Filière : SMA S6

Cours d'Intégrations et Probabilités

Professeur Hassane ZGUITTI

Année Universitaire 2021-2022

1
2
 Table des matières

1 Intégrale de Lebesgue d'une application mesurable par rapport à une mesure

positive 5
1.1 L'intégrale de Lebesgue d'une application étagée positive : . . . . . . . . . . . . 5
1.2 L'intégrale de Lebesgue d'une application mesurable positive . . . . . . . . . . . 9
1.3 Théorème de convergence monotone . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Lemme de Fatou . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5 Mesure de densité et mesure image . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.6 Espérance mathématique d'une variable aléatoire positive . . . . . . . . . . . . . 19
1.7 Applications Lebesgue-intégrables . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.7.1 Application intégrable . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.7.2 Théorème de convergence dominée . . . . . . . . . . . . . . . . . . . . . 26
1.8 Lien entre l'intégrale de Lebesgue et l'intégrale de Riemann . . . . . . . . . . . . 27
1.9 Intégrale dépendant d'un paramètre . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.9.1 Continuité sous l'intégrale . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.9.2 Dérivabilité sous l'intégrale . . . . . . . . . . . . . . . . . . . . . . . . . . 32

2 Intégration sur les Espaces Produits 35

2.1 Tribu Produit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2 Mesure produit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

3
TABLE DES MATIÈRES

2.3 Théorèmes de Fubini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

3 Espaces de Lebesgue Lp 44
3.1 Inégalités de Hölder et de Minkowski . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2 Les espaces Lp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.3 Espaces Lp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.4 Espaces L∞ et L∞ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

4 Applications aux probabilités 55

4.1 Variables aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.2 Espérance mathématique d'une variable aléatoire . . . . . . . . . . . . . . . . . 56
4.3 Variables aléatoires indépendantes . . . . . . . . . . . . . . . . . . . . . . . . . . 59

H. Zguitti -4- SMA S6 : Intégration et Probabilités, 2021-2022

 Chapitre 1

Intégrale de Lebesgue d'une

application mesurable par rapport à

une mesure positive

On conviendra le long de ce cours que 0 · ∞ = ∞ · 0 = 0.

(Ω, T , µ) designe un espace mesuré.
E + l'ensemble des fonctions mesurables étagées positives dénies sur Ω et à valeurs dans R+ .
M (resp. M+ ) l'ensemble des fonctions mesurables (resp. positives) dénies sur Ω et à valeurs
dans R (resp. R+ ).

1.1 L'intégrale de Lebesgue d'une application étagée posi-

tive :

Dénition 1.1

Soit f ∈ E + de décomposition canonique

n
ai · 1Ai .
X
f=
i=1

n
(0 ≤ a1 < a2 < · · · < an ≤ +∞ ; Ai = f (ai ) et Ω = Ai )
[
−1

i=1
On appelle l'intégrale de Lebesgue de f (sur Ω) par rapport à µ, l'élément de R+ , noté

5
1.1. L'INTÉGRALE DE LEBESGUE D'UNE APPLICATION ÉTAGÉE POSITIVE :

Z
f dµ, déni par
Ω
Z n
X
f dµ = ai µ(Ai ).
Ω i=1

On notera indiérement
Z Z Z Z
fµ = f dµ = f (x)dµ(x) = f (x)µ(dx).
Ω Ω Ω

Z
Remarques 1.1.1 i) Si f = 0, alors f dµ = 0 même si µ(Ω) = +∞. En eet, on a f = 0 · 1Ω
Z Ω

et donc f dµ = 0 · µ(Ω) = 0.
Ω
n m
ii) Soit f ∈ E de décomposition canonique f = ai 1Ai . Si f = bj 1Bj telle que les Bj
X X
+

i=1 j=1
forment une partition mesurable de Ω (Bj ∈ T ), alors on a encore
Z m
X
f dµ = bj µ(Bj ).
Ω j=1

En eet, soit
Eij = Ai ∩ Bj i = 1, . . . , n ; j = 1, . . . , m.

Donc m
•
[
Ai = Eij , ∀i = 1, . . . , n
j=1

et n
•
[
Bj = Eij , ∀j = 1, . . . , m.
i=1

Si Eij = ∅ alors µ(Eij ) = 0 et donc ai µ(Eij ) = 0 = bj µ(Eij ).

Si Eij 6= ∅ alors pour tout x ∈ Eij on a ai = f (x) = bj et donc ai µ(Eij ) = bj µ(Eij ). Par

H. Zguitti -6- SMA S6 : Intégration et Probabilités, 2021-2022

1.1. L'INTÉGRALE DE LEBESGUE D'UNE APPLICATION ÉTAGÉE POSITIVE :

conséquent Z n
X
f dµ = ai µ(Ai )
Ω i=1
m
Xn •
[
= ai µ( Eij )
i=1 j=1
Xn Xm
= ai µ(Eij )
i=1 j=1
Xm X n
= bj µ(Eij )
j=1 i=1
n
m
X •
[
= bj µ( Eij )
j=1 i=1
m
X
= bj µ(Bj ).
j=1

Exemples 1.1.1 Z
1) Si f = a · 1A avec a ≥ 0 et A ∈ T . Alors f dµ = aµ(A). Car f = a · 1A + 0 · 1Ac et donc
Z Ω

f dµ = aµ(A) + 0µ(Ac ) = aµ(A).

Ω Z
En particulier, 1A dµ = µ(A).
Z Ω

2) 1Q dλ = λ(Q) = 0.
R
n
3) Soit f ∈ E avec f = ai 1Ai . Soit a ∈ Ω. Alors
X
+

i=1
Z n n
ai 1Ai (a) = f (a).
X X
f dδa = ai δa (Ai ) =
Ω i=1 i=1

Proposition 1.1

Soient
Z f et g ∈ E Z et α ∈ RZ+ . Alors on a :
+

i) (f + g)dµ = f dµ + gdµ.
ZΩ ZΩ Ω

ii) (αf )dµ = α f dµ.

Ω ZΩ Z
iii) si f ≤ g , alors f dµ ≤ gdµ.
Ω Ω

n m
Démonstration : Soient f = ai 1Ai et g = bj 1Bj .
X X

i=1 j=1
i) Posons Eij = Ai ∩ Bj . Alors Eij ∈ T et les Eij sont deux à deux disjoints. On a
n n n X
m
ai 1Ai = ai 1∪m ai 1Eij .
X X X
f= j=1 Eij
=
i=1 i=1 i=1 j=1

H. Zguitti -7- SMA S6 : Intégration et Probabilités, 2021-2022

1.1. L'INTÉGRALE DE LEBESGUE D'UNE APPLICATION ÉTAGÉE POSITIVE :

De même m X
n
bj 1Eij .
X
g=
j=1 i=1

Donc n X
m
(ai + bj )1Eij .
X
f +g =
i=1 j=1

Par suite, Z n X
X m
(f + g)dµ = (ai + bj )µ(Eij )
Ω i=1 j=1
Xn X m n X
X m
= ai µ(Eij ) + bj µ(Eij )
i=1 j=1 i=1 j=1
n
X m
X n
X m
X
= ai ( µ(Eij )) + bj ( µ(Eij ))
i=1 j=1 i=1 j=1
m n
n
X [• n
X •
[
= ai µ( Eij ) + bj µ( Eij )
i=1 j=1 i=1 i=1
Xn Xn
= ai µ(Ai ) + bj µ(Bj )
i=1
Z Z i=1

= f dµ + gdµ.
Ω Ω

ii) Exercice.
iii) Supposons f (x) ≤ g(x) ∀x ∈ Ω. Si Eij 6= ∅, alors ∀x ∈ Eij , ai = f (x) ≤ g(x) = bj . Donc
Z X X Z
f dµ = ai µ(Eij ) ≤ bj µ(Eij ) = gdµ.
Ω i,j i,j Ω
Eij 6=∅ Eij 6=∅

Dénition 1.2
Z
Soient f ∈ E et A ∈ T . On appelle l'intégrale de f
+
sur A et qu'on note f dµ, l'intégrale
A
de la fonction étagée mesurable positive f · 1A :
Z Z
f dµ = f · 1A dµ.
A Ω

n
Remarque 1.1.1 Soit f ∈ E de decomposition canonique f = ai 1Ai . Soit A ∈ T .
X
+

i=1
n Z Z n
i) Alors f · 1A = ai 1A∩Ai et donc f · 1A dµ = ai µ(A ∩ Ai ).
X X
f dµ =
i=1 A Ω i=1
Z Z
ii) Si B ∈ T tel que A ⊂ B , alors f dµ ≤ f dµ.
Z A B Z Z
iii) Si g ∈ E , a et b ∈ R+ , alors (af + bg)dµ = a f dµ + b gdµ.
+
A A A

H. Zguitti -8- SMA S6 : Intégration et Probabilités, 2021-2022

1.2. L'INTÉGRALE DE LEBESGUE D'UNE APPLICATION MESURABLE POSITIVE

1.2 L'intégrale de Lebesgue d'une application mesurable

positive

Dénition 1.3

SoientZ f ∈ M+ et A ∈ T . On appelle l'intégrale de Lebsgue de f sur A, l'élément de R+

noté f dµ, déni par
A Z Z
f dµ = sup g dµ.
A g∈E + A
g≤f
Z
f est dite µ-intégrable si f dµ < +∞.
Ω

Proposition 1.2

Soient f et g ∈ M+Z, α ∈ R+ et
Z A ∈ T . On a :
i) si f ≤ g , alors f dµ ≤ gdµ. En particulier, si g est µ-intégrale alors f est µ-
A A
intégrale.
Z Z
ii) (αf )dµ = α f dµ.
A A

Démonstration : i) Si h ∈ E + tel que h ≤ f alors h ≤ g. Donc

Z Z
sup h dµ ≤ sup h dµ.
h∈E + A h∈E + A
h≤f h≤g

Z Z Z Z
Ainsi f dµ ≤ gdµ. En particulier, f dµ ≤ gdµ et donc si g est µ-intégrale alors f est
A A Ω Ω
µ-intégrale.

H. Zguitti -9- SMA S6 : Intégration et Probabilités, 2021-2022

1.3. THÉORÈME DE CONVERGENCE MONOTONE

ii) Si α = 0, alors l'égalité est vériée. Supposons donc α > 0. On a

Z Z
(αf )dµ = sup h dµ
A h≤αf A
h∈E + Z
= sup h dµ
α−1 h≤f A
h∈E + Z
= sup αh dµ
h≤f A
h∈E + Z
= sup α h dµ
h≤f A
h∈E + Z
= α sup h dµ
h≤f A
h∈E +
Z
= α f dµ.
A

Remarque 1.2.1 Z
i) Si f = 0 sur A, alors f dµ = 0 même si µ(A) = +∞.
Z A

ii) Si µ(A) = 0, alors f dµ = 0 même si f = +∞ sur A.

A

1.3 Théorème de convergence monotone

Théorème 1.1 (Théorème de convergence monotone)

Soient (fn )n≥1 une suite croissante d'éléments de M+ , A ∈ T et f = lim fn = sup fn .

n→+∞ n≥1
Alors Z Z
f dµ = lim fn dµ.
A n→+∞ A

Démonstration : D'abord on a f ∈ M+ . Etant donné que (fn )n≥1 est une suite croissante
et fn ≤ f pour tout n ≥ 1, alors
Z Z Z
lim fn dµ = sup fn dµ ≤ f dµ.
n→+∞ A n≥1 A A
Z Z
Il reste à montrer que f dµ ≤ lim fn dµ.
A n→+∞ A
Z Z
Pour cela, on va montrer que sup g dµ ≤ lim fn dµ.
g≤f A n→+∞ A
g∈E +

Soient α ∈]0, 1[ et g ∈ E + telle que g ≤ f . Posons

Bn = {x ∈ Ω / αg(x) ≤ fn (x)}, ∀n ≥ 1.

H. Zguitti -10- SMA S6 : Intégration et Probabilités, 2021-2022

1.3. THÉORÈME DE CONVERGENCE MONOTONE

Alors Bn ∈ T , ∀n ≥ 1 ; et la suite (Bn )n≥1 est croissante et vérie Bn = Ω. De plus, on a

[

n≥1
Z Z
fn dµ ≥ fn · 1Bn dµ
A ZA
≥ (αg) · 1Bn dµ
AZ

= α gdµ
A∩Bn

m
Si g = ai 1Ai , alors
X

i=1 Z Z
fn dµ ≥ α gdµ
A A∩Bn
m
X
= α ai µ(Ai ∩ A ∩ Bn ).
i=1

Or la suite (Ai ∩ A ∩ Bn )n≥1 est croissante et Ai ∩ A ∩ Bn = Ai ∩ A, alors d'après la propriété

[

n≥1
de continuité séquentielle croissante

lim µ(Ai ∩ A ∩ Bn ) = µ(Ai ∩ A).

n→+∞

Par conséquent, Z m
X Z
lim fn dµ ≥ α ai µ(Ai ∩ A) = α gdµ.
n→+∞ A A
i=1

On fait tendre α vers 1− , on obtient alors

Z Z
lim fn dµ ≥ gdµ.
n→+∞ A A

Par conséquent, Z Z Z
lim fn dµ ≥ sup gdµ = f dµ.
n→+∞ A g≤f A A
g∈E +

Corollaire 1.1

Soit
Z f ∈ M et A ∈ T . ZAlors
+

i) (+∞)f dµ = (+∞) f dµ.

ZA Z A

ii) f dµ = f · 1A dµ.
ZA Ω Z Z
iii) (f + g)dµ = f dµ + gdµ.
A ZA ZA
iv) Si A ⊂ B , alors f dµ ≤ f dµ.
A B

H. Zguitti -11- SMA S6 : Intégration et Probabilités, 2021-2022

1.3. THÉORÈME DE CONVERGENCE MONOTONE

Z Z Z
v) Si A ∩ B = ∅ alors f dµ = f dµ + f dµ.
A∪B A B

Démonstration : i) Il sut de prendre fn = n · f et d'appliquer le théorème de la conver-

gence monotone.
ii) Il existe une suite croissante (fn )n≥1 ⊂ E + telle que f = lim fn . Donc d'après le théorème
n→+∞
de convergence monotone (TCM) on a
Z Z Z Z
fn · 1A dµ = f · 1A dµ.
T CM T CM
f dµ = lim fn dµ = lim
A n→+∞ A n→+∞ Ω Ω

iii) On prend (fn )n≥1 et (gn )n≥1 ⊂ E + avec fn ↑ f et gn ↑ g et on applique le théorème de

convegence monotone. Z
iv) Si A ⊂ B , alors f · 1A ≤ f · 1B et donc d'après i) de la Proposition 1.2 on aura f dµ ≤
Z A

gdµ.
A
v) Si A ∩ B = ∅, alors 1A∪B = 1A + 1B . Donc
Z Z Z Z Z Z Z
f dµ = f · 1A∪B dµ = (f · 1A +f · 1B )dµ = f · 1A dµ+ f · 1B dµ = f dµ+ f dµ.
A∪B Ω Ω Ω Ω A B

Remarque 1.3.1 On a Z Z Z
f dµ = f dµ + f dµ.
Ω A Ac

Exemples 1.3.1
1) Soient (N, P(N), µd ) et f : N → R+ une application. Alors
Z +∞
X
f dµd = f (p).
N p=0

+∞
En particulier, f est µd -intégrable si et seulement si la série f (p) est convergente.
X

p=0
n
Pour cela, on considère la suite de fonction fn = f · 1{0,...,n} = f (p)1{p} . On a (fn )n≥0
X

p=0
est croissante et converge vers f . Il sut maintenant d'appliquer le théorème de convergence
monotone pour conclure.
2) Soit (Ω, P(Ω), δa ) (avec a ∈ Ω). Soit f : Ω → R+ . Alors
Z
f dδa = f (a).
Ω

H. Zguitti -12- SMA S6 : Intégration et Probabilités, 2021-2022

1.3. THÉORÈME DE CONVERGENCE MONOTONE

En particulier f est δa -intégrable si et seulement si f (a) < +∞.

Corollaire 1.2

Soit (f )n≥1 une suite d'applications mesurables positives. Alors

Z +∞
! +∞ Z
X X
fn dµ = fn dµ.
Ω n=1 n=0 Ω

Démonstration : On considère la suite de fonctions mesurables positives (gn )n≥1 dénie

n +∞
par gn = fp . La suite (gn ) est croissante (car les fn sont positives) et converge vers fn .
X X

p=1 n=1
On applique le TCM à la suite (gn ) et on obtient

Z +∞
! Z Z n
!
X X
fn dµ = lim gn dµ = lim fp dµ.
Ω n→+∞ Ω n→+∞ Ω
n=1 p=0

Or d'après iii) du corollaire précédent on a

Z Z n
! n Z
X X
gn dµ = fp dµ = fp dµ.
Ω Ω p=0 p=0 Ω

D'où Z +∞
! +∞ Z
X X
fn dµ = fn dµ.
Ω n=1 n=0 Ω

Remarque 1.3.2 Si Ω = N et µ = µd est la mesure de comptage, alors d'après 1) de l'exemple

précédent Z X
f dµd = f (n).
N n≥0

En appliquant le corollaire précédent, on retrouve le résultat bien connu énonçant que pour
toute suite double (anm ) de réels positifs on a
X X X X
( anm ) = ( anm ).
n≥0 m≥0 m≥0 n≥0

Proposition 1.3 (Inégalité de Markov)

Pour toute fonction mesurable positive f et tout réel a > 0, on a

Z
1
µ ({x ∈ Ω : f (x) ≥ a}) ≤ f dµ.
a Ω

H. Zguitti -13- SMA S6 : Intégration et Probabilités, 2021-2022

1.3. THÉORÈME DE CONVERGENCE MONOTONE

Démonstration : Soit A = {x ∈ Ω : f (x) ≥ a}. Alors A ∈ T et f ≥ a1A . En intégrant

on obtient Z Z
f dµ ≥ a1A dµ = aµ(A).
Ω Ω

Proposition 1.4

Soit f ∈ M+ . Si f est µ-intégrable, alors elle est nie µ-p.p.

Démonstration : Soit A = {x ∈ Ω : f (x) = +∞} et pour tout n ≥ 1 soit An = {x ∈ Ω :

f (x) ≥ n}. Alors A, An ∈ T . D'après l'inégalité de Markov on a
Z
nµ(An ) ≤ f dµ.
An

Donc Z Z
1 1
∀n ≥ 1, µ(An ) ≤ f dµ ≤ f dµ < +∞.
n An n Ω

En particulier, µ(A1 ) < +∞. Or, la suite (An ) est décroissante et An = A, alors d'après la
\

n≥1
propriété de continuité séquentielle décroissante on a
Z
1
0 ≤ µ(A) = lim µ(An ) ≤ lim f dµ = 0.
n→+∞ n→+∞ n Ω

D'où f est nie µ-p.p.

Remarque 1.3.3 La réciproque de la proposition précédente

Z est fausse. En eet, sur (R, B(R), λ)
soit f = c où c > 0. Alors f est nie partout, tandis que f dλ = +∞.
R

Proposition 1.5

Soit f ∈ M+ et A ∈ T . Alors
Z
f dµ = 0 ⇐⇒ f = 0 µ − p.p. sur A.
A

Z
Démonstration : ⇒) : Supposons que f dµ = 0. Soient B = {x ∈ A : f (x) 6= 0} et
A
1
Bn = {x ∈ Ω : f (x) ≥ } ∀n ≥ 1. Alors B et Bn ∈ T . De plus, la suite (Bn )n≥1 est croissante
n
et Bn = B . Alors la propriété de continuité séquentielle croissante donne
[

n≥1

µ(B) = lim µ(Bn ).

n→+∞

H. Zguitti -14- SMA S6 : Intégration et Probabilités, 2021-2022

1.4. LEMME DE FATOU

Or, d'après l'inégalité de Markov on a

Z Z
µ(Bn ) ≤ n f dµ ≤ n f dµ = 0.
Bn A

Donc µ(Bn ) = 0 ∀n ≥ 1. Il vient que

µ(B) = lim µ(Bn ) = 0.

n→+∞

D'où, f = 0 p.p. sur A.

⇐) : Suppons f = 0 p.p. sur A. Soit N = {x ∈ A / f (x) 6= 0}. Alors N ∈ T et µ(N ) = 0.
Donc Z Z Z Z
f dµ = f dµ + f dµ = 0 + 0 · dµ = 0.
A N A\N A\N

Remarque 1.3.4 i) Soient A ∈ T et f, g ∈ M+ telles que f = g p.p. sur A. Alors on a

Z Z
f dµ = gdµ.
A A
Z Z
En particulier, si f est intégrable et f = g p.p. alors g est intégrable et f dµ = gdµ.
La réciproque est fausse. Si f = 1 et g = 21[0, 21 ] sur ([0, 1], B([0, 1]), λ). Alors
Z Z
f dλ = gdλ = 1

tandis que λ({x ∈ [0, 1] / f (x) 6= g(x)}) = λ([0, 1]) = 1.

ii) Dans le théorème de convergence monotone, on peut supposer que la suite (fn )n≥1 est
croissante p.p. En eet, Soit N = {x ∈ Ω / (fn (x))n≥1 n'est pas croissante}. Alors N ∈ T et
µ(N ) = 0. Considérons la suite (gn ) dénie par gn = fn · 1N c pour tout n ≥ 1. Alors gn ∈ M+
et (gn )n≥1 est croissante partout. De plus on a

f = sup fn = sup gn p.p. (fn −→ f p.p.)

n≥1 n≥1

Donc Z Z
f dµ = sup fn dµ
A ZA n≥1
= sup gn dµ ( d'après i))
A n≥1Z

= lim gn dµ ( TCM)
n→+∞ ZA

= lim fn dµ. ( d'après i))

n→+∞ A

1.4 Lemme de Fatou

H. Zguitti -15- SMA S6 : Intégration et Probabilités, 2021-2022

1.4. LEMME DE FATOU

Théorème 1.2 (Lemme de Fatou)

Soient (f )n≥1 une suite de fonctions mesurables positives et A ∈ T . Alors

Z Z
lim inf fn dµ ≤ lim inf fn dµ.
A n→+∞ n→+∞ A

Démonstration : On a lim n→+∞

inf fn = sup inf fk . Posons
n≥1 k≥n

gn = inf fk , pour tout n ≥ 1.

k≥n

Alors ∀n ≥ 1, gn ∈ M+ et gn ≤ fn . De plus, la suite (gn )n≥1 est croissante et lim gn =

n→+∞
lim inf fn . Alors d'après le théorème de convergence monotone on a
Z Z
lim inf fn dµ = lim gn dµ
A n→+∞ A n→+∞
Z
= lim gn dµ (T CM )
n→+∞ ZA

≤ lim inf fn dµ.

n→+∞ A

Remarque 1.4.1 L'inégalité dans le lemme de Fatou peut être stricte. En eet, sur (R, B(R), λ)
soit
fn = 1[n,n+1] , ∀n ≥ 0.
Z
La suite (fn ) converge simplement vers f = 0. Donc lim inf fn dλ = 0 tandis que
n→+∞

Z
fn dλ = λ([n, n + 1]) = 1.

Par suite

Z Z
lim inf fn dλ = 0 < 1 = lim inf fn dλ.
n→+∞ n→+∞

H. Zguitti -16- SMA S6 : Intégration et Probabilités, 2021-2022

1.5. MESURE DE DENSITÉ ET MESURE IMAGE

1.5 Mesure de densité et mesure image

Théorème 1.3 (mesure de densité)

Soit f : Ω → R+ mesurable. On dénit l'application νf sur T par

Z
νf (A) = f dµ.
A

Alors on a
1) νf est une mesure sur (Ω, T ), dite mesure de densité f par rapport à µ et notée f · µ.
2) Pour tout A ∈ T , µ(A) = 0 implique νf (A) = 0.
3) Pour toute application mesurable ϕ : Ω → R+ , on a
Z Z
ϕdνf = ϕf dµ.
Ω Ω

Démonstration : Voir TD.

Proposition 1.6

Soit (E, F) un espace mesurable et ϕ : Ω → E une application mesurable. Alors l'appli-

cation ν : F → R+ dénie par

ν(B) = µ(ϕ−1 (B)), ∀B ∈ F

est une mesure positive sur E .

La mesure ν est appelée la mesure image de µ par ϕ. On la note ϕ(µ) ou µ · ϕ−1 .

Démonstration : : Exercice.

Remarque 1.5.1 a) Si µ est une probabilité alors ν = µ · ϕ−1 est aussi une probabilité.
b) Si ν est σ -nie alors µ est σ -nie. La réciproque est fausse. Soit

ϕ : (Q, P(Q), µd ) −→ (Z, P(Z))

x 7−→ [x]

Soit ν = µd · ϕ−1 . Alors pour tout A ∈ P(Z) on a


 0 si A = ∅
ν(A) = µd (ϕ−1 (A)) =
 +∞ si A 6= ∅

H. Zguitti -17- SMA S6 : Intégration et Probabilités, 2021-2022

1.5. MESURE DE DENSITÉ ET MESURE IMAGE

On a ν n'est pas σ -nie tandis que µd l'est.

c) Si ϕ est bijective, alors µ est σ -nie si et seulement si ν = µ · ϕ−1 est σ -nie.

Théorème 1.4 (Formule de transfert)

Soient (E, F) un espace mesurable, ϕ : Ω → E une application mesurable et ν = µ · ϕ−1 .

Soit f : E → R+ une application mesurable. Alors
Z Z
f dν = f ◦ ϕdµ.
E Ω

Démonstration : : la preuve se fait en trois étapes :

• f = 1A avec A ∈ F . Donc f ◦ ϕ = 1A ◦ ϕ = 1ϕ−1 (A) . Alors
Z Z Z
−1
f dν = ν(A) = µ(ϕ (A)) = 1ϕ−1 (A) dµ = f ◦ ϕdµ.
E Ω Ω

n
ai 1Ai avec ai ∈ R+ et Ai ∈ F . Alors on a
X
•f=
i=1

Z n n n Z n
Z X Z
1ϕ−1 (Ai ) dµ = ai 1ϕ−1 (Ai ) =
X X X
−1
f dν = ai ν(Ai ) = ai µ(ϕ (Ai )) = ai f ◦ϕdµ.
E i=1 i=1 i=1 Ω Ω i=1 Ω

• f : E → R+ une application mesurable. Soit (fn )n≥1 une suite croissante d'applications
étagées positives qui converge vers f . Alors (fn ◦ ϕ)n≥1 est une suite croissante d'applications
étagées positives qui converge vers f ◦ ϕ. Donc on a
Z Z
f dν = lim fn dν
E E n→+∞
Z
= lim fn dν (TCM)
n→+∞ ZE

= lim fn ◦ ϕdµ ( car fn est étagée positive)

n→+∞
Z Ω

= (f ◦ ϕ)dµ (TCM)
Ω

H. Zguitti -18- SMA S6 : Intégration et Probabilités, 2021-2022

1.6. ESPÉRANCE MATHÉMATIQUE D'UNE VARIABLE ALÉATOIRE POSITIVE

1.6 Espérance mathématique d'une variable aléatoire po-

sitive

Dénition 1.4

Soient (Ω, T , P ) un espace probabilisé et X : (Ω, T , P ) → R+ une variable aléatoire

positive. L'espérance mathématique de X par rapport à P , noté E(X), est déni par
Z
E[X] = XdP.
Ω

Remarque 1.6.1 Soient X et Y deux variable aléatoires réelles positives et a, b ∈ R+ . Alors :

i) E[X] ∈ [0, +∞].
ii) E[X] est interprété comme étant la moyenne de la variable aléatoire X .
iii) E[1A ] = P (A).
iv) E[a] = E[a1Ω ] = a.
v) E[aX + bY ] = aE[X] + bE[Y ].
vi) si X ≤ Y , alors E[X] ≤ E[Y ].
vi) si X = Y p.s., alors E[X] = E[Y ].

Le théorème de convergence monotone donne :

Théorème 1.5

Soit (Xn )n≥1 une suite de variables aléatoires positives sur (Ω, T , P ).
a) Si la suite (Xn )n≥1 est croissante et converge vers X , alors

lim E[Xn ] = E[X].

n→+∞

b) On a
X X
E[ Xn ] = E[Xn ].
n≥1 n≥1

Théorème 1.6

Soit X : (Ω, T , P ) → (E, F) une variable aléatoire. Alors pour toute application mesu-

H. Zguitti -19- SMA S6 : Intégration et Probabilités, 2021-2022

1.6. ESPÉRANCE MATHÉMATIQUE D'UNE VARIABLE ALÉATOIRE POSITIVE

rable positive ϕ : Ω → R+ , alors on a,

Z
E[ϕ(X)] = ϕ(x)dPX (x).
E

En particulier, Y = ϕ(X) est P -intégrable si et seulement si ϕ est PX -intégrable.

Réciproquement, si ν est une mesure sur (E, F) vériant
Z
E[ϕ(X)] = ϕ(x)dν(x), pour toute application mesurable ϕ : Ω → R+ (1.1)
E

alors ν = PX .

Démonstration : Le sens direct est une application immédiate du théorème de transfert.

Pour la réciproque. Supposons que ν est une mesure sur (E, F) vériant (1.1). Soit A ∈ F ,
alors on a Z
ν(A) = 1A dν
E
= E(1A (X)) (d'après (1.1) avec ϕ = 1A )
= E(1X −1 (A) )
= P (X −1 (A))
= PX (A)
et ceci pour tout A ∈ F . Par conséquent, ν = PX .

Corollaire 1.3

Soit X et Y des variables aléatoires à valeurs dans Rd . Alors les assertions suivantes sont
équivalentes :
i) X et Y ont même loi ;
ii) Pour toute application mesurable f : Rd → R+ , on a E[f (X)] = E[f (Y )].

Exemple 1.6.1 Soient X , Y et Z des varianles aléatoires réelles positives dénies sur un espace
de probabilité (Ω, A, P ).
1) On suppose que X = Y p.s. Montrer que X et Y sont la même loi.
Supposons que X = Y p.s. Soit f : R → R+ une fonction borélienne. Montrons que

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

H. Zguitti -20- SMA S6 : Intégration et Probabilités, 2021-2022

1.7. APPLICATIONS LEBESGUE-INTÉGRABLES

Soit A = {w ∈ Ω : X(w) = Y (w)}, alors A ∈ A et P (Ac ) = 0. Donc

Z Z Z
E(f (X)) = f (X)dP = f (X)dP + f (X)dP
Ω ZA Ac

= f (X)dP + 0 ( car P (Ac ) = 0)

ZA
= f (Y )dP
ZA Z
= f (Y )dP + f (Y )dP
A Ac
= E(f (Y )).

Donc on a E(f (X)) = E(f (Y )) et ceci pour toute fonction borélienne positive f .
D'où, X et Y ont même loi de probabilité.

1.7 Applications Lebesgue-intégrables

1.7.1 Application intégrable

Dénition 1.5

Soit f ∈ M. On dit que f est µ-intégrable si fZ+ et f − sont intégrables. On appellera

l'intégrale de Lebesgue de f le nombre réel noté f dµ et déni par
Ω
Z Z Z
f dµ = +
f dµ − f − dµ.
Ω Ω Ω

On note L1 (Ω, T , µ), ou tout simplement L1 , l'espace des fonctions µ-intégrables.

Proposition 1.7

1) Soit f ∈ M. Si f est intégrable alors f est nie µ-p.p.

2) Soient f et g ∈ M. Si f est intégrable et f = g µ-p.p. alors g est aussi intégrable et
on a Z Z
∀A ∈ T , f dµ = gdµ.
A A

Démonstration : 1) Si f est intégrable, alors f + et f − les sont. Donc d'après la proposition

1.4 f + et f − sont nie p.p. Par suite f est nie p.p.
2) On a f = g p.p. si et seulement si f + = g + p.p. et f − = g − p.p. Le résultat découle
maintenant de i) de la remarque 1.3.4.

H. Zguitti -21- SMA S6 : Intégration et Probabilités, 2021-2022

1.7. APPLICATIONS LEBESGUE-INTÉGRABLES

Proposition 1.8

Soit f ∈ M. Alors

f est µ-intégrable ⇐⇒ |f | est µ-intégrable.

Démonstration : Si f est intégrable, alors f + et f − sont intégrables. Comme |f | = f + +f − ,

alors |f | est aussi intégrable.
Réciproquement, si |f | est intégrable alors, comme f + ≤ |f | et f − ≤ |f |, on aura f + et f − sont
intégrables. Par conséquent, f est intégrable.

Corollaire 1.4

Soient f ∈ M et g : Ω → R+ intégrable telles que |f | ≤ g µ-p.p. Alors f est intégrable.

Démonstration : Soit A = {x ∈ Ω / |f (x)| > g(x)}. Alors A ∈ T et µ(A) = 0. On a

|f | · 1Ac ≤ g partout et g est intégrable. Donc |f | · 1Ac est intégrable. Alors
Z Z Z
|f |dµ = |f |dµ + |f |dµ
Ω ZA Ac

= |f |dµ
ZAc
= |f | · 1Ac dµ
ZΩ
≤ gdµ < +∞.
Ω

Remarque 1.7.1 Si f est intégrable, alors f · 1A est intégrable pour tout A ∈ T ; et on a

Z Z Z
f · 1A dµ = (f · 1A ) dµ − (f · 1A )− dµ
+
Ω ZΩ Z Ω
= f · 1A dµ − f − · 1A dµ
+
ZΩ Z Ω
+ −
= f dµ − f dµ.
A A
Z Z Z Z
On posera donc f dµ = f · 1A dµ = f + dµ − f − dµ.
A Ω A A

Exemples 1.7.1
1) Soient (N, P(N), µd ) et f : N → R une application. Alors
+∞
f est µd -intégrable ⇐⇒
X
|f (p)| < +∞.
p=0

H. Zguitti -22- SMA S6 : Intégration et Probabilités, 2021-2022

1.7. APPLICATIONS LEBESGUE-INTÉGRABLES

Dans ce cas Z Z Z
f dµd = +
f dµd − f − dµd
N N N
+∞
X +∞
X
= f + (p) − f − (p)
p=0 p=0
+∞
X
= (f + (p) − f − (p))
p=0
+∞
X
= f (p).
p=0

2) Soit (Ω, P(Ω), δa ) (avec a ∈ Ω). Soit f : Ω → R. Alors

f est δa -intégrable ⇐⇒ |f (a)| < +∞.

Dans ce cas, Z Z Z
f dδa = +
f dδa − f − dδa = f + (a) − f − (a) = f (a).

Proposition 1.9

Soit f ∈ L1 (Ω). Alors pour tout A ∈ T , on a

Z Z
f dµ ≤ |f |dµ.
A A

Démonstration : On a
Z Z Z
f dµ = f dµ − f − dµ
+
A ZA ZA Z Z
+ − + −
≤ f dµ + f dµ = (f + f )dµ = |f |dµ
A A A A

Théorème 1.7

Soit f et g ∈ M deux applications

Z µ-intégrables
Z et α ∈ R. Alors
1) αf est intégrable et on a αf dµ = α f dµ, ∀A ∈ T .
Z A
ZA Z
2) f + g est intégrable et (f + g)dµ = f dµ + gdµ, ∀A ∈ T .
Z A
Z A A

3) Si f ≤ g alors f dµ ≤ gdµ ∀A ∈ T .
A A

Démonstration : 1) On a |αf | = |α||f | est intégrable et donc αf l'est.

Si α ≥ 0, alors (αf )+ = αf + et (αf )− = αf − .

H. Zguitti -23- SMA S6 : Intégration et Probabilités, 2021-2022

1.7. APPLICATIONS LEBESGUE-INTÉGRABLES

Si α < 0, alors (αf )+ = (−α)f

Z et (αf ) =
− −
Z (−α)f .
+

Donc dans les deux cas on a αf dµ = α f dµ.

A A
2) On a |f + g| ≤ |f | + |g| qui est intégrable. Donc |f + g| est intégrable d'après le corollaire
précédent et par suite f + g est intégrable d'après la proposition 1.9.
Soit h = f + g , alors h+ − h− = f + − f − + g + − g − . Toutes les fonctions de cette égalité sont
intégrables et donc elles sont nies µ-p.p. Par suite

h+ + f − + g − = f + + g + + h− µ-p.p.

Donc Z Z Z Z Z Z
− −
+
h dµ + f dµ + g dµ = +
f dµ + +
g dµ + h− dµ.
A A A A A A

Etant donné que les intégrales de cette égalité sont nies, alors
Z Z Z Z Z Z
−
+
h dµ − +
h dµ = +
f dµ − f dµ + +
g dµ − g − dµ.
A A A A A A

D'où Z Z Z
hdµ = f dµ + gdµ.
A A A
Z
3) On a g = f + (g − f ) et g − f ≥ 0. Donc (g − f )dµ ≥ 0. Alors
A
Z Z Z Z
gdµ = f dµ + (g − f )dµ ≥ f dµ.
A A A A

Théorème 1.8

Soit f ∈ L1 (Ω). Alors on a

Z
f = 0 p.p. ⇐⇒ ∀A ∈ T , f dµ = 0.
A

Z Démonstration : ⇒) Supposons
Z f = 0 p.p. et soit A ∈ T . Alors f · 1A = 0 p.p. Donc
f · 1A dµ = 0. Autrement dit, f dµ = 0.
Ω Z A

⇐) Supposons que ∀A ∈ T , f dµ = 0. Soient

A

A1 = {x ∈ Ω / f (x) > 0} et A2 = {x ∈ Ω / f (x) < 0}.

H. Zguitti -24- SMA S6 : Intégration et Probabilités, 2021-2022

1.7. APPLICATIONS LEBESGUE-INTÉGRABLES

Z Z
Alors A1 et A2 ∈ T . Donc par hypothèse f dµ = f dµ = [Link] vient que
A1 A2
Z Z
f dµ = 0 ⇔ f · 1A1 dµ = 0
A1

⇔ f · 1A1 = 0 p.p. ( d'après la Proposition 1.5 car f · 1A1 ≥ 0)

⇔ µ({x ∈ Ω / f · 1A1 (x) 6= 0}) = 0
⇔ µ(A1 ) = 0 puisque A1 = {x ∈ Ω / f · 1A1 (x) 6= 0}

De la même manière, on obtient µ(A2 ) = 0. Par conséquent,

µ({x ∈ Ω / f (x) 6= 0}) = µ(A1 ∪ A2 ) = 0.

Théorème 1.9 (Formule de transfert)

Soient (E, F) un espace mesurable, ϕ : Ω → E une application mesurable et ν = µ · ϕ−1 .

Soit f : E → R une application mesurable. Alors f est ν -intégrable si et seulement si
f ◦ ϕ est µ-intégrable ; et dans ce cas on a
Z Z
f dν = f ◦ ϕdµ.
E Ω

Démonstration : On a f = f + − f − donc (f ◦ ϕ)+ = f + ◦ ϕ et (f ◦ ϕ)− = f − ◦ ϕ. Alors

f est ν − intégrable ⇐⇒ f + et f − sont ν − intégrables

⇐⇒ f + ◦ ϕ et f − ◦ ϕ sont µ − intégrables d'après théorème 1.4
⇐⇒ f ◦ ϕ est µ − intégrable.

De plus on a d'après le théorème 1.4

Z Z Z Z Z Z
+ − + −
f dν = f dν − f dν = f ◦ ϕdµ − f ◦ ϕdµ = f ◦ ϕdµ.
E E E Ω Ω Ω

H. Zguitti -25- SMA S6 : Intégration et Probabilités, 2021-2022

1.7. APPLICATIONS LEBESGUE-INTÉGRABLES

1.7.2 Théorème de convergence dominée

Théorème 1.10 (Théorème de convegence dominée)

Soit (fn )n≥1 une suite d'applications mesurables de Ω dans R convergeant µ-p.p. vers une
application mesurable f : Ω → R.
On suppose qu'il existe une application g : Ω → R+ µ-intégrable telle que

∀n ≥ 1, |fn | ≤ g µ-p.p.

Alors f est intégrable et

Z
lim |fn − f |dµ = 0, ∀A ∈ T .
n→+∞ A

Ainsi Z Z
lim fn dµ = f dµ, ∀A ∈ T .
n→+∞ A A

Démonstration : Soit
[
B = {g = +∞} ∪ {x ∈ Ω / fn (x) 9 f (x)} ∪ {x ∈ Ω / |fn (x) > g(x)}.
n≥1

Quitte à remplacer fn par fn · 1Bc , f par f · 1Bc et g par g · 1Bc , on peut supposer que fn
converge vers f , |fn | ≤ g ∀n ≥ 1 et g est nie partout sur Ω.
On a |fn | ≤ g ∀n ≥ 1. Donc |f | ≤ g et par conséquent f et les fn sont intégrables. Posons

gn = 2g − |fn − f |, ∀n ≥ 1.

Alors gn ≥ 0 ∀n ≥ 1 et lim gn = 2g . D'après le lemme de Fatou, on a

n→+∞
Z Z
2 gdµ ≤ lim inf gn dµ
A n→+∞
A Z Z 
= lim inf 2 gdµ − |fn − f |dµ
n→+∞ A
Z Z A
= 2 gdµ − lim sup |fn − f |dµ.
A n→+∞ A
Z
Ce qui donne lim sup |fn − f |dµ = 0. Par suite,
n→+∞ A
Z
lim |fn − f |dµ = 0.
n→+∞ A

Ainsi, Z Z Z Z
fn dµ − f dµ = (fn − f )dµ ≤ |fn − f |dµ −→ 0.
A A A A n→+∞

H. Zguitti -26- SMA S6 : Intégration et Probabilités, 2021-2022

1.8. LIEN ENTRE L'INTÉGRALE DE LEBESGUE ET L'INTÉGRALE DE RIEMANN

Corollaire 1.5

Soit f : Ω → R (ou R) une application Zintégrable et soit ε > 0. Alors il existe A ∈ T tel
que f est bornée sur A, µ(A) < +∞ et |f |dµ < ε.
Ac

Démonstration : Soit
1
An = {x ∈ Ω / ≤ |f (x)| ≤ n}, ∀n ≥ 1
n

et fn = |f |1Acn . Alors fn → 0 µ-p.p. On a

|fn | ≤ |f |, ∀n ≥ 1.

Alors d'après le théorème de convergence dominée,

Z Z Z Z
|f |1Acn dµ = lim
T CD
lim fn dµ = lim fn dµ = 0 dµ = 0
n→+∞ n→+∞ n→+∞

ou encore Z
lim |f |dµ = 0.
n→+∞ Acn
Z
Soit n0 ≥ 1 tel que |f |dµ < ε. Donc il sut de prendre A = An0 . D'après l'inégalité de
Acn0
Markov on a Z Z
µ(An0 ) ≤ n0 |f |dµ ≤ n0 |f |dµ < +∞.
An0

1.8 Lien entre l'intégrale de Lebesgue et l'intégrale de Rie-

mann

Lemme 1.1

Soit [a, b] ⊂ R et soit ϕ : [a, b] → R une fonction en escalier. Alors ϕ est Riemann-
intégrable et λ-intégrable sur [a, b] et les deux intégrales coïncident :
Z b Z
ϕ(x)dx = ϕ(x)dλ(x).
a [a,b]

H. Zguitti -27- SMA S6 : Intégration et Probabilités, 2021-2022

1.8. LIEN ENTRE L'INTÉGRALE DE LEBESGUE ET L'INTÉGRALE DE RIEMANN

Démonstration : Comme ϕ est en escalier, alors elle est borélienne. De plus, il existe une
subdivision a ≤ a0 < a1 < · · · < an−1 < an = b telle que ϕ(x) = αi , ∀x ∈ [ai , ai+1 [. Donc
Z b n−1
X n−1
X Z
ϕ(x)dx = αi (ai+1 − ai ) = αi λ([ai − ai+1 [) = ϕ(x)dλ(x).
a i=0 i=0 [a,b]

Proposition 1.10

Soient [a, b] ⊂ R et f : [a, b] → R une application borélienne et Riemann-intégrable.

Alors f est λ-intégrable sur [a, b] et ses intégrales au sens de Riemann et de Lebesgue
coincident : Z b Z
f (x) = f (x)dλ(x).
a [a,b]

Démonstration : Soit ε > 0. Alors il existe deux fonctions en escalier ϕ et ψ sur [a, b]
telles que Z b
ϕ≤f ≤ψ et (ψ − ϕ)(x)dx < ε.
a

On a f est bornée donc elle est λ-intégrable. En eet,

|f | ≤ M = sup |ϕ(x)| + sup |ψ(x)|

x∈[a,b] x∈[a,b]

et donc Z Z
|f |dλ ≤ M dλ = M (b − a) < +∞.
[a,b] [a,b]

On a Z b Z b Z b
ϕ(x)dx ≤ f (x)dx ≤ ψ(x)dx
a a a

et Z Z Z
ϕ(x)dλ(x) ≤ f (x)dλ(x) ≤ ψ(x)dλ(x).
[a,b] [a,b] [a,b]

Il vient du lemme précédent,

Z b Z Z Z Z b
ϕ(x)dx = ϕ(x)dλ(x) ≤ f (x)dλ(x) ≤ ψ(x)dλ(x) = ψ(x)dx.
a [a,b] [a,b] [a,b] a

Alors les intégrales (de Riemann et de Lebesgue) de f appartiennent au même intervalle de

largeur inférieure à ε. Donc
Z Z b
f (x)dλ(x) − f (x)dx < ε.
[a,b] a

H. Zguitti -28- SMA S6 : Intégration et Probabilités, 2021-2022

1.8. LIEN ENTRE L'INTÉGRALE DE LEBESGUE ET L'INTÉGRALE DE RIEMANN

Or, ceci est vrai pour tout ε > 0, d'où

Z b Z
f (x) = f (x)dλ(x).
a [a,b]

Théorème 1.11

Soit f : ]a, b[→ R avec −∞ ≤ a < b ≤ +∞. On suppose que :

i) f est borélienne ;
ii) fZ est localement Riemann intégrable sur ]a, b[ ;
b
iii) f (x)dx est absolument convergente.
a
Alors f est λ-intégrable. De plus,
Z Z b
f (x)dλ(x) = f (x)dx.
]a,b[ a

Démonstration : Soient (an )n≥1 une suite strictement décroissante vers a et (bn )n≥1 une
suite strictement croissante vers b. Comme f est borélienne et Riemann intégrable sur tout
intervalle fermé borné [c, d] ⊂]a, b[, alors |f |, f + et f − sont λ-intégrables sur chaque intervalle
[an , bn ] d'après la proposition précédente ; et leurs intégrales respectives de Riemann et de
Lebesgue sont égales.
La suite (|f |1[an ,bn ] )n≥1 est croissante et converge vers |f |1]a,b[ . Alors selon le TCM on a
Z Z Z
|f |1]a,b[ dλ = |f |1[an ,bn ] dλ
T CM
|f |dλ = lim
]a,b[ R n→+∞ R

Proposition 1.10 bn b
Z Z Z
= lim |f |dλ = lim |f (x)|dx = |f (x)|dx < +∞.
n→+∞ [an ,bn ] n→+∞ an a

Ainsi, f est λ-intégrable.

De la même manière, une application du TCM aux suites (f + 1[an ,bn ] )n≥1 et (f − 1[an ,bn ] )n≥1 donne
Z Z Z bn Z b
+ + +
f dλ = lim f dλ = lim f (x)dx = f + (x)dx < +∞,
]a,b[ n→+∞ [an ,bn ] n→+∞ an a

et Z Z Z bn Z b
− − −
f dλ = lim f dλ = lim f (x)dx = f − (x)dx < +∞.
]a,b[ n→+∞ [an ,bn ] n→+∞ an a

D'où, Z Z b
f (x)dλ(x) = f (x)dx.
]a,b[ a

H. Zguitti -29- SMA S6 : Intégration et Probabilités, 2021-2022

1.8. LIEN ENTRE L'INTÉGRALE DE LEBESGUE ET L'INTÉGRALE DE RIEMANN

Corollaire 1.6
Z b
Soit f : ]a, b[→ R avec −∞ ≤ a < b ≤ +∞. Si f est continue et f (x)dx est absolument
a
convergente, alors f est λ-intégrable sur ]a, b[ et
Z Z b
f (x)dλ(x) = f (x)dx.
]a,b[ a

Proposition 1.11

Soit f : ]a, b[→ R une fonction borélienne et localement Riemann intégrable sur ]a, b[ avec
Z b
−∞ ≤ a < b ≤ +∞. Si l'intégrale f (x)dx n'est pas absolument convergente, alors f
a
n'est pas λ-intégrable sur ]a, b[ et
Z
f (x)dλ(x) = +∞.
]a,b[

Démonstration : Soit [c, d] ⊂]a, b[, alors on a

Z Z Z d
|f |dλ ≥ |f |dλ = |f (x)|dx.
]a,b[ [c,d] c

Donc Z Z d
|f |dλ ≥ lim |f (x)|dx = +∞.
]a,b[ c→a , d→b−+
c

Exemple 1.8.1 Calculons cette limite

1
ne−x
Z
lim dx.
n→+∞ 0 nx + 1

ne−x
La fonction est postive et continue sur [0, 1] et donc elle est Riemann intégrable. Alors
nx + 1
son intégrale de Riemann est égale à son intégrale de Lebesgue :
1
ne−x ne−x
Z Z
dx = dλ(x)
0 nx + 1 [0,1] nx + 1
ne−x
Z
= dλ(x) (car λ({0}) = 0)
]0,1] nx + 1
ne−x
Z
= 1]0,1]dλ(x).
R+ nx + 1

H. Zguitti -30- SMA S6 : Intégration et Probabilités, 2021-2022

1.9. INTÉGRALE DÉPENDANT D'UN PARAMÈTRE

ne−x e−x
La suite fn = 1]0,1] converge simplement vers la fonction 1]0,1] . Donc d'après le
nx + 1 x
Lemme de Faton on a
e−x
Z Z Z
1]0,1] dλ(x) = lim inf fn dλ ≤ lim inf fn dλ.
R+ x R+
1
e−x e−x
Z Z Z
Or dx = +∞, donc 1]0,1] dλ(x) = +∞ et par suite lim inf fn dλ = +∞.
0 x R+ x
Ainsi
1
ne−x
Z
lim dx = +∞.
n→+∞ 0 nx + 1

1.9 Intégrale dépendant d'un paramètre

1.9.1 Continuité sous l'intégrale

Théorème 1.12

Soient (E, d) un espace métrique, t0 ∈ E et f : Ω × E → R. On suppose que :

i) L'application f (•, t) est mesurable, pour tout t ∈ E ;
ii) L'application f (x, •) est continue en t0 , pour µ-presque tout x ∈ Ω ;
iii) Il existe g : Ω → R+ µ-intégrable telle que : ∀t ∈ E , |f (•, t)| ≤ g µ-p.p.
Alors l'application
F : E −→ R
Z
t 7−→ F (t) = f (x, t)dµ(x)
Ω
est continue en t0 .

Démonstration : D'après i) et iii), il est clair que F est bien dénie sur E tout entier.
Soit (tn )n≥1 une suite que converge vers t0 dans E . Posons

fn = f (•, tn ), ∀n ≥ 1.

Alors d'après i), les fn sont mesurables et d'après iii)

|fn | ≤ g µ − p.p. ∀n ≥ 1.

De plus, la suite fn converge vers f (•, t0 ) µ-p.p. Alors d'après le théorème de convergence
dominée (TCD) on a Z Z
lim fn (x)dµ(x) = f (x, t0 )dµ(x).
n→+∞ Ω Ω
Autrement dit, lim F (tn ) = F (t0 ).
n→+∞

H. Zguitti -31- SMA S6 : Intégration et Probabilités, 2021-2022

1.9. INTÉGRALE DÉPENDANT D'UN PARAMÈTRE

Exemple 1.9.1 Soit Z +∞

2
F (t) = e−tx dx, ∀t > 0.
0

Alors F est continue sur ]0, +∞[. En eet, posons

∀t > 0 et x ∈ R+ .
2
f (x, t) = e−tx ,

Soit [a, b] ⊂]0, +∞[. On a

- pour tout t ∈ [a, b], l'application x 7→ f (x, t) est mesurable (car elle est continue).
- pour tout x ∈ R+ , l'application t 7→ f (x, t) est continue sur [a, b].
- |f (x, t)| = e−tx ≤ e−ax = g(x) et g est intégrable sur R+ . En eet
2 2

lim x2 g(x) = 0 et donc pour ε = 1 il existe A > 0 tel que ∀x > A, 0 ≤ x2 g(x) ≤ 1.
x→+∞
Z +∞ Z +∞ Z +∞
1
Alors g(x)dx ≤ dx < +∞. Par suite g(x)dx < +∞
A A x2 1
Alors d'après le théorème de la continuité sous l'intégrale, F est continue sur [a, b]. D'où la
continuité de F sur ]0, +∞[.

1.9.2 Dérivabilité sous l'intégrale

Théorème 1.13

Soit f : Ω×]a, b[→ R une application telle que :

i) f (•, t) est mesurable pour tout t ∈]a, b[ ;
ii) Il existe t0 ∈]a, b[ tel que f (•, t0 ) soit µ-intégrable sur Ω ;
iii) L'application f (x, •) est dérivable sur ]a, b[, pour µ-presque tout x ∈ Ω ;
∂f (•, t)
iv) Il existe g : Ω → R+ µ-intégrable telle que : ∀t ∈]a, b[, | | ≤ g µ-p.p.
∂t
∂f (•, t)
Alors f (•, t) et sont µ-intégrables pour tout t ∈]a, b[. De plus, l'application
∂t

F : ]a, b[−→ R
Z
t 7−→ F (t) = f (x, t)dµ(x)
Ω

est dérivable sur ]a, b[ et on a

Z
0 ∂f (x, t)
F (t) = dµ(x), ∀t ∈]a, b[.
Ω ∂t

Démonstration : Soit t ∈]a, b[. Si t = t0 , alors f (•, t0 ) est µ-intégrable d'après ii).

H. Zguitti -32- SMA S6 : Intégration et Probabilités, 2021-2022

1.9. INTÉGRALE DÉPENDANT D'UN PARAMÈTRE

Supposons donc t 6= t0 . D'après le théorème des accroissements nis (T.A.F)

f (x, t) − f (x, t0 ) ∂f (x, cx )
pour µ-presque tout x ∈ Ω, ∃cx ∈]a, b[ tel que = .
t − t0 ∂t

Alors d'après iv) on a

|f (x, t)| ≤ |f (x, t0 )| + |t − t0 |g(x), µ − p.p.

Donc f (•, t) est µ-intégrable pour tout t ∈]a, b[.

Soit t ∈]a, b[ et soit (tn )n≥1 une suite convergeant vers t dans ]a, b[. On a
∂f (x, t) f (x, tn ) − f (x, t)
= lim .
∂t n→+∞ tn − t
∂f (•, t) ∂f (•, t)
Donc est mesurable. D'après iv), il est clair que est µ-intégrable.
∂t ∂t
De plus,
f (x, tn ) − f (x, t) ∂f (x, cn,x )
= d'après le T.A.F
tn − t ∂t
≤ g(x), µ − p.p.
On peut donc appliquer le théorème de convergence dominée et on a
Z  
F (tn ) − F (t) f (x, tn ) − f (x, t)
Z
T CD ∂f (x, t)
lim = lim dµ(x) = dµ(x).
n→+∞ tn − t n→+∞ Ω tn − t Ω ∂t

Ceci étant vrai pour tout suite (tn )n≥1 convergeant vers t, alors F est dérivable en t et on a
Z
0 ∂f (x, t)
F (t) = dµ(x).
Ω ∂t

Exemple 1.9.2 Soit Z +∞

2
F (t) = e−tx dx, ∀t > 0.
0

Soit [a, b] ⊂]0, +∞[. On a

- pour tout t ∈ [a, b], la fonction x 7→ f (x, t) = e−tx est mesurable car elle est continue. De plus,
2

elle est λ-intégrable

Z car 0 ≤ f (x, t) = e ≤ e−ax qui est λ-intégrable. (la fonction x 7→ e−ax
−tx 2 2 2

+∞
est continue et e−tx dx est absolument convergente, donc d'après le corollaire précédent,
2

0
elle est λ-intégrable et son intégrable de Lebesgue coincide avec son intégrale de Riemann).
∂f
- On a (x, t) = −x2 e−tx .
2

∂t
∂f
- (x, t) = |x2 e−tx | ≤ x2 e−ax = g(x) et la fonction g est λ-intégrable. En eet, on a
2 2

∂t

lim x2 g(x) = 0
x→+∞

H. Zguitti -33- SMA S6 : Intégration et Probabilités, 2021-2022

1.9. INTÉGRALE DÉPENDANT D'UN PARAMÈTRE

et donc pour ε = 1, ∃A > 0 tel que ∀x > A, 0 ≤ x2 g(x) ≤ 1.

Alors Z +∞ Z +∞
1
g(x)dx ≤ dx < +∞.
A A x2
D'après le théorème de dérivation sous l'intégrale, F est dérivable sur tout [a, b] ⊂]0, +∞[.
D'où F est dérivable sur ]0, +∞[ et on a
Z +∞
0 2
F (t) = − x2 e−tx dx.
0

H. Zguitti -34- SMA S6 : Intégration et Probabilités, 2021-2022

 Chapitre 2

Intégration sur les Espaces Produits

Dans ce chapitre, (X, T1 ) et (Y, T2 ) sont deux espaces mesurables.

2.1 Tribu Produit

Dénition 2.1

Soient (X, T1 ) et (Y, T2 ) deux espaces mesurables. On appelle tribu produit de (X, T1 ) et
(Y, T2 ) la tribu sur X × Y engendrée par

T1 × T2 = {A × B : A ∈ T1 et B ∈ T2 }.

On la note T1 ⊗ T2 .

Proposition 2.1

Soient (X, T1 ) et (Y, T2 ) deux espaces mesurables. Alors, T1 ⊗ T2 est la plus petite tribu
qui laisse mesurables les projections

P1 : X × Y −→ X P2 : X × Y −→ Y
et
(x, y) 7−→ x (x, y) 7−→ y

Démonstration : Soit A ∈ T1 . Alors

P1−1 (A) = A × Y ∈ T1 × T2 ⊂ T1 ⊗ T2 .

Donc P1 est mesurable. On montre aussi que P2 est mesurable.

Soit ξ une tribu sur X × Y qui laisse P1 et P2 mesurables. Pour montrer que T1 ⊗ T2 ⊂ ξ , il
sut de montrer que T1 × T2 ⊂ ξ . Soit A × B ∈ T1 × T2 . Comme P1 et P2 sont ξ -mesurables,

35
2.1. TRIBU PRODUIT

alors P1−1 (A) et P2−1 (B) ∈ ξ . Il vient que

A × B = P1−1 (A) ∩ P2−1 (B) ∈ ξ.

Donc T1 × T2 ⊂ ξ . Par suite, T1 ⊗ T2 ⊂ ξ .

Exemple 2.1.1 P(N) ⊗ P(N) = P(N2 ).

Proposition 2.2

(X1 , τ1 ) et (X2 , τ2 ) deux espaces topologiques et τ la topologie produit sur X1 ×X2 . Soient
B(X1 ), B(X2 ) et B(X1 × X2 ) les tribus boréliennes respectives sur X1 , X2 et X1 × X2 .
Alors on a :
i) B(X1 ) ⊗ B(X2 ) ⊂ B(X1 × X2 ).
ii) Si τ1 et τ2 sont à bases dénombrables, alors B(X1 ) ⊗ B(X2 ) = B(X1 × X2 ).

Démonstration : i) On a P1 et P2 sont continues par rapport à τ . Donc P1 et P2 sont

mesurables par rapport à B(X1 × X2 ) = T (τ ). Alors d'après la proposition précédente,

B(X1 ) ⊗ B(X2 ) ⊂ B(X1 × X2 ).

ii) Soient $1 une base dénombrable de τ1 et $2 une base dénombrable de τ2 . Alors la famille
$ = {V1 × V2 : Vi ∈ $i } est une base dénombrable de τ . Par conséquent,

B(X1 × X2 ) = T (τ )
= T ($)
⊂ B(X1 ) ⊗ B(X2 )
⊂ B(X1 × X2 ).
D'où l'égalité.

Exemple 2.1.2 On a B(R2 ) = B(R) ⊗ B(R).

Remarque 2.1.1 Soit (Xi , Ti )1≤i≤n une famille nie d'espaces mesurables. On dénit la tribu
produit de T1 , . . . , Tn−1 et Tn comme étant la tribu engendrée par

{A1 × · · · × An : Ai ∈ Ti , 1 ≤ i ≤ n}.

On la note ⊗ni=1 Ti ou T1 ⊗ · · · ⊗ Tn .
Nous signalons que les deux propositions précédentes restent valables. En particulier, on a

B(Rn ) = ⊗ni=1 B(R).

H. Zguitti -36- SMA S6 : Intégration et Probabilités, 2021-2022

2.1. TRIBU PRODUIT

Dénition 2.2
Soient A ⊂ X × Y , x ∈ X et y ∈ Y . On appelle
i) section de A selon x, la partie Ax de Y dénie par

Ax = {y 0 ∈ Y : (x, y 0 ) ∈ A}.

ii) section de A selon y , la partie Ay de X dénie par

Ay = {x0 ∈ X : (x0 , y) ∈ A}.

Remarque 2.1.2 Soient A, (Ci )i≥1 des parties de X × Y et (A1 , B1 ) ∈ T1 × T2 . Soient x ∈ X

et y ∈ Y . Alors on a
1) (Ax )c = (Ac )x , (Ay )c = (Ac )y .
∞ ∞ ∞ ∞
2) ( (Ci )x et ( Ci )x = (Ci )x
[ [ \ \
Ci )x =
i=1 i=1  i=1 i=1 
 B
1 si x ∈ A1  A
1 si y ∈ B1
3) (A1 × B1 )x = et (A1 × B1 )y =
 ∅ si x ∈/ A1  ∅ si y ∈/ B1

Proposition 2.3
Soit A ∈ T1 ⊗ T2 . Alors pour tout x ∈ X et pour tout y ∈ Y , on a

Ax ∈ T2 et Ay ∈ T1 .

Démonstration : Soit x ∈ X . Soit

T 0 = {A ∈ T1 ⊗ T2 : Ax ∈ T2 }.

Alors d'après la remarque précédente on a T 0 est une tribu sur X × Y qui contient T1 × T2 .
Donc T1 ⊗ T2 ⊂ T 0 . Mais d'après la construction de T 0 on a T 0 ⊂ T1 ⊗ T2 . D'où T 0 = T1 ⊗ T2 .
De la même façon, on montre que Ay ∈ T1 .
Soit f : X × Y → Z une application où (Z, T3 ) est un espace mesurable. Pour tout x ∈ X
et tout y ∈ Y , on note par fx et fy les applications dénies par

fx : Y −→ Z fy : X −→ Z
et
y 0 7−→ fx (y 0 ) = f (x, y 0 ) x0 7−→ fy (x0 ) = f (x0 , y)

H. Zguitti -37- SMA S6 : Intégration et Probabilités, 2021-2022

2.2. MESURE PRODUIT

Proposition 2.4

Soit f : X × Y → Z une application T1 ⊗ T2 -mesurable. Alors on a

i) pour tout x ∈ X , fx est T2 -mesurable.
ii) pour tout y ∈ Y , fy est T1 -mesurable.

Démonstration : i) Soit x ∈ X . Soit A ∈ T3 . Alors fx−1 (A) = (f −1 (A))x . En eet,

y ∈ fx−1 (A) ⇐⇒ fx (y) ∈ A
⇐⇒ f (x, y) ∈ A
⇐⇒ (x, y) ∈ f −1 (A)
⇐⇒ y ∈ (f −1 (A))x .

Etant donné que f est mesurable, alors f −1 (A) ∈ T1 ⊗ T2 . Donc d'après la proposition précé-
dente, (f −1 (A))x ∈ T2 . Par suite, fx−1 (A) ∈ T2 et fx est T2 -mesurable.
ii) On applique la même méthode de i).

Remarque 2.1.3 Si A⊂X ×Y, x∈X et y∈Y alors on a

(1A )x = 1Ax et (1A )y = 1Ay .

2.2 Mesure produit

Théorème 2.1

Soit (X, T1 , µ1 ) et (Y, T2 , µ2 ) deux espaces mesurés σ -nis. Soit A ∈ T1 ⊗ T2 . Alors

i) les applications suivantes

X −→ R+ Y −→ R+
et
x 7−→ µ2 (Ax ) y 7−→ µ1 (Ay )

sontZ respectivement T1Z-mesurable et T2 -mesurable.

ii) µ2 (Ax )dµ1 (x) = µ1 (Ay )dµ2 (y).
X Y

Remarque 2.2.1 La condition µ1 et µ2 sont σ-nies est essentielle. En eet, Soient (R, B(R), λ)
et (R, P(R), µd ). Soit A = {(x, x) ∈ R2 : x ∈ R}. Alors

A ∈ B(R2 ) = B(R) ⊗ B(R) ⊂ B(R) ⊗ P(R)

H. Zguitti -38- SMA S6 : Intégration et Probabilités, 2021-2022

2.2. MESURE PRODUIT

et Ax = {x}, Ay = {y}. On a
Z Z
µd (Ax )dλ(x) = 1 dλ(x) = λ(R) = +∞,
R R

tandis que Z Z
y
λ(A )dµd (y) = 0 dµd (y) = 0.
R R

Théorème 2.2

Soit (X, T1 , µ1 ) et (Y, T2 , µ2 ) deux espaces mesurés σ -nis. Alors, l'application

µ : T1 ⊗ T2 −→ R+
Z Z
A 7−→ µ(A) := µ2 (Ax )dµ1 = µ1 (Ay )dµ2
X Y

est l'unique mesure positive σ -nie sur T1 ⊗ T2 vériant

µ(A × B) = µ1 (A) · µ2 (B), pour tout A ∈ T1 et B ∈ T2 .

On la note µ1 ⊗ µ2 et on l'appelle la mesure produit de µ1 et µ2 .

Démonstration :
• µ est mesure : il est clair que µ(∅) = 0. Soit (An )≥1 une suite disjointe dans T1 ⊗ T2 . Alors
pour tout x ∈ X , la suite ((An )x )n≥1 est une suite disjointe dans T2 . En appliquant le TCM,
on obtient
•
[ Z •
[
µ( An ) = µ2 (( An )x )dµ1 (x)
n≥1 X n≥1
Z •
[
= µ2 ( (An )x )dµ1 (x)
X
Z Xn≥1
= µ2 ((An )x )dµ1 (x) (d'après la remarque 2.1.2, 2))
X n≥1
T CM
XZ
= µ2 ((An )x )dµ1 (x)
n≥1 X
X
= µ(An )
n≥1

• Soit A ∈ T1 et B ∈ T2 . On a
Z
µ(A × B) = µ2 ((A × B)x )dµ1 (x)
ZX
= µ2 (B)1A (x)dµ1 (x) (d'après la remarque 2.1.2, 3))
X
= µ1 (A)µ2 (B).

H. Zguitti -39- SMA S6 : Intégration et Probabilités, 2021-2022

2.3. THÉORÈMES DE FUBINI

• µ est σ -nie : µ1 et µ2 sont σ -nies, alors

(Xn )n≥1 est croissante dans T1 et µ1 (Xn ) < +∞, ∀n ≥ 1,

[
X= Xn ,
n≥1

et
(Yn )n≥1 est croissante dans T2 et µ2 (Yn ) < +∞, ∀n ≥ 1.
[
Y = Yn ,
n≥1

La suite (Xn × Yn )n≥1 est croissante dans T1 × T2 et vérie

et
[
X ×Y = Xn × Yn µ(Xn × Yn ) = µ1 (Xn ) · µ2 (Yn ) < +∞.
n≥1

Par conséquent, µ est σ -nie.

• L'unicité : Soit ν une autre mesure positive sur T1 ⊗ T2 vériant

ν(A × B) = µ1 (A) · µ2 (B), ∀(A, B) ∈ T1 × T2 .

Alors ν est aussi σ -nie et coïncide avec µ sur T1 × T2 . Donc elles coïncident sur l'algèbre A
engendrée par T1 × T2 et qui est constituée par les réunions nies et disjointes des éléments de
T1 × T2 . Alors d'après le théorème de Hahn, on a ν = µ.

2.3 Théorèmes de Fubini

Tout au long de cette section, (X, T1 , µ1 ) et (Y, T2 , µ2 ) sont deux espaces mesurés σ -nies.

Théorème 2.3 (Fubini-Tonelli)

Soit f : X × Y → R+ une application mesurable. Alors

i) Les applications

X −→ R+ Y −→ R+
Z et Z
x 7−→ fx (y)dµ2 (y) y 7−→ fy (x)dµ1 (x)
Y X

sont, respectivement, T1 -mesurable et T2 -mesurable.

ii) On a
Z Z Z  Z Z 
f d(µ1 ⊗ µ2 ) = f (x, y)dµ2 (y) dµ1 (x) = f (x, y)dµ1 (x) dµ2 (y).
X×Y X Y Y X
(2.1)

H. Zguitti -40- SMA S6 : Intégration et Probabilités, 2021-2022

2.3. THÉORÈMES DE FUBINI

Démonstration :
Supposons que f = 1A avec A ∈ T1 ⊗ T2 .
On a Z Z
fx (y)dµ2 (y) = 1Ax (y)dµ2 (y) = µ2 (Ax ).
Y Y

Donc l'application
X : −→ R+
Z
x 7−→ fx (y)dµ2 (y)
Y
est T1 -mesurable, d'après le théorème 2.1.
De la même manière, on montre que l'autre application est mesurable.
Pour ii) on a
Z
f d(µ1 ⊗ µ2 ) = µ1 ⊗ µ2 (A)
X×Y Z
= µ2 (Ax )dµ1 (x) (par dénition, voir théorème 2.2)
ZX Z
= ( f (x, y)dµ2 (y))dµ1 (x)
X Y

Maintenant supposons f est positive. Soit (fn )n≥1 une suite croissante d'applications positives
étagées qui converge vers f . On a la suite ((fn )x )n≥1 est croissante et converge vers fx . Alors
d'après le théorème de convergence monotone, on a
Z Z
fx (y)dµ2 (y) = lim (fn )x (y)dµ2 (y).
Y n→+∞ Y
Z
Comme, pour tout n, l'application x 7→ (fn )x (y)dµ2 (y) est T1 -mesurable, alors l'application
Z Y

x 7→ fx (y)dµ2 (y) est T1 -mesurable.

Y Z
De la même façon, on montre que l'application y 7→ fy (x)dµ1 (x) est T2 -mesurable. Ce qui
X
prouve i)
Pour ii) on a
Z Z
f d(µ1 ⊗ µ2 ) = lim fn d(µ1 ⊗ µ2 ) ( TCM)
X×Y n→+∞
ZX×Y
Z
= lim ( fn (x, y)dµ2 (y))dµ1 (x)
n→+∞
Z Z X Y
= ( f (x, y)dµ2 (y))dµ1 (x) ( TCM appliquée deux fois)
X Y

Exemple 2.3.1 Soit f (x, y) = e−xy , ∀(x, y) ∈ [0, +∞[×[a, b] avec 0 < a < b.

H. Zguitti -41- SMA S6 : Intégration et Probabilités, 2021-2022

2.3. THÉORÈMES DE FUBINI

Alors, on a d'une part

Z Z Z 
−xy −xy
e d(λ ⊗ λ) = e dλ(x) dλ(y)
[0,+∞[×[a,b] Z[a,b] [0,+∞[
Z +∞
−xy
= ( e dy)dλ(x)
Z[a,b] 0
1
= dλ(y)
y
Z[a,b]
b
1
= dy
a y
b
= ln( ).
a
D'autre part, on a
Z Z +∞ Z b
−xy
e dλ × λ = e−xy dydx
[0,+∞[×[a,b] Z0 a
+∞ −ax
e − e−bx
= dx.
0 x
Il vient,
+∞
e−ax − e−bx
Z
b
dx = ln( ).
0 x a

Théorème 2.4 (Fubini-Lebesgue)

Soit f ∈ L1 (µ1 ⊗ µ2 ). Alors Z

1) fx ∈ L (µ2 ) µ1 -p.p. et l'application x 7→
1
fx dµ2 est dénie µ1 -p.p. et elle est µ1 -
Y
intégrable. Z
2) fy ∈ L (µ1 ) µ2 -p.p. et l'application y 7→
1
fy dµ1 est dénie µ2 -p.p. et elle est µ2 -
X
intégrable.
3) On a
Z Z Z Z Z
f d(µ1 ⊗ µ2 ) = ( f (x, y)dµ2 (y))dµ1 (x) = ( f (x, y)dµ1 (x))dµ2 (y).
X×Y X Y Y X

Démonstration : D'après le théorème de Fubinit-Tonellli on a

Z Z Z  Z Z 
|f |d(µ1 ⊗ µ2 ) = |f (x, y)|dµ2 (y) dµ1 (x) = |f (x, y)|dµ1 (x) dµ2 (y).
X×Y X Y Y X

Comme f est µ1 ⊗ µ2 -intégrable, alors 1) et 2) découlent de la dernière égalité.

Pour 3) on écrit f = f + − f − et on applique le théorème de Fubini-Tonelli à f + et f − .
Le corollaire suivant est une immédiate conséquence du théorème de Fubini-Tonelli et du
théorème de Fubini-Lebesgue :

H. Zguitti -42- SMA S6 : Intégration et Probabilités, 2021-2022

2.3. THÉORÈMES DE FUBINI

Corollaire 2.1

Soit
Z f : X×Y → R Z une
Z application T1 ⊗ T2 -mesurable.
Z ZSi l'une des trois intégrales
|f |d(µ1 ⊗ µ2 ), ( |f (x, y)|dµ2 (y))dµ1 (x), ou ( |f (x, y)|dµ1 (x))dµ2 (y) est
X×Y X Y Y X
nie, alors il en est de même pour les deux autres ; et on a
Z Z Z  Z Z 
f d(µ1 × µ2 ) = f (x, y)dµ2 (y) dµ1 (x) = f (x, y)dµ1 (x) dµ2 (y).
X×Y X Y Y X

La condition f est µ1 ⊗ µ2 -intégrable est essentielle dans le théorème de Fubini-Lebesgue

comme le montre l'exemple suivant

Exemple 2.3.2 Soit (N2 , P(N2 ), µd ⊗ µd ). Soit f : N2 → R l'application dénie par






1 si m = n
f (m, n) =

−1 si m = n + 1
sinon.


 0

Soit n ∈ N. On a
Z +∞
X
f (m, n)dµd (m) = f (m, n) = f (n, n) + f (n + 1, n) = 1 − 1 = 0.
N m=0

Donc Z Z 
f (m, n)dµd (m) dµd (n) = 0.
N N
Soit m ∈ N. Alors Z +∞
X
f (m, n)dµd (n) = f (m, n).
N n=0
Or, f (m, n) = 0 sauf si n = m ou n = m − 1. On a donc deux cas :
1er cas : m = 0. Dans ce cas, on
Z +∞
X
f (0, n)dµd (n) = f (0, n) = f (0, 0) = 1.
N n=0

2ème cas : m > 0. Alors on a

Z
f (m, n)dµd (n) = f (m, m − 1) + f (m, m) = −1 + 1 = 0.
N

On en déduit que
Z Z  +∞ Z
X
f (m, n)dµd (n) dµd (m) = f (m, n)dµd (n) = 1.
N N m=0 N

Par conséquent, la fonction f n'est pas µd ⊗ µd -intégrable. Car sinon, d'après le théorème de
Fubini-Lebesgue, les deux intégrales seraient égales.

H. Zguitti -43- SMA S6 : Intégration et Probabilités, 2021-2022

 Chapitre 3

Espaces de Lebesgue Lp

Tout au long ce chapitre, (Ω, T , µ) désigne un espace mesuré.

3.1 Inégalités de Hölder et de Minkowski

Soit f : Ω → R une application mesurable et p ∈ [1, +∞[. On pose

Z  p1
p
kf kp = |f | dµ .

Lemme 3.1 (Inégalité de Young)

Soient α ∈]0, 1[ et x, y ∈ R+ . Alors

xα y 1−α ≤ αx + (1 − α)y.

Démonstration : Si xy = 0 ou x = +∞ ou y = +∞, alors l'inégalité est triviale.

Si 0 < x, y < +∞, appliquer la fonction ln à xα y 1−α et utiliser le fait que la fonction ln est
concave pour conclure.

Théorème 3.1 (Inégalité de Hölder)

1 1
Soient f et g ∈ M et p, q ∈]1, +∞[ deux réels conjugués ( + = 1). Alors
p q

kf gk1 ≤ kf kp kgkq .

Démonstration :
Si kf kp kgkp = 0 ou kf kp kgkp = +∞, alors l'inégalité est triviale.

44
3.1. INÉGALITÉS DE HÖLDER ET DE MINKOWSKI

Supposons donc que 0 < kf kp < +∞ et 0 < kgkq < +∞. Soient
|f |p |g|q
et
F = G = .
(kf kp )p (kgkq )q
Z Z
1
On vérie facilement que F dµ = G dµ = 1. D'après le lemme précédent et pour α = ,
p
on a
1 1 1 1
F p G q ≤ F + G.
p q
Ainsi,
|f g|
Z Z
1 1 1 1
F G dµ =
p q dµ ≤ + = 1.
kf kp kgkq p q
D'où, Z
kf gk1 = |f g|dµ ≤ kf kp kgkq .

Exemple 3.1.1 Soit (N, P(N), µd ) et Soient (an )n≥0 et (bn )n≥0 deux suites réelles. Alors on a
+∞ +∞
! p1 +∞
! 1q
X X X
|an bn | ≤ |an |p |bn |q .
n=0 n=0 n=0

Lemme 3.2

Pour tout a, b ∈ R+ on a

(a + b)p ≤ 2p (ap + bp ), ∀p ≥ 1.

Démonstration : On a (a + b) ≤ 2 max(a, b). Alors

(a + b)p ≤ 2p (max(a, b))p ≤ 2p (ap + bp ).

Théorème 3.2 (Inégalité de Minkowski)

Soient f et g ∈ M et p ∈ [1, +∞[. Alors

kf + gkp ≤ kf kp + kgkp .

Démonstration :
• p = 1 : alors il est clair que kf + gk1 ≤ kf k1 + kgk1 .

H. Zguitti -45- SMA S6 : Intégration et Probabilités, 2021-2022

3.1. INÉGALITÉS DE HÖLDER ET DE MINKOWSKI

• p > 1 : on a deux cas

Cas 1 : kf + gkp = 0 ou kf kp = +∞ ou kgkp = +∞ : dans ce cas, l'inégalité est triviale.
Cas 2 : kf + gkp 6= 0 et kf kp < +∞ et kgkp < +∞ :
D'après le lemme précédent, on a

|f + g|p ≤ (|f | + |g|)p ≤ 2p (|f |p + |g|p ).

Donc Z  p1
p
kf + gkp = |f + g| dµ
 Z Z  p1
p p p
≤ 2 ( |f | dµ + |g| dµ)
Z Z  p1
p p
= 2 |f | dµ + |g| dµ

< +∞
On a aussi
|f + g|p = |f + g||f + g|p−1 ≤ |f ||f + g|p−1 + |g||f + g|p−1 .

Donc
Z
p
(kf + gkp ) = |f + g|p dµ
Z Z
p−1
≤ |f ||f + g| dµ + |g||f + g|p−1 dµ.

= k |f ||f + g|p−1 k1 + k |g||f + g|p−1 k1

p
≤ kf kp k(f + g)p−1 kq + kgkp k(f + g)p−1 kq (l'inégalité Hölder avec q = )
p−1
= (kf kp + kgkp )k(f + g)p−1 kq .

Or,
Z  1q Z  p−1
p
p−1 (p−1)q p
k(f + g) kq = |f + g| dµ = |f + g| dµ = (kf + gkp )p−1 .

Par conséquent,
(kf + gkp )p ≤ (kf kp + kgkp ) (kf + gkp )p−1 .

D'où,
kf + gkp ≤ kf kp + kgkp .

Exemple 3.1.2 Soient (an )n≥1 et (bn )n≥1 deux suites réelles. Alors on a
+∞
! p1 +∞
! p1 +∞
! p1
X X X
|an + bn |p ≤ |an |p + |bn |p .
n=1 n=0 n=0

H. Zguitti -46- SMA S6 : Intégration et Probabilités, 2021-2022

3.2. LES ESPACES LP

Théorème 3.3 (TCM)

Soit (fn )n≥1 une suite croissante d'applications mesurables positives sur Ω. Alors

k lim fn kp = lim kfn kp , ∀p ≥ 1.

n→+∞ n→+∞

Démonstration : On applique le TCM à la suite croissante (fnp )n≥1 .

Corollaire 3.1

Soit (fn )n≥1 une suite d'applications mesurables positives sur Ω. Alors
X X
k fn kp ≤ kfn kp , ∀p ≥ 1.
n≥1 n≥1

Démonstration : On a
X n
X
k fn kp = k lim fk kp
n→+∞
n≥1 k=1
n
( Theorem 3.3)
X
= lim k fk kp
n→+∞
k=1
n
(l'inégalité de Minkowski)
X
≤ lim kfk kp
n→+∞
k=1
X
= kfn kp .
n≥1

3.2 Les espaces Lp

Dénition 3.1

Soit p ∈ [1, +∞[. On dénit Lp (Ω, T , µ) par

Lp (Ω, T , µ) := {f ∈ M : kf kp < +∞}.

L'ensemble Lp (Ω, T , µ) sera noté Lp , s'il n'y a pas de confusion.

H. Zguitti -47- SMA S6 : Intégration et Probabilités, 2021-2022

3.2. LES ESPACES LP

Proposition 3.1

Lp est un espace vectoriel sur R et l'application

k kp : Lp −→ R+
f 7−→ kf kp

est une semi-norme.

Remarque 3.2.1
i) f ∈ Lp si et seulement si |f | ∈ Lp .
ii) Si |f | ≤ g p.p. et g ∈ Lp , alors f ∈ Lp .
iii) f ∈ Lp si et seulement si f + et f − ∈ Lp .
iv) Si p, q ∈]1, +∞[ sont conjugués et f ∈ Lp et g ∈ Lq , alors f g ∈ L1 .

Théorème 3.4

Soit (fn )n≥1 une suite de Cauchy dans (Lp , k kp ). Alors il existe une sous-suite (fnk )k≥1
et une application f ∈ Lp telles que fnk → f µ-p.p.

Démonstration : Etant donné que (fn )n≥1 est une suite de Cauchy dans (Lp , k kp ), alors
on peut en extraire une sous-suite (fnk )k≥1 telle que
1
∀k ≥ 1, kfnk+1 − fnk kp < .
2k

On considère l'application
+∞
X
g= |fnk+1 − fnk |.
k=1

Alors g est positive et mesurable. De plus, on a d'après le corollaire 3.1

+∞ +∞
X X 1
kgkp ≤ kfnk+1 − fnk kp ≤ k
= 1.
k=1 k=1
2

On en déduit que g ∈ Lp et donc elle est nie µ-p.p. Soit A = {g = +∞}. Alors µ(A) = 0.
+∞
Donc fn1 + (fnk+1 − fnk ) est absolument convergente sur Ac .
X

k=1
Soit  +∞
si x ∈ Ac
 X
fn1 (x) + (fnk+1 (x) − fnk (x))


f (x) = k=1

si x ∈ A


 0

H. Zguitti -48- SMA S6 : Intégration et Probabilités, 2021-2022

3.2. LES ESPACES LP

Alors f est mesurable. De plus

s−1
(fnk+1 − fnk ) −→ f µ − p.p.
X
fns = fn1 +
k=1

Or,
|fns | ≤ |fn1 | + g, ∀s ≥ 1.

Donc |f | ≤ |fn1 | + g, µ-p.p. Comme |fn1 | + g ∈ Lp , alors f ∈ Lp .

Théorème 3.5 (Fischer-Riesz)

Toute suite de Cauchy dans (Lp , k kp ) est convergente dans (Lp , k kp ).

Démonstration : Soit (fn )n≥1 une suite de Cauchy dans Lp . Alors

∀ε > 0, ∃N ≥ 1 tel que ∀n, m ≥ N, kfn − fm kp ≤ ε.

D'après le résultat précédent, il existe une sous-suite (fnk )k≥1 qui converge µ-p.p. vers une
application f ∈ Lp . Soit m ≥ N , alors
Z Z
p p
(kfm − f kp ) = |fm − f | dµ = lim |fm − fnk |p dµ
Ω Ω k→+∞
Z
≤ lim inf |fm − fnk |p dµ (lemme de Fatou)
k→+∞ Ω
= lim inf (kfm − fnk kp )p
k→+∞

≤ εp .

Par suite, kfm − f kp ≤ ε et fn converge vers f dans (Lp , k kp ).

Corollaire 3.2

Soit (fn )n≥1 une suite de Cauchy dans Lp qui converge µ-p.p. vers une application me-
surable f . Alors f ∈ Lp et (fn )n≥1 converge vers f dans (Lp , k kp ).

Démonstration : Exercice.

Théorème 3.6 (TCD)

Soit (fn )n≥1 une suite dans Lp qui converge µ-p.p. vers une application mesurable f . On
suppose qu'il existe application positive g ∈ Lp vériant ∀n ≥ 1, |fn | ≤ g µ-p.p. Alors :
i) f ∈ Lp ;
ii) kfn − f kp −→ 0, quand n −→ +∞.

H. Zguitti -49- SMA S6 : Intégration et Probabilités, 2021-2022

3.3. ESPACES LP

Démonstration : Il est clair que |f | ≤ g µ-p.p. Donc f ∈ Lp . Pour conclure, on applique

le théorème de convergence dominée à la suite gn = |fn − f |p .

3.3 Espaces Lp

Dénition 3.2

Dans Lp , on dénit la relation d'équivalence R par

f Rg ⇐⇒ f = g µ − p.p.

L'espace quotient Lp /R sera noté Lp (Ω, T , µ) ou tout simplement Lp , s'il n'y a pas de
confusion possible.

• • •
Remarque 3.3.1 Soit f ∈ Lp . Soit g est un représentant quelconque de f c-à-d g = f . Alors
•

f = g µ-p.p. et donc kf kp = kgkp .

On posera
•
kf kp = kf kp .

Alors k kp est une norme sur Lp .

•
Exemple 3.3.1 Si Ω = N, T = P(N) et µ = µd , alors f = {f } pour tout f ∈ Lp . Donc
+∞
X
p p p
L = L = l = {(an )n≥0 : |an |p < +∞}.
n=0

Théorème 3.7

(Lp , k kp ) est un espace de Banach (espace normé complet).

•
Démonstration : Soit (f n )n≥1 une suite de Cauchy dans Lp . Alors (fn )n≥1 est une suite
de Cauchy dans Lp . Donc d'après le théorème de Fischer-Riesz, la suite (fn )n≥1 converge dans
• •
Lp . Soit f sa limite. Il est donc clair que (f n )n≥1 converge vers f (dans Lp ).

L'application
< ·, · > : L2 × L2 −→ R
• • • •
Z
(f , g) 7−→ < f , g >= f gdµ

est un produit scalaire sur L2 .

H. Zguitti -50- SMA S6 : Intégration et Probabilités, 2021-2022

3.4. ESPACES L∞ ET L∞

Corollaire 3.3

(L2 , < ·, · >) est un espace de Hilbert sur R.

3.4 Espaces L∞ et L∞

Dénition 3.3

Soit f ∈ M. On appelle borne supérieure essentielle de f l'élément de R+ , noté kf k∞ et

dénie par
kf k∞ = inf{α : |f | ≤ α µ − p.p.}.

Avec inf ∅ = +∞.

Si kf k∞ < +∞, f est dite essentiellement bornée .

Remarque 3.4.1 Soient f et g ∈ M. Alors on a

i) k k∞ n'est pas nécessairement une semi-norme sur M puisque elle peut prendre la valeur
+∞.
ii) kf k∞ = 0 si et seulement si f = 0 µ-p.p.
iii) kf k∞ = k |f |, k∞ .
iv) kλf k∞ = |λ|kf k∞ .
iv) Si 0 ≤ f ≤ g , alors kf k∞ ≤ kgk∞ .
v) Si α > kf k∞ , alors |f | ≤ α µ-p.p.
vi) |f | ≤ kf k∞ µ-p.p.

Proposition 3.2

Soient f et g ∈ M. Alors
1) kf + gk∞ ≤ kf k∞ + kgk∞ .
2) kf gk∞ ≤ kf k∞ kgk∞ .
3) Soient p et q ∈ [1, +∞] deux conjugués. On a kf gk1 ≤ kf kp kgkq .

Démonstration : 1) On a |f + g| ≤ |f | + |g| ≤ kf k∞ + kgk∞ µ-p.p. Donc kf + gk∞ ≤

kf k∞ + kgk∞ .
2) L'inégalité découle de |f g| ≤ kf k∞ kgk∞ µ-p.p.

H. Zguitti -51- SMA S6 : Intégration et Probabilités, 2021-2022

3.4. ESPACES L∞ ET L∞

3) Si 1 < p < +∞, alors l'inégalité est déjà démontrée.

Si p = 1, alors q = +∞. Comme |g| ≤ kgk∞ µ-p.p., alors on a
Z Z
kf gk1 = |f g|dµ ≤ kgk∞ |f |dµ = kf k1 kgk∞ .
Ω Ω

Dénition 3.4

On note par L∞ (Ω, T , µ) le sous-espaces vectoriel de M formé par les applications essen-
tiellement bornées. Autrement dit, L∞ (Ω, T , µ) = {f ∈ M : kf k∞ < +∞}. On notera
L∞ (Ω, T , µ) par L∞ (µ) ou L∞ .

Remarque 3.4.2 i) k k∞ est une semi-norme sur L∞ .

ii) f ∈ L∞ si et seulement si |f | ∈ L∞ .
iii) f ∈ L∞ si et seulement si f + et f − ∈ L∞ .
iv) si f ∈ L1 et g ∈ L∞ alors f g ∈ L1 .
v) si f et g ∈ L∞ , alors f g ∈ L∞ .
vi) L∞ est une K-espace vectoriel.

Exemple 3.4.1 l∞ = L∞ (µd ) est l'espace vectoriel des suites bornées.

Théorème 3.8

L'espace semi-normé (L∞ , k k∞ ) est complet.

Démonstration : Soit (fn )n≥1 une suite de Cauchy dans L∞ . Alors la suite est bornée dans
L∞ et il existe une constante M > 0 telle que ∀n ≥ 1, kfn k ≤ M . Pour chaque n et m ≥ 1,
soient

An = {x ∈ Ω : |fn (x)| > M } et Bn,m = {x ∈ Ω : |fn (x) − fm (x)| > kfn − fm k∞ }.

Posons
[ [
A= An ∪ Bn,m .
n≥1 n,m≥1

Soit ε > 0, comme (fn )n≥1 est de Cauchy, alors il existe n0 ≥ 1 tel que

∀n, m ≥ n0 , kfn − fm k∞ < ε.

H. Zguitti -52- SMA S6 : Intégration et Probabilités, 2021-2022

3.4. ESPACES L∞ ET L∞

Soient x ∈ Ac et n, m ≥ n0 , alors

|fn (x) − fm (x)| ≤ kfn − fm k∞ < ε.

Donc pour chaque x ∈ Ac , la suite (fn (x))n≥1 est une suite de Cauchy dans R et elle converge
vers un élément qu'on note f (x).
Pour x ∈ A, on pose f (x) = 0. Alors f ∈ M. De plus f ∈ L∞ . En eet, on a

∀x ∈ Ac , ∀n ≥ 1, |fn (x)| ≤ M.

Donc ∀x ∈ N c , |f (x)| ≤ M .
D'autre part, si n ≥ n0 et x ∈ Ac , alors |fn (x) − f (x)| ≤ ε. Par suite, ∀n ≥ n0 , kfn − f k∞ ≤ ε.
Ainsi, fn converge vers f dans L∞ .

Dénition 3.5
• •
L'espace quotient L∞ /R se note L∞ . Pour f ∈ L∞ , on pose kf k = khk∞ où h est un
•
élément quelconque de f .

Théorème 3.9

L'espace (L∞ , k k∞ ) est un espace de Banach.

Démonstration : la démonstration découle du théorème précédent.

Proposition 3.3
•
Si µ est nie et si 1 ≤ p < q ≤ +∞. Alors Lq ⊂ Lp et pour tout f ∈ Lq on a
• 1 1 •
kf kp ≤ (µ(Ω)) p − q kf kq .

Démonstration :
√ • • •

Z q = +∞ : Soit f ∈ L ∞
. Alors |f | ≤ k f k ∞ µ -p.p. Donc |f |p
≤ (kf k)p µ-p.p. Par suite,
• • • •
|f |p dµ ≤ kf kp∞ µ(Ω). D'où, kf kp ≤ kf k∞ (µ(Ω)) p et f ∈ Lp .
1

Ω
√ • q
q < +∞ : Soient f ∈ Lq , r = et r0 le conjugué de r. Alors on a r et r0 ∈]1, +∞[. On a
p
•
f ∈ Lq ⇐⇒ |f |q ∈ L1
⇐⇒ |f |pr ∈ L1
⇐⇒ |f |p ∈ Lr .

H. Zguitti -53- SMA S6 : Intégration et Probabilités, 2021-2022

3.4. ESPACES L∞ ET L∞

Comme µ est nie, alors 1Ω ∈ Lr . Par conséquent

0

Z Z
p
|f | dµ = |f |p 1Ω dµ
Ω Ω
≤ k|f |p kr k1Ω kr0 ( l'inégalité de Hölder)
Z  r1
1
= |f |pr dµ (µ(Ω)) r0
ZΩ  pq
p
= |f | dµ (µ(Ω))1− q
q
Ω

D'où
• 1 1 • •
kf kp ≤ (µ(Ω)) p − q kf kq et f ∈ Lp .

Remarque 3.4.3 Soit f ∈ E et p ∈ [1, +∞[ alors on a :

1) f ∈ L∞ .
n
2) f ∈ Lp si et seulement si µ({x ∈ Ω : f (x) 6= 0}) < +∞. En eet, si f = αi 1Ai avec les
X

i=1
n
αi non nuls et les Ai deux à deux disjointes. On a |f |p = |αi |p 1Ai . Donc
X

i=1

Z n
X
p
|f | dµ = |αi |p µ(Ai ) < +∞ ⇐⇒ µ(Ai ) < +∞, ∀i.
Ω i=1

Notation : Soit S = Lp ∩ E/R. On signale que d'après la remarque précédente, S ne dépend

pas du choix de p (1 ≤ p < +∞)

Théorème 3.10

L'ensemble S est dense dans Lp , pour tout p ∈ [1, +∞[.

Démonstration : Soit f ∈ Lp . On suppose d'abord f positive. Soit (fn )n≥1 une suite
croissante de applications étagées positives qui converge simplement vers f . On a fn est étagée
et |fn | = fn ≤ f , alors fn ∈ S , ∀n ≥ 1. On aussi |fn | ≤ f ∈ Lp , alors d'après le théorème de
convergence dominée on a donc lim kfn − f kp = 0.
n→+∞
Maintenant si f est réelle, alors on a f = f + − f − et on applique le cas précédent à f + et f − .

H. Zguitti -54- SMA S6 : Intégration et Probabilités, 2021-2022

 Chapitre 4

Applications aux probabilités

Tout au long de ce chapitre, (Ω, T , P ) désigne un espace probabilisé.

4.1 Variables aléatoires

Dénition 4.1

Soit (E, F) un espace mesurable. Une application X : Ω → E mesurable est dite une
variable aléatoire .
Si (E, F) = (R, B(R)), X est dite une variable aléatoire réelle.

Dénition 4.2
La loi d'une variable aléatoire X : Ω → E est la mesure image de P par X : c'est la
mesure de probabilité PX sur (E, F) donnée par

PX (B) = P (X −1 (B)), ∀B ∈ F.

Remarque 4.1.1
1) Si E est dénombrable, on dit que X est une variable aléatoire discrète . Si B ⊂ E , on a
[ X X
PX (B) = P (X ∈ B) = P ( {X = x}) = P (X = x) = px .
x∈B x∈B x∈B

Ainsi,
X
PX = p x δx .
x∈E

2) Si E = Rd et la loi de X admet une densité f par rapport à la mesure de Lebesgue, on dit

55
4.2. ESPÉRANCE MATHÉMATIQUE D'UNE VARIABLE ALÉATOIRE

que X est une variable aléatoire continue de densité f :

Z
PX (B) = P (X ∈ B) = f (x)dλ(x).
B

4.2 Espérance mathématique d'une variable aléatoire

Dénition 4.3

Soit X : Ω → R une variable aléatoire. L'espérance mathématique de X par rapport à P

est Z
E[X] = XdP,
Ω

ce qui est bien dénie dans les deux cas suivants :

i) Si X est positive, et dans ce cas E[X] ∈ R+ .
ii) Si X est intégrable (E[|X|] < +∞).

Remarque 4.2.1 Soient X et Y deux variable aléatoires réelles et a, b ∈ R.

i) E[X] est interprété comme étant la moyenne de la variable aléatoire X .
ii) E[1A ] = P (A).
iii) E[a] = E[a1Ω ] = a.
iv) E[aX + bY ] = aE[X] + bE[Y ].
v) si X ≤ Y , alors E[X] ≤ E[Y ].
vi) si X = Y p.p. alors E[X] = E[Y ].

Théorème 4.1

Soit (Xn )n≥1 une suite de variables aléatoires positives.

a) Si la suite (Xn )n≥1 est croissante et converge vers X , alors

lim E[Xn ] = E[X].

n→+∞

b) On a
X X
E[ Xn ] = E[Xn ].
n≥1 n≥1

H. Zguitti -56- SMA S6 : Intégration et Probabilités, 2021-2022

4.2. ESPÉRANCE MATHÉMATIQUE D'UNE VARIABLE ALÉATOIRE

Théorème 4.2

Soit (Xn )n≥1 une suite de variables aléatoires réelles et X une variable aléatoire réelle.
Si (Xn )n≥1 converge vers X p.s., et s'il existe Z intégrable telle que |Xn | ≤ Z p.s. ∀n ≥ 1,
alors
lim E[Xn ] = E[X].
n→+∞

Théorème 4.3 (Formule de transfert)

Soient X : (Ω, T , P ) → (E, F) une variable aléatoire et ϕ : Ω → R une application

mesurable. Alors la variable aléatoire Y = ϕ(X) est P -intégrable si et seulement si ϕ est
PX -intégrable, et dans ce cas on a
Z
E[ϕ(X)] = ϕ(x)dPX (x).
E

Corollaire 4.1

Soit X une variable

Z aléatoire à valeurs dans E = R (R ou R ). Alors X est P -intégrable
d

si et seulement si |x|dPX (x) < +∞, et dans ce cas on a

R
Z
E[X] = xdPX (x).
E

Proposition 4.1

Soit X et Y des variables aléatoires à valeurs dans Rd . Alors les assertions suivantes sont
équivalentes :
i) X et Y ont même loi ;
ii) Pour tout A ∈ B(Rd ), P (X ∈ A) = P (Y ∈ A) ;
iii) Pour toute fonction mesurable f : Rd → R+ , on a E[f (X)] = E[f (Y )].

Exemple 4.2.1 Soient X , Y et Z des varianles aléatoires réelles dénies sur un espace de
probabilité (Ω, A, P ).
1) On suppose que X = Y p.s. Montrer que X et Y sont la même loi.
Supposons que X = Y p.s. Soit f : R → R+ une fonction borélienne. Montrons que

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

H. Zguitti -57- SMA S6 : Intégration et Probabilités, 2021-2022

4.2. ESPÉRANCE MATHÉMATIQUE D'UNE VARIABLE ALÉATOIRE

Soit A = {w ∈ Ω : X(w) = Y (w)}, alors A ∈ A et P (Ac ) = 0. Donc

Z Z Z
E(f (X)) = f (X)dP = f (X)dP + f (X)dP
Ω ZA Ac

= f (X)dP + 0 ( car P (Ac ) = 0)

ZA
= f (Y )dP
ZA Z
= f (Y )dP + f (Y )dP
A Ac
= E(f (Y )).

Donc on a E(f (X)) = E(f (Y )) et ceci pour toute fonction borélienne positive f .
D'où, X et Y ont même loi de probabilité.
2) La réciproque est fausse. En eet, soit X une variable aléatoire de loi normale N (0, 1) et de
1 − x2
densité √ e 2 par rapport à la mesure de Lebesgue.
2π
Soit Y = −X . Soit g : R → R+ une fonction borélienne. On a donc
Z Z
1 − x2 1 x2
E(g(Y )) = g(−x) √ e dλ(x) =
2 g(x) √ e− 2 dλ(x) = E(g(X)).
R 2π R 2π
Alors X et Y ont même loi mais X et Y ne sont pas égales p.s.
3) On suppose que X et Y ont la même loi.
a) Soit f : R → R une fonction borélienne. Montrer que les variables aléatoires f (X) et f (Y )
ont la même loi.
Soit g : R → R+ une fonction borélienne. Montrons que

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

En eet, la fonction h = g ◦ f est une fonction borélienne positive. De plus X et Y ont la même
loi, alors
E(h(X)) = E(h(Y )).

C'est-à-dire, E(g(f (X))) = E(g(f (Y ))). D'où f (X) et f (Y ) ont même loi.

b) Les variables aléatoires XZ et Y Z n'ont pas nécessairement la même loi.

On reprend les variables X et Y de la question 1). Soit Z = X , alors

XZ = X 2 et Y Z = −X 2 .

La loi de X 2 est une mesure de probabilité sur R+ tandis que la loi de −X 2 est une mesure de
probabilité sur R− . Donc XZ et Y Z n'ont pas la même loi.

H. Zguitti -58- SMA S6 : Intégration et Probabilités, 2021-2022

4.3. VARIABLES ALÉATOIRES INDÉPENDANTES

Dénition 4.4

Soit X une variable aléatoire de carré intégrable (X ∈ L2 (Ω, T , P ) ⊂ L1 (Ω, T , P )).

i) La variance de X est le réel positif donné par

V ar(X) = E[(X − E[X])2 ].

ii) L'écart-type de X est le réel positif donné par

p
σ(X) = V ar(X).

On a

V ar(X) = E[X 2 − 2XE[X] + E[X]2 ] = E[X 2 ] − 2E[X]E[X] + E[X]2 .

D'où,
V ar(X) = E[X 2 ] − E[X]2 .

Proposition 4.2 (Inégalité de Techebychev)

Soit X une variable aléatoire de carré intégrable et a > 0. Alors
V ar(X)
P (|X − E[X]| ≥ a) ≤ .
a2

Démonstration : Exercice.

4.3 Variables aléatoires indépendantes

Dénition 4.5

Soient X1 , . . . , Xn des variables aléatoires à valeurs dans (E1 , F1 ), . . . , (En , Fn ). On dit

que X1 , . . . , Xn sont indépendantes si pour tous B1 ∈ F1 , . . . , Bn ∈ Fn on a

P ({X1 ∈ B1 } ∩ · · · ∩ {Xn ∈ Bn }) = P (X1 ∈ B1 ) · · · P (Xn ∈ Bn ).

Proposition 4.3

Soient X1 , . . . , Xn des variables aléatoires à valeurs dans (E1 , F1 ), . . . , (En , Fn ). Alors

X1 , . . . , Xn sont indépendantes si et seulement si pour toutes applications mesurables

H. Zguitti -59- SMA S6 : Intégration et Probabilités, 2021-2022

4.3. VARIABLES ALÉATOIRES INDÉPENDANTES

positives f1 , . . . , fn dénies respectivement sur E1 , . . . , En on a

n
Y n
Y
E[ fi (Xi )] = E[fi (Xi )].
i=1 i=1

Soient U et V deux ouverts de Rd . Un C 1 -diéomorphisme de U sur V est la donnée d'une

application ψ : U → V bijective de classe C 1 sur U et telle que ψ −1 soit de classe C 1 sur V .

Proposition 4.4

Soit U un ouvert de Rd . Une application ψ : U → Rd est un C 1 -diéomorphisme de U

sur V = ψ(U ) si et seulement si ψ vérie les assertions suivantes :
i) ψ est bijective de U sur V = ψ(U ) ;
ii) ψ est de classe C 1 sur U ;
iii) Le déterminant de la matrice jacobienne J(ψ) de ψ est non nulle sur U .

Théorème 4.4 (Changement de variables)

Soient U un ouvert de Rd et ψ : U → Rd une application C 1 -diéomorphisme de U

sur V = ψ(U ). Alors pour toute application borélienne positive f (resp. f ∈ L1 ) on a
(f ◦ ψ)|det(J(ψ))|1U est borélienne positive (resp. ∈ L1 ). De plus, on a
Z Z
f (v)dλ(v) = f (ψ(u))|det(J(ψ)(u)|dλ(u).
V U

Ou encore, Z Z
f (ψ(u))dλ(u) = f (v)|det(J −1 (ψ)(v)|dλ(v).
U V

Exemple 4.3.1 Soient X et Y deux variables aléatoires gaussiennes (centrées réduites) indé-
X +Y X −Y
pendantes. Montrer que les variables aléatoires √ et √ soient indépendantes.
2 2
x+y x−y
Soient F, G : R → R+ deux fonctions boréliennes. En remarquant que (x, y) 7→ ( √ , √ )
2 2
est un C diéomorphisme de R × R sur R × R de Jacobien -1, la formule du changement de
1

H. Zguitti -60- SMA S6 : Intégration et Probabilités, 2021-2022

4.3. VARIABLES ALÉATOIRES INDÉPENDANTES

variable donne
        
X −Y x − y 1 − x2 +y2
Z
X +Y x+y
E F √ G √ = F √ G √ e 2 dxdy
2 2 R×R 2 2 2π  2  2
x+y
√ x−y
√
+
    2 2
x−y 1 −
Z
x+y
= F √ G √ e 2 dxdy
ZR×R 2 2 2π
1 u2 +v 2
= F (u)G(v) e− 2 dudv
R×R
Z 2π  Z 
1 − u2 1 − v2
= F (u) √ e 2 du G(v) √ e 2 dv
R 2π R 2π
X +Y X −Y
On en déduit que √ et √ soient indépendantes, et sont toutes les deux gaussiennes
2 2
centrées réduites.

Exemple 4.3.2 Soit (Ω, A, P ) un espace de probabilité et X une variable aléatoire réelle
telle que X ∼ N (0, 1).
1
1) Calculer la loi de la variable aléatoire .
X2
Soit g : R+ → R+ une fonction borélienne. On a
Z Z
1 1 1 x2 2 1 − x2
E(g( 2 ) = √ g( 2 )e− 2 dx = √ g( )e 2 dx.
X 2π R x 2π R∗+ x2

1 1
Comme x ∈ R∗+ 7→ 2
∈ R∗+ est C 1 diéomorphisme de Jacobien −2 3 donc d'après la formule
x x
de changement de variables on a
Z Z
1 2 1 x2 2 1 1
E(g( 2 ) = √ g( 2 )e− 2 dx = √ g(u)e− 2u 3 du.
X 2π R∗+ x 2π R∗+ 2u 2

1 1
D'où la loi de est √ 3 e− 2u 1{u>0} .
1

X 2
2πu

H. Zguitti -61- SMA S6 : Intégration et Probabilités, 2021-2022