PROBABILITÉS

JEAN-PAUL CALVI

Références. Le livre de Woodroofe [2] est très riche et ne nécessite que des connaissances
élémentaires. Celui de Williams [1] utilise le langage moderne (et dès que l’on quitte le
niveau élémentaire, indispensable) de la théorie de la mesure.

1. Probabilités et modélisation des phénomènes aléatoires

1.1. Espaces de probabilité. Un triplet (E,E,p) où E est un ensemble, E ⊂
P(E) et p une une application de E dans [0,1] est un espace de probabilité si
(1) E satisfait les propriétés suivantes :
(a) Il contient l’ensemble vide et l’ensemble total : ∅ ∈ E, E ∈ E,
(b) Il est stable par complémentation : A ∈ E ⇒ E\A ∈ E,
(c) Il est stable par réunion dénombrable : (Ai ∈ E,i ∈ N) ⇒ ∪i∈N Ai ∈ E.
(2) La fonction p vérifie
(a) p(E) = 1,
(b) Si Ai ∈ E pour i ∈ N et si Ai ∩ Aj = ∅ pour i 6= j alors
X
p(∪i∈N Ai ) = p(Ai ).
i∈N
On dit que p est σ-additive.
L’ensemble E s’appelle une σ-algèbre, l’application p, une probabilité (ou une
mesure de probabilité). En joignant les conditions (1b) et (1c), on obtient que
E est stable par intersection dénombrable. Les éléments de E sont appelés évène-
ment. L’ensemble E est parfois appelé espace des échantillons ou univers.
En prenant A0 = E et Ai = ∅ pour i > 0, on déduit de (2b) que p(∅) = 0.
Ensuite prenant Ai = ∅ à partir de i = n+1 on trouve la version "finie" : si Ai ∈ E
pour 1 ≤ i ≤ n et si Ai ∩ Aj = ∅ pour i 6= j alors
[n Xn
p( Ai ) = p(Ai ).
i=1 i=1

Les propriétés suivantes découlent (le vérifier) de la définition de manière simi-

laire :
Proposition 1.1. Soit (E,E,p) un espace de probabilité.
(1) Si A et B sont dans E et si A ⊂ B alors
p(B\A) = p(B) − p(A).
En particulier p(A) ≤ p(B) et p(E\A) = 1 − p(A).
Date: Novembre 2004.
Préparation au concours interne de l’agrégation de mathématiques. Merci de signaler les
erreurs et les imprécisions en écrivant à calvi@[Link].
1
2 JEAN-PAUL CALVI

(2) Pour tous A et B dans E on a

p(A ∪ B) = p(A) + p(B) − p(A ∩ B).
(3) Si An est une suite croissante d’évènements (ie An ⊂ An+1 ) alors on a
p(∪n∈N An ) = lim p(An ).
n→∞

Similairement, si Bn est une suite décroissante d’évènements (ie Bn ⊃

Bn+1 ) alors on a
p(∩n∈N Bn ) = lim p(Bn ).
n→∞

Du dernier point on déduit aisément le résultat suivant. On dit qu’un évènement F est
presque sûr lorsque p(F ) = 1. Montrer que si (Fn ) est une suite d’évènements presque
sûrs alors ∩n∈N Fn est aussi un évènement presque sûr.

Exercice 1.1. Soit Ai ∈ E, i = 1, . . . ,n. Démontrer que

Xn X
p(A1 ∪ A2 ∪ · · · ∪ An ) = (−1)k−1 p(∩j∈J Aj )
k=1 n
J∈( k )
n


où k désigne l’ensemble des parties à k éléments dans n = {1,2, . . . ,n}. On pourra uti-
liser une récurrence sur n. Cette formule importante est connue sous le nom de formule
du crible. L’exercice 1.4 ci-dessous est une application de cette formule.

1.2. Exemples fondamentaux.

1.2.1. Le cas fini.
Théorème P 1.1. Soit E un ensemble fini et f une fonction positive définie sur E
telle que e∈E f (e) = 1. Alors (E,P(E),p)Pest un espace de probabilité lorsque p
est défini pour tout A ∈ P(E) par p(A) = e∈A f (e).
Comment. Lorsque card(E) = n et f (e) = 1/n pour tout e ∈ E on retrouve p(A) = card(A)/n
qui est l’élémentaire “nombre de cas favorables / nombre total de cas”. La théorie des probabilités
sur un ensemble fini se réduit essentiellement au dénombrement d’ensembles finis. Elle est une
sous-partie de la combinatoire.

1.2.2. Modélisation d’un phénomène élémentaire. Une expérience qui a deux is-
sues possibles, disons P et F , est modélisée par l’espace de probabilité (E,E,p)
ou E = {P,F }, E = P(E) = {∅,{F },{P },E} et p(P ) = α1 , p(F ) = α2 avec
α1 + α2 = 1.
La fixation des constantes α1 et α2 n’est pas un travail mathématique, elle pro-
vient de l’expérience, éventuellement de l’intuition.
Si la même expérience est répétée n fois, le modèle, déduit du précédent, sera
(E n ,P(E n ),p) où
p({(1 ,2 , . . . ,n )}) = p({1 }).p({2 }) . . . p({n })}
avec i ∈ {P,F }.

Exercice 1.2. Dans l’espace (E n ,P(E n ),p) ci-dessus. Soit 1 ≤ r ≤ k ≤ n. Calculer la

probabilité de l’évènement suivant : le r-ième P apparaît à la k-ième expérience.
 PROBABILITÉS 3

Exercice 1.3. Donner une modélisation d’une expérience aléatoire à 3 issues répétées
n fois.
Exercice 1.4. L’ordinateur d’une banque envoie chaque mois un relevé de compte aux
n clients de la banque. Une erreur de programmation fait mélanger aléatoirement les
relevés de compte et les enveloppes (qui portent l’adresse du destinataire). Construire
un espace de probabilité qui modélisent ce phénomène puis calculer la probabilité qu’au
moins un client reçoive son propre relevé de compte et montrer que lorsque n est grand
cette probabilité est proche de 0,63.

1.2.3. Le cas infini dénombrable.

Théorème 1.2. Soient E = N (ou plus généralement un quelconque P∞ ensemble
infini dénombrable) et (pn ) une suite de nombres positifs telle que n=0 pn = 1.
P triplet (N,P(N),p) est un espace de probabilité lorsqu’on définit p par p(A) =
Le
n∈A pn , A ⊂ N.

pn étant positifs, dans le cas où A est dénombrable,

Notons que les nombres P A = {ni :
i ∈ N} la quantité p(A) = n∈A pn est égal à la somme de la série ∞
P
p
i=0 ni .

1 n −λ
Exercice 1.5. Soit λ > 0. Pour tout n ∈ N on définit p({n}) = n! λ e . Montrer que
le triplet (N,P(N),p) est un espace de probabilité.
On dit que la probabilité p suit une loi de Poisson de paramètre λ, elle-même
appelée loi des évènements rares car p(n) devient très petit lorsque n est grand. En
pratique, elle est surtout une loi d’approximation (de la loi de Bernouilli, voir plus loin).
Typiquement, p(n) est la probabilité (l’approximation de la probabilité) que, parmi les N
objets fabriqués par une machine, n soient défectueux avec un rapport n/N très proche
de 0.

1.2.4. Le cas continu. Soit E = I un intervalle de R, pour E on prend la σ-

algèbre des boréliens de I, c’est-à-dire la plus petite σ-algèbre contenant tous
les sous-intervalles de I. Elle est notée B(I). Cette σ-algèbre est très vaste. Il
faut même recourir à l’axiome du choix pour montrer l’existence d’ensembles qui
ne sont pas boréliens. Etant donnée une fonction f continue positive telle que
∫I f (x)dx = 1, on démontre qu’il existe une unique
R probabilité p sur (I,B(I)) telle
que pour tout intervalle J ∈ I on ait p(J) = J f (x)dx. L’application f s’appelle la
densité de la mesure de probabilité p. On notera p = f dx. On définit des espaces
de probabilités similaires en faisant intervenir des ensembles et des fonctions de
plusieurs variables. Ici les intégrales considérées sont des intégrales (éventuellement
généralisées) de Riemann alors que le cadre naturel (qui permet l’intégration sur
les boréliens quelconques) est celui de l’intégrale de Lebesgue que nous ne pouvons
pas ici évoquer. En pratique, on se limitera à considérer des densités continues et
des probabilités d’intervalles (ou de réunion finie d’intervalles) de sorte que le
cadre inadapté de l’intégrale de Riemann n’induira pas d’inconvénient grave.

Exercice 1.6. Montrer que tout sous-ensemble fini de I appartient à B(I), puis que
tout sous-ensemble de I infini dénombrable appartient à B(I).
4 JEAN-PAUL CALVI

1.2.5. Modélisation d’un phénomène élémentaire. Supposons qu’on choisisse un

point aléatoirement dans l’intervalle [0,1] (de telle sorte qu’aucun point ne soit
privilégié par rapport aux autres). Le modèle sera ([0,1],B([0,1]),dx) de sorte que
p([a,b]) = b − a pour tout [a,b] ⊂ [0,1].

Exercice 1.7. Soit C le cercle unité de centre l’origine dans le plan munie de sa topolo-
gie habituelle (induite de celle du plan). On définit B(C) comme la plus petite σ-algèbre
contenant les ouverts de C. Donner un exemple de phénomène aléatoire dont la modé-
lisation serait l’espace de probabilité (C,B(C),p) où p est telle que pour tout arc J ⊂ C
on ait p(J) = (2π)−1 longueur(J).

1.2.6. Loi normale. L’espace de probabilité (R,B(R),p) où

Z b
1 x2
p([a,b]) = √ e− 2 dx
2π a
est l’un des plus importants de toute la théorie des probabilités. On note p =
N(0,1). La lettre N est mise pour “Normale”. Plus généralement, pour (µ,σ) ∈
(R,R?+ ), on considère p = N(µ,σ) définie par
Z b
1 1 x−µ 2
p([a,b]) = √ e− 2 ( σ ) dx.
σ 2π a

2. Constructions de nouveaux espaces de probabilités à partir

d’espaces donnés
2.1. Probabilités conditionnelles.

2.1.1. Définition. Soient (E,E,p) un espace de probabilité et B ∈ E. L’ensemble

EB := {A ∩ B,A ∈ E} = {C ∈ E : C ⊂ B}
est une σ-algèbre. La probabilité de A ∈ E sachant B est définie par
p(A ∩ B)
pB (A) = .
p(B)
Théorème 2.1. Le triplet (E,E,pB ) est un espace de probabilité.
La probabilité pB s’appelle une probabilité conditionnelle. On emploie sou-
vent la notation pB (A) = p(A|B).

2.1.2. Formules de Bayes.

Proposition 2.1. Soit (E,E,p) un espace de probabilité.
(1) Soient A1 , . . . An n évènements de E. On pose Bk = ∩1≤j≤k Aj , k = 1, . . . ,n.
Si p(Bn−1 ) > 0 alors on a
n
Y
p(Bn ) = p(B1 ) p(Bk |Bk−1 ).
k=2
 PROBABILITÉS 5

(2) Soient (Bn ) une suite (finie ou non) d’évènements de E de probabilité non
nulle. On suppose que ces évènements sont deux à deux disjoints et qu’ils
sont exhaustifs c’est-à-dire que leur réunion est égale à E. Pour tout
A ∈ E on a X
p(A) = p(A|Bn )P (Bn ).
n≥0

(3) Avec les mêmes hypothèses et si de plus p(A) > 0 on a

p(A|Bj )p(Bj )
p(Bj |A) = P .
n≥0 p(A|Bn )p(Bn )

Exercice 2.1. Etude d’un problème de transmission. Un signal (0 ou 1) est émis d’un
poste A et passe par 4 relais avant d’être réceptionné par le poste B. La transmission
est représentée par le schéma suivant
A 99K 1 → 2 → 3 → 4 99K B
Lorsque le relais i reçoit un 0, 9 fois sur 10 en moyenne il renvoie un 0, (dans le cas
restant il le transforme en 1) et lorsqu’il reçoit un 1, dans 8 cas sur 10 en moyenne il
renvoie un 1 (dans les deux cas restants il le transforme en 0). Modéliser le phénomène
et calculer la probabilité pour qu’un 1 (resp. un 0) soit reçu quand un 1 (resp. un 0)
est envoyé. L’émetteur A envoie le mot 00110, le récepteur peut reconnaître le mot
s’il comporte un nombre d’erreur ≤ 1. Construire le modèle permettant de donner une
réponse à la question : quelle est la probabilité que le mot soit reconnu par le récepteur
B?
Quid s’il s’agit de considérer un réseau de d relais?
Exercice 2.2. Le tableau suivant montre (en pourcentage) le choix des hommes et des
femmes d’une communauté C en faveur des partis politiques A, B et C.
Hommes Femmes
Parti A 20 25
Parti B 10 15
Parti C 15 15
Donner une modélisation permettant de résoudre le problème suivant. Quelle est la
probabilité qu’une personne prise au hasard dans la communauté soit un homme sachant
qu’il vote pour le parti A?

2.2. Variables aléatoires.

2.2.1. Définition. Soit (E,E,p) un espace de probabilité et X une fonction de
E dans R. On dit que X est une variable aléatoire (v. a.) sur E (ou plus
précisément sur (E,E)) lorsque pour tout W ∈ B(R) on a X−1 (W ) ∈ E. Autrement
dit, les images réciproques des boréliens doivent être des évènements de E. Les v.a.
sont aussi appelées (dans un autre contexte) fonctions E-mesurables. Lorsque
E = P(E) toute fonction X : E → R est une v. a.
Proposition 2.2. Pour que X soit une v.a. il faut et il suffit que pour tout in-
vervalle I ⊂ R on ait X−1 (I) ∈ E.

Exercice 2.3. Démontrer la proposition. (On pourra montrer que l’ensemble A formé
par les W ∈ B(R) tels que X −1 (W ) ∈ E forment une σ-algèbre.)
6 JEAN-PAUL CALVI

Exercice 2.4. Soit f : R → R. Montrer que si f est continue (sur R) alors elle est une
v.a. sur (R,B(R)). Donner des exemples de v.a. qui ne soient pas continues.

2.2.2. Notations. Traditionnellement, l’évènement X−1 (W ) est (presque toujours)

noté X ∈ W de sorte que l’on pourra calculer p(X ∈ W ). L’évènement X ∈ {a}
est encore simplifié en X = a.
Comment. Ces notations — et le fait d’appeler “variable” une fonction — sont certainement assez
malheureux et expliquent en partie (avec d’autres bizareries de langage) les difficultés qu’ont
beaucoup d’étudiants à assimiler le langage probabiliste. Ceci étant dit, elles ne seront jamais
changées et il vaut mieux en prendre rapidement son parti.

2.2.3. Variable aléatoire et probabilités. Soient (E,E,p) un espace de probabilité et

X une v.a. sur (E,E). On définit la fonction pX sur B(R) par pX (W ) = p(X ∈ W ).
Théorème 2.2. Le triplet (R,B(R),pX ) est un espace de probabilité.
La probabilité pX s’appelle la loi de X.

2.2.4. Loi de Bernoulli. Considérons l’espace de probabilité (E n ,P(E n ),p) où E =

{P,F }. Pour i = 0, . . . ,n et e = (e1 , . . . ,en ) ∈ E n on définit Xi (e) = 1 si ei = P et
0 sinon. La variable aléatoire
Sn = X1 + X2 + · · · + Xn
est particulièrement importante. Elle prend ses valeurs dans {0,1, . . . ,n} et “Sn =
k” est l’évènement correspondant à “parmi les n expériences, le résultat a été k
fois P ”.
Théorème 2.3. Pour k ∈ {0, . . . ,n} on a p(Sn = k) = nk α1k α2n−k .

La loi pSn s’appelle une loi de Bernoulli (et on dit que X = Sn suit une loi
de Bernoulli ou est une variable aléatoire de Bernoulli). Puisque la probabilité p
dépend des paramètres n et α1 = r (qui oblige α2 = 1 − r). On écrira, lorsqu’il
sera nécessaire d’être précis, pn,r . On note aussi pn,r (Sn = k) = b(k,n,r). On dit
que le couple (n,r) est le paramètre de loi de Bernoulli.

Exercice 2.5. Soit (rn ) une suite de nombres dans ]0,1[ telle que limn→∞ nrn = λ ∈
1 k −λ
]0,∞[. Montrer que ∀k ∈ N, limn→∞ pn,rn (Sn = k) = k! λ e .

2.2.5. Variables aléatoires discrètes. On dit qu’une variable aléatoire X est dis-
crète finie (resp. discrète infinie) s’il existe un ensemble C ⊂ R fini (resp. infini
dénombrable) tel que P (X ∈ C) = 1. Les variables aléatoires de Bernoulli sont
discrètes finies.

2.2.6. Variables aléatoires continues. On dit qu’une variable aléatoire X est conti-
nue s’il existe une fonction continue f = fX telle que pX = fX dx. L’application fX
s’appelle la densité de X. Lorsque pX = N(µ,σ) on dit que X suit une loi normale
de paramètre (µ,σ).
 PROBABILITÉS 7

2.2.7. Structure de l’ensemble des v.a.

Théorème 2.4. Soient X1 et X2 deux variables aléatoires sur (E,E) et λ ∈ R
alors X1 + X2 , λX1 et X1 X2 sont des v.a.
Théorème 2.5. Si f : R → R est un v.a. sur (R,B(R)) et si X est une v.a. sur
(E,E) alors f ◦ X est un v.a sur (E,E).
On trouve très souvent la notation f (X) pour f ◦ X.
2.3. Probabilité produit.
Théorème 2.6. Soient (E1 ,E1 ,p1 ) et (E2 ,E2 ,p2 ) deux espaces de probabilités (non
nécessairement distincts). Il existe une unique fonction p telle que
(1) Le triplet (E1 ×E2 ,σ(E1 ×E2 ),p) — où σ(E1 ×E2 ) est la plus petite σ-algèbre
contenant E1 ×E2 = {A×B,A ∈ E1 ,B ∈ E2 } — est un espace de probabilité.
(2) Pour tous A ∈ E1 et B ∈ E1 on a p(A × B) = p1 (A).p2 (B).
L’espace (E1 × E2 ,σ(E1 × E2 ),p) s’appelle l’espace produit de (E1 ,E1 ,p1 ) par
(E2 ,E2 ,p2 ). En particulier, p s’appelle la probabilité produit de p1 par p2 et
est notée p = p1 ⊗ p2 . L’existence et l’unicité d’une telle probabilité est aisément
vérifiée dans le cas fini et infini dénombrable (où σ(E1 × E2 ) = P(E1 × E2 )). Elle
est beaucoup plus compliquée dans le cas continu. Ces espaces produits servent
à modéliser un ensemble de phénomènes, souvent un même phénomène répété
plusieurs fois comme on l’a vu dans les exemples précédents.
Si (E1 ,E1 ,p1 ) = (I,B(I),f1 dx) et (E2 ,E2 ,p2 ) = (J,B(J),f2 dx) où I (resp. J) est
un intervalle de R et f1 (resp. f2 ) une fonction continue sur I (resp. J) alors pour
tout ensemble C quarrable dans I × J (en réalité pour tout borélien de I × J) on
a ZZ
(p1 ⊗ p2 )(C) = f1 (x)f2 (y)dxdy.
C

3. Indépendance
3.1. Définition. Soit (E,E,p) un espace de probabilité. On dit que deux évène-
ments A et B dans E sont indépendants lorsque
p(A ∩ B) = p(A).p(B).
Plus généralement, n évènements A1 ,A2 , . . . ,An sont dit indépendants (ou plus
précisément deux à deux indépendants) lorsque pour tous i 6= j on a
p(Ai ∩ Aj ) = p(Ai ).p(Aj ).
Il est très facile de trouver des exemples d’évènements indépendants dans les
espaces de probabilité produit. Si p = p1 ⊗ p2 sur (E1 × E2 ,σ(E1 × E2 )) et si
A = E1 × L et B = T × E2 avec L ∈ E2 et T ∈ E1 alors les évènements A et L sont
indépendants. En effet, A ∩ B = T × L et par définition de la probabilité produit
p(T × L) = p1 (T ).p2 (L) = p(T × E2 ).p(E1 × L) = p(A).p(B).

Exercice 3.1. Soient A1 ,A2 , . . . An et B1 ,B2 , . . . Bn deux familles de n évènements deux

à deux disjoints dans E. On suppose que pour tout (i,j) les évènements Ai et Bj sont
indépendants. Montrer que A = ∪ni=1 Ai et B = ∪nj=1 Bj sont indépendants.
8 JEAN-PAUL CALVI

3.2. Indépendance des variables aléatoires. Deux variables aléatoires X1 et

X2 sur (E,E) sont dites indépendantes si, pour tous W et W 0 dans B(R), les
évènements X1 ∈ W et X2 ∈ W 0 sont indépendants. La définition s’étend immé-
diatement au cas de n variables aléatoires.
Exercice 3.2. Montrer que pour que X1 et X2 sur (E,E) soient indépendantes il faut
et il suffit que pour tous les intervalles I et J dans R, on ait a
p({X1 ∈ I} ∩ {X1 ∈ J}) = p(X1 ∈ I).p(X2 ∈ J).

Théorème 3.1. Soient (E,E,p) un espace de probabilité et X1 , X2 deux variables

aléatoires indépendantes sur (E,E) de densité (continue) respective f1 et f2 . Pour
tout C (quarrable) dans R2 on a
(X1 ,X2 ) ∈ C = {(x,y) ∈ E × E : ((X1 (x),X2 (y)) ∈ C} ∈ E
et ZZ
p((X1 ,X2 ) ∈ C) = f1 (x)f2 (y)dxdy.
C

3.3. Somme de deux variables aléatoires.

Théorème 3.2. Soient (E,E,p) un espace de probabilité et Xi (i = 1,2) deux
variables aléatoires indépendantes sur (E,E). On étudie la variable aléatoire X1 +
X2 sur (E,E,p).
(1) Si Xi suit une loi de Bernoulli de paramètre (ni ,r), i = {1,2}, alors X1 +X2
suit une loi de Bernoulli de paramètre (n1 + n2 ,r).
(2) Si Xi suit une loi de Poisson de paramètre λi , i = {1,2}, alors X1 + X2
suit une loi de Poisson de paramètre λ1 + λ2 .
(3) Si Xi suit une loi normale de paramètre (µip ,σi ), i = {1,2}, alors X1 + X2
suit une loi normale de paramètre (µ1 + µ2 , σ12 + σ22 ).

Exercice 3.3. Démontrer le théorème.

4. Espérance et notions associées

4.1. Espérance. L’absence de théorie de la mesure commence ici à poser pro-
blème. Nous serons obligés de donner 3 définitions différentes de ce qui est en
réalité un seul et même objet mathématique. Soit X une variable aléatoire sur
(E,E,p).
4.1.1. Le cas discret. Si X est discrète finie alors l’espérance de X, noté E(X)
est définie par X
E(X) = ip(X = i)
i∈C
où C fini est tel que p(X ∈ C) = 1.

Exercice 4.1. Déterminer l’espérance d’une loi de Bernoulli de paramètre (n,r).

 PROBABILITÉS 9

4.1.2. Le cas infini dénombrable. Si X est discrète infinie alors l’espérance de X,

noté E(X) est définie, sous réserve que la série soit absolument convergente, par
X
E(X) = np(X = n)
n∈C

où C dénombrable est tel que p(X ∈ C) = 1.

Exercice 4.2. Déterminer l’espérance d’une variable aléatoire suivant une loi de Poisson
(ie telle que p(X = n) = λn e−λ /n! pour n ∈ N.

4.1.3. Le cas continu. Si X est une variable aléatoire continue de densité f alors
l’espérance de X, noté E(X) est définie, sous réserve que l’intégrale soit absolu-
ment convergente, par Z ∞
E(X) = xf (x)dx
−∞

Exercice 4.3. Déterminer l’espérance d’une variable aléatoire suivant une loi normale
de paramètre (µ,σ).

4.1.4. Extension de la définition. Si X est une somme de variables aléatoires X =

X1 + X2 + · · · + Xn ou chacun des termes Xi est d’une des trois formes ci-dessus,
on définit l’espérance de X comme la somme des espérances de Xi sous réserve
que chacune de ces n espérances soit bien définie.

4.2. Propriétés de l’espérance.

4.2.1. Linéarité.
Théorème 4.1. Soient X1 et X2 deux variables aléatoires sur un même espace
de probabilité (E,E,p) et (α,β) ∈ R. On a
E(αX + βY) = αE(X) + βE(Y).
De plus, si p(X ≥ Y) = 1 alors E(X) ≥ E(Y).
4.2.2. Espérance d’une image.
Théorème 4.2. Soient X une variable aléatoire sur (E,E,p) et h une variable
aléatoire sur (R,B(R)).
P
(1) Si X est fini discrète alors E(h(X)) = i∈C h(i)p(X = i)
P
(2) Si X est discrète infinie alors E(h(X)) = n∈C h(n)p(X = n)
R∞
(3) Si X est continue de densité f alors E(h(X)) = −∞ h(x)f (x)dx

Exercice 4.4. Démontrer le théorème dans le cas d’une variable aléatoire discrète (finie).
10 JEAN-PAUL CALVI

4.2.3. Espérance et indépendance.

Théorème 4.3. Soient X et Y deux variables aléatoires (sur un même espace de
probabilité) indépendantes. On a
E(XY) = E(X)E(Y).

Exercice 4.5. Démontrer le théorème dans le cas de deux variables aléatoires discrètes
(finies).

4.3. Variance. Soi X une variable aléatoire sur (E,E,p) d’espérance µ. La va-
riance σ 2 = σ 2 (X) de X est définie, sous réserve de l’existence de l’espérance
par
σ 2 = E((X − µ)2 ) = E(X2 ) − µ2 .
Le réel positif σ s’appelle l’écart type de X.

Exercice 4.6. Montrer que E((X − a)2 ) est minimisé lorsque a = µ.

Théorème 4.4. Soient X et Y deux variables aléatoires indépendantes. On a

σ 2 (X + Y) = σ 2 (X) + σ 2 (Y).

Exercice 4.7. Démontrer le théorème.

4.4. Inégalités de Chebyshev.

Théorème 4.5. Soit X une variable aléatoire sur (E,E,p) dont les espérances et
variances sont bien définies. On pose µ = E(X). Pour tout c ≥ 0 on a
c2 p(|X − µ| > c) ≤ σ 2 (X).

Exercice 4.8. Démontrer le théorème.

Références
[1] D Williams. Probability with Martingales. Cambridge University Press, 1991.
[2] M Woodfroofe. Probability with Applications. Mc Graw-Hill, 1975.

Laboratoire de Mathématiques E. Picard, Université Paul Sabatier 31062 Tou-

louse Cedex FRANCE.
E-mail address: calvi@[Link]