cpge Alqalam

Cours
Variables aléatoires discrète

Said Hajmi

Classe MP*
 Table des matières

I Généralités sur les variables aléatoires discrètes . . . . . . . . . . 3

1 Langage de base des variables aléatoires . . . . . . . . . . 3
2 Loi d’une variable aléatoire discrète . . . . . . . . . . . . . 6
3 Image d’une variable aléatoire par une application . . . . 10
4 Lois discrètes usuelles classiques : Rappel . . . . . . . . . 12
II Couples de variables aléatoires . . . . . . . . . . . . . . . . . . . . 14
1 Loi conjointe . . . . . . . . . . . . . . . . . . . . . . . . . 16
2 Lois marginales . . . . . . . . . . . . . . . . . . . . . . . . 17
3 Lois conditionnelles . . . . . . . . . . . . . . . . . . . . . 18
4 Généralisation aux 𝑛-uplets de variables aléatoires . . . . 20
III Indépendance de variables aléatoires . . . . . . . . . . . . . . . . 23
1 Indépendance de deux variables aléatoires . . . . . . . . . 23
2 Indépendance de 𝑛 variables aléatoires . . . . . . . . . . . 26
3 Suite de variable aléatoires de lois prescrites . . . . . . . . 30
4 Suite de variables aléatoires indépendantes . . . . . . . . 31
IV Loi de la somme et stabilité . . . . . . . . . . . . . . . . . . . . . . 33
V Espérance, moment . . . . . . . . . . . . . . . . . . . . . . . . . . 36
1 Définitions et propriétés . . . . . . . . . . . . . . . . . . . 36
2 Transferts . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3 Moments d’ordre 2, variance convariance . . . . . . . . . 44
VI Inégalités fondamentales . . . . . . . . . . . . . . . . . . . . . . . 51
1 Inégalité de Markov . . . . . . . . . . . . . . . . . . . . . 51
2 Inégalité Bienaymé-Tchebychev . . . . . . . . . . . . . . . 52
3 Inégalité de Jensen . . . . . . . . . . . . . . . . . . . . . . 53
VII Fonction génératrice d’une variable aléatoire . . . . . . . . . . . . 55
VIII Solutions des exercices . . . . . . . . . . . . . . . . . . . . . . . . 61

page 2 / 73
Cours Table des matières

I
Généralités sur les va-
riables aléatoires discrètes
I.1 Langage de base des variables aléatoires
Une variable aléatoire est un nombre dépendant du résultat d’une expérience
aléatoire. L’enjeu est la localisation de ce nombre : déterminer quelles sont ses
chances de tomber sur telle ou telle partie de R. Cette localisation conduit à associer
à toute variable aléatoire une loi de probabilité sur R.
Définition 12.1
Une variable aléatoire ! discrète sur l’espace probabilisable (Ω, A) est une appli-
cation de Ω dans un ensemble quelconque 𝐸 telle que :
1 l’ensemble 𝑋 (Ω) est au plus dénombrable ;
2 pour tout 𝑥 ∈ 𝑋 (Ω), on a 𝑋 −1 ({𝑥 }) ∈ A.
Si 𝐸 ⊂ R, on dit que 𝑋 est une variable aléatoire discrète réelle. Si 𝑋 (Ω) est fini,
on dit que 𝑋 est une variable aléatoire finie.

Proposition 12.1
Soit 𝑋 une variable aléatoire discrète sur(Ω, A), à valeurs dans 𝐸. Alors pour
toute partie 𝐴 de 𝐸, l’ensemble 𝑋 −1 (𝐴) est un événement.
Preuve
𝑋 −1 (𝐴) = 𝑋 −1 (𝐴 ∩ 𝑋 (Ω)) = 𝑥 ∈𝑋 (Ω)∩𝐴 𝑋 −1 ({𝑥 }) est donc un événement comme réunion
S
au plus dénombrable d’événements

Notation

1 Si 𝑋 est une variable aléatoire discrète, alors l’événement 𝑋 −1 {𝑥 } est noté :

(𝑋 = 𝑥) ou {𝑋 = 𝑥 }.
(𝑋 = 𝑥) = {𝜔 ∈ Ω, 𝑋 (𝜔) = 𝑥 }

Classe MP* page 3 / 73 cpge Alqalam

Cours Table des matières

2 Comme pour les variables aléatoires finies, l’événement 𝑋 −1 (𝐴) est noté :
(𝑋 ∈ 𝐴)
(𝑋 ∈ 𝐴) = {𝜔 ∈ Ω, 𝑋 (𝜔) ∈ 𝐴}

On remarque que, pour tout 𝑥 ∈ 𝐸, on a (𝑋 = 𝑥) = ∅ si 𝑥 ∉ 𝑋 (Ω) ; ainsi (𝑋 = 𝑥) = ∅

sauf pour un nombre au plus dénombrable de valeurs de 𝑥.
Remarque 12.1
Pour A = P(Ω), toute application 𝑋 : Ω → 𝐸 est une variable aléatoire sur
(Ω, A, 𝑃).
Ainsi dans le cas où Ω est dénombrable, en prenant
A = 𝑃 (Ω)
pour tribu d’événements, toute application
𝑋 :Ω→𝐸
est une variable aléatoire.

Exemple 12.1

On considère l’expérience aléatoire qui consiste en le jet d’un dé 10 fois. On lui

fait correspondre l’univers :

Ω = |[1, 6] | 10 = {𝑤 = (𝑥𝑘 )𝑘=1,..,10, 𝑥𝑘 ∈ |[1, 6]|}

A = P(Ω)
muni de la probabilité uniforme Une variable aléatoire sur (Ω, A, 𝑃) est par
exemple :
𝑋 : Ω −→ R
10
𝑤 = (𝑥 1, ..., 𝑥 10 ) ↦−→
P
𝑥𝑘
𝑘=1

Classe MP* page 4 / 73 cpge Alqalam

Cours Table des matières

ou par exemple

𝑌 : Ω −→ R (
1, s’il existe 𝑘, 𝑥𝑘 = 1
𝑤 = (𝑥 1, ..., 𝑥 10 ) ↦−→
0 sinon

Exercice 12.1

Montrer que si 𝐴 ∈ A, alors la fonction indicatrice de 𝐴, 1𝐴 est une variable

aléatoire réelle.
solution 12.1, page 61

Remarque 12.2
Si 𝑋 est une variable aléatoire, alors
(𝑋 = 𝑥)𝑥 ∈𝑋 (Ω)
est un système complet d’événements.

Proposition 12.2
Si 𝑋 est une variable aléatoire réelle, alors |𝑋 | et 𝑋 2 sont des variables aléatoires.
Preuve
Vient du fait que : (
∅, Si 𝑥 < 0
(|𝑋 | = 𝑥) =
(𝑋 = 𝑥) ∪ (𝑋 = −𝑥) Sinon
et (
∅, si 𝑥 < 0
(𝑋 2 = 𝑥) = √
(|𝑋 | = 𝑥), si 𝑥 > 0

Proposition 12.3
L’ensemble ( V, Ω, A) des variables aléatoires réelles sur (Ω, A) est une R
algèbre.

Preuve

Classe MP* page 5 / 73 cpge Alqalam

Cours Table des matières

Les deux applications 𝜔 → 0 et 𝜔 → 1 sont bien des variables aléatoires.

𝑋 1, 𝑋 2 deux variables aléatoires définies sur l’espace probabilisé (Ω, A, 𝑃). 𝜆 ∈ R.
1 Soient 𝑋 1, 𝑋 2 deux variables aléatoires 𝑥 ∈ R et 𝜆 ∈ R, on a d’ abord
(𝜆𝑋 1 + 𝑋 2 ) (Ω) ⊂ 𝜆𝑋 1 (Ω) + 𝑋 2 (Ω)
Donc (𝜆𝑋 1 + 𝑋 2 ) (Ω) est au plus dénombrable. En plus

[
(𝜆𝑋 1 + 𝑋 2 = 𝑥) = (𝑋 1 = 𝑦) ∩ (𝑋 2 = 𝑥 − 𝜆𝑦)
𝑦 ∈𝑋 1 (Ω)

Donc (𝜆𝑋 1 + 𝑋 2 = 𝑥) est un événement, puisqu’il s’agit d’une réunion au plus dénombrable
d’événements.
2 2
2 En écrivant 𝑋 1𝑋 2 = (𝑋1 +𝑋2 ) −(𝑋
4
1 −𝑋 2 )
, par ce qui précède et la proposition précédente,
on obtient que 𝑋 1𝑋 2 est une variable aléatoire

Corollaire 12.4
Si (𝑋 1, .., 𝑋𝑘 ) est une famille finie de variables aléatoires réelles définie sur le
même espace probabilisé (Ω, A, 𝑃), alors
𝑘
∑︁ 𝑘
Y
min(𝑋 1, ..., 𝑋𝑘 ), max(𝑋 1, .., 𝑋𝑘 ), 𝑋𝑖 , 𝑋𝑖
𝑖=1 𝑖=1

sont des variables aléatoires.

I.2 Loi d’une variable aléatoire discrète

Soit 𝑋 une variable aléatoire discrète sur l’espace probabilisable (Ω, A). Si (Ω, A)
est muni d’une probabilité, alors on peut définir la loi de 𝑋 .
Théorème et définition 12.5
Si 𝑋 est une variable aléatoire discrète sur l’espace probabilisé (Ω, A, P), alors
l’application :

P(𝑋 (Ω)) −→ [0, 1]

𝐴 ↦−→ P(𝑋 ∈ 𝐴)

Classe MP* page 6 / 73 cpge Alqalam

Cours Table des matières

est une probabilité sur (𝑋 (Ω), P(𝑋 (Ω))), appelée loi de 𝑿 et notée P𝑋 .
Preuve
• L’application P𝑋 est définie sur P(𝑋 (Ω)) et à valeurs dans [0, 1].
• De {𝑋 ∈ 𝑋 (Ω)} = Ω, on déduit 𝑃𝑋 (𝑋 (Ω)) = 1.
• Si (𝐴𝑛 ) est une suite de parties deux a deux disjointes de 𝑋 (Ω), alors les ensembles
{𝑋 ∈ 𝐴𝑛 } sont également deux à deux disjoints et :
( )
[ [
𝑋 ∈ 𝐴𝑛 = {𝑋 ∈ 𝐴𝑛 }
𝑛 ∈N 𝑛 ∈N

On en déduit ! ( )! !
[ [ [
P𝑋 𝐴𝑛 = P 𝑋 ∈ 𝐴𝑛 =P {𝑋 ∈ 𝐴𝑛 }
𝑛 ∈N 𝑛 ∈N 𝑛 ∈N
∑︁ ∑︁
= P ({𝑋 ∈ 𝐴𝑛 }) = P𝑋 (𝐴𝑛 )
𝑛 ∈N 𝑛 ∈N

Remarque 12.3
— L’ensemble 𝑋 (Ω) étant dénombrable, il n’y a aucun inconvénient à le
munir de la tribu P(𝑋 (Ω)).
— Cette probabilité est la probabilité image de P par l’application 𝑋
— Il peut arriver qu’on ne connaisse pas exactement 𝑋 (Ω), mais qu’on
sache seulement a priori qu’il existe un ensemble 𝐸 dénombrable tel
que 𝑋 (Ω) ⊂ 𝐸. Alors la loi de 𝑋 apparaîtra comme une probabilité sur
(𝐸, P(𝐸)) telle que P𝑋 ({𝜔 }) = 0 si 𝜔 ∈ 𝐸\𝑋 (Ω).

Proposition 12.6
Si 𝑋 est une variable aléatoire discrête, alors ∀𝐴 ∈ P(𝑋 (Ω)).
∑︁
𝑃 (𝑋 ∈ 𝐴) = 𝑃 (𝑋 = 𝑥)
𝑥 ∈𝐴∩𝑋 (Ω)

(Somme étendue à une partie dénombrable)

Classe MP* page 7 / 73 cpge Alqalam

Cours Table des matières

La loi de probabilité d’une variable aléatoire discrète est parfaitement

déterminée par ses probabilités élémentaires

𝑝𝑥 = 𝑃 (𝑋 = 𝑥), 𝑥 ∈ 𝑋 (Ω)

Preuve
Nous avons (𝑋 ∈ 𝐴) = (𝑋 ∈ (𝐴 ∩ 𝑋 (𝜔))) = (𝑋 = 𝑥) qui est une réunion au plus
S
𝑥 ∈𝑋 (Ω)∩𝐴
dénombrables d’événements deux à deux incompatibles, par la 𝜎-additivité, on obtient :
∑︁
𝑃 (𝑋 ∈ 𝐴) = 𝑃 (𝑋 = 𝑥)
𝑥 ∈𝐴∩𝑋 (Ω)

Remarque 12.4
Souvent, on résume la loi de 𝑋 à la famille des probabilités 𝑝𝑥 pour 𝑥 ∈ 𝑋 (Ω)
puisque celles-ci suffisent à déterminer la loi de probabilité de 𝑋 .

Proposition 12.7
Soit 𝐸 un ensemble au plus dénombrable et (𝑝𝑥 )𝑥 ∈𝐸 une famille de réels positifs
tels que 𝑥 ∈𝐸 𝑝𝑥 = 1. Alors il existe un espace probabilisé (Ω, A, P) et une
P
variable aléatoire 𝑋 sur cet espace probabilisé tels que :

𝑋 (Ω) = 𝐸 et ∀𝑥 ∈ 𝐸 P(𝑋 = 𝑥) = 𝑝𝑥 .
Preuve
On prend Ω = 𝐸 et 𝐴 = 𝑃 (𝐸). D’après un théorème du chapitre précédent , il existe une
unique probabilité P sur cet espace probabilisé telle que 𝑃 ({𝑥 }) = 𝑝𝑥 pour tout 𝑥 ∈ 𝐸. On
considere I’application 𝑋 = 𝐼𝑑𝐸 . On a alors 𝑋 (Ω) = 𝐸, donc 𝑋 (Ω) est au plus dénombrable
et, pour tout 𝑥 ∈ 𝐸, 𝑋 −1 ({𝑥 }) = {𝑥 } ∈ A. Donc 𝑋 est une variable aléatoire discrète et pour
tout 𝑥 ∈ 𝐸 :
P(𝑋 = 𝑥) = P 𝑋 −1 ({𝑥 }) = P({𝑥 }) = 𝑝𝑥 −

Classe MP* page 8 / 73 cpge Alqalam

Cours Table des matières

Remarque 12.5
La loi 𝑃𝑋 détermine la probabilité de chaque événement lié à la variable 𝑋 .
Cependant, la loi 𝑃𝑋 ne suffit pas à déterminer la variable aléatoire 𝑋 .
𝑃𝑋 = 𝑃𝑌 n’implique pas 𝑋 = 𝑌 .
Par exemple , considérons un lancer de deux dés équilibrés. Si 𝑋 et 𝑌 désignent
les valeurs de chaque dé, celles-ci suivent la même loi sans pour autant être
égales.

Exercice 12.2

Montrer que si 𝑋 est une variable aléatoire réelle discrète sur (Ω, 𝑃 (Ω), 𝑃) , et 𝑓
une application de R dans R, on a alors :
∑︁
𝑓 ◦𝑋 = 𝑓 (𝑥)1𝑋 −1 (𝑥)
𝑥 ∈𝑋 (Ω)
solution 12.2, page 61

Définition 12.2
On dit que deux variables aléatoires discrètes 𝑋 et 𝑌 ont même loi si P𝑋 = P𝑌 .
On note alors 𝑋 ∼ 𝑌 .
Si 𝑋 est une variable aléatoire et L est une loi discrète, on note alors 𝑋 ∼ L le
fait que la loi de 𝑋 est L.

Remarque 12.6
— On dit aussi de variables aléatoires de même loi qu’elles sont équidistri-
buées.
— Deux variables aléatoires discrètes 𝑋 et 𝑌 définies sur le même espace
probabilisé (Ω, A, P) ont même loi si, et seulement si, 𝑋 (Ω) = 𝑌 (Ω) et,
pour tout 𝑥 ∈ 𝑋 (Ω), P(𝑋 = 𝑥) = P(𝑌 = 𝑥).

Exercice 12.3

Soit 𝑋 une variable aléatoire réelle sur l’espace probabilisé (Ω, A, P).
1. Calculer lim𝑛→+∞ P(𝑋 6 𝑛). En déduire lim𝑥→+∞ P(𝑋 6 𝑥).

Classe MP* page 9 / 73 cpge Alqalam

Cours Table des matières

2. Calculer lim𝑛→+∞ P(𝑋 6 −𝑛). En déduire lim𝑥→−∞ P(𝑋 6 𝑥).

solution 12.3, page 61

I.3 Image d’une variable aléatoire par une application

Proposition 12.8
Soit 𝑋 une variable aléatoire discrète sur (Ω, A, P) et 𝑓 une application définie
sur 𝑋 (Ω). Alors 𝑓 ◦ 𝑋 est une variable aléatoire discrète, notée 𝑓 (𝑋 ), dont la
loi est donnée par :
∑︁
∀𝑦 ∈ 𝑓 (𝑋 )(Ω) P(𝑓 (𝑋 ) = 𝑦) = P(𝑋 = 𝑥).
𝑥 ∈𝑓 −1 ({𝑦})
Preuve
L’ensemble 𝑓 (𝑋 ) (Ω) = 𝑓 (𝑋 (Ω)) ) est au plus dénombrable, car c’est l’image par 𝑓 d’un
ensemble au plus dénombrable. Pour tout 𝑦 ∈ 𝑓 (𝑋 ) (Ω), on a :

{𝑓 (𝑋 ) = 𝑦} = 𝜔 ∈ Ω | 𝑋 (𝜔) ∈ 𝑓 −1 ({𝑦})


= 𝑋 ∈ 𝑓 −1 ({𝑦}) =
 [
{𝑋 = 𝑥 }.
𝑥 ∈𝑓 −1 ( {𝑦 })

L’ensemble 𝑓 −1 ({𝑦}) est au plus dénombrable, car c’est une partie de 𝑋 (Ω). On en déduit
que {𝑓 (𝑋 ) = 𝑦} ∈ A car c’est une union au plus dénombrable d’éléments de A. Ainsi, 𝑓 (𝑋 )
est une variable aléatoire discrète. De plus, puisqu’on a une union au plus dénombrable
d’événements incompatibles :
∑︁
∀𝑦 ∈ 𝑓 (𝑋 )(Ω) P(𝑓 (𝑋 ) = 𝑦) = P(𝑋 = 𝑥)
𝑥 ∈𝑓 −1 ( {𝑦 })

Proposition 12.9
Si 𝑋 et 𝑌 sont deux variables aléatoires discrètes de même loi et 𝑓 , 𝑔 deux
fonctions, alors 𝑓 (𝑋 ) et 𝑓 (𝑌 ) ont la même loi
Preuve

Classe MP* page 10 / 73 cpge Alqalam

Cours Table des matières

D’abord, nous avons 𝑓 (𝑋 (Ω)) = 𝑓 (𝑌 (Ω)).

D’après la proposition 12.8

P(𝑓 (𝑋 ) = 𝑥 0) =
∑︁
P(𝑋 = 𝑥)
𝑥 ∈𝑓 −1 ( {𝑥 0 })

P(𝑌 = 𝑥 0)
∑︁
=
𝑥 ∈𝑓 −1 ( {𝑥 0 })

= P(𝑓 (𝑌 ) = 𝑥 0)

Classe MP* page 11 / 73 cpge Alqalam

Cours Table des matières

I.4 Lois discrètes usuelles classiques : Rappel

𝑋 (Ω) 𝑃 (𝑋 = 𝑘)
Loi uniforme : 𝑋 ↩→ U ( | [1, 𝑛] |) | [1, 𝑛] | 1
𝑛
Tirage d’un objet parmis n numérotés de 1 à n.
𝑋 est le numéro de l’objet tiré
Loi de Bernoulli 𝑋 ↩→ B(1, 𝑝) {0, 1} 𝑃 (𝑋 = 1) = 𝑝
Réalisation d’une expérience à deux issues, dont 𝑃 (𝑋 = 0) = 1 − 𝑝
la probabilité de succés est 𝑝
Loi binomiale 𝑋 ↩→ B(𝑛, 𝑝) | [0, 𝑛] | 𝑛
𝑘
𝑘 𝑝 (1 − 𝑝)
𝑛−𝑘
Réalisation de 𝑛 essais indépendants d’une ex-
périence à deux issues, dont la probabilité de
succés est 𝑝 , 𝑋 le nombre de succés
Loi géométrique 𝑋 ↩→ G(𝑝) N∗ (1 − 𝑝) 𝑘−1 𝑝
Réalisation d’essais indépendants d’une expé-
rience à deux issues dont la probabilité de suc-
cés est 𝑝 . 𝑋 est le temps d’attente du premier
succées.
𝑘
Loi de poisson 𝑋 ↩→ P(𝜆) N 𝑒 −𝜆 𝜆𝑘!
Comptage de phénomènes rares

Remarque 12.7
Une variable aléatoire de Bernoulli est la fonction indicatrice d’un événement
(𝐴 = ”𝑋 = 1”).

Exercice 12.4 Loi Hypergéométrique

Dans une population totale de 𝑁 individus dont 𝑀 sont de type 𝐴 et de proportion

𝑝=𝑀 𝑁 , on prélève au hasard un échantillon de 𝑛 personnes (tirage sans remise).
Soit 𝑋 le nombre aléatoire d’individus de type A dans l’échantillon. Montrer que
la loi de 𝑋 est
𝑀
𝑁 −𝑀

×
𝑃 (𝑋 = 𝑘) = 𝑘 𝑁
𝑛−𝑘 si 0 6 𝑘 6 𝑀, 0 6 𝑛 − 𝑘 6 𝑁 − 𝑀
𝑛
solution 12.4, page 62

Remarque 12.8
Si la variable aléatoire 𝑋 suit la loí géométrique de paramètre 𝑝 ∈]0, 1[ à valeurs
dans N∗ , on a, pour tout entier naturel 𝑘,
P(𝑋 > 𝑘) = 𝑞𝑘 .
Interprétation Ce résultat est tout à fait évident si l’on interprète une loi
géométrique comme le temps d’attente d’un premier succès. L’événement {𝑋 >

Classe MP* page 12 / 73 cpge Alqalam

Cours Table des matières

remarque 12.8 (suite)

𝑘 } " les 𝑘 premières épreuves ont été des échecs ", est de probabilité 𝑞𝑘 .

Exercice 12.5 Sans mémoire

Montrer que la variable aléatoire 𝑋 suit une loi géométrique , si et seulement si

on a, pour tout couple d’entiers naturels (𝑘, ℓ) :
P(𝑋 > 𝑘 + ℓ | 𝑋 > 𝑘) = P(𝑋 > ℓ) (sans mémoire)
solution 12.5, page 62

Exercice 12.6 Temps d’attente du r-ième succés

On considère une suite d’épreuves de Bernoulli indépendantes, de probabilité

de succès 𝑝 ∈]0, 1[. On pose 𝑞 = 1 − 𝑝. On définit la variable aléatoire réelle 𝑌𝑟
égale au nombre de tirages nécessaires pour obtenir 𝑟 succès pour la première
fois et à ∞ si on n’obtient jamais 𝑟 succèss.
Déterminer la loi de 𝑌𝑟 .
solution 12.6, page 63

Proposition 12.10
Soit (𝑋𝑛 )𝑛∈N∗ une suite de variables aléatoires discrètes telles que 𝑋𝑛 suive la loi
binomiale de paramètre (𝑛, 𝑝𝑛 ). On suppose que la suite (𝑛𝑝𝑛 ) converge vers un
réel 𝜆 > 0. Alors, pour tout entier 𝑘 de N, on a :

𝜆𝑘 −𝜆
lim P (𝑋𝑛 = 𝑘) = 𝑒 .
𝑛→+∞ 𝑘!
Preuve
Pour tout entier 𝑘 et pour tout entier 𝑛 > 𝑘, on a :
 
𝑛 𝑛(𝑛 − 1) · · · (𝑛 − 𝑘 + 1) 𝑘
P (𝑋𝑛 = 𝑘) = 𝑝𝑛𝑘 (1 − 𝑝𝑛 )𝑛−𝑘 = 𝑝𝑛 exp ((𝑛 − 𝑘) ln (1 − 𝑝𝑛 )) .
𝑘 𝑘!

On a, quand 𝑛 tend vers +∞, 𝑛(𝑛 − 1) · · · (𝑛 − 𝑘 + 1) ∼ 𝑛𝑘 et 𝑝𝑛 ∼ 𝑛𝜆 . Ainsi (𝑝𝑛 ) tend vers 0

et done :
(𝑛 − 𝑘) ln (1 − 𝑝𝑛 ) ∼ 𝑛 (−𝑝𝑛 ) → −𝜆.

Classe MP* page 13 / 73 cpge Alqalam

Cours Table des matières

On en déduit :  𝑘
𝑛𝑘 𝜆 −𝜆 −𝜆 𝜆
𝑘
P (𝑋𝑛 = 𝑘) ∼ 𝑒 ∼𝑒 .
𝑘! 𝑛 𝑘!
𝑘
On obtient lim𝑛→+∞ P (𝑋𝑛 = 𝑘) = 𝑒 −𝜆 𝜆𝑘! .

Remarque 12.9
Si la variable aléatoire 𝑋 suit une loi binomiale avec 𝑛 grand et 𝑝 proche de 0
, elle suit approximativement une loi de Poisson de paramètre 𝜆 = 𝑛𝑝. On dit
encore que la loi de Poisson est la loi des événements "rares ". Dans la pratique,
on peut décrire par une loi de Poisson le nombre d’événements d’un certain type
se produisant dans une période de temps donnée, par exemple :
• le nombre de clients se présentant dans un magasin ;
• le nombre de véhicules franchissant un poste de péage ;
• le nombre d’appels reçus par un standard téléphonique.

II
Couples de variables aléatoires
Définition 12.3
Si 𝑋 et 𝑌 sont deux variables aléatoires discrètes sur l’espace probabilisable
(Ω, A), à valeurs respectivement dans 𝐸 et 𝐸 0, l’application :

Ω −→ 𝐸 × 𝐸 0
𝜔 ↦−→ (𝑋 (𝜔), 𝑌 (𝜔))
est appelée couple de variables aléatoires discrètes sur (Ω, A). On note (𝑋, 𝑌 )
ce couple de variables aléatoires.
Si 𝐸 = 𝐸 0 = R, alors (𝑋, 𝑌 ) est appelé un couple de variables aléatoires réelles
discrètes.

Classe MP* page 14 / 73 cpge Alqalam

Cours Table des matières

Les couples de variables aléatoires sont simplement les variables aléatoires à

valeurs dans 𝐸 × 𝐸 0, comme le prouve la proposition suivante.

Proposition 12.11
— Si 𝑋 et 𝑌 sont deux variables aléatoires discrètes sur l’espace probabili-
sable (Ω, A), à valeurs respectivement dans 𝐸 et 𝐸 0, le couple (𝑋, 𝑌 ) est
une variable aléatoire discrète à valeurs dans 𝐸 × 𝐸 0.
— Réciproquement, toute variable aléatoire discrète sur l’espace probabi-
lisable (Ω, A) à valeurs dans 𝐸 × 𝐸 0 peut s’écrire (𝑋, 𝑌 ) où 𝑋 et 𝑌 sont
des variables aléatoires discrètes à valeurs respectivement dans 𝐸 et 𝐸 0.
Preuve
— Si 𝑋 et 𝑌 sont deux variables aléatoires, l’image (𝑋, 𝑌 ) (Ω) est la partie du produit
cartésien 𝑋 (Ω) × 𝑌 (Ω) formée des couples (𝑋 (𝜔), 𝑌 (𝜔)) où 𝜔 décrit Ω. Le produit
cartésien 𝑋 (Ω) × 𝑌 (Ω) est au plus dénombrable car 𝑋 (Ω) et 𝑌 (Ω) sont au plus
dénombrables. A fortiori, (𝑋, 𝑌 ) (Ω) est au plus dénombrable. Pour tout (𝑥, 𝑦) ∈
(𝑋, 𝑌 ) (Ω), l’ensemble {(𝑋, 𝑌 ) = (𝑥, 𝑦)} = {𝑋 = 𝑥 } ∩ {𝑌 = 𝑦} appartient à A, car
c’est l’intersection de deux éléments de A. Donc (𝑋, 𝑌 ) est une variable aléatoire à
valeurs dans 𝐸 × 𝐸 0.
— Si 𝑍 est une variable aléatoire à valeurs dans 𝐸 × 𝐸 0, on pose 𝑋 = 𝜋 1 (𝑍 ) et 𝑌 = 𝜋2 (𝑍 ),
où 𝜋1 : (𝑥, 𝑦) ↦→ 𝑥 et 𝜋 2 : (𝑥, 𝑦) ↦→ 𝑦 sont les projections canoniques de 𝐸 × 𝐸 0. Alors
𝑋 et 𝑌 sont des variables aléatoires discrètes à valeurs respectivement dans 𝐸 et 𝐸 0
et 𝑍 = (𝑋, 𝑌 ).

Proposition 12.12
Soit (𝑋, 𝑌 ) un couple de variables aléatoires discrètes sur l’espace probabilisable
(Ω, A). Alors la famille d’événements :

({𝑋 = 𝑥 } ∩ {𝑌 = 𝑦}) (𝑥,𝑦)∈𝑋 (Ω)×𝑌 (Ω)

est un système complet d’événements de Ω appelé système complet d’événe-
ments associé au couple (𝑋, 𝑌 ).
Preuve
• Pour tout (𝑥, 𝑦) ∈ 𝑋 (Ω) × 𝑌 (Ω), {𝑋 = 𝑥 } ∩ {𝑌 = 𝑦} est un événement.
• Si(𝑥, 𝑦) et (𝑥 0, 𝑦 0) sont des éléments distincts de 𝑋 (Ω) × 𝑌 (Ω), on a soit 𝑥 ≠ 𝑥 0 et

Classe MP* page 15 / 73 cpge Alqalam

Cours Table des matières

{𝑋 = 𝑥 } ∩ {𝑋 = 𝑥 0 } = ∅, soit 𝑦 ≠ 𝑦 0 et {𝑌 = 𝑦} ∩ {𝑌 = 𝑦 0 } = ∅. On en déduit que

({𝑋 = 𝑥 } ∩ {𝑌 = 𝑦}) ∩ ({𝑋 = 𝑥 0 } ∩ {𝑌 = 𝑦 0 }) = ∅.
• On a enfin (𝑥,𝑦) ∈𝑋 (Ω)×𝑌 (Ω) {𝑋 = 𝑥 } ∩ {𝑌 = 𝑦} = Ω car tout élément 𝜔 de Ω appartient
S
à {𝑋 = 𝑥 } ∩ {𝑌 = 𝑦} pour 𝑥 = 𝑋 (𝜔) et 𝑦 = 𝑌 (𝜔).

Remarque 12.10
II découle immédiatement de cette proposition que si (𝑋, 𝑌 ) est un couple de
variables aléatoires sur l’espace probabilisé (Ω, A, P), alors on a :
∑︁
P({𝑋 = 𝑥 } ∩ {𝑌 = 𝑦}) = 1.
(𝑥,𝑦)∈𝑋 (Ω)×𝑌 (Ω)

II.1 Loi conjointe

Définition 12.4
Soit 𝑋 et 𝑌 deux variables aléatoires discrètes sur l’espace probabilisé (Ω, A, P)
à valeurs dans 𝐸 et 𝐸 0 respectivement. La loi conjointe de 𝑋 et 𝑌 est la loi du
couple (𝑋, 𝑌 ).

Remarque 12.11
— La loi de (𝑋, 𝑌 ) est déterminée par la famille :

(P({𝑋 = 𝑥 } ∩ {𝑌 = 𝑦})) (𝑥,𝑦)∈𝑋 (Ω)×𝑌 (Ω) .

— Soit 𝐸 et 𝐸 0 deux ensembles au plus dénombrables, 𝑝𝑥,𝑦 (𝑥,𝑦)∈𝐸×𝐸 0 une

famille de réels. Il existe un couple (𝑋, 𝑌 ) de variables aléatoires à valeurs

dans 𝐸 × 𝐸 0 tel que, pour tout (𝑥, 𝑦) ∈ 𝐸 × 𝐸 0, on ait
P({𝑋 = 𝑥 } ∩ {𝑌 = 𝑦}) = 𝑝𝑥,𝑦
P
si, et seulement si, les 𝑝𝑥,𝑦 sont positifs et vérifient (𝑥,𝑦)∈𝐸×𝐸 0 𝑝 𝑥,𝑦 = 1.

Classe MP* page 16 / 73 cpge Alqalam

Cours Table des matières

Exercice 12.7

Soit 𝑎 et 𝜆 des réels strictement positifs. Soit 𝑋 et 𝑌 deux variables aléatoires à

valeurs dans N. On suppose que la loi conjointe de 𝑋 et 𝑌 vérifie :

2 (𝑖 + 𝑗)𝜆𝑖+𝑗
∀(𝑖, 𝑗) ∈ N P({𝑋 = 𝑖} ∩ {𝑌 = 𝑗 }) = 𝑎 .
𝑖!𝑗!
Déterminer la valeur de 𝑎 en fonction de 𝜆.
solution 12.7, page 64

II.2 Lois marginales

Définition 12.5
Pour tout couple (𝑋, 𝑌 ) de variables aléatoires discrètes, la loi de 𝑋 est appelée
première loi marginale du couple et celle de 𝑌 est appelée deuxième loi marginale
du couple.

Le théorème suivant exprime le fait que l’on peut déduire les loi marginales de
la loi du couple. Pour obtenir une loi marginale, on somme par rapport à l’autre
variable.

Théorème 12.13
Soit (𝑋, 𝑌 ) un couple de variables aléatoires discrètes sur l’espace probabilisé
(Ω, A, P). On dispose des égalités suivantes :
∑︁
∀𝑥 ∈ 𝑋 (Ω) P(𝑋 = 𝑥) = P({𝑋 = 𝑥 } ∩ {𝑌 = 𝑦})
𝑦∈𝑌 (Ω)
∑︁
∀𝑦 ∈ 𝑌 (Ω) P(𝑌 = 𝑦) = P({𝑋 = 𝑥 } ∩ {𝑌 = 𝑦})
𝑥 ∈𝑋 (Ω)
Preuve
Ces égalités résultent de ce que ({𝑌 = 𝑦}) 𝑦 ∈𝑌 (Ω) et ({𝑋 = 𝑥 }) 𝑦 ∈𝑋 (Ω) sont des systèmes
complets d’événements.

Classe MP* page 17 / 73 cpge Alqalam

Cours Table des matières

Exercice 12.8

On reprend l’exemple de l’exercice 12.7 17. Déterminer les lois marginales de 𝑋

et 𝑌 .
solution 12.8, page 65

Exercice 12.9

On considère une suite d’épreuves de Bernoulli indépendantes de probabilité de

succès 𝑝 ∈]0, 1[. On note 𝑋 (respectivement 𝑌 ) le rang du premier (respective-
ment du second) succès.
1. Déterminer la loi du couple (𝑋, 𝑌 ).
2. En déduire les lois de 𝑋 et 𝑌 .
solution 12.9, page 65

II.3 Lois conditionnelles

Définition 12.6
Soit (𝑋, 𝑌 ) un couple de variables aléatoires discrètes sur un espace probabilisé
(Ω, A, P).
Pour tout 𝑦 de 𝑌 (Ω) tel que P(𝑌 = 𝑦) ≠ 0, la loi conditionnelle
de 𝑿 sachant
{𝒀 = 𝒚} est la loi de 𝑋 dans l’espace probabilisé Ω, A, P{𝑌 =𝑦} . Elle est donc
déterminée par la donnée, pour tout 𝑥 ∈ 𝑋 (Ω), de :

P{𝑌 =𝑦} (𝑋 = 𝑥) = P(𝑋 = 𝑥 | 𝑌 = 𝑦).

De même, pour tout 𝑥 de 𝑋 (Ω) tel que P(𝑋 = 𝑥) ≠ 0, la loi conditionnelle

de 𝒀
sachant {𝑿 = 𝒙} est la loi de 𝑌 dans l’espace probabilisé Ω, A, P{𝑋 =𝑥 } .

Remarque 12.12
— On rappelle que P{𝑌 =𝑦} est la probabilité conditionnelle sachant {𝑌 = 𝑦}.
— Les lois conditionnelles sont des lois de variables aléatoires ; elles en ont
les propriétés.

Classe MP* page 18 / 73 cpge Alqalam

Cours Table des matières

Exercice 12.10

On reprend l’exemple du couple (𝑋, 𝑌 ) des deux premiers succès dans une suite
d’épreuves de Bernoulli.
Déterminer pour 𝑗 > 2, la loi conditionnelle de 𝑋 sachant {𝑌 = 𝑗 } et pour 𝑖 > 1,
la loi conditionnelle de 𝑌 − 𝑖 sachant {𝑋 = 𝑖}. Commenter.
solution 12.10, page 66

Proposition 12.14
Soit (𝑋, 𝑌 ) un couple de variables aléatoires discrètes sur (Ω, A, P).
On suppose que, pour tout (𝑥, 𝑦) ∈ 𝑋 (Ω) × 𝑌 (Ω), on a P(𝑋 = 𝑥) ≠ 0 et
P(𝑌 = 𝑦) ≠ 0. Alors, pour tout (𝑥, 𝑦) ∈ 𝑋 (Ω) × 𝑌 (Ω) :

P({𝑋 = 𝑥 } ∩ {𝑌 = 𝑦}) = P(𝑌 = 𝑦)P(𝑋 = 𝑥 | 𝑌 = 𝑦)

= P(𝑋 = 𝑥)P(𝑌 = 𝑦 | 𝑋 = 𝑥),
∑︁
P(𝑋 = 𝑥) = P(𝑌 = 𝑦)P(𝑋 = 𝑥 | 𝑌 = 𝑦),
𝑦∈𝑌 (Ω)
∑︁
P(𝑌 = 𝑦) = P(𝑋 = 𝑥)P(𝑌 = 𝑦 | 𝑋 = 𝑥).
𝑥 ∈𝑋 (Ω)
Preuve
Les premières égalités résultent de la définition des probabilités conditionnelles, les deux der-
nières de la formule des probabilités totales appliquée aux systèmes complets d’événements
({𝑌 = 𝑦}) 𝑦 ∈𝑌 (Ω) et ({𝑋 = 𝑥 })𝑥 ∈𝑋 (Ω) associés aux variables aléatoires 𝑌 et 𝑋 .

Remarque 12.13
Ainsi, connaissant une des lois marginales et la probabilité conditionnelle de
l’autre variable par rapport à celle-ci, on obtient la loi conjointe et la loi marginale
de la deuxième variable.

Exercice 12.11

Soit 𝑋 et 𝑌 deux variables aléatoires sur le même espace probabilisé, à valeurs

dans N, 𝑝 ∈]0, 1[ et 𝜆 > 0. On suppose que 𝑋 suit la loi de Poisson de paramètre 𝜆
et que, pour 𝑛 ∈ N, la loi conditionnelle de 𝑌 sachant {𝑋 = 𝑛} est la loi binomiale

Classe MP* page 19 / 73 cpge Alqalam

Cours Table des matières

de paramètre (𝑛, 𝑝). Déterminer la loi de 𝑌 .

solution 12.11, page 67

II.4 Généralisation aux 𝑛-uplets de variables aléatoires

Définition 12.7
Soit 𝑛 ∈ N∗ . Si 𝑋 1, . . . , 𝑋𝑛 sont des variables aléatoires discrètes sur l’espace pro-
babilisable (Ω, A), à valeurs respectivement dans 𝐸 1, . . . , 𝐸𝑛 , alors l’application :
Ω −→ 𝐸 1 × · · · × 𝐸𝑛
𝜔 ↦−→ (𝑋 1 (𝜔), . . . , 𝑋𝑛 (𝜔))
est appelée 𝒏-uplet de variables aléatoires sur Ω.
On le noté (𝑋 1, . . . , 𝑋𝑛 ).
Si 𝐸 1 = · · · = 𝐸𝑛 = R, (𝑋 1, . . . , 𝑋𝑛 ) est appelé un vecteur aléatoire discret.

On peut démontrer, comme dans le cas des couples de variables aléatoires discrètes,
la proposition suivante.

Proposition 12.15
Les 𝑛-uplets de variables aléatoires discrètes, à valeurs respectivement dans
𝐸 1, . . . , 𝐸𝑛 , sont les variables aléatoires discrètes à valeurs dans 𝐸 1 × · · · × 𝐸𝑛 .

Remarque 12.14
Un vecteur aléatoire discret est donc une variable aléatoire à valeurs dans un
espace vectoriel R𝑛 .

Définition 12.8
Soit 𝑋 1, . . . , 𝑋𝑛 des variables aléatoires sur l’espace probabilisé (Ω, A, P).
— La loi conjointe de 𝑋 1, . . . , 𝑋𝑛 est la loi du 𝑛-uplet (𝑋 1, . . . , 𝑋𝑛 ).
— Les lois marginales du 𝑛-uplet (𝑋 1, . . . , 𝑋𝑛 ) sont les lois des variables
aléatoires 𝑋 1, 𝑋 2, . . . , 𝑋𝑛 .

Classe MP* page 20 / 73 cpge Alqalam

Cours Table des matières

Remarque 12.15
Si 𝑋 1, . . . , 𝑋𝑛 sont des variables aléatoires discrètes sur l’espace probabilisé
(Ω, A, P), alors la loi conjointe de 𝑋 1, . . . , 𝑋𝑛 est déterminée par la donnée, pour
tout (𝑥 1, . . . , 𝑥𝑛 ) ∈ 𝑋 1 (Ω) × · · · × 𝑋𝑛 (Ω), de :

P ({𝑋 1 = 𝑥 1 } ∩ · · · ∩ {𝑋𝑛 = 𝑥𝑛 }) .

L’événement {𝑋 1 = 𝑥 1 } ∩ · · · ∩ {𝑋𝑛 = 𝑥𝑛 } est noté {𝑋 1 = 𝑥 1, . . . , 𝑋𝑛 = 𝑥𝑛 } égale-

ment et sa probabilité P (𝑋 1 = 𝑥 1, . . . , 𝑋𝑛 = 𝑥𝑛 ).
Comme dans le cas des couples de variables aléatoires, les lois marginales des
𝑛-uplets s’obtiennent à partir de la loi conjointe. Pour obtenir une loi marginale,
il suffit donc sommer par rapport aux autres variables.

Théorème 12.16
Soit (𝑋 1, . . . , 𝑋𝑛 ) un 𝑛-uplet de variables aléatoires sur l’espace probabilisé
(Ω, A, P). Pour tout 𝑘 ∈ È1, 𝑛É et tout 𝑥𝑘 ∈ 𝑋𝑘 (Ω), on a :
∑︁
P (𝑋𝑘 = 𝑥𝑘 ) = P (𝑋 1 = 𝑥 1, . . . , 𝑋𝑘 = 𝑥𝑘 , . . . , 𝑋𝑛 = 𝑥𝑛 ) .
𝑥𝑖 ∈𝑋𝑖 (Ω),𝑖≠𝑘

Preuve
Le (𝑛 − 1)-uplet 𝑍 = (𝑋 1, . . . , 𝑋𝑘−1, 𝑋𝑘+1, . . . , 𝑋𝑛 ), où figurent toutes les variables aléatoires
sauf 𝑋𝑘 , est une variable aléatoire dont le système complet d’événements associé est :

(𝑍 = 𝑧)𝑧 ∈𝑋1 (Ω)×...×𝑋𝑘−1 (Ω)×𝑋𝑘+1 (Ω)×...×𝑋𝑘 (Ω) .

On a donc, d’après la formule des probabilités totales, pour tout 𝑥𝑘 ∈ 𝑋𝑘 (Ω) :

∑︁
P (𝑋𝑘 = 𝑥𝑘 ) = P (𝑍 = (𝑥 1 , . . . , 𝑥𝑘−1 , 𝑥𝑘+1 , . . . , 𝑥𝑛 ) , 𝑋𝑘 = 𝑥𝑘 )
𝑥 1 ∈𝑋 1 (Ω),...,𝑥𝑘−1 ∈𝑋𝑘−1 (Ω)
𝑥𝑘+1 ∈𝑋𝑘+1 (Ω),...𝑥𝑛 ∈𝑋𝑛 (Ω)
∑︁
= P (𝑋 1 = 𝑥 1 , . . . , 𝑋𝑛 = 𝑥𝑛 ) .
𝑥 1 ∈𝑋 1 (Ω),...,𝑥𝑘−1 ∈𝑋𝑘−1 (Ω)
𝑥𝑘+1 ∈𝑋𝑘+1 (Ω) ...,𝑥𝑛 ∈𝑋𝑛 (Ω)

Exercice 12.12

Montrer que si 𝑋 1, . . . , 𝑋𝑛 sont des variables aléatoires discrètes sur le même

Classe MP* page 21 / 73 cpge Alqalam

Cours Table des matières

espace probabilisable et 𝑓 est une fonction quelconque définie sur 𝐸 1 × · · · × 𝐸𝑛 ,

alors 𝑓 (𝑋 1, . . . , 𝑋𝑛 ) est une variable aléatoire discrète.
solution 12.12, page 67

Exemple 12.2

On retrouve le fait que si 𝑋 1, . . . , 𝑋𝑛 sont des variables aléatoires discrètes, alors



 𝑋 1 + · · · + 𝑋𝑛

 𝑋 1 × · · · × 𝑋𝑛




 min (𝑋 1, . . . , 𝑋𝑛 )

 max (𝑋 , . . . , 𝑋 )
 1 𝑛
sont des variables aléatoires.

Classe MP* page 22 / 73 cpge Alqalam

Cours Table des matières

III
Indépendance de variables aléatoires

III.1 Indépendance de deux variables aléatoires

Définition 12.9
Deux variables aléatoires discrètes 𝑋 et 𝑌 sur (Ω, A, P) sont dites indépendantes
si, pour tout (𝑥, 𝑦) ∈ 𝑋 (Ω) × 𝑌 (Ω), les événements {𝑋 = 𝑥 } et {𝑌 = 𝑦} sont
indépendants, c’est-à-dire vérifient :

P({𝑋 = 𝑥 } ∩ {𝑌 = 𝑦}) = P(𝑋 = 𝑥)P(𝑌 = 𝑦).

Attention
L’indépendance est une notion qui dépend de la probabilité choisie.

Exemple 12.3

Une variable presque sûrement constante est indépendante de toute variable

aléatoire discrète, car un événement de probabilité 0 ou 1 est indépendant de
tout événement.

Remarque 12.16

• Dans le cas de variables aléatoires indépendantes, la donnée des lois margi-

nales permet donc de connaitre la loi conjointe.
• L’indépendante de deux variables aléatoires se lit sur la forme de la loi
conjointe. En effet, si 𝑋 et 𝑌 sont indépendantes, on obtient en posant
𝜑 (𝑥) = P(𝑋 = 𝑥) et 𝜓 (𝑦) = P(𝑌 = 𝑦) :
∀(𝑥, 𝑦) ∈ 𝑋 (Ω) × 𝑌 (Ω) P({𝑋 = 𝑥 } ∩ {𝑌 = 𝑦}) = 𝜑 (𝑥)𝜓 (𝑦).

Classe MP* page 23 / 73 cpge Alqalam

Cours Table des matières

Proposition 12.17
Si 𝑋 et 𝑌 sont des variables aléatoires discrètes (Ω, A, P), à valeurs dans 𝐸 et 𝐹
respectivement, indépendantes, alors, pour toute partie 𝐴 de 𝐸 et toute partie
𝐵 de 𝐹 , les événements {𝑋 ∈ 𝐴} et {𝑌 ∈ 𝐵} sont indépendants, c’est-à-dire
vérifient :
P({𝑋 ∈ 𝐴} ∩ {𝑌 ∈ 𝐵}) = P(𝑋 ∈ 𝐴)P(𝑌 ∈ 𝐵).
Preuve
Soit 𝐴 ⊂ 𝐸 et 𝐵 ⊂ 𝐹 . Les ensembles 𝑋 (Ω) et 𝑌 (Ω) sont au plus dénombrables, donc il en est
de même de leurs sous-ensembles 𝐴 0 = 𝐴 ∩ 𝑋 (Ω) et 𝐵 0 = 𝐵 ∩ 𝑌 (Ω), puis de 𝐴 0 × 𝐵 [Link] a :
{𝑋 ∈ 𝐴} = {𝑋 ∈ 𝐴 0 } =
[
{𝑋 = 𝑥 }
𝑥 ∈𝐴0

et {𝑌 ∈ 𝐵} = {𝑌 ∈ 𝐵 0 } =
[
{𝑌 = 𝑦}
𝑦 ∈𝐵 0

On en déduit {𝑋 ∈ 𝐴} ∩ {𝑌 ∈ 𝐵} = (𝑥,𝑦) ∈𝐴0 ×𝐵0 {𝑋 = 𝑥 } ∩ {𝑌 = 𝑦}. On a une réunion

S
dénombrable d’événements incompatibles. On en déduit :
∑︁
P({𝑋 ∈ 𝐴} ∩ {𝑌 ∈ 𝐵}) = P({𝑋 = 𝑥 } ∩ {𝑌 = 𝑦})
(𝑥,𝑦) ∈𝐴0 ×𝐵 0
∑︁
= P(𝑋 = 𝑥)P(𝑌 = 𝑦)
(𝑥,𝑦) ∈𝐴0 ×𝐵 0
! !
∑︁ ∑︁
= P(𝑋 = 𝑥) P(𝑌 = 𝑦) .
𝑥 ∈𝐴0 𝑦 ∈𝐵 0

Comme
∑︁
P(𝑋 ∈ 𝐴) = P(𝑋 = 𝑥)
𝑥 ∈𝐴0
∑︁
et P(𝑌 ∈ 𝐵) = P(𝑌 = 𝑦)
𝑦 ∈𝐵 0
on a donc :
P({𝑋 ∈ 𝐴} ∩ {𝑌 ∈ 𝐵}) = P(𝑋 ∈ 𝐴)P(𝑌 ∈ 𝐵).

Proposition 12.18
Soit (𝑋, 𝑌 ) un couple de variables aléatoires discrètes sur l’espace probabilisé
(Ω, A, P). Il y a équivalence entre :
i les variables aléatoires 𝑋 et 𝑌 sont indépendantes ;

Classe MP* page 24 / 73 cpge Alqalam

Cours Table des matières

ii pour tout 𝑦 de 𝑌 (Ω) tel que P(𝑌 = 𝑦) ≠ 0, la loi conditionnelle de 𝑋 sachant

{𝑌 = 𝑦} est égale à la loi de 𝑋 ;
iii pour tout 𝑥 de 𝑌 (Ω) tel que P(𝑋 = 𝑥) ≠ 0, la loi conditionnelle de 𝑌
sachant {𝑋 = 𝑥 } est égale à la loi de 𝑌 .
Preuve
Montrons l’équivalence entre (i) et (ii).
• Supposons que (i) soit vérifié. Soit 𝑦 ∈ 𝑌 (Ω) tel que P(𝑌 = 𝑦) ≠ 0. On a, pour tout
𝑥 ∈ 𝑋 (Ω) :

P({𝑋 = 𝑥 } ∩ {𝑌 = 𝑦})
P {𝑌 =𝑦 } (𝑋 = 𝑥) =
P(𝑌 = 𝑦)
P(𝑋 = 𝑥)P(𝑌 = 𝑦)
=
P(𝑌 = 𝑦)
= P(𝑋 = 𝑥).

La loi de 𝑋 sachant {𝑌 = 𝑦} est égale à la loi de 𝑋 : donc (ii) est vérifié.

• Supposons que (ii) soit vérifié. Soit 𝑦 ∈ 𝑌 (Ω).
•Si P(𝑌 = 𝑦) = 0, alors {𝑌 = 𝑦} est indépendant de {𝑋 = 𝑥 } pour tout 𝑥 ∈ 𝑋 (Ω), car un
événement quasi-impossible est indépendant de tout événement.
• Sinon on a, pour tout 𝑥 ∈ 𝑋 (Ω) :

P({𝑋 = 𝑥 } ∩ {𝑌 = 𝑦}) = P {𝑌 =𝑦 } (𝑋 = 𝑥)P(𝑌 = 𝑦)

= P(𝑋 = 𝑥)P(𝑌 = 𝑦).

Les variables aléatoires 𝑋 et 𝑌 sont donc indépendantes.

L’équivalence de (𝑖) et (𝑖𝑖𝑖) s’en déduit par symétrie.

Proposition 12.19
Si 𝑋 et 𝑌 sont des variables aléatoires discrètes, indépendantes, sur (Ω, A, P)
alors, pour toute fonction 𝑓 définie sur 𝑋 (Ω) et toute fonction 𝑔 définie sur
𝑌 (Ω), les variables aléatoires 𝑓 (𝑋 ) et 𝑔(𝑌 ) sont indépendantes.
Preuve

Classe MP* page 25 / 73 cpge Alqalam

Cours Table des matières

Pour tout (𝑥, 𝑦) ∈ 𝑓 (𝑋 ) (Ω) × 𝑔(𝑌 ) (Ω), on a, d’après la proposition 12.17 de la page 24 :

P({𝑓 (𝑋 ) = 𝑥 } ∩ {𝑔(𝑌 ) = 𝑦}) = P 𝑋 ∈ 𝑓 −1 ({𝑥 }) ∩ 𝑌 ∈ 𝑔−1 ({𝑦})

 

= P 𝑋 ∈ 𝑓 −1 ({𝑥 }) P 𝑌 ∈ 𝑔−1 ({𝑦})

= P(𝑓 (𝑋 ) = 𝑥)P(𝑔(𝑌 ) = 𝑦).

Ainsi 𝑓 (𝑋 ) et 𝑔(𝑌 ) sont indépendantes.

III.2 Indépendance de 𝑛 variables aléatoires

Définition 12.10
Les variables aléatoires discrètes 𝑋 1, . . . , 𝑋𝑛 sur l’espace probabilisé (Ω, A, P)
sont dites indépendantes deux à deux si, pour tous entiers 𝑖 et 𝑗 distincts de
[1, 𝑛É, les variables aléatoires 𝑋𝑖 et 𝑋 𝑗 sont indépendantes.

Définition 12.11
Les variables aléatoires discrètes 𝑋 1, . . . , 𝑋𝑛 sur l’espace probabilisé (Ω, A, P)
sont dites mutuellement indépendantes si,
pour tout (𝑥 1, 𝑥 2, . . . , 𝑥𝑛 ) ∈ 𝑋 1 (Ω) × 𝑋 2 (Ω) × · · · × 𝑋𝑛 (Ω)
Y 𝑛
P ({𝑋 1 = 𝑥 1 } ∩ . . . ∩ {𝑋𝑛 = 𝑥𝑛 }) = P (𝑋𝑖 = 𝑥𝑖 ) .
𝑖=1

Remarque 12.17

• On dit souvent indépendantes au lieu de mutuellement indépendantes.

• L’indépendance d’un n-uplet de variables aléatoires ne dépend pas de l’ordre
de ces variables.
Proposition 12.20
Si les variables aléatoires discrètes 𝑋 1, . . . , 𝑋𝑛 sur l’espace probabilisé (Ω, A, P),
à valeurs dans 𝐸 1, 𝐸 2, . . . , 𝐸𝑛 sont mutuellement indépendantes, alors on a, pour

Classe MP* page 26 / 73 cpge Alqalam

Cours Table des matières

toutes parties 𝐴1 de 𝐸 1, 𝐴2 de 𝐸 2, . . . , 𝐴𝑛 de 𝐸𝑛 :
𝑛
Y
P ({𝑋 1 ∈ 𝐴1 } ∩ . . . ∩ {𝑋𝑛 ∈ 𝐴𝑛 }) = P (𝑋𝑖 ∈ 𝐴𝑖 ) .
𝑖=1

Preuve
On suppose 𝑋 1, . . . , 𝑋𝑛 mutuellement indépendantes. Pour tout 𝑖 ∈ È1, 𝑛É, on considère
𝐴𝑖 ⊂ 𝐸𝑖 et 𝐴𝑖0 = 𝐴𝑖 ∩ 𝑋𝑖 (Ω) ; on écrit :

{𝑋𝑖 ∈ 𝐴𝑖 } = 𝑋𝑖 ∈ 𝐴𝑖0 =
 [
{𝑋𝑖 = 𝑥𝑖 } .
𝑥𝑖 ∈𝐴𝑖0

On obtient :
!
𝑋𝑖 ∈ 𝐴𝑖0 =
\ \  [ \
{𝑋𝑖 ∈ 𝐴𝑖 } = {𝑋𝑖 = 𝑥𝑖 } .
16𝑖 6𝑛 16𝑖 6𝑛 (𝑥𝑖 ) 1𝜉𝑖 6𝑛 ∈
Q 0 16𝑖 6𝑛
16𝑖 6𝑛 𝐴𝑖

Chaque 𝐴𝑖0 est au plus dénombrable car inclus dans 𝑋𝑖 (Ω) qui est au plus dénombrable.
II en est de même de leur produit. On a donc une réunion dénombrable d’événements
incompatibles. On en déduit :
! !
\ ∑︁ Y
P {𝑋𝑖 ∈ 𝐴𝑖 } = P {𝑋𝑖 = 𝑥𝑖 }
16𝑖 6𝑛 (𝑥𝑖 ) 1𝜉𝑖𝜉𝑛 ∈ 𝐴𝑖0 16𝑖 6𝑛
Q
1𝜉𝑖𝜉𝑛
!
∑︁ Y
= P (𝑋𝑖 = 𝑥𝑖 )
(𝑥𝑖 ) 1𝜉𝑖𝜉𝑛 ∈
Q 0 1𝜉𝑖 6𝑛
1𝜉𝑖𝜉𝑛 𝐴𝑖
!
Y ∑︁ Y
= P (𝑋𝑖 = 𝑥𝑖 ) = P (𝑋𝑖 ∈ 𝐴𝑖 )
16𝑖 6𝑛 𝑥𝑖 ∈𝐴𝑖0 16𝑖 6𝑛

Exercice 12.13

Soit 𝑋 1, . . . , 𝑋𝑛 des variables aléatoires indépendantes de loi géométrique de

paramètres respectifs 𝑝 1, . . . , 𝑝𝑛 .
1 Montrer que 𝑌 = min (𝑋 1, . . . , 𝑋𝑛 ) suit aussi une loi géométrique,
2 Déterminer la loi de 𝑍 = max (𝑋 1, . . . , 𝑋𝑛 ).
solution 12.13, page 68

Classe MP* page 27 / 73 cpge Alqalam

Cours Table des matières

Proposition 12.21
Si (𝑋 1, . . . , 𝑋𝑛 ) est une famille de variables aléatoires discrètes, mutuellement
indépendantes, de l’espace probabilisé (Ω, A, P), alors toute sous-famille est
formée de variables mutuellement indépendantes.
Preuve
Soit 𝐼 ⊂ [1, 𝑛É et, pour tout 𝑖 ∈ 𝐼 un élément 𝑥𝑖 de 𝑋𝑖 (Ω). On pose 𝐴𝑖 = {𝑥𝑖 } si 𝑖 ∈ 𝐼 et
𝐴𝑖 = 𝐸𝑖 si 𝑖 ∉ 𝐼 . On a alors {𝑋𝑖 ∈ 𝐴𝑖 } = Ω pour 𝑖 ∉ 𝐼 . On obtient, en utilisant la proposition
12.20
! !
\ \
P {𝑋𝑖 = 𝑥𝑖 } = P {𝑋𝑖 ∈ 𝐴𝑖 }
𝑖 ∈𝐼 𝑖 ∈ [1,𝑛É]
Y Y
= P (𝑋𝑖 ∈ 𝐴𝑖 ) = P (𝑋𝑖 = 𝑥𝑖 ) .
𝑖 ∈ [1,𝑛É 𝑖 ∈𝐼

Corollaire 12.22
Si les variables aléatoires discrètes 𝑋 1, . . . , 𝑋𝑛 de l’espace probabilisé (Ω, A, P)
sont mutuellement indépendantes, alors elles sont indépendantes deux à deux.

Attention
Comme dans le cas fini, la réciproque est fausse.

Exercice 12.14

Montrer que des événements 𝐴1, . . . , 𝐴𝑛 d’un espace probabilisé (Ω, A, P) sont
mutuellement indépendants si, et seulement si, les variables aléatoires l𝐴1 , . . . , 1𝐴𝑛
sont mutuellement indépendantes.
solution 12.14, page 69

Remarque 12.18
Si les variables 𝑋 1, . . . , 𝑋𝑛 sont mutuellement indépendantes, il existe des fonc-
tions 𝜑 1, . . . , 𝜑𝑛 définies respectivement sur 𝑋 1 (Ω), . . . , 𝑋𝑛 (Ω) telles que, pour
tout (𝑥 1, . . . , 𝑥𝑛 ) ∈ 𝑋 1 (Ω) × . . . × 𝑋𝑛 (Ω),
 𝑛  𝑛
\ Y
P {𝑋𝑖 = 𝑥𝑖 } = 𝜑𝑖 (𝑥𝑖 ) .
𝑖=1 𝑖=1

Classe MP* page 28 / 73 cpge Alqalam

Cours Table des matières

remarque 12.18 (suite)

En effet, il suffit de poser, pour 1 6 𝑖 6 𝑛,

𝜑𝑖 (𝑥𝑖 ) = P (𝑋𝑖 = 𝑥𝑖 ).

Les propriétés démontrées pour deux variables aléatoires se généralisent à 𝑛 va-

riables aléatoires.
Proposition 12.23
Soit (𝑋 1, 𝑋 2, . . . , 𝑋𝑛 ) un 𝑛-uplet de variables aléatoires discrètes, mutuellement
indépendantes, de l’espace probabilisé (Ω, A, P).
Si pour tout 𝑖 ∈ È1, 𝑛É, la fonction 𝑓𝑖 est définie sur 𝑋𝑖 (Ω), les variables aléatoires
𝑓1 (𝑋 1 ) , 𝑓2 (𝑋 2 ) , . . . , 𝑓𝑛 (𝑋𝑛 ) sont mutuellement indépendantes.
Preuve
Soit (𝑦1, . . . , 𝑦𝑛 ) ∈ 𝑓1 (𝑋 1 ) (Ω) × · · · × 𝑓𝑛 (𝑋𝑛 ) (Ω). On a :

P ({𝑓1 (𝑋 1 ) = 𝑦1 } ∩ . . . ∩ {𝑓𝑛 (𝑋𝑛 ) = 𝑦𝑛 })

= P 𝑋 1 ∈ 𝑓1−1 ({𝑦1 }) ∩ . . . ∩ 𝑋𝑛 ∈ 𝑓𝑛−1 ({𝑦𝑛 })
 

= P 𝑋 1 ∈ 𝑓1−1 ({𝑦1 }) . . . P 𝑋𝑛 ∈ 𝑓𝑛−1 ({𝑦𝑛 })

= P (𝑓1 (𝑋 1 ) = 𝑦1 ) . . . P (𝑓𝑛 (𝑋𝑛 ) = 𝑦𝑛 ) .

Remarque 12.19
La proposition précédente se généralise à des variables aléatoires discrètes fonc-
tions de plusieurs variables aléatoires 𝑋𝑘 (pour 1 6 𝑘 6 𝑛 ) par la proposition
suivante.
Proposition 12.24


Si (𝑋 1, . . . , 𝑋𝑛
) sont indépendantes, alors les variables aléatoires 𝑋 1, . . . , 𝑋𝑝 et
𝑋𝑝+1, . . . , 𝑋𝑛 sont indépendantes.
Preuve
pour tout (𝑥 1, . . . , 𝑥𝑛 ) ∈ 𝑋 1 (Ω) × · · · × 𝑋𝑛 (Ω) :

Classe MP* page 29 / 73 cpge Alqalam

Cours Table des matières

P (𝑋 1, . . . , 𝑋𝑝 ) = (𝑥 1, . . . , 𝑥 𝑝 ), (𝑋𝑝+1, . . . , 𝑋𝑛 ) = (𝑥 𝑝+1, . . . , 𝑥𝑛 )
= P (𝑋 1 = 𝑥 1, . . . , 𝑋𝑛 = 𝑥𝑛 )
Y𝑛
= P (𝑋𝑘 = 𝑥𝑘 )
𝑘=1
Y𝑝 𝑛
Y
= P (𝑋𝑘 = 𝑥𝑘 ) P (𝑋𝑘 = 𝑥𝑘 )
𝑘=1 𝑘=𝑝+1



= P (𝑋 1, . . . , 𝑋𝑝 ) = (𝑥 1, . . . , 𝑥 𝑝 ) P (𝑋𝑝+1, . . . , 𝑋𝑛 ) = (𝑥 𝑝+1, . . . , 𝑥𝑛 )
car 𝑋 1, . . . , 𝑋𝑝 d’une part, 𝑋𝑝+1, . . . , 𝑋𝑛 d’autre part, sont indépendantes.

Proposition 12.25
Soit 𝑋 1, 𝑋 2, . . . , 𝑋𝑛 des variables aléatoires discrètes indépendantes à valeurs
respectivement dans des ensembles 𝐸 1, . . . , 𝐸𝑛 , et 1 6 𝑝 < 𝑛. Si 𝑓 est une
fonction définie sur
𝐸 1 × · · · × 𝐸𝑝 et 𝑔
une fonction définie sur 𝐸𝑝+1 × · · · × 𝐸𝑛 ,
alors 𝑓 𝑋 1, . . . , 𝑋𝑝 et 𝑔 𝑋𝑝+1, . . . , 𝑋𝑛 sont indépendantes.
Preuve
(𝑋 1, . . . , 𝑋𝑛 ) sont indépendantes, par la proposition 12.24 les variables 𝑋 = (𝑋 1, . . . , 𝑋𝑝 ) et
𝑌 = (𝑋𝑝+1, . . . , 𝑋𝑛 ) sont indépendantes, et par la proposition 12.19 de la page 25 𝑓 (𝑋 ) =
𝑓 (𝑋 1, . . . , 𝑋𝑝 ) et 𝑔(𝑌 ) = 𝑔(𝑋𝑝+1, . . . , 𝑋𝑛 ) sont indépendantes.

Remarque 12.20
En particulier, les variables 𝑋 1 + · · · + 𝑋𝑝 et 𝑋𝑝+1 + · · · + 𝑋𝑛 sont indépendantes.

Exemple 12.4

Si 𝑋 1, 𝑋 2, 𝑋 3 sont des variables aléatoires réelles indépendantes, alors les vecteurs

𝑋 1 et (𝑋 2, 𝑋 2 +𝑋 3 ) sont indépendants. En effet 𝑋 1, 𝑋 2, 𝑋 3 sont indépendates, alors
d’après la proposition 12.24 𝑋 1 et (𝑋 2, 𝑋 3 ) sont indépendants, et par le biais des
applications 𝑓 : 𝑥 → 𝑥, et 𝑔 : (𝑥, 𝑦) → (𝑥, 𝑥 + 𝑦), on obtient l’indépendance de
𝑋 1 et (𝑋 2, 𝑋 2 + 𝑋 3 )

III.3 Suite de variable aléatoires de lois prescrites

Classe MP* page 30 / 73 cpge Alqalam

Cours Table des matières

Ce qui précède peut se généraliser à plus de deux fonctions.

Proposition 12.26
Soit (𝑋 1, 𝑋 2, . . . , 𝑋𝑛 ) un 𝑛-uplet de variables aléatoires, mutuellement indépen-
dantes, 𝑘 un entier naturel non nul, 𝐼 1, 𝐼 2, . . . , 𝐼𝑘 des sous-ensembles non vides et
disjoints de [1, 𝑛É. Pour tout 𝑗 entre 1 et 𝑘, on considère une variable aléatoire
𝑌 𝑗 qui est une fonction des variables 𝑋𝑖 pour 𝑖 ∈ 𝐼 𝑗 . Alors les variables 𝑌1, . . . , 𝑌𝑘
sont indépendantes.
Preuve
On montre que les 𝑘 variables (𝑋𝑖 )𝑖 ∈𝐼1 , (𝑋𝑖 )𝑖 ∈𝐼2 , . . . , (𝑋𝑖 )𝑖 ∈𝐼𝑘 sont mutuellement indépen-
dantes. On en déduit que 𝑌1, 𝑌2, . . . , 𝑌𝑛 sont mutuellement indépendantes.

III.4 Suite de variables aléatoires indépendantes

Définition 12.12
Une suite (𝑋𝑛 )𝑛∈N de variables aléatoires réelles discrètes de l’espace probabilisé
(Ω, A, P) telle que pour toute partie finie 𝐼 de N, les variables aléatoires réelles
discrètes 𝑋𝑖 où 𝑖 décrit 𝐼 soient mutuellement indépendantes, est appelée suite
de variables aléatoires mutuellement indépendantes.

Remarque 12.21
Il suffit de vérifier que, pour tout entier 𝑛, les variables 𝑋 0, . . . , 𝑋𝑛 sont mutuelle-
ment indépendantes. En effet, toute sous-famille finie de (𝑋𝑛 )𝑛∈N est contenue
dans une sous-famille de la forme (𝑋 0, . . . , 𝑋𝑛 ). D’après la proposition 12.21 de la
page 28 , elle est constituée de variables aléatoires mutuellement indépendantes
si les variables 𝑋 0, . . . , 𝑋𝑛 les variables sont mutuellement indépendantes.

Remarque 12.22
Cette défintion se généralise à une famille quelconque de variables aléatoires
(𝑋𝑖 )𝑖∈𝐼 , en disant que les variables aléatoires 𝑋𝑖 , 𝑖 ∈ 𝐼 sont mutuellements
indépendantes si et seulement si ∀𝐽 fini inclus dans 𝐼 , (𝑋𝑖 )𝑖∈𝐽 sont mutuellements
indépendantes.
Si 𝑋𝑖 = (𝑋𝑖(1) , . . . , 𝑋𝑖(𝑑𝑖 ) ) : Ω → R𝑑𝑖 , cette indépendance se traduit par :

Classe MP* page 31 / 73 cpge Alqalam

Cours Table des matières

remarque 12.22 (suite)

∀𝑥𝑖 = (𝑥𝑖(1) , . . . , 𝑥𝑖(𝑑𝑖 ) ) ∈ R𝑑𝑖

!! !
𝑑𝑖 𝑑𝑖
(𝑋𝑖( 𝑗) 𝑥𝑖( 𝑗) (𝑋𝑖( 𝑗) = 𝑥𝑖( 𝑗) )
\ \ Y \
P = = P
𝑖∈𝐽 𝑗=1 𝑖∈𝐽 𝑗=1

Nous admettrons le théorème suivant.

Théorème 12.27
Pour toute suite (𝑃𝑛 ) de lois de probabilité discrètes, il existe un espace probabi-
lisé (Ω, A, P) et une suite (𝑋𝑛 ) de variables aléatoires discrètes, indépendantes
sur (Ω, A, P) telle que, pour tout 𝑛 ∈ N, la loi P𝑋𝑛 soit 𝑃𝑛 .

Remarque 12.23
En particulier, si 𝑃 est une loi de probabilité discrète, il existe un espace probabi-
lisé (Ω, A, P) et une suite (𝑋𝑛 ) de variables aléatoires discrètes, indépendantes
sur (Ω, A, P) telle que, pour tout 𝑛 ∈ N, la loi de 𝑋𝑛 soit 𝑃. On parle alors
de suites de variables indépendantes identiquement distribuées (avec parfois
l’abréviation i.i.d.) Une telle suite modélise une suite d’épreuves identiques aux
résultats indépendants.

Exemple 12.5

• Si 𝑃 est la loi de Bernoulli de paramètre 𝑝, on obtient une modélisation du

jeu de pile ou face. Pour tout 𝑛 ∈ N, {𝑋𝑛 = 1} et {𝑋𝑛 = 0} sont des événements,
qu’on appelle respectivement obtenir pile et face ou succès et échec à la 𝑛 ième
épreuve ; les variables 𝑋𝑛 étant indépendantes, les événements {𝑋𝑛 = 1}, pour
𝑛 ∈ N, sont indépendants et de probabilité 𝑝.
• De la même façon, si 𝑃 est la loi uniforme sur È1, 6], on modélise l’expérience
aléatoire consistant à lancer un dé une infinité de fois.

Classe MP* page 32 / 73 cpge Alqalam

Cours Table des matières

Remarque 12.24
Ce théorème est d’une grande importance pratique, car comme nous l’avons
signalé dans le chapitre précédent, la construction d’un espace probabilisé mo-
délisant le jeu de pile ou face est très difficile.

Exercice 12.15

Soit (𝑋𝑛 ) une suite de variables aléatoires indépendantes sur l’espace probabilisé
(Ω, A, P), suivant toutes la loi de Bernoulli de paramètre 𝑝 ∈]0, 1[. Pour tout
𝑘 ∈ N∗ , on note 𝑌𝑘 le temps d’attente du 𝑘-ième 1 . On pose 𝑍 1 = 𝑌1 et pour
𝑘 > 2, 𝑍𝑘 = 𝑌𝑘 −𝑌𝑘−1 . Démontrer que (𝑍𝑛 )𝑛∈N∗ est une suite de variables aléatoires
indépendantes, de même loi.
solution 12.15, page 70

IV
Loi de la somme et stabilité
Théorème 12.28
Si (𝑋 1, 𝑋 2 ) est un couple de variables aléatoires réelles indépendantes dont les
lois sont discrètes d’ensembles de valeurs possibles respectifs 𝐷 1 et 𝐷 2 (sous
ensembles de R au plus dénombrables), alors la variable aléatoire
𝑆 = 𝑋1 + 𝑋2
est discrète d’ensemble de valeurs possibles contenu dans

𝑆 = {𝑢 + 𝑣, (𝑢, 𝑣) ∈ 𝐷 1 × 𝐷 2 }

et de loi définie par 𝑠 ∈ 𝑆 :

∑︁
𝑃 (𝑆 = 𝑠) = 𝑃 (𝑋 1 = 𝑢)𝑃 (𝑋 2 = 𝑠 − 𝑢)
𝑢∈𝐷 1
∑︁
= 𝑃 (𝑋 1 = 𝑠 − 𝑣)𝑃 (𝑋 2 = 𝑣)
𝑣 ∈𝐷 1

Classe MP* page 33 / 73 cpge Alqalam

Cours Table des matières

Formule appelée produit de convolution discret des variables 𝑋 1 et 𝑋 2 .

Preuve

[
𝑃 (𝑋 1 + 𝑋 2 = 𝑠) = 𝑃 ((𝑋 1 + 𝑋 2 = 𝑠) ∩ ( (𝑋 1 = 𝑢))
𝑢 ∈𝐷 1
!
[
= 𝑃 (𝑋 1 = 𝑢, 𝑋 2 = 𝑠 − 𝑢)
𝑢 ∈𝐷 1
∑︁
= 𝑃 (𝑋 1 = 𝑢, 𝑋 2 = 𝑠 − 𝑢)
𝑢 ∈𝐷 1
∑︁
= 𝑃 (𝑋 1 = 𝑢)𝑃 (𝑋 2 = 𝑠 − 𝑢)
𝑢 ∈𝐷 1

Théorème 12.29 Somme de variables de Bernoulli

Soit 𝑋 1, ..., 𝑋𝑛 des variables aléatoires indépendantes suivant la loi B(𝑝). Alors
𝑛
𝑋𝑖 ↩→ B(𝑛, 𝑝)
P
𝑖=1
Preuve
𝑛
P
Posons 𝑋 = 𝑋𝑘 .
𝑘=1
D’abord 𝑋 (Ω) ⊂ | [0, 𝑛] |.
L’événement 𝑋 =
𝑘 a lieu lorsque 𝑘 variables 𝑋𝑖 prennent la valeur 1 et les 𝑛 − 𝑘 autres la
valeur 0, il y’a 𝑛𝑘 combinaisons.
Comme les événement 𝐴𝑖 associés sont indépendants, chaque événement de cette distribu-
tion a la même probabilité d’apparition soit 𝑝 𝑘 (1 − 𝑝)𝑛−𝑘 . Enfin
 
𝑛 𝑘
𝑃 (𝑋 = 𝑘) = 𝑝 (𝑛 − 𝑝)𝑛−𝑘
𝑘

Remarque 12.25
Ce théorème peut être vu comme un corollaire du théorème de stabilité de lois
binomiales qui suit.

Théorème 12.30 Stabilité des lois binomiales

Soit (𝑚, 𝑛) ∈ (N∗ ) 2 et 𝑝 ∈]0, 1[. Si 𝑋 ↩→ B(𝑛, 𝑝) et 𝑌 ↩→ B(𝑚, 𝑝) sont indé-

Classe MP* page 34 / 73 cpge Alqalam

Cours Table des matières

pendantes, alors
𝑋 + 𝑌 ↩→ B(𝑚 + 𝑛, 𝑝)
Preuve
On utilise le théorème de convolution de variables aléatoires discrèes.
(𝑋 + 𝑌 ) (Ω) ⊂ | [0, 𝑚 + 𝑛] |. Soit 𝑠 ∈ | [0, 𝑚 + 𝑛] |.
𝑛
∑︁
𝑃 (𝑋 + 𝑌 = 𝑠) = 𝑃 (𝑋 = 𝑘, 𝑌 = 𝑠 − 𝑘)
𝑘=0
𝑛    
∑︁ 𝑛 𝑘 𝑛−𝑘 𝑚
= 𝑝 (1 − 𝑝) 𝑝 𝑠−𝑘 (1 − 𝑝)𝑚−𝑠+𝑘
𝑘=0 𝑘 𝑠 −𝑘
𝑛   !
∑︁ 𝑛 𝑚
= 𝑝 𝑠 (1 − 𝑝)𝑚+𝑛−𝑠
𝑘=0 𝑘 𝑠 − 𝑘
 
𝑚 +𝑛 𝑠
= 𝑝 (1 − 𝑝)𝑛+𝑚−𝑠
𝑠

Corollaire 12.31 Stabilité des lois binomiales

Si (𝑋𝑖 )𝑖=1,..,𝑘 est une famille de variables aléatoires indépendantes suivant les lois
𝑘 𝑘
binomiales respectives B(𝑛𝑖 , 𝑝), alors la variable aléatoire 𝑋𝑖 ↩→ B( 𝑛𝑖 , 𝑝)
P P
𝑖=1 𝑖=1
Preuve
Par récurrence sur 𝑘. Pour 𝑘 = 1, 2 c’est le théorème précédent.
Supposons la propriété vraie pour 𝑘. Soit 𝑋 1, ..., 𝑋𝑘+1 (𝑘 + 1) variables indépendantes suivants
respectivement des lois B(𝑛𝑖 , 𝑝), 𝑖 = 1...(𝑘 + 1).
𝑘 𝑘
𝑋𝑖 ↩→ B( 𝑛𝑖 , 𝑝).
P P
par hypothése de récurrence
𝑖=1 𝑖=1
𝑘
P
Par le théorème d’indépendance héritée, 𝑋𝑖 et 𝑋𝑘+1 sont indépendantes. Par le théorème
𝑖=1
précédent :
𝑘+1 𝑘+1
𝑋𝑖 ↩→ B(
P P
𝑛𝑖 , 𝑝)
𝑖=1 𝑖=1

Théorème 12.32 Stabilité des lois de poisson

Soit (𝜆, 𝜇) ∈ (R+ ) 2 . Si 𝑋 ↩→ P(𝜆) et 𝑌 ↩→ P(𝜇) sont indépendantes, alors

Classe MP* page 35 / 73 cpge Alqalam

Cours Table des matières

𝑋 + 𝑌 ↩→ P(𝜆 + 𝜇).
Preuve
(𝑋 + 𝑌 ) (Ω) = N. Soit 𝑠 ∈ N.
𝑠
∑︁
𝑃 (𝑋 + 𝑌 = 𝑠) = 𝑃 (𝑋 = 𝑘)𝑃 (𝑌 = 𝑠 − 𝑘)
𝑘=0
𝑠
∑︁ −𝜆 𝜆
𝑘
−𝜇 𝜇𝑠−𝑘
= 𝑒 𝑒
𝑘=0 𝑘! (𝑠 − 𝑘)!
−(𝜆+𝜇) (𝜆 + 𝜇)𝑠
= 𝑒
𝑠!
Donc 𝑋 + 𝑌 ↩→ P(𝜆 + 𝜇).

Corollaire 12.33 Stabilité des lois de poisson

Si (𝑋𝑖 )𝑖=1,..,𝑘 est une famille de variables aléatoires indépendantes suivant les
lois des lois de poisson P(𝜆𝑖 )𝑖=1,..𝑘 respectivement, alors la variable aléatoire
𝑘 𝑘
𝑋𝑖 ↩→ P( 𝜆𝑖 )
P P
𝑖=1 𝑖=1
Preuve
Se démontre de la même façon que le corollaire IV

V
Espérance, moment

V.1 Définitions et propriétés

L’idée de l’espérance trouve son origine dans les jeux de hasard. Considérons le jeu
qui consiste à lancer un dé plusieurs fois de suite. Supposons que pour une mise de
1 pièce, on gagne 1 pièce si le résultat obtenu est pair, 2 pièces si le résultat est 1 ou
3, et on perd 3 pièces si le résultat est 5. Est-il intéressant de jouer à ce jeu ? Quel
peut-être le gain moyen ? Soit X la variable aléatoire correspondant au nombre de

Classe MP* page 36 / 73 cpge Alqalam

Cours Table des matières

pièces gagnées ou perdues. La loi de X est

x -3 1 2
1 1 1
P(X=x) 6 2 3
L’espérance de gain, noté 𝐸 (𝑋 ], est alors
𝐸 [𝑋 ] = −3 ∗ 1/6 + 1 ∗ 1/2 + 2 ∗ 1/3 = 2/3
Le joueur gagne donc en moyenne 2/3 de pièces pour une mise de 1 pièce. . .le jeu
semble ne pas être intéressant ! !.
Définition 12.13
𝑋 une variable aléatoire discrète, on dit que 𝑋 admet une espérance si la famille
(𝑥𝑃 (𝑋 = 𝑥))𝑥 ∈𝑋 (Ω) est sommable, auquel cas l’espérance est définie :
∑︁
𝐸 (𝑋 ) = 𝑥𝑃 (𝑋 = 𝑥)
𝑥 ∈𝑋 (Ω)

Lorsqu’une variable X vérifie 𝐸 [𝑋 ] = 0, on dit que la variable est centrée.

Proposition 12.34
si 𝑋 = 𝑎, alors 𝐸 (𝑋 ) = 𝑎.
Preuve
Si 𝑋 = 𝑎, alors 𝑋 (Ω) = {𝑎}.
𝐸 (𝑋 ) = 𝑎𝑃 (𝑋 = 𝑎) = 𝑎.

Proposition 12.35
∀𝐴 ∈ T, 𝐸 (1𝐴 ) = 𝑃 (𝐴).
Preuve
𝑋 = 1𝐴 , donc 𝑋 (Ω) = {0, 1}.
𝐸 (𝑋 ) = 0𝑃 (𝑋 = 0) + 1𝑃 (𝑋 = 1) = 𝑃 (𝐴).

Proposition 12.36 Positivité

si 𝑋 > 0, alors 𝐸 (𝑋 ) > 0.
Preuve

Classe MP* page 37 / 73 cpge Alqalam

Cours Table des matières

𝑥𝑃 (𝑋 = 𝑥) > 0.
P
Si 𝑋 > 0, les valeurs possibles seront positives, et par suite 𝑥 𝑋 (Ω)

Proposition 12.37
Si 𝑋 une variable aléatoire positive admettant une espérance, alors :
𝐸 (𝑋 ) = 0 si et seulement si (𝑋 = 0 presque surement).
Preuve
• Supposons que 𝑋 = 0 presque surement, c’est à dire que 𝑃 (𝑋 = 0) = 1.
∑︁ ∑︁
𝐸 (𝑋 ) = 𝑥𝑃 (𝑋 = 𝑥) = 𝑥𝑃 (𝑋 = 𝑥)
𝑥 ∈𝑋 (Ω) 𝑥 ∈𝑋 (Ω)\{0}

Or pour 𝑥 ≠ 0 : (𝑋 = 𝑥) ⊂ (𝑋 ≠ 0), donc 𝑃 (𝑋 = 𝑥) = 0 et 𝐸 (𝑋 ) = 0.

• Supposons que 𝑥 ∈𝑋 (Ω0 ) 𝑥𝑃 (𝑋 = 𝑥) = 0, alors pour tout 𝑥 ≠ 0,
P
𝑃 (𝑋 = 𝑥) = 0. Ainsi ∑︁
𝑃 (𝑋 ≠ 0) = 𝑃 (𝑋 = 𝑥) = 0
𝑥≠0

Proposition 12.38
Soit 𝑋 ; Ω → N une variable aléatoire discrète. v Alors 𝑋 admet une espénance
si et seulement si la famille
(𝑃 (𝑋 > 𝑛))𝑛∈N
est sommable, et on a
+∞
∑︁
E(𝑋 ) = 𝑃 (𝑋 > 𝑛)
𝑛=0
Preuve
D’après le théorème de Fubini cas particulier des résultats sur les familles sommables), la
somme double 𝑛 ∈N ( 𝑘>𝑛 𝑃 (𝑋 = 𝑘)) converge absolument si et seulement
P P

si la somme
double (obtenue par intervertion de sommation) 𝑘>0 𝑛 ∈𝑁 ,𝑛<𝑘 𝑃 (𝑋 = 𝑘) converge ab-
P P
solument, et alors les deux sommes sont égales. Comme 𝑘>𝑛 𝑃 (𝑋 = 𝑘) = 𝑃 (𝑋 > 𝑛) et
P

𝑛 ∈N,𝑛<𝑘 𝑃 (𝑋 = 𝑘) = 𝑘𝑃 (𝑘), on en déduit que 𝑛 ∈N 𝑃 (𝑋 > 𝑛) converge absolument si et

P P
seulement si 𝑘>1 𝑘𝑃 (𝑘) converge absolument, et dans ce cas on a l’égalité des sommes, ce
P
qui s’écrit : 𝑛 ∈ N P(𝑋 > 𝑛) = E(𝑋 )
P

Classe MP* page 38 / 73 cpge Alqalam

Cours Table des matières

V.2 Transferts
Théorème 12.39 de transfert
Si 𝑋 est une variable aléatoire discrète, alors la variable aléatoire 𝑌 = 𝑓 (𝑋 )
admet une espérance si et seulement si la famille (𝑓 (𝑥)𝑃 (𝑋 = 𝑥))𝑥 ∈𝑋 (Ω) est
sommable. Auquel cas :
∑︁
𝐸 (𝑓 (𝑋 )) = 𝑓 (𝑥)𝑃 (𝑋 = 𝑥)
𝑥 ∈𝑋 (Ω)

Preuve
Remarquons d’abord que 𝑓 (𝑋 ) (Ω) = {𝑓 (𝑥)
: 𝑥 ∈ 𝑋 (Ω)}. Pour tout 𝑦 ∈ 𝑓 (𝑋 ) (Ω), on pose
−1
𝐼 𝑦 = 𝑓 ({𝑦}). Il est simple de voir que 𝐼 𝑦 𝑦 ∈𝑓 (𝑋 ) (Ω) est une partition de 𝑋 (Ω). On a aussi
pour tout 𝑦 ∈ 𝑓 (𝑋 ) (Ω),
∑︁
|𝑦|𝑃 (𝑓 (𝑋 ) = 𝑦) = |𝑓 (𝑥)|𝑃 (𝑋 = 𝑥).
𝑥 ∈𝐼 𝑦

Une application directe du théorème de sommation par paquets montre que la famille
(𝑓 (𝑥)𝑃 (𝑋 = 𝑥))𝑥 ∈𝑋 (Ω) est sommable sì, et seulement si, pour tout 𝑦 ∈ 𝑓 (𝑋 ) (Ω) la famille
(𝑓 (𝑥)𝑃 (𝑋 = 𝑥))𝑥 ∈𝐼 𝑦 est sommable et la famille (|𝑦|𝑃 (𝑓 (𝑋 ) = 𝑦)) 𝑦 ∈𝐼 𝑦 est sommable. Ce qui
montre que la famille (𝑓 (𝑥)𝑃 (𝑋 = 𝑥))𝑥 ∈𝑋 (Ω) est sommable si, et seulement si, 𝑓 (𝑋 ) admet
une espérance finie. Dans ce cas, en appliquant à la famille sommable (𝑓 (𝑥)𝑃 (𝑋 = 𝑥))𝑥 ∈𝑋 (Ω) ,
on obtient :
∑︁ ∑︁ ∑︁
𝑓 (𝑥)𝑃 (𝑋 = 𝑥) = 𝑓 (𝑥)𝑃 (𝑋 = 𝑥)
𝑥 ∈𝑋 (Ω) 𝑦 ∈𝑓 (𝑋 ) (Ω) 𝑥 ∈𝐼 𝑦
∑︁
= 𝑦𝑃 (𝑓 (𝑋 ) = 𝑦) = E(𝑓 (𝑋 ))
𝑦 ∈𝑓 (𝑋 ) (Ω)

Ce qui achève la démonstration.

Exemple 12.6

Soit 𝑋 une variable aléatoire telle que 𝑋 ∼ G(𝑝), 𝑝 ∈]0, 1[. Alors la variable
aléatoire 𝑋1 admet une espérance finie. En effet, il suffit de montrer la convergence
de la série 𝑛∈N∗ 𝑛1 𝑃 (𝑋 = 𝑛). Pour tout 𝑛 ∈ N∗ ,
P

1 1
𝑃 (𝑋 = 𝑛) = 𝑝 (1 − 𝑝)𝑛−1 .
𝑛 𝑛

Classe MP* page 39 / 73 cpge Alqalam

Cours Table des matières

P 𝑥𝑛
Comme la série 𝑛 est convergente pour tout 𝑥 ∈] − 1, 1[ et
+∞ 𝑛
∑︁ 𝑥
= − ln(1 − 𝑥)
𝑛=1 𝑛
1
on en déduit que 𝑋 admet une espérance et
  +∞
1 ∑︁ 1 ln 𝑝
E = 𝑝 (1 − 𝑝)𝑛−1 = 𝑝 .
𝑋 𝑛=1 𝑛 𝑝 − 1

Remarque 12.26
Avec ce théorème il n’est pas nécessaire de connaitre la loi de 𝑌 .

Théorème 12.40 Extension au couple

Si (𝑋, 𝑌 ) est un couple de variables aléatoires réelles discrètes, alors la variable
aléatoire 𝑍 = 𝑔(𝑋, 𝑌 ) admet une espérance si, et seulement si, la famille double
(𝑔(𝑥, 𝑦)𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦)) (𝑥,𝑦)∈𝑋 (Ω)×𝑌 (Ω)
est sommable. Auquel cas l’espérance de 𝑍 = 𝑔(𝑋, 𝑌 ) est donnée par :
∑︁
𝐸 (𝑔(𝑋, 𝑌 )) = 𝑔(𝑥, 𝑦)𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦)
(𝑥,𝑦)∈𝑋 (Ω)×𝑌 (Ω)

Proposition 12.41
𝑋 admet une espérance si et seulement si |𝑋 | l’admet. Au quel cas :

|𝐸 (𝑋 )| 6 𝐸 (|𝑋 |)

Preuve
D’après le théorème de transfert appliqué à la fonction 𝑔 : 𝑥 → |𝑥 |, |𝑋 | admet une espérance
si et seulement si la famille (|𝑥 |𝑃 (𝑋 = 𝑥)) est sommable, ce qui coincide exactement avec le

Classe MP* page 40 / 73 cpge Alqalam

Cours Table des matières

fait que 𝑋 admet une espérance, et on a

∑︁ ∑︁
|𝐸 (𝑋 )| = | 𝑥𝑃 (𝑋 = 𝑥)| 6 |𝑥 |𝑃 (𝑋 = 𝑥) = 𝐸 (|𝑋 |)
𝑥 𝑥

Proposition 12.42
𝑋 et 𝑌 sont des variables aléatoires réelles sur l’espace probabilisé (Ω, A, 𝑃).
Si 𝑌 admet une espérance et si |𝑋 | 6 𝑌 alors 𝑋 admet une espérance. Auquel
cas :
|𝐸 (𝑋 )| 6 𝐸 (𝑌 )
Preuve
L’idée est d’utiliser le fait que
∑︁
𝑃 (𝑋 = 𝑥) = 𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦)
𝑦 ∈𝑌 (Ω)

!
∑︁
|𝑥 |𝑃 (𝑋 = 𝑥) = |𝑥 | 𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦)
𝑦 ∈𝑌 (Ω)
∑︁
= |𝑥 |𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦)
𝑦 ∈𝑌 (Ω)
∑︁
6 𝑦𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦)
𝑦 ∈𝑌 (Ω)

Car lorsque |𝑥 | > 𝑦, alors l’événement (𝑋 = 𝑥, 𝑌 = 𝑦) est impossible et donc

|𝑥 |𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦) 6 𝑦𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦)

Sinon on a bien
|𝑥 |𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦) 6 𝑦𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦)
Montrons maintenant que la famille double (𝑦𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦)𝑥,𝑦 est sommable.
Pour 𝑦 fixé : (𝑦𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦)𝑥 est sommable et
∑︁
𝑦𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦) = 𝑦𝑃 (𝑌 = 𝑦).
𝑥
Par existence de 𝐸 (𝑌 ), la famille
∑︁
( 𝑦𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦)) 𝑦 = (𝑦𝑃 (𝑌 = 𝑦)) 𝑦
𝑥

Classe MP* page 41 / 73 cpge Alqalam

Cours Table des matières

est sommable.
Maintenant que la famille (𝑦𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦)𝑥,𝑦 est sommable, alors la famille ( 𝑦 𝑦𝑃 (𝑋 =
P
𝑥, 𝑌 = 𝑦)𝑥 est sommable, et par conséquent la famille (|𝑥 |𝑃 (𝑋 = 𝑥) l’est aussi. D’où
l’existence de 𝐸 (𝑋 ), et nous avons
∑︁
|𝐸 (𝑋 )| 6 |𝑥 |𝑃 (𝑋 = 𝑥)
𝑥 ∈𝑋 (Ω)
∑︁ ∑︁
6 𝑦𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦)
𝑥 ∈𝑋 (Ω) 𝑦 ∈𝑌 (Ω)
∑︁ ∑︁
= 6 𝑦𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦)
𝑦 ∈𝑌 (Ω) 𝑥 ∈𝑋 (Ω)
∑︁
= 𝑦𝑃 (𝑌 = 𝑦)
𝑦 ∈𝑌 (Ω)
= 𝐸 (𝑌 )

Théorème 12.43 Linéarité :

𝐸 (𝑋 + 𝜆𝑌 ) = 𝐸 (𝑋 ) + 𝜆𝐸 (𝑌 ) si les espérances de 𝑋 et 𝑌 existent.
Preuve
𝑋 + 𝜆𝑌 = 𝑔(𝑋, 𝑌 ), avec 𝑔(𝑥, 𝑦) = 𝑥 + 𝜆𝑦, on applique alors le théorème de transfert.
𝑋 + 𝜆𝑌 admet une espérance si et seulement si la famille ((𝑥 + 𝜆𝑦)𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦))𝑥,𝑦 est
sommable.

|𝑥 + 𝜆𝑦|𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦) 6 |𝑥 |𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦) + |𝜆||𝑦|𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦)
On montre séparement que les familles (|𝑥 |𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦))𝑥,𝑦 et (|𝑦|𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦))𝑥,𝑦
sont sommables. On applique pour cela le théorème de Fubini pour la sommabilité de famille
double.
Pour 𝑥 fixé (|𝑥 |𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦)) 𝑦 sommable et
∑︁
|𝑥 |𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦) = |𝑥 |𝑃 (𝑋 = 𝑥)
𝑦

Par existence de 𝐸 (𝑋 ) ; (|𝑥 |𝑃 (𝑋 = 𝑥))𝑥 est sommable. D’où la sommabilité de

(𝑥𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦))𝑥,𝑦 .
Par symétrie, on aura de même la sommabilité de
(𝑦𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦))𝑥,𝑦 .
Finalement on a la sommabilité de (𝑥 + 𝜆𝑦)𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦) et l’existence de 𝐸 (𝑋 + 𝜆𝑌 ).

Classe MP* page 42 / 73 cpge Alqalam

Cours Table des matières

Toujours par le théorème de Fubini :

∑︁ ∑︁ ∑︁ ∑︁
𝐸 (𝑋 + 𝜆𝑌 ) = 𝑥𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦) + 𝜆 𝑦𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦)
𝑥 𝑦 𝑦 𝑥
∑︁ ∑︁
= 𝑥𝑃 (𝑋 = 𝑥) + 𝜆 𝑦𝑃 (𝑌 = 𝑦)
𝑥 𝑦
= 𝐸 (𝑋 ) + 𝜆𝐸 (𝑌 )

Proposition 12.44 Croissance

si 𝑋 6 𝑌 , et 𝑋, 𝑌 admettent des espérances, alors

𝐸 (𝑋 ) 6 𝐸 (𝑌 )

Preuve
Se déduit de la positivité de 𝑋 et de la linéarité.

Définition 12.14
Si 𝑋 admet un moment d’ordre 1, on appelle variable centrée associée à 𝑋 la
variable aléatoire centrée
𝑋˜ = 𝑋 − 𝐸 (𝑋 )

Proposition 12.45
(𝑋 1, . . . , 𝑋𝑛 ) une famille de v.a.d indépendantes sur (Ω, A, 𝑃) et non presque
surement nulles. Alors le produit 𝑋 1 · · · 𝑋𝑛 a une espérance si et seulement si
chaque 𝑋 𝑗 a une espérance. Dans ces conditions l’espérance du produit est le
produit des espérances :
IE(𝑋 1 · · · 𝑋𝑛 ) = IE(𝑋 1 ) · · · IE(𝑋𝑛 ).
Preuve
Il suffit de le montrer pour 𝑛 = 2. le cas général s’en déduit par récurrence.
𝑋 , 𝑌 deux variables aléatoires discrètes indépendantes, non presque surement nulles. 𝑋𝑌 =
𝑔(𝑋, 𝑌 ), avec 𝑔 : (𝑥, 𝑦) → 𝑥𝑦.
Pour tout (𝑥, 𝑦) ∈ 𝑋 (Ω) × 𝑌 (Ω),
𝑥𝑦𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦) = 𝑥𝑃 (𝑋 = 𝑥)𝑦𝑃 (𝑌 = 𝑦)
c’est donc une famille double à variables séparables, montrons que les familles (𝑥𝑃 (𝑋 = 𝑥))𝑥

Classe MP* page 43 / 73 cpge Alqalam

Cours Table des matières

et (𝑦𝑃 (𝑌 = 𝑦)) 𝑦 ne sont pas identiquement nulles. Supposons par l’absurde que par exemple
∀𝑥 ∈ 𝑋 (Ω), 𝑥𝑃 (𝑋 = 𝑥) = 0, alors ∀𝑥 ∈ 𝑋 (Ω)\{0}, 𝑃 (𝑋 = 𝑥) = 0, et donc 𝑃 (𝑋 ≠ 0) = 0, ce
qui est absurde.
la famille (𝑥𝑃 (𝑋 = 𝑥)𝑦𝑃 (𝑌 = 𝑦))𝑥,𝑦 est donc sommables si et seulement si (𝑥𝑃 (𝑋 =
𝑥))𝑥 ∈𝑋 (Ω) et (𝑦𝑃 (𝑌 = 𝑦) 𝑦 ∈𝑌 (Ω) le sont c’est à dire 𝑋 et 𝑌 admettent des espérances. Auquel
cas :
∑︁
𝐸 (𝑋𝑌 ) = 𝑥𝑦𝑃 (𝑋 = 𝑥)𝑃 (𝑌 = 𝑦)
𝑥,𝑦
! !
∑︁ ∑︁
= 𝑥𝑃 (𝑋 = 𝑥) 𝑦𝑃 (𝑌 = 𝑦)
𝑥 ∈𝑋 (Ω) 𝑦 ∈𝑌 (Ω)

= 𝐸 (𝑋 )𝐸 (𝑌 )

V.3 Moments d’ordre 2, variance convariance

Définition 12.15
Le moment d’ordre 𝑘 d’une variable aléatoire 𝑋 est sous reserve d’existence
𝐸 (𝑋 𝑘 )

Proposition 12.46
Si la variable aléatoire réelle 𝑋 admet un moment d’ordre 𝑘 ∈ N∗ , alors elle
admet un moment d’ordre 𝑗 pour tout 𝑗 ∈ {1, ..., 𝑘 } ; de même la variable aléatoire
réelle 𝑋 + 𝛼 admet un moment d’ordre 𝑘, pour tout réel 𝛼.
Preuve
Soit 𝑗 6 𝑘, nous avons |𝑋 𝑗 | = |𝑋 | 𝑗 , par le théorème de transfert il suffit de montrer la
sommabilité de

|𝑥 | 𝑗 𝑃 (𝑋 = 𝑥)𝑥 ∈𝑋 (Ω)
On partage 𝑋 (Ω) en les deux paquets :
𝐼 1 = {𝑥 ∈ 𝑋 (Ω), |𝑥 | 6 1}, 𝐼 2 = {𝑥 ∈ 𝑋 (Ω), |𝑥 | > 1}
∀𝑥 ∈ 𝐼 2, |𝑥 | 𝑗 6 |𝑥 |𝑘
Donc (|𝑥 | 𝑗 𝑃 (𝑋 = 𝑥))𝑥 ∈𝐼2 est sommable.
∀𝑥 ∈ 𝐼 1, |𝑥 | 6 1, donc |𝑥 | 𝑗 𝑃 (𝑋 = 𝑥) 6 𝑃 (𝑋 = 𝑥), la famille
(𝑃 (𝑋 = 𝑥))𝑥 ∈𝐼1

Classe MP* page 44 / 73 cpge Alqalam

Cours Table des matières

est sommable, d’où la sommabilité de (|𝑥 |𝑃 (𝑋 = 𝑥))𝑥 ∈𝐼1 .

𝑋 + 𝛼 admet aussi une espérance du fait précédent et du fait
𝑘  
∑︁ 𝑘 𝑘−𝑖 𝑖
(𝑋 + 𝛼)𝑘 = 𝛼 𝑋
𝑖=1 𝑖

Définition 12.16
Si la variable aléatoire réelle 𝑋 admet un moment d’ordre 2, on appelle variance
de 𝑋 la quantité
Var(𝑋 ) = 𝐸 ((𝑋 − 𝐸 (𝑋 )) 2 )
et l’écart type de 𝑋 la racine carrée de la variance :
√︁
𝜎 (𝑋 ) = Var(𝑋 )

Remarque 12.27
La variance est une moyenne de l’écart entre 𝑋 et sa moyenne au carré. Elle
caractérise la dispersion de 𝑋 par rapport à sa moyenne. Pour des raisons d’ho-
mogénéité, on lui préfère souvent dans les applications pratiques l’écart-type.

Proposition 12.47 Koenig Huygens

Si 𝑋 est une variable aléatoire admettant un moment d’ordre 2, alors :

Var(𝑋 ) = 𝐸 (𝑋 2 ) − (𝐸 (𝑋 )) 2

Preuve

𝐸 ((𝑋 − 𝐸 (𝑋 )) 2 ) = 𝐸 (𝑋 2 + 2𝐸 (𝑋 )𝑋 + (𝐸 (𝑋 )) 2 )
= 𝐸 (𝑋 2 ) − 2𝐸 (𝑋 )𝐸 (𝑋 ) + (𝐸 (𝑋 )) 2
= 𝐸 (𝑋 2 ) − (𝐸 (𝑋 )) 2

Classe MP* page 45 / 73 cpge Alqalam

Cours Table des matières

Remarque 12.28
Il sera utile parfois d’écrire la variance de la formule suivante :

𝑉 𝑎𝑟 (𝑋 ) = 𝐸 (𝑋 (𝑋 − 1)) + 𝐸 (𝑋 )(1 − 𝐸 (𝑋 ))

Proposition 12.48 translation et changement d’échelle

Si 𝑋 a un moment d’ordre 2, alors ∀𝑎 ∈ R, ∀𝑏 ∈ R

Var(𝑎𝑋 + 𝑏) = 𝑎 2 Var(𝑋 ), 𝜎 (𝑎𝑋 + 𝑏) = |𝑎|𝜎 (𝑋 ).

Preuve
Se déduit de la linéarité de l’espérance.

Var(𝑎𝑋 + 𝑏) = 𝐸 ((𝑎𝑋 + 𝑏) − 𝐸 (𝑎𝑋 + 𝑏)) 2 )

= 𝐸 ((𝑎(𝑋 − 𝐸 (𝑋 ))) 2 )
= 𝑎 2 Var(𝑋 )

Définition 12.17
Si 𝑋 admet un moment d’ordre 2, on appelle variable centrée réduite associée à
𝑋 la variable aléatoire réelle
(𝑋 − 𝐸 (𝑋 ))
𝑋∗ =
𝜎 (𝑋 )
C’est une variable d’espérance nulle et de variance égale à 1.

Proposition 12.49
Si 𝑋 est une variable aléatoire admettant un moment d’ordre 2, alors :
Var(𝑋 ) = 0 si et seulement si (𝑋 = 𝑎 constante presque surement)
Preuve
Var(𝑋 ) = 𝐸 ((𝑋 − 𝐸 (𝑋 )) 2 ), d’après un résultat sur l’espérance on aura 𝑋 = 𝐸 (𝑋 ) presque
surement.

Classe MP* page 46 / 73 cpge Alqalam

Cours Table des matières

Proposition 12.50
Si 𝑋 et 𝑌 sont des variables aléatoires réelles admettant un moment d’ordre 2,
alors la variable aléatoire 𝑋𝑌 admet une espérance et

(𝐸 (𝑋𝑌 )) 2 6 𝐸 (𝑋 2 )𝐸 (𝑌 2 ) (Cauchy-Schwarz)

avec égalité si et seulement si 𝑋 = 0 ou ∃𝛼 : 𝑌 = 𝛼𝑋 presque sûrement.

Preuve
1 |𝑋𝑌 | 6 𝑋 2 + 𝑌 2 , l’existence de l’espérance de 𝑋𝑌 s’en déduit par l’existence de 𝐸 (𝑋 2 )
et 𝐸 (𝑌 2 ). Pour l’inégalité, on procède comme pour un produit scalaire.
Si l’une des variables est nulle, le résultat est immédiat. Supposons pour tout 𝑡 ∈ R le
trinôme
𝑡 2 𝐸 (𝑌 2 ) + 2𝑡𝐸 (𝑋𝑌 ) + 𝐸 (𝑋 2 ) = 𝐸 (𝑋 + 𝑡𝑌 ) 2
est positif. Ceci n’est possible que si son discriminant est négatif.
Ceci se traduit par :
Δ = 𝐸 (𝑋𝑌 ) 2 − (𝐸 (𝑋 )) 2 − (𝐸 (𝑌 2 )) 2 6 0
ce qui fournit exactement l’inégalité cherchée.
le sens indirect pour l’inégalité est trivial.
Suppsons maintenant qu’on a égalité, le descrimiant sera donc nul, il existe 𝑡 0 tel que
𝐸 ((𝑋 + 𝑡 0𝑌 ) 2 ) = 0. D’après la Card précédente ceci n’étant vrai que lorsque 𝑋 + 𝑡 0𝑌 = 0
presque surement.
2

𝑉 (𝑆) = 𝐸 ((𝑋 + 𝑌 ) 2 − (𝐸 (𝑋 ) + 𝐸 (𝑌 )) 2 )
= 𝐸 ((𝑋 + 𝑌 ) 2 − (𝐸 (𝑋 ) + 𝐸 (𝑌 )) 2 )
= 𝐸 ((𝑋 − 𝐸 (𝑋 )) 2 + (𝑌 − 𝐸 (𝑌 )) 2 + 2(𝑋 − 𝐸 (𝑋 )) (𝑌 − 𝐸 (𝑌 )))
= Var(𝑋 ) + Var(𝑌 ) + 2𝐸 (𝑋 − 𝐸 (𝑋 )) (𝑌 − 𝐸 (𝑌 ))

Définition 12.18
Si 𝑋 et 𝑌 sont des variables aléatoires réelles admettant un moment d’ordre 2,
on définit la covariance du couple (𝑋, 𝑌 ) par la formule
𝐶 (𝑋, 𝑌 ) = 𝐸 ((𝑋 − 𝐸 (𝑋 ))(𝑌 − 𝐸 (𝑌 ))) = 𝐸 (𝑋𝑌 ) − 𝐸 (𝑋 )𝐸 (𝑌 ).
Avec cette notation on obtient
Var(𝑋 + 𝑌 ) = 𝑉 (𝑋 ) + 𝑉 (𝑌 ) + 2𝐶 (𝑋, 𝑌 )

Classe MP* page 47 / 73 cpge Alqalam

Cours Table des matières

Remarque 12.29
La covariance entre les variables 𝑋 et 𝑌 un nombre permettant de quantifier
leurs écarts conjoints par rapport à leurs espérances respectives

Proposition 12.51
Si 𝑋 et 𝑌 sont des variables aléatoires réelles admettant un moment d’ordre 2 et
si ces variables sont indépendantes, leur covariance est nulle.
Auquel cas La variance de la somme est alors la somme des variances.
Preuve
Se déduit de la proposition 2. Les deux varibales sont indépendantes, donc 𝐸 (𝑋𝑌 ) =
𝐸 (𝑋 )𝐸 (𝑌 ), de là on obtient 𝐶 (𝑋, 𝑌 ) = 𝐸 (𝑋𝑌 ) − 𝐸 (𝑋 )𝐸 (𝑌 ) = 0

Définition 12.19 Corrélation linéaire

Si 𝑋 et 𝑌 sont des variables aléatoires réelles admettant un moment d’ordre
2 de lois non certaines (i.e. variances non nulles), on définit le coefficient de
corrélation linéaire du couple (𝑋, 𝑌 ) par la formule

𝐶 (𝑋, 𝑌 )
𝜌 (𝑋, 𝑌 ) =
𝜎 (𝑋 )𝜎 (𝑌 )

Définition 12.20
Deux variables 𝑋, 𝑌 dont le coefficient de corrélation 𝜌 est nul sont dites décor-
rélées. Ce qui est équivalent à Var(𝑋 + 𝑌 ) = Var(𝑋 ) + Var(𝑌 )

Remarque 12.30
Deux variables indépendantes sont décorrélées. La réciproque est fausse.

Exemple 12.7

Soit 𝑋 qui suit une loi uniforme sur {−1, 0, +1} et 𝑌 définie par 𝑌 = 𝑋 2 . Alors
par le théorème de transfert :
1 1
𝐸 (𝑋𝑌 ) = 𝐸 (𝑋 3 ) = (−1) 3 + = 0
3 3

Classe MP* page 48 / 73 cpge Alqalam

Cours Table des matières

Un calcul similaire montre que 𝐸 [𝑋 ] = 0, donc sans même calculer 𝐸 [𝑌 ], on a

aussi 𝐸 [𝑋 ]𝐸 [𝑌 ] = 0.
Il s’ensuit que :
𝐶 (𝑋, 𝑌 ) = 𝐸 [𝑋𝑌 ] − 𝐸 [𝑋 ]𝐸 [𝑌 ] = 0
c’est-à-dire que X et Y sont décorrélées. Mais ne sont pas indépendantes.
𝑃 (𝑋 = 1, 𝑌 = 1) = 𝑃 (𝑋 = 1) ≠ 𝑃 (𝑋 = 1)𝑃 (𝑌 = 1)

Proposition 12.52
Le coefficient de corrélation linéaire du couple (𝑋, 𝑌 ) est un élément de l’inter-
valle [−1, 1].
Le cas 𝜌 = 1 équivaut à (𝑌 = 𝛼𝑋 + 𝛽 avec 𝛼 > 0) p.s
le cas 𝜌 = −1 équivaut à (𝑌 = 𝛼𝑋 + 𝛽 avec 𝛼 < 0) p.s
Preuve
Par l’inégalité de Cauchy Schwartz

|𝐶 (𝑋, 𝑌 )| = |𝐸 ((𝑋 − 𝐸 (𝑋 ) (𝑌 − 𝐸 (𝑌 ))| 6 𝜎 (𝑋 )𝜎 (𝑌 )

D’où
|𝜌 (𝑋, 𝑌 )| 6 1
et 𝜌 (𝑋, 𝑌 ) = 1 si et seulement si
√︁ √︁
𝐸 ((𝑋 − 𝐸 (𝑋 ))(𝑌 − 𝐸 (𝑌 ))) = 𝐸 (𝑋 − 𝐸 (𝑋 )) 𝐸 (𝑋 − 𝐸 (𝑋 ))
C’est un cas d’égalité dans l’inégalité de Cauchy-Schwartz. ce qui se traduira de manière
équivalente par le fait que 𝑋 = 𝐸 (𝑋 ) ou il existe 𝛼 > 0 tel que 𝑌 − 𝐸 (𝑌 ) = 𝛼 (𝑋 − 𝐸 (𝑋 )),
C’est à dire encore 𝑋 = 𝐸 (𝑋 ), ou 𝑌 = 𝛼𝑋 + 𝛽.
On fait de même lorsque 𝜌 = −1.

Remarque 12.31
le coefficient de corrélation linéaire qui est une mesure de la direction et de
l’intensité de l’association linéaire entre deux variables.

Classe MP* page 49 / 73 cpge Alqalam

Cours Table des matières

Exercice 12.16 EDHEC 2003 S

𝑛 désigne un entier naturel non nul.

On effectue une suite d’épreuves de Bernoulli indépendantes telles que pour
chacune d’entre elles, la probabilité de succès soit égale à 𝑝, avec 0 < 𝑝 < 1.
On note 𝑋𝑛 le nombre d’épreuves qu’il faut réaliser pour obtenir, pour la première
fois 𝑛 succès, pas forcément consécutifs (𝑋𝑛 est donc le numéro de l’épreuve où
l’on obtient le 𝑛-ième succès). On convient que 𝑋𝑛 = 0 si l’on n’obtient pas 𝑛
succès.
1 Dans cette question seulement, on considère le cas 𝑛 = 1.
Reconnaître la loi de 𝑋 1 .
Donner l’espérance et la variance de 𝑋 1 .
Dans toute la suite, on suppose que 𝑛 > 2.
2 Déterminer 𝑋𝑛 (Ω).
Pour tout entier naturel 𝑘, calculer la probabilité que l’on obtienne 𝑛 − 1
succès au cours des 𝑛 + 𝑘 − 1 premières épreuves.
Déduire de la question précédente que :
 
𝑛 +𝑘 −1 𝑛
∀𝑘 ∈ N, 𝑃 (𝑋𝑛 = 𝑛 + 𝑘) = 𝑝 (1 − 𝑝)𝑘
𝑛−1
Vérifier que
+∞
∑︁
𝑃 (𝑋𝑛 = 𝑛 + 𝑘) = 1
𝑘=0

En déduire 𝑃 (𝑋𝑛 = 0).

On dit que 𝑋𝑛 suit la loi binomiale négative de paramètres n et p.
Pour la suite on pourra utiliser les identités
   
𝑛 +𝑘 −1 𝑛 +𝑘
∀𝑛 ∈ N∗, ∀𝑘 ∈ N, (𝑛 + 𝑘) =𝑛
𝑛−1 𝑛
   
𝑛 −1 𝑛 +𝑘 −1 𝑛 +𝑘 −2
∀𝑛 > 2, =
𝑛 +𝑘 −1 𝑛 −1 𝑛−2

Classe MP* page 50 / 73 cpge Alqalam

Cours Table des matières

3 En utilisant le fait que, pour tout entier naturel 𝑛,

+∞
∑︁
𝑃 (𝑋𝑛+1 = 𝑛 + 1 + 𝑘) = 1, montrer que 𝑋𝑛 possède une espérance et donner sa
𝑘=0
valeur en fonction de 𝑛 et 𝑝.
4 Utiliser le théorème de transfert pour montrer que, pour tout entier naturel
𝑛−1 𝑛−1

𝑛 supérieur ou égal à 2, possède une espérance et que 𝐸 = 𝑝.
𝑋𝑛 − 1 𝑋𝑛 − 1
𝑛
5 Justifier que possède une espérance (on n’en demande pas le
𝑋𝑛
calcul).
𝑛

Montrer, sans la calculer, que 𝐸 > 𝑝.
𝑋𝑛
solution 12.16, page 71

VI
Inégalités fondamentales

VI.1 Inégalité de Markov

Théorème 12.53 Inégalité de Markov
Si 𝑋 est une variables aléatoire positive admettant une espérance, alors

𝐸 (𝑋 )
∀𝛼 > 0, 𝑃 (𝑋 > 𝛼) 6
𝛼
Preuve
𝐸 (𝑋 ) = 𝑥 ∈𝐷 𝑥𝑃 (𝑋 = 𝑥) > 𝑥 >𝛼 𝑥𝑃 (𝑋 = 𝑥) > 𝛼𝑃 (𝑋 > 𝛼).
P P

Proposition 12.54
Soit 𝜙 une fonction croissante et positive ou nulle sur l’intervalle I. Soit 𝑌 une

Classe MP* page 51 / 73 cpge Alqalam

Cours Table des matières

variable aléatoire réelle définie sur un espace probabilisé (Ω, A, 𝑃) , et telle que
𝑌 (Ω) ⊂ 𝐼 Alors
E[𝜙 (𝑌 )]
∀𝑏 ∈ 𝐼, tel que 𝜙 (𝑏) > 0, 𝑃 (𝑌 > 𝑏) 6 𝜙 (𝑏) .

VI.2 Inégalité Bienaymé-Tchebychev

Théorème 12.55 Inégalité Bienaymé-Tchebychev]
Si 𝑋 est une variable aléatoire admettant un moment d’ordre 2, alors
Var(𝑋 )
∀𝛽 > 0, 𝑃 (|𝑋 − 𝐸 (𝑋 )| > 𝛽) 6
𝛽2
Preuve
On applique l’inégalité de Markov à la variable aléatoire positive 𝑌 = (𝑋 − 𝐸 (𝑋 )) 2 , avec
𝛼 = 𝛽 2.

Remarque 12.32
On peut interpreter cette inégalité par le fait que la variance permet de controler
l’ecart entre 𝑋 et 𝐸 (𝑋 ).

Remarque 12.33
Une autre variante de l’inégalité de Bienaymé-Tchebychev est

Var(𝑋 )
𝑃 (|𝑋 − 𝐸 (𝑋 )| 6 𝜀) > 1 −
𝜀2
qui peut s’interpéter par le fait que 𝑋 approche 𝑚 = 𝐸 (𝑋 ) à 𝜀 près avec une
probabailité d’aux moins 1 − Var𝑋
𝜀2

Exemple 12.8

On veut estimer le degré de fiabilité du flash d’un appareil photo, On note p la

probabilité (inconnue) que le flash fonctionne quand il est déclanché.

Classe MP* page 52 / 73 cpge Alqalam

Cours Table des matières

On procède à n déclenchement du flash et l’on pose 𝑆 égale au nombre de fois

où il a fonctionné.
En posant 𝑋𝑘 la variable de Bernoulli testant si le k-ième déclenchement a
fonctionné, on a
𝑛
∑︁
𝑆= 𝑋𝑘
𝑘=1

Considérons la variable aléatoire 𝑋 = 𝑛𝑆 . Sachant 𝐸 (𝑋𝑘 ) = 𝑝 et 𝑉 (𝑋𝑘 ) = 𝑝 (1−𝑝) 6

1
4 , l’inégalité de BT donne

1
𝑃 (|𝑋 − 𝑝 | 6 𝜀) > 1 −
4𝑛𝜀 2
Pour 𝜀 = 10−2 et 𝑛 = 104 , on obtient que 𝑋 = 𝑆
𝑛 est une valeur approchée de 𝑝 à
𝜀 près avec une probabilité supérieure à 34

VI.3 Inégalité de Jensen

Théorème 12.56 Inégalité de Jensen
Si 𝑋 est une variable aléatoire admettant une espérance et 𝑓 : R → R convexe
sur R et si 𝑌 = 𝑓 (𝑋 ) admet une espérance, alors

𝑓 (𝐸 (𝑋 )) 6 𝐸 (𝑓 (𝑥))

Preuve
Posons 𝑚 = 𝐸 (𝑋 ), par convexité de 𝑓 , on a
𝑓 (𝑋 ) > 𝑓 (𝑚) + 𝑓𝑑0 (𝑚) (𝑋 − 𝑚)
en composant par l’espérance et du fait que 𝑋 −𝑚 est centrée, on obtient l’inégalité souhaitée.

Exercice 12.17 Écart à la moyenne

Dans cet exercice, (Ω, A, P) désigne un espace de probabilité, et 𝑋, 𝑌, (𝑋𝑖 )𝑖>1 des
variables aléatoires discrètes définies sur (Ω, A, P).

Classe MP* page 53 / 73 cpge Alqalam

Cours Table des matières

1. Soit 𝜆 > 0. On suppose que E(𝑒 𝜆|𝑌 | ) est finie. Démontrer que, pour tout
𝑎 ∈ R,
P(𝑌 > 𝑎) 6 𝑒 −𝜆𝑎 E 𝑒 𝜆𝑌 .

2. En déduire que
−𝜆𝑎 𝜆𝑌
−𝜆𝑎 −𝜆𝑌

P(|𝑌 | > 𝑎) 6 𝑒 E𝑒 +𝑒 E𝑒 .

3. (a) Démontrer que, pour tout 𝜆 > 0, on a

𝜆2
 
cosh 𝜆 6 exp
2
(on pourra utiliser des développements en série entière).
(b) Démontrer que si 𝜆 > 0 et 𝑥 ∈ [−1, 1], alors

exp(𝜆𝑥) 6 cosh(𝜆) + 𝑥 sinh(𝜆)

 2
𝜆
6 exp + 𝑥 sinh(𝜆).
2

(c) Démontrer que si la variable aléatoire 𝑋 prend ses valeurs dans [−1, 1]
et est centrée (c’est-à-dire si E(𝑋 ) = 0), alors on a pour tout 𝜆 > 0
   2    2
𝜆 𝜆
E 𝑒 𝜆𝑋 6 exp et E 𝑒 −𝜆𝑋 6 exp .
2 2

(d) Montrer que si les variables aléatoires indépendantes 𝑋𝑖 prennent leurs

valeurs dans [−1, 1] et sont centrées, alors on a
!  2
𝑛
𝑎
P 𝑛 −1/2
∑︁
𝑋𝑖 > 𝑎 6 2 exp −
𝑖=1 2

pour tout 𝑛 > 1 et tout 𝑎 > 0.

On peut démontrer que le facteur −1/2 intervenant dans l’exponentielle est
optimal.

Classe MP* page 54 / 73 cpge Alqalam

Cours Table des matières

Exercice 12.18 Comportement en temps long des marches aléatoires

Soit (𝑋𝑘 )𝑘 >1 une suite de variables aléatoires mutuellement indépendantes telles
que, pour tout 𝑘 ∈ N∗ , 𝑃 (𝑋𝑘 = 1) = 𝑃 (𝑋𝑘 = −1) = 1/2. Pour 𝑛 dans N∗ on note
P
𝑆𝑛 = 𝑛𝑘=1 𝑋𝑘 .


1. Pour 𝑡 ∈ R, calculer 𝐸 𝑒 𝑡𝑆𝑛 .
2. En déduire que, pour 𝑛 dans N∗ et 𝜆 dans R+ ,
 2
−𝜆
𝑃 (|𝑆𝑛 | > 𝜆) 6 2 exp
2𝑛

(on pourra utiliser, sans la démontrer, l’inégalité cosh(𝑢) 6 exp(𝑢 2 /2)).

3. Soit 𝑐 > 1.
Pour tout 𝑛 ∈ N∗ , on note 𝐴𝑛 l’événement
√
[|𝑆𝑛 | 6 2𝑐𝑛 ln 𝑛].
Démontrer que 𝑃 (lim inf 𝑛 𝐴𝑛 ) = 1.

VII
Fonction génératrice
d’une variable aléatoire
Si 𝑋 est une variable aléatoire à valeurs dans N, alors par convergence de la série
𝑃 (𝑋 = 𝑛) la série entière réelle 𝑃 (𝑋 = 𝑛)𝑡 𝑛 est de rayon de convergence aux
P P
moins égal à 1.
Définition 12.21
𝑋 une variable aléatoire, la somme sur son domaine 𝐷 de convergence de la
série entière de la variable réelle 𝑃 (𝑋 = 𝑛)𝑡 𝑛 associée à la loi de probabilité
P
de 𝑋 s’appelle la fonction génératrice de 𝑋 et se note 𝐺𝑋 .

Classe MP* page 55 / 73 cpge Alqalam

Cours Table des matières

+∞
∑︁
𝐺𝑋 (𝑡) = 𝑃 (𝑋 = 𝑘)𝑡 𝑘 = 𝐸 (𝑡 𝑋 ), ∀𝑡 ∈ 𝐷
𝑘=0

Proposition 12.57
La série entière définissant 𝐺𝑋 converge normalement sur [−1, 1], 𝐺𝑋 est conti-
nue sur [−1, 1] et de classe 𝐶 ∞ sur ] − 1, 1[.
Preuve
La convergence normale vient de l’inégalité
|𝑃 (𝑋 = 𝑘)𝑡 𝑘 | 6 𝑃 (𝑋 = 𝑘)
et de la convergence de la série 𝑃 (𝑋 = 𝑘), on en déduit la continuité de 𝐺𝑋 . le fait que 𝐺𝑋
P
soit de classe 𝐶 +∞ provient du théorème fondamental des séries entières.

Proposition 12.58
Si 𝑋 une variable aléatoire à valeurs dans N, et 𝐺𝑋 sa fonction génératrice, alors

𝐺𝑋(𝑛) (0)
∀𝑛 ∈ N : 𝑃 (𝑋 = 𝑛) =
𝑛!
Par conséquent La fonction génératrice définit la loi de probabilité
Preuve
Vient de la relation entre les coefficients et la somme d’une série entière.

Lemme 12.59
P
Si 𝑎𝑛 𝑡 𝑛 une série entière associée à une suite à termes positifs et convergente
P
pour 𝑡 = 1, alors sa somme 𝑓 est dérivable en 1 si et seulement si 𝑛𝑎𝑛 converge,
auquel cas :
+∞
0
∑︁
𝑓 (1) = 𝑛𝑎𝑛
𝑛=1
Preuve
⇐=) Soit 𝑅 le rayon de convergence de 𝑎𝑛 𝑡 𝑛 , nous avons 1 ∈ ] − 𝑅, 𝑅 [, Par convergence de
P
P P
𝑎𝑛 on aura la convergence normale de 𝑎𝑛 𝑡 𝑛 , et par conséquent la continuité en 1 de 𝑓 .

Classe MP* page 56 / 73 cpge Alqalam

Cours Table des matières

+∞
∀𝑡 ∈ 𝐷 (0, 𝑅), 𝑓 0 (𝑡) =
P P
𝑛𝑎𝑛 𝑡 𝑛−1 et par convergence de 𝑛𝑎𝑛 on aura la convergence
𝑛=1
et par le théorème de double limite, lim 𝑓 0 (𝑡) existe et vaut
P 𝑛−1
de normale de 𝑛𝑎𝑛 𝑡
𝑡 →1
+∞
lim 𝑓 0 (𝑡) = 𝑛𝑎𝑛 . Enfin par le théorème de la limite de la dérivée 𝑓 sera dérivable en 1 et
P
𝑡 →1 𝑛=1
+∞
𝑓 0 (1) =
P
𝑛𝑎𝑛 .
𝑛=1
=⇒) Supposons que 𝐺𝑋 est dérivable en 1. pour ℎ > 0 et 𝑁 ∈ N.

𝑓 (1 − ℎ) − 𝑓 (1) ∑︁𝑁
1 − (1 − ℎ)𝑛 𝑛
> 𝑎𝑛 𝑡
−ℎ 𝑛=0 ℎ
En faisant tendre ℎ vers 0. On obtient
𝑁
0
∑︁
𝑓 (1) > 𝑛𝑎𝑛
𝑛=0
P
ceci pour tout 𝑁 , d’où la convergence de la série 𝑛𝑎𝑛

Corollaire 12.60
P
𝑎𝑛 𝑡 𝑛 une série entière associée à une suite à termes positifs et convergente
pour 𝑡 = 1, alors sa somme 𝑓 est deux fois dérivable en 1 si et seulement si
P 2
𝑛 𝑎𝑛 converge, auquel cas :
+∞
00
∑︁
𝑓 (1) = 𝑛(𝑛 − 1)𝑎𝑛
𝑛=0

Preuve
+∞
𝑓 est deux fois dérivable en 1 si et seulement si 𝑓 est dérivable en 1 et 𝑓 0 : 𝑡 → 𝑎𝑛 𝑡 𝑛−1
P
𝑛=1
P
dérivable en 1, le théorème précédent appliqué aussi à la série 𝑛𝑎𝑛 𝑡 , donne 𝑓 est deux
𝑛−1

fois dérivable en 1 si et seulement si 𝑛𝑎𝑛 et 𝑛(𝑛 − 1)𝑎𝑛 convergent ce qui est équivalent
P P
au fait que 𝑛 2𝑎𝑛 converge. (car 0 6 𝑛𝑎𝑛 6 𝑛 2𝑎𝑛 )
P

Classe MP* page 57 / 73 cpge Alqalam

Cours Table des matières

Proposition 12.61
𝑋 admet un moment d’ordre 2 si et seulement si 𝐺𝑋 admet une dérivée d’ordre
2 en 1 auquel cas :
𝐺𝑋00 (1) = 𝐸 (𝑋 2 ) − 𝐸 (𝑋 )
𝐸 (𝑋 2 ) = 𝐺𝑋0 (1) + 𝐺𝑋00 (1)
var(𝑋 ) = 𝐺𝑋00 (1) + 𝐺𝑋0 (1) − (𝐺𝑋0 (1)) 2
Preuve
On pose 𝑎𝑛 = 𝑃 (𝑋 = 𝑛). 𝑋 admet un moment d’ordre 2 si et seulement si la série 𝑛 2𝑎𝑛
P
converge, ce qui équivaut d’après le corollaire précédent à 𝐺𝑋 est deux fois dérivable en 1,
et auquel cas nous aurons
+∞
𝐺𝑋0 (1) =
∑︁
𝑛𝑃 (𝑋 = 𝑛) = 𝐸 (𝑋 )
𝑛=1

+∞
𝐺𝑋00 (1) 𝑛(𝑛 − 1)𝑃 (𝑋 = 𝑛) = 𝐸 (𝑋 2 ) − 𝐺𝑋0 (1)
∑︁
=
𝑛=1

Exemple 12.9 Détermination de 𝐸 (𝑋 ) et Var(𝑋 ) à l’aide de 𝐺𝑋

1 Loi de Bernoulli : 𝑋 ↩→ B(𝑝).

+∞
∑︁
𝐺𝑋 (𝑡) = 𝑃 (𝑋 = 𝑘)𝑡 𝑘 = 𝑡𝑃 (𝑋 = 1) + 𝑃 (𝑋 = 0) = 𝑡𝑝 + (1 − 𝑝)
𝑘=0
En dérivant et en utilisant le résultat de la proposition précédente :

𝐸 (𝑋 ) = 𝑝, Var(𝑋 ) = 𝑝 − 𝑝 2

2 Loi Géométrique : 𝑋 ↩→ G(𝑝).

+∞ +∞
∑︁ 𝑘
∑︁ 𝑝𝑡
𝐺𝑋 (𝑡) = 𝑡 𝑃 (𝑋 = 𝑘) = 𝑡 𝑘 (1 − 𝑝)𝑘−1𝑝 =
𝑘=1 𝑘=1 1 − (1 − 𝑝)𝑡
par conséquent :
1 1−𝑝
𝐸 (𝑋 ) = , Var(𝑋 ) =
𝑝 𝑝2

Classe MP* page 58 / 73 cpge Alqalam

Cours Table des matières

3 Loi de poisson : 𝑋 ↩→ (𝑃).

+∞ 𝑘
−𝜆 𝑡 𝑘
∑︁
𝐺𝑋 (𝑡) = 𝑒 𝑡 = 𝑒 𝜆(𝑡−1)
𝑘=0 𝑘!
Donc
𝐸 (𝑋 ) = 𝜆, Var(𝑋 ) = 𝜆
4 Loi Binômiale : 𝑋 ↩→ B(𝑛, 𝑝).
𝑛  
∑︁ 𝑛 𝑘
𝐺𝑋 (𝑡) = 𝑝 (1 − 𝑝)𝑛−𝑘 𝑡 𝑘 = (𝑝𝑡 + 1 − 𝑝)𝑛
𝑘=0 𝑘

𝐸 (𝑋 ) = 𝑛𝑝, Var(𝑋 ) = 𝑛𝑝𝑞

Proposition 12.62
Si 𝑋 1, ..., 𝑋𝑛 des variables aléatoires entières indépendantes, alors
𝑛
Y
𝐺 P𝑛 = 𝐺 𝑋𝑖
𝑋𝑖
𝑖=1 𝑖=1

Preuve

𝑛
P
𝑋𝑖
𝐺 P𝑛 (𝑡) = 𝐸 (𝑡 𝑖=1 )
𝑋𝑖
𝑖=1

= 𝐸 (𝑇 𝑋1 𝑡 𝑋2 ...𝑡 𝑋𝑖 )
= 𝐸 (𝑡 𝑋1 )..𝐸 (𝑡 𝑋𝑛 ) (Par indépendantes des variables 𝑡 𝑋𝑖 )
Y𝑛
= 𝐺𝑋𝑖 (𝑡)
𝑖=1

Exemple 12.10 Stabilité des lois à l’aide de la fonction génératrice

1 Si 𝑋 et 𝑌 sont deux variables indépendantes suivants respectivement des

lois de poisson P(𝜆), P(𝜇), alors 𝑋 + 𝑌 ↩→ P(𝜆 + 𝜇). Nous allons le démontrer

Classe MP* page 59 / 73 cpge Alqalam

Cours Table des matières

à l’aide de la fonction génératrice.

𝐺𝑋 +𝑌 (𝑡) = 𝐺𝑋 (𝑡)𝐺𝑌 (𝑡)

= 𝑒 𝜆(𝑡−1) 𝑒 𝜇 (𝑡−1)
= 𝑒 (𝜆+𝜇) (𝑡−1)

Une fonction génratrice caractérise la loi, on reconnait une loi P(𝜆 + 𝜇).
2 Si 𝑋 et 𝑌 sont deux variables indépendantes suivants respectivement des
loi binômiales B(𝑛 1, 𝑝), B(𝑛 2, 𝑝), alors 𝑋 + 𝑌 ↩→ B(𝑛 1 + 𝑛 2, 𝑝). En effet

𝐺𝑋 +𝑌 (𝑡) = 𝐺𝑋 (𝑡)𝐺𝑌 (𝑡)

= (𝑝𝑡 + 1 − 𝑝)𝑛1 (𝑝𝑡 + 1 − 𝑝)𝑛2
= (𝑝𝑡 + 1 − 𝑝)𝑛1 +𝑛2

On reconnait la loi B(𝑛 1 + 𝑛 2, 𝑝).

Exercice 12.19

Soit ℓ, 𝑚 et 𝑛 des entiers naturels non nuls tels que 𝑛 = ℓ𝑚, ainsi que 𝑋 et 𝑌 des
variables aléatoires indépendantes à valeurs dans N ; on pose 𝑍 = 𝑋 + 𝑌 . On
suppose que 𝑋 suit la loi uniforme sur È0, ℓ − 1É et que 𝑍 suit la loi uniforme
sur È0, 𝑛 − 1]. Déterminer la fonction génératrice de 𝑌 . En déduire la loi de 𝑌 .
solution 12.19, page 73

Classe MP* page 60 / 73 cpge Alqalam

Cours Table des matières

VIII
Solutions des exercices

Solution de l’exercice 12.1

Pour tout 𝑥 ∈ R, suivant 𝑥 = 0 ou 1 ou 𝑥 ∉ {0, 1}, on obtient respectivement
𝑋 −1 ({𝑥 }) = 𝐴, 𝐴, ou ∅, qui sont bien des éléments de la tribu.

Solution de l’exercice 12.2

On a 𝑋 (Ω) = {𝑥𝑖 |𝑖 ∈ 𝐼 } où 𝐼 est une partie de N.
Pour tout 𝜔 ∈ Ω, il existe un indice 𝑘 ∈ 𝐼 tel que 𝑋 (𝜔) = 𝑥𝑘 et :
∑︁
𝑓 (𝑥𝑖 ) 𝜒𝑋 −1 ({𝑥𝑖 }) (𝜔) = 𝑓 (𝑥𝑘 ) = 𝑓 ◦ 𝑋 (𝜔)
𝑖∈𝐼

Solution de l’exercice 12.3

1 La suite ({𝑋 6 𝑛})𝑛∈N est une suite croissante d’événements. On a donc :

!
[
lim P(𝑋 6 𝑛) = P {𝑋 6 𝑛} = P(Ω) = 1.
𝑛→+∞
𝑛∈N

La fonction 𝐹 : 𝑥 ↦→ P(𝑋 6 𝑥) est croissante. En effet si 𝑥 6 𝑦, alors {𝑋 6 𝑥 } ⊂

{𝑋 6 𝑦} et donc 𝐹 (𝑥) 6 𝐹 (𝑦) par croissance de 𝑃. Elle possède donc une limite
en +∞ et :
lim P(𝑋 6 𝑥) = lim 𝐹 (𝑥) = lim 𝐹 (𝑛) = 1.
𝑥→+∞ 𝑥→+∞ 𝑛→+∞
2 De même, la suite ({𝑋 6 −𝑛})𝑛∈N est une suite décroissante d’événements.
On a donc :
!
\
lim P(𝑋 6 −𝑛) = P {𝑋 6 −𝑛} = P(∅) = 0.
𝑛→+∞
𝑛∈N

Classe MP* page 61 / 73 cpge Alqalam

Cours Table des matières

On en déduit :

lim P(𝑋 6 𝑥) = lim 𝐹 (𝑥) = lim 𝐹 (−𝑛) = 0

𝑥→−∞ 𝑥→−∞ 𝑛→+∞

Solution de l’exercice 12.4

On peut prendre comme espace Ω l’ensemble de tous les échantillons possibles
(toutes les parties à n éléments d’un ensemble de cardinal 𝑁 ) muni de l’équipro-
babilité. Chaque échantillon a ainsi une probabilité 𝑁1 d’être choisi.
(𝑛)
Les échantillons (événements élémentaires) réalisant l’événement {𝑋 = 𝑘 } sont
ceux qui contiennent 𝑘 individus de type 𝐴 et 𝑛 − 𝑘 individus du reste. Ceci n’est
réalisable que si 0 6 𝑘 6 𝑀 et 0 6 𝑛 − 𝑘 6 𝑁 − 𝑀 . Dénombrons ces échantillons.
On les forme en choisissant 𝑘 individus dans une sous-population de type 𝐴 ( de
cardinal 𝑀) et en complétant
par 𝑛 −𝑘
individus choisis dans une sous population
−𝑀
de 𝑁 − 𝑀 . Il y en a donc 𝑀𝑘 × 𝑁𝑛−𝑘
Finalement :
𝑀
𝑁 −𝑀

×
𝑃 (𝑋 = 𝑘) = 𝑘 𝑁
𝑛−𝑘 si 0 6 𝑘 6 𝑀, 0 6 𝑛 − 𝑘 6 𝑁 − 𝑀
𝑛

Solution de l’exercice 12.5

Supposons que 𝑋 suit la loi géométrique, alors comme {𝑋 > 𝑘 + ℓ } ⊂ {𝑋 > 𝑘 },
on a :
P(𝑋 > 𝑘 + ℓ)
P(𝑋 > 𝑘 + ℓ | 𝑋 > 𝑘) =
P(𝑋 > 𝑘)
𝑞𝑘+ℓ
= ℓ
𝑞
= 𝑞𝑘 = P(𝑋 > 𝑘).

Inversement supposons que 𝑋 est sans mémoire.

Posons, pour tout 𝑛 ∈ N, 𝑢𝑛 = P(𝑋 > 𝑛). Pour tout 𝑛 ∈ N, on a 𝑢𝑛 ≠ 0 car, par
hypothèse, la probabilité conditionnelle à {𝑋 > 𝑛} est définie. On obtient, pour

Classe MP* page 62 / 73 cpge Alqalam

Cours Table des matières

tout 𝑛 ∈ N :
P(𝑋 > 𝑛 + 1) 𝑢𝑛+1
𝑢 1 = P(𝑋 > 𝑛 + 1 | 𝑋 > 𝑛) = =
P(𝑋 > 𝑛) 𝑢𝑛
La suite (𝑢𝑛 ) est géométrique de raison 𝑢 1 , donc 𝑢𝑛 = 𝑢 𝑛1 , pour tout 𝑛 > 1. Cela
reste vrai pour 𝑛 = 0, car
𝑢 0 = P(𝑋 > 0) = 1.
On en déduit, pour tout 𝑛 ∈ N∗ :

P(𝑋 = 𝑛) = P(𝑋 > 𝑛 − 1) − P(𝑋 > 𝑛)

= 𝑢𝑛−1 − 𝑢𝑛
= 𝑢 𝑛−1
1 − 𝑢 𝑛1
= 𝑢 𝑛−1
1 (1 − 𝑢 1 )

On sait que 𝑢 1 ≠ 0. D’autre part, 𝑢 1 ≠ 1, car sinon P(𝑋 = 𝑛) = 0 pour tout 𝑛 > 1,
ce qui est impossible car 𝑋 est à valeurs dans N∗ . Ainsi 1 − 𝑢 1 ∈] 0, 1[ et 𝑋 suit
la loi géométrique de paramètre 1 − 𝑢 1 .

Solution de l’exercice 12.6

Pour 𝑛 ∈ N∗ , on note 𝐴𝑛 l’événement " la 𝑛-ième épreuve est un succès”. Soit
𝑘 ∈ N∗ . Si 𝑘 < 𝑟 , alors on a {𝑌𝑟 = 𝑘 } = ∅ et si 𝑘 > 𝑟 , alors on a :
! !
[ \ \
{𝑌𝑟 = 𝑘 } = 𝐴𝑖 ∩ 𝐴𝑖 ∩ 𝐴𝑟
𝑙 ⊂[1,𝑘−1] 𝑖∈𝐼 𝑖∈[1,𝑘−1]\𝐼
card 𝐼 =𝑟 −1
En effet, la 𝑘-ième épreuve correspond au 𝑟 -ième succès et dans les 𝑘 −1 premières
épreuves, il doit y avoir 𝑟 − 1 succès (et donc 𝑘 − 𝑟 échecs). Ainsi {𝑌𝑟 = 𝑘 } ∈ A et
   
𝑘 −1 𝑘 − 1
P (𝑌𝑟 = 𝑘) = 𝑝 𝑟 −1𝑞𝑘−𝑟 𝑝 = 𝑝 𝑟 𝑞𝑘−𝑟 ,
𝑟 −1 𝑟 −1
 
𝑘 −1
car c’est la réunion disjointe de événements de probabilité 𝑝 𝑟 𝑞𝑘−𝑟 . On a
𝑟 −1
{𝑌𝑟 = ∞} = 𝑘∈N∗ {𝑌𝑟 = 𝑘 }, donc {𝑌𝑟 = ∞} est un événement. Il est inclus dans
S

Classe MP* page 63 / 73 cpge Alqalam

Cours Table des matières

l’événement 𝐻 : " il existe un rang à partir duquel toutes les épreuves donnent
des échecs” qui peut s’écrire 𝐻 = 𝑛∈N 𝑘 >𝑛 𝐴𝑘 . On a, pour tout 𝑛 ∈ N∗ ;
S T

! !
𝑁
𝐴𝑘 = lim 𝑞 𝑁 −𝑛+1 = 0.
\ \
P 𝐴𝑘 = lim P
𝑁 →+∞ 𝑁 →+∞
𝑘 >𝑛 𝑘=𝑛

L’événement 𝐻 qui est une réunion dénombrable d’événements négligeables est

donc négligeable. A fortiori l’événement {𝑌𝑟 = ∞} est négligeable.

Solution de l’exercice 12.7

P+∞ P+∞
On sait que 𝑖=0 𝑗=0 P({𝑋 = 𝑖} ∩ {𝑌 = 𝑗 }) = 1. Pour tout 𝑛 ∈ N, on a :
𝑛  
∑︁ (𝑖 + 𝑗)𝜆𝑖+𝑗 𝑛
∑︁ 1 𝑛𝜆𝑛 ∑︁ 𝑛 𝑛(2𝜆)𝑛
= 𝑛𝜆 = =
𝑖+𝑗=𝑛 𝑖!𝑗! 𝑖+𝑗=𝑛 𝑖!𝑗! 𝑛! 𝑖=0 𝑖 𝑛!

D’autre part, on a :
+∞ +∞
𝑛(2𝜆)𝑛 (2𝜆)𝑛
= (2𝜆)𝑒 2𝜆 .
∑︁ ∑︁
=
𝑛=0 𝑛! 𝑛=1 (𝑛 − 1)!

D’après le théorème de sommation par paquets, on a :

+∞ ∑︁
+∞ +∞ ∑︁
(𝑖 + 𝑗)𝜆𝑖+𝑗 ∑︁ (𝑖 + 𝑗)𝜆𝑖+𝑗
= (2𝜆)𝑒 2𝜆
∑︁
=
𝑖=0 𝑗=0 𝑖!𝑗! 𝑛=0 𝑖+𝑗=𝑛 𝑖!𝑗!

𝑒 −2𝜆
et 𝑎 = .
2𝜆

Classe MP* page 64 / 73 cpge Alqalam

Cours Table des matières

Solution de l’exercice 12.8

Pour tout 𝑖 ∈ N, on a :
+∞
∑︁
P(𝑋 = 𝑖) = P({𝑋 = 𝑖} ∩ {𝑌 = 𝑗 })
𝑗=0
+∞
∑︁ (𝑖 + 𝑗)𝜆𝑖+𝑗
=𝑎
𝑗=0 𝑖!𝑗!
+∞ +∞
𝑖𝜆𝑖 ∑︁ 𝜆𝑗 𝜆𝑖 ∑︁ 𝜆𝑗
=𝑎 +𝑎
𝑖! 𝑗=0 𝑗! 𝑖! 𝑗=1 ( 𝑗 − 1)!
𝜆𝑖+1𝑒 𝜆 𝑎𝑒 𝜆 𝜆𝑖 (𝑖 + 𝜆)
𝑖𝜆𝑖 𝑒 𝜆
=𝑎 +𝑎 =
𝑖! 𝑖! 𝑖!
𝑒 −2𝜆 𝑒 −𝜆 𝜆𝑖−1 (𝑖+𝜆)
Comme 𝑎 = 2𝜆 , on obtient P(𝑋 = 𝑖) = 2𝑖! et, par symétrie de la loi
𝑒 −𝜆 𝜆 𝑗−1 (𝑖 𝑗+𝜆)
conjointe, P(𝑌 = 𝑗) = 2𝑗! .

Solution de l’exercice 12.9

1 1. Soit (𝑖, 𝑗) ∈ N2 . On a :
(
0 si 𝑖 > 𝑗
P({𝑋 = 𝑖} ∩ {𝑌 = 𝑗 }) =
𝑝 2 (1 − 𝑝) 𝑗−2 si 𝑖 < 𝑗
En effet, il faut avoir des succès à la 𝑖-ème et à la 𝑗-ème épreuve et des échecs
jusqu’à la (𝑖 − 1)-ième épreuve et entre la 𝑖-ème et la 𝑗-ème.
2 Pour tout 𝑖 ∈ N∗ , on a :
+∞
∑︁
P(𝑋 = 𝑖) = P({𝑋 = 𝑖} ∩ {𝑌 = 𝑗 })
𝑗=𝑖+1
+∞
𝑝 2 (1 − 𝑝) 𝑗−2
∑︁
=
𝑗=𝑖+1
𝑝 2 (1
− 𝑝)𝑖−1
= = 𝑝 (1 − 𝑝)𝑖−1 .
1 − (1 − 𝑝)

Classe MP* page 65 / 73 cpge Alqalam

Cours Table des matières

Sans surprise, on trouve que 𝑋 suit une loi géométrique. La variable aléatoire 𝑌
est à valeurs dans [2, +∞[. Pour 𝑗 > 2, on a :
𝑗−1
∑︁
P(𝑌 = 𝑗) = P(𝑋 = 𝑖, 𝑌 = 𝑗)
𝑖=1
𝑗−1
𝑝 2 (1 − 𝑝) 𝑗−2 = ( 𝑗 − 1)𝑝 2 (1 − 𝑝) 𝑗−2
∑︁
=
𝑖=1

Solution de l’exercice 12.10

• Pour 𝑗 > 2 et 𝑖 > 1, on a :

P({𝑋 = 𝑖} ∩ {𝑌 = 𝑗 })
P(𝑋 = 𝑖 | 𝑌 = 𝑗) =
P(𝑌 = 𝑗)
(
0 si 𝑖 > 𝑗
= 𝑝 2 (1−𝑝) 𝑗−2 1
( 𝑗−1)𝑝 2 (1−𝑝) 𝑗−2
= 𝑗−1 si 𝑖 < 𝑗 .

La loi conditionnelle de 𝑋 sachant {𝑌 = 𝑗 } est la loi uniforme sur [1, 𝑗 −1]. Le rang
du deuxième tirage étant connu, égal à 𝑗, le premier se répartit uniformément
entre 1 et 𝑗 − 1. Cela reflète l’indépendance des différentes épreuves.
• Pour 𝑖 > 1, on a, pour tout 𝑗 > 1 :

P({𝑌 − 𝑖 = 𝑗 } ∩ {𝑋 = 𝑖})
P(𝑌 − 𝑖 = 𝑗 | 𝑋 = 𝑖) =
P(𝑋 = 𝑖)
P({𝑌 = 𝑖 + 𝑗 } ∩ {𝑋 = 𝑖})
=
P(𝑋 = 𝑖)
𝑝 2 (1 − 𝑝)𝑖+𝑗−2 𝑗−1
= = 𝑝 (1 − 𝑝) .
𝑝 (1 − 𝑝)𝑖−1
La loi conditionnelle de 𝑌 − 𝑖 conditionnelle sachant {𝑋 = 𝑖} est une loi géo-
métrique de paramètre 𝑝. Une fois obtenu le premier succès au rang 𝑖, le temps
d’attente 𝑌 − 𝑖 du succès suivant suit encore une loi géométrique. Cela reflète la
propriété de la loi géométrique d’être sans mémoire.

Classe MP* page 66 / 73 cpge Alqalam

Cours Table des matières

Solution de l’exercice 12.11

• Soit (𝑚, 𝑘) ∈ N2 . Par définition de la loi binomiale, on a :

!

 𝑚


 𝑝 𝑘 (1 − 𝑝)𝑚−𝑘 si 𝑘 ∈ È0, 𝑚É
P(𝑌 = 𝑘 | 𝑋 = 𝑚) = 𝑘

0

si 𝑘 > 𝑚,

et donc, par définition de la loi conditionnelle :
P({𝑌 = 𝑘 } ∩ {𝑋 = 𝑚}) = P(𝑋 = 𝑘 | 𝑌 = 𝑚)P(𝑌 = 𝑚)
(  
𝑚 𝑘 (1 − 𝑝)𝑚−𝑘 𝜆𝑚 𝑒 −𝜆
𝑝 si 𝑘 ∈ [0, 𝑚É
= 𝑘 𝑚!
0 si 𝑘 > 𝑚.

• On en déduit que, pour tout entier naturel 𝑘 :

+∞
∑︁
P(𝑌 = 𝑘) = P({𝑌 = 𝑘 } ∩ {𝑋 = 𝑚})
𝑚=0
+∞   𝑚
𝑚 𝑚−𝑘 𝜆 −𝜆
∑︁ 𝑘
= 𝑝 (1 − 𝑝) 𝑒
𝑚=𝑘
𝑘 𝑚!
+∞
1 −𝜆 ∑︁
𝑘 ((1 − 𝑝)𝜆)𝑚−𝑘
= (𝑝𝜆) 𝑒
𝑘! 𝑚=𝑘 (𝑚 − 𝑘)!
1 −𝜆 (1−𝑝)𝜆 (𝑝𝜆)𝑘 −𝑝𝜆
𝑘
= (𝑝𝜆) 𝑒 𝑒 = 𝑒 .
𝑘! 𝑘!
Donc 𝑌 suit la loi de Poisson de paramètre 𝑝𝜆.

Solution de l’exercice 12.12

Si, pour 1 6 𝑖 6 𝑛, la variable aléatoire 𝑋𝑖 est à valeurs dans 𝐸𝑖 et si 𝑓 est une
fonction quelconque définie sur 𝐸 1 × · · · × 𝐸𝑛 , alors 𝑓 (𝑋 1, . . . , 𝑋𝑛 ) est une variable
aléatoire, d’après la proposition 12.8 de la page 10 appliquée à la fonction 𝑓 et à
la variable aléatoire (𝑋 1, . . . , 𝑋𝑛 ).

Classe MP* page 67 / 73 cpge Alqalam

Cours Table des matières

Solution de l’exercice 12.13

Les variables 𝑌 et 𝑍 sont à valeurs dans N∗ .
1 Pour tous réels 𝑥 1, . . . , 𝑥𝑛 , 𝑦, on a :

min (𝑥 1, . . . , 𝑥𝑛 ) > 𝑦 ⇐⇒ ∀𝑖 ∈ È1, 𝑛] 𝑥𝑖 > 𝑦.

Pour tout 𝑘 ∈ N∗ , on a donc

{𝑌 > 𝑘 } = {𝑋 1 > 𝑘 } ∩ . . . ∩ {𝑋𝑛 > 𝑘 },
D’où l’on déduit, par indépendance des variables 𝑋𝑖 :

P(𝑌 > 𝑘) = P ({𝑋 1 > 𝑘 } ∩ . . . ∩ {𝑋𝑛 > 𝑘 })

Y𝑛
= P (𝑋𝑖 > 𝑘)
𝑖=1
𝑛  𝑛  𝑘−1
Y Y
= (1 − 𝑝𝑖 )𝑘−1 = (1 − 𝑝𝑖 ) .
𝑖=1 𝑖=1

On obtient :
P(𝑌 = 𝑘) = P(𝑌 > 𝑘) − P(𝑌 > 𝑘 + 1)
 𝑛  𝑘−1  𝑛 
Y Y
= (1 − 𝑝𝑖 ) 1− (1 − 𝑝𝑖 ) .
𝑖=1 𝑖=1

Ainsi, 𝑌 suit la loi géométrique de paramètre

Y𝑛
1− (1 − 𝑝𝑖 ).
𝑖=1
2 Pour tous réels 𝑥 1, . . . , 𝑥𝑛 , 𝑦, on a :

max (𝑥 1, . . . , 𝑥𝑛 ) 6 𝑦 ⇐⇒ ∀𝑖 ∈ È1, 𝑛É𝑥𝑖 6 𝑦.

Pour tout 𝑘 ∈ N∗ , on a donc

{𝑍 6 𝑘 } = {𝑋 1 6 𝑘 } ∩ . . . ∩ {𝑋𝑛 6 𝑘 }

Classe MP* page 68 / 73 cpge Alqalam

Cours Table des matières

D’où l’on déduit, par indépendance des variables 𝑋𝑖 :

𝑛
Y
P(𝑍 6 𝑘) = P ({𝑋 1 6 𝑘 } ∩ . . . ∩ {𝑋𝑛 6 𝑘 }) = P (𝑋𝑖 6 𝑘)
𝑖=1
𝑛
Y 𝑛 
Y 
𝑘
= (1 − P (𝑋𝑖 > 𝑘)) = 1 − (1 − 𝑝𝑖 ) .
𝑖=1 𝑖=1

On obtient :
P(𝑍 = 𝑘) = P(𝑍 6 𝑘) − P(𝑍 6 𝑘 − 1)
Y𝑛  𝑛 
 Y 
𝑘 𝑘−1
= 1 − (1 − 𝑝𝑖 ) − 1 − (1 − 𝑝𝑖 )
𝑖=1 𝑖=1

Solution de l’exercice 12.14

¯
On remarque que, pour tout événement 𝐴, on a {1𝐴 = 1} = 𝐴 et {1𝐴 = 0} = 𝐴.
• Supposons les événements 𝐴1, . . . , 𝐴𝑛 mutuellement indépendants. On a,
pour tout (𝑥 1, . . . , 𝑥𝑛 ) ∈ {0, 1}𝑛 :
 

P 1𝐴1 = 𝑥 1 ∩ . . . ∩ 1𝐴𝑛 = 𝑥𝑛 = P (𝐵 1 ∩ . . . ∩ 𝐵𝑛 ) ,
où 𝐵𝑖 = 𝐴𝑖 si 𝑥𝑖 = 1 et 𝐵𝑖 = 𝐴𝑖 si 𝑥𝑖 = 0. Les événements 𝐴1, 𝐴2, . . . , 𝐴𝑛 étant
indépendants, il en est de même des événements 𝐵 1, 𝐵 2, . . . , 𝐵𝑛 . On a donc :
 
Y 𝑛
P 1𝐴1 = 𝑥 1 ∩ . . . ∩ 1𝐴𝑛 = 𝑥𝑛 = P (𝐵𝑖 )
𝑖=1
Y𝑛

= P 1𝐴𝑖 = 𝑥𝑖
𝑖=1
Les variables 1𝐴1 , . . . , 1𝐴𝑛 sont done mutuellement indépendantes.
• Supposons les variables aléatoires mutuellement indépendantes. Soit 𝐼 une


partie non vide de [1, 𝑛]. D’après la proposition 12.21, 1𝐴𝑖 𝑖∈𝐼 est encore une
famille de variables aléatoires mutuellement indépendants, donc on a :
! !
\ \
P 𝐴𝑖 = P 1𝐴𝑖 = 1
𝑖∈𝐼 𝑖∈𝐼

Classe MP* page 69 / 73 cpge Alqalam

Cours Table des matières

Y

= P 1𝐴𝑖 = 1
𝑖∈𝐼
Y
= P (𝐴𝑖 ) .
𝑖∈𝐼

Les événements 𝐴1, . . . , 𝐴𝑛 sont donc mutuellement indépendants.

Solution de l’exercice 12.15

On pose 𝑞 = 1 − 𝑝. Les variables aléatoires 𝑍𝑛 sont à valeurs dans N∗ . Pour 𝑛 ∈ N∗
et (𝑘 1, . . . , 𝑘𝑛 ) ∈ (N∗ )𝑛 , on a :
P (𝑍 1 = 𝑘 1 , 𝑍 2 = 𝑘 2 , . . . , 𝑍𝑛 = 𝑘𝑛 ) = P (𝑌1 = 𝑘 1 , 𝑌2 = 𝑘 1 + 𝑘 2 , . . . , 𝑌𝑛 = 𝑘 1 + . . . + 𝑘𝑛 )
On posons ℓ1 = 𝑘 1, ℓ2 = 𝑘 1 + 𝑘 2, . . . , ℓ𝑛 = 𝑘 1 + · · · + 𝑘𝑛 , on obtient :
\  \ 
{𝑍 1 = 𝑘 1 , 𝑍 2 = 𝑘 2 , . . . , 𝑍𝑛 = 𝑘𝑛 } = 𝑋 ℓ𝑖 = 1 ∩ 𝑋𝑗 = 0
16𝑖 6𝑛 𝑗 ∈ [[1;𝑘 1 +···+𝑘𝑛 ]]\{ℓ1 ,...,ℓ𝑛 }

et donc :
P (𝑍 1 = 𝑘 1, 𝑍 2 = 𝑘 2, . . . , 𝑍𝑛 = 𝑘𝑛 ) = 𝑝 𝑛𝑞𝑘1 +𝑘2 +...+𝑘𝑛 −𝑛 .
car parmi les variables 𝑋𝑖 pour 1 6 𝑖 6 𝑘 1 + 𝑘 2 + . . . + 𝑘𝑛 , il y en a 𝑛 qui sont
égales à 1 et donc 𝑘 1 + 𝑘 2 + . . . + 𝑘𝑛 − 𝑛 qui sont égales à 0 . On peut réécrire
𝑛
𝑝𝑞𝑘𝑖 −1 .
Y
P (𝑍 1 = 𝑘 1, 𝑍 2 = 𝑘 2, . . . , 𝑍𝑛 = 𝑘𝑛 ) =
𝑖=1

En sommant par rapport à 𝑘 1 , on obtient :

+∞
∑︁
P (𝑍 2 = 𝑘 2, . . . , 𝑍𝑛 = 𝑘𝑛 ) = P (𝑍 1 = 𝑘 1, 𝑍 2 = 𝑘 2, . . . , 𝑍𝑛 = 𝑘𝑛 )
𝑘 1 =1
+∞ Y 𝑛
𝑝𝑞𝑘𝑖 −1
∑︁
=
𝑘 1 =1 𝑖=1
𝑛 +∞ 𝑛
𝑘𝑖 −1
𝑝𝑞𝑘1 −1 = 𝑝𝑞𝑘𝑖 −1
Y ∑︁ Y
= 𝑝𝑞
𝑖=2 𝑘 1 =1 𝑖=2
| {z }
=1

En réitérant le procédé, en sommant par rapport à 𝑘 2, . . . , 𝑘𝑛−1 successivement,

on obtient :
∀𝑘𝑛 ∈ N∗ P (𝑍𝑛 = 𝑘𝑛 ) = 𝑝𝑞𝑘𝑛 −1 .

Classe MP* page 70 / 73 cpge Alqalam

Cours Table des matières

Pour tout 𝑛 ∈ N∗ , la variable 𝑍𝑛 suit la loi géométrique de paramètre 𝑝. On en

déduit que, pour 𝑛 ∈ N∗ et (𝑘 1, . . . , 𝑘𝑛 ) ∈ (N∗ )𝑛 , on a :
𝑛
𝑝𝑞𝑘𝑖 −1
Y
P (𝑍 1 = 𝑘 1, 𝑍 2 = 𝑘 2, . . . , 𝑍𝑛 = 𝑘𝑛 ) =
𝑖=1
Y𝑛
= P (𝑍𝑖 = 𝑘𝑖 ) .
𝑖=1

Ainsi, pour tout 𝑛 ∈ N∗ , les variables aléatoires 𝑍 1, . . . , 𝑍𝑛 sont indépendantes.

Donc (𝑍𝑛 )𝑛∈N∗ est une suite de variables aléatoires indépendantes.

Solution de l’exercice 12.16

1 𝑋 1 est le temps d’attente du premier succés. Il s’agit donc de la loi gémé-

trique.
𝑃 (𝑋 1 = 𝑘) = (1 − 𝑝)𝑘−1𝑝

1
𝐸 (𝑋 1 ) =
𝑝
1−𝑝
Var(𝑋 1 ) = 2
𝑝
2
𝑋𝑛 (Ω) = |[𝑛, +∞[∪{0}
On reconnait la loi binomiale B(𝑛 + 𝑘 − 1, 𝑝) qui compte le nombre succés au
cours des 𝑛 + 𝑘 − 1 premières épreuves.
La probabilité cherchée est donc
 
𝑛 + 𝑘 − 1 𝑛−1
𝑝 (1 − 𝑝)𝑘
𝑛−1
l’événment "𝑋𝑛 = 𝑛 + 𝑘" signifie que l’on a obtenu 𝑛 − 1 succés au cours des
𝑛 + 𝑘 − 1 premiers tirages et le dernier tirage donne aussi un succés, donc
  
𝑛 + 𝑘 − 1 𝑛−1
𝑃 (𝑋𝑛 = 𝑛 + 𝑘) = 𝑝 𝑝 (1 − 𝑝)𝑘
𝑛−1

Classe MP* page 71 / 73 cpge Alqalam

Cours Table des matières

 
𝑛 +𝑘 −1 𝑛
= 𝑝 (1 − 𝑝)𝑘
𝑛−1
Partant de la série entière géométrique
+∞
1 ∑︁
= 𝑥𝑘
1 − 𝑥 𝑘=0
En dérivant 𝑟 fois, on obtient : ∀𝑥 ∈] − 1, 1[.
+∞  
1 ∑︁ 𝑘 +𝑟 𝑘
= 𝑥
(1 − 𝑥)𝑟 +1 𝑘=𝑟 𝑟
En remplaçant par 𝑥 = 1 − 𝑝, et 𝑟 par 𝑛 − 1, on obtient :
+∞  
∑︁ 𝑛 −1+𝑘 1
(1 − 𝑝)𝑘 = 𝑛
𝑘=0 𝑛−1 𝑝
De là on obtient
+∞
∑︁
𝑃 (𝑋𝑛 = 𝑛 + 𝑘) = 1
𝑘=0
+∞
𝑃 (𝑋𝑛 ) = 1− 𝑃 (𝑋𝑛 = 𝑘 + 𝑛) = 0.
P
𝑘=0
𝑋𝑛 possède une espérance si et seulement si la série (𝑘 + 𝑛)𝑃 (𝑋𝑛 = 𝑘 + 𝑛)
P
3
converge (elle est positive).
Or
 
𝑛 +𝑘 −1 𝑛
(𝑘 + 𝑛)𝑃 (𝑋𝑛 = 𝑘 + 𝑛) = (𝑘 + 𝑛) 𝑝 (1 − 𝑝)𝑘
𝑛−1
 
𝑛 +𝑘 𝑛
= 𝑛 𝑝 (1 − 𝑝)𝑘
𝑛
 
𝑛 𝑛 + 𝑘 𝑛+1
= 𝑝 (1 − 𝑝)𝑘
𝑝 𝑛
𝑛
= 𝑃 (𝑋𝑛+1 = 𝑛 + 1 + 𝑘)
𝑝
Donc 𝑋𝑛 possède une espérance qui vaut : 𝑛𝑝 .

Classe MP* page 72 / 73 cpge Alqalam

Cours Table des matières

𝑛−1
4 = 𝑓 (𝑋𝑛 ), avec 𝑓 : 𝑡 → 𝑛−1
𝑋𝑛 −1 𝑡−1 .
D’après le théorème de transfert 𝑓 (𝑋𝑛 ) admet une espérance si et seulement si la
série 𝑓 (𝑘 + 𝑛)𝑃 (𝑋𝑛 = 𝑘 + 𝑛) converge.
P
Or
 
𝑛 −1 𝑛 +𝑘 −1 𝑛
𝑓 (𝑘 + 𝑛)𝑃 (𝑋𝑛 = 𝑘 + 𝑛) = 𝑝 (1 − 𝑝)𝑘
𝑛 +𝑘 −1 𝑛 −1
 
𝑛 +𝑘 −2 𝑛
= 𝑝 (1 − 𝑝)𝑘
𝑛−2
= 𝑝𝑃 (𝑋𝑛−1 = 𝑘)

D’où l’existence de l’espérance de 𝑓 (𝑋𝑛 ) qui vaut 𝑝.

Solution de l’exercice 12.19

Les variables 𝑋, 𝑍 et 𝑌 (car 𝑌 6 𝑍 ) sont finies, donc leur fonction génératrice
est définie sur R. Pour tout 𝑡 ∈ R\{1}, on a :
ℓ−1
1 ∑︁ 𝑖 𝑡ℓ − 1 𝑡𝑛 − 1
𝐺𝑋 (𝑡) = 𝑡 = et, de même, 𝐺𝑍 (𝑡) = .
ℓ 𝑖=0 ℓ (𝑡 − 1) 𝑛(𝑡 − 1)

Les variables 𝑋 et 𝑌 étant indépendantes, on a 𝐺𝑍 = 𝐺𝑋 𝐺𝑌 et donc ∀𝑡 ∈ R\{1}.

𝐺𝑍 (𝑡) ℓ (𝑡 𝑛 − 1) 𝑡 ℓ𝑚 − 1 1 𝑚−1
∑︁ ℓ𝑖
𝐺𝑌 (𝑡) = = = = 𝑡 .
𝐺𝑋 (𝑡) 𝑛 (𝑡 ℓ − 1) 𝑚 (𝑡 ℓ − 1) 𝑚 𝑖=0

Cette égalité est encore valable pour 𝑡 = 1 par continuité. On en déduit que P(𝑌 =
ℓ𝑖) = 𝑚1 , pour tout 𝑖 ∈ È0, 𝑚 − 1]. Ainsi 𝑌 suit la loi uniforme sur {0, ℓ, 2ℓ, . . . , (𝑚−
1)ℓ }.

Classe MP* page 73 / 73 cpge Alqalam