vocabulaire

Définition 3.1. — En statistiques, on considère une population, que l’on peut modéliser
mathématiquement comme un ensemble fini Ω. Un élément de cet ensemble est appelé un
individu ou une unité statistique.
— Une variable statistique est une observation réalisée sur une population (on parle aussi
d’un caractère d’un individu).
— On dit qu’une variable est quantitative si le résultat de l’observation est un nombre. Une
variable quantitative est dite discrète si son résultat est un nombre entier (ou appartient
à un petit ensemble de nombres réels), et elle est dite continue si son résultat peut a
priori être n’importe quel nombre dans un intervalle.
— On dit qu’une variable est qualitative si le résultat n’est pas un nombre. On parle
de variable qualitative ordinale si ses résultats peuvent être classés, et nominale ou
catégorielle sinon.
— Les valeurs pouvant être prises par une variable statistique sont appelées ses modalités
(ou juste ses valeurs, quand il s’agit d’une variable quantitative).

Mathématiquement, on peut donc voir une variable statistique comme une application X à valeurs
dans R, dans N ou dans un ensemble fini.
Exemple 3.1. — La population considérée peut être la population d’un pays, l’ensemble des étudiants
d’une classe, l’ensemble des résultats d’une expérience de physique que l’on a répété plusieurs
fois...
— Des exemples de variables qualitatives nominales sont : la couleur des yeux d’une personne, la
ville d’origine d’un étudiant...
— Des exemples de variables qualitatives ordinales sont : la mention au baccalauréat, le résultat
de l’arrachage des pétales d’une marguerite (pas du tout, un peu, beaucoup, passionément, à la
folie),...
— Des exemples de variables quantitatives discrètes sont : le nombre de frères et sœurs, la note
obtenue à l’examen...
— Des exemples de variables quantitatives continues sont : le revenu annuel, la superficie du
logement...
Remarque 3.1. En pratique, les variables quantitatives continues ne peuvent pas toujours prendre toutes
les valeurs dans un intervalle, car on fait souvent un arrondi. Par exemple, une somme d’argent est
toujours arrondie au centime près.
De même, une variable quantitative discrète ne prend pas toujours pour valeur un nombre entier :
par exemple, une note à un examen peut contenir des demi-points.
En pratique, ce qui distingue une variable continue d’une variable discrète, c’est que la première
peut prendre un très grand nombre de valeurs différentes, tandis que la seconde ne prend qu’un nombre
restreint de valeurs.

18
 Définition 3.2. L’ effectif d’une modalité d’une variable statistique est le nombre d’individus
possédant cette modalité
Sa fréquence est son effectif divisé par la population totale.
Autrement dit, si X : Ω −→ {x1 , ..., xn } est une variable statistique, pour chaque x ∈ {x1 , ..., xn }
sa fréquence est définie par

Card ({ω ∈ Ω; X(ω) = x})

f (x) = .
Card(Ω)

Remarque 3.2. Pour une variable quantitative continue, l’effectif de chaque modalité sera en général
de 1. Les notions d’effectifs et de fréquences ne sont donc pas très intéressantes pour de telles variables
aléatoires.

Lien entre probabilités et statistiques

La statistique descriptive que nous voyons dans ce chapitre possède de nombreux liens avec les
probabilités.
En effet, la population considérée peut être vue comme un univers probabiliste, que l’on équipe avec la
mesure uniforme. Une variable statistique quantitative est alors la même chose qu’une variable aléatoire,
et la fréquence, qui associe à chaque modalité un nombre entre 0 et 1, peut être vue comme la loi de
cette variable aléatoire.
La moyenne d’une variable statistique, que nous définirons dans la section 3.3.1, est la même chose
que l’espérance d’une variable aléatoire.

3.2 Représentation graphique des variables statistiques

3.2.1 Diagrammes en barre et circulaires

Problème concret : Je connais la note au deuxième contrôle continu, le sexe, et le revenu mensuel
brut du père a de mes étudiants de l’an passé. Comment représenter ces données efficacement ?
a. Cette dernière donnée est complètement fantaisiste, je n’ai évidemment pas accès à cette information.

Remarquons que les trois variables considérées ici ne sont pas de même nature : la note au CC2 est
une variable quantitative discrète, le sexe est une variable qualitative nominale, et le revenu du père est
une variable quantitative continue (même si, ici, elle est arrondie à l’euro près).
Une première manière de représenter toutes ces données et de faire un tableau (voir ci-dessous). Le
problème, c’est que si la population considérée est plus grande (la population d’un pays, par exemple),
le tableau devient immense, et illisible !
Une manière plus efficace de représenter une variable qualitative est de faire un diagramme en
barres (ou diagramme en bâtons), comme dans les figures 3.1 et 3.3, où on représente en abscisse les
différentes modalités prises par la variable statistique, et, en ordonnées, les effectifs de chaque modalité.
Plutôt que les effectifs, on peut aussi représenter les fréquences des différentes modalités en abscisse.
Pour représenter les fréquences d’une variable qualitative, on peut aussi faire un diagramme circu-
laire (ou camembert), comme dans la figure 3.2.
Remarque 3.3. Ce n’est pas une bonne idée de faire des diagrammes en bâtons ou en camembert pour
des variables continues (car en général, toutes les modalités ont un effectif de 1, et il y a énormément
de bâtons ou de parts de camembert). Voyez par exemple la figure 3.4, qui est assez illisible.

3.2.2 Classes et histogrammes

Il est difficile, à partir de la figure 3.3 de se rendre compte si les notes ont été bonnes ou non. Une
solution commode est de regrouper la population en classes.
Ici, on considérera les classes  avoir une note comprise entre 0 et 4 ,  entre 4 et 8 ,  entre 8 et
12 ,  entre 12 et 16 , et  entre 16 et 20 . On peut alors réaliser un histogramme, comme dans

19
Figure 3.1 – Diagramme en barres des garçons et filles au cours de probas l’an dernier

Figure 3.2 – Diagramme circulaire des garçons et filles au cours de probas l’an dernier

20
Figure 3.3 – Diagramme en barre des notes au 2ème contrôle continu de probas l’an dernier

Figure 3.4 – Un diagramme en bâtons pour une variable continue : ça n’est pas très lisible !

21
 Note au CC2 Sexe Revenu mensuel brut du père Note au CC2 Sexe Revenu mensuel brut du père
8 H 1526 14 H 1907
7 H 2335 14 H 732
18 H 1154 2 H 2109
6 F 4748 8 F 2243
7 H 2994 3 H 2843
0 H 2463 9 H 9021
15 H 5273 7 H 2378
15 H 1256 10 H 1890
10 H 6632 6 H 1975
4 H 8234 12 H 3475
10 H 3221 2 H 2401
1 F 1443 8 H 2365
14 F 2543 5 H 1679
18 H 7432 14 H 1045
13 H 2354 4 H 987
12 F 4324 11 H 2158
15 H 3231 11 H 2276
15 H 1345 19 H 2593
10 H 3212 9 H 2012
5 H 2231 7 H 1876
6 H 1134 3 H 1594
9 F 2312 17 H 1409
13 F 1892 14 H 1368
6 H 1943 3 H 1723
10 H 2004 14 F 981
18 F 2876 1 H 2763
18 F 2134 18 F 2034
11 F 1672 14 H 6301
4 H 1689 6 F 2802
2 H 1709 2 H 1967
18 H 1543 1 H 1653
8 H 821 10 H 1589
6 H 2658 13 F 1752
10 H 4301 7 F 2307
6 H 1354 16 H 1304
20 H 1872 0 H 1305
12 H 2356 0 H 1293
14 F 2578 7 H 1248
11 H 1908 10 H 2037

la figure 3.5. La figure obtenue est alors beaucoup plus simple à lire : par exemple, elle est à peu près
symétrique autour de la moyenne.
Attention : Quand on réalise un histogramme, on perd toujours de l’information. Le choix des classes
en lesquels on regroupe les résultats est arbitraire. Il y a donc plusieurs histogrammes possibles pour une
variable statistique !
Les histogrammes sont particulièrement adaptés pour représenter les variables quantitatives continues,
comme dans la figure 3.6.

22
Figure 3.5 – Histogramme des notes au 2ème contrôle continu de probas l’an dernier

Figure 3.6 – Histogramme des revenus du père

23
 Figure 3.7 – Courbe des effectifs cumulés des notes

3.2.3 La courbe des effectifs cumulés

Définition 3.3. Si X est une variable quantitative (ou une variable qualitative ordinale), on
définit sa fonction des fréquences cumulées comme
X
F (x) := f (y).
y≤x

On peut aussi définir la fonction des effectifs cumulées comme

X
Fef f (x) := Card(Ω)F (x) = Card ({ω ∈ Ω; X(ω) = y}) .
y≤x

En représentant graphiquement cette fonction on obtient la courbe des effectifs cumulées, comme
dans les figures 3.7 et 3.8.
L’avantage d’une courbe des effectifs cumulés est qu’elle peut-être utilisée pour des variables discrètes
aussi bien que continues, et permet de calculer rapidement la médiane et autres quantiles (voir la section
suivante).

Remarque 3.4. La fonction des fréquences cumulées est croissante, et prend ses valeurs dans [0, 1].
Dans le chapitre sur les variables aléatoires continues, on verra son analogue probabiliste, qui est appelé
la fonction de répartition.

3.3 Indicateurs statistiques

Un indicateur statistique est un nombre réel donnant une information sur une variable statistique. On
les range en général en trois catégories : les indicateurs de tendance central, de position, et de dispersion.

3.3.1 Les indicateurs de tendance centrale

Les indicateurs de tendance centrale sont des nombres qui décrivent le comportement d’un individu
typique. Nous en verrons trois.

Le mode

Définition 3.4. Le mode d’une variable statistique est la modalité ayant l’effectif le plus grand.

Remarquons que le mode n’est pas nécessairement unique.

24
 Figure 3.8 – Courbe des effectifs cumulés des revenus

Exemple 3.2. Si la population est la classe de l’an dernier, le mode de la variable  sexe  est homme,
tandis que la variable  note au CC2  possède deux modes, 10 et 14.
Pour une variable quantitative à densité, la notion de mode n’est pas du tout pertinente. Cependant,
on peut regrouper les résultats par classes, appeler classe modale la classe qui possède le plus grand
effectif.

La moyenne

Définition 3.5. Si X est une variable quantitative, sa moyenne, notée X est

X
xf (x).
x∈X(Ω)

Remarquons que cette définition est exactement la même que celle de l’espérance d’une variable
aléatoire.

La médiane

Définition 3.6. Si X est une variable quantitative, sa médiane est

 
1
Med(X) := inf x ∈ X; F (x) ≥ ,
2

où F (x) est la fonction des effectifs cumulés.

Avantages et Inconvénients des différents paramètres de tendance centrale

— Le mode :
— simple à calculer
— ne dépend pas des valeurs extrêmes
— non nécessairement unique
— ne donne pas de renseignement sur l’ensemble des données
— La moyenne :
— tient compte de l’ensemble des données
— très dépendante des valeurs extrêmes
— la plus populaire des trois même si parfois pas représentative
— La médiane :

25
 — ne dépend pas des valeurs extrêmes
— plus représentative que la moyenne si le jeu de données présente des valeurs extrêmes
— un grand écart entre la médiane et la moyenne peut indiquer la présence de données extrêmes.
Attention : La réciproque est fausse.
— ne donne pas de renseignement sur l’ensemble des données

3.3.2 Paramètres de position

Les indicateurs (ou mesure, ou paramètres) de position donnent des informations sur la manière dont
les données sont situées les unes par rapport aux autres.

Quantiles

Définition 3.7. Soit X est une variable statistique quantitative, et soit α ∈]0, 1[. Le quantile
d’ordre α de X, noté qα (X), est défini par

qα (X) := inf {x ∈ R; F (x) ≥ α} ,

où F est la fonction des fréquences cumulées.

Remarque 3.5. — La médiane est le quantile d’ordre 21 .

— On appelle quartiles Q1 , Q2 et Q3 les quantiles d’ordre α = 14 , α = 1
2 et α = 3
4 respectivement.
— Les déciles D1 ,..., D9 correspondent à α = 0, 1, ..., α = 0, 9.
— Les centiles C1 , ..., C99 correspondent à α = 0, 01,..., α = 0, 99.

Avantages et inconvénients des quantiles

— Valeurs non dépendantes des valeurs extrêmes.
— Les écarts entre les quartiles renseignent sur la concentration des données et sur leur symétrie.
— Il est difficile de détecter les quantiles intéressants.

En économie : Il existe de nombreux autres indicateurs statistiques, que nous ne présenterons

pas dans ce cours, mais qui sont utiles dans d’autres sciences. Par exemple, en économie, on utilise
souvent la fonction de Lorenz L pour représenter l’inégalité de répartition des richesses. Si x est
un nombre entre 0 et 100, L(x) désigne le pourcentage de la richesse détenue par les x-pourcent
les plus pauvres. Ainsi, on a toujours L(x) ≤ x, et, si la richesse était répartie également entre
tous, on aurait L(x) = Leg (x) := x pour tout x. L’aire entre les courbes L(x) et Leg (x), multiplié
par deux, est appelé le coefficient de Gini. Il vaut donc 1 quand la répartition des richesses
dans la société est très inégale, et 0 quand elle est parfaitement égalitaire.

3.3.3 Paramètres de dispersion

Dans toute cette section, X sera une variable statistique quantitative.
Les indicateurs de dispersion permettent de mesurer l’étalement d’une variable statistique.

L’étendue et l’écart inter-quartile

Définition 3.8. L’ étendue d’une variable est la différence entre sa plus grande modalité et sa
plus petite modalité.

Définition 3.9. L’ écart inter-quartile d’une variable est la différence entre son troisième et
son premier quartile :
IQ(X) := Q3 (X) − Q1 (X).

26
 Figure 3.9 – Diagramme en boı̂te des notes

La variance et l’écart-type

Définition 3.10. La variance d’une variable statistique est

X
2
s2X := f (x) x − X
x∈X(Ω)

et son écart-type est q

sX := s2X

Remarquons que ces définitions sont exactement les mêmes que pour les variables aléatoires.

Avantages et Inconvénients
— L’étendue :
— simple à calculer
— ne donne aucune information sur la dispersion des valeurs intermédiaires
— La variance (ou l’écart-type) :
— prend en compte toutes les données
— mesure de dispersion vis à vis de la moyenne
— difficilement interprétable si elle est prise seule
— L’écart inter-quartile :
— joue le rôle de l’écart-type lorsque la médiane est plus représentative que la moyenne
— ne se calcule que dans certains cas (variable avec une échelle de rapport et que la valeur 0
signifie absence de)
— qualifie l’homogénéité d’une distribution
— quantifie la fiabilité de la médiane

Représentation graphique de certains paramètres : les  boı̂tes à moustaches 

Il est possible de synthétiser l’information de l’étendue et des trois quartiles sous la forme d’une
boı̂te à moustaches, aussi appelée diagramme en boı̂te (voir la figure 3.9). On représente une boı̂te
centrale, ayant pour extrémités le premier et le troisième quartile. Au milieu, on trace un trait pour la
médiane (le deuxième quartile). Enfin, on trace deux traits horizontaux (les moustaches), qui s’arrêtent
aux valeurs extrêmes prises par la variable statistique.
Sur la figure 3.9, on voit que la médiane des notes est de 10, que les notes vont de 0 à 20, et que les
trois quarts des étudiants ont eu entre 6 et 14. L’écart interquartile est donc de 8.

27
Chapitre 4

Indépendance et conditionnement

Dans tout ce chapitre, (Ω, P) sera un espace de probabilité. Le fait qu’il soit fini ne joue aucun rôle
ici, et toutes les définitions et les résultats présentés ici s’adaptent sans problème au cas des espaces de
probabilités infinis que nous considérerons dans les chapitres 5 et 6.

4.1 Probabilités conditionnelles et indépendance d’événements

Probabilités conditionnelles

Définition 4.1. Soient A, B ⊂ Ω des événements. La probabilité conditionnelle de A sa-

chant B est notée P(A|B), et est définie par
(
P(A ∩ B)/P(B) si P(B) > 0
P(A|B) =
P(A) sinon.

La quantité P(A|B) est parfois notée PB (A).

En général, on n’utilisera cette définition que dans le cas où P(B) > 0. Remarquons qu’elle alors peut
se réécrire comme
P(A ∩ B) = P(B)P(A|B).
Exemple 4.1. On lance 2 dés équilibrés à 6 faces. Sachant que la somme des résultats des deux dés
vaut 4, quelle est la probabilité pour que le résultat du premier dé soit un 3 ?
Cette situation est modélisée par Ω = {1, ..., 6}2 , muni de la probabilité uniforme.
Notons A l’événement  le résultat du premier dé est un 3 , et B l’événement  la somme des
résultats des dés vaut 4 . On a A = {3} × {1; ...; 6}, de sorte que Card(A) = 6. On a donc P(A) =
6 1 3 1
36 = 6 . On a B = {(1, 3); (2, 2); (3, 1)}, de sorte que P(B) = 36 = 12 . Enfin, A ∩ B = {(3, 1)}, donc
1
P(A ∩ B) = 36 . On a donc
1/36 1
P(A|B) = = .
1/12 3

Connaissant P(A|B), P(A|B) et P(B), on peut retrouver P(A) : c’est la formule dite des probabilités
totales.

Lemme 4.1. Soit A un événement.

1. Soit B un événement. Alors on a

P(A) = P(A|B) × P(B) + P(A|B c ) × P(B c ).

Sn
2. Plus généralement, si B1 , ..., Bn sont des événements tels que i=1 Bi = Ω, et Bi ∩ Bj = ∅
pour i 6= j, alors
X n
P(A) = P(A|Bi )P(Bi ).
i=1

28
Démonstration. Le premier point est bien une conséquence du second, car on a B∪B c = Ω, et B∩B c = ∅.
Montrons maintenant le second point :
m
X n
X
P(A|Bj )P(Bj ) = P(A ∩ Bj )
j=1 j=1
m
[ 
=P A ∩ Bj car les A ∩ Bj sont deux à deux disjoints
j=1
 m
[ 
=P A∩ Bj
j=1

= P(A).

Souvent, on connait P(A|B), et on veut en déduire P(B|A). Ceci peut être fait grâce à la formule
suivante, appelée formule de Bayes

Proposition 4.1. Soient A, B des événements tels que P(A) > 0, P(B) > 0. On a

P(B)
P(B|A) = P(A|B) × .
P(A)

Démonstration. On a
P(B) P(A ∩ B) P(B)
P(A|B) × = ×
P(A) P(B) P(A)
P(A ∩ B)
=
P(A)
= P(B|A),

ce qui nous donne bien le résultat annoncé.

Exemple 4.2. On dispose de deux urnes contenant 100 boules chacune. Dans la première urne, il y a 50
boules blanches et 50 boules noires. Dans la seconde urne, il y a 20 boules blanches et 80 boules noires.
On choisit une urne au hasard, et on tire une boule au hasard dans cette urne. La boule tirée est
noire. Quelle est la probabilité pour que l’urne qui a été choisie soit la seconde ?
Notons A l’événement  l’urne choisie est la seconde , et B l’événement  une boule noire est
tirée. On a P(A) = 21 , et, par hypothèse, P(B|A) = 10080
, P(B|A) = 10050
. Par la formule des probabilités
totales, on a donc
80 1 50 1 65
P(B) = P(B|A) × P(A) + P(B|A) × P(A) = × + × = .
100 2 100 2 100
On peut alors appliquer la formule de Bayes pour obtenir
P(A) 80 1/2 80 8
P(A|B) = P(B|A) × = × = = ≈ 0, 62.
P(B) 100 65/100 130 13
Il y a donc une probabilité d’environ 0,62 pour que la boule provienne de la seconde urne.
Lorqu’il y a plus de deux urnes, on applique plutôt la formule suivante, dite formule de Bayes
généralisée.
Sm
Proposition 4.2. Soit B1 , ..., Bm une partition de Ω (c’est à dire que i=1 Bi = Ω et ∀1 ≤ i, j ≤
m, i 6= j =⇒ Bi ∩ Bj = ∅), et soit A ⊂ Ω un événement tel que P(A) > 0.
Alors, pour tout 1 ≤ i ≤ m, on a

P(A|Bi )P(Bi )
P(Bi |A) = Pm .
j=1 P(A|Bj )P(Bj )

29
Démonstration. Le numérateur est égal à P(A ∩ Bi ). Quant au dénominateur, il est égal à P(A), par la
formule des probabilités totales. On a donc bien

P(A|Bi )P(Bi ) P(A ∩ Bj )

Pm = = P(Bi |A).
j=1 P(A|B j )P(B j ) P(A)

30
Indépendance d’événements

Définition 4.2. Soit (Ω, P) un espace de probabilité (fini).

1. Soient A, B ⊂ Ω des événements. On dit que A et B sont indépendants si

P(A ∩ B) = P(A)P(B).

2. Plus généralement, si A1 , ..., An sont des événements, on dit qu’ils sont indépendants (ou
que la famille (Ai )i∈{1,...,n} est indépendante) si, pour toute sous-famille Ai1 , ..., Aik ,
on a

P Ai1 ∩ ... ∩ Aik = P(Ai1 ) × ... × P(Aik ).

Attention ! Pour qu’une famille d’événements soit indépendante, il ne suffit pas que les événements
soient indépendants deux à deux.
Par exemple, on lance deux pièces équilibrées. Cette expérience est modélisée par la probabilité
uniforme sur l’univers {P P, P F, F P, F F }. On note A l’événement  la première pièce est pile , B
l’événement  la seconde pièce est pile et C l’événement  les deux pièces donnent le même résultat .
On a P(A) = P(B) = P(C) = 12 , et A ∩ B = B ∩ C = A ∩ C = {P P }, de sorte que P(A ∩ B) =
P(A ∩ C) = P(B ∩ C) = 41 , mais P(A ∩ B ∩ C) = P({P P }) = 41 6= P(A)P(B)P(C).

4.2 Indépendance de variables aléatoires finies

Définition 4.3. 1. Deux variables aléatoires X et Y de supports respectifs X(Ω) et Y (Ω)

sont dites indépendantes si

∀x ∈ X(Ω), ∀y ∈ Y (Ω), P(X = x, Y = y) = P(X = x) × P(Y = y).

2. Plus généralement, une famille de n variables indépendantes X1 , ..., Xn de supports respec-

tifs X1 (Ω), ..., Xn (Ω) est dite indépendante si
n
Y
∀x1 ∈ X1 (Ω), ...∀xn ∈ Xn (Ω), P(X1 = x1 , ...Xn = xn ) = P(Xi = xi ).
i=1

3. Enfin, une famille quelconque de variables aléatoires est dite indépendante si toute-sous
famille finie est indépendante.

Exemple 4.3. — Reprenons l’exemple du jet de deux dés, où Xi est la variable aléatoire donnant
le résultat du i-ème dé. Les variables X1 et X2 sont indépendantes. En effet, si j1 , j2 ∈ {1, ..., 6},
on a
1
P(X1 = j1 , X2 = j2 ) = ,
36
et
1 1 1
P(X1 = j1 )P(X2 = j2 ) = × = .
6 6 36
— En revanche, les variables S et X1 ne sont pas indépendantes. En effet, {S = 2, X1 = 3} = ∅,
1
donc P(S = 2, X1 = 3) = 0, tandis que P(S = 2)P(X1 = 3) = 36 × 16 .

Remarque 4.1. Si X1 , ...Xn est une famille indépendante de n variables aléatoires, alors X1 , ..., Xn−1
est une famille indépendante de n − 1 variables aléatoires.
En effet, si x1 ∈ X1 (Ω), ...xn−1 ∈ Xn−1 (Ω), on a
[
{X1 = x1 , ...Xn−1 = xn−1 } = {X1 = x1 , ..., Xn−1 = xn−1 , Xn = xn },
xn ∈Xn (Ω)

31
et le membre de droite est formé d’ensembles deux à deux disjoints. Par additivité, on en déduit que

X

P X1 = x1 , ..., Xn−1 = xn−1 = P X1 = x1 , ..., Xn−1 = xn−1 , Xn = xn
xn ∈Xn (Ω)
X
= P(X1 = x1 ) × ... × P(Xn−1 = xn−1 ) × P(Xn = xn )
xn ∈Xn (Ω)
X
= P(X1 = x1 ) × ... × P(Xn−1 = xn−1 ) × P(Xn = xn )
xn ∈Xn (Ω)

= P(X1 = x1 ) × ... × P(Xn−1 = xn−1 ).

Par une récurrence immédiate, on en déduit que si X1 , ..., Xn est une famille indépendante de n
variables aléatoires et si m ≤ n, alors X1 , ..., Xm est une famille indépendante de m variables aléatoires.

Indépendance et espérance
Le théorème suivant fait le lien entre indépendance et calcul d’espérances.

Théorème 4.1. 1. Soient X et Y des variables aléatoires indépendantes, et soient f, g :

R −→ R. Alors on a

E f (X)g(Y ) = E(f (X))E(g(Y )). (4.1)


2. Réciproquement, si pour tout f, g : R −→ R, on a E f (X)g(Y ) = E(f (X))E(g(Y )), alors
X et Y sont indépendantes.

Démonstration. 1. Les variables X et Y étant supposées indépendantes, on a

X
E f (X)g(Y ) = f (x)g(y)P(X = x, Y = y)
(x,y)∈X(Ω)×Y (Ω)
X
= f (x)g(y)P(X = x)P(Y = y)
(x,y)∈X(Ω)×Y (Ω)
 X   X 
= f (x)P(X = x) × g(y)P(Y = y) .
x∈X(Ω) y∈Y (Ω)

2. Soient x ∈ X(Ω), y ∈ Y (Ω). Posons f (z) = 1z=x , g(t) = 1t=y . On a

X
E f (X)g(Y ) = 1z=x 1t=y P(X = z, Y = t) = P(X = x, Y = y),
(z,t)∈X(Ω)×Y (Ω)

tandis que
E(f (X))E(g(Y )) = P(X = x)P(Y = y).
On déduit donc de notre hypothèse que P(X = x, Y = y) = P(X = x) × P(Y = y), et donc que X et Y
sont indépendantes.

Indépendance et variance

Proposition 4.3. Soient X1 , ..., Xn des variables aléatoires indépendantes. Alors

Var(X1 + ... + Xn ) = Var(X1 ) + ... + Var(Xn ).

32
Démonstration de la proposition. On a
 2 
Var(X1 + ... + Xn ) = E X1 + ...Xn − E(X1 + ... + Xn )
n
 X 2 
=E Xi − E(Xi ) par linéarité de l’espérance
i=1
 Xn n
 X 
=E Xi − E(Xi ) Xj − E(Xj )
i=1 j=1
n
X n X
n 

2 X

=E Xi − E(Xi ) + Xi − E(Xi ) Xj − E(Xj )
i=1 i=1 j=1
j6=i

n
X n X
X n  


= Var(Xi ) + E Xi − E(Xi ) Xj − E(Xj )
i=1 i=1 j=1
j6=i

n
X n X
X n



= Var(Xi ) + E Xi − E(Xi ) E Xj − E(Xj ) car Xi et Xj sont indépendantes
i=1 i=1 j=1
j6=i

n
X
= Var(Xi ),
i=1


car E Xi − E(Xi ) = 0.

4.3 La loi faible des grands nombres

Théorème 4.2. Soient X1 , ...Xn des variables aléatoires indépendantes, de même loi. Alors pour
tout ε > 0, on a
 1X n  Var(X )
1
P Xi − E(X1 ) > ε ≤ .
n i=1 ε2 n

Intuitivement, le théorème nous dit que, quand on fait la moyenne d’un grand nombre de variables
aléatoires indépendantes et de même loi, on obtient avec très grande probabilité un résultat proche de
l’espérance de cette loi. Cela correspond à la définition intuitive de l’espérance : c’est le résultat moyen
qu’on obtient, en répétant de nombreuses fois la variable aléatoire.
Il est parfois utile de réécrire le résultat comme
 X n  Var(X )
1
P Xi − nE(X1 ) > nε ≤ 2n
.
i=1
ε

Exemple
Pn 4.4. Je jette 1000 fois une pièce équilibrée, et je note X le nombre de face. On a alors
X = i=1 Xi , où les Xi sont des variables de Bernoulli de paramètre 1/2, indépendantes. On a vu que
l’espérance d’une telle variable était de 21 , et son espérance de 14 , donc le théorème nous dit que
  1
P X − 500 > 1000ε ≤ .
4000ε2
 
1 1
Par exemple, pour ε = 10 , on obtient P X − 500 > 100 ≤ 40 : la probabilité que j’obtienne un
nombre de piles qui n’est pas entre 400 et 600 est inférieure à 2, 5%.
Pour prouver ce théorème, nous aurons besoin du lemme suivant appelé inégalité de Bienaymé-
Chebychev (ou Tchebychev).

Lemme 4.2. Soit X une variable aléatoire. Pour tout a > 0, on a

E(X 2 )
P(|X| > a) ≤ .
a2

33
Démonstration du lemme. On a X 2 ≥ X 2 1|X|>a ≥ a2 1|X|>a , donc, en prenant l’espérance, on a

E(X 2 ) ≥ E(X 2 1|X|>a ) ≥ a2 E(1|X|>a ) = a2 P(|X| > a),

et le résultat découle en divisant par a2 .

1
Pn 1
Pn

Démonstration du théorème. Posons X = n i=1 Xi − E(Xi ) = n i=1 Xi − E(Xi ) . On a E(X) = 0,
donc Var(X) = E(X 2 ). On en déduit que
n
1 X

E(X 2 ) = Var(X) = Var Xi − E(Xi )
n2 i=1
n
1 X
= Var(Xi ) par la Proposition 2.5
n2 i=1
Var(X1 )
= .
n
On peut alors appliquer le lemme à X et à a = ε pour conclure.

34
Chapitre 5

Probabilités discrètes

Problème mathématique : Il arrive souvent qu’une expérience aléatoire puisse avoir pour
résultat n’importe quel entier positif. Par exemple, une expérience aléatoire peut être le nombre
de tours que durera une partie de Monopoly, ou encore le nombre d’e-mails que je recevrai
aujourd’hui.
Comment faire des probabilités dans un espace infini ?

5.1 Rappels sur la dénombrabilité

Définition 5.1. Un ensemble E est dit dénombrable s’il existe une application bijective ϕ :
N −→ E. Autrement dit, il existe une manière de numéroter les éléments de E. Dit encore
autrement, on peut écrire
E = {x1 , x2 , ..., xn , ...}.
On dit qu’un ensemble est au plus dénombrable s’il est fini ou dénombrable.

Remarque 5.1. En fait, pour montrer qu’un ensemble E est au plus dénombrable, il suffit de montrer
qu’il existe une application injective E −→ N, ou qu’il existe une application surjective N −→ E.

Il est souvent un peu technique de montrer qu’un ensemble est dénombrable. Toutefois, un dessin
permet parfois de se convaincre qu’un ensemble est dénombrable, en indiquant une manière de numéroter
ses éléments : voir par exemple les figures 5.1 et 5.2.
Le théorème suivant est admis.

Figure 5.1 – Z est dénombrable

35
 Figure 5.2 – N2 est dénombrable

Théorème 5.1. 1. Les ensembles N, Z et Q sont dénombrables.

2. Si E est un ensemble dénombrable, alors E × E est un ensemble dénombrable, et, plus
généralement, E n est un ensemble dénombrable pour tout n ∈ N. En particulier, Nn , Zn
et Qn sont dénombrables pour tout n.
3. Si E est dénombrable et si F ⊂ E, alors F est au plus dénombrable.
4. Les intervalles de R non vides et non réduits à des singletons ne sont jamais dénombrables.
L’ensemble {0, 1}N des suites à valeurs dans {0, 1} n’est pas dénombrable.
5. Si E est un ensemble infini, P(E) n’est jamais dénombrable.

Un peu d’histoire : La notion d’ensemble dénombrable a été inventée par Cantor en 1874, dans
un article où il prouve que R n’est pas un ensemble dénombrable. Cet article, qui a fondé la
théorie des ensembles, semblait très abstrait à ses contemporains. Pourtant, la dénombrabilité
se retrouvera partout dans les mathématiques du XXème siècle : en topologie, en analyse, en
probabilités...

5.2 Rappels sur les séries

Séries à termes positifs
Pn
Soit (un )n∈N une suite de nombres positifs : ∀n ∈ N, un ≥ 0. La suite Sn = k=0 uk est alors une
suite croissante. On sait donc qu’elle possède toujours une limite, qui est un nombre réel ou +∞.

36
 Définition 5.2. On note
+∞
X n
X
uk := lim uk .
n→∞
k=0 k=0
P
Cette quantité est parfois aussi notée n∈N un .
P+∞ P
• Si k=0 uk < +∞, on dit que la série u est convergente.
P+∞ P k
• Si k=0 uk = +∞, on dit que la série uk est divergente.

P+∞ Pn
Plus généralement, si p ∈ N, on note k=p uk := lim k=p uk . Cette quantité est aussi parfois notée
P n→∞
k≥p uk . Le fait que la série soit convergente ou divergente ne dépend pas de la valeur de p choisie.
Pn n+1
Exemple 5.1. — Vous savez que, si q ≥ 0, q 6= 1, on a k=0 q k = q q−1−1 . Par conséquent, la série
1
P n
q est convergente si et seulement si q < 1, et on a alors k≥0 q n = 1−q
P
.
P1
• On peut montrer que la série est divergente.
P n1 P+∞ 1 π2
• On peut montrer que la série n2 est convergente, et qu’on a n=1 n2 = 6 .

Le théorème suivant nous donne un critère extrémement utile pour montrer qu’une série converge.
Vous avez vu (ou vous verrez) sa démonstration dans votre cours d’analyse.

Théorème 5.2 (Critère de Riemann). Soit (un )n∈N uns suite de nombres positifs. S’il existe
α > 1 tel que nα un −→ 0, alors
P
un converge.

e−n est convergente. En effet, par croissance comparée, on a n2 e−n −→ 0.

P
Exemple 5.1. La série

Séries dont le terme est de signe quelconque

P
Définition
Pn 5.3. Soit un une suite de nombre réels. On dit que la série un est convergente si
la suite k=0 ukP est convergente. Sinon, on dit que la série est divergente.
Lorsque la série un est convergente, on note
+∞
X n
X
uk := lim uk .
n→∞
k=0 k=0

Le théorème suivant est très utile pour montrer qu’une série dont le terme général est de signe
quelconque est convergente. Vous verrez (ou avez vu) sa démonstration dans votre cours d’analyse.
P
ThéorèmeP 5.3. Soit (un )n∈N uns suite de nombres réelsP tels que |uk | est convergente. Alors
la série uk est convergente. On dit alors que la série uk est absolument convergente.
On a alors
+∞
X +∞
X
uk ≤ |uk |.
k=0 k=0

e−n étant convergente, la série (−1)n e−n est aussi convergente.

P P
Exemple 5.2. La série

Échanges de sommations

Proposition 5.1 (Pour une série absolument convergente, l’ordre de sommation est sans impor-
P
nombres réels, et soit ϕ : N −→ N une bijection. Alors
tance). Soit (un )n∈N une suite de P |un |
est convergente si et seulement si |uϕ(n) | est convergente. Si c’est le cas, on a alors
X X
un = uϕ(n) . (5.1)
n∈N n∈N

37
 En particulier, le résultat s’applique lorsque un est une série P à termes positifs convergente.
Attention ! Le résultat n’est en général pas vrai lorsque |un | n’est pas convergente !
Pn P+∞ P
Démonstration. Pour tout n ∈ N, on a k=0 |uϕ(k) | ≤ k=0 |uk |, donc si |uk | est convergente, alors
P Pn P+∞ P
|uϕ(k)
P | est aussi convergente. De même, k=0 |uk | ≤ k=0 |uϕ(k) |, donc si |uϕ(k) [ est convergente,
alors |uk | est aussi convergente. P P
Dans ce cas, par le Théorème 5.3, uk et uϕ(k) sont bien
P convergente.
P+∞ Montrons maintenant l’égalité (5.1). Soit ε > 0. Comme |uk | converge, il existe n0 ∈ N tel que
k=n0 +1 |uk | < ε.
ϕ étant une bijection, il existe n1 ≥ n0 tel que {0, 1, ..., n0 } ⊂ {ϕ(0), ϕ(1), ..., ϕ(n1 )}. On a donc
+∞
X +∞
X +∞
X n0
X n0
X n1
X n1
X ∞
X
uk − uϕ(k) = uk − uk + uk − uϕ(k) + uϕ(k) − uϕ(k)
k=0 k=0 k=0 k=0 k=0 k=0 k=0 k=0
+∞
X Xn0 n0
X n1
X n1
X ∞
X
≤ uk − uk + uk − uϕ(k) + uϕ(k) − uϕ(k)
k=0 k=0 k=0 k=0 k=0 k=0
+∞
X +∞
X +∞
X
≤ |uk | + |uk | + |uϕ(k) |
k=n0 +1 k=n0 +1 k=n1 +1
+∞
X
≤3 |uk | ≤ 3ε.
k=n0 +1

Ceci étant vrai pour tout ε > 0, on en déduit bien le résultat.

Proposition-Definition 5.1. Soit Ω un ensemble dénombrable, et soit f : Ω −→ [0, +∞[ une

fonction toujours positive. P
Alors, si ϕ : N −→ Ω est une bijection, la quantité n∈N f (ϕ(n)) ne dépend pas du choix de la
bijection ϕ, et cette quantité est notée X
f (ω).
ω∈Ω

Démonstration. Soient ϕ1 , ϕ2 des bijections de N dans Ω. Alors ϕ := (ϕ1 )−1 ◦ ϕ2 est une bijection
de N dans N. En notant
P P un := fP
(ϕ1 (n)), onPa uϕ(n) = f (ϕ2 (n)), et par la proposition 5.1, on a bien
n∈N f (ϕ 2 (n)) = u
n∈N ϕ(n) = n∈N un = n∈N f (ϕ1 (n)), d’où le résultat.

Dans la suite, on utilisera souvent le principe (un peu vague) suivant, dans le même esprit que la
Proposition 5.1 :

Principe général : Quand on fait une somme dénombrable d’éléments positifs, l’ordre dans
lequel on les somme n’a pas d’importance.

Attention ! Ce principe est faux si on somme des nombres de signe quelconque. Par exemple, suppo-
sons que l’on cherche à calculer la somme S = 1−1+1−1+1−1+1−1+1−1+... Si mon principe était vrai,
je pourrais regrouper les termes deux à deux et obtenir S = (1−1)+(1−1)+(1−1)+... = 0+0+0+... = 0.
Mais je pourrais aussi regrouper les termes comme S = 1 + (−1 + 1) + (−1 + 1) + (−1 + 1) + ... =
1 + 0 + 0 + 0 + ... = 1. S vaudrait donc à la fois zéro et un : une contradiction !

38
5.3 Probabilités sur les ensembles dénombrables
Définition 5.4. Soit Ω un ensemble au plus dénombrable. Une mesure de probabilité sur Ω
est une application P : P(Ω) −→ [0, 1] vérifiant les propriétés suivantes.
(1) P(Ω) = 1.
(2) Si A, B ⊂ Ω vérifient A ∩ B = ∅, alors P(A ∪ B) = P(A) + P(B).
(3) Pour toute suite (An )n∈N d’éléments deux à deux incompatibles (c’est-à-dire telle que,
∀i, j ∈ N, i 6= j =⇒ Ai ∩ Aj = ∅), on a
[
X
P An = P(An ). (5.2)
n∈N n∈N

On dit alors que (Ω, P) est un espace de probabilité au plus dénombrable.

Remarque 5.2. Remarquons que si (An )n∈N est une suite d’événements deux à deux incompatibles
(c’est-à-dire que An ∩ Am = ∅ si n 6= m), alors pour tout N ∈ N, une récurrence immédiate utilisant la
propriété 2 ci-dessus nous dit que
[ N  X N
P An = P(An ). (5.3)
n=0 n=0
P
Le terme de gauche dans (5.3) est toujours borné par 1. Par conséquent, la somme P(An ) est bien
convergente. S
On rappelle que l’ensemble n∈N An = {ω ∈ Ω; ∃n ∈ N tel que ω ∈ An } ⊂ Ω.
Les deux termes de (5.2) sont donc toujours bien défini. Toutefois, on ne peut pas déduire des hy-
pothèses 1 et 2 qu’ils sont égaux : l’hypothèse 3 est vraiment une hypothèse supplémentaire qui complète
la définition.

Proposition 5.2. Soit Ω un ensemble au plus dénombrable, et soit P : P(Ω) −→ [0, 1] une
application vérifiant les propriétés 1. et 2. ci-dessus. La propriété 3. est alors équivalente à la
propriété suivante.
(3’) Pour toute suite (An )n∈N croissante d’événements (c’est-à-dire que ∀n ∈ N, An ⊂ An+1 ),
on a [

P An = lim P(An ).
n→∞
n∈N

Démonstration. Supposons (3) et montrons (3’).

Soit (An )n∈N une suite croissante d’événements. On pose B0 = A0 , et, pour tout n ≥ 1, Bn =
An \An−1 . Montrons que les événements (Bn )n∈N sont deux à deux disjoints. Soit n < n0 . On a Bn ⊂
An ⊂ An0 −1 , car la suite (An ) est croissante. Or Bn0 ∩ An0 −1 = ∅. On a donc bien Bn ∩ Bn0 = ∅.
SN SN
Vérifions que l’on a n=0 Bn = n=0 An . Pour N = 0, on a bien A0 = B0 . Supposons le résultat
vrai au rang N et montrons-le au rang N + 1. Soit ω ∈ AN +1 . Si ω ∈ AN , alors, par hypothèse de
SN SN +1
récurrence, ω ∈ n=0 Bn . Si ω ∈ / AN , alors ω ∈ AN +1 \AN = BN +1 , donc ω ∈ n=0 Bn . On a donc
SN +1 SN +1 SN +1
AN +1 ⊂ n=0 Bn , donc n=0 An ⊂ n=0 Bn . Réciproquement, pour tout n ∈ N, on a Bn ⊂ An , donc
SN +1 SN +1
n=0 Bn ⊂ n=0 An . On a donc bien le résultat par
S récurrence.
S
En prenant la limite N −→ ∞, on obtient que n∈N An = n∈N Bn .

39
 On peut donc appliquer le résultat (3) pour obtenir que
[  [ 
P An = P Bn
n∈N n∈N
X
= P(Bn )
n∈N
n
X
= lim P(Bk )
n→∞
k=0
n
[ 
= lim P Bk
n→∞
k=0
n
[ 
= lim P Ak .
n→∞
k=0
Sn
Or, la suite An étant croissante, on a k=0 Ak = An . On déduit donc bien (3’).
SupposonsS(3’) et montrons (3). Soit (An )n∈N une suite d’éléments deux à deux incompatibles.
n
On
Pn pose Cn := k=0 SAk . (Cn )n∈N
S est alors une suite croissante d’événements, et, par (2), on a P(Cn ) =
k=0 P(A k ). On a n∈N A n = n∈N Cn , donc en appliquant (3’), on a
[  [ 
P An = P Cn
n∈N n∈N
= lim P(Cn )
n−→∞
n
X
= lim P(Ak )
n−→∞
k=0
X
= P(An ).
n∈N

La propriété (3) s’appelle la propriété de σ-additivité des mesures, tandis que la propriété (3’) s’appelle
la propriété de continuité par réunion croissante.
Sur les univers dénombrables, on peut encore parler de loi de probabilité, comme dans le cas fini.

Définition 5.5. Soit Ω un ensemble

P dénombrable. Une loi de probabilité sur Ω est une appli-
cation q : Ω −→ [0, 1] telle que ω∈Ω q(ω) = 1.

La proposition suivante nous explique comment passer d’une mesure de probabilité à une loi de
probabilité, et réciproquement ; là encore, lorsque Ω est un ensemble dénombrable, ces deux notions sont
tellement proches qu’on les identifie souvent.

Proposition 5.3 (Lien entre mesure de probabilité et loi de probabilité). Soit Ω un ensemble
dénombrable.
1. Si P est une mesure de probabilité sur Ω, alors l’application q : Ω −→ [0, 1] donnée par
q(ω) = P({ω}) est une loi de probabilité.
est une loi de probabilité sur Ω, alors l’application P : P(Ω) −→ [0, 1]
2. Réciproquement, si pP
donnée par P(A) := ω∈A q(ω) est une mesure de probabilité sur Ω.

S Ω étant dénombrable, il existe une bijection ϕ : N −→ Ω, de sorte que Ω = {ϕ(0), ϕ(1), ...}.
Démonstration. 1.
On a donc Ω = n∈N {ϕ(n)}, et, si n 6= n0 , on a {ϕ(n)} ∩ {ϕ(n0 )} = ∅. On peut donc appliquer (5.2)
pour en déduire que
[  X X X
1 = P(Ω) = P {ϕ(n)} = P({ϕ(n)}) = P({ω}) = q(ω).
n∈N n∈N ω∈Ω ω∈Ω

q est donc bien une loi de probabilité.

40
 P
2. Le calcul précédent nous dit que, avec cette définition de P, on a P(Ω) = ω∈Ω q(ω). Par
conséquent, si q est une loi de probabilité, on a bien P(Ω) = 1.
Ensuite, si A, B ⊂ Ω avec A ∩ B = ∅, on a
X
P(A ∪ B) = q(ω)
ω∈A∪B
X X
= q(ω) + q(ω) car A ∩ B = ∅
ω∈A ω∈B
= P(A) + P(B).

P est donc bien une mesure de probabilité.

Soit (An )n∈N une suite d’éléments deux à deux incompatibles (c’est-à-dire telle que, ∀i, j ∈ N, i 6=
j =⇒ Ai ∩ Aj = ∅). On a
[
X
P An = q(ω)
S
n∈N ω∈ n∈N An

Les An étant deux à deux disjoints, on a

X X X X
q(ω) = q(ω) = P(An ),
S
ω∈ n∈N An n∈N ω∈An n∈N

donc la propriété de σ-additivité est vérifiée.

5.4 Quelques lois classiques

La loi géométrique

Problème concret : Je lance une pièce jusqu’à obtenir face. Quelle est la probabilité que j’ob-
tienne face pour la première fois au bout de 5 lancers ?

La réponse est fournie par la loi suivante :

Définition 5.6. Soit p ∈]0, 1[. La loi géométrique de paramètre p est la loi sur N∗ donnée
par
q(n) = p(1 − p)n−1 .
On note X ∼ Geo(p), si X suit la loi géométrique de paramètre p.

Vérifions tout d’abord que cette loi est bien une loi de probabilité. On a
+∞
X N
X
q(n) = lim p(1 − p)n−1
N −→∞
n=1 n=1
N
X −1
= p lim (1 − p)n
N −→∞
n=0
1 − (1 − p)N
= p lim
N −→∞ 1 − (1 − p)
1
= p × = 1.
p
Vérifions que cette loi répond bien à la question posée. Notons Xi le résultat du i-ème lancer de la
pièce. On veut déterminer la probabilité de l’énénement A = {X1 = pile, X2 = pile, X3 = pile, X4 =
pile, X5 = f ace}. Notons p la probabilité d’obtenir face (qui vaut 12 si la pièce est équilibrée). Les lancers
étant considérés comme indépendants, la probabilité de A est
4
Y 
P(A) = P(Xi = pile) × P(X5 = f ace) = (1 − p)4 × p = q(5).
i=1

41
 De façon générale, q(n) représente la probabilité pour que, en lançant des pièces ayant une probabilité
p de faire face, le premier face arrive au bout de n lancers.
Attention ! Dans le raisonnement précédent, on a travaillé sur l’espace des suites de lancers de dés,
qui n’est pas dénombrable ! Le raisonnement précédent, bien que correct, ne rentre pas dans le cadre des
probabilités définies dans ce cours. Vous verrez en TD une autre manière de retrouver la loi géométrique
à partir de probabilités finies.

La loi de Poisson

Définition 5.7. Soit λ > 0. La loi de Poisson de paramètre λ est la loi sur N donnée par
λn
q(n) = exp(−λ)
n!
On note X ∼ P(λ) si X suit la loi de Poisson de paramètre λ.

Le fait que cette expression définisse bien une loi de probabilité découle du développement en série
entière de l’exponentielle, que vous avez vu ou que vous verrez en cours d’analyse :
+∞ n
X λ
eλ = .
n=0
n!

La loi de Poisson est très importante à cause du fait suivant, dont la démonstration sera donnée en
TD.
Si λ > 0, n ∈ N ∗ , on considère des variables aléatoires Xλ et Yn avec Xλ ∼ P(λ), et Y ∼ B(n, λ/n)
Alors on a
∀k ∈ N, P(Yn = k) −→ P(Xλ = k).
Autrement dit, si on regarde un grand nombre n d’expériences aléatoires indépendantes ayant chacune
une probabilité de succès très faible de λ/n, alors le nombre de succès obtenu sera correctement décrit
par la loi de Poisson de paramètre λ.

42
5.5 Variables aléatoires sur les espaces dénombrables
Comme précédemment, une variable aléatoire sur un espace dénombrable Ω est simplement une
application X : Ω −→ R, et son support est X(Ω).

5.5.1 Espérance et variance des variables aléatoires sur les espaces dénombrables

Définition
P 5.8. Soit X une variable aléatoire sur Ω. On dit que X est intégrable si
x∈X(Ω) |x|P(X = x) < +∞. Dans ce cas, on définit son espérance E(X) par
X
E(X) = xP(X = x).
x∈X(Ω)

Quelques critères pour qu’une variable soit intégrable

Remarque 5.3. — Une variable aléatoire de support fini est toujours intégrable.
— Le caractère intégrable d’une variable aléatoire, ainsi que son espérance, ne dépendent que de sa
L
loi : X = Y =⇒ E(X) = E(Y ).
— Toutes les variables aléatoires ne sont pas intégrables ! Par exemple, sur N∗ , on peut définir une
mesure P({n}) = π26n2 . La variable aléatoire X(n) = n n’est alors par intégrable :
de probabilité par P
6 1
P
n∈N∗ nP(X = n) = π 2 n∈N∗ n = +∞.
— Soient X, Y : Ω −→ R des variables aléatoires intégrables, et soit λ ∈ R. Alors λX + Y est
intégrable, et on a E(λX + Y ) = λE(X) + E(Y ). Cela se prouve comme la proposition 2.4.

Lemme 5.1. Soit Y une variable aléatoire intégrable, et soit X une variable aléatoire telle que
|X| ≤ |Y |. Alors X est intégrable.

Démonstration. Par le lemme 2.1, on a

X X
|x|P(X = x) = |x|P(X = x, Y = y)
x∈X(Ω) (x,y)∈X(Ω)×Y (Ω)
X
≤ |y|P(X = x, Y = y)
(x,y)∈X(Ω)×Y (Ω)
X
= |y|P(Y = y),
y∈Y (Ω)

qui est fini, car Y est intégrable. X est donc bien intégrable.
Rappelons la formule de transfert, pour les variables sur les espaces dénombrables.

Théorème 5.4 (Formule de transfert). Soit X une variable P aléatoire, et soit f : R −→ R. La

variable aléatoire f (X) est intégrable si et seulement si x∈X(Ω) |f (x)|P(X = x) < ∞, et on a
alors
X
E f (X) = f (x)P(X = x). (5.4)
x∈X(Ω)

Démonstration. Notons Y = f (X). On a Y (Ω) = f X(Ω) = {f (x); x ∈ X(Ω)}. On a
X X X
|y|P(Y = y) = |y| P(X = x)
y∈Y (Ω) y∈Y (Ω) x∈X(Ω);f (x)=y
X
= |f (x)|P(X = x),
x∈X(Ω)
P
donc Y est intégrable si et seulement si x∈X(Ω) |f (x)|P(X = x) < ∞. L’équation (2.3) découle alors
du même calcul, en enlevant les valeurs absolues.

43
Remarque 5.4. Si f : R −→ R est bornée, alors f (X) est intégrable. En effet,
X X
|f (x)|P(X = x) ≤ sup |f (y)| P(X = x) = sup |f (y)| < +∞.
y∈R y∈R
x∈X(Ω) x∈X(Ω)

Deux calculs classiques d’espérances

Si X ∼ Geo(p), alors
+∞
X
E(X) = np(1 − p)n−1
n=1
+∞
X
=p n(1 − p)n−1 car le terme n = 0 est nul
n=0
+∞
X d
= −p (1 − p)n
n=0
dp
+∞
d X
= −p (1 − p)n
dp n=0
d 1
= −p
dp 1 − (1 − p)
1
= .
p
Pour passer de la troisième à la quatrième ligne, on a utilisé le théorème de dérivation des séries de
fonctions que vous avez vu dans votre cours d’analyse.
Si X ∼ P(λ), alors
+∞
X λn
E(X) = e−λ n
n=0
n!
+∞
X λn
= e−λ
n=1
(n − 1)!
+∞
X λn−1
= λe−λ
n=1
(n − 1)!
+∞ n
−λ
X λ
= λe
n=0
n!
= λe−λ eλ = λ.

Variables de carré intégrable

Définition 5.9. Soit X : Ω −→ R une P variable aléatoire. On dit que X est de carré intégrable
si X 2 est intégrable, c’est-à-dire si x∈X(Ω) |x| 2
P(X = x) < +∞. Dans ce cas, on définit sa
variance Var(X) par

2

Var(X) = E X − E(X) .
L’ écart-type de X est la racine carrée de la variance de X.

Remarque 5.5. — Si X est de carré intégrable, alors X est intégrable. En effet, on a (|X|−1)2 ≥ 0,
X 2 +1
donc |X| ≤ 2 , qui est intégrable. X est donc bien
intégrable, par le dernier point de la
2
proposition 2.5. Si X est de carré intégrable, X − E(X) = X 2 − 2E(X)X + E(X)2 est donc
bien intégrable, et Var(X) est bien définie.
— Si X, Y sont des variables de carré intégrable, alors X + Y est de carré intégrable, car (X + Y )2 ≤
2X 2 + 2Y 2 .

44
5.5.2 Variables indépendantes
De même que précédemment, on dit qu’une famille de n variables indépendantes X1 , ..., Xn de sup-
ports respectifs X1 (Ω), ..., Xn (Ω) est indépendante si
n
Y
∀x1 ∈ X1 (Ω), ...∀xn ∈ Xn (Ω), P(X1 = x1 , ...Xn = xn ) = P(Xi = xi ).
i=1

On a alors l’analogue du théorème 4.1.

Théorème 5.5. 1. Soient X et Y des variables aléatoires indépendantes, et soient f, g :

R −→ R des fonctions telles que f (X) et g(Y ) soient intégrables. Alors f (X)g(Y ) est
intégrable, et on a

E f (X)g(Y ) = E(f (X))E(g(Y )). (5.5)


2. Réciproquement, si pour tout f, g : R −→ R bornées, on a E f (X)g(Y ) =
E(f (X))E(g(Y )), alors X et Y sont indépendantes.

De même, on a l’analogue de la Proposition 4.3.

Proposition 5.4. Soient X1 , ..., Xn des variables aléatoires de carré intégrable. Alors X1 +...+Xn
est de carré intégrable. Si de plus X1 , ..., Xn sont indépendantes, alors

Var(X1 + ... + Xn ) = Var(X1 ) + ... + Var(Xn ).

45
Chapitre 6

Variables aléatoires à densité

6.1 Définition d’une variable à densité

6.1.1 Mesures de probabilités sur les ensembles quelconques

Définition 6.1 (Définition naı̈ve d’une mesure de probabilité). Soit Ω un ensemble. Dans ce
chapitre, on dira de manière imprécise qu’une mesure de probabilité sur Ω est une application
P : P(Ω) −→ [0, 1] vérifiant les mêmes axiomes que dans le cas dénombrable, c’est-à-dire
(1) P(Ω) = 1.
(2) Si A, B ⊂ Ω vérifient A ∩ B = ∅, alors P(A ∪ B) = P(A) + P(B).
(3) Pour toute suite (An )n∈N d’éléments deux à deux incompatibles (c’est-à-dire telle que,
∀i, j ∈ N, i 6= j =⇒ Ai ∩ Aj = ∅), on a
[
X
P An = P(An ). (6.1)
n∈N n∈N

Exemple 6.1. — Sur Ω = [0, 1], on veut définir P(A) comme étant la longueur de A.
— Sur Ω = [0, 1]2 , on veut définir P(A) comme étant l’aire de A.
— Sur Ω = [0, 1]3 , on veut définir P(A) comme étant le volume de A.
Cette mesure est appelée la mesure uniforme, ou mesure de Lebesgue sur [0, 1]d (pour d = 1, 2, 3).

Un peu d’histoire (et de mathématiques) : Comment définit-on la longueur de A ? Si A est

un intervalle, A = [a, b] (ou A =]a, b[), c’est facile, on prendra P(A) = b − a. Si A est une réunion
finie d’intervalles disjoints, on prendra la somme des différents intervalles qui le constituent. Mais
pour un A plus général ? Définir la longueur de A en toute généralité, c’est l’objet de la théorie
de la mesure, que vous verrez peut-être en L3.
Celle-ci a été inventée au début du XXème par Henri Lebesgue. Toutefois, elle ne permet pas de
construire la longueur (ou l’aire, ou le volume...) de tous les ensembles, mais seulement d’une très
grande famille d’ensembles.
En fait, on peut montrer qu’il est impossible de définir la longueur de toutes les parties de [0, 1]d
(ou de Rd ) : il existe toujours des parties (construites de façon très étrange) qui ne possèdent pas
de longueur, d’aire ou de volume.
Un exemple célèbre : le paradoxe de Banach-Tarski. Soit B une boule de volume 1. Il est
possible (mathématiquement) de la découper en un nombre fini de morceaux, puis de recoller les
morceaux entre eux de manière à former deux boules de volume 1. L’explication de ce paradoxe :
les morceaux sont tellement bizarres qu’ils ne possèdent pas de volume !
Ainsi, sur un ensemble non dénombrable Ω, une mesure de probabilité n’est en général pas définie
sur tout P(Ω), mais seulement sur un sous-ensemble de P(Ω). Un tel sous-ensemble est appelé une
tribu.

Dans ce cours (et dans la vie de tous les jours), nous négligerons toutes ces subtilités, et nous nous
contenterons de la définition  naı̈ve d’une mesure de probabilité. Celle-ci se définit à partir d’intégrales
de fonctions positives sur R : rappelons donc quelques notions d’intégration sur des intervalles non bornés.

46
6.1.2 Intégration de fonctions positive
RA
Lorsque f : R −→ [0, +∞[ est une fonction continue par morceaux, la fonction A 7→ −A f (x)dx est
croissante. Elle admet donc toujours une limite quand A −→ +∞, qui est égale à un nombre réel, ou à
+∞. On peut donc bien définir :
Z +∞ Z A
f (x)dx := lim f (x)dx ∈ [0, +∞].
−∞ A→+∞ −A
R R
Cette quantité est parfois notée R f (x)dx. Si R f (x)dx < +∞, on dit que f est intégrable sur R
Attention : cette quantité n’a en général pas de sens quand f n’est pas à valeurs positives.
Quand f est continue par morceaux sur [a, +∞[ ou sur ] − ∞, a] et à valeurs positives, on peut définir
R +∞ RA Ra
de la même manière pour tout a ∈ R les quantités a f (x)dx := lim a f (x)dx et −∞ f (x)dx :=
Ra A→+∞
lim A f (x)dx, qui appartiennent à [0, +∞].
A→−∞

1
Exemple 6.2. Soit f (x) = xα , avec α 6= 1. On a
Z A iA
dx h 1 1 1
= = − .
1 xα (1 − α)xα−1 1 α − 1 (α − 1)Aα−1
1
Lorsque α > 1, cette quantité tend vers 1−α , tandis qu’elle diverge quand α < 1. Enfin, quand α = 1, on
RA
a 1 dxx = ln A −→ +∞. Ainsi,

1
x 7→ est intégrable sur [1, +∞[⇐⇒ α > 1.
xα

Méthode. Montrer qu’une fonction est intégrable.

Pour montrer qu’une fonction f : R −→ [0, +∞[ est intégrable, on peut :
RA
1. Calculer −A f (x)dx à l’aide de méthodes classiques (primitives de fonctions usuelles,
intégration par parties, changement de variable...), et montrer que cette quantité admet
une limite finie quand A → +∞.
2. Montrer que x2 f (x) −→ 0 .
|x|→+∞

3. Plus généralement, trouver un α > 1 tel que |x|α f (x) −→ 0 .

|x|→+∞

1
En effet, il existe alors M > 1 tel que pour tout |x| > M , on a |x|α f (x) ≤ 1, c’est-à-dire f (x) ≤ |x|α .
On a donc, pour A > M ,
Z A Z −M Z M Z A
f (x)dx = f (x)dx + f (x)dx + f (x)dx
−A −A −M M
Z−M Z M Z A
1 1
≤ dx + f (x)dx + dx
−A |x|α −M M xα
Z−M Z M Z∞
1 1
≤ dx + f (x)dx + dx,
−∞ |x|α −M M xα

et on a vu dans l’exemple 6.2 que cette quantité était finie.

6.1.3 Densité de probabilité

Définition 6.2. Soit p : R −→ [0, +∞[ une fonction continue par morceaux. On dit que p est
une densité de probabilité si l’on a
Z +∞
p(x)dx = 1.
−∞

47
Exemple 6.3. — p(x) = 1[0,1] (x) est une densité de probabilité ; 1]0,1] (x) , 1[0,1[ (x) et 1]0,1[ (x) le
sont aussi.
— p(x) = λ1[0,+∞[ (x)e−λx est une densité de probabilité. En effet, on a
Z A Z A
p(x)dx = λ e−λx dx
−A 0
he−λx iA
=λ
−λ 0
= 1 − e−λA .
R +∞
En prenant la limite A → +∞, on en déduit bien que −∞
f (x)dx = 1.

Définition 6.3. Soit X : Ω −→ R une variable aléatoire. On dit que X est une variable à
densité s’il existe une densité de probabilité pX telle que, pour tout intervalle I ⊂ R, I = [a, b],
I =]a, b[, I = [a, b[ ou I =]a, b], avec a et b éventuellement infinis, on a
Z b
P(X ∈ I) = pX (x)dx.
a

Remarque 6.1. En particulier, on a P(a < X < b) = P(a ≤ X < b) pour tous a, b. Ainsi, si X est une
variable à densité, on a P(X = a) = 0 pour tout a ∈ R.
Exemple 6.4 (Quelques lois classiques). Les lois suivantes sont à connaitre :
— On dit (que X suit la loi uniforme sur [a, b], ce que l’on note X ∼ U[a, b], si elle a pour densité
1
si x ∈ [a, b]
p(x) = b−a
0 sinon.
— Soit λ > 0. On dit que X suit la loi exponentielle de paramètre λ, ce que l’on note X ∼ E(λ) si
elle a pour densité p(x) = λ1[0,+∞[ (x)e−λx .
— Soit µ ∈ R, σ > 0, on dit que X suit la loi gaussienne (ou loi normale) de paramètres µ, σ 2 , ce
que l’on note X ∼ N (µ, σ 2 ), si X a pour densité

(x − µ)2
 
1
p(x) = √ exp − .
2πσ 2 2σ 2

Lorsque µ = 0, σ = 1, c’est-à-dire quand X ∼ N (0, 1), on dit que X suit une loi normale centrée
réduite,  
1 (x−µ)2
Le fait que p(x) = √2πσ 2
exp − 2σ 2 définisse bien une densité de probabilité découle du lemme
suivant.
x2
Remarque 6.2. Comme toute fonction continue par morceaux, la fonction gaussienne f (x) = e− 2
R x t2
possède une primitive : par exemple, la fonction F (x) = 0 e− 2 est bien une primitive de f .
Cependant, un théorème célèbre dû à Liouville (≈ 1840) affirme que F (x) ne peut pas être exprimée à
l’aide de fonctions élémentaires... Il faut donc la calculer numériquement, et retenir le résultat du lemme
suivant. Cependant, les valeurs de F (x) pour différentes valeurs de x se trouvent dans des tables (et sur
internet).

Lemme 6.1. 1. On a Z
x2 √
e− 2 dx = 2π.
R

2. Plus généralement, on a
Z 
(x − µ)2
 √
exp − 2
dx = 2πσ 2 .
R 2σ

48
Démonstration. Le premier point est admis, peut être prouvé de plusieurs manières différentes (voir la
page wikipédia  Gaussian Integral ), par des méthodes d’analyse dont nous n’aurons pas besoin dans
ce cours.
x2 x2
Vérifions tout de même que e− 2 est intégrable sur R. Par croissance comparée, on a x2 e− 2 −→ 0
quand |x| → +∞, donc on peut appliquer la méthode ci-dessus.
2. En posant y = x − µ, on obtient
Z A Z A−µ
(x − µ)2 y2
   
exp − dx = exp − dy,
−A 2σ 2 −A−µ 2σ 2

de sorte qu’en passant à la limite A → +∞, on obtient

(x − µ)2 y2
Z   Z  
exp − dx = exp − dy.
R 2σ 2 R 2σ 2
y
On pose ensuite z = σ, de sorte que dy = σdz, et on obtient
A A/σ
y2 z2
Z   Z  
exp − 2 dy = σ exp dz,
A 2σ −A/σ 2

donc en passant à la limite, on a bien

y2 √
Z   Z  2
z
exp − 2 dy = σ exp − dz = σ 2π
R 2σ R 2

par le premier point.

6.1.4 Fonction de répartition

Définition 6.4. Soit X une variable aléatoire de densité p. Sa fonction de répartition est la
fonction FX : R −→ [0, 1] définie par
Z x
FX (x) = p(t)dt.
−∞

x−a
Exemple 6.5. Si X ∼ U[a, b], alors on a FX (x) = 0 si x < a, FX (x) = b−a si x ∈ [a, b], et FX (x) = 1
si x > b.
Exemple 6.6. Si X ∼ E(λ), alors on a FX (x) = 0 si x < 0, et, si x > 0, on a
Z x
FX (x) = λe−λt 1t≥0 dt
−∞
Z x
=λ e−λt dt
0
 −λt x
e
=λ −
λ 0
= 1 − e−λx .

Proposition 6.1. Soit X une variable aléatoire de densité p. Alors sa fonction de répartition
FX est une fonction continue, croissante, et qui vérifie

lim FX (x) = 0
x→−∞

lim FX (x) = 1.
x→+∞

49
Démonstration. FX est une primitive de p, qui est une fonction continue par morceaux. LaR primitive d’une
x
fonction continue par morceaux est continue. De plus, si x2 ≥ x1 , on a F (x2 ) − F (x1 ) = x12 F (x)dx ≥ 0,
car p est à valeurs positives.
R +∞F est donc bien croissante.
Enfin, lim F (x) = −∞ p(t)dt = 1, car p est une densité de probabilité, et
x→+∞
Z x
lim F (x) = lim p(t)dt = 0.
x→−∞ x→−∞ −∞

50
6.2 Espérance et variance d’une variable aléatoire à densité

RDéfinition 6.5. Soit X une variable aléatoire de densité p. On dit que X est intégrable si
R
|x|p(x)dx < ∞. On définit alors l’espérance de X comme
Z
E(X) = xp(x)dx.
R

Remarque 6.3. — L’espérance d’une variable aléatoire à densité ne dépend que de sa densité.
— Soient X et Y des variables aléatoires intégrables, et λ ∈ R. Alors λX + Y est intégrable, et on a


E λX + Y = λE(X) + E(Y ).

— Attention ! Il ne faut pas confondre  une fonction f est intégrable , et  une variable aléatoire
X est intégrable (ce qui signifie qu’elle a une densité pX telle que |x|pX (x) est intégrable).
R 1
Rb
Exemple 6.7. Soit X ∼ U[a, b]. On a R |x|p(x)dx = b−a a
|x|dx < ∞, car il s’agit de l’intégrale d’une
fonction continue sur un intervalle borné, et
Z b
1 (a + b)
E(X) = xdx = .
b−a a 2

Exemple 6.8. Soit λ > 0, et soit X ∼ E(λ). On a

Z A Z A
|x|p(x)dx = λ xe−λx dx.
−A 0

On effectue une intégration par parties, en posant u(x) = x, v 0 (x) = e−λx , v(x) = − λ1 e−λx , u0 (x) = 1.
On a
Z A Z A
A
xe−λx dx = −xe−λx 0 + e−λx dx

λ
0 0
1 e−Aλ
= −Ae−λA + − .
λ λ
Par croissance comparée, on a lim Ae−λA = 0, et lim 1 e−λA = 0. On en déduit donc que X est
A→+∞ A→+∞ λ
intégrable, et que
1
E(X) = .
λ
2
Exemple 6.9. Soit  X ∼ N (µ, σ). Vérifions que la variable X est intégrable. On a x × |x|p(x) =
|x|3 −(x−µ)2
√
2πσ
exp 2σ 2 , qui tend vers zéro quand |x| → +∞. On en déduit donc que X est intégrable.
Pour tout A > 0, on a
Z A Z A Z A
(x − µ)2 (x − µ)2 (x − µ)2
     
x x−µ 1
√ exp − dx = √ exp − dx + µ √ exp − dx
−A 2πσ 2σ 2 −A 2πσ 2σ 2 −A 2πσ 2σ 2
Z A−µ Z A
y2 (x − µ)2
   
y 1
= √ exp − 2 dy + µ √ exp − dx,
−A−µ 2πσ 2σ −A 2πσ 2σ 2

en posant y = x − µ dans la première intégrale. La seconde intégrale tend vers

(x − µ)2
Z  
1
µ √ exp − dx = µ,
R 2πσ 2σ 2
 
y y2
R
par le lemme 6.1. Quand à la première, elle tend vers R √2πσ exp − 2σ 2 dy, qui vaut zéro, car la
fonction intégrée est impaire. On a donc
E(X) = µ.

51
Exemple 6.10 (La loi de Cauchy). Soit X une variable aléatoire suivant la loi de Cauchy : pX (x) =
1 1
π 1+x2 . Il s’agit bien d’une densité de probabilité, car
Z A
1 dx 1 A 2
2
= [arctan x]−A = arctan A,
−A π 1 + x π π
qui tend bien vers 1 quand A −→ +∞.
Cette variable n’est pas intégrable (et on ne peut donc pas calculer son espérance). En effet, on a
Z A Z A
|x| x
2
dx = 2 dx
−A 1 + x 0 1 + x2
h iA
= ln(1 + x2 )
0
= ln(1 + A2 ),
qui tend vers +∞.
RA x
Attention à ne pas tomber dans le piège suivant : pour tout A > 0, on a −A 1+x 2 dx = 0, car la
x
fonction x 7→ 1+x2 est impaire. On pourrait donc être tentés de conclure que E(X) = 0...

Définition 6.6.
R Soit X une variable aléatoire de densité p. On dit que X est de carré
intégrable si R x2 p(x)dx < ∞. On définit alors la variance de X comme

2

Var(X) = E X − E(X)
Z  Z 2
= x − yp(y) p(x)dx.
R R
p
On définit aussi l’écart-type de X comme σ(X) = Var(X).

Remarque 6.4. Comme dans le cas discret, on a Var(X) = E(X 2 ) − (E(X))2 .

La variance (et l’écart-type) décrivent l’étalement d’une variable aléatoire autour de sa moyenne.
Le lemme suivant est très utile pour calculer la variance d’une variable aléatoire.

Lemme 6.2. Soit X une variable de densité p et de carré intégrable. On a

Z
E(X 2 ) = x2 p(x)dx.
R

Par conséquent,
Z Z 2
2
Var(X) = x p(x)dx − xp(x)dx .
R R

Remarque 6.5. Ce résultat peut-être vu comme un analogue pour les variables à densité de la formule
de transfert du théorème 2.2, dans le cas particulier f (x) = x2 .
Démonstration. Soient 0 < a < b. On a
√ √   √ √ 
P a < X2 < b = P


a<X < b +P − b<X <− a
Z √b Z −√a
= √ p(x)dx + √ p(x)dx
a − b
b √ Z b √
p( y) p(− y)
Z
= √ dy + √ dy,
a 2 y a 2 y
√
Pour la première intégrale, on fait un changement de variable, en posant y = x2 . On a alors x = y, et
√ √
dx = 2dy
√ . Le paramètre x allant de
y a à b, le paramètre y va de a à b, et donc
√
b b √
p( y)
Z Z
√
p(x)dx = √ dy.
a a 2 y

52
De même, en posant y = −x2 , la seconde intégrale devient
Z −√a Z b √
p(− y)
√ p(x)dx = √ dy.
− b a 2 y
On a donc
b √ √
p( y) + p(− y)
Z
2


P a<X <b = √ dy.
a 2 y
2
Ainsi, X est une variable à densité, de densité
( p(√y)+p(−√y)
√
2 y si y > 0
y 7→
0 sinon.
On a donc
A √ √
p( y) + p(− y) 1 A√ √ √
Z Z
y √ dy = y (p( y) + p(− y)) dy.
0 2 y 2 0
√
On pose x = y, de sorte que dy = 2xdx, et on obtient
Z A √ √ Z A
p( y) + p(− y)
y √ dy = x2 (p(x) + p(−x)) dx
0 2 y 0
Z A
= x2 p(x)dx,
−A

d’où l’on déduit le résultat en faisant tendre A vers +∞.

Exemple 6.11. Soit λ > 0, et soit X ∼ E(λ). Montrons que X est de carré intégrable. On a
x2 × λx2 1x≥0 e−λx −→ 0,
|x|→+∞

donc λx2 1x≥0 e−λx est bien intégrable.

Calculons sa variance en utilisant le lemme 6.2. On a E(X) = λ1 . D’autre part, on a
Z A Z A
λx2 1x≥0 e−λx dx = λ x2 e−λx dx.
−A 0
−λx
On effectue une intégration par parties, en prenant u0 = e−λx , u = − e λ , v = x2 , v 0 = 2x, et on obtient
Z A Z A
A
x2 e−λx dx = −x2 e−λx 0 + 2xe−λx dx

λ
0 0
2 Z A
A −λA 2
=− e + λxe−λx dx.
λ2 λ 0

Par croissance comparée, le premier terme tend vers 0. Quant au second, il tend vers λ2 E(X) = λ22 . On
a donc
2 1 1
Var(X) = E(X 2 ) − (E(X))2 = 2 − 2 = 2 ,
λ λ λ
et σ(X) = λ1 .
 2

Exemple 6.12. Soit X ∼ N (µ, σ 2 ). Par croissance comparée, x4 √2πσ1
2
exp −(x−µ)
2σ 2 tend vers zéro
quand |x| → +∞, donc X est bien de carré intégrable. Calculons maintenant E(X 2 ). On a

A Z A−µ
x2 (x − µ)2 (y + µ)2 y2
Z    
√ exp − dx = √ exp − dy
−A 2πσ 2 2σ 2 −A−µ 2πσ 2 2σ 2
Z A−µ Z A−µ
y2 y2 y2
   
2yµ
= √ exp − 2 dy + √ exp − 2 dy
−A−µ 2πσ 2 2σ −A−µ 2πσ 2 2σ
Z A−µ 2
 2

µ y
+ √ exp − 2 dy
−A−µ 2πσ 2 2σ

53
 y2
√ 2µ ye− 2σ2 dy qui vaut zéro, car la fonction intégrée est impaire.
R
La seconde intégrale tend vers 2πσ 2 R  
1 y2
La troisième intégrale tend vers µ2 R √2πσ 2
R
2
exp − 2σ 2 dy = µ , par le lemme 6.1.
 
y2
Pour calculer la première intégrale, on effectue une intégration par parties, en posant u0 = y exp − 2σ 2 ,
 2

y
u = −σ 2 exp − 2σ 2 , v = y, v 0 = 1, et on obtient

A−µ A−µ Z A−µ

y2 y2 σ2 y2 y2
Z      
2 1
√ exp − 2 dy = − √ y exp − 2 +σ √ exp − 2 dy.
−A−µ 2πσ 2 2σ 2πσ 2 2σ −A−µ −A−µ 2πσ 2 2σ

La quantité entre crochets tend vers zéro quand A tend vers +∞, par croissance comparée. Quant au
deuxième terme, il tend vers σ 2 grâce au lemme 6.1. On a donc

E(X 2 ) = σ 2 + µ2 .

Comme E(X) = µ, on en déduit que

Var(X) = σ 2 ,
et donc que σ est l’écart-type de X.

6.3 Le théorème central limite

Problème concret : À chaque fois que je rencontre quelqu’un, je lui propose de jouer à pile ou
face : si je gagne, il me donne dix euros, et s’il gagne, je lui donne dix euros.
Depuis que j’ai commencé à jouer, j’ai rencontré 10000 personnes. Quelle est la probabilité pour
que je puisse m’acheter une Rolex ?

La loi des grands nombres ne permet pas de répondre à cette question : elle affirme juste que si je
fais la somme de n variables aléatoires de même loi et indépendantes, la valeur obtenue sera proche de
n fois l’espérance de ces variables.
Ici, la variable aléatoire dont je somme n copies prend la valeur 10 avec probabilité 12 , et prend la
valeur −10 avec probabilité 12 : son espérance est donc nulle. La somme X1 + ... + Xn sera donc petite
devant n. √
En fait, cette somme sera de l’ordre de n (ce qui est beaucoup plus petit que n), et ressemblera à une
gaussienne. C’est ce qu’affirme le théorème suivant, appelé le Théorème Central Limite (TCL), prouvé
par De Moivre (1733) dans le cas de variables de Bernoulli de paramètre p = 21 , puis par Laplace (1809)
dans le cas général. Nous ne démontrerons pas ce théorème dans ce cours. Sa démonstration fait appel
à des outils d’analyse que vous verrez l’an prochain (transformée de Fourier, produit de convolution...).

Théorème 6.1 (Théorème central limite). Soit (Xk )k∈N une suite de variables aléatoires
discrètes, indépendantes et de même loi. Supposons de plus que X1 est intégrable et est de
carré intégrable. Notons σ = Var(X1 ), et, pour tout n ∈ N, Sn = X1 +...+X
n
n
. Alors, pour tout
a < b ∈ R ∪ {−∞, +∞}, on a
 √ 
n
P a≤ (Sn − E(X1 )) ≤ b −→ P(a ≤ Y ≤ b),
σ n→+∞

où Y ∼ N (0, 1).

Remarque 6.6. — Ce résultat peut se réécrire comme

  
X1 + ... + Xn σ σ
P ∈ E(X1 ) + a √ , E(X1 ) + b √ −→ P(a ≤ Y ≤ b),
n n n n→+∞

ou encore comme
 √ √ 

P X1 + ... + Xn ∈ nE(X1 ) + a n, nE(X1 ) + b n −→ P(a ≤ Z ≤ b),
n→+∞

où Z ∼ N (0, σ 2 ).

54
 — En particulier, si les Xn suivent tous une loi de Bernoulli de paramètre p, on a E(X1 ) = 1,
Var(X1 ) = p(1 − p), et donc
√ !
n
P a≤ p (Sn − p) ≤ b −→ P(a ≤ Y ≤ b).
p(1 − p) n→+∞

— Il existe une version de ce résultat lorsque les Xn sont des variables aléatoires à densité. Toutefois,
nous n’avons pas vu dans ce cours quelle était la définition de variables à densité indépendantes,
donc nous ne donnerons pas cette version du théorème.
Réponse au problème concret. Soit Xi une variable aléatoire de loi
1
P(Xi = 10) = P(Xi = −10) = ,
2
qui correspond à l’argent que je gagne (ou que je perds) en rencontrant la i-ème personne. On a E(Xi ) = 0,
et Var(Xi ) = E(Xi2 ) = 21 × 102 + 12 × 102 = 100.
Le théorème central limite nous dit que l’on a
√ !
10000
P a≤ √ S10000 ≤ b ≈ P(a ≤ Y ≤ b),
100

et donc que
 
X1 + ... + X10000
P ≥ a = P (X1 + ... + X10000 ≥ 1000 × a) ≈ P(Y ≥ a).
1000

Rappelons que la Rolex la moins chère coûte 3665 euros : il faut donc prendre a = 3, 7. La probabilité
que je puisse l’acheter est donc d’environ

P(Y ≥ 3, 7) ≈ 1, 08 × 10−4 .

55
Chapitre 7

Fluctuation d’échantillonnage et
intervalle de confiance

Problème concret : La veille d’une élection présidentielle, un institut de sondage interroge 1000
personnes. 600 sondés ont prévu de voter pour Alice, et 400 pour Bernard. L’institut risque-t-il
de se tromper en annonçant la victoire d’Alice ? Et si seulement 53% des sondés disent avoir
l’intention de voter pour Alice ?

Quand on effectue un sondage, on ne mesure pas une variable statistique sur toute la population,
mais seulement sur une (petite) partie, qu’on appelle un échantillon.
Évidemment, un échantillon peut ne pas du tout être représentatif : il est possible d’interroger
1000 personnes qui vont voter pour Bernard, alors qu’en fait, la majorité du pays va voter pour Alice.
Néanmoins, si l’échantillon est choisi au hasard, il est très peu probable qu’il soit très peu représentatif.

Modélisation probabiliste d’un sondage

On modélise le problème de la manière suivante. Pour 1 ≤ i ≤ n, Xi désigne le vote de la i-ème
personne interrogée, qui vaut 1 si la personne souhaite voter pour Alice, et 0 si elle souhaite voter pour
Bernard. Ici, n = 1000.
Les Xi sont tous indépendants (si le sondage est bien fait 1 ), et suivent une loi de Bernoulli de
paramètre p, où p est la proportion de la population ayant l’intention de voter pour Alice.
Le paramètre p est inconnu, et il nous faut chercher à le déterminer le plus précisément possible. Pour
cela, on peut définir un estimateur statistique :
1000
1 X
pest := Xi .
n i=1

Remarque 7.1. On peut définir des estimateurs statistiques pour toutes les quantités qui nous intéressent
sur une variable statistique : par exemple, on peut définir un estimateur de la variance comme la variance
de l’échantillon observé.

Un estimateur statistique n’est pas toujours une information fiable. Par exemple, si un sondage
annonce  40% de la population interrogée va voter pour Alice , (autrement dit, pest = 0, 4), il s’agit
d’une information très peu fiable si seulement 10 personnes ont été interrogées, et très fiable si un million
de personnes ont été sondées.
Une information beaucoup plus fiable est la donnée d’un intervalle de confiance. On se donne un
ε > 0, et on estime la probabilité que p appartienne à [pest − ε, pest + ε].
Plus ε est petit, plus cette probabilité est petite. En pratique, on cherche souvent ε suffisamment
grand pour que
P (p ∈ [pest − ε, pest + ε]) > 0, 95.
1. Le problème d’échantillonage, qui consiste à choisir un échantillon de la population  au hasard est très complexe,
et n’est pas purement mathématique (il comporte, par exemple, de nombreux aspects sociologiques). Vous pouvez lire
l’article suivant pour en savoir plus : http ://[Link]/Les-sondages-sont-ils-devenus-fous

56
Détermination d’un intervalle de confiance grâce à la loi des grands nombres
Pn
Dans notre problème, on a pest = n1 i=1 Xi , et p = E(X1 ). Ainsi, par la loi faible des grands
nombres, on a

Var(X1 )
P (|pest − p| > ε) ≤ .
ε2 n
On a Var(X1 ) = p(1 − p), que l’on ne sait pas a priori déterminer. Néanmoins, pour n’importe quel
p ∈ [0, 1], cette quantité est inférieure à 1/4, d’où l’on déduit
1
P (|pest − p| > ε) ≤ .
4ε2 n
1 1
Pour n = 1000, si on veut que le membre de droite soit inférieur à 0, 05, il faut donc que 4000ε 2 ≤ 20 ,
1
soit ε ≥ √200 ≈ 0, 07. Ainsi, si 60% des 1000 sondés disent qu’ils vont voter pour Alice, l’institut de
sondage peut annoncer qu’avec une probabilité de 95%, Alice obtiendra un score compris entre 0, 53 et
0, 67. Sa victoire est donc très probable !

Détermination d’un intervalle de confiance grâce au théorème central limite

Par le théorème central limite, on a
 √ 
n
P a≤ (Sn − E(X1 )) ≤ b −→ P(a ≤ Y ≤ b),
σ n→+∞

où Y ∼ N (0, 1), ce qui peut se réécrire comme

 
aσ bσ
P √ ≤ pest − p ≤ √ −→ P(a ≤ Y ≤ b).
n n n→+∞

Ainsi, en prenant a = − σc , b = σc ,
  
c c c c
P p ∈ pest − √ , pest + √ −→ P(− ≤ Y ≤ ).
n n n→+∞ σ σ

Là encore, σ n’est pas connu, mais il vaut au plus 12 . Ainsi,

  
c c
P p ∈ pest − √ , pest + √ −→ P(−2c ≤ Y ≤ 2c).
n n n→+∞

Le membre de droite est supérieur à 0, 95 si 2c ≥ 1, 96 (cette valeur est obtenue à l’aide d’un calcul
numérique), soit c ≥ 0, 98.
Ainsi, pour n assez grand, on aura
  
0, 98 0, 98
P p ∈ pest − √ , pest + √ ≥ 0, 95.
n n

Ici, pour n = 1000, on obtient que

P (p ∈ [pest − 0, 03, pest + 0, 03]) ≥ 0, 95.

Ainsi, si 600 des 1000 sondés veulent voter pour Alice, il y a une probabilité de 0,95 qu’Alice obtienne
un score compris entre 57% et 63 %.

Comparaison des deux méthodes et remarques

— Pour utiliser
Pn le théorème central limite, il faut que n soit assez grand. En pratique, quand on
considère i=1 Xi avec Xi ∼ B(p), il suffit que n ≥ 30, np ≥ 5 et n(1 − p) ≥ 5, comme c’est bien
le cas ici.
— Le théorème central limite donne toujours un résultat plus précis.
— La loi des grand nombres peut aussi être utilisée quand n est petit, ou quand p ou (1 − p) est
proche de 0, contrairement au TCL.

57
— Avec ces deux méthodes, la précision augmente quand n augmente. Par contre, le résultat ne
dépend pas de la population du pays : un sondage interrogeant 1000 personnes au hasard aura la
même précision à Monaco et en Inde !

En physique : la méthode de Monte Carlo Les approches probabilistes (ou statistiques)

sont souvent utilisées en physique pour calculer la valeur de certaines intégrales.
Par exemple, supposons que nous voulions calculer l’aire d’un cercle de rayon 1, qui vaut donc π,
avec une certaine précision. Une première méthode consiste à calculer π d’une autre manière, par
exemple, à l’aide d’une série convergente. Une autre manière de faire est d’encadrer le cercle par
des polygones dont on sait calculer l’aire.
Une troisième manière est de choisir des suites de points (X(n , Yn ) au hasard, uniformément dans
1 si Xn2 + Yn2 ≤ 1
le carré [−1, 1]2 . On considère la variable aléatoire Zn = Autrement dit,
0 sinon.
Zn vaut 1 si le point (Xn , Yn ) est dans le disque unité, et zéro sinon. Zn est donc une variable
de Bernoulli, de paramètre p valant l’aire du disque divisée par l’aire du carré, soit π4 . En tirant
au hasard un grand nombre de points, on peut calculer pest , et affirmer des choses comme  La
probabilité que π soit compris entre 3,1415 et 3,1416 est supérieure à 0,99 . Si de telles méthodes
ont l’inconvénient de ne pas être complètement sûres, elles nécessitent souvent des temps de calcul
bien plus courts que les méthodes déterministes. Ces méthodes probabilistes pour calculer la valeur
d’une aire (et donc, d’une intégrale) sont appelées méthodes de Monte Carlo.

58