Lycée La Bruyère 2022-2023

ECG 2

Chapitre 5
Rappels et compléments de probabilités

1 Variables aléatoires
1.1 Espace probabilisé
Définition 1
Un espace probabilisable (Ω, A) est la donnée :
(i) de l’univers Ω correspondant à l’ensemble des issues d’une expérience aléatoire
(ii) de l’ensemble des évènements A.

Rappel
L’ensemble des évènements A contient Ω et est stable par union et intersection dénombrables et pas passage au
complémentaire.

Définition 2
Une probabilité P sur un espace probabilisable (Ω, A) est une application de A dans [0, 1] vérifiant les deux
propriétés suivantes :
(i) P(Ω) = 1 ;
X
(ii) si (An )n∈N est une famille dénombrable d’événements deux à deux incompatibles, alors la série P(An )
n≥0
converge et !
+∞
[ +∞
X
P An = P(An ).
n=0 n=0

On dit alors que (Ω, A, P) est un espace probabilisé.

Définition 3
Soit (Ai )i∈I une famille d’évènements de A. On dit que (Ai )i∈I est un système complet d’évènements (noté
s.c.e.) lorsque :
[
(i) Ai = Ω,
i∈I
(ii) les (Ai ) sont deux à deux incompatibles

∀(i, j) ∈ I 2 , i 6= j =⇒ Ai ∩ Aj = ∅.

Définition 4
Soit (Ω, A, P) un espace probabilisé et A un évènement.
(i) On dit que A est négligeable pour P, ou que A est quasi-impossible, lorsque P(A) = 0.
(ii) On dit que A est presque sûr pour P, ou que A est quasi-certain, lorsque P(A) = 1.

1.2 Variables aléatoires réelles

Définition 5
On appelle variable aléatoire réelle sur (Ω, A, P) toute application X : Ω → R telle que :

∀x ∈ R, [X ≤ x] ∈ A.

Définition 6
On appelle loi d’une variable aléatoire réelle la donnée des P(X ∈ I) pour tout intervalle I de R.

1
Proposition 1
Soient X et Y deux variables aléatoires réelles définies sur (Ω, A) et soit λ ∈ R. Alors X +Y, XY , λX, min(X, Y )
et max(X, Y ) sont également des variables aléatoires réelles sur (Ω, A).

Définition 7
On appelle fonction de répartition de X la fonction FX : R → [0, 1]; t 7→ P([X ≤ t]).

Théorème 1
(i) FX est croissante sur R.
(ii) On a
lim FX (t) = 0 et lim FX (t) = 1.
t→−∞ t→+∞

(iii) FX est continue à droite en tout point de R.

(iv) On a ∀t ∈ R, P([X > t]) = 1 − FX (t)
et ∀(a, b) ∈ R2 , a < b =⇒ P([a < X ≤ b]) = FX (b) − FX (a).

Proposition 2
La loi d’une variable aléatoire est caractérisée par la fonction de répartition.

Définition 8
A ∈ A. On appelle variable indicatrice de A, et on note 1A la fonction définie de Ω dans R par :

1 si ω ∈ A
1A (ω) = 0 sinon
.

Remarque
Si A ∈ A, alors 1A est une variable aléatoire réelle.
Exemple 1
On lance n fois une pièce équilibrée. On note Ai l’événement  on fait pile au i-ème lancer . Que représentent
Xn Yn
1Ai et 1 − 1Ai ?
i=1 i=1

2 Variables aléatoires réelles discrètes

Dans toute la suite, (Ω, A, P) désigne un espace probabilisé.

2.1 Définition
Définition 9
Une variable aléatoire réelle X définie sur Ω est dite discrète si l’ensemble X(Ω) des valeurs prises par X est
dénombrable.

Exemple 2
Si X ,→ G(p), alors X est discrète car X(Ω) = N∗ est dénombrable.

Proposition 3
Soit X une variable aléatoire discrète. Alors la loi de X est entièrement caractérisée par la donnée :
(i) du support X(Ω) de X
(ii) de tous les P(X = x) pour x ∈ X(Ω).

2.2 Espérance
Définition 10
X variable aléatoire réelle discrète X avec X(Ω) = {xi , i ∈ I} admet une espérance si et seulement si la série
Une
xi P(X = xi ) converge absolument. Dans ce cas, on note E(X) la somme de cette série.
i∈I

2
Proposition 4 (linéarité de l’espérance)
Si X et Y sont deux variables aléatoires discrètes qui admettent une espérance et si (λ, µ) ∈ R2 , alors λX + µY
admet une espérance et
E(λX + µY ) = λE(X) + µE(Y ).

Corollaire 1
n
X
Si X1 , ..., Xn sont des variables aléatoires discrètes qui admettent une espérance alors Xi admet une espérance
i=1
et !
n
X n
X
E Xi = E(Xi ).
i=1 i=1

Théorème 2 (théorème de transfert)

Soit X une variable aléatoire réelle discrète, avec X(Ω) = {xi , i ∈ I}, I ⊂ N. Soit g : X X(Ω) → R. Alors
g(X) est une variable aléatoire discrète, qui admet une espérance si et seulement si la série g(xi )P(X = xi )
i∈I
converge absolument. Dans ce cas, on a alors :
X
E(g(X)) = g(xi )P(X = xi ).
i∈I

Proposition 5 (existence d’une espérance par domination)

Si X et Y sont deux variables aléatoires discrètes telles que |X| ≤ Y presque sûrement (i.e. si P(|X| ≤ Y ) = 1),
et si Y admet une espérance, alors X admet une espérance, et dans ce cas |E(X)| ≤ E(Y ).

Corollaire 2 (croissance de l’espérance)

Si X et Y sont deux variables aléatoires discrètes admettant une espérance avec X ≤ Y presque sûrement, alors
E(X) ≤ E(Y ).

2.3 Variance
Définition 11
Soit X une variable aléatoire discrète admettant une espérance. On dit que X admet
 une variance si et seulement
si (X − E(X))2 admet une espérance, et on note alors V(X) = E (X − E(X))2 .

Proposition 6 (formule de Koenig-Huyghens)

Soit X une variable aléatoire discrète. Alors X admet une variance si et seulement si X 2 admet une espérance.
Dans ce cas :
V(X) = E(X 2 ) − (E(X))2 .

3 Probabilités conditionnelles
3.1 Rappels sur les probabilités conditionnelles
Définition 12
Soient A et B deux évènements tels que P(A) 6= 0. On appelle probabilité conditionnelle de B sachant A, le réel
P(B ∩ A)
PA (B) = .
P(A)
PA (B) peut aussi être notée P(B|A).

Proposition 7
PA est une probabilité sur (Ω, A).

Théorème 3 (formule des probabilités composées)

Soit (A1 , . . . , An ) une famille finie d’événements tels que P(A1 ∩ · · · ∩ An−1 ) 6= 0.
Alors la probabilité que tous les événements se réalisent simultanément est

P (A1 ∩ · · · ∩ An ) = P (A1 ) · PA1 (A2 ) · . . . · PA1 ∩···∩An−1 (An )

3
Exemple 3
Une urne contient n − 1 boules rouges et une boule verte. On effectue des tirages sans remise jusqu’à obtenir la
boule verte, et on note X la variable aléatoire égale au rang d’apparition de la boule verte.
Déterminer la loi de X.

Théorème 4 (formule des probabilités totales)

On suppose queX (Ai )i∈I est un s.c.e. avec I fini ouX
dénombrable. Soit B un évènement.
(i) La série P(B ∩ Ai ) converge et P(B) = P(B ∩ Ai ).
i∈I i∈I
X
(ii) Si de plus pour tout i ∈ I, P(Ai ) 6= 0, P(B) = PAi (B)P(Ai ).
i∈I

Théorème 5 (formule de Bayes)

Si A et B sont deux événements de probabilités non nulles, alors

PB (A)P(B)
PA (B) = .
P(A)

3.2 Loi conditionnelle, espérance conditionnelle

Définition 13
Si X est une variable aléatoire réelle discrète sur (Ω, A, P) et A un évènement de probabilité non nulle. On
appelle loi de X sachant A, ou loi de X conditionnellement à A, la loi de X pour la probabilité PA , c’est-à-dire
la donnée de tous les couples (x, PA (X = x)), pour x ∈ X(Ω).

Exemple 4
Le nombre de clients qui entrent dans un restaurant un soir de semaine est une variable aléatoire X qui suit
une loi de Poisson de paramètre λ. Chaque client choisit, indépendamment du choix de ses voisins, de la viande
avec probabilité p et du poisson avec la probabilité 1 − p. On note Y le nombre de clients qui choisissent de la
viande.
(i) Soit n ∈ N. Déterminer la loi de Y sachant [X = n].
(ii) En déduire la loi de Y .

Définition 14
Soit X une variable aléatoire réelle discrète avec X(Ω) = {xi , i ∈ I}. Soit A un évènement tel que P(A) 6= 0. On
dit que X admet une espérance sachant A (ou espérance conditionnellement
X à A) si et seulement si X admet
une espérance pour la probabilité PA , autrement dit si la série xi PA (X = xi ) est absolument convergente.
i∈I
Dans ce cas, on note X
E(X|A) = xi PA (X = xi )
i∈I

l’espérance de X sachant A.

Exemple 4 (suite)
Déterminer pour n ∈ N, l’espérance de Y sachant [X = n].

3.3 Formule de l’espérance totale

Théorème 6 (formule de l’espérance totale)
Soit X une variable aléatoire discrète sur (Ω, A, P), et soit (An )n∈I un système complet d’événements, avec I
dénombrable ou fini, tel que pour tout n ∈ I, P(An ) 6= 0. Alors X admet une espérance si et seulement si :
(i) ∀n
X∈ I, E(X|An ) existe
(ii) P(An )E(|X| |An ) converge.
n∈I
Dans ce cas, on a alors X
E(X) = P(An )E(X|An ).
n∈I

Exemple 4 (fin)
Retrouver, à l’aide de la formule de l’espérance totale, l’espérance de Y .