Master de cryptographie

Probabilités et statistique
pour la théorie de l’information
Notes de cours
Dimitri Petritis

UFR Mathématiques Rennes

Septembre 2019
Dimitri Petritis
Institut de recherche mathématique de Rennes
Université de Rennes 1 et CNRS (UMR6625)
Campus de Beaulieu
35042 Rennes Cedex
France

Mathematics subject classification (2010): 60-01 94-01

2012
c – 2019 D. Petritis
 Table des matières

1 Aléa et information 1
1.1 Rôle de l’aléa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Probabilités et intuition aléatoire . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Esquisse du problème d’estimation statistique . . . . . . . . . . . . . . . 3
1.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

I Théorie des probabilités ; statistique mathématique 7

2 Théorie élémentaire des probabilités 9
2.1 Espace de probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1.1 Espace des épreuves, espace des événements . . . . . . . . . . . . 9
2.1.2 Probabilisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Variables aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

3 Probabilité conditionnelle et indépendance 21

3.1 Conditionnement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

4 Espérance, variance ; théorèmes des grands nombres 29

4.1 Espérance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.1.1 Cas discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.1.2 Cas continu (à densité) . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.2 Variance et covariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.3 Fonction génératrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.4 Fonction caractéristique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.5 Théorèmes des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . 34
4.6 Théorème central limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.7 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

5 Chaînes de Markov sur des espaces d’états dénombrables 43

5.1 Probabilités de transition, matrices stochastiques . . . . . . . . . . . . . . 43
5.2 Temps d’arrêt. Propriété forte de Markov . . . . . . . . . . . . . . . . . . 45
5.3 Classification des états. Recurrence, transience . . . . . . . . . . . . . . . 46
5.4 Probabilité limite, probabilité invariante (stationnaire) . . . . . . . . . . . 49
5.5 Stationnarité, réversibilité . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.6 Théorème des grands nombres pour les chaînes de Markov . . . . . . . . 54

iii
TABLE DES MATIÈRES TABLE DES MATIÈRES

5.7 Exemples d’applications algorithmiques . . . . . . . . . . . . . . . . . . . 56

5.7.1 Classification de pages internet ; algorithme PageRank . . . . . . 56
5.7.2 Algorithme de Metropolis . . . . . . . . . . . . . . . . . . . . . . . 57
5.8 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

6 Notions de statistique 63
6.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
6.2 Estimation paramétrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
6.2.1 Estimation ponctuelle . . . . . . . . . . . . . . . . . . . . . . . . . 65
6.2.2 Estimation d’intervalles de confiance . . . . . . . . . . . . . . . . 66
6.2.3 Tests d’hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.3 Estimation non paramétrique . . . . . . . . . . . . . . . . . . . . . . . . . 69
6.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

II Théorie de l’information 71
7 Quantification de l’information 73
7.1 Postulats d’une quantité d’incertitude, entropie . . . . . . . . . . . . . . . 73
7.2 Trois interprétations de l’entropie . . . . . . . . . . . . . . . . . . . . . . . 78
7.2.1 H est une espérance (qui nous fait vieillir !) . . . . . . . . . . . . . 78
7.2.2 H est le nombre moyen de questions nécessaires pour déterminer
la valeur que prend une variable aléatoire . . . . . . . . . . . . . . 78
7.2.3 H est le rapport des logarithmes du volume des configurations
typiques sur celui de toutes les configurations . . . . . . . . . . . 80
7.3 Propriétés de la fonction entropie, entropie relative . . . . . . . . . . . . 84
7.4 Entropie des évolutions markoviennes . . . . . . . . . . . . . . . . . . . . 85
7.5 Couples de variables aléatoires . . . . . . . . . . . . . . . . . . . . . . . . 86
7.5.1 Entropie conjointe . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
7.5.2 Entropie conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . 87
7.5.3 Information mutuelle . . . . . . . . . . . . . . . . . . . . . . . . . 88
7.6 Registres de stockage de l’information . . . . . . . . . . . . . . . . . . . . 89
7.6.1 Propriétés des registres . . . . . . . . . . . . . . . . . . . . . . . . 89
7.6.2 Deuxième loi de la thermodynamique, principe de Landauer . . 91
7.7 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93

8 Sources et leur codage 97

8.1 Sources . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
8.2 Codes uniquement décodables . . . . . . . . . . . . . . . . . . . . . . . . 98
8.3 Théorème de Shannon sur le codage sans bruit . . . . . . . . . . . . . . . 101
8.3.1 Inégalité de Kraft . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
8.3.2 Codes optimaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
8.3.3 Algorithme de Huffman pour la construction de codes optimaux 106
8.3.4 Examen critique du code de Huffman . . . . . . . . . . . . . . . . 108
8.4 Autres types de codes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
8.4.1 Le code arithmétique de Shannon-Fano-Elias . . . . . . . . . . . . 109
8.4.2 Codage universel et algorithme de Lempel-Ziv . . . . . . . . . . . 112
8.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

/Users/dp/a/ens/[Link] iv
2019-10-18 • 18:08:44.
TABLE DES MATIÈRES TABLE DES MATIÈRES

9 Canaux bruités sans mémoire 119

9.1 Modélisation markovienne . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
9.2 Classification des canaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
9.2.1 Canaux sans perte . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
9.2.2 Canaux déterministes . . . . . . . . . . . . . . . . . . . . . . . . . 121
9.2.3 Canaux sans bruit . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
9.2.4 Canaux inutiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
9.2.5 Canaux symétriques . . . . . . . . . . . . . . . . . . . . . . . . . . 122
9.3 Capacité du canal, propriétés de la capacité . . . . . . . . . . . . . . . . . 123
9.4 Un exemple illustratif simple . . . . . . . . . . . . . . . . . . . . . . . . . 124
9.5 Le théorème fondamental de la transmission . . . . . . . . . . . . . . . . 125
9.5.1 Codage du canal bruité . . . . . . . . . . . . . . . . . . . . . . . . 125
9.5.2 Probabilité d’erreur de transmission . . . . . . . . . . . . . . . . . 127
9.5.3 Le théorème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
9.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130

10 Chiffrement 133
10.1 Sécurité des communications . . . . . . . . . . . . . . . . . . . . . . . . . 133
10.1.1 Le chiffrement comme code . . . . . . . . . . . . . . . . . . . . . . 133
10.1.2 Les niveaux de sécurité . . . . . . . . . . . . . . . . . . . . . . . . 134
10.2 Code de Vernam (one-time pad) . . . . . . . . . . . . . . . . . . . . . . . . 136
10.3 Authentification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
10.3.1 Illustration du problème et notation . . . . . . . . . . . . . . . . . 139
10.3.2 Minoration de la probabilité de fraude . . . . . . . . . . . . . . . . 140
10.4 Signature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
10.5 Qu’est-ce la cryptographie post-quantique ? . . . . . . . . . . . . . . . . . 141
10.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142

11 Codes correcteurs d’erreur 143

11.1 La borne de Hamming . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
11.2 Codage par test de parité . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
11.3 Bornes bilatères de l’abilité de correction pour codes par test de parité . 144
11.4 Bornes pour codes binaires généraux . . . . . . . . . . . . . . . . . . . . . 144
11.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144

Références 146

Index 150

/Users/dp/a/ens/[Link] v
2019-10-18 • 18:08:44.
TABLE DES MATIÈRES TABLE DES MATIÈRES

/Users/dp/a/ens/[Link] vi
2019-10-18 • 18:08:44.
 Aléa et information
1
Des nos jours, le codage, le stockage, la transmission, le traitement, l’extraction et le
chiffrement de l’information se font de manière algorithmique sur des messages numé-
riques que nous pouvons toujours considérer comme des suites de bits. On peut donc
légitimement s’interroger qu’ont à faire les probabilités et la statistique — branches
mathématiques étudiant le caractère aléatoire des phénomènes — dans cet univers al-
gorithmique.

1.1 Rôle de l’aléa

De manière générale, il y a plusieurs phénomènes purement déterministes qui pré-
sentent une indétermination aléatoire. Par exemple le lancer d’une pièce est une ex-
périence déterministe, l’aléa résulte de l’imprécision dans la définition de la condi-
tion initiale. Un système dynamique chaotique est un objet purement déterministe ; le
comportement aléatoire est dû à l’imprécision avec laquelle on peut représenter des
fonctions très irrégulières. La mesure d’une grandeur est un processus déterministe ;
l’aléa dans l’estimation de la valeur et la probabilité que l’on attache à cette estimation
(intervalle de confiance) est dû à l’imprécision inhérente à toute mesure physique.
Plus spécifiquement, il s’avère que les probabilités interviennent dans tous les étapes
de la vie de l’information, tantôt de manière fondamentale pour définir la notion même
d’information, tantôt comme modélisation d’une nuisance externe ou d’une richesse
algorithmique, tantôt comme outil de chiffrement ; la statistique intervient tantôt de
manière fondamentale pour définir la notion d’extraction d’information, tantôt comme
outil d’estimation, tantôt comme outil de quantification de la confiance que nous atta-
chons à nos prévisions.
En guise de motivation, quelques exemples de l’utilité de probabilités et de la sta-
tistique en théorie de l’information sont donnés ci-dessous :
— Quelle est la quantité d’information contenue dans une suite de bits ? Pour ré-
pondre à cette question, considérons le bit codant le résultat d’une expérience
de pile (0) ou face (1) provenant du lancer d’une pièce honnête. L’incertitude
avant que le résultat de l’expérience nous soit révélé est totale (100%). Après

1
1.1. Rôle de l’aléa Aléa et information

que le résultat nous soit révélé, l’incertitude est nulle. L’information contenue
dans le bit correspondant au résultat du lancer d’une pièce honnête est égale à
la réduction de l’incertitude après révélation du résultat. Nous verrons au cha-
pitre 7 que pour une pièce arbitraire, donnant face avec probabilité p ∈ [0, 1],
l’information contenue dans le bit codant le résultat du lancer est la quantité

H ( p) = − p log2 p − (1 − p) log2 (1 − p) ∈ [0, 1], (avec 0 log2 0 = 0),

connue sous le nom d’entropie ou quantité d’information [53, 32]. Remarquer

que H (1/2) = 1.
— Même si la suite de bits est construite de manière totalement déterministe (cor-
respondant au cas p = 0, 1 dans l’exemple ci-dessus), pour être utilisée, elle doit
être stockée dans un vecteur physique (laser, courant électrique, signal hertzien,
molécule d’ADN) et propagée à travers un canal physique (fibre optique, câble,
atmosphère, cellule). Le canal introduit nécessairement du bruit de sorte que la
suite des bits reçus est toujours une suite aléatoire. Nous verrons dans le cha-
pitre 9 que si le bruit du canal est un bruit symétrique, i.e.

P(bit transmis = 1|bit émis = 0) = P(bit transmis = 0|bit émis = 1) = p ∈ [0, 1],

alors la capacité du canal est C ( p) = 1 − H ( p) [54]. On remarque que si p = 1/2,

le canal symétrique correspondant est totalement inutile car il ne peut trans-
mettre aucune information !
— Une autre utilité des probabilités intervient dans les opérations de chiffrement.
Supposons que nous voulions transmettre une suite de n bits. Si nous lui su-
perposons une autre suite — la clé de chiffrement — de n bits aléatoires (par
addition bit par bit modulo 2), la suite ainsi obtenue devient une suite pure-
ment aléatoire. Gilbert Vernam a déposé en 1919 le brevet US1310719 qui pro-
posa une réalisation physique de ce chiffrement. Il a été démontré par Shannon
durant la 2e guerre mondiale (et publié ultérieurement [54]) que le chiffrement
de Vernam, pourvu que la suite de chiffrement soit utilisée une seule fois, est
inviolable. La fonction entropie est de nouveau présente dans les estimations
utilisées par Shannon pour montrer ce résultat (cf. chapitre 10).
— Les codes correcteurs d’erreur permettent de détecter et/ou corriger certaines
erreurs de transmission. Cependant, l’utilisation d’un code correcteur dégrade
nécessairement le taux de transmission d’un message car des ressources sont
mobilisées pour transmettre les bits supplémentaires qui servent à la détec-
tion/correcion des erreurs. Nous verrons au chapitre 11 qu’ il existe une fron-
tière dans le plan probabilité d’erreur résiduelle / taux de transmission, appelée
frontière de Shannon, au delà de laquelle il n’est pas possible de transmettre de
message. La forme de cette frontière est encore déterminée par la fonction d’en-
tropie [20, 21].
Cette liste d’exemples d’utilisation des probabilités en théorie de l’information est loin
d’être exhaustive. Plusieurs autres aspects de la théorie (codage de la source, codage
du canal, reconstitution du message, etc.) nécessitent l’utilisation de méthodes proba-
bilistes.
Quant à l’utilité de la statistique, elle est vaste. Mentionons ici seulement les aspects
inférentiels, c’est-à-dire comment à partir d’un nombre fini d’observations (ou de me-
sures) pouvons-nous inférer (déterminer, prédire) les valeurs des grandeurs observées
et comment déterminer des intervalles de confiance pour nos prédictions.

/Users/dp/a/ens/[Link] 2
2019-08-09 • 14:52:34.
Aléa et information 1.2. Probabilités et intuition aléatoire

1.2 Probabilités et intuition aléatoire

Lorsque nous lançons une pièce honnête, il est intuitivement clair que nous nous
attendons à obtenir pile avec « probabilité » 50% et face avec la même probabilité et ceci
malgré le fait que le lancer de la pièce est une opération purement déterministe, régie
par les équations de la mécanique newtonienne. L’aléa ne traduit que la connaissance
incomplète de la condition initiale et des caractéristiques mécaniques de l’usinage de
la pièce.
Dans la phrase précédente, nous n’avons pas définie le terme « probabilité ». La si-
gnification intuitive que nous donnons est que si nous répétons l’expérience N fois (ou
que nous faisons l’expérience en lançant simultanément N pièces identiques) et nous
N ( F)
notons N ( F ) le nombre de fois que nous obtenons « face », le rapport P N ( F ) = N
tend vers P( F ) = 1/2 lorsque N → ∞. Nous assignons alors le nombre P( F ) à la
« probabilité d’obtenir face ». Dans cette approche, la notion de probabilité est alors
identifiée à la notion de la limite de la fréquence relative de réalisation de l’événement
F = « obtenir face » = {face}, F étant considéré comme partie d’un ensemble univer-
sel Ω = {pile,face} de tous les résultats possibles de l’expérience qui consiste à lancer
une pièce.
La formulation axiomatique [33] de la théorie des probabilités introduit la notion
d’espace probabilisé comme étant le couple 1 (Ω, P) où Ω est un ensemble universel
de tous les résultats possibles d’une expérience et P une fonction qui à chaque partie
F ⊆ Ω associe un nombre P( F ) ∈ [0, 1], sa probabilité. L’interprétation fréquentielle
devient alors un théorème de la théorie des probabilités, connu sous le nom de loi des
grands nombres (cf. chapitre 4).

1.3 Esquisse du problème d’estimation statistique

Il n’est pas aisé de donner une description des problématiques et des méthodes de
la statistique mathématique sans une exposition préalable de la théorie des probabi-
lités. C’est pourquoi dans ce chapitre introductif, nous nous limitons à présenter un
exemple concret.
Supposons que nous disposions d’une pièce qui donne « face » avec une probabi-
lité θ fixe mais inconnue. Nous voulons estimer cette valeur en effectuant une expé-
rience avec cette pièce. Par exemple, on peut la lancer N fois (N est nécessairement
fini pour que l’expérience soit physiquement réalisable), on note Xn ∈ {0, 1} le résultat
de chaque lancer et on calcule
N
1
θN =
N ∑ 1{0} ( Xn ).
n =1
On verra que θ N est un estimateur asymptotique de θ dans le sens que lim N →∞ θ N = θ
(la limite a lieu dans un certain sens qui sera précisé dans ce cours) et que pour un
certain seuil de confiance c, on peut trouver un intervalle de confiance 2 IN = [θ N −
1. Nous verrons dans le chapitre 2 que cette construction n’est pas possible si Ω n’est pas dé-
nombrable ; la construction de la fonction P n’est en général possible que sur une famille spécifique
F ⊂ P (Ω), appelée tribu. Le choix de F = P (Ω) n’est possible que dans le cas dénombrable ; dans le
cas non-dénombrable, les tribus F utiles sont beaucoup plus petites que P (Ω) (cf. théorème 2.1.13). Un
espace probabilisé sera donc la donnée du triplet (Ω, F , P) et non du couple (Ω, P).
2. Cet intervalle est aléatoire.

/Users/dp/a/ens/[Link] 3
2019-08-09 • 14:52:34.
1.4. Exercices Aléa et information

a N , θ N + a N ] tel que la probabilité pour que la vraie valeur (déterministe) θ appartienne

dans IN dépasse le seuil c, c’est-à-dire P(θ ∈ IN ) ≥ c.

1.4 Exercices
Le premier exercice est purement combinatoire ; nous introduisons les 4 types de
dénombrement. Pour les exercices sur les probabilités élémentaires de ce chapitre, nous
laissons de côté les questions de définition de la notion de probabilité en nous limitant
à la définition empirique (fréquentielle) des probabilités exposée plus haut. Dans ce
contexte, les probabilités de ces exercices se calculent comme des rapports de cardi-
naux.

Les quatre types de dénombrement

1. On rappelle les quatre types de dénombrement :
— n tirages discernables à choisir parmi M possibilités avec remise (n > 0, M >
0) :
Ω1 = {ω = (ω1 , . . . , ωn ); ωi ∈ {1, . . . , M}, i = 1, . . . , n}.
cardΩ1 = Mn .
— n tirages discernables à choisir parmi M possibilités sans remise (0 < n ≤
M) :

Ω2 = {ω = (ω1 , . . . , ωn ); ωi ∈ {1, . . . , M}, i = 1, . . . , n; ωi 6= ω j , pour i 6= j}.

cardΩ2 = ( MM!
−n)!
.
— n tirages indiscernables à choisir parmi M possibilités sans remise (0 < n ≤
M) :

Ω3 = {ω = [ω1 , . . . , ωn ]; ωi ∈ {1, . . . , M}, i = 1, . . . , n; ωi 6= ω j , pour i 6= j}.

M! n .
cardΩ3 = n!( M −n)!
= CM
— n tirages indiscernables à choisir parmi M possibilités avec remise (n >
0, M > 0) :

Ω4 = {ω = [ω1 , . . . , ωn ]; ωi ∈ {1, . . . , M }, i = 1, . . . , n}.

cardΩ4 = Cnn+ M−1 .

Pour chacun de ces quatres types,
(a) démontrer les formules des cardinaux,
(b) donner un exemple concret d’application.

Événements et ensembles
2. Sous quelles conditions les événements A et B satisfont l’égalité A = A ∪ B ?
L’égalité A = A ∩ B ?
3. Soit ( Ai )i∈ I une collection d’ensembles. Déterminer (∪i∈ I Ai )c et (∩i∈ I Ai )c .
4. La figure suivante décrit un circuit électrique entre les points 1 et 2 comportant
les fusibles a, b1 , b2 et b3 qui peuvent tomber en panne.

/Users/dp/a/ens/[Link] 4
2019-09-11 • 21:15:57.
Aléa et information 1.4. Exercices

b1

1 a b2 2

b3

Noter A (resp. Bi ) les événements : « le fusible a (resp. le fusible bi ) est en panne »,

pour i = 1, 2, 3 et C l’événement « le courant passe de 1 à 2 ». Déterminer C c et
C en termes des événements A, B1 , B2 et B3 .
5. Une cible est constituée de 10 disques concentriques de rayons rk , k = 1, . . . , 10.
L’événement Ak signifie « le projectile a touché la cible à l’intérieur du disque de
rayon rk », pour k = 1, . . . , 10. Quelle est la signification des événements B et C
définis par
B = ∪5k=1 Ak et C = ∩10
k =1 A k ?

6. 20 chevaux sont au départ d’une course. Trouver le nombre de tiercés, de quar-

tés, de quintés dans l’ordre et dans le désordre.

Probabilités élémentaires
7. Un ouvrage de 4 volumes est placé dans un ordre aléatoire sur le rayonnage
d’une bibliothèque. Quelle est la probabilité que les 4 volumes soient placés
dans l’ordre (ascendant ou descendant) ? Rép. : 1/12.
8. Toutes les faces d’un cube en bois sont peintes. Ensuite le cube est découpé (se-
lon des plans parallèles à ses faces) en 1000 cubes identiques. Un petit cube
est choisi au hasard ; quelle est la probabilité qu’il comporte exactement 2 faces
peintes ? Rép. : 0,096.
9. Dix livres sont placés dans un ordre aléatoire sur un rayonnage. Quelle est la
probabilité que trois livres spécifiques se retrouvent côte-à-côte ? Rép. : 1/15.
10. Un sac contient 5 bâtonnets de longueurs 1, 3, 5, 7 et 9. On en extrait 3. Quelle est
la probabilité que l’on puisse construire un triangle ayant ces bâtonnets comme
côtés ? Rappel : La longueur d’un côté d’un triangle ne peut pas excéder la somme des
longueurs des autres côtés.
11. Supposons qu’un entier entre 1 et 1000 est choisi au hasard. Quelle est la pro-
babilité que les 2 derniers digits décimaux de son cube soient 1 ? Suggestion : Il
n’est pas nécessaire de consulter une table des cubes des tous les entiers entre 1 et 1000.
Rép. : 0,01.
12. Quelle est la probabilité qu’au moins deux étudiants suivant un cours auquel
N étudiants sont inscrits (N ≥ 2) aient leur anniversaire le même jour ? On
néglige les années bissextiles et on suppose que tous les jours de l’année sont
équiprobables en tant que jour de naissance.
13. Une tombola comporte M tickets dont n (avec M ≥ 2n) sont gagnants. Une
personne achète n tickets. Quelle est la probabilité pour qu’elle gagne au moins
un lot ?

/Users/dp/a/ens/[Link] 5
2019-09-11 • 21:15:57.
1.4. Exercices Aléa et information

14. On gagne (au premier rang) une loterie si l’on coche 6 bons numéros parmi les
49 que comporte une grille. Quelle est la probabilité de gagner cette loterie au
premier rang ?

/Users/dp/a/ens/[Link] 6
2019-08-09 • 14:52:34.
 Première partie

Théorie des probabilités ; statistique

mathématique

7
 Théorie élémentaire des probabilités
2
Nous présentons la théorie telle qu’elle a été formulée par Kolmogorov [33] et nous
nous inspirons librement des exposés pédagogiques [24, 51, 55, 59], en particulier pour
le choix de certains exemples. Les livres [2, 6, 43] peuvent utilement être consultés mais
sont mathématiquement plus exigeants.
La formulation de Kolmogorov est une construction mathématique abstraite. Ce-
pendant, déjà dans l’œuvre originale [33] transparaît une forte intuition expérimen-
tale ; pour comprendre les notions de base de la théorie, il est très utile de nous servir
des modèles venant d’autres domaines de mathématiques ou de la physique.
La présentation naturelle de la théorie requiert la théorie de la mesure. Dans la suite
nous essaierons de donner une présentation élémentaire i.e. qui ne fait pas appel à la
théorie de la mesure.

2.1 Espace de probabilité

2.1.1 Espace des épreuves, espace des événements
Épreuves
Lors d’une expérience aléatoire, on note Ω l’ensemble de tous les résultats possibles
et imaginables. Les éléments de Ω sont notés ω et appelés épreuves. L’espace des
épreuves Ω peut être dénombrable (fini ou infini) ou non dénombrable et s’appelle
aussi univers.

Événements
Les parties de Ω — plus précisément certaines parties de Ω — sont appelés évé-
nements ; Ω lui-même est toujours un événement (l’événement certain) ainsi que ∅
(l’événement impossible). Intuitivement, un événement est un ensemble d’épreuves
qui vérifient une propriété. Si la famille A ⊆ P (Ω) est une famille d’événements, il est
naturel de demander qu’elle constitue une algèbre.

9
2.1. Espace de probabilité Théorie élémentaire des probabilités

Définition 2.1.1. Une famille A de parties de Ω est une algèbre si

1. Ω ∈ A,
2. A ∈ A ⇒ Ac ∈ A (stabilité par complémentation) et
3. A1 , A2 ∈ A ⇒ A1 ∪ A2 ∈ A (stabilité aux réunions finies).

Remarque 2.1.2. De la définition 2.1.1 d’une algèbre A sur Ω découlent immédiate-

ment les faits suivants :
1. ∅ ∈ A et
2. A1 , A2 ∈ A ⇒ A1 ∩ A2 ∈ A (stabilité aux intersections finies).

Exemple 2.1.3 (Pile ou face). L’espace des épreuves pour le lancer d’une pièce est
Ω = {pile, face} ≡ {0, 1}. La famille A = P (Ω) est une algèbre qui correspond à tous
les événements possibles.

Exemple 2.1.4 (Pile ou face répété n fois). L’espace des épreuves pour cette expérience
est Ω = {ω = (ω1 , . . . , ωn ) : ωi ∈ {0, 1}, i = 1, . . . , n} ≡ {0, 1}n . On remarque que
cardΩ = 2n . La famille A = P (Ω) est une algèbre qui correspond à tous les événements
n
possibles ; elle a cardA = 22 .

Exemple 2.1.5 (Pile ou face répété indéfiniment). Parfois on s’intéresse à des suites
infinies d’expériences (par exemple une suite de bits indéfiniment longue). L’espace
des épreuves pour cette expérience est Ω = {ω = (ω1 , ω2 , . . .) : ωi ∈ {0, 1}, i ∈ N} ≡
{0, 1}N . On remarque que cardΩ = 2ℵ0 = c (donc Ω ∼= R).

Remarque 2.1.6. Le dernier exemple établit que si nous voulons considérer des limites
de suites — considérer la suite donc dans son intégralité — nous sommes obligés de
sortir du cadre discret.

Lorsque l’espace Ω est dénombrable infini (ou a fortiori non dénombrable), il est na-
turel de demander la stabilité de la famille des événements aux réunions (intersections)
dénombrables. Ceci nous amène à la

Définition 2.1.7. Une famille F de parties de Ω est dite une tribu (ou σ-algèbre) si elle
est une algèbre et vérifie la propriété de stabilité aux intersections dénombrables :

[∀n ∈ N, An ∈ F ] ⇒ [∪n∈N An ∈ F ].

Exemple 2.1.8. Soit Ω un ensemble arbitraire. Alors F1 = {∅, Ω} et F2 = P (Ω) sont

des tribus. F1 est appelée tribu grossière, F2 est appelée tribu exhaustive. Lorsque
cardΩ = N, alors cardP (Ω) = 2 N . Lorsque cardΩ = ℵ0 alors cardP (Ω) = c. Lorsque
cardΩ = c alors cardP (Ω) = 2c ce qui montre que la tribu exhaustive dans le cas d’un
espace des épreuves avec la puissance du continu est un objet énorme (dit aussi non-
énumerable).

Définition 2.1.9. Soit Ω un espace des épreuves et F une tribu sur Ω. Le couple (Ω, F )
est appelé espace des événements (ou espace mesurable dans la terminologie de la
théorie de la mesure).

/Users/dp/a/ens/[Link] 10
2019-09-19 • 10:40:09.
Théorie élémentaire des probabilités 2.1. Espace de probabilité

2.1.2 Probabilisation
Définition 2.1.10. Soit (Ω, F ) un espace des événements. Supposons qu’il existe une
application P : F → [0, 1] vérifiant
1. P(Ω) = 1 (normalisation de la masse totale) et
2. [∀n ∈ N, An ∈ F et Am ∩ Fn = ∅, m 6= n] ⇒ [P(∪n∈N An ) = ∑n∈N P( An )]
(additivité dénombrable disjointe dite aussi σ-additivité disjointe).
Alors P est appelée (mesure de) probabilité sur (Ω, F ) et le triplet (Ω, F , P) est alors
appelé espace probabilisé.

Proposition 2.1.11. Supposons que Ω est dénombrable (fini ou infini) et qu’il existe une
application ρ : Ω → [0, 1] telle que ∑ω ∈Ω ρ(ω ) = 1. Alors ρ définit une mesure de probabilité
P sur (Ω, F ), où F = P (Ω), par

F 3 A 7 → P( A ) = ∑ ρ(ω ) ∈ [0, 1].

ω∈ A

Reciproquement, si P est une probabilité sur (Ω, P (Ω)) et Ω est dénombrable, alors il existe
ρ : Ω → [0, 1] telle que ∑ω ∈Ω ρ(ω ) = 1 permettant de définir P comme ci-dessus. (En fait
ρ(ω ) = P({ω }) pour tout ω ∈ Ω).

Démonstration. Cf. exercice 20.

L’application ρ de la proposition précédente est appelée vecteur de probabilité ou
densité discrète de P. Cette proposition établit en outre une bijection entre les mesures
de probabilités sur les espaces dénombrables et les vecteurs de probabilité.

Exemple 2.1.12. Probabilité sur des ensembles discrets.

1. Soient Ω = {1, 2, 3, 4, 5, 6} et ρ(ω ) = 1/6 = 1/card(Ω) pour tout ω ∈ Ω.
Ce vecteur de probabilité définit une probabilité uniforme sur (Ω, P (Ω)) cor-
respondant à un dé honnête. Noter qu’une probabilité uniforme P sur un en-
semble fini Ω s’exprime alors nécessairement comme un rapport de cardinaux :
card( A)
P( A) = card(Ω) , pour tout A ∈ P (Ω).
2. Soient Ω = {1, 2, 3, 4, 5, 6} et p(1) = p(6) = 1/4 et p(2) = p(3) = p(4) =
p(5) = 1/8 définit une probabilité non-uniforme sur (Ω, P (Ω)) correspondant
à un dé lesté qui donne 6 (ou 1) deux fois plus fréquemment que les autres faces.
3. Soient Ω = N et ρ(ω ) = 1/2ω +1 . Ce vecteur de probabilité définit une proba-
bilité non-uniforme sur (Ω, P (Ω)). Noter qu’il n’est pas possible de définir une
probabilité uniforme sur un ensemble dénombrable infini.

L’exercice 21 montre que l’ensemble fini Ω = {0, 1}n peut être probabilisé par un
vecteur de probabilité vérifiant en outre la propriété d’invariance à l’application Tk
« renversement du ke bit » définie par

Ω 3 ω = (ω1 , . . . , ωn ) 7→ Tk (ω ) = ((ω1 , . . . , ωk−1 , 1 − ωk , ωk+1 , . . . , ωn ), k = 1, . . . , n.

Cette construction ne peut pas s’étendre au cas Ω = {0, 1}N comme le montre le

Théorème 2.1.13 (Vitali 1905). Soit Ω = {0, 1}N l’ensemble des suites infinies de bits. Il
n’existe pas d’application P : P (Ω) → [0, 1] vérifiant sumultanément
— (normalisation) : P(Ω) = 1,

/Users/dp/a/ens/[Link] 11
2019-09-19 • 10:40:09.
2.1. Espace de probabilité Théorie élémentaire des probabilités

— (additivité dénombrable disjointe) : si ( An ) est une suite d’événements mutuellement

disjoints, P(tn∈N An ) = ∑n∈N P( An ),
— (invariance aux renversements des bits) : si A ∈ P (Ω) alors P( Tk A) = P( F ) pour
tout k.
La démonstration peut être omise en première lecture.
Démonstration.

Remarque 2.1.14. Dans le théorème précédent, cardΩ = c ; ce que nous apprend ce

théorème est qu’il n’est pas possible d’avoir une mesure de probabilité, invariante aux
renversements de bits, sur la tribu exhaustive P (Ω) lorsque l’ensemble Ω a le cardinal
du continu. L’introduction de la notion abstraite de tribu nous permet de définir une
probabilité pour certaines tribus plus petites que la tribu exhaustive.

Dans l’exercice 18 nous introduisons la notion de tribu engendrée par une famille
arbitraire (non-vide) A de parties de P (Ω) comme étant la plus petite tribu qui contient
A — notée σ(A).

Définition 2.1.15 (Tribu borélienne). Soient Ω = Rd , pour d ≥ 1 entier, et

d
R d = { ∏ [ a i , bi ] : a i < bi , a i , bi ∈ Q } ,
i =1

le système de pavés rectangulaires avec des arêtes parallèles aux axes et sommets avec
des coordonnées rationnelles. La tribu σ (Rd ) engendrée par cette famille est appelée
tribu borélienne sur Rd et notée Bd := B(Rd ). (Lorsque d = 1, nous abrégeons la
notation en B ). Les événements de Bd sont appelés boréliens.

Remarque 2.1.16. La tribu Bd est beaucoup plus grosse que l’on pouvait supposer à
première vue. En particulier elle contient les classes
— des ouverts ;
— des fermés ;
— Gδ (intersections dénombrables d’ouverts) ;
— Fσ (réunion dénombrables de fermés) ;
— Gδσ (réunions dénombrables d’éléments de Gδ ) ;
— Fσδ (réunions dénombrables d’éléments de Fσ )
— ...
Pour les besoins de ce cours il est suffisant de connaître que toutes les parties de Rd
que nous rencontrons en pratique sont boréliennes. Montrer l’existence de parties non-
boréliennes n’est pas tâche aisée, il faut recourir à l’axiome du choix (cf. [6, pp. 24–28]
par exemple).

Définition 2.1.17 (Tribu produit). Soient (Ωn , Fn )n∈N une suite d’espaces mesurables,
Ω = ×n∈N Ωn et R = ×n∈N Fn . La tribu F = σ(R) sur Ω, engendrée par le produit
cartésien R de tribus est appelée tribu produit et notée F = ⊗n∈N Fn .

Théorème 2.1.18 (Propriétés de P). Toute mesure de probabilité P sur un espace d’événe-
ments (Ω, F ) vérifie les propriétés suivantes pour des événements arbitraires A, B, A1 , A2 , . . . ∈
F:
1. P(∅) = 0.

/Users/dp/a/ens/[Link] 12
2019-09-19 • 10:40:09.
Théorie élémentaire des probabilités 2.1. Espace de probabilité

2. Additivité finie. P( A ∪ B) + P( A ∩ B) = P( A) + P( B). En particulier P( A) +

P( Ac ) = 1.
3. Monotonie. Si A ⊆ B alors P( A) ≤ P( B).
4. σ-sous-additivité. P(∪n∈N An ) ≤ ∑n∈N P( An ).
5. σ-continuité monotone. Si soit An ↑ A soit An ↓ A (i.e. la suite ( An ) est soit croissante
avec réunion A soit décroissante avec intersection A), alors P( An ) −−−→ P( A).
n→∞

Démonstration. 1. Puisque l’ensemble vide est disjoint de tout événement, donc de

lui-même, la suite constante ∅, ∅, ∅, . . . est composée d’événements mutuelle-
ment disjoints. La propriété de additivité dénombrable disjointe de P (propriété
2, déf. 2.1.10) devient

P( ∅ ) = P( ∅ ∪ ∅ ∪ . . . ) = ∑ P( ∅ ).
n ∈N

Cette égalité n’est possible que si P(∅) = 0.

2. Supposons pour commencer que A et B sont disjoints. Or la propriété 2 de la
définition 2.1.10 requiert une suite infinie d’événements disjoints. On complète
donc par des ensembles vides et on a

P( A ∪ B ) = P( A ∪ B ∪ ∅ ∪ ∅ ∪ . . . ) = P( A ) + P( B ) + 0 + 0 + . . . .

Dans le cas général, nous décomposons

P( A ∪ B) + P( A ∩ B) = P( A \ B) + P( B \ A) + 2P( A ∩ B) = P( A) + P( B).

Le cas particulier s’obtient en posant B = Ac et en utilisant la condition de

normalisation (propriété 1, déf. 2.1.10).
3. Si A ⊆ B, alors de la propriété d’additivité finie établie en 2, on obtient P( B) =
P( A) + P( B \ A) ≥ P( A) car les probabilités sont toujours positives.
4. Toute réunion ∪n∈N An peut s’écrire comme réunion d’événements mutuelle-
ment disjoints : On aura alors

P(∪n∈N An ) = P(tn∈N ( An \ ∪m<n Am ) = ∑ P( A n \ ∪ m < n A m ) ≤ ∑ P( A n ).

n ∈N n ∈N

5. Supposons que An ↑ A ; alors nécessairement A ∈ F (pourquoi ?). Sans perte de

généralité, on peut supposer que A0 = ∅. On a alors

P( A) = P(tn≥1 ( An \ An−1 )) = ∑ P ( A n \ A n −1 )
n ≥1
N
= lim
N →∞
∑ P( An \ An−1 ) = Nlim
→∞
P( A N ).
n =1

Le cas de suite décroissante est laissé en exercice.

Pour montrer que deux probabilités P et P0 sur (Ω, F ) coïncident, il faut montrer
qu’elles coïncident sur tous les éléments de la tribu F . Or, nous avons vu que les tribus
sont des objets compliqués, difficilement maniables. Le théorème suivant nous donne
un moyen très efficace de montrer plusieurs propriétés de probabilités sans avoir re-
cours explicitement à la tribu sous-jacente.

/Users/dp/a/ens/[Link] 13
2019-09-19 • 10:40:09.
2.1. Espace de probabilité Théorie élémentaire des probabilités

Théorème 2.1.19 (Théorème d’unicité). Soit (Ω, F , P) un espace de probabilité et suppo-

sons que F = σ(G) où G ⊆ P (Ω) est une famille génératrice stable par intersections finies.
Alors P est uniquement déterminée par sa restriction PG .

La démonstration de ce théorème peut être omise dans le cadre de ce cours ; elle

peut être trouvée dans [24, Théorème 1.12], par exemple.
Nous sommes maintenant en mesure de construire une probabilité sur un espace
non-dénombrable.

Proposition 2.1.20. Soit Ω = Rd , muni de sa tribu borélienne. Supposons qu’il existe ρ :

Ω → R+ vérifiant les propriétés :
1. pour
R tout c > 0, on a {ρ ≤ c} := {ω ∈ Ω : ρ(ω ) ≤ c} ∈ Bd ,
2. Ω ρ(ω )dω1 · · · dωd = 1.
Alors, il existe une unique probabilité P sur (Rd , Bd ), définie par
Z Z
P( B ) = ρ(ω )λd (dω ) = 1B (ω )ρ(ω )λd (dω ),
B Ω

où λd (dω ) = dω1 . . . dωd désigne la mesure de Lebesgue en dimension d.

Démonstration. La seule chose à montrer est la propriété d’additivité dénombrable dis-

jointe. Or si ( Bn )n est une suite de boréliens deux-à-deux disjoints, on a 1∪n∈N Bn =
∑n∈N 1Bn . La propriété découle du théorème de convergence monotone.

Remarque 2.1.21. La proposition 2.1.20 est l’analogue continu de la proposition 2.1.11,

établi dans le cas discret. La fonction ρ est l’analogue de la notion de vecteur de proba-
bilité et porte le nom de densité de probabilité (par rapport à la mesure de Lebesgue).
Noter cependant que contrairement au cas dénombrable — où les probabilités sont
en bijection avec les densités discrètes —, Il n’est pas vrai que toutes les probabilités
sur (Rd , Bd ) s’expriment sous cette forme. En général, toute probabilité sur (Rd , Bd )
se décompose en trois parties : une partie discrète, une partie qui s’écrit sous la forme
de la proposition 2.1.20 (appelée absolument continue par rapport à Lebesgue) et une
partie qui n’est ni discrète, ni absolument continue et s’appelle singulière continue (cf.
[2, exemple III.2.5, p. 47]). Cependant, nous n’aurons pas à considérer des probabilités
avec partie singulière continue dans ce cours. Pour utiliser une terminologie unifiée
dans les cas discret et continu, nous pouvons appeler le vecteur de probabilité ρ de la
proposition 2.1.11 aussi densité de probabilité (par rapport à la mesure de dénombre-
ment) ou densité discrète.

Exemple 2.1.22. Probabilité sur des ensembles non-dénombrables.

1. Soient Ω = [0, 1] et ρ(ω ) = 1 pour tout ω ∈ Ω. La fonction densité ρ définit une
probabilité sur ([0, 1], B([0, 1]), qui est appelée probabilité uniforme sur [0, 1].
exp(−ω 2 /2σ2 )
2. Soient Ω = R et ρ(ω ) =
R
√ . Alors ρ est une densité, i.e. R ρ(ω )λ(dω ) =
2πσ
1 (pouvez-vous le montrer ?) qui définit une probabilité non-uniforme sur (R, B(R))
appelée probabilité gaussienne centrée de variance σ pour des raisons qui se-
ront explicitées plus loin dans ce texte. Il s’agit d’une des lois les plus impor-
tantes en théorie des probabilités, nous donnons donc ci-dessous quelques dé-
tails sur elle.

/Users/dp/a/ens/[Link] 14
2019-09-19 • 10:40:09.
Théorie élémentaire des probabilités 2.2. Variables aléatoires

ω2
 
1
√ exp − 2
2πσ 2σ

34%34%
0.1% 2% 14% 14% 2% 0.1%
ω
−3σ −2σ −σ σ 2σ 3σ

Figure 2.1 – La masse de la loi gaussienne s’étend sur tout l’axe R. Cependant, elle reste essentiel-
lement concentrée sur l’intervalle [−3σ, 3σ].

Définition 2.1.23. Sur un espace de probabilité (Ω, F , P), un événement N ∈ F avec

P( N ) = 0 est appelé négligeable ; un événement S ∈ F avec P(S) = 1 est appelé
presque sûr.

Il n’est pas vrai en général qu’un événement négligeable est vide ; ni qu’un ensemble
presque sûr coïncide avec l’univers tout entier comme le contre-exemple suivant nous
enseigne.

Contre-exemple 2.1.24. Soient (Ω, F , P) = ([0, 1], B([0, 1]), λ), N = [0, 1] ∩ Q et S =
[0, 1] \ Q. Alors P( N ) = 0 et P(S) = 1 − P( N ) = 1. Pourtant, N n’est pas vide (il est
même dense dans [0, 1]) et S = [0, 1] \ Q (il manque à S une infinité de points pour
qu’il devienne égal à Ω).

2.2 Variables aléatoires

Supposons que nous lançons une pièce 3 fois de suite. L’espace des épreuves sera
alors l’espace de configurations possibles de 3 bits : Ω = {ω = (ω1 , ω2 , ω3 ) : ωi ∈
{0, 1}} ; il sera muni de la tribu exhaustive F = P (Ω). Mais supposons que l’informa-
tion que nous intéresse est le nombre de fois que la pièce tombe sur la face « 1 ». L’infor-
mation codée dans ω est surabondante. Ce qui nous intéresse est une information plus
sommaire, à savoir la valeur que prend l’application X : Ω → X := {0, 1, 2, 3} défi-
nie par X (ω ) = ∑3i=1 1{1} (ωi ). Si la pièce est honnête, l’espace des événements (Ω, F )
est probabilisé par la densité discrète uniforme ρ(ω ) = 1/23 pour tout ω. Cette pro-
babilité induit une probabilité PX sur (X, P (X)) définie par la densité non uniforme
ρ X (0) = ρ X (3) = 1/8 et ρ X (1) = ρ X (2) = 3/8. Cet exemple fournit l’archétype d’une
variable aléatoire, notion formalisée dans la

Définition 2.2.1. Soient (Ω, F , P) un espace de probabilité, (X, X ) un espace d’évé-

nements (F et X sont des tribus) et X : Ω → X telle que pour tout A ∈ X , on
a X −1 ( A) ∈ F . Alors X est appelée variable aléatoire sur (Ω, F , P) à valeurs dans
(X, X ). Elle induit une probabilité PX sur (X, X ) par

X 3 A 7→ PX ( A) = P({ω ∈ Ω : X (ω ) ∈ A}) =: P( X −1 ( A)).

La probabilité PX sur (X, X ) est appelée loi de la variable aléatoire X.

/Users/dp/a/ens/[Link] 15
2019-09-19 • 10:40:09.
2.2. Variables aléatoires Théorie élémentaire des probabilités

Remarque 2.2.2. La condition X −1 ( A) ∈ F pour tout A ∈ X est essentielle dans

les cas où les tribus ne sont pas exhaustives. Considérer par exemple Ω = {0, 1}3 ,
X = {0, 1, 2, 3} et X (ω ) = ∑3i=1 ωi . Si l’on munit X avec la tribu exhaustive X = P (X)
tandis que Ω est muni de la tribu F = σ( F ) = {∅, Ω, F, F c } avec F := {011, 101, 111},
alors X n’est pas une variable aléatoire car par exemple X −1 ({2}) = {011, 101, 110} 6∈ F .
Par contre, la même application est une variable aléatoire si F est la tribu exhaustive.
Remarque 2.2.3. La donnée importante pour une variable aléatoire est sa loi PX (une
probabilité sur (X, X )). L’espace abstrait (Ω, F , P) n’est qu’une construction auxiliaire.
Le choix reflète le moyen où le système décrit par la variable aléatoire X est construite
et il n’est pas unique comme le montre l’exemple 2.2.4.
Exemple 2.2.4. (Trois manières radicalement différentes de jouer au pile ou face). Jouer
au pile ou face équivaut à construire une probabilité PX = 21 ε 0 + 12 ε 1 sur X = {0, 1},
muni de sa tribu exhaustive X = P (X).
Monsieur Tout-le-monde joue au pile ou face. On lance une pièce sur une table
approximativement considérée infiniment étendue dans le plan horizontale et
infiniment plastique. L’état instantané de la pièce est un élément de Ω = (R+ ×
R2 ) × R3 × R3 × S2 . Cet espace code la position du centre de masse R, la vi-
tesse du centre de masse V, le moment angulaire M et l’orientation N de la
normale extérieure sur la face « face ». On choisit pour F = B(Ω) et P désigne
une probabilité à support compact dans Ω, décrivant l’incertitude de la condi-
tion initiale du système mécanique. Une fois la pièce lancée, son mouvement
est régi par les équations de Newton. La pièce touche la table dans un temps
aléatoire T (ω ) = inf{t > 0 : R3 (t) = 0; V(t) = 0, M(t) = 0} et elle s’arrête
immédiatement à cause de la plasticité de la table. On définit

0 if N( T (ω )) · e3 = −1
X (ω ) =
1 if N( T (ω )) · e3 = 1,

où e3 est le vecteur unité vertical de R3 . La cause de l’aléa est la stratification

très fine (cf. figure 2.2) de l’espace Ω. Ce système mécanique set étudié en détail
dans [30, 16].
Le simulateur joue au pile ou face. Soient Ω = [0, 1], F = B([0, 1]) et P la me-
sure de Lebesgue sur [0, 1]. Le résultat d’une pièce honnête est modélisé par la
variable aléatoire 
0 si ω < 1/2
X (ω ) =
1 si ω > 1/2.
Le mathématicien joue au pile ou face. Soient Ω = {0, 1}, F = P (Ω) et P =
1 1
2 ε 0 + 2 ε 1 . Le résultat d’une pièce honnête est modélisé par la variable aléatoire
X = id. En outre, PX = P. Une telle réalisation est appelée minimale.
La nature probabiliste d’une variable aléatoire X est totalement codée en sa loi PX .
On va s’intéresser à de variables aléatoires à valeurs dans X ⊆ R ; dans ce cas, la loi
PX est à son tour totalement spécifiée par une fonction réelle.
Définition 2.2.5. Soit X une variable aléatoire réelle (i.e. à valeurs dans X ⊆ R) définie
sur l’espace de probabilité (Ω, F , P). On appelle fonction de répartition de X (ou de
sa loi PX ) l’application
R 3 x 7→ FX ( x ) := P({ω ∈ Ω : X (ω ) ≤ x }) = PX (] − ∞, x ]).

/Users/dp/a/ens/[Link] 16
2019-09-19 • 10:40:09.
Théorie élémentaire des probabilités 2.3. Exercices

v
Figure 2.2 – L’espace de phases (v, M ) (sous quelques conditions simplificatrices), où v désigne la
vitesse verticale et M le moment angulaire, est stratifié en régions rouges et bleues selon les résultats
possibles (pile ou face). Seulement les premières strates sont présentées ; cependant, la stratification
couvre tout le quadrant.

Remarque 2.2.6. Si cardΩ = m, alors on peut choisir X = X (Ω) avec cardX = n ≤ m,

i.e. on peut écrire X = { x1 , . . . , xn } pour des réels xi , i = 1, . . . , n avec xi ≤ x j si i < j.
Alors, on pourra écrire
FX ( x ) = ∑ PX ({ xi })
i:xi ≤ x

où PX ({ xi }) = ρ X ( xi ) = ∆FX ( xi ) := FX ( xi ) − FX ( xi −).

Exemple 2.2.7. Soit X = {0, 1, 2} ⊂ R et p = (0.2, 0.5, 0.3) un vecteur de probabilité

sur X. La fonction de répartition est cette loi est représentée sur la figure ??.

Proposition 2.2.8. La fonction de répartition FX d’une variable aléatoire réelle vérifie

1. FX est croissante.
2. limx→−∞ FX ( x ) = 0 et limx→+∞ FX ( x ) = 1.
3. FX est continue à droite, i.e. FX ( x +) = FX ( x ) pour tout x ∈ R.

Démonstration. Cf. exercice 23.

2.3 Exercices
Algèbres, tribus, espaces probabilisés
15. Soit A une algèbre sur Ω (fini) et soient A, B et C trois événements quelconques
de A. Exprimer les événements suivants. Parmi A, B, C
(a) A seul se produit,
(b) A et B se produisent et C ne se produit pas,

/Users/dp/a/ens/[Link] 17
2019-09-22 • 21:40:45.
2.3. Exercices Théorie élémentaire des probabilités

0.8

0.6

0.4

0.2

0
−6 −4 −2 0 2 4 6

Figure 2.3 – Fonction de répartition de la loi sur X = {0, 1, 2} définie par le vecteur de probabilité
p := (0.2, 0.5, 0.3).

(c) les trois événements se produisent,

(d) l’un au moins des événements se produit,
(e) au moins deux des événements se produisent,
(f) un seul événement se produit,
(g) aucun des événements ne se produit.
16. Soit (Ai )i∈ I une famille d’algèbres sur Ω. Montrer que ∩i∈ I Ai est une algèbre
sur Ω. En déduire que si C ⊆ P (Ω) est une famille arbitraire de parties de Ω,
il existe une algèbre minimale qui contient C ; on la note α(C) et on l’appelle
algèbre engendrée par C . La famille C est alors appelée famille génératrice de
l’algèbre.
17. Soit A une algèbre d’événements sur un espace fini Ω. Montrer qu’il existe une
unique partition D de Ω génératrice de A, i.e. A = α(D).
18. Soit (Fi )i∈ I une famille de tribus sur Ω. Montrer que ∩i∈ I Fi est une tribu 1 sur
Ω. En déduire que si G ⊆ P (Ω) est une famille arbitraire (non-vide) de parties
de Ω, il existe une tribu minimale qui contient G ; on la note σ(G) et on l’appelle
tribu engendrée par G . La famille G est appelée famille génératrice de la tribu.

Propriétés des probabilités discrètes

19. Le but de cet exercice est de onner une interprétation géométrique de l’ensemble
de vecteurs de probabilités M1 (Ω, F ) sur un univers fini Ω et F une tribu sur
Ω.
(a) Rappeler la définition d’un ensemble convexe.
(b) Montrer que M1 (Ω, F ) est convexe.
(c) Rappeler la définition d’un point extrémal d’un ensemble convexe et mon-
trer que P ∈ M1 (Ω, F ) est extrémal si, et seulement si, pour tout F ∈ F ,

1. Attention : La réunion ∪i∈ I Fi n’est pas, en général, une tribu. Même dans le cas où (Fi )i∈N est
une filtration dénombrable (i.e. une suite des tribus strictement emboîtées Fi ⊂ Fi+1 , pour i ∈ N), la
réunion ∪i∈N Fi n’est jamais une tribu ; cf. [10]. La réunion engendre cependant une tribu par le procédé
décrit dans cet exercice, notée ∨i∈N Fi .

/Users/dp/a/ens/[Link] 18
2019-09-22 • 21:40:45.
Théorie élémentaire des probabilités 2.3. Exercices

on a P( F ) ∈ {0, 1}. On note par ∂e M1 (Ω, F ) l’ensemble des probabilités

extrémales.
(d) Conclure que E = {ε ω : ω ∈ Ω} est un ensemble composé de probabilités
qui sont toutes extrémales.
(e) Donner un exemple où E 6= ∂e M1 (Ω, F ).
(f) Montrer que si F est dénombrablement engendrée et contient les singletons,
alors E = ∂e M1 (Ω, F ).
(g) Donner la structure géométrique de M1 (Ω, F ) dans le cas où |Ω| < ∞ et
F = P (Ω). On peut utiliser sans démonstration les deux théorèmes sui-
vants :
Théorème A : (Carathéodory) Tout point dans l’enveloppe convexe co( A) d’un
ensemble A ⊂ Rd peut être exprimé comme combinaison convexe d’au plus d + 1
points de A.
Théorème B : (Krein-Milman) Si X est de dimension finie, toute partie convexe
compacte non-vide de X est la combinaison convexe de ses points extrémaux.
(h) Lorsque cardΩ = 3, dessiner la partie de R2 qui est isomorphe à M1 (Ω, P (Ω))
4 12 3
et y placer le point qui correspond au vecteur de probabilité p = ( 19 , 19 , 19 ).
20. Supposons que Ω est dénombrable (fini ou infini) et qu’il existe une application
ρ : Ω → [0, 1] telle que ∑ω ∈Ω ρ(ω ) = 1. Montrer que ρ définit une mesure de
probabilité sur (Ω, F ) définie par

F 3 A 7 → P( A ) = ∑ ρ(ω ) ∈ [0, 1].

ω∈ A

Suggestion : la seule chose à démontrer est la propriété d’additivité dénombrable dis-

jointe.
21. Soit Ω = {0, 1}n l’espace des épreuves de n lancers d’une pièce, muni de sa
tribu exhaustive F = P (Ω). L’espace des événements est probabilisé à l’aide
du vecteur de probabilité uniforme ρ, chargeant chaque ω ∈ Ω par ρ(ω ) = 21n .
Pour chaque k = 1, . . . , n, on définit l’application

Ω 3 ω = (ω1 , . . . , ωk , . . . , ωn ) 7→ Tk ω := (ω1 , . . . , 1 − ωk , . . . , ωn ) ∈ Ω.

L’application Tk est appelée « kth bit-flip » (renversement du ke bit). Montrer que

pour tout A ∈ F , on a l’invariance P( Tk A) = P( A).

Variables aléatoires, fonctions de répartition

22. On lance une pièce lestée (donnant face avec probabilité p ∈ [0, 1]) n fois.
(a) Décrire très précisément l’espace (Ω, F , P) qui décrit cette expérience.
(b) Déterminer la densité discrète ρ de P.
(c) On s’intéresse au nombre de fois que la pièce tombe sur face. Décrire très
précisément la variable aléatoire X qui décrit cette grandeur et déterminer
sa loi PX et la densité discrète ρ X correspondante.
(d) Vérifier que la fonction de répartition vérifie FX ( x ) = 1 pour x ≥ n.
23. Montrer les propriétés de la fonction de répartition FX d’une variable aléatoire
réelle X (à savoir qu’elle est croissante, continue à droite et vérifie limx→−∞ FX ( x ) =
0 et limx→+∞ FX ( x ) = 1).

/Users/dp/a/ens/[Link] 19
2019-09-22 • 21:40:45.
2.3. Exercices Théorie élémentaire des probabilités

24. Montrer que si F est une fonction de répartition, elle a au plus une infinité dé-
nombrable de discontinuités. Suggestion : étant donné que F est continue à droite,
un point x est une discontinuité s’il est une discontinuité gauche, i.e. si DF ( x ) =
F ( x ) − F ( x −) > 0. Écrire alors { x ∈ R : DF ( x ) > 0} comme une réunion dénom-
brable de parties de R et . . . réfléchir un peu sur le cardinal de chacun de ces ensembles.
25. Soient (Ω, F , P) = ([0, 1], B([0, 1]), λ) et X : Ω → R une application continue.
Suppposons que l’espace image R est muni de sa tribu borélienne. Montrer que
X est une variable aléatoire.
26. Soit F : R → [0, 1] une fonction croissante, continue à droite, vérifiant limx→−∞ F ( x ) =
0 et limx→+∞ F ( x ) = 1. Montrer qu’il existe un espace de probabilité (Ω, F , P)
et une variable aléatoire réelle X sur cet espace ayant F comme fonction de ré-
partition.
27. Soit X une variable aléatoire réelle dont la loi admet une densité ρ X (par rap-
port à la mesure de Lebesgue) sur R. Montrer que sa fonction de répartition FX
s’exprime comme l’intégrale
Z
FX ( x ) = ρ X (t)λ(dt).
]−∞,x ]

Noter que si FX a une densité comme ci-dessus, alors FX est continue et diffé-
rentiable avec FX0 = ρ X .

/Users/dp/a/ens/[Link] 20
2019-09-19 • 10:40:09.
 Probabilité conditionnelle et
3
indépendance

3.1 Conditionnement
Revenons pour l’instant à l’interprétation fréquentielle de la probabilité, présentée
dans le chapitre 1, et considérons l’expérience suivante. On jette un dé N fois et on
compte deux grandeurs : le nombre de fois NB que l’événement B = « la face supé-
rieure montre 6 » se réalise et le nombre NA de réalisations de l’événement A = « la
face supérieure porte un numéro pair ». Lorsque N est très grand, nous estimons la
probabilité d’apparition de la face 6 par P( B) ' NB /N ' 1/6 et la probabilité d’appa-
rition d’une face paire par P( A) ' NA /N ' 1/2. Mais supposons que quelqu’un nous
informe que lors de cette expérience une face paire est apparue. En quoi cette informa-
tion va modifier notre estimation de la probabilité d’obtenir 6 ? Un instant de réflexion,
nous indique que la probabilité d’obtenir 6 sachant que le dé montre une face paire est
P A ( B) ' NB /NA ' 1/3 ; la connaissance que l’événement A s’est réalisé a transformé
la probabilité de P en P A qui doit logiquement vérifier les propriétés suivantes :
1. P A ( A) = 1, i.e. l’événement A, sachant que A s’est réalisé, est maintenant cer-
tain,
2. il existe une constante c A > 0 telle que pour tout événement D ⊆ A on ait
P A ( D ) = c A P( D ), i.e. les événements sont répondérés.
Proposition 3.1.1. Soient (Ω, F , P) un espace de probabilité et A ∈ F avec P( A) > 0. Il
existe une unique probabilité P A sur (Ω, F ) vérifiant les deux propriétés ci-dessus, définie par
la formule
P( A ∩ B )
P A ( B) := , ∀B ∈ F .
P( A )
Démonstration. Supposons que P A vérifie les deux propriétés ci-dessus. Pour B ∈ F
arbitraire,

P A ( B ) = P A ( B ∩ A ) + P A ( B \ A ) = P A ( B ∩ A ) + 0 = c A P( B ∩ A ).

21
3.1. Conditionnement Probabilité conditionnelle et indépendance

Pour B = A, nous avons P A ( A) = c A P( A), par conséquent c A = 1/P( A) et nous

obtenons ainsi la formule pour P A . Inversement, si P A est donnée par cette formule,
elle vérifie les deux propriétés 1 et 2 ci-dessus.

Ces considérations nous amènent à la

Définition 3.1.2. Soient (Ω, F , P) un espace de probabilité et A, B ∈ F avec P( A) > 0.

On appelle probabilité conditionnelle de l’événement B — sachant que l’événement
A s’est réalisé — la quantité

P( A ∩ B )
P A ( B ) : = P( B | A ) : = .
P( A )

Remarque 3.1.3. Lorsque P( A) = 0, alors P( A ∩ B) = 0 aussi. Par conséquent la

probabilité conditionnelle n’est pas bien définie dans ce cas ; plus précisément, on peut
définir la probabilité conditionnelle comme prenant une valeur pré-déterminée arbi-
traire dans [0, 1].

Théorème 3.1.4. Soient (Ω, F , P) un espace de probabilité et ( Bn )n∈ I une partition au plus
dénombrable de Ω) avec Bn ∈ F pour tout n ∈ I. Alors, pour tout A ∈ F on a :

P( A ) = ∑ P( A| Bn )P( Bn ) (formule de probabilité totale),

n∈ I

et, pour tout k ∈ I,

P( A| Bk )P( Bk )
P( Bk | A) = (formule de Bayes).
∑n∈ I P( A| Bn )P( Bn )

Démonstration. Nous avons

∑ P( A| Bn )P( Bn ) = ∑ P( A ∩ Bn ) = P( A ∩ (∪n∈ I Bn )) = P( A).

n∈ I n∈ I

La formule de Bayes s’obtient immédiatement de la définition de la probabilité condi-

tionnelle et de la formule précédente.

Exercice 1. (Important ; résolvez-le avant de continuer). Une urne contient deux pièces
de monnaie. Une honnête et une biaisée qui donne face avec probabilité 1/3. On en
extrait une, on la lance et on obtient face. Quelle est la probabilité qu’il s’agissait de la
pièce honnête ?

Proposition 3.1.5. Soient (Ω, F , P) un espace de probabilité et A1 , . . . , An ∈ F . Alors

P ( A 1 ∩ · · · ∩ A n ) = P ( A 1 )P ( A 2 | A 1 ) · · · P ( A n | A 1 ∩ · · · ∩ A n −1 ).

Démonstration. Par simple substitution et simplification de termes dans le produit té-

lescopique.

/Users/dp/a/ens/[Link] 22
2019-09-19 • 11:36:00.
Probabilité conditionnelle et indépendance 3.1. Conditionnement

Cette proposition nous fournit un moyen efficace de construction de modèles réa-

listes. Supposons que X est une variable aléatoire définie sur un espace de probabilité
abstrait (Ω, F , P), à valeurs dans X = A N où A est un ensemble dénombrable. Alors
X = ( X1 , . . . , X N ) ∈ A N peut-être considérée comme un mot aléatoire de N lettres
construit sur l’alphabet A. Tout joueur de scrabble connaît que les différentes lettres
dans un mot français ne sont pas choisies purement au hasard ; la fréquence d’appa-
rition d’une lettre en deuxième position dépend de la lettre déjà apparue en première
position.
Si x = ( x1 , . . . , x N ) ∈ X est un mot de longueur N construit sur l’alphabet A et
k : 1 ≤ k ≤ N, on note xk = ( x1 , . . . , xk ) la restriction du mot à ses k premières lettres.
Théorème 3.1.6. Soient N ∈ N et A0 , . . . , A N une famille d’ensembles dénombrables (finis
ou infinis). On note X = ×nN=0 An et x = ( x0 , . . . , x N ) les éléments de X. Supposons que
ρ0 est un vecteur de probabilité sur A0 et, pour tout k = 1, . . . N et x ∈ X, ρk,xk−1 est
une vecteur de probabilité sur Ak . On identifie l’espace des événements (Ω, F ), avec Ω = X
et F = P (Ω) et on note Xn : Ω → An la ne projection de X. Alors il existe une unique
probabilité P sur (Ω, F ) vérifiant, pour tout x = ( x0 , . . . , x N ) ∈ X :
1. P( X0 = x0 ) = ρ0 ( x0 ) et
2. pour tout n = 1, . . . , N,

P( Xn = xn | X0 = x0 , . . . , Xn−1 = xn1 ) = ρn,xn−1 ( xn ).

La probabilité P est donnée par

P(X = x) = ρ0 ( x0 )ρ1,x0 ( x1 ) · · · ρ N,xN −1 ( x N ).

Nous serons amenés à considérer des suites infinies de variables aléatoires, par
exemple pour étudier les suites de bits générées par une source. Nous avons donc
besoin d’un résultat analogue au théorème 3.1.6 mais pour N = ∞. La difficulté essen-
tielle provient du fait que, même pour une suite (An )n∈N d’alphabets finis, l’espace
Ω = ×n∈N An n’est plus dénombrable. Le théorème 3.1.7 démontré ci-dessous fournit
la généralisation du théorème 3.1.6 dans le cas N = ∞.
Théorème 3.1.7. Soit (An )n∈N une suite d’alphabets dénombrables. On note X = ×n∈N An
le produit cartésien infini des ces alphabets et x = ( x0 , x1 , . . .) ∈ X un mot infini fixé. Sup-
posons que ρ0 est un vecteur de probabilité sur A0 et pour tout k ≥ 1, ρk,xk−1 un vecteur
de probabilité sur Ak . L’espace des événements (Ω, F ) s’obtient par identification Ω = X
et F = ⊗n∈N P (An ). On note X = ( X0 , X1 , . . .) une variable aléatoire sur (Ω, F ) où
Xn : Ω → An est la projection sur la ne lettre. Alors, il existe une unique probabilité P
sur (Ω, F ) vérifiant, pour tout N ∈ N et tout x ∈ X,

P( X0 = x0 , . . . , X N = x N ) = ρ0 ( x0 )ρ1,x0 ( x1 ) · · · ρ N,xN −1 ( x N ).

Démonstration. Unicité. On remarque que la famille G = {∅} ∪ k≥0 Gk , où Gk = { X0 =

S

x0 , . . . , Xk = xk , xi ∈ Ai , i = 0, . . . , k }, est une famile génératrice de la tribu F . Par

ailleurs, cette famille est fermée par intersection finie. Si P et P0 sont deux mesures de
probabilités sur (Ω, F ) qui vérifient le propriété

P( X0 = x0 , . . . , X N = x N ) = ρ0 ( x0 )ρ1,x0 ( x1 ) · · · ρ N,xN −1 ( x N )
= P 0 ( X0 = x 0 , . . . , X N = x N ) ,

/Users/dp/a/ens/[Link] 23
2019-09-19 • 11:36:00.
3.2. Indépendance Probabilité conditionnelle et indépendance

on constate qu’elles coïncident sur G . Comme G engendre F et est fermée par intersec-
tion finie, elles coïncideront sur F .
Existence. Si nous choisissons Ω = I∅ := [0, 1[ muni de la tribu borélienne F =
B([0, 1[), on peut le probabiliser par la mesure de Lebesgue λ. On introduit une par-
tition de I∅ en cardA0 en cardA0 intervalles semi-ouverts contigus I∅ = t x0 ∈A0 Ix0 en
imposant λ( Ix0 ) = ρ0 ( x0 ). Supposons que nous ayons construit une partition à l’ordre
k − 1, i.e. pour x0 · · · xk−1 ∈ A0 × · · · × Ak−1 , nous disposons de la famille exhaustive
d’intervalles disjoints contigus Ix0 ··· xk−1 dont les longueurs vérifient

λ( Ix0 ··· xk−1 ) = ρ0 ( x0 ) · · · ρk−2,xk−2 ( xk−1 ).

Nous obtenons une partition à l’ordre k, en écrivant chacun de ceux intervalles comme
une partition plus fine
Ix0 ··· xk−1 = t xk ∈Ak Ix0 ··· xk ,
avec λ( Ix0 ··· xk ) = λ( Ix0 ··· xk−1 )ρk,xk−1 ( xk ). Cette construction peut être répétée ad infini-
tum.
Pour chaque k, la famille ( Ix )x∈A0 ×···×Ak forme une partition de Ω. Il s’ensuit que
pour chaque ω ∈ Ω, il existe un unique intervalle de la génération k qui le contient,
i.e. il existe une suite X (ω ) = ( X0 (ω ), X1 (ω ), . . .) ∈ X ' Ω telle que ω ∈ IX0 (ω )···Xk (ω ) ,
pour tout k ∈ N. L’application X : Ω → X est un variable aléatoire. En effet, pour tout
G = { X0 = x0 , . . . , Xk = xk } ∈ G , on aura X −1 ( G ) = Ix0 (ω )··· xk ∈ F := B([0, 1[). En
outre, λ ◦ X −1 définit bien une probabilité P sur (Ω, F ) ayant les propriétés requises.

Il est évident que l’expression que nous avons établi pour le membre de gauche (i.e.
P( X0 = x0 , . . . , X N = x N )) dans l’expression ci-dessus entraîne que P définit aussi une
probabilité sur A0 × · · · × A N .
Définition 3.1.8. La probabilité P, dont l’existence et l’unicité sont établies dans le
théorème 3.1.6 est appelée loi ou probabilité conjointe de la suite aléatoire ( X0 , X1 , . . . , ).
La probabilité sur A0 × · · · × A N définie par sommation partielle sur toutes les valeurs
x N +1 , x N +2 , . . . non observées est appelée probabilité marginale.

3.2 Indépendance
La signification intuitive de l’indépendance entre deux événements A et B est que
la probabilité de B n’est pas influencée par la révélation que A s’est réalisé (ou vice
versa avec les rôles de A et B interchangés). Ceci nous incite à introduire la notion
d’indépendance par la
Définition 3.2.1. Soit (Ω, F , P) un espace de probabilité. Deux événement A, B ∈ F
sont indépendants par rapport à la probabilité P si

P( A ∩ B ) = P( A )P( B ).

Remarque 3.2.2. — Un fait qui est souvent négligé est que l’indépendance entre
deux événements n’est pas une propriété intrinsèque des événements en consi-
dération mais fait intervenir de manière cruciale la probabilité sous-jacente. (Cf.

/Users/dp/a/ens/[Link] 24
2019-09-19 • 11:36:00.
Probabilité conditionnelle et indépendance 3.2. Indépendance

exercice 37). Deux événements A et B sur (Ω, F ) peuvent être indépendants par
rapport à une probabilité P sur F et dépendants par rapport à une probabilité
P0 .
— L’indépendance définie en 3.2.1, appelée aussi indépendance stochastique, ne
doit pas être confondue avec un autre type d’indépendance, l’indépendance
causale, entre deux événements, signifiant qu’il n’y a pas de relation de cause à
effet entre eux. (Cf. exercice 38).

Définition 3.2.3. Soient (Ω, F , P) un espace de probabilité et I 6= ∅ une famille arbi-

traire d’indices.
1. Une famille ( Ai )i∈ I d’événements de F est dite indépendante par rapport à P
si pour toute partie finie J, ∅ 6= J ⊆ I, nous avons

P ∩ j ∈ J A j = ∏ P( A j ).


j∈ J

2. Soient (Xi , X )i∈ I une famille d’espace d’événements et ( Xi )i∈ I une famille de
variables aléatoires avec Xi : Ω → Xi . La famille est indépendante si pour
tout choix d’événements Bi ∈ Xi , la famille d’événements ({ Xi ∈ Bi })i∈ I est
indépendante, i.e. si pour toute partie finie J avec ∅ 6= J ⊆ I, nous avons

P ∩ j∈ J { X j ∈ Bj } = ∏ P({ X j ∈ Bj }).


j∈ J

(Le cas trivial cardJ = 1 est inclus dans cette définition pour de raisons de simplicité).

Une famille d’événements (ou de variables aléatoires) peut être telle que si l’on
considère deux éléments arbitraires de la famille, ils sont indépendants sans que la
famille soit indépendante comme le montre le

Contre-exemple 3.2.4. On lance une pièce deux fois de suite. L’univers est Ω = {0, 1}2 ;
on probabilise sa tribu exhaustive avec la probabilité uniforme sur Ω. Considérer les
événements

A = {lors du premier lancer la pièce tombe sur face},

B = {lors du second lancer la pièce tombe sur face},
C = {lors des deux lancers la pièce tombe du même côté}.

Alors
1 1
P( A ∩ B ∩ C ) =6 = = P( A )P( B )P( C ),
4 8
tandis que les événements pris deux-à-deux sont indépendants.

La définition 3.2.3 appliquée à la construction faite dans le théorème 3.1.6 implique

que les vecteurs de probabilité ne dépendent pas de x. Une famille de variables aléa-
toires ( Xn )n=1,...,N , avec Xn : Ω → An , est indépendante si sur chaque (An , P (An )), il
existe un vecteur de probabilité ρn (indépendant des xi pour i < n) et

N N
P ( X1 = x 1 , . . . , X N = x n ) = ∏ P( Xn = x n ) = ∏ ρ n ( x n ).
n =1 n =1

/Users/dp/a/ens/[Link] 25
2019-09-19 • 11:36:00.
3.3. Exercices Probabilité conditionnelle et indépendance

(Étant donné que les ρn ne dépendent pas dex xi , i < n, nous pouvons calculer les
marginales arbitraires). Ceci reste valable même pour des suites infinies ( Xn )n∈N de
variables aléatoires Xn : Ω → An indépendantes, sur des alphabets dénombrables
(An ). Le théorème ?? combiné avec la propriété d’indépendance implique qu’il existe
une suite infinie de vecteurs de probabilité (ρn ) et une unique probabilité P telles que
pour toute partie finie non-vide J ⊆ N, on ait

P ∩ j ∈ J { X j = x j } = ∏ ρ j ( x j ).


j∈ J

3.3 Exercices
Probabilité conditionelle
Dans tout ce paragraphe, on travaille sur un espace probabilité (Ω, A, P). Tous les
événements utilisés, A, B, ( Ak ), . . ., appartiennent à A.
28. Montrer que le formules suivantes :

P( B| A) + P( B| Ac ) = 1 et P( B| A) + P( Bc | Ac ) = 1

sont fausses.
29. Pour une famille d’événements ( Ak )k=1,...,n indépendante, noter pk = P( Ak ).
Calculer la probabilité de l’événement « aucun des ( Ak ) ne se réalise ».
30. Soient A et B deux événements indépendants, avec p = P( A) et q = P( B).
Calculer les probabilités pour que
(a) exactement k,
(b) au moins k,
(c) au plus k,
des événements A et B se réalisent pour k = 0, 1, 2.
31. Exprimer P(∪nk=1 Ak ) lorsque les Ak sont indépendants.
32. Un lot de 100 objets manufacturés subit un contrôle par échantillonnage : un
échantillon de 5 objets est examiné et s’il contient un article défectueux, tout le
lot est rejeté. Quelle est la probabilité qu’un lot soit rejeté s’il contient 5% d’objets
défectueux ?
33. Une personne a oublié le dernier digit du numéro de téléphone de son corres-
pondant ; elle compose donc au hasard. Quelle est la probabilité p qu’elle soit
obligée de composer moins de 3 fois (≤ 3) ? Que devient cette probabilité, si la
personne se souvient que le dernier digit est impair ?
34. Une personne écrit n lettres différentes, chacune destinée a un destinataire spé-
cifique. Elle les a scellées et posées bien rangées en pile sur son bureau afin
d’écrire le lendemain les adresses sur les enveloppes. Un plaisantin est passé
par là, il a renversée la pile par erreur et il a remis les enveloppes sur le bureau
mais dans un ordre aléatoire par rapport à l’ordre correct. Ignorant ce fait, la
personne qui a rédigé les lettres a inscrit le lendemain les adresses. Quelle est la
probabilité qu’une lettre parvienne à la personne à laquelle elle était destinée ?
35. Le circuit électrique suivant comporte 5 interrupteurs, notés a à e ; chacun d’eux
peut être fermé (laisse le courant passer) avec probabilité p ou ouvert (coupe le
courant) avec probabilité q = 1 − p.

/Users/dp/a/ens/[Link]
26
2019-09-02 • 10:27:15.
Probabilité conditionnelle et indépendance 3.3. Exercices

a b

c d

(a) Quelle est la probabilité pour que le courant passe de gauche à droite ?
(b) Sachant que le courant passe de gauche à droite, quelle est la probabilité
pour que l’interrupteur e soit fermé ?

Variables aléatoires ; probabilités conjointes

36. On lance une pièce honnête et on désigne par X1 le résultat obtenu. Si X1 = face,
on lance une pièce honnête sinon on lance une pièce lesté qui donne face avec
probabilité 2/3 ; on note X2 le résultat du deuxième lancer. Si on a obtenu 2 fois
face lors des 2 premiers lancers, on lance un dé honnête, sinon on lance un dé
lesté qui donne 6 avec probabilité 1/2 et les autres faces équiprobables.
(a) Calculer explicitement les vecteurs de probabilité ρ1 , ρ2,x1 et ρ3,( x1 ,x2 ) .
(b) Déterminer la probabilité conjointe P( X1 = x1 , X2 = x2 , X3 = x3 ) pour
x1 , x2 ∈ {0, 1} et x3 ∈ {1, . . . , 6}.
(c) Calculer les probabilités marginales P( X1 = x1 ) et P( X1 = x1 , X2 = x2 ).

Indépendance
37. Une urne contient n boules noires et r boules rouges et on considère l’espace
Ω = {1, . . . , n + r }2 (qui peut décrire toutes les expériences d’extraction de deux
boules avec ou sans remise). On note
A = {la première boule est rouge} = {ω ∈ Ω : ω1 ∈ {1, . . . , r }}
et
B = {la seconde boule est rouge} = {ω ∈ Ω : ω2 ∈ {1, . . . , r }}.
(a) On en extrait une boule, on la remet dans l’urne et on en extrait une seconde ;
on note P la probabilité uniforme sur Ω. Les événements A et B sont-ils
indépendants (par rapport à P) ?
(b) On extrait une première boule et sans la remettre dans l’urne, on en extrait
une seconde. On note P0 la probabilité uniforme sur
Ω0 = {ω = (ω1 , ω2 ), ωi ∈ {1, . . . , n + r }, ω1 6= ω2 } ⊂ Ω.
La probabilité P0 peut être étendue en une probabilité, aussi notée P0 , sur
Ω chargeant avec le masse 0 les éléments de Ω \ Ω0 . Les événements A et B
sont-ils indépendants (par rapport à P0 ) ?
38. On jette un dé deux fois de suite et on note Ω = {1, . . . , 6}2 l’espace des épreuves
correspondant. On munit la tribu exhaustive de cet espace de la probabilité uni-
forme et on considère les événements A = {la somme est 7} et B = {le premier dé tombe sur 6
(a) Montrer que A et B sont indépendants (sous la probabilité uniforme).
(b) Montrer que A est déterminé de B de manière causale.

/Users/dp/a/ens/[Link] 27
2019-09-19 • 11:36:00.
3.3. Exercices Probabilité conditionnelle et indépendance

/Users/dp/a/ens/[Link] 28
2019-09-19 • 12:12:07.
 Espérance, variance ; théorèmes des
4
grands nombres

4.1 Espérance
Soient (Ω, F , P) un espace de probabilité et (X, X ) un espace d’événements avec
X ⊂ R avec cardX = n. Alors, il existe des réels distincts xi , i = 1, . . . , n tels que X =
{ x1 , . . . , xn }. Une variable aléatoire X : Ω → X peut alors s’écrire à l’aide de la partition
Ai = { X = xi }, i = 1, . . . , n comme X (ω ) = ∑in=1 xi 1 Ai (ω ). La loi de X s’exprime en
termes du vecteur de probabilité ρ vérifiant pi := ρ( xi ) = P( X = xi ) = P( Ai ), pour
i = 1, . . . , n. Si nous observons N réalisations de la variable aléatoire X, nous nous
attendons à ce que xi soit obtenu approximativement N pi fois. Si nous exprimons la
moyenne pondérée des N réalisations de X, nous obtenons
n
1
[ N p1 x1 + . . . + N p n x n ] = ∑ p i x i .
N i =1

L’expression du second membre ci-dessus est ce que nous appelons espérance de la

variable aléatoire X (voir définition 4.1.1). Sa signification est le barycentre (pondéré
par les probabilités pi = P( X = xi )) de l’ensemble de valeurs distinctes ( xi ) que peut
prendre X.

4.1.1 Cas discret

Soient (Ω, F , P) un espace de probabilité et X : Ω → R une variable aléatoire
réelle. La variable aléatoire X est appelée discrète si X (Ω) est dénombrable (fini ou
infini).

Définition 4.1.1. 1. Une variable aléatoire réelle discrète X sur (Ω, F , P) est dite
intégrable (plus précisément P-intègrable) si ∑ x∈X (Ω) | x |P({ X = x }) < ∞. On
note alors X ∈ L1 := L1 (Ω, F , P).

29
4.1. Espérance Espérance, variance ; théorèmes des grands nombres

2. Si X ∈ L1 (Ω, F , P), on définit son espérance EX par

E( X ) = EP ( X ) := ∑ xP( X = x ).
x ∈ X (Ω)

Remarque 4.1.2. — Si A ∈ F , l’application 1 A : Ω → {0, 1} est une variable

aléatoire. Son espérance est E(1 A ) = P( A).
— Si une variable aléatoire X est discrète, nous pouvons toujours la décomposer
comme
X (ω ) = ∑ x1 Ax (ω ),
x ∈ X (Ω)

où A x = {ω ∈ Ω : X (ω ) = x }. Nous aurons alors

E( X ) = ∑ xP( A x )
x ∈ X (Ω)

= ∑ xPX ({ x })
x ∈ X (Ω)

= ∑ xρ X ( x )
x ∈ X (Ω)

= ∑ x∆FX ( x ), où ∆FX ( x ) = FX ( x ) − FX ( x −).

x ∈ X (Ω)

Proposition 4.1.3. Soient (Ω, F , P) un espace de probabilité et X, Y, ( Xn ), (Yn ) de variables

aléatoires réelles discrètes et intégrables sur (Ω, F , P). Alors nous avons les propriétés sui-
vantes :
1. Si X ≤ Y alors E( X ) ≤ E(Y ) (monotonie).
2. Pour tout c ∈ R, E(cX ) = cE( X ) et E( X + Y ) = E( X ) + E(Y ) (linéarité).
3. Si pour tout n ∈ N on Xn ≥ 0 et X = ∑n∈N Xn , alors E( X ) = ∑n∈N E( Xn )
(σ-additivité).
4. Si Yn ↑ Y, alors E(Y ) = limn→∞ E(Yn ) (convergence monotone).
5. Si X et Y sont indépendantes, alors XY ∈ L1 et E( XY ) = E( X )E(Y ) (mulitiplicati-
vité en cas d’indépendance).
La démonstration peut être omise en première lecture.

Démonstration.

4.1.2 Cas continu (à densité)

Dans le cas continu, lorsque la mesure de probabilité admet une densité, nous ex-
primons de nouveau la mesure de probabilité à l’aide de sa densité.
Définition 4.1.4. Soient Ω ' Rd , muni de sa tribu borélienne F = Bd et P une proba-
bilité sur (Ω, F ) ayant une densité ρ par rapport à la mesure de Lebesgue. Soit X une
variable aléatoire réelle définie sur (Ω, F ).
1. On dit que X est intégrable (plus précisément P-intégrable) si
Z
| X (ω )|ρ(ω )dω1 · · · dωd < ∞.
Ω

On note alors X ∈ L1 := L1 (Ω, F , P).

/Users/dp/a/ens/[Link] 30
2019-09-19 • 12:12:07.
Espérance, variance ; théorèmes des grands nombres 4.2. Variance et covariance

2. Si X ∈ L1 (Ω, F , P), on appelle espérance E( X ) de X, la quantité

Z Z
E( X ) = EP ( X ) := X (ω )ρ(ω )dω1 · · · dωd = xρ X ( x )dx.
Ω X

Il faudrait bien sûr donner un sens aux intégrales (de Lebesgue) qui apparaissent
dans la définition précédente. Cependant, dans tous les cas qui se présenteront dans
ce cours, nous pouvons considérer que ces intégrales sont égales aux intégrales habi-
tuelles (de Riemann).

4.2 Variance et covariance

Tout comme l’espérance exprime la moyenne pondérée (barycentre) des valeurs
d’une variable aléatoire, la variance mesure la dispersion de la variable autour de son
espérance. Soit (Ω, F , P) un espace de probabilité et X une variable aléatoire réelle. Si
pour un r ∈ N∗ , la variable X r ∈ L1 (Ω, F , P), on dit que la variable est r-intégrable et
l’on note X ∈ Lr (Ω, F , P). Puisque | XY | ≤ X 2 + Y 2 , il s’ensuit que si X, Y ∈ L2 alors
XY ∈ L1 . Cette remarque permet donc de définir :

Définition 4.2.1. Soit X, Y ∈ L2 (Ω, F , P) variables aléatoires réelles.

1. On appelle variance de X, le nombre positif Var( X ) = E([ X − E( X )]2 ) ; sa racine
carré est appelée écart-type de X.
2. On appelle covariance de X et Y le nombre réel

Cov( X, Y ) = E[( X − E( X )][Y − E(Y )]).

3. Si Cov( X, Y ) = 0 alors les variables aléatoires sont dites non-corrélées.

4. Si les variables aléatoires X et Y sont non-triviales (i.e. non-constantes), leur
coefficient de corrélation est donné par

Cov( X, Y )
r ( X, Y ) = p .
Var( X )Var(Y )

Théorème 4.2.2. Soient X, Y, ( Xn )n∈N de variables aléatoires de carré intégrables et a, b, c, d ∈

R. Alors,
1. aX + b, cY + d ∈ L2 et Cov( aX + b, cY + d) = acCov( X, Y ) ;
2. Cov( X, Y )2 ≤ Var( X )Var(Y ) ;
3. Var(∑nN=1 Xn ) = ∑nN=1 Var( Xn ) + ∑1≤m6=n≤ N Cov( Xm , Xn ) ;
4. si X et Y sont indépendantes, alors elles sont non-corrélées.

Démonstration. Exercice !

Remarque 4.2.3. La non-corrélation n’entraîne pas nécessairement l’indépendance.

(Donner un exemple).

/Users/dp/a/ens/[Link] 31
2019-09-19 • 12:12:07.
4.3. Fonction génératrice Espérance, variance ; théorèmes des grands nombres

4.3 Fonction génératrice

Définition 4.3.1. Supposons que X est une variable aléatoire sur (Ω, F , P), à valeurs
dans X = N et l’on note ρ X la densité discrète de PX . On appelle fonction génératrice
de X (ou de PX ) la fonction

G ( z ) = E( z X ) = ∑ P(X = x)zx = ∑ ρX (x)zx , z ∈ [0, 1].

x ≥0 x ≥0

La série entière qui définit la fonction G converge lorsque z se trouve dans l’inter-
valle [0, 1] car G (1) = 1. Calculons formellement G 0 (z) = ∑ x≥1 ρ X ( x ) xz x−1 . Mainte-
nant, rien ne garantit plus que G 0 (1) < ∞ ; pour que cela soit le cas, il faut que la série
entière ∑ x≥1 ρ X ( x ) x < ∞. Mais ∑ x≥1 ρ X ( x ) x = E( X ).
Plus généralement, la fonction génératrice contient de manière condensée plusieurs
caractéristiques de la loi de X comme le montre le théorème suivant :
Théorème 4.3.2. Soit X est une variable aléatoire sur (Ω, F , P), à valeurs dans X = N ; on
note ρ X la densité discrète de PX et G la fonction génératrice de X. Alors
n
1. Pour tout n ∈ N, on a ρ X (n) = n! 1 d G
dzn (0). Par conséquent, la fonction génératrice
détermine de manière unique la loi de la variable aléatoire X.
2. E( X ) < ∞ si, et seulement si, G 0 (1−) existe et, dans ce cas, E( X ) = G 0 (1−) =
limz↑1 G 0 (z).
3. Var( X ) < ∞ si, et seulement si, G 00 (1−) existe et, dans ce cas, Var( X ) = G 00 (1−) −
G 0 (1−)2 + G 0 (1−).

4.4 Fonction caractéristique

Définition 4.4.1. Soit X une variable aléatoire réelle définie sur un espace probabilisé
(Ω, F , P). On appelle fonction caractéristique , l’application χ X : R → C, définie par
Z Z
χ X (t) = E(exp(itX )) = exp(itX (ω ))P(dω ) = exp(itx )PX (dt), t ∈ R.
Ω R

On remarque immédiatement que la fonction caractéristique ne dépend pas de X

mais de PX ; elle est la transformée de Fourier de cette loi.
Proposition 4.4.2. La fonction caractéristique possède les propriétés suivantes :
1. Pour tout t ∈ R, on a

|χ(t)| ≤ 1 = χ(0) et χ(t) = χ(−t).

2. Elle est uniformément continue sur R, i.e.

∀ε > 0, ∃δ > 0 : |h| < δ ⇒ ∀t ∈ R, |χ(t + h) − χ(t)| ≤ ε.

3. La fonction caractéristique est réelle si, et seulement si, elle provient d’une loi symé-
trique.
(r )
4. Si pour un entier n ≥ 1 on a E| X |n < ∞, alors χ X existe pour tout entier r ≤ n et
limt→0 ε n (t) = 0.
(r )
— χ X (t) = R (ix )r exp(itx )PX (dx ),
R

/Users/dp/a/ens/[Link] 32
2019-09-19 • 12:12:07.
Espérance, variance ; théorèmes des grands nombres 4.4. Fonction caractéristique

(r )
χ X (0)
— EX r = ir ,
(it)r (it)n
— χ X (t) = (∑rn=0 r! EX r ) + n! ε n (t), où ε n (t) ≤ 3E| X |n et limt→0 ε n (t) = 0.
(2n)
5. Si χ X (0) existe et est finie, alors EX 2n < ∞.
(E| X |n )1/n
6. Si E| X |n < ∞ pour tout n ≥ 1 et lim supn→∞ n
1
= eR < ∞, alors

(it)n
χ X (t) = ∑ n! EX n ,
n ∈N

pour tout t avec |t| < R.

7. Elle définit un noyau positif, i.e. pour toutes les familles finies de réels (t j ) j=1,...,n et de
complexes (z j ) j=a,...,n , on a

n n
∑ ∑ χ(t j − tk )z j zk ≥ 0.
j =1 k =1

Démonstration. Voir [55, Théorème 1, §II.12, pp. 278–281].

Théorème 4.4.3 (Critère de Bochner). Une application f : R → C est une fonction ca-
ractéristique si, et seulement si, elle définit un noyau positif, elle est continue en 0 et vérifie
f (0) = 1.

Démonstration. Voir [12, Théorème 6.5.2, page 180] ou [38, Théorème 4.2.1, pp. 71–73]
par exemple.

Comme un cas particulier d’un résultat de Cramér [15] sur la représentation des
certaines fonctions par des intégrales de Fourier, on a aussi le

Théorème 4.4.4 (Critère de Cramér). Une fonction f complexe, bornée, continue sur R est
caractéristique, si et seulement si,
1. f (0) = 1 et
2. la fonction g, définie par
Z AZ A
g( x, A) = f (t − s) exp(i (t − s) x )dtds,
0 0

est réelle et positive pour tout x ∈ R et tout A > 0.

Démonstration. Voir [38, Théorème 4.2.3, pp. 73–75].

Par ailleurs la fonction caractéristique caractérise la loi dans le sens que si X1 et X2

ont la même loi, alors χ X1 = χ X2 et nous avons une formule d’inversion décrite par le

Théorème 4.4.5 (Formule d’inversion de Lévy). La loi PX de laquelle découle la fonction

caractéristique χ X s’obtient par la formule d’inversion
Z T
1 exp(−itx1 ) − exp(−itx2 )
PX (] x1 , x2 [) + PX ({ x1 }) + PX ({ x2 }) = lim χ X (t)dt.
T →∞ 2π −T it

Démonstration. Voir [11, Théorème 1, §8.3, page 287]

/Users/dp/a/ens/[Link] 33
2019-09-19 • 12:12:07.
4.5. Théorèmes des grands nombres Espérance, variance ; théorèmes des grands nombres

4.5 Théorèmes des grands nombres

Avant de présenter les deux théorèmes de grands nombres, commençons par un
exemple. Soit (Ω, F , P) un espace de probabilité, avec Ω = {ω = (ω1 , . . . , ωn ), ωi ∈
{0, 1}} et F = P (Ω). On probabilise l’espace par la loi non-uniforme ayant la densité
n n
discrète ρ(ω ) = p∑i=1 ωi (1 − p)n−∑i=1 ωi pour un p ∈ [0, 1] et on s’intéresse à la famille
de variables aléatoires Xi : Ω → {0, 1}, définies par Xi (ω ) = ωi , i = 1, . . . , n. On peut
alors calculer la ie marginale
P( Xi = 1) = P({ω : ωi = 1})
= p ∑ p ∑ k 6 =i ω k (1 − p ) n −1− ∑ k 6 =i ω k
ω1 ,...,ωi−1 ,ωi+1 ,...,ωn
  ωk
p
= p (1 − p ) n −1
∑ ∏ 1− p
ω1 ,...,ωi−1 ,ωi+1 ,...,ωn k6=i
= p.
Par conséquent, on calcule de même que P( Xi = 0) = 1 − p. Maintenant, si on note
la somme partielle Sk = X1 + . . . + Xk , pour k = 1, . . . , n, il est immédiat de calculer
E(Sk ) = ∑ik=1 E( Xi ) = pk et par conséquent E Snn = p : l’espérance du nombre
moyen de fois où l’on a observé « face » est égale à la probabilité d’obtenir « face » lors
d’une réalisation.
D’un autre côté, on ne peut pas s’attendre à ce que pour tout ε > 0 et tout ω ∈ Ω
S (ω )
on ait | n n − p| < ε. En effet, pour p ∈]0, 1[,
 
Sn
P =1 = P( X1 = 1, . . . , Xn = 1) = pn
n
 
Sn
P =0 = P( X1 = 0, . . . , Xn = 0) = (1 − p)n .
n
1 1
En choisissant p = 2 et ε < 2n ,
on voit qu’en notant
 
Sn ( ω )
As = ω ∈ Ω : = s , s ∈ [0, 1],
n
A1 est un événement avec P( A1 ) = pn 6= 0 (par conséquent non-vide). Pour des ω ∈
S (ω )
A1 , on aura n n − p = 1 − p = 12 ≥ ε.
Nous observons cependant que lorsque n est grand, les probabilités des événe-
ments A0 et A1 sont exponentiellement petites en n, puisque P( A1 ) = pn et P( A0 ) =
(1 − p)n . Il est donc naturel de s’attendre à ce que la probabilité des événements {ω ∈
S (ω )
Ω : | n n − p| > ε} soit petite.
Proposition 4.5.1 (Inégalité de Markov). Soit (Ω, F , P) un espace de probabilité et ξ une
variable aléatoire réelle positive définie sur Ω. Alors
Eξ
∀ε > 0, P(ξ ≥ ε) ≤ .
ε
Démonstration. Nous avons de manière évidente
ξ = ξ1ξ <ε + ξ1ξ ≥ε ≥ ξ1ξ ≥ε ≥ ε1ξ ≥ε .
Par conséquent, E(ξ ) ≥ εP(ξ ≥ ε).

/Users/dp/a/ens/[Link] 34
2019-09-19 • 12:12:07.
Espérance, variance ; théorèmes des grands nombres 4.5. Théorèmes des grands nombres

Remarque 4.5.2. L’inégalité de Markov présente un intérêt uniquement si E(ξ ) < ∞.

Corollaire 4.5.3. Soit (Ω, F , P) un espace de probabilité et ξ une variable aléatoire réelle
définie sur Ω. Alors, pour tout ε > 0, on a

E(|ξ |)
P(|ξ | ≥ ε) ≤
ε
E( ξ 2 )
P(|ξ | ≥ ε) ≤
ε2
Var(ξ )
P(|ξ − E(ξ )|) ≥ ε) ≤ (inégalité de Bienaymé-Tchebychev).
ε2

Remarque 4.5.4. De nouveau ces inégalités présentent un intérêt si le second membre

est petit et en particulier si les espérances ou la variance qui y apparaissent sont finies.
L’inégalité de Bienaymé-Tchebychev est très grossière. Dans beaucoup de situations
intéressantes, on peut améliorer de manière très substantielle le majorant de la proba-
bilité P(|ξ − E(ξ )|) ≥ ε) (cf. exercice 55).
Lemme 4.5.5. Soient (Ω, F , P) un espace de probabilité et ( Xn )n∈N une suite de variables
aléatoires réelles de carré intégrables (i.e. Xi ∈ L2 (Ω, F , P; R), pour tout i ∈ N) indépen-
dantes et identiquement distribuées. On note m = E( X1 ) l’espérance de l’une d’entre elles,
σ2 = Var( X1 ) la variance de l’une d’entre elles et, pour tout entier k ≥ 0, Sk = ∑ik=1 Xk .
Alors

E(Sk ) = km
Var(Sk ) = kσ2 .

Démonstration. En utilisant la linéarité de l’espérance, nous obtenons E(Sk ) = ∑ik=1 E( Xi ) =

km. Par 4.2.2, nous avons
k k k
Var(Sk ) = ∑ Var(Xi ) + ∑ ∑ Cov( Xi , X j ) = kσ2
i =1 i =1 j=1;j6=i

car l’indépendance entraîne la non-corrélation.

Remarque 4.5.6. Dans le lemme 4.5.5, nous utilisons implicitement le fait que l’es-
pace (Ω, F , P) est suffisamment grand pour contenir dans son intégralité la suite X =
( Xn )n∈N , avec Xk : Ω → X, où (X, X ) est un espace d’événements. Lorsque nous nous
référons aux lois d’une variable aléatoire individuelle, par exemple Xk , nous sous-
entendons que cette loi est la marginale uni-dimensionnelle de la loi conjointe pour
toute la suite :

P( Xk ∈ A) = P( X1 ∈ X, . . . Xk−1 ∈ X, Xk ∈ A, Xk+1 ∈ X, Xk+2 ∈ X, . . .), A ∈ X .

Théorème 4.5.7 (Théorème faible des grands nombres). Soit ( Xk )k∈N une suite de va-
riables aléatoires indépendantes et identiquement distribuées, définies sur (Ω, F , P), à valeurs
dans X ⊆ R, telles que E( X12 ) < ∞. Alors
   
 Sn ( ω )
∀ε > 0, lim P ω∈Ω: − E ( X1 )  ≥ ε

  = 0.
n→∞ n

/Users/dp/a/ens/[Link] 35
2019-09-19 • 12:12:07.
4.5. Théorèmes des grands nombres Espérance, variance ; théorèmes des grands nombres

Démonstration. La condition de carrée intégrabilité E( X12 ) < ∞ entraîne la finitude

de σ2 . Étant donné que la suite est indépendante et équidistribuée, nous utilisons le
résultat obtenu dans le lemme 4.5.5 pour établir que Var(Sn ) = nσ2 , où σ2 = Var( X1 ).
Il s’ensuit, de l’inégalité de Biaynaymé-Tchebychev, que pour tout ε > 0,

σ2
  
 Sn Var(Sn )
P  − E( X1 ) ≥ ε = P (|Sn − nE( X1 )| ≥ nε) ≤

  = → 0.
n n2 ε nε2

Définition 4.5.8. Soit (ξ n )n∈N une suite de variables aléatoires définies sur un espace
de probabilité (Ω, F , P) et ξ une autre variable sur (Ω, F , P). On dit que la suite (ξ n )
P
converge en probabilité vers ξ, et on note limn→∞ ξ n = ξ, si

∀ε > 0, lim P(|ξ n − ξ | > ε) = 0.

n→∞

Remarque 4.5.9. Le théorème faible des grands nombres établit que pour une suite de
variables aléatoires indépendantes, identiquement distribuées et de carré intégrables,
∑n X P
on a limn→∞ k=n1 k = E( X1 ). Les conditions d’applicabilité du théorème peuvent être
affaiblies de différentes manières.
— Pour des variables aléatoires de carré intégrables, le théorème reste valable pour
des variables qui sont seulement décorrélées au lieu d’être indépendantes ; même
la condition d’équidistribution peut être affaiblie. On a alors limn→∞ n1 ∑nk=1 ( Xk −
P
E( Xk )) = 0.
— La condition de carré-intégrabilité peut être affaiblie en une condition d’intégra-
bilité. La suite doit, dans ce cas, rester indépendante et équidistribuée (voir [55,
P
Théorème 2, §III.3, pp. 325–326]). On a alors limn→∞ 1
n ∑nk=1 Xk = E( X1 ).
Lemme 4.5.10. Soient (ζ n ) et (ξ n ) des suites de variables aléatoires sur (Ω, F , P) et ( an )
une suite numérique. Alors
P P P
1. [limn∈N ζ n = 0] ∧ [limn∈N ξ n = 0] =⇒ [limn∈N (ζ n + ξ n ) = 0].
P P
2. [limn∈N ξ n = 0] ∧ [supn∈N | an | < ∞] =⇒ [limn∈N an ξ n = 0].

D’autres types de convergence, plus fortes que la convergence en probabilité, sont

possibles pour des suites de variables aléatoires.

Définition 4.5.11. Soit (ξ n )n∈N une suite de variables aléatoires définies sur un espace
de probabilité (Ω, F , P) et ξ une autre variable sur (Ω, F , P). On dit que la suite (ξ n )
p.s.
converge presque sûrement vers ξ, et on note limn→∞ ξ n = ξ, si

P({ω ∈ Ω : lim ξ n (ω ) = ξ (ω )}) = 1.

n→∞

Théorème 4.5.12 (Théorème fort des grands nombres). Soit une suite ( Xn ) de variables
aléatoires réelles définies sur un espace de probabilités (Ω, F , P) qui sont deux-à-deux décor-
rélées et vérifiant supn∈N Var( Xn ) < ∞. Alors

1 n p.s.
lim
n→∞ n
∑ ( Xk − E( Xk )) = 0.
k =1

/Users/dp/a/ens/[Link] 36
2019-09-19 • 12:12:07.
Espérance, variance ; théorèmes des grands nombres 4.6. Théorème central limite

La démonstration de ce théorème reste en dehors des exigences de ce cours. L’uti-

lisation de l’adjectif « fort » est justifiée par le fait que l’on peut montrer que la conver-
gence presque sûre entraîne la convergence en probabilité mais que la réciproque n’est
pas vraie.
Exercice 2. (Principe d’une simulation Monte Carlo). Soit (Un )n∈N une suite de va-
riables aléatoires indépendantes et identiquement distribuées avec la loi uniforme sur
l’intervalle [0, 1]. Soit f : [0, 1] → R une application de carré intégrable. On construit
la suite des sommes partielles Sn = ∑nk=1 f (Uk ). La suite Snn converge-t-elle en proba-
bilité et si oui vers quoi ? Application : simuler sur ordinateur avec la suite Snn avec
f ( x ) = 1+1x2 .

4.6 Théorème central limite

Les théorèmes des grands nombres affirment qu’en répétant plusieurs fois la même
expérience aléatoire, la moyenne empirique des observations finit par se stabiliser à
la valeur numérique de l’espérance. Le théorème central limite nous renseigne sur la
dispersion de ces observations empiriques autour la valeur moyenne. On commence
par rappeler deux résultats élémentaires.
Lemme 4.6.1. Soit (cn )n∈N une suite de nombre complexes vérifiant limn→∞ cn = c pour
un certain c ∈ C. Alors limn→∞ (1 + cnn )n = exp(c).
Lemme 4.6.2. On note χm,σ2 la fonction caractéristique de la loi normale de moyenne m et de
variance σ2 , c’est-à-dire de la loi ayant une densité √ 1 exp(−( x − m)2 /2σ2 ) par rapport à
2πσ
la mesure de Lebesque sur R. On a alors
χm,σ2 (t) = exp(itm − t2 σ2 /2).
Dans le tableau 4.1 on rappelle les densités ρ de quelques lois usuelles ainsi que
leurs fonctions caractéristiques χ.

Loi X ρ χ
Binomiale Bn,p {0, . . . , n} Cnx p x (1 − p )n− x (1 − peit )n
x
Poisson(λ) N exp(−λ) λx! exp(λ(eit − 1))
1 eitb −eita
Uniforme [ a, b] [ a, b] ⊂ R 1
b− a 1[ a,b] ( x ) b− a it
√ 1 exp(− ( x −m )2
Normale N (m, σ2 ) R 2σ 2 ) exp(itm − t2 σ2 /2)
2πσ
Γ( p, λ) R+ 1
Γ( p)
p
λ x p − 1 exp(−λx ) (1 − itλ )− p

Table 4.1 – Densités et fonctions caractéristiques pour quelques lois usuelles.

Théorème 4.6.3. (Théorème central limite) Soit ( Xn )n∈N une suite de variables aléatoires
indépendantes et identiquement distribuées avec EX1 = m et VarX1 = σ2 . En notant Sn =
∑nk=1 Xk , on a
Sn − nm
 
lim P √ ≤ x = Φ0,1 ( x ),
n→∞ σ n
où Φ0,1 désigne la fonction de répartition d’une variable aléatoire normale d’espérance 0 et de
variance 1.

/Users/dp/a/ens/[Link] 37
2019-09-19 • 12:12:07.
4.6. Théorème central limite Espérance, variance ; théorèmes des grands nombres

La convergence établie par ce théorème est une convergence plus faible que la
convergence en probabilité ; on l’appelle convergence en loi.
Définition 4.6.4. Soient (ξ n )n∈N une suite de variables aléatoires réelles sur un espace
(Ω, F , P) et ξ une variable aléatoire réelle sur le même espace. On dit que la suite
(ξ n )n∈N converge en loi vers ξ, et l’on note 1 limn→∞ ξ n = ξ, si, pour tout x ∈ R,
loi

lim P(ξ n ≤ x ) = Fξ ( x ) := P(ξ ≤ x ).

n→∞

Démonstration du théorème 4.6.3. Puisque pour toute variable aléatoire réelle X et tout
couple de nombres réels a, b on χ aX +b (t) = χ X ( at) exp(itb), on peut sans perte de
généralité, supposer que EX1 = 0.
On utilise l’indépendance des variables et les faits que χ0X1 (0) = EX1 = 0 et
χ00X1 (0) = EX12 = σ2 pour des variables d’espérance nulle et de variance σ2 , pour écrire
  n
Sn t
E(exp(it √ ) = χ √ .
σ n σ n
σ2 √
Or, en utilisant la proposition 4.4.2, on a, pour grand n, que χ( σ√t n ) = 1 − t
2 (σ n)
2 +
|t|
o ( σ √ n )2 . Par conséquent,
2 2 ! n
σ2 |t|
 
Sn t
lim E(exp(it √ )) = 1− √ +o √ = exp(−t2 /2) = χN (0,1) (t), t ∈ R,
n→∞ σ n 2 σ n σ n
où χN (0,1) est la fonction caractéristique de la loi normale centrée (i.e. d’espérance
nulle) réduite (i.e. de variance 1).
Remarque 4.6.5. La condition de carré intégrabilité ne peut pas être affaiblie. Si les
variables aléatoires de la suite sont intégrables mais pas de carré
√ intégrables (i.e. ont
des “queues lourdes”), la bonne normalisation n’est plus en n mais des exposants
déterminés par la puissance des moments fractionnaires qui existent et la convergence
peut avoir lieu vers des lois stables autres que la loi normale.
Dans ce chapitre, nous avons introduit plusieurs notions de convergence : en proba-
bilité, presque sûre, en loi. On peut introduire d’autres, par exemple les convergences
en L p , avec p ∈ [1, ∞[ définies par
Lp
lim ξ n = ξ ⇔ lim kξ n − ξ k p = 0.
n n

La raison d’être de toutes ces définition est qu’elles ne sont pas équivalentes ; nous
avons l’hiérarchie suivante :
p.s.
ξ n −→ ξ

P loi
ξ n −→ ξ ξ n −→ ξ

Lp
ξ n −→ ξ
d
1. Cette convergence est aussi notée limn→∞ ξ n =ξ, surtout dans la littérature anglo-saxonne (pour
convergence in distribution).

/Users/dp/a/ens/[Link]
38
2019-09-02 • 10:29:38.
Espérance, variance ; théorèmes des grands nombres 4.7. Exercices

4.7 Exercices
Lois, espérance, variance
39. Soit α la variable aléatoire définie sur (Ω, F , P) qui prend des valeurs dans X =
{0, π/2, π } avec probabilité uniforme. On note X = sin α et Y = cos α. Calculer
(a) EX,
(b) EY,
(c) Cov( X, Y ),
(d) P( X = 1, Y = 1).
Quelle est votre conclusion ?
40. Soient (ξ k )k=1,...,n des variables aléatoires indépendantes sur (Ω, F , P) prenant
un nombre fini de valeurs réelles. Calculer la loi de X = max ξ k , k = 1, . . . , n et
de Y = min{ξ k , k = 1, . . . , n}.
41. Soient (ξ k )k=1,...,n des variables aléatoires indépendantes sur (Ω, F , P) à valeurs
dans X = {0, 1} et (λk )k=1,...,n une suite de nombres strictement positifs fixés.
On sait que P(ξ k = 1) = λk ∆ avec ∆ un petit nombre réel strictement positif.
(a) Pouvez-vous donner une borne sur ∆ qui traduit proprement la notion de
« petitesse » ?
(b) Estimer P(ξ 1 + . . . + ξ n = 1) en ordre ∆2 .
(c) Estimer P(ξ 1 + . . . + ξ n > 1).
42. Soient X et Y deux variables aléatoires réelles sur (Ω, F , P) avec VarX > 0 et
VarY > 0.
(a) Montrer que |r ( X, Y )| ≤ 1.
(b) Monter que |r ( X, Y )| = 1 si et seulement si X = aY + b.
43. Soit ξ une variable aléatoire réelle avec E(ξ 2 ) < ∞.
(a) Montrer que E(|ξ |) < ∞.
(b) Montrer que infa∈R E((ξ − a)2 ) est atteint pour une valeur a0 ∈ R. Détermi-
ner ce a0 .
(c) Déterminer la valeur de infa∈R E((ξ − a)2 ) en termes d’une caractéristique
de ξ.
44. Soit ξ une variable aléatoire réelle de loi Pξ et fonction de répartition Fξ .
(a) Déterminer Faξ +b pour a > 0 et b ∈ R.
(b) Déterminer Fξ 2 .
45. Soit ξ + = max(ξ, 0). Déterminer Fξ + .
46. Soient ξ, η de variables aléatoires réelles définies sur (Ω, F , P) à valeurs dans
une partie discrète X ⊂ R. On note P(ξ,η ) leur loi conjointe et on suppose que les
marginales unidimensionnelles Pξ et Pη sont symétriques et telles que Varξ =
Varη = 1. On note r := r (ξ, η ) le coefficient de corrélation de ξ et η. Monter que
p
E(max(ξ 2 , η 2 )) ≤ 1 + 1 − r2 .

47. (Identité de Wald). Soient ( Xn )n∈N une suite de variables aléatoires réelles, indé-
pendantes et identiquement distribuées définies sur (Ω, F , P) et τ une variable
aléatoire définie sur le même espace (Ω, F , P), à valeurs dans N. Nous suppo-
sons que E(| X1 |) < ∞, E(τ ) < ∞ et que pour tout n ∈ N, l’événement {τ ≥ n}

/Users/dp/a/ens/[Link]
39
2019-09-02 • 10:29:38.
4.7. Exercices Espérance, variance ; théorèmes des grands nombres

est indépendant de la variable aléatoire Xn . Montrer que la variable aléatoire

τ
Sτ = ∑ Xi
n =1

a une espérance et que E(Sτ ) = E(τ )E( X1 ). (La somme Sτ est une somme par-
tielle de la série de terme général Xn comportant un nombre aléatoire de termes).

Fonctions génératrices
48. On rappelle qu’une variable aléatoire X est dite suivre la loi binomiale Bn,p de
paramètres p ∈ [0, 1] et n ≥ 1 si P( X = k ) = Cnk pk (1 − p)n−k , pour k = 1, . . . , n.
(a) Calculer la fonction génératrice G := GBn,p correspondante.
(b) Calculer E( X ) à l’aide de la fonction génératrice.
(c) Calculer Var( X ) à l’aide de la fonction génératrice.
49. On rappelle qu’une variable aléatoire X est dite suivre la loi exponentielle Eλ de
k
paramètre λ > 0 si P( X = k ) = exp(−λ) λk! , pour k ∈ N.
(a) Calculer la fonction génératrice G := GEλ correspondante.
(b) Calculer E( X ) à l’aide de la fonction génératrice.
(c) Calculer Var( X ) à l’aide de la fonction génératrice.
50. Soient X et Y deux variables aléatoires indépendantes sur (Ω, F , P) à valeurs
dans N. Exprimer la fonction génératrice GX +Y de la somme X + Y, en termes
de fonctions génératrices GX et GY des variables individuelles.
51. En se servant du résultat de l’exercice 50, déterminer GBn,p en termes de GB1,p et
comparer avec le résultat direct, obtenu en exercice 48.
52. (Extrait du CC du 16 novembre 2017).
Soit p := ( pn )n∈N la suite définie par

an
pn = , pour n ∈ N et a > 0.
(1 + a ) n +1
(a) Montrer que pour tout a > 0, la suite p est un vecteur de probabilité sur N.
(b) Soit X une variable aléatoire sur un espace probabilisé (Ω, F , P) à valeurs
dans N dont la loi est déterminée par le vecteur de probabilité p. Calculer la
fonction génératrice GX (z) de X pour z ∈ [−1, 1].
(c) Calculer GX0 ( z ) et G 00 ( z ).
X
(d) En déduire E( X ) et Var( X ).
53. Une somme de variables aléatoires comportant un nombre aléatoire de termes.
(Extrait de l’examen du 15 décembre 2018).
Soient ( Xn )n≥1 une suite de variables aléatoires réelles de carré intégrables et
d’espérance nulle et N une variable aléatoire à valeurs dans N, indépendante
de la suite ( Xn ), de loi ν(k) = P( N = k ) = 2k1+1 pour tout k ∈ N. On note
S N = ∑nN=1 Xn et σ2 = var( X1 ).
(a) Calculer la fonction génératrice G (z) = E(z N ) et s’en servir pour calculer
E( N ).
(b) Montrer que E(S N ) = 0.
(c) Calculer var(S N ). (Utiliser l’indépendance !)

/Users/dp/a/ens/[Link]
40
2019-09-02 • 10:29:38.
Espérance, variance ; théorèmes des grands nombres 4.7. Exercices

Inégalité de Bienaymé-Tchebychev, théorèmes des grands nombres

54. Dans cet exercice, les variables aléatoires utilisées sont à valeurs dans des parties
finies de R. Toutes les espérances utilisées dans l’énoncé existent.
(a) Soit ξ une variable aléatoire discrète à valeurs dans une partie de R+ . Rappe-
ler comment on démontre, pour tout a > 0, l’inégalité de Markov-Tchebychev

Eξ
P( ξ ≥ a ) ≤ .
a
(b) Soient a > 0 et f : R → R+ une fonction croissante telle que f ( a) > 0.
Montrer que
E( f (ξ ))
P( ξ ≥ a ) ≤ .
f ( a)
(c) En conclure que

P(ξ ≥ a) ≤ inf [exp(−sa)E(exp(sξ ))] .

s >0

(d) Soit ( Xi )i∈N une suite de variables aléatoires indépendantes à valeurs dans
{0, 1} et de même loi, chargeant 1 avec probabilité p, avec p ∈]0, 1[. Calculer,
pour un s > 0 arbitraire,
!
n
g(s) := E exp(s ∑ Xi )
i =1

et utiliser cette formule explicite pour majorer, pour un a ∈] p, 1[, la probabi-

lité P( n1 ∑in=1 Xi ≥ a).
(e) Déterminer s0 := arg maxs>0 exp(−nas) g(s).
(f) En conclure que
!
1 n
n i∑
P Xi ≥ a ≤ exp (nh( a, p)) ,
=1

a −a
où h( a, p) := − a log p − (1 − a) 11− p.

55. Soit (ξ n )n∈N une suite de variables aléatoires indépendantes réelles et de même
loi, vérifiant P(ξ n = 1) = p = 1 − P(ξ n = −1), pour tout n ∈ N. On note
Sn = ∑in=1 ξ i . Le but de l’exercice est d’établir, dans le cas particulier où p = 1/2,
la formule (valable pour p ∈ [0, 1] arbitraire)
  
 Sn
∀ε > 0, P  − (2p − 1) ≥ ε ≤ 2 exp(−αε2 n),

 
n

pour un α > 0. (Il s’agit d’une amélioration de l’inégalité de Bienaymé-Tchebychev).

56. Dans une circonscription d’un million d’électeurs les candidats A et B sont en
lice. Parmi ces électeurs, 2000 connaissent bien le candidat A et votent unanime-
ment pour lui. Les autres 998000 choisissent purement au hasard en lançant une
pièce honnête. Minorer la probabilité pour que le candidat A gagne.

/Users/dp/a/ens/[Link]
41
2019-09-02 • 10:29:38.
4.7. Exercices Espérance, variance ; théorèmes des grands nombres

57. Soit (Ψn )n≥1 une suite de variables aléatoires indépendantes, uniformément dis-
tribuées sur [0, 2π [, définies sur (Ω, F , P). Une particule se déplace aléatoire-
ment dans le plan selon la règle suivante : lorsque à l’instant n elle est en posi-
tion ξ n ∈ R2 , à l’instant n + 1 elle sera en une position ξ n+1 ∈ R2 telle que la
longueur du déplacement ξ n+1 − ξ n est une constante r > 0 et l’angle formé par
ce déplacement et l’axe des abscisses est Ψn+1 . Soit Dn2 = kξ n − ξ 0 k2 la distance
entre les positions initiale et au temps n de la particule.
ξ
(a) Calculer limn→∞ nn .
(b) Calculer E( Dn2 ).
Dn2
(c) Calculer limn→∞ n .
58. Soit ( Tn )n∈N une suite de variables aléatoires indépendantes et identiquement
distribuées à valeurs réelles positives, bornées (donc intégrables), définies sur
(Ω, F , P). La variable aléatoire Tn sera interprétée comme représentant la durée
de vie de la ne ampoule changée. Dès qu’une ampoule est grillée on la remplace
aussitôt. Pour tout t > 0, on note
N
Nt = sup{ N ≥ 1 : ∑ Tn ≤ t}
n =1

p.s.
le nombre d’ampoules utilisées jusqu’au temps t. Montrer que limt→∞ Nt t =
1
E( T1 )
.
59. (Extrait du contrôle du 16 novembre 2017).
On considère un espace probabilisé (Ω, F , P) suffisamment grand pour pouvoir
contenir simultanément toutes les variables aléatoire dont on se servira dans cet
exercice.
(a) Soient X et Y deux variables aléatoires sur (Ω, F , P) à valeurs dans X =
{0, 1}. La loi de X est déterminée par le vecteur de probabilité p = ( p, 1 − p)
et celle de Y par le vecteur q = (q, 1 − q), où 0 ≤ p, q ≤ 1. Exprimer la valeur
r := P( X = Y ) en fonction des p et q.
(b) Calculer Var(1{X =Y } ).
(c) On considère maintenant deux suites définies sur (Ω, F , P). La première
est une suite ( Xn )n∈N de copies indépendantes de X (i.e. elle est indépen-
dante et identiquement distribué selon la loi p). La seconde est une suite
(Yn )n∈N de copies indépendantes de Y (i.e. elle est indépendante et iden-
tiquement distribué selon la loi q). La deux suites sont en outre mutuelle-
ment indépendantes. Utiliser un résultat du cours pour montrer que la suite
1 N
N ∑n=1 1{ Xn =Yn } converge en probabilité vers une constante qu’il faudra dé-
terminer.

/Users/dp/a/ens/[Link] 42
2019-09-19 • 12:12:07.
 Chaînes de Markov sur des espaces
5
d’états dénombrables

Les chaînes de Markov présentent des multiples intérêts :

— De point de vue purement probabiliste, elles s’intègrent dans la hiérarchie géné-
rale des modèles probabilistes introduite par le théorème 3.1.7 ; elles font partie
du niveau qui se situe juste au dessus des suites indépendantes étudiées dans le
chapitre précédant.
— En théorie de l’information, elles modélisent le fonctionnement des canaux de
transmission et permettent l’étude de leur fonctionnement asymptotique.
— En théorie de la complexité, elles modélisent la notion d’automate fini (et plus
généralement de machine de Turing) et les méthodes développées pour leur
étude servent à étudier le « problème d’arrêt » en théorie de calculabilité.

5.1 Probabilités de transition, matrices stochastiques

Soit X un espace dénombrable (muni de sa tribu exhaustive). On considère un sys-
tème aléatoire qui peut occuper n’importe quel état de X. À l’instant initial n = 0,
le système occupe l’état x0 ∈ X avec P( X0 = x0 ) = ρ( x0 ). Aux instants suivants
n = 1, 2, . . . le système change son état en X1 , X2 , . . . selon des probabilités condition-
nelles déterminées comme suit : Supposons que jusqu’à l’instant n le système ait visité
les états x0 , x1 , . . . , xn . Alors, il évoluera selon la probabilité conditionnelle vérifiant la
condition

ρn+1,xn (y) := P( Xn+1 = y| X0 = x0 , . . . , Xn = xn ) = P( Xn+1 = y| Xn = xn ) =: Pxn ,y ,

i.e. l’évolution future du système oublie le passé pour ne se souvenir que du présent.
Cette condition de dépendance s’appelle propriété faible de Markov.
Cette évolution est un cas particulier du théorème 3.1.7. Il est évident que ∀ x, y ∈ X,
nous avons Px,y ≥ 0 et ∑z∈X Px,z = 1, i.e. chaque ligne de la matrice P = ( Px,y ) x,y∈X est
un vecteur de probabilité sur X. Une telle matrice est appelée matrice stochastique.

43
5.1. Probabilités de transition, matrices stochastiques Chaînes de Markov

Définition 5.1.1. Soient X un espace dénombrable, X = P (X) sa tribu exhaustive et P

une matrice stochastique sur X. On note Ω = XN et F = ⊗n∈N X et ρ0 un vecteur de
probabilité sur X . Soit Pρ0 l’unique probabilité sur (Ω, F ) construite selon la procédure
décrite en théorème ?? avec ρn+1,xn (y) = Pxn ,y . Alors la suite de variables aléatoires
X = ( Xn )n∈N sur (Ω, F , Pρ0 ) à valeurs dans (X, X ) vérifiant
1. Pρ0 ( X0 = x0 ) = ρ0 ( x0 ) et
2. P( Xn+1 = xn+1 | X0 = x0 , . . . , Xn = xn ) = Pxn ,xn+1
(qui existe nécessairement) est appelée chaîne de Markov à espace d’états X, matrice
stochastique P et probabilité initiale ρ0 , notée CM(X, P, ρ0 ).
Le cas où X est non-dénombrable ne sera pas abordé dans ce cours (cf. [47] par
exemple)
En traduisant la construction du théorème ?? dans la situation présente, nous obte-
nons pour la marginale fini-dimensionnelle
Pρ0 ( X0 = x0 , . . . , Xn = xn ) = ρ0 ( x0 ) Px0 ,x1 · · · Pxn1 xn .

À cause de la forme simplifiée qu’a le second membre, nous pouvons alors calculer la
ne marginale
Pρ0 ( Xn = x n ) = ∑ ρ0 ( x0 ) Px0 ,x1 · · · Pxn−1 ,xn
x0 ,...,xn−1 ∈X
= (ρ0 Pn )( xn ),
où le vecteur de probabilité ρ0 est écrit sous forme de vecteur ligne. On voit donc que
dans l’hiérarchie des modèles décrits par le théorème ??, le modèle de dépendance
markovienne se situe au niveau de complexité juste au dessus du modèle indépendant
introduit en §3.2.
Lorsque le vecteur ρ0 (y) = δx,y pour un x ∈ X donné, nous écrivons Px au lieu de
Pρ0 . Nous avons alors Px ( Xn = y) = Pn ( x, y).
Exemple 5.1.2. On dispose de deux pièces de monnaie, une honnête et une lestée,
donnant « face » avec probabilité 1/3. Si la pièce lancée au ne jeu montre « pile » on
utilise la pièce honnête pour la lancer au (n + 1)e jeu ; si elle montre « face » on utilise
la pièce lestée pour jouer au (n + 1)e jeu. Si on note ( Xn ) la suite de variables aléatoires
dans X = {0, 1} correspondant à ce jeu, elles constituent une chaîne de Markov, avec
probabilité conditionnelle de transition
P( Xn+1 = y| Xn = x ) = Pxy ,
1 1
où la matrice P := ( Pxy ) x,y∈X est égale à P = 22 21 . L’étude du comportement
3 3
asymptotique à grand n de la probabilité Pρ0 ( Xn = x ) = (ρ0 Pn )( x ) peut se faire en
s’inspirant de la méthode développée à l’exercice 63.
Théorème 5.1.3. La définition d’une chaîne de Markov est équivalente à la propriété d’in-
dépendance du futur et du passé, conditionnellement au présent. Plus précisément, en notant
pour 1 < p < n et x1 , . . . , xn ∈ X,
A = { X1 = x 1 , . . . , X p − 1 = x p − 1 } ,
B = { X p = x p },
C = { X p +1 = x p +1 , . . . , X n = x n } ,

/Users/dp/a/ens/[Link] 44
2019-11-03 • 18:29:09.
Chaînes de Markov 5.2. Temps d’arrêt. Propriété forte de Markov

nous avons
P( A ∩ C | B ) = P( A | B )P( C | B ).
Démonstration. Exercice.

5.2 Temps d’arrêt. Propriété forte de Markov

Définition 5.2.1. Soit ( Xn ) ∈ CM(X, P, ρ0 ) définie sur un espace (Ω, F , P). Une va-
riable aléatoire T : Ω → N ∪ {+∞} est un temps d’arrêt, si pour tout n ∈ N, l’évé-
nement { T = n} est entièrement déterminé par la donnée des valeurs prises 1 par les
variables X0 , . . . , Xn .
Exemple 5.2.2. Soit ( Xn )n∈N le relevée de température (en degrés Celsius avec une
décimale) à l’ombre dans un lieu donné à midi du jour n (où n = 0 correspond au
jour où des éphémérides ont commencé à exister). Soit T1 := inf{n ≥ 0 : Xn = 42.2}
et T2 := inf{n ≥ 0 : Xn est la température maximale jamais enregistrée en ce lieu}.
Évidemment T1 est un temps d’arrêt mais pas T2 . Qu’en est-t-il de T3 := inf{n ≥ 0 :
Xn > maxk=0,...,n−1 Xk } ?
Remarque 5.2.3. La notion de temps d’arrêt est importante en théorie de la complexité
algorithmique. Une machine de Turing est en effet une chaîne de Markov ; une condi-
tion nécessaire pour que la machine de Turing (i.e. un programme informatique) ré-
solve un problème algorithmique est de s’arrêter en un temps fini. La calculabilité al-
gorithmique d’un problème est donc directement reliée à l’existence d’un temps d’arrêt
fini pour la machine de Turing sensée le résoudre.
Définition 5.2.4. Soit ( Xn ) ∈ CM(X, P, ρ0 ) définie sur (Ω, F , P). Pour tout A ∈ X , on
note
(1)
τA0 := inf{n ≥ 0 : Xn ∈ A} ∈ N ∪ {+∞} et τA = τA := inf{n > 0 : Xn ∈ A} ∈ N ∪ {+∞}
les temps de premier retour et temps de première entrée de la chaîne dans l’ensemble
A. Lorsque A = {y}, nous simplifions la notation en τy0 au lieu de τ{0y} (et de même
pour τ{y} ).

Lemme 5.2.5. Les temps τA0 et τA définis dans 5.2.4 sont des temps d’arrêt par rapport à la
(filtration naturelle de) la chaîne.
Supposons que Ω = tn∈N { T = n} (et par conséquent Pρ0 ( T < ∞) = 1). Par
ailleurs, la chaîne arrêtée à l’instant aléatoire T vérifiera :
XT ( ω ) : = XT (ω ) ( ω ) = ∑ X T ( ω ) ( ω )1{ T = n } ( ω ) = ∑ Xn ( ω )1{ T = n } ( ω ).
n ∈N n ∈N

Cette remarque, nous amène à définir F T comme la tribu trace

FT := { F ∈ F : ∀n ∈ N, F ∩ { T = n} ∈ Fn }.
Elle contient les événements qui lorsque on les restreint sur l’événement { T = n} ne
dépendent que de ( X0 , X1 , . . . , Xn ).
1. En termes plus précis, si on note Fn = ⊗nk=0 X , et si { T = n} ∈ Fn pour tout n, on dit que T est
un (Fn )-temps d’arrêt. La suite des tribus (Fn ) est une suite croissante, appelée filtration naturelle de
la chaîne.

/Users/dp/a/ens/[Link] 45
2019-11-03 • 18:29:09.
5.3. Classification des états. Recurrence, transience Chaînes de Markov

Théorème 5.2.6. Soient ( Xn )n∈N une CM(X, X , ρ), où X est dénombrable (fini ou infini) et
T un temps d’arrêt pour (la filtration naturelle de) la chaîne. On note XT≤ = ( X0 , . . . , XT ) le
passé de la chaîne et XT> = ( XT +1 , XT +2 , . . .) son futur strict (par rapport à l’instant aléatoire
T). Alors, sur l’événement { T < ∞}, la loi conditionnelle conjointe du futur strict de la chaîne
XT> sachant le passé XT≤ est égale à la loi conditionnelle conjointe du futur strict de la XT>
sachant le présent XT ; cette propriété est appelée propriété forte de Markov.

Démonstration. Utiliser la décomposition Ω = { T < ∞} = tn∈N { T = n}, fixer k ≥ 1

et calculer la probabilité conditionnelle

P( XT +1 = y1 , . . . XT +k = yk | T = n; X0 = x0 , . . . , Xn = xn ).

L’événement { T = n} est déterminé par les valeurs que prennent les variables aléa-
toires ( X0 , . . . , Xn ). Lorsque nous considérons les événements { T = n} et { X0 =
x0 , . . . , Xn = xn } des deux choses l’une :
— soit ils sont compatibles et dans ce cas { T = n} ∩ { X0 = x0 , . . . , Xn = xn } =
{ X0 = x 0 , . . . , X n = x n } ,
— soit ils sont incompatibles et dans ce cas { T = n} ∩ { X0 = x0 , . . . , Xn = xn } = ∅,
Dans le premier cas, en utilisant la propriété faible de Markov, on obtient sur { T = n},

P ( X n + 1 = y 1 , . . . X n + k = y k | X0 = x 0 , . . . , X n = x n ) = P ( X n + 1 = y 1 , . . . X n + k = y k | X n = x n ) .

Dans le deuxième cas, l’ensemble par rapport auquel nous conditionnons a une pro-
babilité nulle ; par conséquent, nous pouvons attribuer une valeur arbitraire à la pro-
babilité conditionnelle, par exemple la valeur prise par la probabilité conditionnelle au
premiers cas, à savoir P( Xn+1 = y1 , . . . Xn+k = yk | Xn = xn ).

5.3 Classification des états. Recurrence, transience

Lorsque l’espace des états X est fini et P a tous ses éléments de matrice strictement
positifs, il est facile de voir que si la chaîne de Markov évolue sans arrêt alors elle visite
tous les éléments de X une infinité de fois ; on dit que tous les états sont récurrents. Les
choses sont plus compliquées lorsque X est dénombrable infini ou si P n’a pas tous ses
éléments strictement positifs.

Définition 5.3.1. Soit ( Xn ) une chaîne de Markov CM(X, P, ρ0 ).

1. Le graphe dirigé ayant comme sommets l’ensemble X et comme arêtes les couples
( x, y) ∈ X2 tels que Px,y > 0 est appelé graphe (des transitions) de la chaîne de
Markov.
2. Un état y est dit accessible depuis l’état x, s’il existe un entier n := n( x, y) ≥ 1
n > 0. On note x → y.
tel que Px,y
3. Un état x communique avec un état y si x → y et y → x.
4. Un état x est dit essentiel si pour tout état y tel que x → y alors y → x.
L’ensemble des états essentiels est noté Xe . Leur complémentaire constitue l’en-
semble des états inessentiels Xi = X \ Xe .

Remarque 5.3.2. Il est immédiat de constater que x → y si, et seulement si, il existe une
suite finie d’arêtes dirigées composables dans le graphe de P qui forment un chemin
de x à y.

/Users/dp/a/ens/[Link] 46
2019-11-03 • 18:29:09.
Chaînes de Markov 5.3. Classification des états. Recurrence, transience

Proposition 5.3.3. Sous les conditions de la définition précédente :

1. La relation de communication restreinte à Xe est une relation d’équivalence. On note K
l’ensemble de classes d’équivalence X/ ↔.
2. La classification des états est la partition de l’espace en
 
X = t[ x]∈K [ x ] t Xi ,

où [ x ] = {y ∈ Xe : x ↔ y}.

Démonstration. Exercice.

Définition 5.3.4. 1. Un ensemble d’états A ⊆ X est dit absorbant (ou stochasti-

quement fermé) si A 6= ∅ et pour x ∈ A ⇒ ∑y∈ A Px,y = 1.
2. Si pour un x ∈ X, on [ x ] = X, la chaîne est dite irréductible, i.e. ∀( x, y) ∈
X2 , ∃n := n( x, y) ≥ 1 : Px,y
n > 0.
N = α >
3. La chaîne est dite fortement irréductible si ∃ N > 0, ∃α > 0 : minx,y Px,y
0.

Définition 5.3.5. Soit ( Xn ) ∈ CM(X, P, ρ0 ) définie sur (Ω, F , P). Pour x ∈ X fixé et
tout n ≥ 1, on note qn = Px (τx = n) et q = ∑n≥1 qn = Px (τx < ∞). On dit qu’un état
x ∈ X est
— transient si q < 1,
— récurrent si q = 1,
— récurrent positif si Ex (τx ) < ∞.
Un état récurrent qui n’est pas récurrent positif est appelé récurrent nul.

Il s’avère pratique d’étendre la suite (qn )n≥1 en q0 = 0 et de définir une autre suite
(rn )n≥0 par rn = Px ( Xn = x ) = Pn ( x, x ), n ∈ N, avec bien sûr r0 = 1.

Lemme 5.3.6. Pour une chaîne de Markov et les suites (rn ) et (qn ) définies comme ci-dessus,
on a :
1. Pour tout n ≥ 0, la probabilité rn se décompose en

r n = r 0 q n + r 1 q n −1 + . . . + r n q 0 .

2. Les séries génératrices

R(z) = ∑ rn zn et Q(z) = ∑ qn zn
n ∈N n ∈N

sont bien définies pour z ∈ C avec |z| < 1.

3. Pour |z| < 1, on a R(z) = 1−Q1 (z) .

Démonstration. 1. On décompose
n
r n = P x ( Xn = x ) = ∑ Px (Xn = x|τx = k)Px (τx = k)
k =1
n
= ∑ r n − k q k = r 0 q n + r 1 q n −1 + . . . + r n q 0 , avec la convention q0 ≡ 1.
k =0

/Users/dp/a/ens/[Link] 47
2019-11-03 • 18:29:09.
5.3. Classification des états. Recurrence, transience Chaînes de Markov

2. Les séries définissant R(z) et Q(z) sont absolument convergentes pour |z| < 1.
En effet
1
| R(z)| ≤ ∑ rn |z|n ≤ ∑ |z|n = , et
n ≥0 n ≥0 1 − |z|
| Q(z)| ≤ ∑ qn |z|n ≤ ∑ qn = Px (τx < ∞) ≤ 1.
n ≥0 n ≥0

3. Pour |z| < 1 :

n
R ( z ) = r0 + ∑ r n z n = r0 + ∑ ∑ r n − k z n − k q k z k
n ≥1 n ≥1 k =0
n
= r0 + ∑ ∑ r n − k z n − k q k z k = r0 + R ( z ) Q ( z ).
n ≥0 k =0
1
Puisque r0 = 1, on conclut que R(z) = 1− Q ( z )
.

Lemme 5.3.7. Pour tout état x ∈ X,

Px (τx < ∞) = ∑ q n = Q (1).
n ≥1

Démonstration. Immédiate.
Théorème 5.3.8. Un état x ∈ X est récurrent si, et seulement si, ∑n≥0 Px ( Xn = x ) = ∞.
Démonstration. L’état x est récurrent si q := ∑n≥1 qn = Q(1) = limz∈[0,1[,z→1 Q(z) = 1.
En utilisant l’expression pour R(z), établie en lemme 5.3.6, nous obtenons
1
lim R(z) = lim = ∞.
z∈[0,1[,z→1 z∈[0,1[,z→1 1 − Q ( z )

Supposons que ∑n≥0 rn < ∞. Comme tous les termes rn sont positifs, nous avons pour
tout N, ∑nN=1 rn ≤ limz∈[0,1[,z→1 R(z) = ∑n≥0 rn . Or limz∈[0,1[,z→1 R(z) = ∞, il y a donc
contradiction avec l’hypothèse ∑n≥0 rn < ∞.
Remarque 5.3.9. La condition ∑n≥0 rn = ∞ est équivalente à Ex (ηx ) = ∞, où la va-
riable aléatoire η A := ∑n≥0 1 A ( Xn ) dénombre les retours de la chaîne de Markov dans
A. Comme d’habitude, si A = {y}, on allège la notation en ηy au lieu de η{y} .
Théorème 5.3.10. Si l’état x ∈ X est récurrent alors tout état y ∈ X, accessible depuis x, est
aussi récurrent.
Démonstration. Supposons x récurrent, x → y mais y 6→ x. L’accessibilité x → y signifie
qu’il existe un entier M tel que P M ( x, y) = α > 0 ; la non-accessibilité de x à partir de
y signifie donc que Px (τx < ∞) ≤ 1 − α < 1 en contradiction avec l’hypothèse de
récurrence de x. Il existe donc un entier N tel que P N (y, x ) = β > 0. Nous avons donc
pour tout entier n ≥ 0
P M+ N +n (y, y) ≥ P N (y, x ) Pn ( x, x ) P M ( x, y) = βαPn ( x, x )
et
P M+ N +n ( x, x ) ≥ P M ( x, y) Pn (y, y) P N (y, x ) = αβPn (y, y).
Par conséquent, les séries ∑n≥0 Pn ( x, x ) et ∑n≥0 Pn (y, y) soit elles convergent simulta-
nément soit elles divergent simultanément. On conclut par le théorème 5.3.8.

/Users/dp/a/ens/[Link] 48
2019-11-03 • 18:29:09.
Chaînes de Markov 5.4. Probabilité limite, probabilité invariante (stationnaire)

Corollaire 5.3.11. Un chaîne de Markov irréductible sur un ensemble d’états X fini est né-
cessairement récurrente.

5.4 Probabilité limite, probabilité invariante (stationnaire)

Nous avons vu qu’une chaîne de Markov dépend du passé lointain uniquement à
travers sa dépendance du passé immédiat. Il est donc intuitivement clair qu’elle « ou-
blie » la condition initiale pour adopter un mode d’évolution dicté par la seule matrice
stochastique. Cette intuition est précisée par le théorème suivant.
Théorème 5.4.1 (Théorème ergodique pour une chaîne de Markov). Soit ( Xn ) ∈ CM(X, P, ε x )
une chaîne de Markov fortement irréductible sur un ensemble d’états X fini. Alors, il existe
une unique mesure de probabilité π sur X et limn→∞ Px ( Xn = y) = π (y) pour tout
y ∈ X. Par ailleurs, il existe de constantes C, D > 0 telles que maxx∈X | Pn ( x, y) − π (y)| ≤
C exp(− Dn) asymptotiquement à n suffisamment grand.
Démonstration. L’irréductibilité forte de la chaîne sur l’ensemble fini X signifie qu’il
existe un entier N > 0 et un réel α > 0 tels que minx,y∈X P N ( x, y) = α > 0. Introduire,
pour tout y ∈ X et tout entier n ≥ 1, la notation

mn (y) = min Pn ( x, y)
x ∈X
Mn (y) = max Pn ( x, y)
x ∈X

On a alors

mn+1 (y) = min Pn+1 ( x, y) = min

x ∈X
∑ P(x, z) Pn (z, y) ≥ mn (y)
x ∈X z ∈X

et
Mn+1 (y) = max Pn+1 ( x, y) = max
x ∈X x ∈X z ∈X
∑ P(x, z) Pn (z, y) ≤ Mn (y).
Par conséquent, les suites (mn (y)) et ( Mn (y)) sont adjacentes

m1 (y) ≤ . . . ≤ mn (y) ≤ mn+1 (y) ≤ . . . ≤ Mn+1 (y) ≤ Mn (y) ≤ . . . ≤ M1 (y).

Par ailleurs, pour x, x 0 ∈ X arbitraires, nous avons

∑ P N ( x, y) = ∑ P N ( x 0 , y) = 1.
y ∈X y ∈X

Il s’ensuit la cascade d’égalités

0 = ∑ P N ( x, y) − ∑ P N ( x0 , y)
y ∈X y ∈X
+ −
= ∑ [ P N (x, y) − P N (x0 , y)] + ∑ [ P N (x, y) − P N (x0 , y)]
y ∈X y ∈X

+
où ∑ signifie la somme sur ceux des y ∈ X pour lesquels [ P N ( x, y) − P N ( x 0 , y)] ≥ 0 et
−
pareillement pour ∑. La condition d’irréductibilité renforcée implique qu’il existe un

/Users/dp/a/ens/[Link] 49
2019-11-03 • 18:29:09.
5.4. Probabilité limite, probabilité invariante (stationnaire) Chaînes de Markov

+
réel 0 ≤ d < 1 tel que maxx,x0 ∑ [ P N ( x, y) − P N ( x 0 , y)] = d. On estime maintenant la
y ∈X
différence

M N (y) − m N (y) = max P N ( x, y) − min P N ( x, y) = max [ P N ( x, y) − P N ( x 0 , y)]

x ∈X x ∈X x,x 0 ∈X
+
≤ max
x,x ∈X
0
∑ [ P N ( x, z) − P N ( x 0 , z)] = d.
z ∈X

On peut maintenant itérer cette différence

M N +n (y) − m N +n (y) = max

x,x 0 ∈X
∑ [ P N (x, z) − P N (x0 , z)] Pn (z, y)
z ∈X
" #
+ −
≤ max
x,x ∈X
0
∑ [ P N (x, z) − P N (x0 , z)] Mn (y) + ∑ [ P N (x, z) − P N (x0 , z)]mn (y)
z ∈X z ∈X
" #
+
= max
x,x ∈X
0
∑ [ P N (x, z) − P N (x0 , z)][ Mn (y) − mn (y)]
z ∈X
= d[ Mn (y) − mn (y)].

Par conséquent, MkN +n (y) − mkN +n (y) ≤ dk , pour k ∈ N arbitraire ; en combinant avec
la propriété d’adjacence pour les suites (mn (y)) et ( Mn (y)), nous concluons qu’elles
convergent vers la même limite π (y) := limn→∞ mn (y) = limn→∞ Mn (y), car d < 1.
Par ailleurs, maxx∈X | Pn ( x, y) − π (y)| ≤ Mn (y) − π (y) ≤ d[n/N ]−1 . L’inégalité est alors
prouvée pour avec C = 1d et D = − lnNd .
Corollaire 5.4.2. Le vecteur (ligne) de probabilité π est un vecteur propre gauche, associé à la
valeur propre 1, de la matrice P.
Démonstration. De l’égalité Pn+1 ( x, y) = ∑z∈X Pn ( x, z) P(z, y), en passant à la limite
n → ∞, nous obtenons π (y) = ∑z∈X π (z) P(z, y).
Définition 5.4.3. La probabilité π (y) = limn→∞ Px ( Xn = y) est appelée probabilité li-
mite. Le vecteur propre gauche de P associé à la valeur propre 1 est appelé probabilité
invariante (ou stationnaire).
On dispose d’une formulation (voir le théorème 5.4.5 ci-dessous) plus complète du
théorème de convergence qui permet de s’affranchir de la l’hypothèse d’irréductibilité
forte.
Définition 5.4.4. Soit x ∈ X un état vérifiant Px (τx < ∞) > 0. On appelle période de
x la quantité
d x = pgcd{n ≥ 1 : Px ( Xn = x ) > 0}.
Lorsque d x = 1, l’état est appelé apériodique.
On peut facilement montrer que la période de x est une propriété de classe, i.e. tous
les états de la classe [ x ] ont la même période.
En tant que matrice, P agit sur l’espace vectoriel CX . Le spectre de la matrice P est
défini comme l’ensemble

spec( P) = {λ ∈ C : P − λI est non inversible}.

/Users/dp/a/ens/[Link] 50
2019-11-03 • 18:29:09.
Chaînes de Markov 5.5. Stationnarité, réversibilité

Puisque la matrice P est stochastique, toutes les valeurs spectrales ont un module
|λ| ≤ 1 ; en outre on a toujours 1 ∈ spec( P). L’ensemble spec( P) \ {1} est appelé spectre
périphérique de P tandis que l’ensemble {λ ∈ spec( P) : |λ| < 1} est le spectre contrac-
tant. Notons que les spectres périphérique ou contractan peuvent être vides.
Soit P une matrice irréductible et d la période d’un état (donc de tous les états) de la
chaîne. La partie du spectre non-contractant (i.e. le spectre périphérique et le singleton
{1}) est égal aux racines d-èmes de l’unité. Par conséquent, le spectre périphérique est
vide si, et seulement si, la chaîne est apériodique.

Théorème 5.4.5. Soit P la matrice de transitions d’une chaîne sur un espace d’états X fini.
On note Eλ le projecteur sur l’espace D λ ( P) = ∪k≥1 ker( P − λI )k .
1. Il existe une constante K1 > 0 telle que pour grand n,

1 n −1 k K
k ∑
n k =0
P − E1 k ≤ 1 .
n

−1
En outre pour toute probabilité initiale ρ (vue comme vecteur ligne), on a k n1 ∑nk= k
0 ρP −
ρE1 k ≤ Kn1 .
2. Si le spectre périphérique est vide (i.e. la chaîne est apériodique), il existe une constante
K2 > 0 et un paramètre r ∈]0, 1[ tels que

k Pn − E1 k ≤ K2 r n .

3. Si la valeur propre 1 est simple (i.e. dim D λ ( P) = 1), le projecteur E1 définit une
unique probabilité invariante π par E1 f = π ( f )1, pour tout f : X → C (mesurable)
bornée.

La démonstration de ce résultat est simple mais longue car elle nécessite une longue
série de lemmes préliminaires ; elle peut être consultée dans [47].
Un autre résultat important est le

Théorème 5.4.6. Soit P la matrice stochastique irréductible d’une chaîne de Markov sur un
espace d’état dénombrable. On a équivalence entre les affirmations suivantes :
1. tout état est récurrent positif,
2. il existe un état récurrent positif,
3. la matrice P possède une probabilité invariante π.
En outre, si 3. est vérifié, alors Ex (τx ) = 1
π (x)
.

Démonstration. Voir [44, Théorème 1.7.7, p. 37].

5.5 Stationnarité, réversibilité

Définition 5.5.1. Soient X un ensemble dénombrable (muni de sa tribu exhaustive)
et ( Xn )n∈Z (i.e. le temps varie sur Z au lieu de N) une famille doublement infinie
de variables aléatoires à valeurs dans X. Si pour tout n ∈ N et tout n-uplet d’instants
t1 < t2 < · · · < tn , avec ti ∈ Z pour i = 1, . . . , n, la loi conjointe des variables aléatoires
( Xt1 , . . . , Xtn ) est connue, la famille ( Xn )n∈N est dite processus stochastique (à temps
discret). Le processus est

/Users/dp/a/ens/[Link] 51
2019-11-03 • 18:29:09.
5.5. Stationnarité, réversibilité Chaînes de Markov

— stationnaire si la loi conjointe de ( XT +t1 , . . . , XT +tn ) est la même pour tous les
T ∈ Z;
— réversible si la loi conjointe de ( Xt1 , . . . , Xtn ) est la même que la loi de ( XT −t1 , . . . , XT −tn ),
pour tout T ∈ Z ;
— markovien si

P ( X t n = x n | X t 1 = x 1 , . . . , X t n −1 = x n −1 ) = P ( X t n = x n | X t n −1 = x n −1 ) .

Si la probabilité conditionnelle P( Xn+1 = y| Xn = x ) ne dépend pas de n, la

chaîne est dite homogène et cette probabilité conditionnelle définit une matrice
stochastique ( P( x, y)) x,y∈X par P( x, y) := P( Xn+1 = y| Xn = x ).
Remarque 5.5.2. Si la loi conjointe du processus, échantillonnée à un nombre arbitraire
d’instants,
— est invariante aux translations temporelles, le processus est stationnaire ;
— est invariante aux renversements du temps, le processus est réversible.
L’invariance ci-dessus signifie qu’il est statistiquement impossible de distinguer entre
la loi initiale et la loi transformée (par translation ou par renversement).
Lemme 5.5.3. Un processus réversible est stationnaire.
Démonstration. Par réversibilité, les lois de ( Xt1 , . . . , Xtn ) et de ( XT +t1 , . . . , XT +tn ) sont
les mêmes que la loi de ( X−t1 , . . . , X−tn ).
Théorème 5.5.4. Soit ( Xn ) une MC(X, P, π ) irréductible et ayant π comme probabilité in-
variante. Pour un N ∈ N, on pose Yn = X N −n pour n = 0, . . . , N. Alors (Yn ) est une chaîne
de Markov (à horizon fini). Si la matrice Q est définie par

π (y) Qyx = π ( x ) Pxy ,

alors Q est stochastique et irréductible et admet π comme probabilité invariante (i.e. πQ = π).
En outre, elle est la matrice des transitions de la chaîne (Yn ).
Démonstration. — La matrice Q est stochastique car

1 π (y)
∑ Qyx =
π (y) ∑ π ( x ) Pxy =
π (y)
= 1.
x ∈X x ∈X

— La probabilité π est invariante pour Q car

∑ π (y)Qyx = ∑ π (x) Pxy = π (x).

y ∈Y y ∈X

— De la définition de la chaîne (Yn )n=0,...,N découlent les égalités :

P(Y0 = y0 , . . . , YN = y N ) = P( X N = y0 , . . . , X0 = y N )
= π (y N ) Py N y N −1 · · · Py1 y0
= π ( y 0 ) Q y 0 y 1 · · · Q y N −1 y N .

L’irréductibilité de P signifie que pour tout x, y ∈ X, il existe L ∈ N et une suite

d’états x L ≡ x, x1 , . . . , x0 ≡ y telle que

Px L x L−1 · · · Px1 x0 > 0.

/Users/dp/a/ens/[Link] 52
2019-11-03 • 18:29:09.
Chaînes de Markov 5.5. Stationnarité, réversibilité

Par conséquent, pour N ≥ L s’ensuit que

π (y L )
Q y 0 y 1 · · · Q y L −1 y L = Px x · · · Px1 x0 > 0,
π ( y 0 ) L L −1
ce qui garantit l’irréductibilité de Q.

Théorème 5.5.5. Une chaîne de Markov stationnaire et irréductible est réversible si, et seule-
ment si, la chaîne vérifie la condition de bilan détaillé, i.e. s’il existe un vecteur de probabilité
π := (π ( x )) x∈X tel que

π ( x ) P( x, y) = π (y) P(y, x ), ∀ x, y ∈ X.

Si un tel vecteur de probabilité existe, alors π est la probabilité invariante de la chaîne.

Démonstration. Supposons le processus réversible. Puisqu’il est stationnaire, sa margi-
nale πt à l’instant t est constante en t, i.e. π ( x ) = P( Xt = x ). La réversibilité impose
alors : P( Xt = x, Xt+1 = y) = P( Xt = y, Xt+1 = x ), ou

π ( x ) P( x, y) = π (y) P(y, x ), ∀ x, y ∈ X.

Réciproquement, supposons qu’un vecteur de probabilité π, vérifiant la condition

de bilan détaillé existe. Il est alors de toute évidence une probabilité invariante pour le
processus. Nous aurons alors

P ( X t = x 0 , X t +1 = x 1 , . . . , X t + n = x n ) = π ( x 0 ) P ( x 0 , x 1 ) · · · P ( x n −1 , x n ),
P ( X t = x n , X t +1 = x n −1 , . . . , X t + n = x 0 ) = π ( x n ) P ( x n , x n −1 ) · · · P ( x 1 , x 0 ).

Mais la condition de bilan détaillé entraîne que les seconds membres de ces égalités
sont identiques. On conclut alors la réversibilité du processus.
Exemple 5.5.6 (Modèle d’urne de Paul et Tatiana Ehrenfest [19]). Supposons que N
boules discernables (par exemple étiquetées) sont distribuées dans deux urnes no-
tées respectivement urne 0 et urne 1. À chaque instant entier, une étiquette est choi-
sie au hasard et la boule correspondante est transférée dans l’autre urne avec proba-
bilité p ∈]0, 1[ ou laissée sur place avec probabilité 1 − p. On note Xn le nombre de
boules dans l’urne 0 à l’instant n. La suite ( Xn )n∈Z constitue une chaîne de Markov sur
X = {0, . . . , N } qui évolue selon la matrice stochastique
 x

 pN si x ∈ {1, . . . , N } et y = x − 1,
si x ∈ X et y = x,

1 − p
P( x, y) = x


 p(1 − N ) si x ∈ {0, . . . , N − 1} et y = x + 1,
0 sinon.


Cette chaîne est fortement irréductible. Par le théorème ergodique pour les chaînes
de Markov , on conclut que la probabilité limite π (y) = limn→∞ Px ( Xn = y) =
limn→∞ Pn ( x, y) existe et est indépendante de x ; elle est l’unique mesure invariante
Cx
de la chaîne. Par ailleurs, on montre facilement que la probabilité µ( x ) = 2NN , x ∈ X,
vérifie la condition de bilan détaillé ; la chaîne est donc réversible et π = µ. Puisque
µ est la probabilité d’équilibre, après un temps suffisamment long, la probabilité pour

/Users/dp/a/ens/[Link] 53
2019-11-03 • 18:29:09.
5.6. Théorème des grands nombres pour les chaînes de Markov Chaînes de Markov

qu’une boule soit dans l’une ou l’autre urne est 1/2. D’un autre côté, la réversibilité de
la chaîne signifie que (pour T grand)

Pµ ( X0 = N, XT = N/2) = Pµ ( X0 = N/2, XT = N ),

résultat qui peut paraître contre-intuitif de prime abord. (Nous retournerons sur ce
résultat au paragraphe 7.6).

5.6 Théorème des grands nombres pour les chaînes de

Markov
Nous avons établi le théorème de grands nombres pour des suites indépendantes.
Ici on généralise le résultat au cas de suites stationnaires.
Soit ( Xn )n∈N une CM(X, P, ε x ) une chaîne de Markov à valeurs dans un ensemble
X dénombrable (muni de sa tribu exhaustive) irréductible et récurrente. On définit
(0)
τx = 0 et par récurrence la suite des temps successifs de retour en x :

(r ) (r −1)
τx = inf{n > τx : Xn = x }, pour r ≥ 1.

La chaîne étant récurrente, elle revient indéfiniment en x, donc r → ∞. Par ailleurs,

(r )
pour tout r ∈ N, τx est un temps d’arrêt pour la chaîne. Pour alléger la notation dans
(r )
la suite, nous fixons x et nous écrivons simplement τ r au lieu de τx .
f
Soit f : X → R une fonction réelle. On s’intéressera à la somme partielle Sn := Sn =
S
∑nk=0 f ( Xk ) ; plus précisément, on veut examiner sour quelles hypothèses la limn→∞ nn
existe et déterminer sa valeur.

Lemme 5.6.1. Avec les notations et hypothèses précédentes, on introduit la suite ( Zr )r≥1 par

τ r +1
∑
f
Zr := Zr = f ( Xk ), r ≥ 1.
k = τ r +1

Alors cette suite est indépendante et identiquement distribuée.

Démonstration. La propriété forte de Markov garantit que la loi conjointe du futur strict
à partir de τ r conditionnellement au passé jusqu’au temps τ r est égale à la loi conjointe
du futur strict de τ r conditionnellement au présent. Or à l’instant τ r , la chaîne vaut
Xτr = x. Par conséquent : la loi conjointe de ( Xτr +1 , Xτr +2 , . . .) conditionnellement au
passé est égale à la loi conjointe de ( X1 , X2 , . . .) conditionnellment à X0 = x. On a alors,
pour tout r ≥ 1,

P( Zr ∈ B|passé) = Px ( Z1 ∈ B), pour tout B ∈ B(R).

Théorème 5.6.2. Soient ( Xn )n∈N une CM(X, P, ·), x ∈ X un point récurrent positif et
f : X → R telle que
Ex (| f ( X1 )| + . . . + | f ( Xτx1 |) < ∞.

/Users/dp/a/ens/[Link] 54
2019-11-03 • 18:29:09.
Chaînes de Markov 5.6. Théorème des grands nombres pour les chaînes de Markov

Alors
1 n Ex ( f ( X1 ) + . . . + f ( Xτx1 )
∑
n k =0
f ( Xk ) =
Ex τx1
, Px − p.s.

Si la chaîne est irréductible, la convergence est presque sûre indépendamment de la condition

initiale.
Démonstration. Pour x ∈ X et n ∈ N, définir le nombre de visites de la chaîne au point
x avant le temps n
n
ηn ( x ) = ∑ 1{x} (Xk ) = sup{r ≥ 1 : τxr ≤ n}.
k =1
Puisque la chaîne est récurrente, limn→∞ ηn ( x ) = ∞. Par ailleurs, sur l’événement
{ X0 = x }, on a la décomposition évidente :
ηn ( x )+1
τ1 ηn ( x )
1 n 1 x 1 1 τx
∑
n k =0
f ( X k ) = ∑
n k =0
f ( Xk ) +
n ∑ Zr −
n k=∑
f ( Xk ).
r =1 n +1
La première somme partielle du membre de droite, tends vers 0 lorsque n → ∞ car
τx1 τx1
| ∑ f ( Xk )| ≤ ∑ | f (Xk )|
k =0 k =0
et la dernière somme est intégrable (par hypotthèse), donc presque sûrement finie.
La deuxième somme partielle peut se réécrire
ηn ( x ) ηn ( x )
1 ηn ( x ) 1
n ∑ Zr =
n ηn ( x ) ∑ Zr .
r =1 r =1
Comme limn ηn ( x ) = ∞ et les variables aléatoires Zr sont i.i.d., on aura
ηn ( x )
1
lim
n ηn ( x ) ∑ Zr = Ex ( Z1 )
r =1
par le théorème de grands nombres pour des suites indépendantes.
η (x)
Pour conclure avec le deuxième terme, il reste à montrer que limn nn = Ex (τx1 ).
Or, la chaîne étant récurrente, on Px (τxr < ∞) = 1, pour tout r ≥ 1. Par conséquent, par
la propriété forte de Markov, la famille ( Xτxr +n )n∈N est une MC(X, P, ε x ) et, en outre,
la loi conjointe de ( Xτxr +n )n∈N est indépendante de ( X0 , . . . , Xτxr −1 ). On note σxr :=
τxr+1 − τxr le temps qui s’écoule entre deux retours successifs (r et r + 1) au point x. On
a
η ( x )−1 η (x)
σx1 + . . . + σx n ≤ n − 1 ≤ n ≤ σx1 + . . . + σx n .
En divisant ces inégalités par ηn ( x ), on obtient :
η ( x )−1 η (x)
σx1 + . . . + σx n n σ1 + . . . + σx n
≤ ≤ x .
ηn ( x ) ηn ( x ) ηn ( x )
Chacun des termes aux extrémités des inégalités précédentes converge (par la loi forte
de grands nombres et la propriété forte de Markov) presque sûrement vers Ex (σx1 ) =
Ex (τx1 ). Par conséquent limn→∞ η n( x) = Ex (τx1 ).
n
ηn ( x )+1
Reste à montrer que le terme de correction Rn = n1 ∑kτ= x
n+1 f ( Xk ) tendra vers 0 ce
qui est garanti par la condition Ex (| f ( X1 )| + . . . + | f ( Xτx1 |) < ∞.

/Users/dp/a/ens/[Link] 55
2019-11-03 • 18:29:09.
5.7. Exemples d’applications algorithmiques Chaînes de Markov

5.7 Exemples d’applications algorithmiques

5.7.1 Classification de pages internet ; algorithme PageRank
Lorsqu’on lance une requête sur internet, on reçoit une liste de liens vers des do-
cuments classée selon la pertinence (supposée) de chaque document. Une question
importante est de comprendre comment cette liste est-elle obtenue.
En 1998, il y avait 26 × 106 de pages indexées par Google. En 2017, ce nombre se
montait en 30 × 1012 pages. Il est donc naturel que les méthodes utilisées aient large-
ment évolué au cours du temps.
Au début de la toile, les moteurs de recherche maintenait un index de mots-clefs
k = (k1 , . . . , k N ). Chaque page était balayée et le nombre d’apparitions de chaque mot-
clef était compté. Ainsi la page u était représentée par un vecteur sémantique ν(u) =
(ν1 (u), . . . , νN (u)), où νi (u) est le nombre de fois que le terme k i apparaît dans la page
u. Une requête était à son tour assimilée à un vecteur de requête r = (r1 , . . . , r N ), où
les ri prennent la valeur 0 ou 1 selon que le terme k i apparaissait dans la requête. Les
liens vers les pages classées par valeur décroissante du produit scalaire hr, ν(u)i étaient
alors retournés.
Cette méthode de classification souffre d’un inconvénient majeur. Elle est suscep-
tible de retourner de liens vers des pages totalement impertinentes qui ne contiennent
qu’un très grand nombre de répétitions du même mot-clef.
In [9], Serguey Brin et Lawrence Page ont fait une avancée significative dans l’effi-
cacité d’indexation des pages ; leur méthode porte le nome d’algorithme de PageRank.
Elle est implémentée dans les moteurs de recherche Google ou Bing.
Soient X l’ensemble de pages de la toile et ( A x,y ) x,y∈X la matrice d’adjacence définie
par (
1 si la page x pointe vers la page y
A x,y =
0 sinon.
On construit une matrice stochastique
(
1
dx si A x,y = 1,
Px,y =
0 sinon,

où d x est le nombre de pages vers lesquelles pointe la page x. Un degré d’autorité

β x = |X1 | ad hoc est rattaché à la page x ∈ X et ensuite le système évolue de la ma-
nière suivante : si la page x pointe vers la page y, la portion β x Px,y de son autorité est
héritée par y. Dans l’équilibre, on aura alors un vecteur de probabilité α := (α x ) x∈X —
l’autorité d’équilibre — qui vérifiera α = αP, i.e. il sera la probabilité stationnaire de la
chaîne de Markov de matrice stochastique P.
Cette méthode présente encore l’inconvénient que rien ne garantit que P soit for-
tement irréductible. Brin et Page proposèrent alors de modifier P en une matrice P0
0 = (1 − p ) P 1
dont les éléments de matrice sont Px,y x,y + p |X| , pour un petit paramètre
p ∈]0, 1[ qui est le « secret maison » de Google. La matrice P0 est maintenant fortement
irréductible et l’on peut appliquer le théorème 5.5.6 pour montrer l’existence et l’uni-
cité de α ainsi que la convergence exponentielle des itérations successives de P0 vers
la probabilité invariante. Les pages retournées par le moteur de recherche sont alors
classées dans l’ordre décroissant des composantes de α.

/Users/dp/a/ens/[Link] 56
2019-11-03 • 18:29:09.
Chaînes de Markov 5.7. Exemples d’applications algorithmiques

5.7.2 Algorithme de Metropolis

Sur un espace fini (X, X ), on veut simuler des variables distribuées selon une cer-
taine loi π. Dans les applications |X| ' 106 − 107 et la mesure π traduit souvent en
langage probabiliste des contraintes rigides non-triviales sur les x (cf. exercice 65) ; il
est donc assez difficile de simuler directement la loi π par génération selon la loi uni-
forme et rejet des échantillons qui ne vérifient pas la contrainte. Il est en général plus
facile de générer une chaîne de Markov ( Xn )n∈N à valeurs dans X qui admet π comme
probabilité stationnaire, i.e. construire une chaîne qui évolue suivant une matrice sto-
chastique P fortement irréductible telle que πP = π. Étant donné que la matrice P est
de taille |X| × |X| ' 1012 − 1014 , il est hors de question de stocker une telle matrice
et s’en servir pour générer la chaîne de Markov. Il faut concevoir un algorithme qui
génère une chaîne de Markov évoluant selon P, telle que πP = π, sans que P soit
stockée.
Soit Q une matrice stochastique irréductible et apériodique arbitraire sur X.
Définition 5.7.1. Pour x ∈ X, on note Ax = {y ∈ X : Q xy > 0} les états accessibles
de x en une étape par la matrice stochastique Q. Pour tout y ∈ Ax , νx (y) = Q xy définit
une probabilité sur Ax appelée probabilité de tentative de la transition x → y.
La matrice Q sert donc à proposer des transitions x → y. On peut se poser la ques-
tion quel est son intérêt puisque P remplit le même rôle ? La réponse est que tandis
|X| ' 106 , |typiquement |Ax | ' 10. Bien sûr si nous remplaçons P par Q nous chan-
geons la probabilité d’équilibre du problème. On doit donc refuser certaines transitions
proposées par Q.
Définition 5.7.2. Soit A = ( A xy ) x,y∈X ∈ M|X|×|X| (]0, 1]). Cette matrice est appelée
matrice d’acceptation. Une transition x → y, proposée par Q, sera acceptée avec pro-
babilité A xy et rejeteée (on reste alors sur place) avec probabilité 1 − A xy .
On construit ainsi la matrice P par
Pxy = P( Xn+ = y| Xn = x )

 Q xy A xy
 si y ∈ Ax \ { x },
= Q xx + ∑z∈Ax \{ x} (1 − A xz ) Q xz si y = x,

0 sinon.


Lemme 5.7.3. La matrice P est stochastique, irréductible et apériodique.

Démonstration. La positivité des éléments de P est évidente. Sa stochasticité s’obtient
par

∑ Pxy = Pxx + ∑ Pxy

y ∈X y∈Ax \{ x }

= Q xx + ∑ (1 − A xz ) Q xz + ∑ A xy Q xy
z∈Ax \{ x } y∈Ax \{ x }

= ∑ Q xz = 1.
z ∈A x

Son irréductibilité et son apériodicité s’obtiennent par l’observation que

Q xy > 0 ⇒ Pxy > 0, pour tout x, y ∈ X.

/Users/dp/a/ens/[Link] 57
2019-11-03 • 18:29:09.
5.8. Exercices Chaînes de Markov

Lemme 5.7.4. Si la matrice d’acceptation A vérifie la condition

A xy π (y) Qyx
= , ∀ x ∈ X, ∀y ∈ Ax \ { x }
Ayx π ( x ) Q xy

alors la matrice P vérifie la condition de bilan détaillé et réciproquement.

Démonstration. (⇒) Pour y ∈ Ax \ { x }, on a

π ( x ) Pxy = π ( x ) Q xy A xy
Ayx
= π (y) Qyx A xy
A xy
= π (y) Pyx .

(⇐) L’égalité π ( x ) Pxy = π (y) Pyx devient

π ( x ) Q xy A xy = π (y) Qyx Ayx .

F (z)
Corollaire 5.7.5. Soit F : [0, ∞] → [0, 1] une application telle que F(1/z) = z pour tout
z ∈ [0, ∞]. Si
π (y) Qyx
 
A xy = F , ∀ x ∈ X, ∀y ∈ Ax \ { x },
π ( x ) Q xy
alors P vérifie la condition de bilan détaillé.
z
Exemple 5.7.6. Les fonctions données par les formules F (z) = 1+ z et F (z) = min(1, z)
vérifient les hypothèses du lemme.

La construction de la matrice P à l’aide des matrices de tentatives et d’acceptation

selon le procédé décrit dans ce paragraphe est connu comme algorithme de Metropo-
lis. Sa mise en œuvre pour la génération d’une chaîne de Markov selon P est appelée
simulation Monte Carlo markovienne.

5.8 Exercices
Chaînes de Markov ; matrices stochastiques
60. Soient X = {0, 1, . . . , m} un ensemble fini d’états et une suite indépendante
(Un )n≥1 , identiquement distribuée selon la loi uniforme sur {1, . . . , m}. On in-
troduit la suite ( Xn )n≥0 de variables aléatoires, définies par X0 = 0 et Xn+1 =
max( Xn , Un+1 ), pour n ≥ 0.
(a) Montrer que ( Xn ) est une chaîne de Markov et déterminer sa matrice de
transition P.
(b) Esquisser le graphe de la matrice stochastique lorsque m est petit.
(c) En utilisant des arguments d’estimation directe, indiquer quels états sont
récurrents et quels sont transients.
(d) Pour m = 4, calculer P2 .

/Users/dp/a/ens/[Link]
58
2019-11-02 • 14:22:01.
Chaînes de Markov 5.8. Exercices

61. Soient (ξ n )n≥1 une suite de variables aléatoires indépendantes, identiquement

distribuées sur l’ensemble {−1, 1} selon une loi µ avec µ(−1) = p ∈ [0, 1]. On
construit la suite Xn0 = ∑nk=1 ξ k , pour n ∈ N avec la convention que la somme
sur une famille vide d’indices est nulle.
(a) Montrer que ( Xn0 ) est une chaîne de Markov sur l’espace des états X, avec
matrice de transition P et probabilité initiale ρ (on précisera X0 , P0 et ρ0 ).
(b) Montrer que la suite ( Xn ) définie récursivement par X0 = x0 ∈ Z et Xn+1 =
Xn + ξ n+1 , pour n ≥ 0, est aussi une CM(X, P, ρ) (préciser X, P et ρ). La suite
Xn est appelée marche aléatoire simple en dimension 1.
(c) Montrer que la marche aléatoire simple en dimension 1 est irréductible (faire
un argument en utilisant le graphe de la matrice de transition).
(d) Montrer que la marche aléatoire simple en dimension 1 est récurrente si p =
1/2, transiente si p 6= 1/2.
(e) Soient a, b ∈ Z avec a < b. Pour un x ∈ [ a, b] ∩ Z, on note h( x ) = Px (τa0 <
τb0 ).
— Pour p = 1/2, montrer que h( x ) = 21 h( x − 1) + 12 h( x + 1) pour x ∈
[ a + 1, b − 1] ∩ Z. Par un argument géométrique simple résoudre cette
équation en utilisant les valeurs au bord évidentes pour h( a) et h(b) pour
−a
montrer que h( x ) = 1 − xb− a.
— Établir la relation analogue pour h( x ) lorsque p 6= 1/2 et résoudre expli-
citement la récurrence.
(f) Interpréter ces résultats pour le problème de la « ruine du joueur ».
62. (Extrait du contrôle du 16 novembre 2017).
Soit ( Xn )n∈N une chaîne de Markov CM(X, P, ·), où X = {1, 2, 3, . . . , } = N> et
la matrice stochastique P = ( Px,y ) x,y∈X est définie par

x
 x +1
 si x ∈ X, y = 1
Px,y = 1
si x ∈ X, y = x + 1
 x +1
0 sinon.


(a) Soit p := ( p x ) x≥1 la suite définie par p x = (e−11) x! . Montrer que p est un
vecteur de probabilité sur X.
(b) Montrer que le vecteur de probabilité p est invariant pour P, i.e. le vecteur
ligne p est vecteur propre gauche de P associé à la valeur propre 1). Clin
x 1
d’œil : x+ 1 = 1 − x +1 .
(c) Déterminer la décomposition de X en classes de communication.
63. (Extrait de l’examen du 7 mai 2013).
Soit β ∈]0, 1[. On considère la matrice
 
1−β β
P := .
β 1−β

(a) On note spec( P) l’ensemble des valeurs propres de P. Vérifier que spec( P) =
{1, 1 − 2β}.    
1 −1
(b) Vérifier que les vecteurs D1 = et D1−2β = sont des vecteurs
1 1
propres droits associés aux valeurs propres correspondantes.

/Users/dp/a/ens/[Link]
59
2019-11-02 • 14:22:01.
5.8. Exercices Chaînes de Markov

Dλ Dλ
(c) Pour chaque λ ∈ spec( P), on note dλ = kDλ ksup
et δλ = k D λ k1
, où, pour tout
z ∈ R2 , on note kzk1 = |z1 | + |z2 | et kzksup = max{|z1 |, |z2 |}. Déterminer
0
 λ, λ ∈ spec
dλ et δλ , pour  (P).  
a1 b1 t a1 b1 a1 b2
(d) Pour a = et b = vecteurs arbitraires, on note a ⊗ b = .
a2 b2 a2 b1 a2 b2
Vérifier que P = ∑λ∈spec( P) λEλ , où Eλ = dλ ⊗ δtλ .
(e) Montrer que Eλ Eλ0 = δλ,λ0 Eλ .
(f) En déduire que pour un n ≥ 1 arbitraire,
 
n pn 1 − pn
P = .
1 − pn pn
(g) On déterminera explicitement pn . Quelle est la valeur de limn→∞ pn ?
(h) On note ( Xn ) la chaîne de Markov sur un espace X à deux états, dont la
matrice de transition est P et la probabilité initiale ρ0 . Déterminer π (y) :=
limn→∞ Pρ0 ( Xn = y), pour y ∈ X.
(i) Montrer que π est une probabilité invariante.

Simulations Monte Carlo, algorithme de Metropolis

64. Comment à partir d’une pièce truquée à mémoire, de matrice stochastique (des
tentatives)
3 2
 
Q= 5 5
1 4
5 5
peut-on construire une matrice stochastique P qui admet π = ( 21 , 12 ) comme
probabilité d’équilibre ?
65. (Marches aléatoires sans recoupement sur Zd ). Une marche aléatoire simple sur
Zd est une chaîne de Markov ( Xn ) obtenue par la récurrence Xk+1 = Xk + ξ k+1 ,
k ∈ N, avec X0 = x ∈ Zd et (ξ k )k≥1 une suite de variables aléatoires in-
dépendantes et uniformément distribuées sur Ed = {±e j , j = 1, . . . , d}, où
e j , j = 1, . . . , d, sont les vecteurs de la base canonique de Zd . L’ensemble des tra-
jectoires (de longueur N fixée) possibles de telles marches constitue l’ensemble
Xmas
d
Xmas := Xmas
x,N = { y : {0, . . . , N } → Z : [ y0 = x ] ∧ [ yk+1 − yk ∈ Ed ]}.

On s’intéresse au sous-ensemble des trajectoires sans recoupement

Xmsr := Xmsr
x,N = { y ∈ Xx,N : y ( k ) 6 = y ( l ), 0 ≤ k < l ≤ N }
mas

muni de la probabilité uniforme. Ces ensembles, pour N ' 104 , modélisent bien
certains polymères tels que le poly-chloro-éthylène, mais la contrainte géomé-
trique forte de non-recoupement ne nous permet même pas d’estimer le cardinal
de Xmsr
x,N dès que N prenne de valeurs modérément grandes.
On note Gd le sous-groupe discret de transformations orthogonales de Rd qui
laisse Zd invariant. Par exemple, en dimension d = 2, le sous-groupe Gd devient
π
G2 = {e, ± , réflexions/axes Ox, Oy, réflexions/diagonales D1 , D2 }.
2
Soit ρ une probabilité sur Gd telle que

/Users/dp/a/ens/[Link]
60
2019-11-02 • 14:22:01.
Chaînes de Markov 5.8. Exercices

— ρ(e) = 0,
— ρ( g) = ρ( g−1 ), ∀ g ∈ Gd ,
— si g est un générateur de Gd , alors ρ( g) > 0.
Pour k ∈ {1, . . . , N } et g ∈ Gd on introduit la transformation (k, g) : Xmsr
x,N →
Xx,N par
msr

(k, g)y = y0 := (y0 , . . . , yk−1 , yk−1 + g(yk − yk−1 ), . . . , yk−1 + g(y N − yk−1 ), ∀y ∈ Xmsr
x,N .

Dans la suite on note simplement Xmas et Xmsr au lieu de Xmas

x,N et Xx,N .
msr

Algorithme de génération de marches aléatoires sans recoupement

Require: Générateur g ∈ Gd selon ρ,
générateur unif({1, . . . , N }
y ∈ Xmsr .
Ensure: z ∈ Xmsr .
Choisir g ∈ Gd selon ρ.
Choisir k ∈ {1, . . . , N } selon unif({1, . . . , N }).
if (k, g)y ∈ Xmsr then
z ← (k, g)y
else
z←y
end if

(a) Montrer que l’algorithme ci-dessus définit une matrice stochastique P sur
Xmsr avec
(
ρ( g)
si z = (k, g)y
P(y, z) = 1N
N ∑k,g ρ ( g )1Xmas \Xmsr (( k, g ) y ) sinon.

(b) Montrer que P est stochastique, apériodique, irréductible et bistochastique.

(c) Conclure que P admet la mesure uniforme sur Xmsr comme mesure d’équi-
libre.

/Users/dp/a/ens/[Link] 61
2019-11-03 • 18:29:09.
5.8. Exercices Chaînes de Markov

20

15

10

5
y

−5

−10

−15

−20

−25 −20 −15 −10 −5 0 5 10 15 20 25

x

Figure 5.1 – Exemple de trajectoire d’une marche sans recoupement sur Z2 partant de l’origine et
de longueur 437.

/Users/dp/a/ens/[Link] 62
2019-11-03 • 18:29:09.
 Notions de statistique
6
6.1 Motivation
L’objet de la théorie des probabilités peut se formuler succinctement comme l’étude
de variables aléatoires définies sur un espace abstrait de probabilités (Ω, F , P) et qui
prennent des valeurs dans un espace d’événements (X, X ). Les questions que nous
avons abordées aux chapitres précédents, concernent
— la loi PX sur (X, X ), image de P par X,
— certaines fonctionnelles définies sur l’espace de variables aléatoires à valeurs
dans X, comme l’espérance, la variance,
— le comportement asymptotique des suites de variables aléatoires ( Xn )n∈N , lorsque
celles-ci sont indépendantes ou ont des dépendances moins triviales, des dépen-
dances markoviennes par exemple, etc.
En résumant, la théorie des probabilités permet de répondre à la question suivante :
étant donné un certain procédé de génération de X, que peut-on dire à propos des
observations qui en découlent. Par exemple, quelle est la valeur de P( X = x ) lorsque
x ∈ X, ou quel est le comportement de ∑nk=1 f ( Xk ) à grand n, lorsque f a « des bonnes
propriétés » et ( Xk )k∈N est une suite indépendante ou une suite markovienne, sont des
questions étudiées par la théorie des probabilités.
En statistique mathématique, nous intéressons encore moins à l’espace (Ω, F , P)
qu’en théorie des probabilités. Nous avons un espace d’événements (X, X ) et une fa-
mille spécifique Π ⊂ M1 (X, X ) de probabilités, avec |Π| ≥ 2 pour éviter les trivialités.
Nous disposons d’une variable aléatoire X à valeurs dans X dont la loi est un élément
de l’ensemble Π mais nous ignorons lequel. Nous observons plusieurs réalisations (ob-
servations) de la variable aléatoire X et nous voulons, à partir des observations inférer 1
la loi qui a servi à générer les réalisations de X.
Exemple 6.1.1. On note (X, X , Π) le triplet qui permet de poser le problème d’infé-
rence.
1. INFÉRER, verbe trans. A–(log.) Tirer, d’un fait ou d’une proposition donné(e), la conséquence qui en
résulte. B–(p. ext.) Tirer une conclusion d’un fait ou d’un événement donnés. Trésor de la langue française,
version en ligne (2019).

63
6.1. Motivation Notions de statistique

1. Lorsque X = {0, 1} muni de sa tribu exhaustive, on peut s’intéresser à la famille

Π = {Pθ ∈ M1 (X ) : Pθ = (1 − θ )ε 0 + θε 1 , θ ∈ Θ := [0, 1]}.

Ici, la famille Π = (Pθ )θ ∈Θ , avec Θ = [0, 1], et on veut, à partir d’un échantillon
X1 , . . . , Xn inférer la valeur de θ. On peut aussi identifier Pθ avec la densité dis-
crète (par rapport à la mesure de dénombrement) f θ qui vaut

f θ ( x ) = θ x (1 − θ )1− x , x ∈ X, θ ∈ Θ.

2. Lorsque X = R et il est muni de sa tribu borélienne, on peut s’intéresser à la

famille
Π = {Pθ = N (m, s2 ) : θ = (m, s2 ) ∈ Θ := R × R+ }
et on veut, à partir d’un échantillon X1 , . . . , Xn inférer la valeur de θ. Il est à
signaler que dans cet exemple, la famille des probabilités qui composent Π est
équivalente à la famille ( f θ )θ ∈Θ des fonctions positives intégrables sur R qui
sont des densités de probabilité, i.e. pour θ = (m, s2 ) et pour tout B ∈ B(R),

( x − m )2
 
1
Z
Pθ ( B ) = f θ ( x )dx, avec f θ ( x ) = √ exp − , x ∈ R.
B 2πs s2

3. Ici X = R, muni de sa tribu borélienne, et

Z
Π = {P ∈ M1 (X ) : P a un densité f , t.q. f 00 (t)2 dt < ∞}.
R

Dans les deux premiers cas, la famille Π est isomoprhe à un (sous)-espace de Rd pour
un d < ∞. Dans le dernier cas, Π est isomorphe à un espace fonctionnel de dimension
infinie. Dans tous les cas, on peut idenitifier les probabilités qui composent Π avec leur
densité par rapport à une mesure de référence.

Définition 6.1.2. Un modèle statistique est la donnée (X, X , Π), où la famille des
probabilités (ou de leurs densités par rapport à une mesure de référence) Π ⊂ M1 (X )
est appelée population. Lorsque Π est isomorphe à un ensemble de paramètres Θ
d’un espace de dimension finie, on parle de modèle statistique paramétrique, sinon
de modèle statistique non paramétrique.

Lorsque un modèle statistique (X, X , Π) est donné, nous pouvons considérer le

modèle statistique produit, noté par abus de notation, (X, X , Π)n = (Xn , X ⊗n , Π⊗n ),
où
Π ⊗ n = { P⊗ n : P ∈ Π }
qui correspond à n répétitions indépendantes d’une même expérience statistique. Lorsque
X est une variable aléatoire dans X de loi P ∈ Π et X = ( X1 , . . . , Xn ) une suite de
n variables copies indépendantes de X, alors X ∈ Xn et sa loi sera P⊗n , i.e. le mo-
dèle statistique pour l’échantillon indépendant de taille n est entièrement déterminé
par le modèle (X, X , Π). Parfois, nous notons donc le modèle statistique simplement
(X, X , Π), même lorsqu’il s’agit d’un échantillon indépendant de taille n. Nous distin-
guons cependant entre les variables aléatoires X ou X à valeurs respectivement dans X
ou Xn et leurs réalisations respectives x = X (ω ) ∈ X ou x = X(ω ) ∈ Xn .

/Users/dp/a/ens/[Link] 64
2019-12-04 • 14:36:03.
Notions de statistique 6.2. Estimation paramétrique

Définition 6.1.3. Soient un modèle statistique (X, X , Π), un espace d’événements

(Y, Y ) et S : Xn → Y une applcation mesurable (une variable aléatoire sur Xn ). Alors
S est appelée une statistique.
Une question pertinente est la suivante : puisqu’une statistique est une variable
aléatoire sur Xn à valeurs dans Y pourquoi introduisons-nous un nouveau terme ? La
réponse est que l’usage que nous en ferons de S engendrera une intuition différente de
celle développée pour des variables aléatoires « ordinaires ».

6.2 Estimation paramétrique

Dans ce paragraphe, le modèle statistique est (X, X , Π := (Pθ )θ ∈Θ ), où Θ est un
sous-ensemble d’un espace Rd avec un d < ∞. Notre but, est d’introduire des statis-
tiques S qui permettront, à partir d’un échantillon généré avec une certaine probabilité
Pθ , d’inférer θ.

6.2.1 Estimation ponctuelle

Exemple 6.2.1. Soient X = {0, 1} et X(n) := ( X1 , . . . , Xn ) des variables aléatoires in-
dépendantes identiquement distribuées selon la loi Pθ = Bernoulli(θ ). La moyenne
empirique
1 n
θ n ( X ( n ) ) = ∑ Xk
n k =1
P
est une statistique pour le modèle. Elle a la particularité que θ n (X(n) ) −→ θ, lorsque
n
n → ∞. En outre Eθ (θ ) = θ.

Définition 6.2.2. (X, X , (Pθ )θ ∈Θ ) un modèle statistique et X(n) := ( X1 , . . . , Xn ) des

variables aléatoires indépendantes sur X distribuées selon la loi inconnue Pθ , pour un
certain θ ∈ Θ ⊂ Rd . Un estimateur ponctuel (de θ) est une statistique θ̂n : Xn → Θ.
L’estimateur est
P
— cohérent si θ̂n (X(n) ) −→ θ, lorsque n → ∞,
— non-biaisé si le biais bθ (θ̂n ) := Eθ (θ̂n ) − θ = 0.
L’erreur quadratique moyenne d’un estimateur est définie comme

EQMθ (θ̂n ) := Eθ [(θ̂n − θ )2 ].

Dans l’exemple 6.2.1, la moyenne empirique est un estimateur ponctuel cohérent et

non-biaisé de θ.
Lemme 6.2.3.
EQMθ (θ̂n ) = bθ (θ̂n )2 + Varθ (θ̂n ).
Définition 6.2.4. Un estimateur est asymptotiquement normal si

θ̂n − θ loi
√ −→ N (0, 1).
n
Au delà de l’estimateur de la moyenne empirique, d’autres estimateurs sont cou-
ramment utilisés, comme celui du maximum de vraisemblance.

/Users/dp/a/ens/[Link] 65
2019-12-04 • 14:36:03.
6.2. Estimation paramétrique Notions de statistique

Définition 6.2.5. Soient un modèle statistique (X, X , ( f θ )θ ∈Θ ), X(n) = ( X1 , . . . , Xn )

une famille indépendante de variables aléatoires à valeurs dans X, identiquement dis-
tribuées selon une loi de densité (discrète ou continue) f θ . On définit les statistiques
suivantes :
vraisemblance : Ln (θ ) := Ln (θ, X(n) ) = ∏in=1 f θ ( Xi ),
log-vraisemblance : ln (θ ) = log Ln (θ ),
estimateur du maximum de vraisemblance : θ̂nMV := arg max Ln (θ ) = arg max ln (θ ).

Exemple 6.2.6. Soit X(n) = ( X1 , . . . , Xn ) une famille de variables aléatoires indépen-

dantes et identiquement distribuées.
— Si X1 suit la loi de Bernoulli(θ ) avec θ ∈ [0, 1], l’estimateur du maximum de
vraisemblance θ̂nMV coïncide avec la moyenne empirique θ n .
— Si X1 suit une loi normale de paramètres θ := (m, s2 ), l’estimateur de maxi-
mum de vraisemblance est θ̂n = (m̂n , v̂n ), où l’estimateur de maximum de
vraisemblance pour m coïncide avec la moyenne emprique, i.e. m̂n = mn et
v̂n = n1 ∑in=1 ( Xi − m̂n )2 .
— Si X1 suit la loi uniforme sur [0, θ ], θ > 0, alors l’estimateur du maximum de
vraisemblance de θ est θ̂nMV = max( X1 , . . . , Xn ).

6.2.2 Estimation d’intervalles de confiance

Définition 6.2.7. Soit (X, X , (Pθ )θ ∈Θ un modèle statistique, avec Θ ⊂ R. Un intervalle
de confiance à niveau d’erreur α ∈ [0, 1] est un intervalle (aléatoire) de la forme Cn =
[ an , bn ], où an := an ( X1 , . . . , Xn ) et bn := bn ( X1 , . . . , Xn ) sont deux statistiques telles
que
P(θ ∈ Cn ) ≥ 1 − α.

Remarque 6.2.8. Un intervalle de confiance n’est pas une affirmation probabiliste à

propos de θ car θ n’est pas aléatoire ! La signification de l’affirmation est que si on ré-
(i ) (i )
pétait l’expérience indéfiniment, i.e. on observait X(i) = ( X1 , . . . , Xn ) pour i ∈ N,
(i ) (i ) (i )
la suite d’intervalles aléatoires Cn , déterminés par les statistiques an et bn , contien-
draient la valeur déterministe (mais inconnue) θ dans 100(1 − α)% des cas.

Définition 6.2.9. Une variable aléatoire Z à valeurs dans R≥ dont la loi a comme
densité P( Z ∈ dz) = f k (z)dz, avec
k z
z 2 −1 e 2
f k (z) = k
,
2 2 Γ( 2k )

est dite suivre la loi de χ2k avec k degrés de liberté. La fonction de répartition de cette
loi est
γ(k/2, z/2)
Fk (z) = ,
Γ(k/2)
où γ est la loi gamma incomplète (elle est tabulée).

Lemme 6.2.10. Soient k variables Y1 , . . . , Yk indépendantes et identiquement distribuées selon

la loi N (0, 1). Alors la variable Z = ∑ik=1 Yi2 suit la loi de χ2k avec k degrés de liberté.

/Users/dp/a/ens/[Link] 66
2019-12-04 • 14:36:03.
Notions de statistique 6.2. Estimation paramétrique

Définition 6.2.11. Soit X(n) = ( X1 , . . . , Xn ) une famille de variables aléatoires indé-

pendentes et identiquement distribuées et de variance finie. La statistique
n
1
V (X (n)
)= ∑
n − 1 k =1
( Xk − mn (X(n) ))2

est appelée variance empirique.

Théorème 6.2.12. Soit X(n) = ( X1 , . . . , Xn ) une famille de variables aléatoires indépendantes

et identiquement distribuées selon la loi N (m, σ2 ). Alors (n − 1)V/σ2 , où V est la variance
empirique (définie à 6.2.11), suit la loi du χ2n−1 .

Exemple 6.2.13. Lors d’une expérience, les valeurs suivantes ont été obtenues lors de 8
réalisations indépendantes d’une variable aléatoire X : 4.4, 4.7, 4.8, 4.5, 4.4, 4.2, 4.2, 4.0.
La moyenne empirique est θ 8 = 4.4 et la variance empirique V = 0.0714. On cherche à
determiner un intervalle de confiance à seuil d’erreur α = 0.1 pour la variance σ2 de la
loi qui a servi pour générer l’échantillon. On sait que 7V/σ2 suit la loi de χ27 . À partir
des tables, on détermine les valeurs z− (α) et z+ (α) telles que la variable Z suivant la
loi de χ27 , vérifie
P( Z ≤ z− (α)) = P( Z ≥ z+ (α)) = α/2.
Par conséquent, l’intervalle de confiance à niveau d’erreur α sera C = [ z 7V , 7V ] et
(α) z (α) + −
on aura que P(σ2 ∈ C ) = 1 − α. Pour α = 0.1, on détermine à partir des tables de F7 que
z− (α) = 2.17 et z+ (α) = 14.1, ce qui conduit à l’estimation P(0.19 ≤ σ ≤ 0.48) = 0.9.

6.2.3 Tests d’hypothèses

On illustre le problème dans une situation simple. Soit (X, X , (Pθ )θ ∈Θ ) un modèle
statistique, avec Θ = {θ0 , θ1 } ≡ {0, 1} et X ⊂ R discret. Pour alléger la notation,
on écrit p0 et p1 pour les vecteurs de probabilités de la population. On observe un
échantillon X(n) = ( X1 , . . . , Xn ) généré selon l’une des lois ; on doit décider s’il a été
engendré par p0 ou p1 . On appelle traditionnellement
— H0 l’hypothèse nulle : « l’échantillon a été engendré par p0 » que l’on test contre
— H1 l’hypothèse dite alternative : « l’échantillon n’a pas été engendré par p0 »
(dans le cas présent ultrasimplifié, H1 correspond bien sûr à la génération par
p1 ).

Définition 6.2.14. Un test d’hypothèses est la donnée du triplet (X(n) , ( H0 , H1 ), R) où

R ⊆ Rn est la région critique de rejet de H0 : si X(n) ∈ R, alors on accepte H1 sinon,
on accepte H0 .
— On appelle 2 erreur de type I la quantité

α := α( R) = P(X(n) ∈ R) = P( H1 acceptée| H0 prévaut)

— et erreur de type II la quantité

β := β( R) = P(X(n) ∈ Rc ) = P( H0 acceptée| H1 prévaut).

2. Il serait plus cohérent de les appeler erreurs d’ordre 0 et 1 respectivement mais, pour des raisons
historiques, on garde la nomenclature type I et II.

/Users/dp/a/ens/[Link] 67
2019-12-04 • 14:36:03.
6.2. Estimation paramétrique Notions de statistique

Le paramètre α est aussi appelé taille de la région critique.

On souhaiterait minimiser la probabilité de prendre une décision erronée :

γ = P( H1 acceptée et H0 prévaut) + P( H0 acceptée et H1 prévaut)

= α« P »( H0 prévaut) + β« P »( H1 prévaut)

mais ce problème est mal posé car il n’y a pas de moyen objectif de déterminer la pro-
babilité notée « P » ci-dessus. Cependant, même si « P » est une quantité subjective, on
exige que « P »( H0 prévaut) + « P »( H1 prévaut) = 1, par conséquent, γ ≤ max(α, β).
La théorie des tests d’hypothèses consiste donc à construire des régions critiques de
taille α fixée qui minimisent β. Le théorème de Neyman-Pearson 6.2.15 nous donne
une méthode de construction explicite de la région d’acceptation de l’hypothèse H1 .
Pour Pθ , θ ∈ Θ ' {0, 1}, on note pθ le vecteur de probabilité correspondant et pour
un n-uplet x = ( x1 , . . . , xn ), on définit la fonction de vraisemblance

L θ ( x ) : = p θ ( x1 ) · · · p θ ( x n ).

On remarque que l’erreur de type I correspondant à une région critique de rejet R est
Z Z
n
α( R) = P0 (( X1 , . . . , Xn ) ∈ R) = p0 ( x1 ) · · · p0 ( x n )d x = L0 (x)dx,
R R

tandis que l’erreur de type II est déterminée par complémentation de

Z Z
n
1 − β( R) = P1 (( X1 , . . . , Xn ) ∈ R) = p1 ( x1 ) · · · p1 ( x n )d x = L1 (x)dx.
R R

Théorème 6.2.15 (Neyman-Pearson). Soit (( X1 , . . . , Xn ), ( H0 , H1 ), R) un test d’hypo-

L (x)
thèses où, pour tout δ > 0, on pose R := R(δ) = {x ∈ Rn : L0 (x) ≤ δ} pour une région
1
critique et α := α( R) pour sa taille. Toute autre région critique S ayant la même taille, i.e.
α(S) = α( R), vérifiera β(S) ≥ β( R). En d’autres termes, la région R est la région critique
optimale à taille fixée α.
Démonstration. On aura démontré l’optimalité de R si pour toute région critique S
avec
R α(S) = Rα( R) on aura montré 1 − β(S) ≤ 1 − β( R) ou, ce qui est équivalent,
S L1 ( x )dx ≤ R L1 ( x )dx. Or, on a
Z Z
α( R) = α(S) ⇔ L0 (x)dx = L0 (x)dx.
R S

En décomposant

R = ( R ∩ S ) t ( R ∩ S c ),
S = ( S ∩ R ) t ( S ∩ R c ),

nous avons
Z Z Z Z
L0 (x)dx + L0 (x)dx = L0 (x)dx + L0 (x)dx
R∩S R∩Sc R∩S S∩ Rc

ou Z Z
L0 (x)dx = L0 (x)dx.
R∩Sc S∩ Rc

/Users/dp/a/ens/[Link] 68
2019-12-04 • 14:36:03.
Notions de statistique 6.3. Estimation non paramétrique

L0 L0
Par ailleurs, sur R, nous avons L1 ≥ δ tandis que sur Rc , nous avons L1 < δ . On
conclut que

L0 ( x ) L0 ( x )
Z Z Z Z
L1 (x)dx ≥ dx = dx ≥ L1 (x)dx.
R∩Sc R∩Sc δ S∩ Rc δ S∩ Rc

En comparant les expressions aux deux extrémités des inégalités précédentes, on a

finalement
Z Z Z Z Z Z
L1 (x)dx = L1 (x)dx + L1 (x)dx ≥ L1 (x)dx + L1 ( x ) = L1 (x)dx.
R R∩Sc R∩S S∩ Rc R∩S S

Dans l’approche ci-dessus, nous avons utilisé la statistique de vraisemblance. Une

autre statistique couramment utilisée est celle communément appelée « test du χ2 ».

6.3 Estimation non paramétrique

6.4 Exercices

/Users/dp/a/ens/[Link] 69
2019-12-04 • 14:36:03.
6.4. Exercices Notions de statistique

/Users/dp/a/ens/[Link] 70
2019-10-18 • 18:08:44.
 Deuxième partie

Théorie de l’information

71
 Quantification de l’information
7
Dans le chapitre 1 nous avons présenté les arguments qui nous amènent à mesurer
la quantité d’information en bits. Dans ce chapitre, nous allons formaliser précisément
les propriétés que doit avoir la quantité d’information, démontrer que la seule fonc-
tion qui possède ces propriétés est la fonction introduite en chapitre 1 et donner trois
interprétations différentes de cette notion.
Une fois la notion d’information clarifiée, nous introduirons la notion de registre
de stockage et de ses états (informationnels) comme une abstraction mathématique
d’un dispositif physique dans lequel l’information puisse être stockée et nous allons
décrire son état informationnel comme une représentation abstraite de son contenu à
un instant particulier.

7.1 Postulats d’une quantité d’incertitude, entropie

Soit X une variable aléatoire définie sur un espace (Ω, F , P) à valeurs dans un
ensemble (alphabet) fini X (muni de sa tribu exhaustive) et de loi PX (décrite par son
vecteur de probabilité). Si cardX = M, nous pouvons toujours identifier l’alphabet X
avec { x1 , . . . , x M } ' {1, . . . , M} ' {0, . . . , M − 1}. La loi de X sera caractérisée par la
donnée de PX ({ x }) = P( X = x ), pour x ∈ X, codée dans le vecteur de probabilité
p = ( p( x )) x∈X , i.e.
BbPX ({ x }) = P( X = x ) = p( x ).
Dans le cadre défini ci-dessus, nous introduisons deux quantités.
Une fonction h : quantifiant la réduction de l’incertitude d’un événement.
Considérons l’événement { X = x }, pour un x ∈ X. Avant que l’expérience dé-
crite par la variable aléatoire X soit réalisée, nous avons une incertitude maxi-
male ; lorsque la valeur prise par X nous est révelée, l’incertitude s’annule. La
réduction de l’incertitude sera donc exactement l’incertitude a priori. Il est in-
tuitivement clair que l’incertitude a priori de { X = x } est une fonction de p( x ).
En effet, si nous savons que la loi de X est concentrée sur x, cette incertitude est
nulle. Par contre, elle doit être maximale lorsque la loi de X est l’équidistribution

73
7.1. Postulats d’une quantité d’incertitude, entropie Quantification de l’information

sur X. Nous définissons donc, pour un événement A ∈ X donné de probabilité

PX ( A) = p, la fonction h par
]0, 1] 3 p 7→ h( p) ∈ R.

La fonction H : l’espérance de h.
La fonction h pouvant varier beaucoup avec p, il est plus raisonnable d’associer
à l’incertitude d’une variable aléatoire X dont la loi est décrite par le vecteur
p = ( p( x )) x∈X la quantité H (p) = ∑ x∈X p( x )h( p( x )) qui représente l’incerti-
tude moyenne de l’observation. Les variables aléatoires étant en bijection avec
les vecteurs de probabilités qui décrivent leurs lois, nous pouvons identifier la
quantité H (p) avec H ( X ) et nous pouvons (provisoirement) noter H M ( X ) où
H M (p) cette espérance lorsque |X| = M.
Supposons que la variable aléatoire X soit uniformément distribuée dans X, i.e.
p( x ) = M 1
, pour tout x = X, où |X| = M, et notons f ( M) = H M (( M 1 1
,..., M )) la
valeur correspondant de l’incertitude moyenne associée. L’incertitude inhérente à une
expérience consistant à choisir entre les valeurs prise par une pièce honnête est plus
petite que l’incertitude consistant à choisir une personne au hasard dans la population
française, i.e. f (2) < f (6 × 107 ). Il est donc intuitivement clair d’exiger comme premier
postulat :
Postulat 7.1.1 (Postulat de monotonie). La fonction f : N → R+ définie par f ( M) :=
1 1
H M (( M ,..., M )) est une fonction strictement croissante de son argument.
Considérons maintenant deux variables aléatoires indépendantes X et Y définies
sur le même espace de probabilité (Ω, F , P) uniformément distribuées respectivement
dans X et Y, avec |X| = L et |Y| = M. L’expérience composite fait intervenir la variable
aléatoire ( X, Y ) à valeurs dans X × Y, dont le cardinal est L × M. Si la valeur prise par
X nous est révélée, l’incertitude de Y n’est pas affectée car Y est indépendante de X.
Cependant, l’incertitude totale f ( LM) est réduite de l’incertitude f ( L) relative à X.
Ceci nous amène donc au deuxième
Postulat 7.1.2 (Postulat d’extensivité). Pour tout L, M ≥ 1, nous avons f ( LM) = f ( L) +
f ( M ).
Nous allons maintenant relaxer la condition de distribution uniforme. Supposons
que p est un vecteur de probabilité arbitraire sur X (de cardinal |X| = M) et que
X prend des valeurs dans X avec probabilité P( X = x ) = p( x ). Considérons une
partition X = X1 t X2 et notons qi = ∑ x∈Xi p( x ), avec |Xi | = Mi , i = 1, 2.
Nous allons considérer l’expérience effectuée en deux étapes : lors de la première
étape, nous nous intéressons à l’événement X ∈ Xi , avec P( X ∈ Xi ) = qi , i = 1, 2
et lors de la deuxième étape nous examinons si la variable aléatoire prend une valeur
précise sachant qu’elle est dans l’un ou l’autre des groupes X1 ou X2 . Plus précisément,
nous calculons
P( X = x ) = P( X = x | X ∈ X1 )P( X ∈ X1 ) + P( X = x | X ∈ X2 )P( X ∈ X2 )
p( x ) p( x )
= q1 1X1 ( x ) + q2 1X2 ( x )
q1 q2
= p ( x ).
Nous formulons alors le troisième postulat de la quantité d’incertitude

/Users/dp/a/ens/[Link] 74
2019-11-03 • 18:19:27.
Quantification de l’information 7.1. Postulats d’une quantité d’incertitude, entropie

Postulat 7.1.3 (Postulat de regroupement). Avec les mêmes notations que ci-dessus,
pX1 pX2
   
H M (p) = q1 H M1 + q2 HM2 + H2 ((q1 , q2 )).
q1 q2
Finalement, nous introduisons le
Postulat 7.1.4 (Postulat de continuité). La fonction H2 ( p, 1 − p) est continue en p ∈ [0, 1].
Théorème 7.1.5. L’unique fonction (à une constante multiplicative près) qui vérifie les pos-
tulats de monotonie, d’extensivité, de regroupement et de continuité est la fonction

PV M 3 p 7→ H M (p) = −C ∑ p( x ) log p( x ),
x ∈X

où le logarithme est en une base b > 1 arbitraire, où PV M désigne l’ensemble de vecteurs de

probabilité en dimension M.
Démonstration. Il n’est pas difficile de montrer que la fonction H M donnée dans l’énoncé
du théorème vérifie les 4 postulats précités. Nous devons montrer la réciproque. Nous
observons que pour tout a, b > 1 et tout x > 0, on a loga x = loga b logb x. Par consé-
quent, nous pouvons travailler dans une base arbitraire de logarithmes car le chan-
gement de base peut être absorbé dans la constante C. La démonstration se fera en
plusieurs étapes :
1. Pour tous les entiers M, k ≥ 1 nous avons par le postulat d’extensivité

f ( M k ) = f ( M · M k −1 ) = f ( M ) + f ( M k −1 ),

ce qui, en itérant, mène à f ( Mk ) = k f ( M).

2. Nous allons montrer que pour M ≥ 1 entier, il existe C > 0 telle que f ( M) =
C log M. Pour M = 1, nous avons f (1) = f (1 · 1) = f (1) + f (1), donc f (1) = 0
qui vérifie donc l’égalité f ( M) = C log M. Supposons-la vraie pour M > 1
entier. Pour tout entier r ≥ 1, il existe entier k ≥ 0 tel que Mk ≤ 2r ≤ Mk+1 (où
l’une de deux inégalités d’encadrement est stricte). Nous avons

f ( Mk ) ≤ f (2r ) ≤ f ( Mk+1 ) (par le postulat de monotonie)

k f ( M) ≤ r f (2) ≤ (k + 1) f ( M) (par le postulat d’extensivité)
k f (2) k +1
ce qui entraîne l’encadrement r ≤ f ( M)
≤ r . Par ailleurs, la fonction log (pour
une base b > 1 est strictement croissante. Des inégalités Mk ≤ 2r ≤ Mk+1 , nous
log 2 k +1
avons donc aussi les encadrements kr ≤ log M ≤ r . Par conséquent,
 
 log 2 f ( 2 )  < 1.

 −
 log M f ( M)  r
Puisque M est fixé tandis que r est arbitraire, nous avons

log 2 f (2) f (2)

= ⇒ f ( M) = C log M, où C = .
log M f ( M) log 2

Par ailleurs f (1) = 0 tandis que f est strictement croissante, donc f (2) > 0 ; par
conséquent C > 0.

/Users/dp/a/ens/[Link] 75
2019-11-03 • 18:19:27.
7.1. Postulats d’une quantité d’incertitude, entropie Quantification de l’information

3. Si p ∈ Q+ , nous démontrerons que H (( p, 1 − p)) = −C [ p log p + (1 − p) log(1 −

p)]. En effet, si nous écrivons p = rs avec des entiers r, s ≥ 1, nous obtenons, en
utilisant le postulat de regroupement,
 
r s − r
s−r
 
 1 1 1 1
 r
f (s) = Hs  , . . . , , , . . . ,  = H2
  , + f (r ) + f ( s − r ).
s s s
| {z } | {z } s s s s s
r s −r

Nous avons donc, en utilisant ce que nous avons démontré en 2, que

f (s) = C log s = H2 (( p, 1 − p)) + Cp log r + C (1 − p) log(s − r ).

En résolvant, nous obtenons, pour p ∈ Q+ , que

H2 (( p, 1 − p)) = −C [ p log p + (1 − p) log(1 − p)].

4. Nous utilisons maintenant le postulat de continuité pour établir que pour tout
p ∈]0, 1[, nous avons H (( p, 1 − p)) = −C [ p log p + (1 − p) log(1 − p)]. Ceci est
une conséquence immédiate du fait que tout réel p ∈]0, 1[ peut être approximé
par une suite ( pn )n de rationnels pn ∈]0, 1[ pour tout n ∈ N.
5. Il reste à établir la formule pour H M dans le cas général p = ( p1 , . . . , p M ). La
formule H M (p) = −C ∑iM =1 pi log pi est vraie pour M = 1 et M = 2. Pour M >
2, nous supposons la formule vraie jusqu’à l’ordre M − 1 et nous utilisons le
postulat de regroupement pour l’établir dans le cas M. En effet, en notant q =
p1 + . . . + p M−1 et en utilisant le postulat de regroupement, nous obtenons
p p M1
H M (p) = H2 ((q, p M )) + qH M−1 (( 1 , . . . , )) + p M H1 ((1))
q q
" #
M −1
pi pi
= −C q log q + p M log(1 − p M ) + q ∑ log
i =1
q q
M
= −C ∑ pi log pi .
i =1

Remarque 7.1.6. Sauf indication contraire, nous utiliserons des logarithmes en base
2 et la constante de normalisation C = 1. La fonction H mesure alors la réduction de
l’incertitude lorsque la valeur du tirage d’une pièce honnête nous est révélée en une
unité appelée bit. D’autres choix sont possibles, par exemple exprimer le logarithme
en base e et poser C = 1 ; l’unité correspondante est alors appelée nat. En Physique, on
utilise la constante C = 1.3806488 × 10−23 J/K — appelée constante de Boltzmann — et
on exprime le logarithme en base e ; l’unité de H est alors exprimée en J/K (Joules par
degré Kelvin) et la quantité H est alors appelée entropie. Dans la suite de ce cours, log
représentera le logarithme binaire ; nous utiliserons la notation ln pour le logarithme
neperien.
Remarque 7.1.7. L’incertitude associée à l’ignorance des valeurs d’une variable aléa-
toire X avant que l’expérience soit effectuée et la réalisation nous soit relevée, ne dé-
pend pas des valeurs possibles de X mais uniquement des probabilités avec lesquelles

/Users/dp/a/ens/[Link] 76
2019-11-03 • 18:19:27.
Quantification de l’information 7.1. Postulats d’une quantité d’incertitude, entropie

0.8

H2 ( p, 1 − p)
0.6

0.4

0.2

0
0 0.2 0.4 0.6 0.8 1
p

Figure 7.1 – La fonction H joue un rôle capital dans toute la suite de ce cours. Il est donc utile de
garder à l’esprit le comportement qualitatif de H2 ( p, 1 − p) en fonction de p ∈ [0, 1].

ces variables sont prises. Si par exemple X ∈ X = {−1, 1} correspond à une expé-
rience dans laquelle vous perdez un euro si la pièce honnête tombe sur « pile » ou
bien X ∈ Y = {exécution, libération} correspond à l’expérience où un prisonnier est
exécuté si la pièce honnête tombe sur « pile », les deux expériences ont exactement la
même incertitude même si les conséquences sont autrement graves pour le perdant.
Nous écrirons dans la suite indifféremment H ( X ) ou H (p) pour signifier l’entropie
associée à la variable aléatoire X ou à sa loi.
Remarque 7.1.8. Dans ce qui précède, nous avons indiqué H M pour signifier l’entropie
pour une variable aléatoire prenant M valeurs distinctes. Dans la suite nous omettrons
cette dépendance et nous considérerons la fonction H définie sur PV = ∪∞ M=1 PV M où
M
M
PV M = {p := ( p1 , . . . , p M ) ∈ R+ : ∑ p i = 1}.
i =1

En fait, H est une collection dénombrable de fonctions ( H M ) M≥1 . Lorsque nous ap-
pliquons H sur un vecteur de probabilité p ∈ PV, en réalité nous appliquons H M sur
p ∈ PV M pour un certain M. Le résultat est alors calculé par application de la fonction
H M . Finalement, nous simplifierons la notation pour écrire H ( p1 , . . . , p M ) au lieu de
H M (( p1 , . . . , p M )).

Définition 7.1.9. Soit p ∈ PV un vecteur de probabilité. La quantité

dim(p)
H (p) := Hdim(p) (p) = − ∑ pi log pi ,
i =1

est appelée entropie ou (quantité d’)information associée au vecteur p.

La formule de la définition 7.1.9 est souvent attribuée à Shannon 1 [52] dans prati-
quement tous les livres consacrés à la théorie de l’information. Sans vouloir minimiser
1. Claude Elwood Shannon, Michigan 1916 – Machachussets 2001, ingénieur électrique et mathéma-
ticien américain, fondateur de la théorie de l’information.

/Users/dp/a/ens/[Link] 77
2019-11-03 • 18:19:27.
7.2. Trois interprétations de l’entropie Quantification de l’information

l’immense apport de Shannon en théorie de l’information, il est cependant nécessaire,

afin de rétablir la vérité historique, de rappeler que si l’article de Shannon a effective-
ment donné pour la première fois les propriétés mathématiques de l’information, elles
se trouvent être identiques à celles d’une autre quantité — physique — découverte un
siècle plus tôt (1856) par Rudolph Julius Emmanuel Clausius 2 et formalisée par Lud-
wig Eduard Boltzmann 3 [7] (cf. figure 7.2) et Josiah Willard Gibbs 4 [25], connue sous
le nom d’entropie 5 .
L’influence de la théorie des probabilités et de la thermodynamique est explorée
dans des textes classiques [1, 14, 23, 32, 41, 39] (mentionnons aussi l’article de revue [37]
ainsi que dans le livre récent [29]), textes desquels ces notes sont librement inspirées.
Plusieurs travaux récents (cf. [4, 22, 45]) empruntent le chemin inverse en examinant
les conséquences qu’ont en thermodynamique les notions introduites en théorie de
l’information.

7.2 Trois interprétations de l’entropie

7.2.1 H est une espérance (qui nous fait vieillir !)
Soit p ∈ PV M un vecteur de probabilité. On définit une variable aléatoire ξ sur un
espace de probabilité (Ω, F , P) prenant de valeurs dans l’alphabet
Y = {− log p1 , . . . , − log p M }
avec loi P(Y = − log pi ) = pi , pour i = 1, . . . , M. Alors
M
Eξ = − ∑ pi log pi = H (p).
i =1

L’entropie est donc égale à l’espérance de la variable aléatoire ξ, définie ci-dessus.

7.2.2 H est le nombre moyen de questions nécessaires pour détermi-

ner la valeur que prend une variable aléatoire
Nous commençons par l’exemple d’une variable aléatoire X prenant de valeurs
dans X = { x1 , . . . , x5 } selon un vecteur de probabilité est p = (0.3, 0.2, 0.2, 0.15, 0.15).
2. Physicien allemand, Koszalin 1822 – Bonn 1888, connu pour ses contributions en thermodyna-
mique.
3. Physicien autrichien, Vienne 1844 – Trieste 1906. Fondateur de la physique statistique et défenseur
de la théorie atomique qui à son temps n’était pas encore acceptée comme théorie physique. Il a par
ailleurs introduit l’hypothèse ergodique, idée selon laquelle sous certaines conditions on peut rempla-
cer des moyennes temporelles de suites stationnaires par des moyennes spatiales, une des idées les plus
fructueuses en physique mathématique ; elle a donné naissance à toute une sous-discipline mathéma-
tique connue aujourd’hui sous le nom de théorie ergodique. Dans son livre Vorlesungen über Gastheorie
[7], il a introduit la fonction H (cf. définition 7.1.9 et facsimilé de la page 41 de ce livre, en figure 7.2)
pour expliquer l’irréversibilité macroscopique de la physique régie microscopiquement par des équa-
tions différentielles réversibles.
4. Physicien théoricien, chimiste et mathématicien américain, 1839 – 1903. Il a posé les fondements
mathématiques de la thermodynamique chimique et de la mécanique statistique.
5. John von Neumann a signalé par ailleurs à Shannon que la quantité d’information introduite par
ce ce dernier était déjà connue sous le nom d’entropie par Boltzmann et c’est von Neumann qu’a suggéré
à Shannon de garder le nom d’entropie.

/Users/dp/a/ens/[Link] 78
2019-11-03 • 18:19:27.
Quantification de l’information 7.2. Trois interprétations de l’entropie
,

[Gleich. 35j J;
6. Math. Bedeutung der Grösse H. 41

andere Permutation möglich. Viel wahrscheinlicher schon wäre

der Fall, dass die Hälfte der Moleküle eine bestimmte, be-
stimmt gerichtete, die andere Hälfte eine andere, wieder für
alle gleiche und gleichgerichtete Geschwindigkeit hätten. Dann
wäre die Hälfte der Geschwindigkeitspunkte in einer, die andere
Hälfte in einer zweiten Zelle: es wäre also:

Z= / «\ , / w \ , u. s. w.
2/ \2
Da nun die Anzahl der Moleküle eine überaus grosse ist,
so sind n^oo, n^w u. s. w. ebenfalls als sehr grosse Zahlen zu

betrachten.
Wir wollen die Annäherungsformel:

p\ = ]/2p;r(
P Y
e

benützen, wobei e die Basis der natürlichen Logarithmen und

p eine beliebige grosse Zahl ist.^)

Bezeichnen wir daher wieder mit l den natürlichen Loga-

rithmus, so folgt:

l [(Wj cö) !] = [n^(o + -1) Z Wj + n-^co{lco — 1 ) + -|- (/ w + / 2 tt) .

Vernachlässigt man hier gegen die sehr grosse Zahl

-i- n^ co
und bildet den analogen Ausdruck für {n^(o)l, (wg«)! u. s. f.,

so ergibt sich:

l Z= — (ji[n-^ln^ + n^ln^" .) +C
wobei
C= l{n\)-n{l(ü- l)-4(^w -\-l27i)

für alle Geschwindigkeitsvertheilungen denselben Wertli hat,

also als Constante zu betrachten ist. Denn wir fragen ja bloss
nach der relativen Wahrscheinlichkeit der Eintheilung der ver-
schiedenen Geschwindigkeitspunkte unserer Moleküle in unsere
Zellen (o, wobei selbstverständlich die Zelleneintheilung, daher
auch die Grösse einer Zelle co, die Anzahl der Zellen t, und
die Gesammtzahl n der Moleküle und deren gesammte leben-
dige Kraft als unveränderhch gegeben betrachtet werden
müssen. Die wahrscheinlichste Eintheilung der Geschwindig-

^) Siehe Schlömilch, Comp, der höh. Analysis. Bd. 1. S. 437.

3. Aufl.

Figure 7.2 – Facsimilé de la page 41 du livre de Boltzmann Vorlesungen über Gastheorie [7], où
une définition mathématique de la fonction entropie, identique à la définition 7.1.9, est donnée pour
la première fois. La formule correspondante est encadrée en rouge dans le texte original de Boltzmann
qui est reproduit dans la figure ci-dessus (le logarithme népérien est noté l). Ce livre a été traduit en
français [8].

/Users/dp/a/ens/[Link] 79
2019-11-03 • 18:19:27.
7.2. Trois interprétations de l’entropie Quantification de l’information

Le diagramme logique — donné en figure 7.3 — permet de déterminer les valeurs de

la variable aléatoire X en posant un certain nombre de questions admettant comme
réponse soit « oui » soit « non ».
Le díagramme correspond à un arbre de décision ; chaque feuille de l’arbre (déter-
mination non ambiguë de la valeur de X) correspond à un chemin sur l’arbre muni
d’une probabilité. Par ailleurs chaque chemin qui mène de la racine à une feuille de
l’arbre correspond à un certain nombre de questions posées, noté N, (c’est le nombre
de losanges rencontrés le long du chemin). Calculons E( N ) pour l’exemple ci-dessus :
E( N ) = 2 · [0.5 · 0.6 + 0.5 · 0.4 + 0.5 · 0.4] + 3 · [0.5 · 0.6 · 0.5 + 0.5 · 0.6 · 0.5]
= 2 · [0.3 + 0.2 + 0.2] + 3 · [0.15 + 0.15]
= 2.3.
Par ailleurs, nous pouvons calculer l’entropie de p :
H (p) = −0.3 log 0.3 − 0.4 log 0.2 − 0.3 log 0.15 = 2.27.
La proximité des valeurs numériques de E( N ) et de H (p) est très frappante. Nous
verrons dans les chapitres suivants qu’il n’existe pas de schéma permettant de déterminer
la valeur de X en posant des questions binaires dont le nombre moyen serait plus petit
que H (p).
Le vecteur de probabilité p dans l’exemple ci-dessus est tel que son entropie H (p)
et l’espérance du nombre de questions E( N ) sont très proches. Ceci n’est pas tou-
jours le cas. Considérons en effet l’exemple d’une variable aléatoire à valeurs dans
X = { x1 , x2 } dont la loi est décrite par le vecteur de probabilité p = (0.7, 0.3). On
observe que dans ce cas H (p) = 0.88 tandis que E( N ) = 1 et il semble que nous ne
pouvons pas faire mieux que cela. En fait, il est possible de faire mieux. Supposons
en effet qu’au lieu de considérer une variable aléatoire X, nous considérons une paire
Z = ( X1 , X2 ) de deux copies indépendantes de X, i.e. la variable aléatoire Z prend
de valeurs dans {( x1 , x1 ), ( x1 , x2 ), ( x2 , x1 ), ( x2 , x2 )} ; sa loi sera décrite par le vecteur
de probabilité q = (0.49, 0.21, 0.21, 0.09). On peut construire facilement un schéma de
décision des valeurs que prend la variable aléatoire Z avec E( N ) = 1.81. (Construi-
sez ce schéma). Cependant, ce schéma permet de déterminer une paire indépendante
de variables aléatoires X, donc l’espérance du nombre de questions par variable aléa-
toire est 0.905, plus proche de l’entropie que la valeur 1 déterminée précédemment.
Nous pouvons continuer ce procédé avec des triplets, quadruplets, etc. de variables
aléatoires ; chaque fois nous obtiendrons une espérance du nombre de questions par
variable qui s’approche de H (p). Nous montrerons en théorème ?? que l’espérance
du nombre de questions par variable converge en décroissant vers l’entropie de la loi
de l’une d’entre elles mais il n’existe pas de schéma permettant de faire mieux que la
barrière de l’entropie.

7.2.3 H est le rapport des logarithmes du volume des configurations

typiques sur celui de toutes les configurations
Soit X une variable aléatoire prenant de valeurs 6 dans un alphabet fini A, dont
la loi est décrite par le vecteur de probabilité p := ( p a ) a∈A . Pour tout n ∈ N, nous
6. Si M = cardA, sans perte de généralité, nous pouvons supposer que A ' {1, . . . , M} et que
p = ( pi )i=1,...,M .

/Users/dp/a/ens/[Link] 80
2019-11-03 • 18:19:27.
Quantification de l’information 7.2. Trois interprétations de l’entropie

oui (0.6) X = x1 [2, 0.5 · 0.6]

X = x2 [2, 0.5 · 0.4]

oui (0.5) = x1 ? non (0.4)

dans oui (0.4) X = x3 [2, 0.5 · 0.4]

X { x1 , x2 } ?

non (0.5) = x3 ?
X = x4 [3, 0.5 · 0.6 · 0.5]

non (0.6) = x4 ? oui (0.5)

X = x5 [3, 0.5 · 0.6 · 0.5] non (0.5)

Figure 7.3 – Le diagramme logique permettant de déterminer la valeur de X. Les étiquettes entre
parenthèse sur les arrêtes du diagramme désignent les probabilités conditionnelles de l’arbre de déci-
sions sachant à quel embranchement on se trouve. Par exemple, l’étiquette en vert sur le diagramme
ci-dessus, correspond à la probabilité conditionnelle P( X 6= x3 | X 6∈ { x1 , x2 }). Les étiquettes de la
forme [N, p] entre crochets désignent les nombres de questions posées N et la probabilité de la feuille
de l’arbre p.

/Users/dp/a/ens/[Link] 81
2019-11-03 • 18:19:27.
7.2. Trois interprétations de l’entropie Quantification de l’information

oui (0.7) X = x1 [1, 0.7]

X = x1 ?

non (0.3) X = x2 [1, 0.3]

Figure 7.4 – Le diagramme logique permettant de déterminer la valeur de X avec les mêmes
conventions de notation que pour la figure 7.3.

considérons la variable aléatoire X := X(n) := ( X1 , . . . , Xn ), composée de n copies

indépendantes de la variable aléatoire X et qui prend des valeurs dans An . Pour tout
mot de n lettres α := (α1 , . . . , αn ) ∈ An et toute lettre a ∈ A, nous notons νa (α) :=
(n)
νa (α) = ∑in=1 1{a} (αk ). À cause de l’indépendance des variables aléatoires ( Xi )i=1,...,n ,
il est évident que
 
P X = α = ∏ p a a , ∀ α ∈ An
(n) ν (α)

a ∈A
 
(n)
P νa (X(n) ) =l = Cnl pla (1 − p a )n−l , ∀ a ∈ A, l = 0, . . . , n.

Remarque 7.2.1. Il est nettement plus aisé de travailler avec des suites infinies α ∈
(n)
AN ou avec des suites aléatoires infinies X = ( X1 , X2 , . . .) et de définir νa (α) =
∑nk=1 1{a} (αk ) par la somme tronquée aux n premières lettres de la suite. De même,
nous pouvons utiliser la notation αn ou Xn pour signifier la troncature des suites aux
n premières lettres. On peut aussi remarquer que pour tout n ∈ N> et α ∈ AN , on a :
ν(n) (α) ∈ PVA .
(n)
Nous calculons aisément que E(νa (X)) = np a , pour tout a ∈ A. Il est donc intui-
tivement clair pourquoi nous définissons :

Définition 7.2.2. Soient un entier n ≥ 1, un alphabet fini A, un vecteur de probabilité

p ∈ PVcardA et un entier K > 0. Une suite α ∈ An est dite typique (plus précisément
(n, p, K )-typique) si  
 ν(n) (α) − np 
 a a 
∀ a ∈ A,  p  < K,
 np a (1 − p a ) 
sinon, elle est appelée atypique. L’ensemble

Tn,p,K := {α ∈ An : α est (n, p, K )-typique} ⊂ An

désigne l’ensemble de suites (n, p, K )-typiques.

/Users/dp/a/ens/[Link] 82
2019-11-03 • 18:19:27.
Quantification de l’information 7.2. Trois interprétations de l’entropie

Remarque 7.2.3. Dans une suite α, typique pour un vecteur de probabilité p, nous
(n)
ν (α)
avons : | a n − p a | < √ K √1 = O( n−1/2 ), pour toute lettre a ∈ A. Il faut souli-
n
p a (1− p a )
gner que les suites typiques dépendent du vecteur de probabilité p mais ne sont pas elles-mêmes
aléatoires. Il s’agit tout simplement d’une famille de mots à n lettres sur l’alphabet A
dont les lettres apparaissent avec une densité pré-fixée (définie par p).
q
Théorème 7.2.4. Soient ε ∈]0, 1[ et K > cardA ε . Pour tout n ≥ K,
1. P(Xn 6∈ Tn,p,K ) < ε ;
2. ∃c > 0 tel que ∀α ∈ Tn,p,K , nous avons
√ √
2−nH (p)−c n
≤ P(Xn = α) ≤ 2−nH (p)+c n
;

3. card(Tn,p,K ) = 2n( H (p)+δn ) , avec limn→∞ δn = 0.

Démonstration. 1. Pour alléger la notation, écrivons X au lieu de Xn .

[  νa(n) (X) − np a 
( )!
P(X 6∈ Tn,p,K ) = P p ≥K
 np a (1 − p a ) 
a ∈A
 
 ν(n) (X) − np 
!
≤ ∑ P p
 a a
≥K .
a ∈A
 np a (1 − p a ) 

L’inégalité de Bienaymé-Tchebychev nous permet d’estimer les termes indivi-

duels dans la dernière expression par
 
 ν(n) (X) − np  (n)
!
 a a E(|νa (X) − np a |2 ) 1 ε
P p ≥K ≤ 2
= 2 < ,
 np a (1 − p a )  K np a (1 − p a ) K cardA

ce qui nous permet de conclure que P(X 6∈ Tn,p,K ) ≤ cardA

ε
× cardA = ε.
2. Pour toute α ∈ A , nous avons à cause de l’indépendance des variables aléa-
n

toires ( Xi ) que
− log P(X = α) = − ∑ νa (α) log p a .
(n)

a ∈A
Or, pour α ∈ Tn,p,K , nous avons, pour tout a ∈ A,
q q
(n)
np a − K np a (1 − p a ) ≤ νa (α) ≤ np a + K np a (1 − p a ).

(n)
Remplaçant les encadrements de νa (α) obtenusp dans la dernière formule dans
la pénultième et en définissant c := −K ∑ a∈A p a (1 − p a ) log p a , nous concluons.
3. Par l’affirmation 1 du théorème, nous avons

1 − ε ≤ P(X ∈ Tn,p,K ) ≤ 1.

À partir de l’affirmation 2, en combinant avec la relation précédente, nous obte-

nons
√
1 − ε < P(X ∈ Tn,p,K ) = ∑ P(X = α) ≤ 2−nH (p)+c n
card(Tn,p,K ),
α∈Tn,p,K

/Users/dp/a/ens/[Link] 83
2019-11-03 • 18:19:27.
7.3. Propriétés de la fonction entropie, entropie relative Quantification de l’information
√
permettant de minorer card(Tn,p,K ) ≥ 2nH (p)−c n+log(1−ε) . Par ailleurs,
√
card(Tn,p,K )2−nH (p)−c n
≤ ∑ P(X = α) ≤ 1,
α∈Tn,p,K
√
permettant de majorer card(Tn,p,K ) ≤ 2nH (p)+c n . En combinant les deux bornes
nous obtenons
0
2n( H (p)−δn ) ≤ card(Tn,p,K ) ≤ 2n( H (p)+δn ) ,
log(1−ε)
où, δn = √c
n
→ 0 et δn0 = √c
n
− n → 0.

Remarque 7.2.5. Le théorème précédent établit les faits importants suivants. L’affir-
mation 1, établit que si p n’est pas l’équidistribution sur A, parmi les√[card(A)]n suites
possibles une proportion exponentiellement petite (de cardinal 2nH (p)±c n ) supporte pra-
tiquement toute la masse de P. L’affirmation 2 établit que dans ce petit ensemble de
configurations typiques, toutes ont essentiellement la même probabilité, i.e. il y a équi-
distribution sur l’ensemble de configurations typiques.

7.3 Propriétés de la fonction entropie, entropie relative

Il est évident que H (p) ≥ 0 car − p a log p A ≥ 0 pour tout a ∈ A.

Lemme 7.3.1. Soient p, q ∈ PVcardA , deux vecteurs de probabilité arbitraires. Alors

− ∑ p a log p a ≤ − ∑ p a log q a .
a ∈A a ∈A

Démonstration. La fonction t 7→ ln t est concave sur R+ , i.e. le graphe de cette fonction

est en dessous de la tangente à n’importe quel point du graphe. Nous avons ln 1 = 0
et (ln t)0 |t=1 = 1t |t=1 = 1, par conséquent, la tangente qui passe par le graphe de la
fonction ln au point 1 a comme équation t − 1. La concavité devient donc ln t ≤ t − 1
q q
pour tout t > 0, avec égalité si et seulement si t = 1. Nous aurons donc ln paa ≤ paa − 1
(avec égalité si et seulement si q a = p a ). Nous aurons donc
qa qa
∑ p a ln
pa
≤ ∑ pa (
pa
− 1) = ∑ ( pa − qa ) = 0.
a ∈A a ∈A a ∈A

Théorème 7.3.2. Pour tout p ∈ PVcardA ,

H (p) ≤ log cardA,

avec égalité si et seulement si p a = 1

cardA pour tout a ∈ A.

Démonstration. Appliquer le lemme au vecteur de probabilité q uniforme sur A. Nous

aurons H (p) ≤ log cardA et la borne sera saturée pour p = q.
Pour deux vecteurs de probabilité p et q sur le même alphabet A, on dit que p est
absolument continu par rapport à q, et l’on note p  q, si a ∈ A, q a = 0 ⇒ p a = 0.

/Users/dp/a/ens/[Link] 84
2019-11-03 • 18:19:27.
Quantification de l’information 7.4. Entropie des évolutions markoviennes

Définition 7.3.3. Soient p et q deux vecteurs de probabilité sur le même espace A.

On appelle entropie relative ou contraste de Kullback-Leibler de p par rapport à q la
quantité (  
pa
∑ a∈A p a log qa si p  q
D (pkq) :=
+∞ sinon.
L’exercice 70 établit les propriétés importantes de D. En particulier, il permet de
montrer que D (pkq) ≥ 0, pour p et q arbitraires.
Remarque 7.3.4. La fonction D n’est pas symétrique en ses arguments. Cependant,
plus la valeur D (pkq) est grande, plus il est facile de discriminer entre les probabilités
p et q. De cette remarque découle la grande utilité de D en statistique. La définition
7.3.5 et la proposition 7.3.6 illustrent le pouvoir discriminant de D.
Définition 7.3.5. Soient (X, p) et (Y, q) deux espaces probabilisés finis (munis de
leurs tribus exhaustives) avec X ⊆ Y. On dit que (Y, q) est une fragmentation de
(X, p), si on peut partitioner Y = ∪ x∈X Yx , de sorte que pour tout x ∈ X, on a
p ( x ) = ∑ y ∈Y x q ( y ).
Proposition 7.3.6. Pour i = 0, 1, on suppose que (Y, qi ) une fragmentation de (X, pi ). Alors
D ( q0 k q1 ) ≥ D ( p0 k p1 ),
en d’autres termes, la fragmentation augmente le contraste de Kullback-Leibler.
Démonstration. Sans perte de généralité, on suppose que q1  q0 . On a
q0 ( y ) p0 ( x )
D ( q0 k q1 ) − D ( p0 k p1 ) = ∑ q0 (y) log q1 (y) − ∑ p0 ( x ) log
p1 ( x )
y ∈Y x ∈X
 
q0 ( y ) p (x)
= ∑ ∑ q0 (y) log
q1 ( y )
− q0 (y) log 0
p1 ( x )
x ∈X y ∈Y x
q0 ( y ) p1 ( x )
= ∑ ∑ q0 (y) log
q1 ( y ) p0 ( x )
x ∈X y ∈Y x
 
q ( y ) p0 ( x ) 1
≥ ∑ ∑ q0 ( y ) − q0 ( y ) 1
q0 ( y ) p1 ( x )
(car log t ≥ 1 − )
t
x ∈X y ∈Y x
= 0.

7.4 Entropie des évolutions markoviennes

Soit ( Xt )t∈N une chaîne de Markov irréductible et apériodique sur un espace dé-
nombrable X (muni de sa tribu exhaustive X ) et de matrice stochastique P. Nous
supposons que la chaîne est réversible ; on note π sa probabilité d’équilibre, vérifiant
π = πP. On note par ailleurs µt (y) := Px ( Xt = y) pour un x fixé.
Supposons que f : R+ → R soit une fonction mesurable strictement concave et
 
µt (y)
Ft = ∑ π (y) f .
y ∈X
π (y)

/Users/dp/a/ens/[Link] 85
2019-11-03 • 18:19:27.
7.5. Couples de variables aléatoires Quantification de l’information

Théorème 7.4.1. Sous le conditions ci-dessus, la fonction Ft est croissante en t.

Démonstration. La chaîne étant irréductible et apériodique, sa mesure invariante π
µ (y)
charge nécessairement tous les états y ∈ X. Le rapport ut (y) := πt(y) est donc bien
défini pour tout t ∈ N et tout y ∈ Y. Introduire la chaîne de Markov renversée dans le
π (y) P(y,x )
temps P̂( x, y) := π ( x) . Nous avons

Ft+1 = ∑ π ( x ) f (ut+1 ( x )) = ∑ π ( x ) ∑ f P̂( x, y)ut (y)

x ∈X x ∈X y ∈X

≥ ∑ π (x) ∑ P̂( x, y) f (ut (y)) (à cause de la concavité de f )

x ∈X y ∈X
π (y) P(y, x )
= ∑ π (x) ∑ π (x)
f (ut (y))
x ∈X y ∈X

= ∑ π (y) f (ut (y)) = Ft .

y ∈X

Corollaire 7.4.2. Sous les mêmes conditions, le contraste de Kullback-Leibler entre π et µt

π (x)
D (π kµt ) = − ∑ π ( x ) log
µt ( x )
≥0
x ∈X
est une fonction décroissante de t. Elle s’annule lorsque µt devient égale à la probabilité d’équi-
libre π.
En d’autres termes, le contraste de Kullback-Leibler entre la mesure µt — qui garde
la trace de la condition initiale — et la mesure d’équilibre π s’amenuise avec le temps.
Lorsque le contraste s’annule, la chaîne a atteint son état d’équilibre.

7.5 Couples de variables aléatoires

7.5.1 Entropie conjointe
Si X et Y sont deux variables aléatoires définies sur le même espace de probabilité
(Ω, F , P) et prennent leurs valeurs dans les alphabets finis respectivement X et Y,
la loi du couple ( X, Y ) est la loi conjointe déterminée par le vecteur κ de probabilité
conjointe κ ( x, y) := P( X = x; Y = y), pour x ∈ X et y ∈ Y. Il est donc naturel de
définir
Définition 7.5.1. Soient X et Y deux variables aléatoires définies sur le même espace de
probabilité (Ω, F , P) et à valeurs dans les alphabets finis X et Y. On note κ le vecteur
de probabilité de leur loi conjointe. Nous définissons l’entropie conjointe
H ( X, Y ) := H (κ) = − ∑ κ ( x, y) log κ ( x, y) = −E(log κ ( X, Y )).
( x,y)∈X×Y

De manière similaire, si X = ( X1 , . . . , Xn ) est un vecteur aléatoire de loi conjointe dé-

crite par le vecteur κ, i.e. pour x = ( x1 , . . . , xn ) ∈ X1 × · · · × Xn on a κ (x) = P( X1 =
x1 , . . . , Xn = xn ), l’entropie conjointe est définie par
H ( X1 , . . . , X n ) = − ∑ P(X = x) log P(X = x) = −E(log κ (X)).
x∈X1 ×···×Xn

/Users/dp/a/ens/[Link] 86
2019-11-03 • 18:19:27.
Quantification de l’information 7.5. Couples de variables aléatoires

Théorème 7.5.2. L’entropie est une quantité sous-additive, i.e.

H ( X, Y ) ≤ H ( X ) + H (Y ),

avec égalité si, et seulement si, les variables aléatoires X et Y sont indépendantes.

Démonstration. Soit κ le vecteur de probabilité conjointe. Notons µ( x ) = ∑y∈Y κ ( x, y)

le vecteur de probabilité de la première marginale, ν(y) = ∑ x∈X κ ( x, y) le vecteur de
probabilité de la deuxième marginale et q( x, y) = µ( x )ν(y) le vecteur de probabilité de
la loi conjointe de deux variables aléatoires Z1 et Z2 indépendantes ayant comme lois
respectives µ et ν. Nous avons

H (X) = − ∑ µ( x ) log µ( x ) = − ∑ ∑ κ (x, y) log µ(x)

x ∈X x ∈X y ∈Y

H (Y ) = − ∑ ν(y) log ν(y) = − ∑ ∑ κ (x, y) log ν(y)

y ∈Y x ∈X y ∈Y

H ( X ) + H (Y ) = − ∑ ∑ κ (x, y) log[µ(x)ν(y)] = − ∑ ∑ κ (x, y) log q(x, y).

x ∈X y ∈Y x ∈X y ∈Y

Par le lemme 7.3.1 nous obtenons

H ( X, Y ) = − ∑ κ ( x, y) log κ ( x, y) ≤ − ∑ κ ( x, y) log q( x, y) = H ( X ) + H (Y ),
x ∈X,y∈Y x ∈X,y∈Y

avec égalité si, et seulement si, κ ( x, y) = q( x, y) = µ( x )ν(y), pour tout x ∈ X et y ∈ Y,

i.e. si les variables aléatoires X et Y sont indépendantes.

Corollaire 7.5.3. 1. H ( X1 , . . . , Xn ) ≤ ∑nk=1 H ( Xk ) avec égalité si, et seulement si, les

variables aléatoires ( Xk )k=1,...,n sont indépendantes.
2. H ( X1 , . . . , Xm ; Y1 , . . . , Yn ) ≤ H ( X1 , . . . , Xm ) + H (Y1 , . . . , Yn ) avec égalité si, et seule-
ment si, les vecteurs aléatoires X = ( X1 , . . . , Xm ) et Y = (Y1 , . . . , Yn ) sont indépen-
dants.

7.5.2 Entropie conditionnelle

Si X et Y sont deux variables définies sur le même espace de probabilité (Ω, F , P) à
valeurs respectivement dans X et Y, alors la connaissance que X = x permet de déter-
miner la loi conditionnelle de P(Y ∈ B| X = x ), pour B ⊆ Y et x ∈ X. Étant donné que
la probabilité conditionnelle est une probabilité, il s’ensuit que nous pouvons définir
son entropie par

H (Y | X = x ) = − ∑ P(Y = y|X = x) log P(Y = y|X = x).

y ∈Y

Définition 7.5.4. L’entropie conditionnelle de Y sachant X est définie par

H (Y | X ) = ∑ H (Y | X = x ) P ( X = x ) .
x ∈X

/Users/dp/a/ens/[Link] 87
2019-11-03 • 18:19:27.
7.5. Couples de variables aléatoires Quantification de l’information

Remarque 7.5.5. L’expression de l’entropie conditionnelle n’est pas symétrique par

rapport aux deux variables. Nous avons en effet

H (Y | X ) = − ∑ P(X = x) ∑ P(Y = y|X = x) log P(Y = y|X = x)

x ∈X y ∈Y

= − ∑ P( X = x, Y = y)[log P(Y = y; X = x ) − log P( X = x )]

( x,y)∈X×Y
= H ( X, Y ) − H ( X ).

Nous obtenons une expression plus symétrique en écrivant

H ( X, Y ) = H (Y | X ) + H ( X ) = H ( X |Y ) + H (Y ).

La signification de l’entropie conditionnelle H (Y | X ) découle immédiatement des for-

mules précédentes : elle correspond à l’incertitude de la loi conjointe du couple ( X, Y )
réduite de l’incertitude de la variable aléatoire X car la valeur de X nous est révélée.

Théorème 7.5.6. H (Y | X ) ≤ H (Y ) avec égalité si, et seulement si, Y et X sont indépendantes.

Démonstration. Par l’égalité établie en remarque 7.5.5 et par la propriété de sous-additivité

de l’entropie (théorème 7.5.2), nous avons

7.5.5 7.5.2
H ( X, Y ) = H (Y | X ) + H ( X ) ≤ H (Y ) + H ( X ),

avec égalité si, et seulement si, les variables sont indépendantes.

7.5.3 Information mutuelle

Une autre quantité importante est la différence H ( X ) − H ( X |Y ) ; l’entropie H ( X )
correspond à l’incertitude a priori que nous avons sur X (sur la base de sa loi), l’entro-
pie conditionnelle correspond à l’incertitude sur X sachant que Y a été observée. La
différence ci-dessus contient donc l’information sur X que véhicule l’observation de Y.

Définition 7.5.7. On appelle information mutuelle de X et Y, la quantité

I ( X : Y ) : = H ( X ) − H ( X |Y ) .

Remarque 7.5.8. Le théorème 7.5.6 garantit que I ( X : Y ) ≥ 0, avec égalité si, et seule-
ment si, les variables aléatoires X et Y sont indépendantes ; dans le cas d’indépendance,
l’observation de Y ne nous apprend rien sur X, par conséquent, si nous soustrayons
de l’incertitude de X l’incertitude conditionnelle, l’incertitude résiduelle est nulle. Par
ailleurs, des égalités

H ( X, Y ) = H (Y | X ) + H ( X ) = H ( X |Y ) + H (Y ),

nous obtenons la symétrie de l’information mutuelle :

I ( X : Y ) = H ( X ) − H ( X |Y )
= H ( X ) + H (Y ) − H ( X, Y )
= I (Y : X ) .

/Users/dp/a/ens/[Link] 88
2019-11-03 • 18:19:27.
Quantification de l’information 7.6. Registres de stockage de l’information

7.6 Registres de stockage de l’information

7.6.1 Propriétés des registres
La notion de registre est importante car elle est à la base des applications pratiques
de la théorie de l’information en informatique. Nous allons aborder un problème fon-
damental concernant le stockage et l’acquisition de l’information stockée. Le traitement
habituel de ce problème utilise des notions de thermodynamique assez subtiles qui ne
sont pas dans le cursus traditionnel des étudiants en mathématiques. C’est pourquoi,
nous allons illustrer ce problème dans le cadre d’un exemple totalement élémentaire.
Mathématiquement, tout calcul peut se ramener à une manipulation d’une suite
de symboles (par exemples des nombres, des formules mathématiques, etc.) qui in fine
peuvent être traduits en suites de bits. Concentrons-nous donc sur les suites de bits et
— pour commencer — à un seul bit. Nous avons vu qu’une variable aléatoire X, de loi
de probabilité p = ( p(0), p(1)) = (1 − p, p), avec p ∈ [0, 1], à valeurs sur l’ensemble
{0, 1} a une entropie H (p) = − ∑ a∈{0,1} p( a) log( p( a)) ; ceci signifie que l’incertitude
est maximale lorsque p = 1/2 et s’annule lorsque p ∈ {0, 1}. Or, si on veut parler de
stockage de l’information, il faut que la valeur prise par X soit définie sans ambiguïté.
Une pièce totalement biaisée, avec p = 0, donnera toujours une valeur X = 0, une
pièce totalement biaisée avec p = 1, donnera toujours une valeur X = 1, tandis qu’une
pièce honnête ne correspondra pas a à une valeur de X non-ambiguë.
Pratiquement, pour que la valeur 0 ou 1 d’un bit soit stockée, il faut un système
physique à deux degrés de liberté (par exemple les deux faces d’une pièce). Ce sytème
codera le bit 0 si les deux faces de la pièce sont « pile » et codera le bit 1 si toutes les
deux sont « face » ! Les vecteurs de probabilité p = (1, 0) ou p = (0, 1) sont la repré-
sentation mathématique de l’état (physique) de la pièce. Or faire du calcul signifie que
l’on puisse changer 0 en 1. Si l’état est codé en dur dans la fabrication de la pièce au-
cune transformation ne sera pratiquement possible. Il faudra donc une représentation
moins rigide que le codage en dur dans la fabrication des pièces. Avant de proposer
une solution à ce problème, nous résumons ci-dessous les propriétés intuitivement at-
tendues d’une cellule élémentaire de mémoire informatique.
D’après ce qui précède, pour pouvoir stocker de l’information, il faut posséder un
système a 2 degrés de liberté qui a la potentialité de se réaliser dans chaque degré de
liberté ; on désigne par le mot registre (de stockage de l’information) un tel système
physique. Les traits spécifiques d’un registre sont :
— la potentialité du système à se réaliser dans un état (informationnel) en bijection
avec les lettres de l’alphabet (0 ou 1),
— la potentialité de changer l’état informationnel du registre par une action exté-
rieure (interaction physique),
— la possibilité de déterminer l’état du registre en lui faisant subir des interactions
physiques qui — de point de vue opérationnel — sont équivalentes à des ques-
tions à réponse binaire.

Exemple 7.6.1 (Un registre élémentaire). Supposons que nous disposons d’une urne à
deux compartiments — notés respectivement 0 et 1 — qui correspondent à l’alphabet
X = {0, 1}. La figure 7.5 illustre un tel registre.
— L’état informationnel du registre est une probabilité extrémale sur X. Notons
que
extr M1 (X) := {p0 = (1, 0), p1 = (0, 1)} ' X.

/Users/dp/a/ens/[Link] 89
2019-11-03 • 18:19:27.
7.6. Registres de stockage de l’information Quantification de l’information

On peut physiquement réaliser ces états p0 ou p0 en plaçant une boule dans le

compartiment 0 ou 1.
— On peut modifier l’état du registre en déplaçant physiquement la boule d’un
compartiment à l’autre.
— On peut déterminer l’état du registre en posant des questions à réponse binaire
comme « la boule est-elle dans le compartiment 0 ? » La question (et la réponse)
peut-être posée physiquement. Par exemple, on peut imaginer que la boule est
métallique de rayon R, que deux des parois opposés des compartiments de
l’urne sont distantes de 2R et qu’elle sont munies d’électrodes. Lorsque la boule
est dans compartiment 0, le circuit du compartiment 0 est fermé et un courant
témoin passe. Ceci correspond à déterminer que la valeur du bit stocké dans ce
registre est 0. Le même raisonnement est valable pour le compartiment 1.

+ +

registre dans état « 0 » registre dans état « 1 »

Figure 7.5 – Le registre décrit dans l’exemple 7.6.1.

Exemple 7.6.2. La description du registre donnée dans l’exemple 7.6.1 ne permet de

le représenter que dans l’état 0 ou 1. Or il est important de pouvoir le représenter dans
d’autres états, en particulier l’état p = (1/2, 1/2) correspondant à un registre vide. Or,
il est possible de réaliser une pièce arbitraire, donnant 0 ou 1 selon la loi (1 − p, p),
avec p = k/n ∈ [0, 1] ∩ Q, et k ∈ {0, . . . , n} à l’aide de 2 pièces totalement biaisées
donnant 0 ou 1 avec probabilité 1. Il suffit en effet de placer dans une urne k pièces
donnant toujours 1 et n − k pièces donnant toujours 0, d’en extraire une pièce et de la
lancer. En notant X la variable aléatoire ainsi produite, on aura P( X = 0) = 1 − p. Par
exemple, pour pouvoir simuler la loi p = (1/2, 1/2) il suffit d’utiliser une urne à deux
compartiments, notés respectivement 0 et 1, et d’en distribuer 2 boules indiscernables,
comme ceci est montré dans la figure 7.6.
Tout calcul nécessite un système cellulaire de stockage dont chaque cellule contient
sans ambiguïté un des symboles. Un tel système cellulaire est appelé registre. Mathé-
matiquement, un registre permettant le stockage d’une quantité d’information d’un bit
est une variable aléatoire X à valeurs dans un ensemble X = {0, 1}. Par exemple, une
pièce de monnaie a la potentialité de se réaliser dans le degré de liberté pile ou face ;
une pièce posée sur la table avec l’une des faces vers le haut correspond à la réalisa-
tion du degré 0 ou 1. Lorsque le registre correspondant à la pièce, se trouve dans l’état
pvide = (1/2, 1/2), i.e. avant de lancer la pièce, on dit qu’il est dans l’état information-
nel « vide ». Lorsque l’expérience de lancement est effectuée, la pièce se trouve sur la
table dans l’état informationnel « 0 », correspondant au vecteur p0 = (1, 0) ou l’état
« 1 », correspondant au vecteur p1 = (0, 1). Inscrire donc un bit d’information dans un
registre vierge consiste à transformer son état de pvide en p0 ou en p1 .
Définition 7.6.3. Un registre de stockage est un espace probabilisé (X, X , p) où X est
un ensemble avec 2 ≤ cardX < ∞, X sa tribu exhaustive et p = ( p0 , . . . , pcardX−1 ) un
vecteur de probabilité. Le vecteur p s’appelle état (informationnel) du registre.

/Users/dp/a/ens/[Link] 90
2019-11-03 • 18:19:27.
Quantification de l’information 7.6. Registres de stockage de l’information

7.6.2 Deuxième loi de la thermodynamique, principe de Landauer

Physiquement, un registre permettant le stockage d’une quantité d’information
d’un bit est un système physique à deux degrés de liberté ; un exemple illustratif simple
de tel système est une urne à deux compartiments identiques — notés respectivement
0 et 1 — qui pourront être choisis avec une probabilité arbitraire, i.e. décrite par un
vecteur de probabilité p = (1 − p, p), p ∈ [0, 1]. Il faut cependant souligner que le
raisonnement qui suit dépasse largement le cadre de cet exemple illustratif car il a
une portée générale et s’applique à tout système physique classique permettant de
stocker de l’information.
Plaçons-nous dans le cadre de l’exemple 7.6.2 dans le cas particulier que nous ré-
partissons N = 2 boules indiscernables dans les 2 compartiments de l’urne. Selon que
les deux boules sont dans le compartiment 0 ou 1 ou une dans 0 et une dans 1, le
registre sera dans l’état informationnel « bit 0 stocké » ou « bit 1 stocké »ou « vide ».
Ces états informationnels correspondent aux mesures de probabilité définies respecti-
vement par les vecteurs (1, 0), (0, 1) et (1/2, 1/2). Mais les boules considérées ici sont
des objets physiques ayant chacune une masse m et un rayon R. En partant de l’état
informationnel « vide », nous devons dépenser une énergie 2mgR pour le transformer
en l’état informationnel « bit 0 stocké » car nous devons déplacer la boule du compar-
timent 1 dans le compartiment 0 i.e. faire monter son centre de masse d’une hauteur
2R. Cela faisant nous diminuons l’entropie de l’état de 1 à 0 bits.

+ +

registre dans état « vide »

∆E = 1, ∆H = −1 ∆E = −1, ∆H = 1

∆E = −1, ∆H = 1 ∆E = 1, ∆H = −1

+ +
2R 2R
+ +

registre dans état « bit 0 stocké » registre dans état « bit 1 stocké »

Figure 7.6 – En mesurant l’énergie en unités 2mgR et l’entropie en bits, les transformations permet-
tant d’écrire un bit (0 ou 1) à partir d’un état « vide », dépensent une unité d’énergie et diminuent
l’entropie d’un bit. Réciproquement l’effacement d’un bit (0 ou 1) restitue une unité d’énergie et
augmente l’entropie d’un bit.

/Users/dp/a/ens/[Link] 91
2019-11-03 • 18:19:27.
7.6. Registres de stockage de l’information Quantification de l’information

Physiquement, l’état informationnel « vide » correspond à un minimum d’énergie,

un maximum d’entropie et il est mécaniquement stable comme on peut le voir si on
enlève la paroi séparatrice de l’urne en compartiments. Les états 0 ou 1 correspondent
à des maxima d’énergie, minima d’entropie et sont mécaniquement instables (en enle-
vant la paroi, il suffit d’une petite perturbation, par exemple un petit choc horizontal,
pour que la boule du haut roule vers la position basse à laquelle elle s’immobilise).
Pour écrire donc un bit d’information, il faut dépenser de l’énergie. Pour effacer un bit
d’information, de l’énergie est générée qui doit être dissipée dans le système comme
chaleur. Un cycle « vide » – « 0 » – « vide » a un bilan énergétique nul et un bilan en-
tropique nul. En outre, le cycle est réversible car aucune information ne manque pour
pouvoir revenir à l’état initial. Par contre, l’effacement d’un bit est une opération irré-
versible car si passer de « 0 » à « vide » se fait sans problème, une fois à « vide », nous ne
savons pas si le système était parti de « 0 » ou de « 1 ». Un bit d’information est perdu.
Effacer un bit d’information est donc une opération irréversible qui produit une éner-
gie à dissiper (en chaleur). Il faut se rappeler par ailleurs, que tout calcul sur ordinateur
classique fait appel à des portes logiques irréversibles (AND, OR, etc.) qui ont deux en-
trées et une sortie. Une partie de l’information est donc nécessairement effacée durant
chaque étape élémentaire de calcul !
Lorsqu’un système évolue dans le temps, il subit une transformation de son état,
i.e. le vecteur de probabilité p se transforme en un nouveau vecteur. Il est expérimen-
talement observé en thermodynamique, postulé en physique théorique, illustré par
l’expérience décrite par la figure 7.6 et démontré en mécanique statistique et par le
théorème 7.4.2, que l’entropie est une fonction croissante du temps ; elle ne peut rester
constante que si la transformation est réversible (ce qui correspond à l’évolution d’un
système isolé) 7 . Ce résultat est connue sous le nom de seconde loi de la thermodyna-
mique. C’est d’ailleurs pour expliquer l’irréversibilité de certains phénomènes que la
notion d’entropie a été introduite par Clausius et Boltzmann.
Cette remarque a des implications capitales en théorie de l’information car le traite-
ment, la transmission et l’extraction de l’information sont en effet des processus phy-
siques. Or cette réalité est souvent occultée en théorie de l’information où très souvent
les notions pertinentes sont décrites sous leur aspect purement mathématique.
Apprendre à la fin d’un calcul qu’une variable (binaire) prend une valeur précise,
diminue notre incertitude d’un bit (réduit l’entropie de 1.38065 × ln 2 × 10−23 J/K =
0.957 × 10−23 J/K). L’entropie de l’univers ne pouvant pas diminuer car l’entropie est
une fonction croissante — comme il est montré au théorème 7.4.2 —, une augmentation
de l’entropie dans une autre partie de l’univers au moins équivalente doit compenser
ce gain. Cette observation porte le nom de principe de Landauer 8 [35] ; vous avez sû-
rement dû observer sa manifestation car votre ordinateur chauffe pendant que vous y faites
exécuter des calculs (l’entropie du système « ordinateur / environnement » augmente
pour compenser la diminution de l’entropie qui résulte de l’exécution du calcul).

7. Les exercices 68 et 69 fournissent une illustration très simplifiée de ce phénomène de croissance

de l’entropie pour des transformations irréversibles.
8. Ce principe n’est pas violé même en théorie de l’information quantique malgré l’apparente réver-
sibilité des opérations logiques élémentaires car l’extraction de l’information correspond in fine à une
opération de mesure quantique qui elle est irréversible (voir notes du cours « Fondements mathéma-
tiques de la mécanique quantique et applications ».

/Users/dp/a/ens/[Link]
92
2019-09-06 • 16:57:18.
Quantification de l’information 7.7. Exercices

7.7 Exercices
Entropie, mesure de l’information
66. Les habitants d’un village sont divisés en deux parties. Une partie A contient
des individus qui disent la vérité avec probabilité 1/2, mentent avec probabi-
lité 3/10 et refusent de répondre avec probabilité 2/10. La partie B contient des
individus dont les probabilités pour chaque type de comportement sont res-
pectivement 3/10, 1/2 et 2/10. Soit p ∈ [0, 1] la probabilité qu’un habitant du
village choisi au hasard appartienne au groupe A. On note i := i ( p) l’informa-
tion sur son comportement vis-à-vis des questions posées qui est véhiculé par
son appartenance à un groupe donné. Calculer p0 = arg max i ( p) et i ( p0 ).
67. Soient ( ai )i=1,...,n des nombres positifs vérifiant ∑in=1 ai = 1 et ( xi )i=1,...,n des
nombres strictement positifs. Établissez l’inégalité
n
x1a1 · · · xnan ≤ ∑ ai xi .
i =1

68. Soit p = ( p1 , . . . , pn ) un vecteur de probabilité (i.e. ayant des coordonnées pi ≥

0 et vérifiant la condition de normalisation ∑in=1 pi = 1). Supposons que p1 > p2
p −p
et notons δ ∈]0, 2 2 1 ]. On considère le nouveau vecteur de probabilité p0 avec
p10 = p1 − δ, p20 = p2 + δ et pi0 = pi pour i = 3, . . . , n. Les entropies H (p0 ) et
H (p) se comparent-elles et si oui comment ?
69. Soient A = ( Aij )i,j=1,...n une matrice doublement stochastique (i.e. une matrice
dont tous les termes sont positifs et dont chaque ligne et chaque colonne a une
somme normalisée à 1), et p = ( p1 , . . . , pn ) un vecteur (ligne) de probabilité.
(a) Montrer que le vecteur (ligne) p0 = pA est un vecteur de probabilité.
(b) Comparer les entropies H (p) et H (p0 ).

Propriétés de différentes variantes d’entropie et relations entre elles

70. (a) Montrer l’inégalité de Jensen (dans un cas simple), à savoir que si f est une
fonction convexe dérivable et ( an )i∈ I une famille finie de nombre positifs tels
que ∑i∈ I ai = 1, alors
∑ a i f ( t i ) ≥ f ( ∑ a i t i ).
i∈ I i∈ I

(b) Soient ( ai )i=1,...,n une famille de nombres positifs et (bi )i=1,...,n une famille de
nombres strictement positifs. Montrer que
n
ai n ∑nj=1 a j
∑ ai log bi ≥ ∑ log ∑n bk .
i =1 i =1 k =1

(c) Montrer que D (pkq) est convexe en le couple (p, q), i.e. si (p, q) et (p0 , q0 )
sont deux couples de vecteurs de probabilité et λ ∈ [0, 1] alors

D (λp + (1 − λ)p0 kλq + (1 − λ)q0 ) ≤ λD (pkq) + (1 − λ) D (p0 kq).

71. En se servant du résultat précédent pour q = q0 = u, où u est le vecteur de

probabilité de la loi uniforme, montrer que H (p) est concave en p.

/Users/dp/a/ens/[Link]
93
2019-09-06 • 16:57:18.
7.7. Exercices Quantification de l’information

72. (Extrait de l’examen du 19 décembre 2013).

Soient X1 et X2 deux variables aléatoires sur (Ω, F , P) prenant des valeurs dans
le même espace X avec des lois décrites par les vecteurs de probabilité p et
p0 respectivement. Soit Y une variable aléatoire sur le même espace (Ω, F , P)
prenant de valeurs dans Y = {1, 2} selon le vecteur de probabilité (λ, 1 − λ),
avec λ ∈ [0, 1] ; on note Z = XY la variable aléatoire à valeurs dans X.

(a) Calculer P( Z = x ).
(b) En se servant du fait que le conditionnement réduit l’incertitude, i.e. H ( Z ) ≥
H ( Z |Y ), établir le résultat de concavité de H (p) par rapport à p avec une
méthode alternative à celle utilisée dans l’exercice précédent.

Compléments sur l’entropie

73. (Extrait de l’examen du 20 décembre 2017).

Le but de cet exercice est de montrer le
Théorème : Soient X un ensemble fini, β un paramètre positif et U : X → R+
une variable aléatoire réelle positive sur X. Pour une mesure de probabilité arbitraire
ν ∈ M1 (X) sur X, on note νU := ∑ x∈X ν( x )U ( x ), l’espérance 9 de U sous ν. Alors,

(a) il existe une mesure de probabilité µ β sur X qui sature le supν∈M1 (X) ( H (ν) − βνU ),
où H (ν) désigne l’entropie de ν,
exp(− βU ( x ))
(b) µ β ( x ) = Z ( β)
, pour tout x ∈ X, où Z ( β) = ∑y∈X exp(− βU (y)) est un
facteur de normalisation.

(a) Utiliser la concavité de la fonction log pour montrer que pour tout ν ∈
M1 (X), on a H (ν) − βνU ≤ log Z ( β).
(b) Calculer H (µ β ) − βµ β U.

74. Simulation d’une loi arbitraire avec une pièce honnête. (Extrait de l’examen du
15 décembre 2014).
On dispose d’une pièce honnête (prenant de valeurs dans B = {0, 1} selon le
vecteur de probabilité (1/2, 1/2)). Les lancers successifs de la pièce sont modé-
lisés par des suites aléatoires de longueur arbitraire de bits indépendants, c’est-
à-dire par des mots ξ ∈ B+ (on rappelle que B+ = ∪∞ n=1 B ). On veut simuler
n

une variable aléatoire X à valeurs dans un ensemble fini X dont la loi est décrite
par un vecteur de probabilité p arbitraire. Autrement dit, nous voulons expri-
mer X comme fonction de certains mots, choisis d’une certaine manière, parmi
les mots de B+ , de façon que la loi de X soit déterminée par les probabilités des
mots choisis.

9. Le vecteur de probabilité ν est considéré comme un vecteur ligne, la variable aléatoire U comme
un vecteur colonne ; pour ν fixé, l’espérance de U est la forme linéaire νU.

/Users/dp/a/ens/[Link]
94
2019-09-06 • 16:57:18.
 Quantification de l’information 7.7. Exercices

Commencer par l’ensemble à trois éléments X =

{ a, b, c} et p = (1/2, 1/4, 1/4). Placer les lettres
a, b, c comme des feuilles d’un arbre binaire com-
plet (i.e. dont chaque nœud a 0 ou 2 descendants)
comme dans la figure adjacente. En associant le
(a) bit 0 aux arêtes gauches et le bit 1 aux arêtes a
droites, on constate que l’ensemble de feuilles
F = {0, 10, 11} de l’arbre se surjecte sur X. On b c
note F : F → X cette surjection (dans ce cas par-
ticulier, il s’agit d’une bijection). Expliciter l’algo-
rithme de génération de X.
(b) Dans le cas particulier de la question précédente, estimer le nombre moyen
de fois qu’il faudra lancer la pièce pour réaliser X et comparer ce résultat
avec l’entropie H ( X ).
(c) Considérer maintenant l’ensemble X = { a, b} et le vecteur de probabilité
p = (2/3, 1/3). Suggestion : Observer que ∑∞ 1 2
k=0 22k+1 = 3 et utiliser cette égalité
pour donner les représentations binaires des nombres 2/3 et 1/3 ; se servir de cette
représentation pour déterminer l’ensemble F de feuilles et la surjection F : F → X.
(d) Estimer le nombre moyen de lancers nécessaires pour simuler X. On peut
utiliser sans démonstration l’identité ∑∞ k
k =0 2k = 2. Si cette identité est démontrée,
elle donnera lieu à un bonus.
Question bonus. Pouvez-vous proposer une méthode générale pour un ensemble fini X arbi-
traire muni d’un vecteur de probabilité arbitraire p ?

/Users/dp/a/ens/[Link] 95
2019-11-03 • 18:19:27.
7.7. Exercices Quantification de l’information

/Users/dp/a/ens/[Link] 96
2019-12-01 • 11:29:38.
 Sources et leur codage
8
Nous disposons d’une source qui génère une suite de symboles que nous sup-
posons qu’ils puissent être transmis sans erreur, i.e. à travers un canal de transmis-
sion parfait (il restitue à sa sortie un message identique à celui qu’il reçoit en entrée).
Notre préoccupation donc est uniquement d’optimiser le codage de la source en tenant
compte de la probabilité avec laquelle les lettres du message-source sont produit.

8.1 Sources
Définition 8.1.1. Soit (Ω, F , P) un espace probabilisé adéquat.
1. Une source discrète est un dispositif qui émet une suite ( Xn )n∈N de variables
aléatoires à valeurs dans un ensemble fini X. L’ensemble X constitue les sym-
boles émis par la source. La source est totalement déterminée par la donnée
((Ω, F , P), X) que nous pouvons abréger en (X, P).
2. Une source discrète (X, P) est stationnaire si pour tout N ∈ N, tout n ≥ 1 et
tout n-uplet ( x1 , . . . , xn ) ∈ Xn , on a

P ( X N + 1 = x 1 , . . . , X N + n = x n ) = P ( X1 = x 1 , . . . , X n = x n ) .

3. Une source discrète (X, P) est markovienne si la suite ( Xn )n∈N est une chaîne
de Markov MC(X, P, ·).
4. Une source discrète (X, P) est sans mémoire si la suite ( Xn )n∈N est une suite
indépendante.
5. Une source discrète (X, P) sans mémoire est homogène si la suite ( Xn )n∈N est
une suite indépendante et identiquement distribuée avec P( Xn = x ) = p( x ),
pour tout x ∈ X et tout n ∈ N, où p = ( p( x )) x∈X ∈ PVX est le vecteur de
probabilité de la loi de X1 .

Dans ce chapitre nous nous limiterons au cas de sources discrètes homogènes sans
mémoire, c’est-à-dire que les messages produits peuvent être considérés comme des

97
8.2. Codes uniquement décodables Sources et leur codage

réalisations d’une suite de variables aléatoires à valeurs dans X indépendantes et iden-

tiquement distribuées selon la loi décrite par le vecteur de probabilité p. De telles
sources seront notées dans la suite (X, p). Sans perte de généralité, on peut supposer
que X = supp p.

8.2 Codes uniquement décodables

Nous nous intéressons à une représentation de chaque symbole émis par la source
dans une alphabet fini A.
Définition 8.2.1. Soient (X, P) une source discrète arbitraire et A un alphabet fini avec
cardA ≥ 2.
— Un codage des symboles émis par la source est une application (le code) C :
X → A+ .
— On appelle glossaire du code l’ensemble C (X) ⊂ A+ .
— On note |C ( x )| la longueur du mot α ∈ A+ codant le symbole x. Lorsque tous
les symboles x ∈ X sont représentés par des mots de An (avec un certain n ≥ 1),
le code est dit de longueur fixe n, sinon il est de longueur variable.
— Un code par blocs (plus précisément m-blocs, avec m ≥ 1), est un codage de
l’alphabet étendu Xm , c’est-à-dire une application C : Xm → A+ .
— Un code étendu par concaténation est une application C̃ : X+ → A+ , définie
pour tout ξ ∈ X+ par
C̃ (ξ ) := C (ξ 1 ) · · · C (ξ |ξ | ).
Dans la suite nous omettrons le signe distinctif C̃ pour l’extension du code
par concaténation et nous noterons indifféremment C le code primaire ou son
extension.
Exemple 8.2.2. Le code ASCII 1 permet le codage de l’ensemble X contenant les 95
caractères imprimables et les 33 caractères de contrôle non-imprimables en mots de 7
bits. La colonne « Char » de la figure 8.1 représente les éléments de X tandis que la
colonne « Decimal » représente la valeur décimale du code binaire sur A7 , où A :=
{0, 1}.
Ce codage fut développé aux débuts de l’ère informatique pour coder l’anglais. Au-
jourd’hui il est connu sous l’appelation ISO / CEI -646. Ce code fut étendu en différentes
variantes de longueur fixe de 8-bits pour permettre le codage des principales langues
européennes. La variante ISO / CEI -8859-1 (aussi connue sous le nom de latin-1) permet
le codage de plusieurs langues d’Europe occidentale (dont le français).
Exemple 8.2.3. La standard UNICODE [13] est un codage C : X → A32 de longueur
fixe de 32 bits où X est l’ensemble de lettres utilisées par tous les alphabets des langues
principales du monde 2 . Il comporte en tout 1114112 symboles différents, donc C (X)
1. American standard code for information interchange.
2. Y compris les alphabets latin, grec, cyrillique, arménien, hébreux, arabe, syriaque, thaana, de-
vanagari, bengali, gurmukhi, gujarati, oriya, tamil, telugu, kannada, malayalam, sinhala, thaï, laotien,
tibétain, myanmar, géorgien, hangul jamo, éthiopien, cherokee, aborigène canadien, syllabique, ogham,
runique, khmer, philippinais, limbu, tai le, tai lue, mongole, phonétique, extensions du latin et du grec,
buginais, balinais, linéaire A et B, italique, gothique, ugaritique, chypriote, phénicien, kharostht, sys-
tèmes de numérotation anciens, cunéiforme, ainsi que les parties constitutives d’idéogrammes chinois,
japonais et coréens, des symboles mathématiques courants, etc.

/Users/dp/a/ens/[Link] 98
2019-12-01 • 11:29:38.
Sources et leur codage 8.2. Codes uniquement décodables

Figure 8.1 – Le code iso/cei-646 C128 : X → A7 de longueur fixe de 7 bits. Par exemple la
lettre z ∈ X est codée en C128 (z) = h122i10 = h7Ai16 = h1111010i2 ∈ A7 . (Source de la figure :
domaine public).

est un petit sous-ensemble de A32 qui a un cardinal |A32 | = 232 = 4294967296. Le

codage UTF -8, connu aussi comme ISO / CEI -10646, du standard UNICODE est un code
C : X → {0, 1}8m de longueur variable en 8m bits où m ∈ {1, 2, 3, 4}, assurant la
compatibilité descendante avec le code ASCII.
Exemple 8.2.4. 1. Soient X = {1, 2, 3, 4}, A = {0, 1}, p = (1/2, 1/4, 1/8, 1/8) et
C le code
x C(x)
1 0
2 10
3 110
4 111
Nous calculons E(|C ( X )| = 1.75 ; il se trouve que pour cet exemple, l’entropie a
aussi la valeur numérique H (p) = 1.75.
2. Soient X = {1, 2, 3}, A = {0, 1}, p = (1/3, 1/3, 1/3) et C le code
x C(x)
1 0
2 10
3 11
Nous calculons E(|C ( X )| = 1.66 tandis que la valeur numérique de l’entropie
est H (p) = 1.58.
Pour les deux codes de l’exemple précédent 8.2.4, nous observons que si α ∈ A∗
est un mot, image par C d’un mot ξ ∈ X+ , nous pouvons de manière unique décoder

/Users/dp/a/ens/[Link] 99
2019-12-01 • 11:29:38.
8.2. Codes uniquement décodables Sources et leur codage

α pour obtenir le mot duquel il est construit. Par exemple, pour le premier codage,
si α = 0110111100110, nous constatons aisément que α = C (134213). De la même
façon, pour le deuxième exemple, le mot α = 0100011 = C (12113). Cette possibilité de
décoder de manière unique est une caractéristique essentielle du code.

Définition 8.2.5. Le code C est dit

1. non-singulier si C : X → A+ est injective, i.e. x 6= x 0 ⇒ C ( x ) 6= C ( x 0 ),
2. uniquement décodable si son extension à X+ est injective,
3. instantané 3 si aucun mot C ( x ), x ∈ X du gloassaire n’est préfixe d’un autre mot
du glossaire.
Les familles de différents types de codes — sous familles de la famille de codes ar-
bitraires C — sont notées respectivement Cinst , Cud , Cns . Elles vérifient les inclusions
suivantes
Cinst ⊆ Cud ⊆ Cns ⊆ C .

Exemple 8.2.6. Parmi les codes suivants,

x C1 ( x ) C2 ( x ) C3 ( x ) C4 ( x )
1 0 0 10 0
2 0 010 00 10
3 1 01 11 110
4 1 10 110 111

C1 est singulier car il n’est pas injectif, C2 est non-singulier mais non uniquement dé-
codable car C2−1 (010) = {31, 2, 14}, C3 est uniquement décidable mais non instantané
car le mot de code 11 est préfixe du mot de code 110, C4 est instantané.

Le qualificatif instantané pour le codes dont les mots de code ne sont pas préfixes
d’autres mots de code provient du fait qu’un mot α nous est donné, son décodage se
fait au fur et à mesure de sa lecture ; la fin de chaque mot de code le composant est
déterminée uniquement par l’information accumulée par la lecture du mot de gauche
à droite ; il n’est pas nécessaire de connaître les lettres ultérieures pour décoder. Par
exemple, le code C sur X = {0, 1} défini par C (0) = 0, C (1) = 0| .{z
. . 0} 1 est uniquement
n
décodable ; cependant, si le mot 0| .{z
. . 0} 1 est envoyé, nous devons attendre la réception
n +1
des tous les n + 2 symboles pour savoir que le mot source était 01.

Remarque 8.2.7. L’unique décodabilité d’un code C impose l’injectivité de l’extension

de C sur X+ . Ceci implique, qu’il existe alors une fonction partielle ∆ : A+ → X+ qui
est l’inverse de C lorsque cette dernière application est vue comme C : X+ → C (X+ ),
i.e.
∀ξ ∈ X+ , ∆(C (ξ )) = ξ.

Il est donc important de pouvoir décider si un code est uniquement décodable. Or

si décider de l’instantanéité du code est facile car il suffit de comparer tous les couples
(α, β) des mots de {C ( x ), x ∈ X} et vérifier que α 6≺ β et β 6≺ α. Mais décider si un
3. Dans la littérature, les codes instantanés sont souvent appelés « codes préfixes », terminologie pour
le moins absurde car ils sont précisément des « codes non-préfixes ».

/Users/dp/a/ens/[Link] 100
2019-12-01 • 11:29:38.
Sources et leur codage 8.3. Théorème de Shannon sur le codage sans bruit

code C est uniquement décodable est plus difficile car il faut s’assurer de l’injectivité
de C sur X+ .
On peut établir un critère (condition nécessaire et suffisante) d’unique décodabilité
d’un code arbitraire à l’aide d’une procédure itérative. On note S0 = C (X) l’ensemble
de mots du code (vu comme suffixes du mot vide). Pour tout n ≥ 1, on construit
itérativement la suite des suffixes relatifs possibles
Sn = { β ∈ A+ : (αβ = γ) ∨ (γβ = α), pour α ∈ S0 , γ ∈ Sn−1 }.
On note ensuite S∞ = ∪n≥1 Sn . Le critère est donné par le
Théorème 8.2.8. [Sardinas-Patterson (1953)] Un code C : X → A+ est uniquement déco-
dable si, et seulement si,
S∞ ∩ S0 = ∅.
Démonstration. À rédiger ultérieurement.
Remarque 8.2.9. L’utilité du critère précédent peut paraître limitée car son application
nécessite la détermination de la suite infinie de suffixes relatifs (Sn )n≥1 . Il n’en est rien.
Notons en effet L = maxx∈X |C ( x )| la longueur maximale des mots du code. Il s’ensuit
que tous les mots de β ∈ Sn vérifient | β| ≤ L et, par conséquent, tous les ensembles de
suffixes Sn sont finis. La suite (Sn ) est donc nécessairement finalement périodique (i.e.
il existe deux entiers N, p ≥ 1 tels que pour tout m ≥ N : Sm = Sm+ p ). Une instance
particulière de périodicité finale est le cas S N = ∅ pour un certain N ≥ 1 ; il est alors
évident que Sm = ∅ pour tout m ≥ N. Cette remarque garantit que l’algorithme 8.2.10
s’arrête en un temps fini.
Pour B, C ⊆ A+ , on note B−1 C = {γ ∈ A∗ : βγ ∈ C, β ∈ B}. Le symbole ε est
toujours réservé pour le mot vide.

Algorithme 8.2.10. Sardinas-Patterson

Require: C : X → A+
Ensure: 1Cud (C )
S0 ← C ( X )
S1 ← S0−1 S0 \ {ε}
n←1
while ε 6∈ Sn et ∀m < n : Sn 6= Sm do
n ← n+1
Sn ← S0−1 Sn−1 ∪ Sn−−1 1 S0
end while
1Cud (C ) ← 1 − 1Sn (ε)

8.3 Théorème de Shannon sur le codage sans bruit

8.3.1 Inégalité de Kraft
Définition 8.3.1. Soit A un alphabet avec A = cardA. On dit qu’une famille I d’entiers
(li )i∈ I , li ≥ 1 pour tout i ∈ I, vérifie l’inégalité de Kraft si

∑ A−li ≤ 1.
i∈ I

/Users/dp/a/ens/[Link] 101
2019-12-01 • 11:29:38.
8.3. Théorème de Shannon sur le codage sans bruit Sources et leur codage

Théorème 8.3.2. (Kraft [34]).

1. Si C : X → A+ est un code instantané, alors la famille des longueurs des mots du code
(|C ( x )|) x∈X doit vérifier l’inégalité de Kraft.
2. Réciproquement, si (lx ) x∈X est une famille d’entiers ≥ 1 vérifiant l’inégalité de Kraft,
alors il existe un code instantané C : X → A+ tel que |C ( x )| = lx , ∀ x ∈ X.
Démonstration. Il est élémentaire de montrer que — pour tout entier L ≥ 1 — l’arbre
enraciné T possédant exactement L générations et dont chaque nœud possède A des-
cendants est en bijection avec ∪lL=0 Al .
(⇒) Supposons que nous ayons rangé l’ensemble de symboles X de sorte que la
condition
x  y =⇒ lx := |C ( xi )| ≤ |C (y)| =: ly
soit vérifiée. Notons α x = C ( x ), pour x ∈ X, le mot qui code le symbole x
et L = max{|C ( x )|, x ∈ X}. Puisque le mot α x ne peut pas être préfixe d’au-
cun autre mot du code, lorsque nous le plaçons sur un nœud de l’arbre T,
nous devons exclure tout le sous-arbre émanant de α x , par conséquence ex-
clure A L−lx feuilles de la génération L. Nous recommençons ensuite avec le mot
α x0 = C ( x 0 ), x  x 0 qui sera placé sur une autre branche de l’arbre ; son place-
ment exclura A L−lx0 nouvelles feuilles de la génération L. Pour que cette opéra-
tion puisse être répétée avec tous les mots du code, il faut que le nombre total
de feuilles exclues soit majoré par le nombre total de feuilles de la génération L,
i.e.
∑ A L−|C(x)| ≤ A L =⇒ ∑ A−|C(x)| ≤ 1.
x ∈X x ∈X
(⇐) Sans perte de généralité, nous pouvons supposer que les x soient rangées en
x1 , . . . , xcardX de sorte que l1 ≤ l2 ≤ . . . ≤ lcardX , où li = lx1 . Nous choisissons un
nœud arbitraire de la l1e génération de T et nous assignons le mot qui correspond
au nœud choisi à C ( x1 ) ; nous excluons simultanément le sous-arbre enraciné
à α1 = C ( x1 ) ce qui revient à exclure A L−l1 feuilles de la génération L. Il est
évident que

∑ A−lx ≤ 1 ⇒ ∑ A L − l x ≤ A L ⇒ A L − l1 < A L ;
x ∈X x ∈X

Il y a donc au moins une feuille qui subsiste après l’exclusion de ce sous-arbre et

donc toute la branche qui la relie à la génération l1 . Nous allons ensuite choisir
un nœud arbitraire de la génération l2 pour assigner le mot C ( x2 ). Nous savons
que ceci est possible car nous venons de montrer qu’il y a au moins une branche
reliant la génération l1 avec une feuille de la génération L ; cette branche rencon-
trera nécessairement un nœud de la génération l2 . Nous recommençons donc
l’argument :

∑ A−lx ≤ 1 ⇒ ∑ A L − l x ≤ A L ⇒ A L − l1 + A L − l2 < A L ;
x ∈X x ∈X

il subsiste donc au moins une feuille de la génération L après effacement des

deux sous-arbres précédents. L’inégalité de Kraft vérifiée par les (lx ) garantit
que cardX mots puissent être placés sans qu’aucun ne soit préfixe d’un autre.

/Users/dp/a/ens/[Link] 102
2019-12-01 • 11:29:38.
Sources et leur codage 8.3. Théorème de Shannon sur le codage sans bruit

8.3.2 Codes optimaux

L’inégalité de Kraft est une condition nécessaire et suffisante pour l’existence d’un
code instantané avec longueurs des mots (lx ). Cependant, toute permutation des (lx )
est encore une famille de longueurs acceptables pour des mots d’un code. Si les lx ne
sont pas constantes et la probabilité sous-jacente sur X n’est pas l’uniforme, parmi ce
deux codes, il y a nécessairement un qui est meilleur que l’autre. Il est donc évident
qu’il ne suffit pas de vérifier l’inégalité de Kraft pour construire un code optimal. Il
faut plutôt minimiser E|C ( X )| = ∑ x∈X p( x )lx sous la contrainte ∑ x∈X A−lx ≤ 1. Nous
utilisons la méthode traditionnelle des multiplicateurs de Lagrange pour trouver la
solution qui sature la contrainte, i.e. impose ∑ x A−lx − 1 = 0 ; nous considérons par
conséquent la fonctionnelle

J (`) = ∑ p ( x ) l x + λ ( ∑ A − l x − 1),
x x

où ` = (lx ) x∈X . En dérivant, nous obtenons

∂J
∀ x, = p( x ) − λA−lx log A = 0,
∂lx
∗ p( x )
équation qui admet comme solution A−lx = λ log A . La saturation de la contrainte per-
met de déterminer la constante λ = 1/ log A et par conséquent, exprimer la solution
sous la forme : lx∗ = − log A p( x ). Si les lx∗ étaient tous des entiers, on pourrait alors
construire un code instantané C ∗ qui aurait une longueur moyenne de E|C ∗ ( X )| =
− ∑ x p( x ) log A p( x ) = H A ( X ). Cependant, les lx∗ ne sont pas nécessairement des en-
tiers. Nous avons donc le
Théorème 8.3.3 ((Shannon [52]).). Pour tout code instantané C : X → A+ , avec A =
cardA, nous avons la minoration

E|C ( X )| ≥ H A ( X ),

avec égalité si, et seulement si, A−|C( x)| = p( x ), ∀ x.

A−|C( x)|
Démonstration. Introduisons un nouveau vecteur de probabilité r ( x ) = sur
∑y A−|C(y)|
X. Nous aurons

E|C ( X )| − H A ( X ) = ∑ p(x)|C(x)| + ∑ p(x) log A p(x)

x x
= − ∑ p( x ) log A A −|C ( x )|
+ ∑ p( x ) log A p( x )
x x
p( x )
= ∑ p( x ) log A − log(∑ A−|C(y)| )
x r(x) y
1
= D (pkr) + log
∑y A−|C(y)|
≥ 0,

car l’entropie relative D est positive et ∑y A−|C(y)| ≤ 1. Nous aurons égalité si D (pkr) =
0 et ∑y A−|C(y)| = 1.

/Users/dp/a/ens/[Link] 103
2019-12-01 • 11:29:38.
8.3. Théorème de Shannon sur le codage sans bruit Sources et leur codage

Théorème 8.3.4. Soit X une variable aléatoire de loi décrite par le vecteur de probabilité p. Il
existe un code instantané C, tel que

H A (p) ≤ E|C ( X )| < H A (p) + 1.

Démonstration. En général, nous ne pouvons pas nous attendre à ce que les valeurs lx∗ =
− log A p( x ) qui minimisent la fonctionnelle d’optimisation J — introduite en début du
paragraphe — soient entières. Cependant, chaque intervalle [− log A p( x ), − log A p( x ) +
1[ contient nécessairement un entier lx . La famille des entiers (lx ) x∈X vérifie l’inégalité
∗
de Kraft car A−lx ≤ A−lx , pour tout x. Par conséquent, il existe un code instantané
C qui admet cette famille comme famille de longueurs de mots du code. De l’enca-
drement lx∗ ≤ lx ≤ lx∗ + 1 découle immédiatement l’inégalité H A (p) ≤ E|C ( X )| <
H A (p) + 1.

Nous avons établi l’inégalité de Kraft pour des codes C ∈ Cinst . Or la classe Cud
est plus grande que C ∈ Cinst . Nous pouvons donc légitimement nous interroger si
en optimisant E|C ( X )| sur la famille des codes uniquement décodables nous pouvons
améliorer la borne de l’entropie. Le théorème suivant répond négativement à cette
question.

Théorème 8.3.5. (McMillan [42]).

1. Tout code C ∈ Cud vérifie ∑ x A−|C( x)| ≤ 1.
2. Réciproquement, pour toute famille d’entiers (lx ) vérifiant l’inégalité de Kraft, il existe
un code C ∈ Cud tel que |C ( x )| = lx , ∀ x.

Démonstration. On utilise le même symbole C pour noter le code primaire et son exten-
sion sur l’alphabet Xk de blocs de taille k.
1. On note

Xkj = {ξ ∈ Xk : |C (ξ )| = j};
Bi1 ,...,ik = {α ∈ A+ : α = α1 · · · αk , |α1 | = i1 , . . . , |αk | = ik }.

Introduisons les symboles L = maxx |C ( x )| et νl = cardX1l . Pour tout k ≥ 1 :

!k  k !k
L L kL
∑ A−|C(x)| = ∑ ∑ A−l  = ∑ νl A−l = ∑ Nl A−l ,
x l =1 x ∈X1 l =1 l =k
l

où
Nl = ∑
m ,...,m
νm1 · · · νmk = cardXkl .
1 k
m1 +...+mk =l

L’unique décodabilité du code C implique que pour chaque mot β ∈ Bi1 ,...,ik
avec i1 + . . . + ik = l, il existe au plus un mot ξ ∈ Xkl tel que C (ξ ) = β. Il est
évident par ailleurs que
Bi1 ,...,ik = Al .
[

i1 ,...,ik
i1 +...+ik =l

/Users/dp/a/ens/[Link] 104
2019-12-01 • 11:29:38.
Sources et leur codage 8.3. Théorème de Shannon sur le codage sans bruit

Ceci entraîne la majoration

 

Nl = cardXkl ≤ card  Bi1 ,...,ik  l l

 [ 
  = cardA = A .
i1 ,...,ik
i1 +...+ik =l

En remplaçant, on conclut que

!k
kL
∑ A−|C(x)| ≤ ∑ Al A−l = kL − k + 1 ≤ kL,
x l =k

ce qui entraîne que ∑ x A−|C( x)| ≤ k1/k L1/k . Cette majoration étant vraie pour
tout k ≥ 1, restera vraie en passant à la limite k → ∞, établissant ainsi l’inégalité
de Kraft pour les longueurs |C ( x )| du code C.
2. Par le théorème 8.3.2, nous savons que si l’inégalité de Kraft est vérifiée pour
une famille d’entiers (lx ), il existe un code instantané C qui admet cette famille
d’entiers comme famille des longueurs. Or tout code instantané est uniquement
décodable.

Définition 8.3.6. 1. Un code C est dit K-optimal pour une classe particulière K ⊂
C si pour tout code C 0 ∈ K on a

E|C ( X )| ≤ E|C 0 ( X )|.

2. Un code C ∈ Cud qui sature la borne de Shannon, i.e. qui vérifie E|C ( X )| =
H A ( X ), est dit absolument optimal.

Remarque 8.3.7. Nous avons vu en §7.2.2 qu’une interprétation de l’entropie est le

nombre moyen de questions à réponse binaire que nous devons poser pour déterminer
la valeur d’une variable aléatoire X. En marquant 0 chaque fois que la réponse est
« non » et 1 chaque fois que la réponse est « oui », lorsque nous parcourons l’arbre de
décision, nous obtenons le code optimal C (cf. l’exemple de la figure 7.3).

En général nous ne pouvons pas espérer qu’un code primaire C : X → A+ soit ab-
solument optimal ; la saturation de la borne de Shannon pourra s’obtenir uniquement
pour des codes étendus sur Xk , lorsque k → ∞. Il est donc utile d’avoir des résultats
permettant d’ordonner de manière abstraite les codes par leur optimalité.

Lemme 8.3.8. Un code C optimal pour la classe Cinst est optimal pour la classe Cud .

Démonstration. Supposons qu’il existe un code C2 ∈ Cud meilleur que C. Nous au-
rons alors E|C2 ( X )| < E|C ( X )|. Notons l2 ( x ) = |C2 ( x )| pour x ∈ X ; le théorème
de McMillan 8.3.5 implique que les longueurs (l2 ( x )) vérifient l’inégalité de Kraft. Par
le théorème de Kraft 8.3.2, nous savons qu’il existe un code C1 ∈ Cinst qui admet a
|C1 ( x )| = l2 ( x ). Nous avons donc trouvé un code instantané C1 strictement meilleur
que C ce qui contredit l’optimalité de ce dernier.

/Users/dp/a/ens/[Link] 105
2019-12-01 • 11:29:38.
8.3. Théorème de Shannon sur le codage sans bruit Sources et leur codage

8.3.3 Algorithme de Huffman pour la construction de codes optimaux

Notons M = cardX et supposons que |A| = 2 ; par conséquent nous pouvons, sans
perte de généralité, identifier X ' {1, . . . , M } et A = {0, 1}. Si C : X → A+ est un
code, nous notons (li )i=1,...,M la famille des longueurs de ses mots. Si p ∈ PV M est un
vecteur de probabilité, nous supposons que l’identification de X avec {1, . . . , M } s’est
faite en imposant : p1 ≥ . . . ≥ p M et que si pi = . . . = pi+s , pour un s ≥ 1, alors
li ≤ . . . ≤ li+s . Avec ces conventions en vigueur, nous avons le
Lemme 8.3.9. Sous les conditions et conventions précédentes, si C est optimal dans Cinst , alors
1. pi > pk ⇒ li ≤ lk ,
2. les deux symboles les moins probables, M − 1 et M, ont de longueurs de code identiques
l M −1 = l M ,
3. parmi tous les mots de code de longueur maximale, l M , il en existe deux dont les l M − 1
premières lettres coïncident (ils diffèrent uniquement par leur dernière lettre).
Démonstration. 1. Si pi > pk et li > lk , on peut construire un code instantané C 0 , en
échangeant i et k : 
 C ( j) si j 6= i, k,
C0 ( j) = C (k ) si j = i,
C (i ) si j = k.


Nous avons alors

E|C 0 ( X )| − E|C ( X )| = pi lk + pk li − pi li − pk lk
= ( pi − pk )(lk − li )
< 0.
Donc C 0 est meilleur que C en contradiction avec l’optimalité supposée de ce
dernier.
2. Nous avons toujours l M−1 ≤ l M car
— si p M−1 > p M alors l M−1 ≤ l M par 1 ;
— si p M−1 = p M alors l M−1 ≤ l M par l’hypothèse de rangement.
Étant donné que le code C est instantané les mots C ( M − 1) et C ( M) corres-
pondent à des feuilles de branches différentes de l’arbre de mots du code. Si
l M−1 < l M , on peut effacer la dernière lettre de C ( M) ; ce nouveau mot de lon-
gueur l M − 1 correspondra encore à un mot de code instantané car ce nouveau
mot sera encore sur une branche différente que C ( M − 1). Par ailleurs, ce nou-
veau code est strictement meilleur que C. Nous pouvons répéter cet argument
jusqu’à ce que nous obtenions un code avec l M−1 = l M , auquel cas nous devons
arrêter cette procédure car si nous enlevons encore une lettre nous obtiendrons
un préfixe de C ( M − 1).
3. S’il existe deux mots de code de longueur maximale l M qui ne coïncident pas sur
les l M − 1 premières lettres, nous pouvons effacer la dernière lettre de chacun
d’eux pour obtenir un code qui reste instantané et qui est meilleur que C.

Lemme 8.3.10. Supposons que C : X → A+ est un code instantané, A = {0, 1} et p

un vecteur de probabilité. Nous utilisons les mêmes conventions que celles en vigueur pour le
lemme 8.3.9 quant à l’ordre de X = {1, . . . , M}. Introduire 4 Y ' {1, . . . , M − 2, y M−1,M }
4. L’ensemble Y n’est donc pas nécessairement ordonné selon la convention en vigueur pour X.

/Users/dp/a/ens/[Link] 106
2019-12-01 • 11:29:38.
Sources et leur codage 8.3. Théorème de Shannon sur le codage sans bruit

avec un vecteur de probabilité q = ( p1 , . . . , p M−2 , p M−1 + p M ). Supposons que C2 : Y →

A+ est un code instantané optimal. Alors, le code C1 : X → A+ , défini par

 C2 (i ) si i = 1, . . . , M − 2,
C1 (i ) = C2 (y M−1,M )0 si i = M − 1,
C2 (y M−1,M )1 si i = M,


est un code optimal.

Démonstration. Supposons qu’au contraire C1 ne soit pas optimal ; il existe donc un
code C10 : X → A+ qui lui est strictement meilleur. Par l’affirmation 2 du lemme 8.3.9,
on a |C10 ( M − 1)| = |C10 ( M )|. Par l’affirmation 3 de ce même lemme, il existe α ∈ A+ et
a, b ∈ A tels que C10 ( M − 1) = αa et C10 ( M) = αb. En recombinant les symboles M − 1
et M en le symbole y M−1,M , on construit un code C20 : Y → A+ par
 0
0 C1 (i ) si i = 1, . . . , M − 2,
C2 (i ) =
α si i = y M−1,M .
Nous avons
M −2
E|C20 ( X )| = ∑ pi |C10 (i )| + ( p M−1 + p M )|α|
i =1
M
= ∑ pi |C10 (i)| − p M−1 |C10 ( M − 1)| − p M |C10 ( M)| + ( p M−1 + p M )(|C10 ( M − 1)| − 1)
i =1
= E|C10 ( X )| − ( p M−1 + p M ), car |C10 ( M − 1)| = |C10 ( M)|,
< E|C1 ( X )| − ( p M−1 + p M ), car C10 est supposé strictement meilleur que C1 ,
= E|C2 ( X )|,
contredisant ainsi l’optimalité de C2 .
Définition 8.3.11. Un arbre enraciné T est un arbre binaire si
— soit T est vide,
— soit T peut être écrit récursivement comme un triplet (r, Tg , Td ), où r est un
nœud (la racine de l’arbre) et Tg et Td sont deux sous arbres (respectivement
gauche et droit).
Une collection d’arbres est appelée une forêt.
Remarque 8.3.12. 1. Soit X un ensemble de symboles. Un symbole x ∈ X peut
être considéré comme l’arbre binaire ponctuel ( x, ∅, ∅). L’ensemble X peut donc
être vu comme une forêt d’arbres ponctuels.
2. Un arbre binaire est dit de type 0 − 2 si chaque sommet de l’arbre a 0 ou 2 des-
cendants. De manière équivalente, un arbre est de type 0 − 2 si dans sa décom-
position récursive (r, Tg , Td ) les deux sous-arbres sont soit tous les deux vides,
soit tous les deux non-vides.
3. Si S = (u, Sg , Sd ) et T = (v, Tg , Td ) sont deux arbres enracinés binaires arbi-
traires, S ◦ V = (z, S, T ) est un nouvel arbre enracine binaire ayant les deux
arbres précédents comme sous-arbres gauche et droit. Il est souligné que z est
un nouveau nœud qui constitue la racine du nouvel arbre.
Lemme 8.3.13. Soient p ∈ PVX et A = {0, 1}. Alors il existe un code C : X → A+
instantané optimal qui vérifie les propriétés 1–3 du lemme 8.3.9.

/Users/dp/a/ens/[Link] 107
2019-12-01 • 11:29:38.
8.3. Théorème de Shannon sur le codage sans bruit Sources et leur codage

Nous pouvons maintenant présenter l’algorithme de Huffman [26] de construction

de codes optimaux sous forme de pseudo-code.
Algorithme 8.3.14. Huffman
Require: Vecteur de probabilité p.
Ensure: Forêt F = { T1 , T2 } composée de deux arbres binaires non vides T1 et T2 .
M ← dim p
i←1
F ←∅
repeat
ti ← (i, ∅, ∅)
w ( ti ) ← p (i )
F ← F ∪ { ti }
i ← i+1
until i > M ;
repeat
T1 ← arg mint∈F w(t)
T2 ← arg mint∈F \T1 w(t)
T ← T1 ◦ T2
F ← F \ { T1 , T2 }
F ← F ∪ {T }
w( T ) ← w( T1 ) + w( T2 )
until cardF = 2.

Théorème 8.3.15. Le code de Huffman, consistant à l’attribuer la lettre 0 à tout sous-arbre

gauche et la lettre 1 à tout sous-arbre droit dans l’algorithme précédent, est un code instantané
optimal.
Exemple 8.3.16.

8.3.4 Examen critique du code de Huffman

Le code de Huffman nous fournit un codage pour un alphabet de source X et un
vecteur de probabilité p donnés. Lorsque les probabilités p( x ), pour x ∈ X sont des
puissances négatives de 2, le code de Huffman est optimal (sature la borne d’entropie)
car les nombres − log p( x ) sont des entiers pour tout x ∈ X est déterminent la longueur
des mots de code. En général, les probabilités p( x ) ne sont pas des puissances négatives
de 2 et, dans ce cas, le code de Huffman ne fournit des codes optimaux qu’asymptoti-
quement pour des alphabets étendus Xk en des blocs de taille k grande. Dans ce cas,
la taille de la table du code, i.e. du vecteur (C (x))x∈Xk à |X|k composantes, croît expo-
nentiellement avec la taille k des blocs. Or pour pouvoir décoder les messages, et étant
donné que le code de Huffman n’est pas uniquement déterminé par p, la connaissance
de la table du code est nécessaire par le destinataire. Ce qui implique que la table doit
aussi être transmise, ce qui dégrade les qualités du codage de Huffman.
Un autre inconvénient du code est que sa table dépend très fortement du vecteur
p. Si par exemple on veut transmettre du texte bilingue français/anglais, le vecteur de
probabilité variera selon que la portion codée est en français ou en anglais. Or le code
de Huffman n’est pas adapté à cette situation.
Pour pallier ces inconvénients, d’autres codages on été introduits. Les codes arith-
métiques, dont un exemple est présenté en §8.4.1, nécessite toujours la connaissance

/Users/dp/a/ens/[Link] 108
2019-12-01 • 11:29:38.
Sources et leur codage 8.4. Autres types de codes

du vecteur de probabilité mais cette information est suffisante pour coder et décoder le
message sans qu’une table complète pour des blocs de grande taille soit nécessaire. Les
codes par dictionnaire, dont un exemple est présenté en §8.4.2, ne nécessitent même
pas la connaissance du vecteur de probabilité et sont donc adaptés pour des codages
de textes plurilingues.

8.4 Autres types de codes

8.4.1 Le code arithmétique de Shannon-Fano-Elias
Dans le folklore de la théorie de l’information, le code présenté dans ce paragraphe
porte le nom de code de Shannon, Fano et Elias (FSE). Cependant, selon [46], la pre-
mière trace écrite de ce type de codage se trouve dans le livre [27] 5 . Ce code est un
précurseur du standard JPEG.
Afin de présenter précisément cet algorithme on introduit la
Notation 8.4.1. On note A = |A| (on identifie A = {0, . . . A − 1}) et on définit deux
applications num et seq comme suit :
— L’application num est définie par la formule
l
b
A+ 3 β = b1 · · · bl 7→ num( β) = ∑ Aii ∈ [0, 1[.
i =1

— Pour un x ∈ [0, 1[, on définit seq comme le pseudo-inverse de num par

[0, 1[3 x 7→ seq( x ) = [ β] ∈ AN / ∼,

où deux suites β = b1 · · · bn ( A − 1)( A − 1) · · · et γ = b1 · · · (bn + 1)00 · · · , pour
0 ≤ bn ≤ A − 2, sont équivalentes — et on note β ∼ γ — car num( β) = num(γ).
Pour pallier cet inconvénient, on peut choisir systématiquement comme repré-
sentant de la classe d’équivalence la suite qui se termine par une suite infinie de
zéros.
Par ailleurs, une suite de AN qui se termine par une suite infinie de zéros, sera
identifiée avec une suite de A L où L est sa dernière lettre non nulle.
On considère maintenant un alphabet d’entrée X de cardinal M = cardX ≥ 1 et une
probabilité de génération de lettres déterminée par le vecteur de probabilité p ∈ R+ M

(avec ∑ x∈X p( x ) = 1). Le symbole précis qui représente chaque lettre d’entrée ne jouera
aucun rôle ; on identifie donc X avec l’ensemble {0, . . . , M − 1}. Cette identification in-
duit un ordre naturel sur le lettres de l’alphabet. Nous pouvons donc définir la fonction
de répartition d’une variable aléatoire X prenant des valeurs dans X selon la loi décrite
par p :

F ( z ) = P( X ≤ z ) = ∑ p ( y ),
y∈X,y≤ x

F (z−) = P( X < z) = ∑ p ( y ),
y∈X,y< x

pour tout z ∈ R.
5. L’auteur n’a pas pu accéder à la référence [27].

/Users/dp/a/ens/[Link] 109
2019-12-01 • 11:29:38.
8.4. Autres types de codes Sources et leur codage

Exemple 8.4.2. Soit l’alphabet de la source X = { a, b, c} ' {0, 1, 2} et un symbole

X ∈ X émis avec P( X = x ) = p( x )., avec p(0) = 0.2, p(1) = 0.5 et p(2) = 0.3.
La fonction de répartition pour cet exemple est donnée dans la figure 8.2.

0.8

0.6

0.4

0.2

0
−6 −4 −2 0 2 4 6

Figure 8.2 – Fonction de répartition pour l’exemple 8.4.2.

Derrière cet algorithme se trouvent quelqes idées simples :

— Chaque lettre x ∈ X va être associée, non pas à un mot de A+ mais à un sous-
intervalle Ix de [0, 1[, où Ix = [ F ( x −), F ( x )[= [ F ( x −), F ( x −) + p( x )[, de lon-
gueur p( x ). Le tableau 8.1 indique cette représentation pour l’exemple 8.4.2.
— Par construction les intervalles sont disjoints.

x p( x ) F ( x −) Ix
a'0 0.2 0.0 [0.0, 0.2[
b'1 0.5 0.2 [0.2, 0.7[
c'2 0.3 0.7 [0.7, 1.0[
Table 8.1 – L’association x 7→ Ix , x ∈ X, pour l’exemple 8.4.2.

— Maintenant, si on veut coder un mot de 2 lettres, par exemple ξ = bc, nous

commençons par lire la première lettre b. L’intervalle qui représentera ξ sera
donc un sous-intervalle de Ib = [0.2, 0.7[. Nous devons ensuite subdiviser l’in-
tervalle Ib en sous-intervalles semi-ouverts contigus de Ib qui auront des rap-
ports de longueurs | Ibx |/| Ib | = p( x ), pour x ∈ X. Comme la deuxième lettre est
c, on conclut que | Ibc | = 0.5 × 0.3 = 0.15 et son extrémité gauche sera au point
0.2 + 0.5 × (0.2 + 0.5) = 0.55.
— Plus généralement, pour coder un mot ξ = x1 · · · xK ∈ X N , on commence par
déterminer l’intervalle Ix1 = [ g1 , g1 + l1 [, où g1 = F ( x1 −), de longueur l1 =
p( x1 ) et ensuite procéder récursivement en définissant, pour 1 < k ≤ N :
gk = gk−1 + F ( xk −)lk−1
l k = p ( x k ) l k −1
Ix1 ...xk = [ gk , gk + lk [.
On peut même commencer la récurrence ci-dessus à k = 0, en associant l’inter-
valle Iε = [0, 1[ à l’unique mot de longueur 0, à savoir le mot vide.
— Maintenant, on doit transmettre l’information qui permet au récipiendaire du
message de déterminer l’intervalle Iξ . Or, on ne peut pas transmettre un inter-
valle mais une suite finie de bits. Supposons que nous avons déterminé Iξ =

/Users/dp/a/ens/[Link] 110
2019-12-01 • 11:29:38.
Sources et leur codage 8.4. Autres types de codes

[ g, g + l [. Étant donné qu’il existe un unique Iξ correspondant à un ξ ∈ X N

donné, tout y ∈ Iξ peut servir à représenter Iξ , par exemple y = g + l/2. Cepen-
dant, on ne peut pas transmettre y non plus car, en général il s’agit d’un réel,
représenté par une suite (en principe infinie) β = seq(y) ∈ AN .
— Supposons que nous tronquons la suite β = seq(y) à L digits (L sera déterminé
dans la suite). On dispose alors d’une suite tronquée β̂ = β L ∈ A L dont la va-
leur numérique num( β̂) = ∑kL=1 Aii = ŷ ∈ [0, 1[. On a alors y − ŷ = ∑i≥ L+1 Aii ≤
β β

( A − 1) ∑i≥ L+1 A1i = A1L . En choisissant A1L < 2l , i.e.

L > − log A (l/2) = d− log A (l/2)e,

on est sûr que l’approximation ŷ de y est encore dans l’intervalle Iξ ; elle peut
donc servir à représenter Iξ .
— Il s’ensuit que nous pouvons coder le mot ξ ∈ X N en posant C (ξ ) = β̂ L .
— Il est à souligner que le nombre de bits L := Lξ nécessaire dépend du mot ξ =
x1 · · · x N à travers la dépendance de la longueur l := lξ de l’intervalle Iξ . En
effet, lξ = p( x1 ) · · · p( x N ). Par conséquent Lξ = d− ∑kN=1 log A p( xk ) + log A 2e.
— Le décodage s’effectue en suivant le cheminement logique inverse.

On est alors en mesure de présenter le codage et le décodage SFE sous forme algo-
rithmique.

Algorithme 8.4.3. Codage SFE

Require: Vecteur de probabilité p (donc fonction de répartition F),
mot à coder ξ = x1 · · · x|ξ | ∈ X+ .
Ensure: N longueur du mot ξ et β = C (ξ ) ∈ A+ .
N ← |ξ |
k←0
gk ← 0
lk ← 1
while k < N do
k ← k+1
gk ← gk−1 + F ( xk −)lk−1
l k ← p ( x k ) l k −1
end while
L ← d− log A (l N /2)e
β ← seq( g N + l2N ) L ∈ A L

/Users/dp/a/ens/[Link] 111
2019-12-01 • 11:29:38.
8.4. Autres types de codes Sources et leur codage

Algorithme 8.4.4. Décodage SFE

Require: β̂ qui finit par des 0, N et ρ(⇔ F ).
Ensure: ξ ∈ X N .
k←1
r1 ← num( β̂)
x1 ← arg maxy 1[ F(y−),F(y)[ (r1 )
ξ ← ξxk
while k < N do
k ← k+1
r − F ( x −)
rk ← k−1ρ( x k−) 1
k −1
xk ← arg maxy 1[ F(y−),F(y)[ (rk )
ξ ← ξxk
end while

Théorème 8.4.5. Soit ( Xn )n∈N une suite de variables aléatoires, à valeurs dans un alphabet
X, indépendantes et identiquement distribuées. On note X ( N ) = X1 · · · X N ∈ X N le N-uplet
de N copies indépendantes de la même variable aléatoire X distribuée selon la loi commune et
C : X → A+ le code de Shannon-Fano-Elias (et son extension sur X+ ). Alors

log A 2 E|C ( X ( N ) )| 1 + log A 2

HA (X ) + ≤ ≤ HA (X ) + .
N N N
Démonstration. On a vu que L X ( N ) = d− ∑kN=1 log A p( Xk ) + log A 2e, par conséquent

N log A 2 N
− ∑ log A p( xk ) +
N
≤ |C ( X ( N ) )| = L X ( N ) ≤ − ∑ log A p( xk ) + log A 2 + 1.
k =1 k =1

En multipliant tous le membres de l’inégalité par ∏nn=1 p( xn ) et en intégrant sur les

mots, on obtient

H A ( X1 , . . . , X N ) + log A 2 ≤ E|C ( X ( N ) )| ≤ H A ( X1 , . . . , X N ) + log A 2 + 1.

On conclut par l’additivité H A ( X1 , . . . , X N ) = NH A ( X ) de l’entropie dans le cas indé-

pendant.
Une généralisation de cet algorithme qui consiste à utiliser deux ordres différents
pour indexer les lettres de l’alphabet est utilisée dans [28] pour proposer un algorithme
de cryptage.

8.4.2 Codage universel et algorithme de Lempel-Ziv

Les défauts des codages précédents sont corrigés par le codage de Lempel et Ziv
[62, 61] et ses variantes ultérieures. Nous présentons l’algorithme connu sous l’acro-
nyme LZ78 qui est largement utilisé en informatique, par exemple par l’utilitaire gzip
en système d’exploitation linux/unix.
L’algorithme effectue un premier passage sur le texte à coder et construit un dic-
tionnaire. Le premier mot du dictionnaire est le mot vide et ensuite des bouts de mots
sont ajoutés dans le dictionnaire chaque fois qu’un nouveau mot est rencontré dans
l’analyse du texte. Le deuxième passage se fait après la construction de la totalité du

/Users/dp/a/ens/[Link] 112
2019-12-01 • 11:29:38.
Sources et leur codage 8.4. Autres types de codes

dictionnaire pour déterminer sa taille. Avant de présenter l’algorithme commençons

par un exemple commenté. Supposons que nous voulons coder le mot ξ ∈ X+ , ou
X = {0, 1} et ξ = 1011010100010, de longueur L = |ξ | = 13. Le dictionnaire en posi-
tion 0 contient toujours le mot vide, noté ε. En analysant α, nous rencontrons comme
premier sous-mot, non encore contenu dans le dictionnaire la lettre 1, identifiée avec
le mot ε1. Nous codons ce mot en indiquant le couple (adr, suffixe), où suffixe est
la lettre que nous devons ajouter comme suffixe au mot qui se trouve en position adr
dans le dictionnaire ; en l’occurrence, nous codons (0, 1), signifiant « ajouter au mot en
position 0 dans le dictionnaire le suffixe 1. Ainsi le dictionnaire contient maintenant le
mot ε en position 0 et le mot 1 en position 1. Ensuite dans l’analyse de ξ nous rencon-
trons la lettre 0 qui est identifiée au mot ε0. Le dictionnaire contiendra alors en position
2 le mot 0, codé (0, 0). Ceci signifie que le mot est obtenu en ajoutant comme suffixe au
mot en position 0 la lettre 0, etc. En continuant ainsi l’analyse de ξ, nous remplissions
les dictionnaire comme indiqué sur la table 8.2.

adr mot code

0 ε
1 1 (0,1)
2 0 (0,1)
3 11 (1,1)
4 01 (2, 1)
5 010 (4, 0)
6 00 (2, 0
7 10 (1,0)

Table 8.2 – La construction du dictionnaire selon LZ78 ; elle correspond à l’analyse du mot ξ =
·0 · 1 · 11 · 01 · 010 · 00 · 10 ; le symbole · sert à visualiser les positions de césure. Le dictionnaire
contient 8 entrées —numérotées de 0 à 7 — nécessitant donc 3 bits pour être codées. Le code
brut correspondant à ξ est C (ξ ) = (0, 1)(0, 0)(1, 1)(2, 1)(4, 1)(2, 0)(1, 0). En codant la position
de chaque préfixe dans le dictionnaire par un mot de 3 bits, on obtient pour le code final C (ξ ) =
000100000010101100101000010 de longueur |C (ξ )| = 28 bits.

La structure de données du dictionnaire D sera donc une liste ordonnée. Si L =

( L1 , . . . , L N ) est une liste ordonnée d’objets Li ∈ B, pour i = 1, . . . , N et B un certain
ensemble, nous définissons l’opération « annexer en dernière position » ADP définie
par ADP( L, β) := ( L1 , . . . , L N , β) pour β ∈ B. Nous pouvons maintenant donner la
définition précise de l’algorithme.

/Users/dp/a/ens/[Link] 113
2019-12-01 • 11:29:38.
8.4. Autres types de codes Sources et leur codage

Algorithme 8.4.6. LZ78

Require: Mot α ∈ A+ , fonctions ADP et adr .
Ensure: Dictionnaire D (i.e. liste ordonnée de mots de A+ ) et code C (α) (i.e. liste or-
donnée de couples (adr, suf)).
β←ε
D ← (ε)
C ← ()
K ← |α|
k←1
drapeau_fin ← 0
while k ≤ K et drapeau_fin = 0 do
a ← αk
if βa ∈ D then
if k = K then
C ← ADP(C, (adr( βk−1 ), a))
drapeau_fin ← 1
else
β ← βa
end if
else
D ← ADP( D, βa)
C ← ADP(C, (adr( β), a))
β←ε
end if
k ← k+1
end while

On peut remarquer que le code LZ78 en aucun moment ne fait appel explicitement
au vecteur de probabilité de l’alphabet. Par ailleurs, il semble que pour le mot court de
l’exemple ci-dessus, on a |C (ξ )| > |ξ |, i.e. un code qui est plus plus long que le mot sur
lequel il s’applique. Il est cependant remarquable que l’on peut montrer le

Théorème 8.4.7. Soit ( Xn )n∈N une suite de variables aléatoire indépendantes et identique-
ment distribuées à valeurs dans X. Pour tout n ∈ N, on note X := X(n) = ( X1 X2 · · · Xn ) ∈
Xn . On alors
|C (X(n) )|
lim = H ( X1 ) .
n→∞ n
De manière encore plus remarquable, on peut étendre ce résultat à des suites de
variables aléatoires stationnaires (cf. définition 5.5.1).

Remarque 8.4.8. On montre aussi facilement qu’une suite ( Xn )n∈N de variables aléa-
toires sur un espace de probabilité (Ω, F , P) à valeurs dans (X, X ) est stationnaire si,
pour tout k ∈ N, les lois conjointes P( Xn ∈ B0 , . . . Xn+k ∈ Bk ), pour B0 , . . . , Bk ∈ X , ne
dépendent pas de n.

Les suites stationnaires généralisent les suites i.i.d. En effet, toute suite i.i.d. est
stationnaire. Il existe cependant des suites stationnaires qui ne sont pas i.i.d. comme le
montre l’exemple suivant.

/Users/dp/a/ens/[Link] 114
2019-12-01 • 11:29:38.
Sources et leur codage 8.5. Exercices

Exemple 8.4.9. 1. Soit ( Xn )n∈N une chaîne de Markov (X, P, π ), où π est la pro-
babilité invariante de la chaîne. Alors ( Xn )n∈N est stationnaire.
2. Soient (ξ n )n∈N une suite variables aléatoires réelles i.i.d. intégrables et (αn )n∈N
une suite réelle sommable. La suite ( Xn )n∈N définie, pour tout n ∈ N, par Xn =
∑∞m=0 αm ξ n+m est stationnaire.

On peut alors montrer le

Théorème 8.4.10. Soit X := ( Xn )n∈N une chaîne de Markov (X, P, π ), où π est la probabi-
lité invariante de la chaîne. Alors
|C ( X1 · · · Xn )|
lim = h ( X ),
n→∞ n
| H ( X1 ··· Xn )|
où h(X) := limn→∞ H ( Xn | X1 · · · Xn−1 ) = limn→∞ n est l’entropie spécifique (i.e.
l’entropie par variable aléatoire) de la chaîne.

La démonstration (voir [5, pp. 184–189] par exemple) de ce théorème est en dehors
des exigences de ce cours. On peut même démontrer un résultat analogue pour toute
suite stationnaire ergodique — pas nécessairement une chaîne de Markov possédant
une probabilité invariante — (voir [14, pp. 319–326]). Ce résultat s’inscrit dans le cadre
plus général de la relation entre la complexité de Kolmogorov — notion que sera ef-
fleurée dans le cours de Complexité [49] — et l’entropie.

8.5 Exercices
Codes instantanés, codes uniquement décodables
75. Soit C : {a, b} → {0, 1}∗ le code défini par
x C(x)
a 1
b 101
(a) Le code C est-il instantané ?
(b) Est-il uniquement déchiffrable ?
76. Déterminer si les codes suivants — définis sur des ensembles à 7 ou 8 éléments
selon le cas — sont instantanés ; sinon sont-ils uniquement décodables.
x1 abc 0101 00 00
x2 abcd 0001 112 11
x3 e 0110 0110 0101
x4 dba 1100 0112 111
x5 bace 00011 100 1010
x6 ceac 00110 201 100100
x7 ceab 11110 212 0110
x8 eabd 101011 22
77. Soient X un ensemble de cardinal M = 4 et p = (1/2, 1/4, 1/8, 1/8) un vecteur
de probabilité sur X. On considère les quatre codes Ck , k = 1, . . . , 4, définis ci-
dessous.

/Users/dp/a/ens/[Link]
115
2019-09-02 • 10:31:02.
8.5. Exercices Sources et leur codage

X C1 ( X ) C2 ( X ) C3 ( X ) C4 ( X )
a 0 00 0 0
b 10 01 1 01
c 110 10 00 011
d 111 11 11 111
(a) Calculer H (p).
(b) Pour k = 1, . . . , 4, calculer E|Ck ( X )| et comparer avec H (p).
(c) Pour k = 1, . . . , 4, déterminer si Ck est un code instantané et sinon s’il est
uniquement décodable.

Codes de Huffman
78. Soient X un ensemble de cardinal M et p un vecteur de probabilité sur X. Calcu-
ler un code de Huffman et comparer l’espérance de sa longueur avec l’entropie
dans les cas suivants :
(a) M = 5 et p = (0.25, 0.25, 0.2, 0.15, 0.15).
(b) M = 6 et p = (0.3, 0.25, 0.2, 0.1, 0.1, 0.05).
79. Soit X = {0, 1}, p = (0.9, 0.1) et p0 = (0.6, 0.4) deux vecteurs de probabilité et
K un entier strictement positif. On note X K = ( X1 , . . . , XK ), où ( Xi )i=1,...,K sont
de copies indépendantes de la même variable aléatoire sur X.
(a) Calculer H ( X K ) lorsque X1 est distribuée selon p et selon p0 .
(b) Calculer un code de Huffman C pour K = 2, . . . , 4 dans les deux cas p et p0 .
(c) Calculer Ep |C ( X K )| et Ep0 |C ( X K )| pour K = 2, . . . , 4.
80. Déterminer un vecteur de probabilité p sur X = {a, b, c, d} qui donne lieu à
deux codes de Huffman différents. Pour chacun de ces codes calculer l’espé-
rance de sa longueur et comparer la avec H (p).

Compléments sur les codes

81. Soient X une variable aléatoire à valeurs dans X = {a,b,c,d} distribuée selon
une loi décrite par le vecteur de probabilité p = (1/2, 1/4, 1/8, 1/8) et C : X →
A+ avec A = {0, 1} un code de Huffman. On note avec le même symbole C
l’extension du code sur X+ et on considère un mot ξ ∈ X+ de longueur L = |ξ |.
On désigne par α = C (ξ ) ∈ A+ la suite codant ξ. Quelle est la probabilité qu’un
bit au hasard de cette suite prenne la valeur 1 lorsque L → ∞ ?
82. On dispose d’une pièce honnête et on veut simuler une variable aléatoire X ∈
X = {1, . . . , M} avec une loi p.
(a) Proposer un algorithme.
(b) Combien de fois en moyenne doit-on lancer la pièce avec votre algorithme
pour simuler X ∈ {a,b,c} avec loi p = (1/2, 1/4, 1/4) ?
(c) Même question pour X ∈ {a,b} et p = (2/3, 1/3) ?
83. Construire le dictionnaire de chaînes-préfixes du codage du mot

α = the fat cat sat on the mat.

par l’algorithme de Lempel-Ziv 78.

/Users/dp/a/ens/[Link] 116
2019-12-01 • 11:29:38.
Sources et leur codage 8.5. Exercices

84. Coder et décoder selon LZ78 le mot

β = 00121212102101210122101

/Users/dp/a/ens/[Link] 117
2019-12-01 • 11:29:38.
8.5. Exercices Sources et leur codage

/Users/dp/a/ens/[Link] 118
2019-12-08 • 10:20:27.
 Canaux bruités sans mémoire
9
La notion de canal est très générale. Initialement elle a été introduite pour signifier
la transmission d’un signal codant de l’information à travers un milieu et décrire les
altérations que subit l’information à cause du bruit. Cependant, on parle aujourd’hui
de canal pour modéliser une transformation arbitraire que subit un mot codé dans un
alphabet fini. Les codes que nous avons vus au chapitre précédent sont des cas par-
ticuliers des canaux. Ce qui va nous intéresser dans ce chapitre n’est pas de coder
efficacement la source mais de décrire précisément l’action du canal, c’est-à-dire les
perturbations dues au bruit.

9.1 Modélisation markovienne

On suppose que le canal reçoit en entrée un mot aléatoire X ∈ X+ , où X est un al-
phabet fini et transmet en sortie un mot aléatoire Y ∈ Y+ . La probabilité conditionnelle
P(Y = y|x = x) est appelée probabilité de transmission du canal. Dans la suite, nous
supposons que les entrées et les sorties ont la même longueur, i.e. |x| = |y| et que les
symboles qui arrivent en entrée sont émis selon une source indépendante. Cette hypo-
thèse d’indépendance peut être relaxée au prix d’une complication dans les formules
et dans la modélisation de la source.

Définition 9.1.1. Soit ( pn )n∈N une suite d’applications, définies pour tout n ∈ N, par

Xn × Yn 3 (x, y) → pn (x, y) := P(Y = y|x = x) ∈ [0, 1].

1. La triplet (X, Y, ( pn )n∈N ) est appelé canal discret.

2. Le canal est dit sans mémoire, s’il existe une matrice stochastique P : X × Y →
[0, 1] telle que pour tout n ∈ N et tous x ∈ Xn et y ∈ Yn , la probabilité condition-
nelle s’écrit pn (x, y) = ∏in=1 P( x, y). Un canal sans mémoire sera alors identifié
avec le triplet (X, Y, P), où P est une matrice stochastique |X| × |Y|.

Dorénavant, nous ne considérons que de canaux sans mémoire.

119
9.2. Classification des canaux Canaux bruités sans mémoire
 
1 − e0 e0
Exemple 9.1.2. Considérer le canal avec X = Y = {0, 1} et P = e1 1 − e1 , avec
e0 , e1 ∈ [0, 1]. Il s’agit d’un canal discret sans mémoire. On calcule
P(Y = 110|X = 010) = P(0, 1) P(1, 1) P(0, 0) = e0 (1 − e1 )(1 − e0 ).
Si e0 = e1 = 0 ce canal est parfait car P = I. Dans un certain sens, qui sera précisé
en §9.2 mais qui est intuitivement clair, le cas avec e0 = e1 = 1 correspond aussi à un
canal parfait, tandis que le cas e0 = e1 = 1/2 à un canal inutile.
Remarque 9.1.3. La notion de canal est une notion très générale. Nous avons étudié
en chapitre 8 le codage de la source. Si X = { a, b, c, d} et A = {0, 1}, nous avons
vu que C : X → A+ avec C ( a) = 0, C (b) = 10, C (c) = 110 et C (d) = 111 est
un code instantané. Ce code peut aussi être vu comme un canal avec Y = C (X) =
{0, 10, 110, 111} et P une matrice stochastique déterministe, correspondant à un canal
parfait. Plus généralement toute fonction f : X → Y est équivalente à une matrice
stochastique déterministe |X| × |Y|, notée K f , dont les éléments de matrice sont définis
par
X × Y 3 ( x, y) 7→ K f ( x, y) = δ f ( x) (y).
C’est-à-dire une fonction f : X → Y est le canal (X, Y, K f ).
Nous avons établi en chapitre 7 les propriétés de l’entropie et les relations entre
entropie conjointe, entropie conditionnelle et information mutuelle. Rappelons aussi
que si la loi (le vecteur de probabilité) de la source µ ∈ PVX et la matrice stochastique
P du canal sont données, nous pouvons calculer
— l’entropie de la source H ( X ),
— la loi conjointe κ ( x, y) = P( X = x, Y = y) = µ( x ) P( x, y) (et par conséquent
l’entropie conjointe H ( X, Y )),
— la loi de sortie ν(y) = ∑ x∈X κ ( x, y) = ∑ x∈X µ( x ) P( x, y) (et par conséquent l’en-
tropie de la sortie H (Y )),
— les entropies conditionnelles H ( X |Y ) et H (Y | X ) et l’information mutuelle I ( X :
Y ).
La figure 9.1 rappelle schématiquement les relations qui existent entre ces différentes
quantités. Il va de soi que toutes ces quantités sont fonctions du couple (µ, P). Ceci
nous amène, lorsque la loi de l’entrée est fixée, à une notation plus précise du canal.
Notation 9.1.4. Un canal discret sans mémoire est le quadruplet (X, µ, Y, P), où X, Y
sont les alphabets d’entrée er de sortie, µ la loi de l’entrée et P la matrice de trans-
mission. On garde cependant la notation sous forme de triplet (X, Y, P) lorsque nous
ne voulons pas préciser d’emblée la loi d’entrée (par exemple lorsque nous voulons
étudier le comportement du canal pour une famille de lois d’entrée (cf. définition de
capacité 9.3.1 plus loin).

9.2 Classification des canaux

9.2.1 Canaux sans perte
Les canaux sans perte sont les canaux caractérisés par la propriété H ( X |Y ) = 0 ;
cette propriété signifie que si nous connaissons la sortie, il ne reste plus aucune incerti-
tude quant à la valeur en entrée, autrement dit, l’entrée est totalement déterminée par

/Users/dp/a/ens/[Link] 120
2019-12-08 • 10:20:27.
Canaux bruités sans mémoire 9.2. Classification des canaux

H ( X, Y )

H (X)

H (Y )

H ( X |Y ) I (X : Y) H (Y | X )

Figure 9.1 – Représentation schématique des valeurs de différentes entropies. Toutes ces quantités
sont fonctions de la loi de la source µ et de la matrice stochastique P du canal.

la sortie. De manière équivalente, I ( X : Y ) = H ( X ) − H ( X |Y ) = H ( X ), c’est-à-dire

que l’information mutuelle entre l’entrée et la sortie coïncide avec toute l’information
de l’entrée.
Il est instructif de visualiser un tel canal. Supposons que cardX = M (par consé-
quent X ' { x1 , . . . , x M }) et que Y soit partitionné en M parties ( Bi )i=1,...,N non-vides
(i.e. Y = tiM=1 Bi ). Le canal est décrit par une matrice stochastique ( P ( x, y )) x ∈X,y∈Y telle
que, pour tout i ∈ {1, . . . , M} on ait

P(Y ∈ Bi | X = xi ) = ∑ P( xi , y) = P( xi , Bi ) = 1.
y∈ Bi

Mais alors, en notant µ la loi de la source,

P( X = xi ; Y ∈ Bi ) = µ( xi );
µ ( xi ) µ ( xi )
P( X = xi |Y ∈ Bi ) = =
P(Y ∈ Bi ) ∑ j P(Y ∈ Bi | X j = x j )P( X = x j )
µ ( xi ) µ ( xi )
= = = 1.
∑ j δi,j µ( x j ) µ ( xi )

9.2.2 Canaux déterministes

Les canaux déterministes sont les canaux dont la matrice stochastique P est déter-
ministe, i.e. dans chaque ligne il existe un unique élément égal à 1 (∀ x ∈ X, ∃!y := y x ∈
Y, P( x, y x ) = 1) tandis que tous les autres éléments de matrice sont nuls. Si µ est la loi
d’entrée, on calcule la loi conjointe d’entrée-sortie

X × Y 3 ( x, y) 7→ κ ( x, y) = µ( x ) P( x, y) = µ( x )1{yx } (y).

Un calcul élémentaire donne H ( X, Y ) = H (κ ) = H ( X ) et par conséquent H (Y | X ) =

H ( X, Y ) − H ( X ) = 0 et I ( X : Y ) = H (Y ) − H (Y | X ) = H (Y ).

Exemple 9.2.1. Supposons que nous disposions d’un jeu de 52 cartes. Soit X ∈ X =
{1, . . . , 10, J, Q, K} × {♥, ♦, ♠, ♣} le vecteur aléatoire du couple (valeur, enseigne) d’une
carte tirée au hasard et Y ∈ Y = {♥, ♦, ♠, ♣} la variable aléatoire « enseigne » de la
carte qui est transmise. Si la loi de X est la loi uniforme sur X, alors I ( X : Y ) = H (Y ) =
log 4 = 2.

/Users/dp/a/ens/[Link] 121
2019-12-08 • 10:20:27.
9.2. Classification des canaux Canaux bruités sans mémoire

9.2.3 Canaux sans bruit

Un canal sans bruit est un canal qui est à la fois sans perte (H ( X |Y ) = 0, i.e. l’entrée
est déterminée par la sortie) et déterministe (H (Y | X ) = 0, i.e. la sortie est déterminée
par l’entrée). Par conséquent, I ( X : Y ) = H ( X ) = H (Y ).

9.2.4 Canaux inutiles

Un canal inutile est un canal qui, pour toute loi d’entrée µ ∈ M1 (X), vérifie I ( X :
Y ) = 0. On a alors

0 = I ( X : Y ) = H ( X ) − H ( X |Y ) = 0 ⇒ H ( X ) = H ( X |Y ) ,

c’est-à-dire que les variables X et Y d’entrée-sortie sont indépendantes ou, dit autre-
ment, l’observation de la sortie ne nous apprend rien sur l’entrée. Une autre manifes-
tation de l’indépendance de variables X et Y est que toutes les lignes de la matrice
stochastique P sont égales entre elles (et bien-sûr correspondent à un vecteur de pro-
babilité sur Y).

9.2.5 Canaux symétriques

Définition 9.2.2. Soient Sn le groupe des permutations sur n objets et (X, Y, P) un
canal sans mémoire. Supposons qu’il existe un vecteur de probabilité p ∈ M1 (Y) et
un vecteur dans z ∈ [0, 1]|X| , tels que
1. ∀ x ∈ X, ∃σx ∈ S|Y| : ∀y ∈ Y, P( x, y) = p(σx y) et
2. ∀y ∈ X, ∃σy ∈ S|X| : ∀ x ∈ X, P( x, y) = z(σy x ).
Alors le canal est dit canal symétrique.
Exemple 9.2.3. Les canaux (entre les espaces d’entrée et sortie idoines) dont les ma-
trices de transmission sont
1 1 1
1 1 1 1
2 3 6
P1 = 13 31 61 16 et P2 =  16 12 13 
6 6 3 3 1 1 1
3 6 2

sont des canaux symétriques. Effectivement, dans les deux cas, chaque ligne est la per-
mutation d’un même vecteur de probabilité et chaque colonne la permutation d’un
même vecteur de [0, 1]|X| .
Calculons l’entropie conditionnelle :

H (Y | X ) = ∑ µ ( x ) H (Y | X = x )
x ∈X
=− ∑ µ( x ) ∑ P(Y = y|X = x) log P(Y = y|X = x)
x ∈X y ∈Y

=− ∑ µ( x ) ∑ P( x, y) log P( x, y)
x ∈X y ∈Y

=− ∑ µ( x ) ∑ p(σx y) log p(σx y)

x ∈X y ∈Y
= H ( p ).

/Users/dp/a/ens/[Link] 122
2019-12-08 • 10:20:27.
Canaux bruités sans mémoire 9.3. Capacité du canal, propriétés de la capacité

On constate donc que l’entropie conditionnelle dépend uniquement des caractéris-

tiques du canal (à travers le vecteur de probabilité p) et elle est indépendante de la
loi d’entrée µ. L’information mutuelle sera donnée par I ( X : Y ) = H (Y ) − H (Y | X ) =
H (Y ) − H (p) et il est facile de voir que
cap( P) := sup I ( X : Y ) = log cardX − H (p).
µ∈M1 (X)

En particulier pour un canal symétrique binaire, cap( P) = supµ∈M1 (X) I ( X : Y ) =

1 − H (p) s’annule pour p = (1/2, 1/2) signifiant que — dans ce cas — le canal binaire
est alors inutile.

9.3 Capacité du canal, propriétés de la capacité

Définition 9.3.1. Pour un canal fixé (i.e. une matrice de transmission fixée P), on ap-
pelle capacité la quantité
cap := cap( P) = sup I ( X : Y ).
µ∈M1 (X)

Remarque 9.3.2. La signification de la définition 9.3.1 n’est pas encore très claire. Elle
le deviendra dans le §9.5. Signalons pour l’instant les deux résultats qui seront montrés
dans la suite :
1. il est possible de transmettre de l’information avec un taux d’erreur arbitraire-
ment petit à tout taux de transmission R (cf. définition 9.5.2) R < cap,
2. dès que le taux de transmission R dépasse la capacité cap, la transmission n’est
plus fiable.
Ceci signifie que chaque canal se comporte comme un « tuyau » à travers lequel on
peut faire passer un débit maximal de fluide.
Proposition 9.3.3. Soient un canal sans bruit (X, Y, P) et cap sa capacité.
1. cap ≥ 0.
2. cap ≤ log cardX.
3. cap ≤ log cardY.
Démonstration. 1. Comme I ( X : Y ) ≥ 0 (cf. remarque 7.5.8), la positivité de cap en
découle immédiatement.
2. On a
cap = sup I (X : Y) = sup ( H ( X ) − H ( X |Y )) ≤ sup H ( X ) ≤ log cardX.
µ∈M1 (X) µ∈M1 (X) µ∈M1 (X)

3. On a
cap = sup I (X : Y) = sup ( H (Y ) − H (Y | X )) ≤ sup H (Y ) ≤ log cardY.
µ∈M1 (X) µ∈M1 (X) µ∈M1 (X)

Le calcul de la capacité du canal est un problème difficile. Une formule fermée

pour cap peut être trouvée uniquement dans quelques cas simples, comme les canaux
symétriques, mais nous ne connaissons de formule dans le cas général.

/Users/dp/a/ens/[Link] 123
2019-12-08 • 10:20:27.
9.4. Un exemple illustratif simple Canaux bruités sans mémoire

9.4 Un exemple illustratif simple

Exemple 9.4.1. Soit un canal (X, Y, P) avec X = { x1 , x2 , x3 }, Y = {y1 , y2 , y3 } et
 
0.5 0.3 0.2
Pxy := P(Y = y| X = x ) = 0.2 0.3 0.5 .
0.3 0.3 0.4
On doit fixer une règle de décision raisonnable ∆ : Y → X permettant de deviner
le symbole émis x ∈ X lorsque y ∈ Y est reçu. Cette décision dépend évidemment de
P mais aussi de la probabilité d’émission µ des symboles de la source. Supposons que
cette dernière est la probabilité uniforme. Il paraît plausible qu’il faille définir y1 7→ x1
et y3 7→ x2 mais quelle est la valeur plausible pour y2 ? Toutes le valeurs de x semblent
plausibles. Si le canal était plus compliqué aurait-on une manière systématique pour
définir la règle de décision ∆ ?
Définition 9.4.2. La règle de décision
∆(y) ∈ arg max P( X = z|Y = y), y ∈ Y
z ∈X

s’appelle règle du maximum de vraisemblance.

Remarquons qu’en général, P( X = z|Y = y) 6= Pzy ! Pour calculer cette probabilité
conditionnelle, nous devons utiliser la formule de Bayes :
P( X = z, Y = y) µ(z) Pzy
P̂zy := P( X = z|Y = y) = = .
P (Y = y ) ∑w∈X µ(w) Pwy
Si µ est la loi uniforme sur X, cette formule se réduit à
Pzy
P̂zy = P( X = z|Y = y) = .
∑w∈X Pwy
Dans l’exemple ci-dessus (avec probabilité uniforme pour la source), elle devient donc
 
0.5 0.33333 . . . 0.181818 . . .
P̂ = 0.2 0.33333 . . . 0.454545 . . . .
0.3 0.33333 . . . 0.363636 . . .

Notez que la matrice P̂t est stochastique mais pas P̂ elle-même. On constate aussi que
la solution au problème de maximisation de vraisemblance est
y arg maxz∈X P̂zy
y1 { x1 }
y2 { x1 , x2 , x3 }
y3 { x2 }
Tout élément x ∗ dans l’ensemble arg maxz∈X P( X = z|Y = y), pour y ∈ Y, peut
servir à définir ∆(y) := ∆MV (y) = x ∗ .
D’autres règles de décision sont possibles. Par exemple si X = {000, 111} et Y =
{0, 1}3 , on peut définir, pour tout y = (y1 , y2 , y3 ) ∈ Y, la règle de la majorité
(
000 si y1 + y2 + y3 ≤ 1,
∆(y) := ∆Maj (y) =
111 si y1 + y2 + y3 > 1.

/Users/dp/a/ens/[Link] 124
2019-12-08 • 10:20:27.
Canaux bruités sans mémoire 9.5. Le théorème fondamental de la transmission

On peut même définir des règles de décision stochastiques, i.e. décrites par des
noyaux stochastiques non-déterministes K∆ : Y × X → [0, 1], signifiant qu’à chaque
symbole y ∈ Y reçu, on assigne un symbole x ∈ X avec probabilité K∆ (y, x ). Dans
l’exemple 9.4.1, on peut définir une règle de décision stochastique décrite par le noyau
stochastique  
1 0 0
K∆ := 1/3 1/3 1/3 .
0 1 0
Mais ceci n’est pas le seul choix. Tout noyau stochastique K∆ : Y × X → [0, 1] correspon-
drait à une règle de décision pas nécessairement plausible mais acceptable du point
de vue de la théorie. Noter aussi que les règles de décision du maximum de vrai-
semblance et de la majorité (ainsi que toute autre règle de décision décrite par une
fonction ∆ : Y → X) sont aussi décrites par des noyaux stochastiques déterministes
K∆ : Y × X → {0, 1}, définis par K∆ (y, x ) = 1{∆(y)} ( x ).
On arrive ainsi à la définition suivante :
Définition 9.4.3. Une règle de décision est un noyau stochastique
K∆ : Y × X → [0, 1]
qui assigne à tout symbole y ∈ Y reçu par le canal, un symbole émis x ∈ X avec
probabilité K∆ (y, x ).

9.5 Le théorème fondamental de la transmission

9.5.1 Codage du canal bruité
Nous disposons d’un canal sans mémoire (X, Y, P) à travers lequel allons trans-
mettre des mots de longueur fixe n. Nous avons deux méthodes équivalents pour dé-
crire le processus de transmission :
— soit avec le canal (X, Y, P) et considérer la transmission des vecteurs aléatoires
X = X1 · · · Xn ∈ Xn vers des vecteurs aléatoires Y = Y1 · · · Yn ∈ Yn selon la
matrice de transmission P, c’est-à-dire (cf. exemple 9.1.2)
n
P( Y = y | X = x ) = ∏ P(xi , yi ) =: Qn (x, y),
i =1

— soit étendre le canal en (Xn , Yn , Qn ), où Qn est la matrice de transmission entre

Xn et Yn définie dans la ligne précédente, et considérer la transmission des va-
riables aléatoires X ∈ Xn vers des variables aléatoires Y ∈ Yn , selon la matrice de
transmission Qn , c’est-à-dire
P(Y = y| X = x) =: Qn (x, y),
Le choix de l’une ou l’autre approche est une pure question de commodité d’écriture.
Cependant, les ensembles (de mots) Xn et Yn qui apparaissent dans la description
précédente, ne sont pas les objets qui nous intéressent réellement ; nous sommes plutôt
intéressés à un ensemble fini de messages M qui sont codés en des mots de Xn et aux
messages de M qui sont obtenus en décodant les mots de Yn . Plus précisément nous
disposons des ensembles finis M, Xn et Yn et de deux applications

/Users/dp/a/ens/[Link] 125
2019-12-08 • 10:20:27.
9.5. Le théorème fondamental de la transmission Canaux bruités sans mémoire

— une de codage M 3 m 7→ C(m) ∈ Xn et

— une de décodage 1 — supposée déterministe dans ce paragraphe (cf. exercice 88
pour un exemple de décodage stochastique) — Yn 3 y 7→ ∆(y) ∈ M.
La figure 9.2 résume schématiquement ces actions prises séparément tandis que la fi-
gure 9.3 schématise la séquence de ces actions.

M codage Xn Yn décodage M

m C(m) y ∆(y)

Xn canal Yn

y (1)

x ..
.

y( L)
Qn (x, y(i) )

Figure 9.2 – Résumé des actions de codage, transmission et décodage, considérées séparément.

Notez que l’action du canal transforme toute entrée x ∈ Xn en une variable aléatoire
Y ∈ Xn de loi conditionnelle (à l’entrée) Qn (x, ·), i.e. pour tout A ⊂ Yn , P(Y ∈ A| X =
x) = ∑y∈ A Qn (x, y).

M codage Xn canal Yn décodage M

y (1) ∆ ( y (1) )

m C(m) .. ..
. .

y( L) ∆ (y( L) )
Qn ( C ( m ), y (i ) )

Figure 9.3 – Résumé des actions de codage, transmission et décodage, considérées séquentiellement.

L’intercalation du canal entraîne la probabilisation naturelle de l’ensemble Yn et, de

ce fait, la probabilisation naturelle de l’ensemble M de sortie. Par conséquent, la pré-
sentation devient plus symétrique si nous probabilisons d’emblée l’ensemble M (d’en-
trée) avec une probabilité a priori µ, la probabilisation de l’espace M (de sortie) se fera
alors par une probabilité a posteriori ν que nous déterminons ci-dessous. L’opération
de codage C est une fonction ; elle sera donc équivalente à une matrice stochastique
déterministe |M| × |X|n , notée KC , dont les éléments de matrice sont définis par
M × Yn 3 (m, x) 7→ KC (m, x) = δC(m) (x).
1. On pourrait raisonnablement la noter D mais le symbole D est déjà utilisé pour le contraste de
Kullback-Leibler.

/Users/dp/a/ens/[Link] 126
2019-12-08 • 10:20:27.
Canaux bruités sans mémoire 9.5. Le théorème fondamental de la transmission

I.e. le codage est le canal déterministe (M, Xn , KC ) (cf. remarque 9.1.3). L’opération
de décodage ∆ est aussi une fonction ; elle est donc équivalente au canal déterministe
(Yn , M, K∆ ), où K∆ (y, m) = δ∆(y) (m). La séquence codage-transmission-décodage équi-
vaut donc à la multiplication de 3 matrices stochastiques KC Qn K∆ (vérifier que les
dimensions des matrices permettent leur multiplication dans cet ordre). Ce canal com-
posé transformera tout vecteur de probabilité (ligne) a priori µ ∈ M1 (M) en un vec-
teur de probabilité (ligne) a posteriori νµ = µKC Qn K∆ ∈ M1 (M). En particulier, il
transformera l’entrée déterministe M = m (correspondant au vecteur de probabilité
µ = δm ) en la variable aléatoire M0 ∈ M de loi ν, c’est-à-dire,

νδm (m0 ) = Pδm ( M0 = m0 ) = ∑ P( M 0 = m 0 | M = v ) µ ( v )

v ∈M
= P( M = m | M = m) = KC Qn K∆ (m, m0 )
0 0

= ∑ n ∑ n KC (m, x)Qn (x, y)K∆ (y, m0 ) = ∑ n Qn (C(m), y)δ∆(y) (m0 ).

x ∈X y ∈Y y ∈Y

Plus généralement, lorsque le message d’entrée est lui même considéré comme résul-
tant d’un choix aléatoire selon une loi µ non-déterministe, nous obtenons

νµ (m0 ) = Pµ ( M0 = m0 ) = ∑ P( M 0 = m 0 | M = m ) µ ( m )
m ∈M
= ∑ ∑ n µ(m)Qn (C(m), y)δ∆(y) (m0 ).
m ∈M y ∈Y

9.5.2 Probabilité d’erreur de transmission

La forme explicite de la la loi νµ sur M (obtenue dans le paragraphe précédent
pour une canal (Xn , Yn , Qn )) qui décrit le résultat de décodage nous permet d’estimer
la probabilité d’erreur de transmission. On parle d’erreur de transmission lorsque le
résultat m0 que nous obtenons à la fin du traitement diffère du message initial m. La
probabilité de réalisation d’une telle erreur est, pour tout m ∈ M,

e(m) := e(n) (m) = Pδm ( M0 6= m) = ∑ ∑ Qn (C(m), y)δ∆(y) (m0 )

m 6 = m y ∈Y
0 n

= ∑ Qn (C(m), y)1M\{m} (∆(y)).

y ∈Yn

La qualité de transmission est quantifiée soit par l’erreur maximale

(n)
emax := emax = max e(n) (m),
m ∈M

soit par l’erreur moyenne

e : = e(n) = ∑ µ ( m ) e ( n ) ( m ).
m ∈M

(n) (n)
Comme e(n) (m) ≤ emax pour tout m ∈ M, il est évident que e(n) ≤ emax . Cependant, un
des résultats importants du théorème fondamental de la transmission sera que lorsque
n → ∞, les deux erreurs sont du même ordre.

/Users/dp/a/ens/[Link] 127
2019-12-08 • 10:20:27.
9.5. Le théorème fondamental de la transmission Canaux bruités sans mémoire

Définition 9.5.1. Un (k, n)-code (par blocs) (avec k et n entiers supérieurs à 1) pour un
canal discret sans mémoire (X, Y, P) est la donnée
— d’un ensemble de messages M avec cardM = k,
— d’un codage C : M → Xn de taille fixe n,
— d’un décodage ∆ : Yn → M.
On note ce code K, ou plus précisément K(k, n) si on veut préciser ses paramètres.
L’ensemble C(M) ⊆ Xn est appelé glossaire du code K.
Le codage C est toujours supposé non-singulier, i.e. injectif. En le considérant comme
une application C : M → C(M), il devient aussi surjectif, donc bijectif. Étant donné
que C est bijectif entre M et son glossaire, on peut identifier M avec le glossaire et
considérer M comme isomorphe à une partie spécifique de Xn .
(n)
Il est évident qu’une fois le code K choisi, les erreurs emax et e(n) définies plus haut,
dépendent de K ; on précise cette dépendance en écrivant emax [K(k, n)] ou e[K(k, n)].
Définition 9.5.2. Soit K un (k, n)-code par blocs.
1. Son taux de transmission R est défini par
log|X| k
R := R[K] = .
n
2. Un taux de transmission R est atteignable s’il existe une suite (K` )`∈N de (k ` , n` )-
codes par blocs, tels que liml →∞ emax [K` ] = 0.
Exemple 9.5.3. Soit X = {0, 1} l’alphabet binaire.
1. On considère le (2, 3)-code par blocs de répétition de taille 3 avec M = {0, 1},
défini par C(b) = bbb, pour b ∈ M, i.e. de glossaire C(M) := {000, 111}. Il a un
log 2
taux de transmission R = 32 = 13 .
2. On considère le (4, 3)-code par blocs avec bit de parité de taille 3 avec M =
{00, 01, 10, 11}, découlant, pour tout message ab ∈ M, du codage C( ab) = abc ∈
X3 avec c = a + b + mod 2, i.e. ayant comme glossaire C(M) = {000, 011, 101, 110}.
log 4
Il a un taux de transmission R = 32 = 23 .

9.5.3 Le théorème
Le théorème fondamental de la transmission établit que la capacité est le supremum
des taux de transmission atteignables.
Théorème 9.5.4. Soit (X, Y, P) un canal sans mémoire de capacité cap := cap( P).
1. Pour tout R < cap, il existe une suite infinie (K` )`∈N de (k ` , n` )-codes, ayant des taux
log k`
de transmission R` := n|X| vérifiant R` ↓ R, tels que lim`→∞ e[K` ] = 0.
`
2. Réciproquement, pour tout R > cap et toute suite (K` )`∈N de (k ` , n` )-codes avec des
blocs de taille croissante (i.e. n1 < n2 < n3 < . . .) et des taux de transmission vérifiant
R` ≥ R, on a lim`→∞ e[K` ] = 1.
La démonstration de ce théorème est longue et assez compliquée. Elle est basée sur
la notion de suites conjointement typiques et fait usage du fait que si I ( X : Y ) > 0,
en prenant des blocs suffisamment longs, on peut distiller un code et en raréfiant l’en-
semble de messages à coder (i.e. en ne considérant qu’un sous-ensemble suffisamment
épars de messages) on peut transmettre avec une erreur arbitrairement petite. L’idée
est illustrée dans l’exemple 9.5.5.

/Users/dp/a/ens/[Link] 128
2019-12-08 • 10:20:27.
Canaux bruités sans mémoire 9.5. Le théorème fondamental de la transmission

Figure 9.4 – Le touches blanches correspondent aux notes de base : do, re, mi, fa, sol, la, si. La
touche représentée en cyan sur la figure correspond au « do » de base, la touche représentée en jaune
sur la figure au « la » et la gamme se répète périodiquement sur le clavier. Source de la figure :
Wikipédia ; distribuée sous licence CC BY-SA 3.0.

Exemple 9.5.5. (Das ,falschtemperierte‘ Klavier ou le problème du « pianiste non-doué »).

Les touches des notes do-re-mi-fa-sol-la-si se répètent périodiquement sur le clavier du
piano (cf. figure 9.4). On peut donc les supposer enroulés sur un cercle de façon que le
si se trouve à proximité immédiate du do. (C’est le cas en réalité, le si d’une octave se
trouve effectivement juste avant le do de l’octave supérieure). Un pianiste mal préparé,
lorsqu’il lit une note dans la partition, frappe tantôt cette note tantôt la suivante avec
probabilité 1/2. Ainsi, lorsqu’il lit mi, il frappe mi avec probabilité 1/2 et fa avec proba-
bilité 1/2. Le système est donc décrit comme un canal bruité (c’est le pianiste qui cause
le bruit . . . ) avec M = X = Y = {do, re, mi, fa, sol, la, si} et C = ∆ = id. La matrice de
transmission du canal est, à cause de la périodisation,
 
1/2 1/2 0 0 0 0 0
 0 1/2 1/2 0 0 0 
P =  .. .
 
.. .. .. .. .. ..
 . . . . . . . 
1/2 0 0 0 0 0 1/2

On calcule immédiatement que H (Y | X ) = H (p), où p = (1/2, 1/2, 0, 0, 0, 0, 0),

c’est-à-dire H (Y | X ) = log 2 = 1. On a donc I ( X : Y ) = H (Y ) − H (Y | X ) = H (Y ) −
1. Par ailleurs, le vecteur de probabilité uniforme µ( x ) = 1/7, pour tout x ∈ X est
invariant, i.e. µP = µ ce qui signifie que la loi uniforme est un choix possible comme
loi de Y. Mais la loi uniforme sature la borne de l’entropie : H (Y ) = log 7. On a donc
calculé la capacité de ce pianiste : cap = supµ ( H (Y ) − 1) = log 7 − 1 = log 72 . (Si le
pianiste était doué, on aurait cap = log 7).
Si le compositeur n’utilisait que les notes M = {do, mi, sol}, par exemple, (c’est-à-
dire il raréfiait suffisamment l’ensemble des messages pour que les signaux transmis
appartiennent à des parties disjointes de Y), on pourrait décoder l’œuvre, telle qu’in-
terprétée par le pianiste, sans erreur 2 . Par contre, si le pianiste était doué, on pourrait
décoder sans erreur sans raréfaction de M car alors la capacité serait log 7 = log cardM.

L’idée intuitive sous-tendant la démonstration du théorème 9.5.4 est que tout canal,
pour des blocs de taille n suffisamment grande, se comporte comme l’exemple 9.5.5.
Démonstration du théorème 9.5.4 : À compléter. 

2. Le théorème ne dit rien sur . . . la musicalité de l’interprétation. Le titre de cet exemple est un jeu
de mots faisant référence à l’œuvre Das wohltemperierte Klavier de J.-S. Bach, connu en français sous le
titre Le clavier bien tempéré. Falschtemperierte pourrait se traduire par mal tempéré.

/Users/dp/a/ens/[Link]
129
2019-09-02 • 10:31:36.
9.6. Exercices Canaux bruités sans mémoire

9.6 Exercices
Codage du canal
85. Pour trois variables aléatoires X, W, Y discrètes arbitraires, établir les relations
suivantes :
(a) H (W, Y | X ) ≤ H (W | X ) + H (Y | X ).
(b) H (W, Y | X ) = H (W | X ) + H (Y | X, W ).
(c) H (Y | X, W ) ≤ H (Y | X ).
86. Soient les canaux K1 = (X, π, W, P) et K2 = (W, ρ, Y, Q) où X, W et Y sont
des alphabets d’entrée ou de sortie et P et Q des matrices de transmission. On
construit le canal K = (X, π, Y, PQ) en mettant les canaux K1 et K2 en cascade.
(a) Comparer les probabilités conditionnelles P(Y = y| X = x, W = w) et P(Y =
y |W = w ) .
(b) Montrer que la capacité CK du canal composé ne peut pas excéder la plus
petite des capacités CK1 et CK2 .
(c) Commenter ce dernier résultat.
87. Soient X un espace fini, X une variable aléatoire à valeurs dans X, g : X → W
une application arbitraire et Y une variable aléatoire à valeurs dans Y de loi
conjointe κ avec X. Monter par deux méthodes différentes que H (Y | g( X )) ≥
H (Y | X ) .
88. (Extrait de l’examen du 19 décembre 2013).
Soit un canal discret sans mémoire ayant un alphabet d’entrée X, un alphabet
de sortie Y, une matrice stochastique de transmission P et une loi des symboles
d’entrée déterminée par le vecteur de probabilité π. Lorsque un symbole y ∈ Y
est transmis, on le décode par un schéma de décision qui peut être soit une
fonction déterministe d : Y → X soit une variable aléatoire ∆ définie sur Y à
valeurs dans X.
(a) Déterminer le vecteur de probabilité ρ définissant la loi des symboles de sor-
tie.
(b) On se place dans le cas particulier X= { x1 , x2 , x3 }, Y = {y1 , y2 , y3 }, π =
1 0 0
(1/2, 1/4, 1/4) et P = 0 1 0 . Calculer ρ.
0 1/2 1/2
(c) Dans le cas particulier ci-dessus, on utilise le schéma de décision détermi-
niste d(y1 ) = x1 , d(y2 ) = d(y3 ) = x3 . Calculer la probabilité globale de
décision (=décodage) erronée.
(d) Pour une règle de décision d, établir les formules générales des probabilités
de décision correcte et erronée, notées respectivement PTE(d) et PTC(d).
(e) Calculer la probabilité de décision correcte dans le cas particulier de la ques-
tion b).
(f) On appelle observateur idéal le choix de la règle de décision do (y) = xy ,
où y ∈ Y, le xy maximise la probabilité conditionnelle P( X = x |Y = y),
c’est-à-dire :
xy = arg max P( X = x |Y = y).
x
Monter que la règle de décision ainsi définie est optimale, c’est-à-dire, pour
toute autre règle déterministe d0 , on PTC(d) ≤ PTC(do ).

/Users/dp/a/ens/[Link]
130
2019-09-02 • 10:31:36.
Canaux bruités sans mémoire 9.6. Exercices

(g) Si ∆ est une règle de décision stochastique arbitraire correspondant à la pro-

babilité conditionnelle Qyx = P(∆(y) = x |Y = y), montrer que PTC(∆) ≤
PTC(do ).
89. (Extrait de l’examen du 20 décembre 2017).
Soit K = (X, Y, P, µ) un canal avec alphabets d’entrée et de sortie finis, notés
respectivement X et Y, matrice stochastique P et probabilité des symboles de la
source µ. Nous écrirons µ( x ) au lieu de µ({ x }), i.e. nous identifierons — comme
d’habitude — la mesure de probabilité µ avec le vecteur (ligne) de probabilité
(µ( x )) x∈X . Déterminer, pour des variables d’entrée X et de sortie Y et pour des
symboles x ∈ X et y ∈ Y :
(a) La mesure de probabilité conjointe κ ( x, y) := P( X = x, Y = y).
(b) La mesure de probabilité de sortie ν := ∑ x∈X P( X = x, Y = y).
(c) La probabilité que l’entrée soit x, sachant que la sortie observée est y, i.e.
Q(y, x ) := P( X = x |Y = y).
(d) On fixe maintenant les alphabets d’entrée et de sortie X = Y = {0, 1} (canal
binaire) et la loi 3 de la source µ = (1/4, 3/4).
i. Si le canal est symétrique avec taux d’erreur f = 1/16,
— Déterminer la matrice stochastique P du canal.
— Determiner le vecteur probabilité de sortie ν.
— Calculer Q(1, 0) et Q(1, 0).
ii. Si le canal est « enZ » avec tauxd’erreur f = 1/16, i.e. sa matrice sto-
1 0
chastique est P = , calculer
1/16 15/16
— Le vecteur de probabilité de sortie ν
— Les probabilités Q(1, 0) et Q(1, 1).
90. (Extrait de l’examen du 20 décembre 2017).
Soit K = (X, Y, P, µ) un canal avec alphabets d’entrée et de sortie finis, notés
respectivement X et Y, matrice stochastique P et probabilité des symboles de la
source µ. Nous écrirons µ( x ) au lieu de µ({ x }), i.e. nous identifierons — comme
d’habitude — la mesure de probabilité µ avec le vecteur (ligne) de probabilité
(µ( x )) x∈X . Déterminer, pour des variables d’entrée X et de sortie Y et pour des
symboles x ∈ X et y ∈ Y :
(a) La mesure de probabilité conjointe κ ( x, y) := P( X = x, Y = y).
(b) La mesure de probabilité de sortie ν := ∑ x∈X P( X = x, Y = y).
(c) La probabilité que l’entrée soit x, sachant que la sortie observée est y, i.e.
Q(y, x ) := P( X = x |Y = y).
(d) On fixe maintenant les alphabets d’entrée et de sortie X = Y = {0, 1} (canal
binaire) et la loi 4 de la source µ = (1/4, 3/4).
i. Si le canal est symétrique avec taux d’erreur f = 1/16,
— Déterminer la matrice stochastique P du canal.
— Determiner le vecteur probabilité de sortie ν.
— Calculer Q(1, 0) et Q(1, 0).

3. Les valeurs numériques données pour les probabilités de la source et de l’erreur permettent de
déterminer toutes les autres probabilités comme des rationnels calculables facilement à la main.
4. Les valeurs numériques données pour les probabilités de la source et de l’erreur permettent de
déterminer toutes les autres probabilités comme des rationnels calculables facilement à la main.

/Users/dp/a/ens/[Link]
131
2019-09-02 • 10:31:36.
9.6. Exercices Canaux bruités sans mémoire

ii. Si le canal est « enZ » avec tauxd’erreur f = 1/16, i.e. sa matrice sto-
1 0
chastique est P = , calculer
1/16 15/16
— Le vecteur de probabilité de sortie ν
— Les probabilités Q(1, 0) et Q(1, 1).
91. Soient Ki , avec i = 1, 2 deux canaux avec alphabets d’entrée Xi , alphabets de
sortie Yi et matrices de transmission Pi . On note X = X1 ⊕ X2 (si les alphabets
X1 et X2 sont distincts alors X1 ⊕ X2 = X1 ∪ X2 ; s’ils ne sont pas distincts,
on commence par distinguer artificiellement les éléments de X1 et de X2 avant
de prendre leur réunion). De même Y = Y1 ⊕ Y2 . Finalement
 la matrice de
P1 0
transmission du canal « somme » est la matrice bloc P = .
0 P2
(a) Soient X une variable aléatoire à valeurs dans X dont la loi est décrite par
le vecteur de probabilité π et Y une variable aléatoire à valeurs dans Y. On
note κ la loi conjointe du couple ( X, Y ). Soit p = ∑ x∈X1 π ( x ) (donc 1 − p =
π (x)
∑ x∈X2 π ( x )). Pour x ∈ X1 on note ρ1 ( x ) = p et pour x ∈ X2 on note
π (x)
ρ2 ( x ) = 1− p . Montrer que H (π ) = H ( p, 1 − p) + pH (ρ1 ) + (1 − p) H (ρ2 ).
(b) Montrer que

H ( X |Y ) = − p ∑ ρ1 ( x ) P1 ( x, y) log P( X = x |Y = y)
x ∈X1 ,y∈Y1

− (1 − p ) ∑ ρ2 ( x ) P2 ( x, y) log P( X = x |Y = y).
x ∈X2 ,y∈Y2

(c) On considère des variables aléatoires X1 et X2 respectivement à valeurs dans

X1 et X2 et de lois ρ1 et ρ2 ; on note Y1 et Y2 les variables aléatoires obtenues
par restriction de Y sur Y1 et Y2 . Montrer que

H ( X |Y ) = pH ( X1 |Y1 ) + (1 − p) H ( X2 |Y2 )

et conclure que

C ( p) = sup I ( X, Y ) = H ( p, 1 − p) + pC1 + (1 − p)C2 .

π:∑ x∈X π ( x )= p
1

2C1
(d) Montrer que la valeur de p qui maximise C ( p) est p = .
2C1 +2C2
(e) En conclure que la capacité du canal « somme » vérifie C
2 =2 1 C + 2C2 .

/Users/dp/a/ens/[Link] 132
2019-12-08 • 10:20:27.
 10
Chiffrement

Desiderata de la cryptographie militaire

Il faut bien distinguer entre un système d’écriture chiffrée, imaginé pour un échange momentané de
lettres entre quelques personnes isolées, et une méthode de cryptographie destinée à régler pour un
temps illimité la correspondance des différents chefs d’armée entre eux. Ceux-ci, en effet, ne peuvent
à leur gré et à un moment donné, modifier leurs conventions ; de plus, ils ne doivent jamais garder sur
eux aucun objet ou écrit qui soit de nature à éclairer l’ennemi sur le sens des dépêches sécrètes qui
pourraient tomber entre ses mains.
Un grand nombre de combinaisons ingénieuses peuvent répondre au but qu’on veut atteindre dans
le premier cas ; dans le second, il faut un système remplissant certaines conditions exceptionnelles,
conditions que je résumerai sous les six chefs suivants :
1. Le système doit être matériellement, sinon mathématiquement, indéchiffrable ;
2. Il faut qu’il n’exige pas le secret, et qu’il puisse sans inconvénient tomber entre les mains de
l’ennemi ;
3. La clef doit pouvoir en être communiquée et retenue sans le secours de notes écrites, et être
changée ou modifiée au gré des correspondants ;
4. Il faut qu’il soit applicable à la correspondance télégraphique ;
5. Il faut qu’il soit portatif, et que son maniement ou son fonctionnement n’exige pas le concours
de plusieurs personnes ;
6. Enfin, il est nécessaire, vu les circonstances qui en commandent l’application, que le système
soit d’usage facile, ne demandant ni tension d’esprit, ni la connaissance d’une longue série de
règles à observer.

Augustus Kerchoffs : La cryptographie militaire ; Journal des sciences militaires (1883) [31, page 12].

Dans l’extrait ci-dessus, Augustus Kerchoffs énonçait, en 1883, avec une surpre-
nante modernité, les conditions que doit remplir un bon système de cryptage. On
pourrait utiliser ce passage — presque mot pour mot — pour formuler les exigences
cryptographiques d’aujourd’hui.

10.1 Sécurité des communications

10.1.1 Le chiffrement comme code
Un système cryptographique est défini [54] comme une famille paramétrique ( Tk )k∈K
de transformations Tk : M → Y, indexée par une famille K des clés de cryptage k. Pour
chaque k fixé, la fonction Tk agit sur un ensemble fini M de messages m pour produire
un cryptogramme y ∈ Y. Restreinte sur les y ∈ Tk (M), l’application Tk : M → Tk (M)

133
10.1. Sécurité des communications Chiffrement

est supposée inversible. Dans tous les systèmes cryptologiques, il est supposé qu’il est
très difficile de calculer l’inverse si la clé est inconnue.
On peut donc décrire les opération de cryptage et de décryptage comme des opé-
rations de codage et de décodage vues aux chapitres précédents. Plus précisément :

Définition 10.1.1. Soient M un ensemble fini de messages et K un ensemble fini de

clés. Un code de chiffrement est une application

C : M × K → Y,

où Y est un ensemble de cryptogrammes. Un code de déchiffrement est une règle de

décision, i.e. une application partielle ∆ — définie sur une partie de Y (son domaine)
—
∆ : Y × K → M,
telle que ∆(C (m, k ), k) = m pour tout message m ∈ M et toute clé k ∈ K.

Le cryptage est conçu (voir [18] par exemple) pour assurer :

— La confidentialité des messages transmis, dans le sens que seul le récipien-
daire légal du cryptogramme (possesseur de la clé) peut le décoder facilement.
D’autres personnes peuvent intercepter le cryptogramme mais, ne possédant
pas la clé, ne peuvent pas le décoder (dans un temps raisonnable . . . ).
— L’authentification de l’expéditeur qui lui permet de s’identifier auprès du des-
tinateur en lui prouvant qu’il connaît un secret qu’il est le seul à connaître.
— L’intégrité du message qui garantit au destinataire qu’aucun intrus malicieux
n’ait apporté des modifications volontaires au message.
— La non-rétractation dans le sens que l’expéditeur ne puisse pas prétendre qu’il
n’a pas envoyé le message ou qu’il a envoyé un autre message. Cette fonction
est donc une protection mutuelle des partenaires légitimes de la communication
et constitue une forme de signature électronique.

10.1.2 Les niveaux de sécurité

Un critère essentiel de la qualité d’un (code de) chiffrement est la difficulté que l’on
rencontre pour le casser.
Un code (sans que la partie adverse connaisse le code) offre un certain niveau de
sécurité.
— Le code offre une sécurité calculatoire (ou algorithmique) si la partie adverse
(sans connaissance de la clé) ne peut pas déchiffrer le code avec la technologie
actuelle dans un temps de calcul raisonnable. Par exemple, le chiffrement asy-
métrique basé sur la difficulté (conjecturée) de factoriser un grand entier com-
posé en facteurs premiers est encore considéré comme algorithmiquement sûr
pour des opérations courantes (voir la légende du tableau 10.1).
— Le code offre une sécurité inconditionnelle (ou informationnelle) si l’intercep-
tion du cryptogramme ne nous apprend rien sur le message qui l’a produit. Par
conséquent, un code offre une sécurité inconditionnelle si une partie adverse,
même possédant une puissance de calcul illimitée, ne pourra pas casser. Plu-
sieurs définitions équivalentes sont :
— Le message est indépendant du cryptogramme, i.e. P( M = m|Y = y) =
P( M = m ) ;

/Users/dp/a/ens/[Link] 134
2019-12-08 • 11:11:28.
Chiffrement 10.1. Sécurité des communications

n O(exp(n)) O(exp(n1/3 (log n)2/3 )) O(n3 )

100 1.26 × 1021 s = 4.01 × 1013 a 3.13s = 9.93 × 10−8 a 1 × 10−3 s = 3.17 × 10−11 a
500 3.27 × 10141 s = 1.31 × 10134 a 6.74 × 1010 s = 2139a 0.125s = 3.96 × 10−9 a
1000 1.07 × 10292 s = 3.39 × 10284 a 6.42 × 1017 s = 2.03 × 1010 a 1s = 3.17 × 10−8 a

Table 10.1 – Une estimation grossière de l’ordre de grandeur du temps nécessaire pour factoriser un
entier à n bits (avec n = 100, 500, 1000), sous l’hypothèse d’exécution du programme de factorisation
sur un ordinateur hypothétique faisant une opération par nanoseconde, comme fonction de la com-
plexité temporelle de l’algorithme. Lorsque le protocole RSA a été proposée [50] en 1978, le meilleur
algorithme avait une complexité temporelle de O(exp(n)). De nos jours, le meilleur algorithme [36] a
une complexité O(exp(n1/3 log2/3 n)). Si un ordinateur quantique se construit, l’algorithme de Shor
[56] a une complexité O(n3 ). Pour mémoire : « âge de l’univers » = 1.377 × 1010 a.

— L’information mutuelle entre message et cryptogramme s’annule, i.e. I ( M :

Y) = 0 ;
— Tous le messages ont la même probabilité de produire un même crypto-
gramme donné, i.e. pour tous k ∈ K et m, m0 ∈ M,

P(C ( M, K ) = y| M = m, K = k ) = P(C ( M, K ) = y| M = m0 , K = k).

Le terme de sécurité inconditionnelle a été introduit par Diffie et Hellman d’où

est tirée la définition suivante [17, page 646] :

Unconditionally secure systems [ . . . ] belong to that portion of information theory,

called the Shannon theory, which is concerned with optimal performance obtai-
nable with unlimited computation. Unconditional security results from the exis-
tence of multiple meaningful solutions to a cryptogram. [ . . . ] A computationally
secure cryptogram, in contrast, contains sufficient information to uniquely deter-
mine the plaintext and the key. Its security resides solely in the cost of computing
them. The only unconditionally secure system in common use is the one-time
pad, in which the plaintext is combined with a randomly chosen key of the same
length.

Comme on verra dans le paragraphe suivant 10.2, la mise en place d’un code in-
conditionnellement sûr exige
— la génération d’une suite de même dimension que le message à coder de nombres
purement aléatoires ,
— l’utilisation de la suite une seule fois ou one-time pad et
— la transmission sûre de la clé de cryptage.
Durant plus d’un siècle, ces trois exigences étaient impossible à réaliser en pratique.
C’est pourquoi, les méthodes de cryptographie symétrique à clé privée ont été aban-
données au profit du cryptage asymétrique à clé publique (RSA par exemple). L’avè-
nement de la technologie quantique en cryptographie change la donne car aujourd’hui
on dispose des méthodes rapides, fiables et efficaces remplissant ces exigences. Des
solutions quantiques sont déjà proposées dans un stade pré-industriel et à un coût
raisonnable (cf. cours [48]).

/Users/dp/a/ens/[Link] 135
2019-12-08 • 11:11:28.
10.2. Code de Vernam (one-time pad) Chiffrement

10.2 Code de Vernam (one-time pad)

Comme mentionné dans l’article de revue de Bellovin ([3]), en 1882, Frank Miller 1
avait proposé une méthode de chiffrement, appelée one-time pad, qui permettait de chif-
frer des messages en les combinant avec des clés de même longueur. Le 13 septembre
1918, Gilbert Vernam dépose aux États-Unis une demande de brevet pour un dispositif
appelé « Secret signaling system » de chiffrement selon la méthode de one-time-pad.
La demande est acceptée et Vernam devient détenteur du brevet US Patent 1310719 le
22 juillet 1919 2 .
La méthode introduite par Vernam porte aujourd’hui le nom de code de Vernam
et sa description peut être trouvée dans [60]. La méthode est censée réponde aux exi-
gences de Kerchoffs.
Soit A alphabet fini, identifié au groupe additif Z|A| := {0, . . . , |A| − 1} des entiers
modulo |A|. Les messages que nous enverrons constituent une partie spécifique M ⊆
X := A+ , i.e. ils sont des mots finis sur cet alphabet. Les fréquences d’apparition de
lettres sont arbitraires ; M peut par conséquent correspondre à une partie d’un langage
naturel, du français par exemple.
Supposons que l’on veuille chiffrer le message m ∈ M, avec N := |m|. On suppose
que nous disposons d’une clé aléatoire K ∈ K := A N , distribuée selon la loi uniforme
sur K, i.e. P(K = k) = K 1
= A1N . Le chiffrement se fait par addition bit par bit mo-
dulo |A| des lettres de m et de k, i.e. C (m, k) = y, avec yi = mi + k i mod |A|. Plus
précisément, on a

Algorithme 10.2.1. Chiffrement de Vernam

Require: Message initial m ∈ M et U NIF(A).
Ensure: Clé de chiffrement k ∈ A+ et message chiffré y ∈ A+ , avec |k| = |y| = |m|.
N ← | m |.
for i ∈ {1, . . . , N } do
Générer selon U NIF(A) la ie lettre k i ∈ A de la clé de cryptage.
yi ← mi + k i mod |A|.
end for
k ← k1 · · · k N .
y ← y1 · · · y N .

On constate que l’algorithme de Vernam génère une clé aléatoire de même lon-
gueur que le message à chiffrer et que cette clé est utilisée pour ce seul message. Le
récipiendaire du message chiffré y, s’il connaît la clé k, exécute l’algorithme suivant :

1. L’auteur de ces notes n’a pas pu consulter le texte original de la contribution de Frank Miller,
Telegraphic code to insure privacy and secrecy in the transmission of telegrams. C.M. Cornwell (1882).
2. Par la suite il améliore son invention en accédant à d’autres brevets US Patent 1416765, US Patent
1584749 et US Patent 1613686.

/Users/dp/a/ens/[Link] 136
2019-12-08 • 11:11:28.
Chiffrement 10.2. Code de Vernam (one-time pad)

Algorithme 10.2.2. Déchiffrement de Vernam

Require: Message chiffré y ∈ A+ clé k ∈ A+ avec |y| = |k|.
Ensure: Message déchiffré m0 ∈ A|y| .
N ← | y |.
for i ∈ {1, . . . , N } do
mi0 = yi − k i mod |A|.
end for
m0 = m10 · · · m0N .

Lemme 10.2.3. Si m0 est obtenu par l’application de l’algorithme 10.2.2 sur le cryptgramme
y produit par l’algorithme 10.2.1, alors
(
0 0 1 si m0 = m
P( M = m | M = m ) =
0 sinon.

Théorème 10.2.4 (Shannon [54]). Si la clé est

1. de longueur N = |m|,
2. utilisée une seule fois et
3. connue uniquement des deux partenaires légitimes,

alors l’algorithme de Vernam (10.2.1 et 10.2.2) est parfaitement sûr, i.e. il offre une sécurité
inconditionnelle.

Démonstration: Les variables aléatoires M ∈ M, K ∈ K et Y ∈ A N représentent res-

pectivement le message d’entrée, la clé et le message chiffré. Pour des m, k fixés, on
définit y := Tk (m) = m ⊕ k, où ⊕ désigne l’addition lettre par lettre modulo |A|.
Cette transformation induit un noyau stochastique déterministe
(
1 si y = Tk (m) = m ⊕ k
P(Y = y|K = k, M = m) := Pk (m, y) =
0 sinon.

Il est évident, par la construction de la clé, que P(K = k, M = m) = P(M = m)P(K =

k), car le choix du mot aléatoire K ne dépend pas de M. En outre,

P(M = m, Y = y) P(M = m, K = k, Y = y)
P( Y = y | M = m ) = = ∑
P( M = m ) k∈K
P( M = m )
P(Y = y|M = m, K = k)
= ∑ P( M = m )
P(M = m, K = k)
k∈K
1
= ∑ P(K = k)δy,m⊕k = P(K = y m) =
|A| N
, ∀m ∈ M.
k∈K

Le cryptogramme est donc équdistribué sur A N , indépendamment du message. On

/Users/dp/a/ens/[Link] 137
2019-12-08 • 11:11:28.
10.2. Code de Vernam (one-time pad) Chiffrement

calcule de même
P(m = m, Y = y) P(m = m, K = k, Y = y)
P( M = m | Y = y ) = = ∑
P( Y = y ) k∈K
P( Y = y )
P(Y = y|M = m, K = k)
= ∑ P ( Y = y )
P(M = m, K = k)
k∈K
P( K = k)P( M = m ) P( K = y m )
= ∑ P ( Y = y )
δy,m⊕k =
P ( Y = y )
P( M = m )
k∈K
= P( M = m ).
On conclut que la connaissance du fait que Y = y ne nous apprend rien sur M. De
l’indépendance de Y et M découle l’égalité I (M : Y) = 0 et la sécurité inconditionnelle
du code de Vernam. 
Exemple 10.2.5. Le résultat précédent implique qu’en absence de connaissance de la
clé, le seul moyen d’attaquer le code de Vernam est la recherche exhaustive des clés
dans K. Maintenant, supposons que le message initial est

m = wewonthebattlebutwedefinitelylostthewar

et que par une clé k il est codé en y. Un intrus qui ne connaît pas la clé k doit examiner
toutes les clés k0 ∈ K (étant donné que m = 39, il en existe 2639 = 1.53 × 1055 telles
clés) et calculer tous les message m0 = y k0 . La plupart de messages ainsi obtenus
n’auront aucun sens. Mais il en existe qui ont un sens totalement différent, par exemple
parmi ces messages il trouvera bien sûr m mais aussi

m0 = overwhelminglyvictoriousovertheevilaxis

avec |m| = |m0 | = 39. Ce sont précisément

— l’uniformisation de la probabilité sur l’espace des message et
— la dégénérescence de la règle de décision
qui confèrent au code de Vernam son indéchiffrabilité.
Insistons encore une fois sur l’importance d’un générateur qui permet de produire
des clés longues (aussi longues que le message à coder) et vraiment aléatoires. Il s’agit
d’une tache difficile — stricto sensu impossible, comme nous verrons dans le cours de
« Complexité » [49] — en algorithmique classique.
La quête d’algorithmes générant de nombres pseudo-aléatoires qui miment, autant que
faire se peut, les propriétés des nombres vraiment aléatoires est même source de manipulations
malveillantes. Rappelons en effet, quelques faits troublants.
En 2007, le National Institute of Standards and Technology (NIST) 3 a émis une recommanda-
tion 4 où il préconisait l’utilisation de 4 générateurs de nombres aléatoires. Parmi ces quatre
générateurs, le dual elliptic curve deterministic random bit generator (Dual_EC_DRBG) était floué.
Malgré les alertes de la communauté scientifique internationale, le NIST, pas seulement conti-
nuait sa préconisation mais militait activement pour que cet algorithme devienne un standard
ISO 5 .
3. Organisme dépendant du gouvernement des États-Unis dont les missions sont décrites à ce lien.
4. NIST Special Publication 800-90 : Recommendation for Random Number Generation Using Deter-
ministic Random Bit Generators (2007).
5. Organisation internationale de normalisation, reconnue par 162 pays dont les missions sont dé-
crites sur ce lien.

/Users/dp/a/ens/[Link] 138
2019-12-08 • 11:11:28.
Chiffrement 10.3. Authentification

Après que l’affaire des révélations d’Edward Snowden éclate (en 2013), le NIST est obligé
d’admettre que l’algorithme est floué et publie, en 2015, une recommandation révisée 6 d’où il
retire l’algorithme incriminé.
L’American Mathematical Society (AMS) initie la publication dans ses Notices d’une série d’ar-
ticles sur le thème « Mathematicians discuss the Snowden revelation ». Dans cette série, appa-
raît un article 7 par Michael Wertheimer. Notons que l’AMS se sent obligée d’apposer la préci-
sion « At the time of the writing of this piece Michael Wertheimer was the Director of Research
at the NSA ; he recently retired from that position » sur cet article.

10.3 Authentification
L’authentification d’un message consiste à fournir au destinataire légitime l’évi-
dence que le message reçu émane bien de l’expéditeur, même en présence d’un adver-
saire qui peut
— envoyer au destinataire des messages frauduleux de sa propre facture (non émis
par l’expéditeur), — on parle alors d’usurpation d’identité (impersonation en
anglais) — et/ou
— intercepter les messages expédiés en les substituant par des messages fraudu-
leux générés par lui — on parle alors de substitution.
Dans ce paragraphe nous nous intéressons à une authentification informationnelle
(inconditionnelle) 8 c’est-à-dire, nous supposons que la partie adverse connaît tous les
algorithmes utilisés par les partenaires légitimes ; elle ignore uniquement la clé secrète
qu’ils ont utilisée. Nous suivons les exposés [58, 57, 40]. Contrairement au cas de cryp-
tage, où le théorème de Shannon fournit comme définition du parfait chiffrement l’in-
dépendance entre les messages émis et chiffré, la situation est plus subtile dans le cas
de l’authentification. On ne connaît pas de définition d’authentification parfaite : on
peut rendre la probabilité de fraude (deceit probability en anglais) arbitrairement petite
— en utilisant une clé d’authentification suffisamment longue — sans jamais l’annuler.

10.3.1 Illustration du problème et notation

On considère deux partenaires A et B qui partagent une clé sécrète aléatoire K ∈ K,
où K est un ensemble fini. A veut envoyer un message X choisi dans un ensemble fini
X et se servir de la clé K pour l’authentifier (typiquement X = Am pour un certain
alphabet fini A et m un entier strictement positif). Les variables X et K sont supposées
distribuées selon une loi conjointe κ ( x, k ) = P( X = x, K = k ), avec x ∈ X et k ∈
K. Pour cela A dispose d’une famille — indexée par K — de noyaux stochastiques
(déterministes ou aléatoires) M := ( Mk )k∈K de X à un autre ensemble Y (typiquement
Y = An avec n > m) et s’en sert pour préparer un message Y ∈ Y destiné à être
envoyé à B, i.e.

P(Y = y| X = x; K = k ) = Mk ( x, y), x ∈ X, y ∈ Y, k ∈ K.

6. NIST Special Publication 800-90A Revision 1: Recommendation for Random Number Generation
Using Deterministic Random Bit Generators (2015).
7. Intitulé « Encryption and the NSA role in international standards ».
8. Par opposition à une authentification algorithmique (calculatoire).

/Users/dp/a/ens/[Link] 139
2019-12-08 • 11:11:28.
10.3. Authentification Chiffrement

Il s’ensuit que la loi conjointe des variables X, K, Y est

P( X = x, K = k, Y = y) = P(Y = y| X = x, K = k )P( X = x, K = k )
= κ ( x, k) Mk ( x, y), x ∈ X, k ∈ K, y ∈ Y.
Les lois marginales se calculent de manière élémentaire :
µ(k, y) = P(K = k, Y = y) = ∑ P(X = x, K = k, Y = y)
x ∈X
= ∑ κ (x, k) Mk (x, y);
x ∈X
ρ ( k ) = P( K = k ) = ∑ κ (x, k);
x ∈X
ν ( y ) = P (Y = y ) = ∑ ∑ κ (x, k) Mk (x, y).
x ∈X k ∈K

La partie adverse — qui tente d’usurper l’identité de A mais ignore la clé utilisée —
génère un message Ỹ ∈ Y selon une loi (arbitraire) q̃, i.e. P(Ỹ = y) = q̃(y) et l’envoie
de manière intempestive à B.
Le problème mathématique se pose donc comme un problème de test d’hypothèses
statistiques ; on note H0 l’hypothèse nulle signifiant que le message reçu par B est un
message authentique et H1 l’hypothèse alternative signifiant que le message reçu est
frauduleux. Pour décider quel est le cas qui prévaut, le partenaire B dispose d’une fa-
mille — indexée par K — de règles de décision (∆k )k∈K , i.e. des applications ∆k : Y →
{0, 1} ; les valeurs 0 ou 1 prises par ∆k signifient respectivement que H0 ou H1 sont ac-
ceptées, i.e. que le message est respectivement jugé « authentique » ou « frauduleux ».
Pour chaque k, la règle de décision permet donc de partitioner l’ensemble Y en deux
sous-ensembles disjoints Yk (0) := {y ∈ Y : ∆k (y) = 0} et Yk (1) := {y ∈ Y : ∆k (y) =
1}.
Le partenaire B reçoit donc un message
(
Y si l’hypothèse H0 prévaut,
Ŷ =
Ỹ si l’hypothèse H1 prévaut
et doit se servir de sa règle de décision pour départager les deux cas. Il est alors évident
que, sur l’évènement {Ŷ = y},
P(K = k, ∆k (y) = 1| H0 ) = µ(k, y),
P(K = k, ∆k (y) = 0| H1 ) = ρ(k )q̃(y).

10.3.2 Minoration de la probabilité de fraude

Sous les conditions et notations du paragraphe précédent, on définit
α= ∑ µ(k, z),
z ∈Yk (1)

β= ∑ ρ(k )q̃(z).
z ∈Yk (0)

On voit que α représente l’erreur de première espèce (juger le message non authentique
tandis qu’il l’est) et β l’erreur de deuxième espèce (juger le message authentique tandis
qu’il ne l’est pas) ; β représente donc la probabilité que l’adversaire réussisse son coup.

/Users/dp/a/ens/[Link] 140
2019-12-08 • 11:11:28.
Chiffrement 10.4. Signature

Théorème 10.3.1. Sous les conventions et avec les notations précédentes,

d(α, β) ≤ D (µkq̃ ⊗ ρ),
où d(α, β) := D ((1 − α, α)k( β, 1 − β)) = (1 − α) log 1−β α + α log 1−α β .
Démonstration. Considérer les deux ensembles {0, 1} et Y = Yk (0) ∪ Yk (1) définis
dans le paragraphe précédent. Munir K × Y de deux probabilités µ et ρ ⊗ q̃ et l’espace
de décision {0, 1} ≡ {k} × {0, 1} des vecteurs de probabilité α := (1 − α, α) et β :=
( β, 1 − β) définis par
1 − α = P(K = k, Yk (0)| H0 ) = ∑ µ(k, z)
z ∈Yk (0)

α = P(K = k, Yk (1)| H0 ) = ∑ µ(k, z)

z ∈Yk (1)

β = P(K = k, Yk (0)| H1 ) = ρ(k ) ∑ q̃(z)

z ∈Yk (0)

1 − β = P(K = k, Yk (1)| H1 ) = ρ(k ) ∑ q̃(z).

z ∈Yk (1)

On constate alors que Yk (0) et Yk (1) sont des fragmentations de {0} et de {1}. Comme
la fragmentation augmente le contraste de Kullback-Leibler (voir la proposition 7.3.6),
on aura, pour toute probabilité de génération de messages q̃ utilisée par la partie ad-
verse, D (αk β) ≤ D (µkρ ⊗ q̃).
Corollaire 10.3.2. Pour tout schéma d’authentification,
d(α, β) ≤ I (K : Y ).
En particulier, si α = 0, la probabilité d’usurpation d’identité est minorée par

β ≥ 2− I (K:Y ) .
Démonstration. La majoration D (αk β) ≤ D (µkρ ⊗ q̃) obtenue dans le théorème pré-
cédent est valable pour toutes les probabilités q̃ potentiellement utilisées par l’usurpa-
teur. Elle peut donc être optimisée en D (αk β) ≤ inf p∈M1 (Y) D (µkρ ⊗ p). En particulier,

D (αk β) ≤ D (µkρ ⊗ ν)
car ν n’est pas nécessairement optimale. Or D (µkρ ⊗ ν) = I (K : Y ).
Si α = 0, l’inégalité devient d(0, β) = log β1 ≤ I (K : Y ).

10.4 Signature

10.5 Qu’est-ce la cryptographie post-quantique ?

Nous avons déjà évoqué dans ce cours les notions de cryptographie quantique et
de calcul quantique. Récemment un nouveau terme est apparu : la cryptographie post-
quantique dont la sémantique ne reflète pas très clairement son objet d’étude.
Une clarification est nécessaire car tous ces termes mélangent des aspects algorith-
miques et des aspects de réalisation physique de dispositifs de communication. En
nous limitant à la partie algorithmique nous distnguons :

/Users/dp/a/ens/[Link] 141
2019-12-08 • 11:11:28.
10.6. Exercices Chiffrement

Le calcul quantique : appelé quantum computing en anglais, englobe les algorithmes

qui exploitent les spécificités de la physique quantique pour réduire la com-
plexité algorithmique du problème.
La cryptographie quantique : décrit l’ensemble de protocoles qui permettent la com-
munication en offrant un chiffrement inconditionnel de l’information. Les proto-
coles et leurs implémentation physique sont basés sur la distribution inviolable
d’une clé privée.
La cryptographie post-quantique : désigne des algorithmes cryptographiques clas-
siques à clé publique dont la complexité algorithmique ne permettrait pas leur
déchiffrement (en un temps raisonnable) par l’avènement éventuel d’un ordina-
teur quantique. Elle ne doit pas être confondue avec la cryptographie quantique
qui est une cryptographie exploitant les phénomènes quantiques pour parvenir
à ses fins.
Récemment, une compétition internationale 9 est lancée par le NIST sur la recherche
algorithmique post-quantique « pour solliciter, évaluer et standardiser un ou plusieurs
algorithmes cryptographiques à clé publique, incassables par des ordinateurs quan-
tiques ».

10.6 Exercices

9. To solicit, evaluate, and standardize one or more quantum-resistant public-key cryptographic algorithms.
[Link]

/Users/dp/a/ens/[Link] 142
2019-12-08 • 11:11:28.
 11
Codes correcteurs d’erreur

1
Shannon
Taux de transmission R

0.8 Rn
Région inaccessible
0.6

0.4

0.2

0
10−1410−1210−10 10−8 10−6 10−4 10−2
Probabilité d’erreur résiduelle q

143
11.1. La borne de Hamming Codes correcteurs d’erreur

11.1 La borne de Hamming

11.2 Codage par test de parité

11.3 Bornes bilatères de l’abilité de correction pour codes

par test de parité

11.4 Bornes pour codes binaires généraux

11.5 Exercices
Codes à répétition
Dans ce paragraphe, on considère un canal binaire symétrique ayant une proba-
bilité d’erreur p. On note R N le code à N répétitions pour chaque bit et pb ( R N , p) la
probabilité de décoder de manière erronée un bit par la méthode de vote majoritaire.
92. Calculer pb ( R3 , p) pour p = 0.1.
93. Pour N arbitraire,
(a) Calculer pb ( R N , p).
(b) Pour p = 0.1 quel est le terme dominant dans l’expression de pb ( R N , p).
(c) À partir de quelle valeur de N, on obtient une valeur de pb ( R N , 0.1) ≤
10−15 ?
(d) Quel est le taux de transmission pour R N ?
(e) Placer les couples ( R N , log pb ( R N , p)) pour N ∈ {1, 3, 5 . . . , 101} sur un gra-
phique. Qu’observez-vous ?

Codes de Hamming
94. Décoder par le code de Hamming H AM (7, 4) les messages suivants :
(a) = 1101011,
r
(b) = 0110110,
r
(c)= 0100111,
r
(d) = 1111111.
r
95. Calculer toutes les chaînes de bruit b ∈ {0, 1}7 qui donnent un syndrome nul
pour H AM (7, 4).
96. Pour le code H AM (7, 4) et le canal binaire symétrique avec p = 0.1,
(a) déterminer la probabilité qu’un block de 7 bits ne soit pas décodé correcte-
ment,
(b) en déduire la probabilité du taux d’erreur par bit, dans le cas où le poids du
bruit est exactement k Bk = 2.
97. La matrice de contrôle de parité du code H AM (15, 4) est donnée par
 
0 0 0 0 1 1 1 1 1 1 1 1 0 0 0
 1 1 1 0 0 0 0 1 1 1 1 0 1 0 0 
H := 
 0 1 1 1 0 1 1 0 0 1 1 0 0 1 0 .


1 0 1 1 1 0 1 0 1 0 1 0 0 0 1

/Users/dp/a/ens/[Link]
144
2019-09-02 • 10:31:54.
Codes correcteurs d’erreur 11.5. Exercices

Décoder le mot r = 000010000011001.

/Users/dp/a/ens/[Link] 145
2019-09-15 • 14:02:24.
Références Codes correcteurs d’erreur

/Users/dp/a/ens/[Link] 146
2019-11-03 • 17:54:07.
 Bibliographie

[1] Robert B. Ash. Information theory. Dover Publications Inc., New York, 1990. Cor-
rected reprint of the 1965 original. 78
[2] Philippe Barbe and Michel Ledoux. Probabilité. EDP Sciences, Les Ulis, 2007.
Deuxième édition, revue et corrigée. 9, 14
[3] Steven M. Bellovin. Frank miller: Inventor of the one-time pad. Cryptologia, 35, 07
2011. 136
[4] Manabendra Nath Bera, Arnau Riera, Maciej Lewenstein, Zahra Baghali Khanian,
and Andreas Winter. Thermodynamics as a Consequence of Information Conser-
vation. Quantum, 3:121, February 2019. 78
[5] Rabi N. Bhattacharya and Edward C. Waymire. Stochastic processes with applica-
tions. Wiley Series in Probability and Mathematical Statistics: Applied Probability
and Statistics. John Wiley & Sons Inc., New York, 1990. A Wiley-Interscience Pu-
blication. 115
[6] Patrick Billingsley. Probability and measure. Wiley Series in Probability and Ma-
thematical Statistics. John Wiley & Sons Inc., New York, third edition, 1995. A
Wiley-Interscience Publication. 9, 12
[7] Ludwig Boltzmann. Vorlesungen über Gastheorie, 1. Theil. Verlag von Johann Am-
brosius Barth, Leipzig, 1896. 78, 79
[8] Ludwig Boltzmann. Leçons sur la théorie cinétique des gaz. Traduit de l’original al-
lemand par A. Galloti. Gauthiers-Villars, Paris, 1902. Ré-imprimé par les Éditions
Jacques Gabay, Paris (1987). 79
[9] Sergey Brin and Lawrence Page. The anatomy of a large-scale hypertextual web
search engine. Comput. Netw. ISDN Syst., 30(1-7):107–117, April 1998. 56
[10] Allen Broughton and Barthel W. Huff. A comment on unions of sigma-fields.
Amer. Math. Monthly, 84(7):553–554, 1977. 18
[11] Yuan Shih Chow and Henry Teicher. Probability theory. Springer Texts in Statistics.
Springer-Verlag, New York, third edition, 1997. Independence, interchangeability,
martingales. 33
[12] Kai Lai Chung. A course in probability theory. Academic Press, Inc., San Diego, CA,
third edition, 2001. 33
[13] The Unicode Consortium. Unicode Standard, Version 5.0, The (5th Edition). Addison-
Wesley Professional, 5 edition, 2006. 98
[14] Thomas M. Cover and Joy A. Thomas. Elements of information theory. Wiley-
Interscience [John Wiley & Sons], Hoboken, NJ, second edition, 2006. 78, 115
[15] Harald Cramér. On the representation of a function by certain Fourier integrals.
Trans. Amer. Math. Soc., 46:191–201, 1939. 33

147
Références BIBLIOGRAPHIE

[16] Persi Diaconis, Susan Holmes, and Richard Montgomery. Dynamical bias in the
coin toss. SIAM Rev., 49(2):211–235, 2007. 16
[17] Whitfield Diffie and Martin E. Hellman. New directions in cryptography. IEEE
Trans. Information Theory, IT-22(6):644–654, 1976. 135
[18] Jean-Guillaume Dumas, Jean-Louis Roch, Éric Tannier, and Sébastien Varette.
Foundations of Coding: Compression, Encryption, Error Correction. Wiley, 2015. 134
[19] Paul Ehrenfest and Tatiana Ehrenfest. Über zwei bekannte einwände gegen das
boltzmannsche h-theorem. Physilalsche Zeitschrift, 8:311–314, 1907. 53
[20] Peter Elias. Error-free coding. Information Theory, Transactions of the IRE Professional
Group on, 4(4):29–37, 1954. 2
[21] Peter Elias. The noisy channel coding theorem for erasure channels. Amer. Math.
Monthly, 81(8):853–862, 1974. 2
[22] J. Gemmer, M. Michel, and G. Mahler. Quantum thermodynamics, volume 784 of
Lecture Notes in Physics. Springer-Verlag, Berlin, second edition, 2009. Emergence
of thermodynamic behavior within composite quantum systems. 78
[23] Hans-Otto Georgii. Probabilistic aspects of entropy. In Entropy, Princeton Ser.
Appl. Math., pages 37–54. Princeton Univ. Press, Princeton, NJ, 2003. 78
[24] Hans-Otto Georgii. Stochastik. de Gruyter Lehrbuch. [de Gruyter Textbook]. Wal-
ter de Gruyter & Co., Berlin, expanded edition, 2009. Einführung in die Wahr-
scheinlichkeitstheorie und Statistik. [Introduction to probability and statistics]. 9,
14
[25] J. Willard Gibbs. Elementary principles in statistical mechanics: developed with especial
reference to the rational foundation of thermodynamics. Dover publications Inc., New
York, 1960. 78
[26] David A. Huffman. A method for the construction of minimum-redundancy
codes. Proceedings of the IRE, 40, 1952. 108
[27] F. Jelinek. Probabilistic Information Theory. McGraw-Hill, N. Y., 1968. 109
[28] R.S. Katti and A. Ghosh. Security using Shannon-Fano-Elias codes. In Circuits
and Systems, 2009. ISCAS 2009. IEEE International Symposium on, pages 2689–2692,
2009. 112
[29] Mark Kelbert and Yuri Suhov. Information Theory and Coding by Example. Cam-
bridge University Press, Cambridge, 2013. 78
[30] Joseph B. Keller. The probability of heads. Amer. Math. Monthly, 93(3):191–197,
1986. 16
[31] Auguste Kerchoffs. La cryptographie militaire. Journal des sciences militaires, pages
5–38, 1883. 133
[32] Aleksandr Yakovlevich Khinchin. Mathematical foundations of information theory.
Dover Publications Inc., New York, N. Y., 1957. Translated by R. A. Silverman and
M. D. Friedman. 2, 78
[33] Andrej Nikolaevich Kolmogoroff. Grundbegriffe der Wahrscheinlichkeitsrechnung.
Springer-Verlag, Berlin, 1977. Reprint of the 1933 original. 3, 9
[34] Leon G. Kraft. A device for quantizing, grouping, and coding amplitude-modulated
pulses. PhD thesis, Massachusetts Institute of Technology, 1949. 102

/Users/dp/a/ens/[Link] 148
2019-11-03 • 17:54:07.
BIBLIOGRAPHIE Références

[35] Rolf Landauer. The physical nature of information. Phys. Lett. A, 217(4-5):188–193,
1996. 92
[36] A. K. Lenstra and H. W. Lenstra, Jr., editors. The development of the number field
sieve, volume 1554 of Lecture Notes in Mathematics. Springer-Verlag, Berlin, 1993.
135
[37] Annick Lesne. Shannon entropy: a rigorous notion at the crossroads between
probability, information theory, dynamical systems and statistical physics. Math.
Structures Comput. Sci., 24(3):e240311, 63, 2014. 78
[38] Eugene Lukacs. Characteristic functions. Hafner Publishing Co., New York, 1970.
Second edition, revised and enlarged. 33
[39] David J. C. MacKay. Information theory, inference and learning algorithms. Cambridge
University Press, New York, 2003. 78
[40] Ueli M. Maurer. Authentication theory and hypothesis testing. IEEE Trans. Inform.
Theory, 46(4):1350–1356, 2000. 139
[41] R. J. McEliece. The theory of information and coding, volume 86 of Encyclopedia of
Mathematics and its Applications. Cambridge University Press, Cambridge, student
edition, 2004. With a foreword by Mark Kac. 78
[42] Brockway McMillan. The basic theorems of information theory. Ann. Math. Sta-
tistics, 24:196–219, 1953. 104
[43] Jacques Neveu. Bases mathématiques du calcul des probabilités. Préface de R. Fortet.
Deuxième édition, revue et corrigée. Masson et Cie, Éditeurs, Paris, 1970. 9
[44] J. R. Norris. Markov chains, volume 2 of Cambridge Series in Statistical and Probabi-
listic Mathematics. Cambridge University Press, Cambridge, 1998. Reprint of 1997
original. 51
[45] Juan M. R. Parrondo, Jordan M. Horowitz, and Takahiro Sagawa. Thermodyna-
mics of information. Nature Physics, 11:131 EP –, 02 2015. 78
[46] William A. Pearlman and Amir Said. Digital signal compression : principles and
practice. Cambridge University Press, 2011. 109
[47] Dimitri Petritis. Markov chains on measurable spaces, 2015. Premiminary draft
of lecture notes taught at the University of Rennes 1. 44, 51
[48] Dimitri Petritis. Mathematical foundations of quantum mechanics, 2018. Notes
de cours pour le master de cryptographie - version préliminaire, Université de
Rennes 1. 135
[49] Dimitri Petritis. Théorie de la complexité, 2018. Notes de cours pour le master de
cryptographie - version préliminaire, Université de Rennes 1. 115, 138
[50] R. L. Rivest, A. Shamir, and L. Adleman. A method for obtaining digital signatures
and public-key cryptosystems. Comm. ACM, 21(2):120–126, 1978. 135
[51] Y. A. Rozanov. Probability theory. Dover Publications Inc., New York, english edi-
tion, 1977. A concise course, Translated from the Russian and edited by Richard
A. Silverman. 9
[52] Claude E. Shannon. A mathematical theory of communication. Bell System Tech.
J., 27:379–423, 623–656, 1948. 77, 103
[53] Claude E. Shannon. Communication in the presence of noise. Proc. I.R.E., 37:10–
21, 1949. 2

/Users/dp/a/ens/[Link] 149
2019-11-03 • 17:54:07.
Index BIBLIOGRAPHIE

[54] Claude E. Shannon. Communication theory of secrecy systems. Bell System Tech.
J., 28:656–715, 1949. Claude Shannon’s report, originally issued as a classified do-
cument entitled “A Mathematical Theory of Cryptography”, Memorandum MM
45-110-02, September 1, 1945, was formally published in 1949 as “Communica-
tion Theory of Secrecy Systems” in Bell System Technical Journal, 28 (1949) 656–
715. The original form of the paper, is nowadays available only as a low quality
scanned version. Recently a version has been retyped by Jiejun Kong and made
available to the community. 2, 133, 137
[55] Albert Nikolaevich Shiryayev. Probability, volume 95 of Graduate Texts in Mathema-
tics. Springer-Verlag, New York, 1984. Translated from the Russian by R. P. Boas.
9, 33, 36
[56] Peter W. Shor. Polynomial-time algorithms for prime factorization and discrete
logarithms on a quantum computer. SIAM J. Comput., 26(5):1484–1509, 1997. 135
[57] G. J. Simmons. A survey of information authentication. In Contemporary crypto-
logy, pages 379–419. IEEE, New York, 1992. 139
[58] Gustavus J. Simmons. Authentication theory/coding theory. In George Robert
Blakley and David Chaum, editors, Advances in Cryptology, pages 411–431, Berlin,
Heidelberg, 1985. Springer Berlin Heidelberg. 139
[59] Yakov Grigorevich Sinai. Probability theory. Springer Textbook. Springer-Verlag,
Berlin, 1992. An introductory course, Translated from the Russian and with a
preface by D. Haughton. 9
[60] Gilbert S. Vernam. Cipher printing telegraph systems for secret wire and radio
telegraphic communications. Journal of the IEEE, 55:109–115, 1926. 136
[61] Jacob Ziv. Coding theorems for individual sequences. IEEE Trans. Inform. Theory,
24(4):405–412, 1978. 112
[62] Jacob Ziv and Abraham Lempel. Compression of individual sequences via
variable-rate coding. IEEE Trans. Inform. Theory, 24(5):530–536, 1978. 112

/Users/dp/a/ens/[Link] 150
2019-11-03 • 18:28:38.
 Index

algèbre, 10 erreur de transmission

engendrée, 18 maximale, 123
moyenne, 123
canal espérance, 30
capacité de, 119 espace
déterministe, 117 des épreuves, 9
discret, 115 des événements, 10
inutile, 118 probabilisé (ou de probabilité), 11
sans bruit, 118 état
sans mémoire, 115 absorbant, 47
sans perte, 116 accessible, 46
symétrique, 118 essentiel, 46
chaîne de Markov, 44 récurrent, 47
fortement irréductible, 47 récurrent nul, 47
graphe de –, 46 récurrent positif, 47
irréductible, 47 transient, 47
code, 94 événement, 9
absolument optimal, 101 négligeable, 15
étendu par concaténation, 94 presque sûr, 15
glossaire du –, 94, 124
(K, n)−, 124 fonction
longueur du –, 94 fonction
optimal, 101 caractéristique, 32
par blocs, 94 de répartition, 16
taux de transmission du –, 124 génératrice, 32
coefficient de corrélation, 31 formule
convergence de Bayes, 22
en loi, 38 de probabilité totale, 22
en probabilité, 36 identité
presque sûre, 36 de Wald, 39
corrélation, 31 inégalité de
Kraft, 97
densite
indépendance, 24
(discrète) de probabilité, 11
inégalité
de probabilité, 11
de Bienaymé-Tchebychev, 35
écart-type, 31 de Markov, 34
entropie, 73 information, 73
conditionnelle, 83 Kullback-Leibler (contraste de –), 81
conjointe, 82
relative, 81 Markov
épreuve, 9 propriété faible de —, 43

151
Index INDEX

propriété forte de –, 46 fonction de répartition d’une —, 16

matrice intégrable, 30
stochastique, 43 loi d’une —, 15
variance, 31
période, 50
principe de Landauer, 88
probabilité, 11
conditionnelle, 22
conjointe, 24
densité de —, 14
invariante, 50
limite, 50
marginale, 24
stationnaire, 50
vecteur de —, 11

registre
de stockage, 86
état informationnel du –, 86

seconde loi de thermodynamique, 88

source discrète, 93
homogène sans mémoire, 93
markovienne, 93
sans mémoire, 93
stationnaire, 93
suite
atypique, 78
typique, 78

taux de transmission, 124

atteignable, 124
temps
temps d’arrêt, 45
de première entrée, 45
de premier retour, 45
théorème
central limite, 37
faible des grands nombres, 35
fort des grands nombres, 36
tribu, 10
borélienne, 12
engendrée, 12, 18
produit, 12

univers, 9

variable aléatoire, 15
discrète, 29
espérance d’une —, 30

/Users/dp/a/ens/[Link] 152
2019-11-03 • 18:28:38.