Probabilits

Essaidi Ali
3 mars 2016

Espaces probabiliss :
Soit un ensemble.

1.1

Espaces probabiliss :

Notation : Pour tout A , on note A le complmentaire de A dans .

Dfinition 1.1 On appelle tribu de toute partie T de P() qui vrifie :
1. T .
2. Si A T alors A T .
3. Si (An )nN est une suite dlments de T , alors

An T .

nN

Dans ce cas, tout lment de T est appel un vnement de T .

Remarques : Soit T une tribu de .
Tout singleton de T est appel vnement lmentaire de T .
sappelle lvnement impossible.
T . On lappelle lvnement certain.
\
Si (An )nN est une suite dvnements de T alors
An T .
nN

Si A1 , . . . , An T alors A1 An et A1 An sont des vnements de T .

Soient A, B T :
1. A \ B T .
2. A B est lvnement "A ou B est ralis".
3. A B est lvnement "A et B sont raliss".
4. A est vnement contraire de A.
5. Si A B = alors on dit que les vnements A et B sont incompatibles.
Si est fini ou dnombrable alors il est usuel de choisir T = P().
Dfinition 1.2 Soit T une tribu de . On appelle probabilit sur T toute application p : T [0, 1] telle que :
1. p() = 1.
2. Axiome dadditivit dnombrable : Pour toute suite (An ) dvnements de T qui sont deux deux!incompatibles (i.e
+
X
[
P
m, n N, m 6= n Am An = ), la srie p(An ) converge et on a
p(An ) = p
An .
n=0

nN

Dans ce cas, le triplet (, T , p) est appel espace probabilis.

Remarques : Soit (, T , p) un espace probabilis.
Pour tout vnement A de T , p(A) sappelle la probabilit de A.
Un vnement A de T tel que p(A) = 0 est dit ngligeable ou presque impossible.
Un vnement A de T tel que p(A) = 1 est dit presque sr ou presque certain.
p() = 0.
Additivit : Si A1 , . . . , An sont des vnements de T deux deux incompatibles alors p(A1 An ) = p(A1 ) +
+ p(An ).
= 1 p(A).
Si A est un vnement de T alors p(A)
Soient A et B deux vnements de T . Alors :
1

CPGE Laayoune

Lissane Eddine

Essaidi Ali

1. p(B \ A) = p(B) p(A B).

2. Si A B alors p(B \ A) = p(B) p(A). En particulier, p(A) p(B).
3. p(A B) = p(A) + p(B) p(A B).
Soit une suite (An )nN dvnements de T et on pose B0 = A0 et n 1, Bn = An \

n1
[

Ak . Alors :

k=0

1. (Bn ) est une suite dvnements deux deux incompatibles.

2. n N, p(Bn ) p(An ).
n
n
[
[
3. n N,
Bk =
Ak .
k=0

4. n N,

k=0

Bn =

nN

An .

nN

Sous additivit
dnombrable : Soit une suite (An )nN dvnements de T . Si la srie
! +
[
X
An
p
p(An ).
nN

p(An ) converge alors

n=0

Sous additivit : Si A1 , . . . , An sont des vnements de T alors p(A1 An ) p(A1 ) + p(An ).

Une union au plus dnombrable densembles ngligeables est ngligeable.
Thorme 1.1 (Continuit monotone squentielle dune probabilit) Soient (, T , p) un espace probabilis et (An ) une suite
dvnements de T .
!
[
Continuit croissante : Si la suite (An ) est croissante alors la suite (p(An )) converge et on a lim p(An ) = p
An .
n+

nN

Continuit dcroissante : Si la suite (An ) est dcroissante alors la suite (p(An )) converge et on a lim p(An ) =
n+
!
\
p
An .
nN

Exemples :
On lance une pice non truqu une infinit de fois et on considre A lvnement : "On obtient face au moins une fois".
Soit An , n N lvnement "On obtient face au moins une fois dans les n[
premiers lancers" donc la suite des vne1
ments (An ) est croissante, n N, p(An ) = 1 p(An ) = 1 2n et A =
An .
nN
!
[
On dduit que p(A) = p
An = lim p(An ) = 1 donc A est un vnement presque sr.
nN

On lance un d non truqu 6 faces une infinit de fois et on considre A lvnement : "On nobtient jamais de 6".
Soit An , n N lvnement "On nobtient
\ jamais de 6 dans les n premiers lancers" donc la suite des vnements (An )
n
est dcroissante, p(An ) = 65n et A =
An .
nN
!
\
On dduit que p(A) = p
An = lim p(An ) = 0 donc A est un vnement ngligeable.
nN

1.2

vnements indpendants, probabilit conditionnelle :

Dfinition 1.3 Soit (, T , p) un espace probabilis.

Deux vnements A et B de T sont dits indpendants si p(A B) = p(A)p(B).

Une famille (Ai )iI dvnements de T est dite indpendante si J I finie, on a : p

Aj

jJ

p(Aj ).

jJ

Remarque : Soit (, T , p) un espace probabilis.

sont indpendants. En effet, p(A B)
= p(A \ (A
Si A et B sont deux vnements indpendants de T alors A et B
On dduit encore que A et B
sont indpendants.
B)) = p(A) p(A)p(B) = p(A)(1 p(B)) = p(A)p(B).
Si (Ai )iI est une famille indpendante dvnements de T alors ses lments sont deux deux indpendants. La
rciproque est fausse.
Soit A1 , . . . , An des vnements de T . Si p(A1 An ) = p(A1 ) p(An ) alors la famille (A1 , . . . , An ) nest pas
forcment indpendante.
www.mathlaayoune.webs.com

2 / 20

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

Exemples :
On lance un d non truqu 6 faces et soient les vnements A = "Le nombre obtenu est divisible par 2" et B = "Le
nombre obtenu est divisible par 3".
On a A = {2, 4, 6}, B = {3, 6} et A B = {6} donc p(A)p(B) = 63 26 = 16 = p(A B) do les vnements A et B
sont indpendants.
On lance successivement 2 ds quilibrs et soient les vnements A = "le nombre obtenu par le premier d est pair",
B = "le nombre obtenu par le deuxime d est impair" et C = "les nombres obtenus par les deux ds ont mme parit".
on a p(A B) = 14 = p(A)p(B), p(B C) = 14 = p(B)p(C) et p(C A) = 14 = p(C)p(A) donc les vnements A,
B et C sont deux deux indpendants mais la famille (A, B, C) nest pas indpendante car p(A B C) = p() =
0 6= 18 = p(A)p(B)p(C).
Dfinition 1.4 Soient (, T , p) un espace probabilis et B un vnement de T tel que p(B) 6= 0.
On appelle probabilit sachant B, lapplication note pB et dfinie sur T par pB (A) = p(AB)
p(B) .
Pour tout vnement A de T , pB (A) se lit "la probabilit de A sachant B". pB (A) se note aussi p(A|B).
Remarques : Soient (, T , p) un espace probabilis et A, B deux vnements de T avec p(B) 6= 0.
pB est une probabilit sur T . On la note aussi p( |B).
p(A)
.
Si A B alors p(A|B) = p(B)
p(A B) = p(A|B)p(B). Si, en plus p(A) 6= 0 alors p(A B) = p(A|B)p(B) = p(B|A)p(A).
= p(A).
A et B sont indpendants si, et seulement si, p(A|B) = p(A). Dans ce cas, p(A|B) = p(A|B)
Dfinition 1.5 (Systme complet dvnements)
Soit (, T , p) un espace probabilis. On dit quune famille (Ai )iI dvnements de T forme un systme complet dvnements
de T si :
1. Ai Aj = pour tous i, j I tels que i 6= j.
[
2.
Ai = .
iI

Thorme 1.2 Soient (, T , p) un espace probabilis, A un vnement de T et (Bi )iI une famille au plus dnombrable qui
forme un systme complet dvnements
X I, p(Bi ) 6= 0.
Xde T telle que i
p(A|Bi )p(Bi ).
p(A Bi ) =
Probabilits totales : p(A) =
iI

iI

Formule de Bayes : Si p(A) 6= 0 alors i I, p(Bi |A) =

p(A|Bi )p(Bi )
p(A|Bi )p(Bi )
=X
.
p(A)
p(A|Bj )p(Bj )
jI

Exemple : On dispose de deux urnes u1 et u2 , u1 contient 2 boules blanches et 3 boules noires et u2 contient 3 boules blanches
et 2 boules noires.
On lance un d non truqu, si le numro obtenu est infrieur 2, on tire une boule de lurne u1 , sinon, on tire une boule de
lurne u2 et on suppose que les boules sont indiscernables au toucher.
Probabilit de tirer une boules blanche : On considre les vnements B = "Tirer une boule blanche", U1 = "Choisir
lurne u1 " et U2 = "Choisir lurne u2 ".
On a p(B|U1 ) = 25 , p(B|U2 ) = 35 , p(U1 ) = 26 = 13 (U1 est aussi lvnement dobtenir 1 ou 2 lors du lancer du d) et
p(U2 ) = 46 = 32 (U2 est aussi lvnement dobtenir 3 ou 4 ou 5 ou 6 lors du lancer du d ou encore U1 ).
Daprs la formule des probabilits totales p(B) = p(B U1 ) + p(B U2 ) = p(B|U1 )p(U1 ) + p(B|U2 )p(U2 ) =
21
32
8
5 3 + 5 3 = 15 .
1 B)
1 )p(U1 )
Probabilit davoir choisi lurne U1 sachant que la boule tire est blanche : On a p(U1 |B) = p(U
= p(B|U
=
p(B)
p(B)
2 1 15
1
=
.
53 8
4

Variables alatoires relles, fonction de rpartition :

Dans toute la suite, (, T , p) est un espace probabilis.

2.1

Variables alatoires relles :

Dfinition 2.1 On appelle variable alatoire relle sur lespace probabilis (, T , p) toute application X : R telle que
a R, X 1 (] , a]) = { /X() a} T .
Notations : Soient X une variable alatoire relle sur lespace probabilis (, T , p) et a, b R tels que a b.
www.mathlaayoune.webs.com

3 / 20

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

A R, lensemble X 1 (A) = { /X() A} se note aussi (X A).

On a (X ] , a]) = X 1 (] , a]) T donc (X ] , a]) est un vnement de T , on le note aussi (X a).
On a (X ]a, +[) = (X a) T donc (X ]a, +[) est un vnement de T , on le note aussi (X > a).
\
1
On a (X [a, +[) =
X >a
T donc (X [a, +[) est un vnement de T , on le note aussi
k

kN

(X a).
On a (X ] , a[) = (X a) T donc (X ] , a[) est un vnement de T , on le note aussi (X < a).
On a (X ]a, b]) = (X b) \ (X a) T donc (X ]a, b]) est un vnement de T , on le note aussi (a < X b).
On a (X [a, b]) = (X b) \ (X < a) T donc (X [a, b]) est un vnement de T , on le note aussi (a X b).
On a (X {a}) = (a X a) T donc (X {a}) est un vnement de T , on le note aussi (X = a).
On a (X [a, b[) = (X < b) \ (X < a) T donc (X [a, b[) est un vnement de T , on le note aussi (a X < b).
On a (X ]a, b[) = (X < b) \ (X a) T donc (X ]a, b[) est un vnement de T , on le note aussi (a < X < b).
Remarques : Soient X une variable alatoire relle sur lespace probabilis (, T , p).
Pour tout intervalle I de R, (X I) est un vnement de T .
Gnralement, si A est une partie de R obtenue par combinaison de passages au complmentaire, de runions et intersections au plus dnombrables dintervalles de R alors (X A) est un vnement de T .
Si T = P() alors toute fonction de vers R est une variable alatoire relle.
Proposition 2.1 Si X1 , . . . , Xn sont des variables alatoires relles sur lespace probabilis (, T , p) et f : Rn R une
application continue sur Rn alors lapplication 7 f (X1 (), . . . , Xn ()) est une variable alatoire relle sur (, T , p).
On la note f (X1 , . . . , Xn ).
Corollaire 2.2 Si X1 , . . . , Xn sont des variables alatoires relles sur lespace probabilis (, T , p) et 1 , . . . , n R alors
1 X1 + + n Xn , X1 Xn , max(X1 , . . . , Xn ) et min(X1 , . . . , Xn ) sont des variables alatoires relles sur (, T , p).
Exemple : Si X et Y sont deux variables alatoires relles sur lespace probabilis (, T , p) alors X Y est une variable
alatoire relle. En particulier, (X = Y ) = (X Y = 0), (X Y ) = (X Y 0) et (X < Y ) = (X Y < 0) sont des
vnements de T .
Proposition 2.3 Si X est une variable alatoire relle sur lespace probabilis (, T , p) et f : R R monotone alors f X
est une variable alatoire relle sur (, T , p). On la note f (X).
Remarque : Le rsultat reste vrai si f est monotone par morceaux.
Exemple : Si X est une variable alatoire relle sur lespace probabilis (, T , p) alors X 2 , sin(X) et E(X) sont des variables
alatoires relles sur (, T , p).
Proposition 2.4 Soit (Xn ) une suite de variables alatoires relles sur lespace probabilis (, T , p).
Si (Xn ) converge simplement sur vers une application X alors X est une variable alatoire sur (, T , p).

2.2

Fonction de rpartition dune variable alatoire relle :

Dfinition 2.2 Soit X une variable alatoire relle sur lespace probabilis (, T , p).
On appelle fonction de rpartition de X lapplication, note FX , de R vers R dfinie par t R, FX (t) = p(X t).
Proprit 2.1 Soit X une variable alatoire relle sur lespace probabilis (, T , p). Alors :
FX est croissante sur R. En particulier, FX admet en tout point une limite droite et une limite gauche.
FX est continue droite sur R. Autrement dit, t R, lim FX (u) = FX (t).
ut+

lim FX (t) = 0.

lim FX (t) = 1.

t+

Proprit 2.2 Soient X une variable alatoire relle sur lespace probabilis (, T , p) et a, b R tels que a b. Alors :
p(X > a) = 1 FX (a).
p(X < a) = lim FX (t).
ta

p(X a) = 1 lim FX (t).

ta

p(a < X b) = FX (b) FX (a).

p(a X b) = FX (b) lim FX (t).
ta

p(a X < b) = lim FX (t) lim FX (t).

tb

ta

p(a < X < b) = lim FX (t) FX (a).

tb

p(X = a) = FX (a) lim FX (t).

ta

www.mathlaayoune.webs.com

4 / 20

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

Remarque : Soit X une variable alatoire relle sur lespace probabilis (, T , p).
La connaissance de la fonction de rpartition de X permet de calculer p(X I) pour tout intervalle I de R.
Corollaire 2.5 Soit X une variable alatoire relle sur lespace probabilis (, T , p).
FX est continue en a R si, et seulement si, p(X = a) = 0.
FX est continue sur R si, et seulement si, x R, p(X = x) = 0.
Notation : Soit (X1 , . . . , Xn ) une famille de variables alatoires sur lespace probabilis (, T , p) et (I1 , . . . , In ) une famille
dintervalles de R.
Lvnement (X1 I1 ) (Xn In ) se note aussi (X1 I1 , . . . , Xn In ).
Dfinition 2.3 Soit (X1 , . . . , Xn ) une famille finie de variables alatoires relles sur lespace probabilis (, T , p).
On appelle fonction de rpartition de la famille (X1 , . . . , Xn ) lapplication, note FX1 ,...,Xn , de Rn dans R, dfinie par
(t1 , . . . , tn ) Rn , FX1 ,...,Xn (t1 , . . . , tn ) = p(X1 t1 , . . . , Xn tn ).
Remarque : Si (X1 , . . . , Xn ) est une famille de variables alatoires relles sur lespace probabilis (, T , p) alors la connaissance de la fonction de rpartition FX1 ,...,Xn de la famille (X1 , . . . , Xn ) permet de calculer p(X1 I1 , . . . , Xn In ) pour
tous intervalles I1 , . . . , In de R.

3
3.1

Loi dune variable alatoire relle :

Loi dune variable alatoire relle :

Notation : On note I(R) lensemble de tous les intervalles de R.

Dfinition 3.1 Soit X une variable alatoire relle sur lespace probabilis (, T , p).
On appelle loi de X lapplication I I(R) 7 p(X I).
Remarque : Si X est une variable alatoire relle sur lespace probabilis (, T , p) alors la connaissance de la fonction de
rpartition de X permet de dterminer la loi de X. On dit que la fonction de rpartition de X caractrise la loi de X.
En pratique, dterminer la loi de X revient donner sa fonction de rpartition.
Dfinition 3.2 Soit (X1 , . . . , Xn ) une famille de variables alatoires relles sur lespace probabilis (, T , p).
n
On appelle loi de la famille (X1 , . . . , Xn ) lapplication (I1 , . . . , In ) (I(R)) 7 p(X1 I1 , . . . , Xn In ).
Remarque : Si (X1 , . . . , Xn ) est une famille de variables alatoires relles sur lespace probabilis (, T , p) alors la connaissance de la fonction de rpartition de la famille (X1 , . . . , Xn ) permet de dterminer la loi de (X1 , . . . , Xn ). On dit que la
fonction de rpartition de (X1 , . . . , Xn ) caractrise la loi de la famille (X1 , . . . , Xn ).
En pratique, dterminer la loi de (X1 , . . . , Xn ) revient donner sa fonction de rpartition.
Dfinition 3.3 Soient X une variable alatoire relle sur (, T , p) et A T tel que p(A) 6= 0.
On appelle loi conditionnelle de X sachant lvnement A, lapplication I I(R) 7 p((X I)|A) =

p((X I) A)
. On
p(A)

la note (pA )X .

3.2

Variables alatoires relles de lois discrtes :

Dfinition 3.4 Une variable alatoire relle X sur lespace probabilis (, T , p) est dite de loi discrte sil existe 0 T tel
que p(0 ) = 1 et D = X(0 ) soit au plus dnombrable.
Remarques : Soit X une variable alatoire de loi discrte sur lespace probabilis (, T , p) et 0 T tel que p(0 ) = 1 et
D = X(0 ) au plus dnombrable.
!
[
X
I I(R), p(X I) = p(X I D) = p
(X = x) =
p(X = x).
xID

xID

On peut supprimer de D tous les lments x tels que p(X = x) = 0, les x restants sont appels les valeurs possibles de
X.
La loi de X est caractrise par la donne de lensemble D0 des valeurs possibles et de lapplication x D0 7 p(X =
x).
Exemples de lois discrtes usuelles : Soit X une variable alatoire de loi discrte sur lespace probabilis (, T , p).
Loi uniforme : On dit que X suit la loi uniforme de paramtre n N si X prend ses valeurs dans {1, . . . , n} et
k {1, . . . , n}, p(X = k) = n1 . On note X , U(n).
Exemple : Jeu de d : on lance un d quilibr et soit X la valeur obtenue alors X , U(6).
www.mathlaayoune.webs.com

5 / 20

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

Loi de Bernoulli : On dit que X suit la loi de Bernoulli de paramtre p [0, 1] si X prend deux valeurs 1 (succs) et 0
(chec) avec p(X = 1) = p et p(X = 0) = 1 p. On note X , B(p).
Exemple : Jeu de pile ou face : on lance une pice et soit X gale 1 si on obtient pile et 0 si on obtient face, alors
X , B(p) o p est la probabilit dobtenir pile.
Loi binomiale : On dit que X suit la loi de binomiale de paramtres n N et p [0, 1] si X prend ses valeurs dans
{0, . . . , n} et k {0, . . . , n}, p(X = k) = Cnk pk (1 p)nk . On note X , B(n, p).
Exemple : Jeu de pile ou face fini : on lance une pice n fois et soit X le nombre de piles obtenus, alors X , B(n, p)
o p est la probabilit dobtenir pile.
Loi gomtrique : On dit que X suit la loi gomtrique de paramtre p ]0, 1[ si X prend ses valeurs dans N et
n N , p(X = n) = p(1 p)n1 . On note X , G(p).
Exemple : Jeu de pile ou face infini : on lance une pice une infinit de fois et soit X le rang du premier pile obtenu,
alors X , G(p) o p est la probabilit dobtenir pile.
Loi de Poisson : On dit que X suit la loi Poisson de paramtre > 0 si X prend ses valeurs dans N et n N, p(X =
n
n) = e n! . On note X , P().
Exemple : On change une ampoule chaque fois quelle tombe en panne et soit X le nombre de fois quon a d changer
lampoule pendant une dure de temps t. Si est le nombre moyen des ampoules changes alors X , P().
Exemples de calcul de la loi de la variable alatoire
  relle Y = f (X) pour une variable alatoire relle X de loi discrte :
Soit p [0, 1] et X , G(p). Loi de Y = X
2 :
On a Y prend ses valeurs dans N donc
Y
est

une variable alatoire de loi discrte. Soit k N.
 
= 0 = p(X = 1) = p.
Si k = 0 alors p(Y = k) = p X
2
 


Si k 1 alors p(Y = k) = p X
2 = 0 = p((X = 2k) (X = 2k + 1)) = p(X = 2k) + p(X = 2k + 1) =
p(1 p)2k1 + p(1 p)2k = p(2 p)(1 p)2k1.
p
si k = 0
La loi de Y est alors donne par k N, p(Y = k) =
.
p(2 p)(1 p)2k1 si k 1
Soit > 0 et X , P(). Loi de Y = cos(X) :
On a Y prend ses valeurs dans {1, 1} donc Y est une variable alatoire de loi discrte.
On a p(Y = 1) = p(X 2N) =

+
X

p(X = 2n) =

n=0

On a p(Y = 1) = p(X 2N + 1) =

+
X
n=0

+
X

2n
= e ch().
(2n)!

p(X = 2n + 1) =

n=0

+
X
n=0

2n+1
= e sh().
(2n + 1)!

La loi de Y est alors donne par p(Y = 1) = e ch() et p(Y = 1) = e sh(). En particulier, Y 2+1 ,
B(e ch()).
Remarques : Soit (X, Y ) un couple de variables alatoires relles de lois discrtes sur lespace probabilis (, T , p).
La loi du couple (X, Y ) est caractrise par la donne des ensembles D et D0 des valeurs possibles de X et Y respectivement et de la fonction (x, y) D D0 7 p(X = x, Y = y). Cette loi sappelle aussi la loi conjointe du couple
(X, Y ) et les lois de X et Y sappellent les lois marginales du couple (X, Y ).
X
Pour dterminer les lois de X et Y on utilise les formules : x D, p(X = x) =
p(X = x, Y = y) et
yD 0

y D , p(Y = y) =

p(X = x, Y = y).

xD

Exemple : On lance simultanment deux ds et soit X le plus grand nombre obtenu et Y le plus petit.
Loi conjointe du couple (X, Y ) : Soient i, j {1, . . . , 6}.
Si i < j alors p(X = i, Y = j) = 0 car X Y .
1
car on a un seul choix (i, i) (avoir la mme valeur i pour les deux ds).
Si i = j alors p(X = i, Y = j) = 36
2
1
Si i < j alors p(X = i, Y = j) = 36 = 18
car on a seulement deux choix (i, j) ou (j, i).
6
i
X
X
Loi de X : Soit i {1, . . . , 6}. On a p(X = i) =
p(X = i, Y = j) =
p(X = i, Y = j) = p(X = i, Y =
j=1

i) +

i1
X

p(X = i, Y = j) =

j=1

j=1

1
i1
2i 1
+
=
.
36
18
36

Loi de Y : Soit j {1, . . . , 6}. On a p(Y = j) =

6
X

p(X = i, Y = j) =

i=1

j) +

6
X

p(X = i, Y = j) =

i=j+1

www.mathlaayoune.webs.com

6
X

p(X = i, Y = j) = p(X = j, Y =

i=j

1
6j
13 2j
+
=
.
36
18
36

6 / 20

mathlaayoune@gmail.com

CPGE Laayoune

3.3

Lissane Eddine

Essaidi Ali

Variables alatoires relles de lois continues :

Dfinition 3.5 Une variable alatoire relle X sur lespace probabilis (, T , p) est dite de loi densit ou de loi continue si
sa fonction de rpartition FX est continue sur R et de classe C 1 sur R priv dun sous-ensemble F fini ou vide.
Dans ce cas, on appelle densit de X lapplication note fX et dfinie sur R par :
0
FX (t) si t
/F
t R, fX (t) =
0
si t F
Remarque : Si X est une variable alatoire relle de loi continue sur lespace probabilis (, T , p) alors a, b R avec a b :
p(X = a) = 0.
p(X a) = p(X < a) = FX (a).
p(X a) = p(X > a) = 1 FX (a).
p(a X b) = p(a < X b) = p(a < X < b) = p(a X < b) = FX (b) FX (a).
Proprit 3.1 Si X est une variable alatoire relle de loi densit sur lespace probabilis (, T , p) alors :
1. fX est positive et continue sur R priv dun sous-ensemble fini ou vide.
Z
Z
2. Lintgrale
fX (t)dt converge et on a
fX (t)dt = 1.
R

Z
3. I I(R), p(X I) = FX (b) FX (a) =

fX (t)dt avec a = inf I et b = sup I.

a

Remarque : Si X est une variable alatoire relle de loi densit sur lespace probabilis (, T , p) alors la connaissance de la
fonction de densit de X permet de dterminer la loi de X. On dit que la fonction de densit de X caractrise la loi de X.
En pratique, dterminer la loi de X revient donner sa fonction de densit.
Exemples de lois densit usuelles : Soit X une variable alatoire relle de loi densit sur lespace probabilis (, T , p).
Loi uniforme : On dit que X suit la loi uniforme sur lintervalle [a, b] si sa fonction de densit est :

fX (t) =

1
ba

si t [a, b]
sinon

Dans ce cas, on note X , U(a, b).

Loi exponentielle : On dit que X suit la loi exponentielle de paramtre > 0 si sa fonction de densit est :

et si t 0
fX (t) =

0
sinon
Dans ce cas, on note X , E().
Loi gamma : On dit que X suit la loi gamma de paramtres > 0 et > 0 si sa fonction de densit est :

t 1

e t
si t > 0

()
fX (t) =

0
sinon
Dans ce cas, on note X , (, ).
Loi gaussienne : On dit que X suit la loi gaussienne ou la loi normale de paramtres m R et > 0 si sa fonction de
densit est :
(tm)2
1
fX (t) = e 22
2
Dans ce cas, on note X , N (m, 2 ).
Remarques :
La loi (1, ) est la loi E().
X m
Si X , N (m, 2 ) alors
, N (0, 1). N (0, 1) sappelle la loi normale centre rduite ou la loi gaussienne

standard.
Exemples de calcul de la loi de la variable alatoire relle Y = f (X) pour une variable alatoire relle X de loi continue :

www.mathlaayoune.webs.com

7 / 20

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

Soit > 0 et X , E(). Loi de Y = 3X :

Soit t R. On a FY (t) = p(Y t) = p(3X t) = p X 3t = FX 3t , or FX est continue sur R et de
classe C 1 sur R donc FY
est continue sur R et de classe
C 1 sur R . On dduit que Y est de
loi densit et on a
1
t
t
t

0
3 1
t R , FY0 (t) = 13 FX
]0,+[ (t) do Y , E 3 .
3 donc t R, fY (t) = 3 fX 3 = 3 e
2
Soit X , N (0, 1). Loi de Y = X :
Soit t R.
Si t 0 alors FY (t) = p(Y t) = p(X 2 t) = 0.

Si t > 0 alors FY (t) = p(Y t) = p(X 2 t) = p( t X t) = FX ( t) FX ( t).

On a FX de classe C 1 sur R donc FY est continue sur R et de classe C 1 sur R do Y est de loi densit.
Si t < 0 alors fY (t) = FY0 (t) = 0.

0

1
1
Si t > 0 alors fY (t) = FY0 (t) = FX ( t) FX ( t) = 2
f ( t) + 2
f ( t) = 1t fX ( t) car fX
t X
t X
t
1 e 2 .
2t
t
1 e 2 1]0,+[ (t)
2t

est paire donc fY (t) =

On dduit que fY (t) =

4
4.1

donc Y ,

1 1
2, 2

Variables alatoires relles indpendantes :

Variables alatoires relles indpendantes :

Dfinition 4.1 Une famille (Xj )jJ de variables alatoires relles sur lespace probabilis (, T , p) est dite indpendante ou
mutuellement indpendante si, pour toute famille (Ij )jJ dintervalles de R, la famille des vnements (Xj Ij )jJ de T est
indpendante.
Remarques :
Deux variables alatoires relles X et Y sur lespace probabilis (, T , p) sont indpendantes si I, J I(R), p(X
I, Y J) = p(X I)p(Y J).
Une famille (Xj )jJ de variables alatoires relles sur lespace probabilis (, T!, p) est indpendante si K J fini
\
Y
non vide et pour toute famille (Ik )kK dintervalles de R on a p
(Xk Ik ) =
p(Xk Ik ).
kK

kK

Les lments dune famille indpendante de variables alatoires sont deux deux indpendants. La rciproque est fausse.
Lindpendance dune famille de variables alatoires relles est relative la probabilit donne.
Exemple : Loi Min, loi Max : Soient (X1 , . . . , Xn ) une famille indpendantes de variables alatoires relles sur lespace
probabilis (, T , p).
Loi de M = max(X1 , . . . , Xn ) :
Soit t R donc FM (t) = p(M t) = p(X1 t, . . . , Xn t) = p(X1 t) p(Xn t) = FX1 (t) FXn (t).
En particulier, si X1 , . . . , Xn sont de lois continues alors il en est de mme pour M et on a fM (t) = fX1 (t)FX2 (t) FXn (t)+
FX1 (t)fX2 (t)FX3 (t) FXn (t) + + FX1 (t) FXn1 (t)fXn (t).
Loi de m = min(X1 , . . . , Xn ) :
Soit t R. On a 1Fm (t) = p(m > t) = p(X1 > t, . . . , Xn > t) = p(X1 > t) p(Xn > t) = (1FX1 (t)) (1
FXn (t)) donc Fm (t) = 1 (1 FX1 (t)) (1 FXn (t)).
En particulier, si X1 , . . . , Xn sont de lois continues alors il en est de mme pour m et on a fm (t) = fX1 (t)(1
FX2 (t)) (1FXn (t))+(1FX1 (t))fX2 (t)(1FX3 (t)) (1FXn (t))+ +(1FX1 (t)) (1FXn1 (t))fXn (t).
Proposition 4.1 (Indpendance hrite) Soit (Xi )1in une famille indpendante de variables alatoires relles sur lespace
probabilis (, T , p).
Si n0 , n1 , . . . , nk N tels que 0 = n0 < n1 < < nk1 < nk = n et i {1, . . . , k}, fi : Rni ni1 R continue alors
la famille (f1 (X1 , . . . , Xn1 ), f2 (Xn1 +1 , . . . , Xn2 ), . . . , fk (Xnk1 +1 , . . . , Xnk )) est indpendante.
Exemples :
Si (X, Y, Z, T, U ) est une famille indpendante de variables alatoires alors la famille (X 2 , Y +Z, T U ) est indpendante.
Si X et Y sont deux variables alatoires indpendantes alors les variables X 2 et cos(Y ) sont indpendantes.
X1 + + Xn
et Xn+1 sont
Si (X1 , . . . , Xn+1 ) est une famille indpendante de variables alatoires alors les variables
n
indpendantes.
Exemples de calcul de la loi de Y = g(X1 , . . . , Xn ) pour une famille indpendantes
(X1 , . . . , Xn ) de variables alatoires :


Y
Soient X, Y deux variables alatoires indpendantes avec X , B n, 12 et Y , E(1). Loi de Z = X+1
:

n
X
Y
Soit t R. On a FZ (t) = p(Z t) = p
t = p(Y t(X + 1)) =
p(X (k + 1)t, Y = k) =
X +1
k=0

www.mathlaayoune.webs.com

8 / 20

mathlaayoune@gmail.com

CPGE Laayoune

n
X

Lissane Eddine

Essaidi Ali

p(X (k + 1)t)p(Y = k) car X et Y sont indpendante do FZ (t) =

k=0

n
X

FX (t(k + 1))p(Y = k). On a FX

k=0

continue sur R et C 1 sur R donc FZ est continue sur R et C 1 sur R do Z est de loi continue.
Z (k+1)t
Z (k+1)t
Si t < 0 alors k {0, . . . , n}, FX ((k + 1)t) =
fX (u)du =
0du = 0 donc FZ (t) = 0 do

fZ (t) = FZ0 (t) = 0.

(k+1)t

Si t > 0 alors k {0, . . . , n}, FX ((k + 1)t) =

FZ (t) =

n
X

(k+1)t

(1 e

)p(Y = k) =

k=0

n
X

(k+1)t

fX (u)du =

p(Y = k)

k=0

n
X

eu du = 1 e(k+1)t donc

(k+1)t

p(Y = k) = 1

k=0

n
et X k kt
et
1 n
Cn e
= 1 n (1 + et )n do fZ (t) = FZ0 (t) =
2
2

n
X

e(k+1)t Cnk

k=0
t

e
2n

1
=
2n

(1 + (n + 1)et )(1 + et )n1 .

k=0

On dduit que fZ (t) = e2n (1 + (n + 1)et )(1 + et )n1 1]0,+[ (t).

Soit X et Y deux variables alatoires indpendantes telles que X , N (0, 1) et Y 2+1 , B 12 (Autrement dit, p(Y =
1) = p(Y = 1) = 12 ). Loi de Z = XY :
Soit t R. On a FZ (t) = p(Z t) = p(XY t) = p(X t, Y = 1) + p(X t, Y = 1) = p(X t)p(Y =
1) + p(X t)p(Y = 1) = 12 FX (t) + 21 (1 FX (t)), or FX est de classe C 1 sur R donc FZ est de classe C 1 sur
R do Z est de loi continue et on a t R, fZ (t) = FZ0 (t) = 21 fX (t) + 12 fX (t) = fX (t) car fX est paire. On dduit
que Z , N (0, 1).

4.2

Loi de la somme de deux variables alatoires relles indpendantes :

Proposition 4.2 Si (X1 , X2 ) est un couple de variables alatoires relles sur (, T , p) indpendantes, de lois discrtes et
densembles de valeurs possibles respectives D1 et D2 alors :
La variables alatoire S = X1 + X2 est de loi discrte.
Lensemble des valeursX
possibles de S est D = {u + v/(u, v)
X D1 D2 }.
s D, p(S = s) =
p(X1 = u)p(X2 = s u) =
p(X1 = s v)p(X2 = v). Cette formule sappelle la
uD1

vD2

convolution discrte des lois de X1 et X2 .

Exemples :
/ {0, . . . , n}.
Stabilit de la loi binomiale : On convient que k, n N, Cnk = 0 si k
Soient m, n N, p [0, 1], X , B(m, p) et Y , B(n, p) indpendantes.
La variable alatoire S = X + Y est de loi discrte et densemble des valeurs possibles {0, . . . , n + m}. Soit k
{1, . . . , n + m}, on a :
m
m
m
X
X
X
u u
u ku
p(S = k) =
p(X = u)p(Y = ku) =
Cm
p (1p)nu Cnku pku (1p)mk+u = pk (1p)n+mu
Cm
Cn .
u=0
u=0
u=0
! n
!
n+m
m
X
X
X
n+m
s
s
n+m
m
n
s
s
s s
Or, (X + 1)
=
Cn+m X et (X + 1)
= (X + 1) (X + 1) =
Cm X
Cn X
=
s=0
s=0
s=0
!
n+m
s
m
X X
X
u su
u ku
k
Cm Cn
X s donc, par identification,
Cm
Cn = Cn+m
.
s=0

u=0

u=0

k
On dduit que p(S = k) = Cn+m
pk (1 p)n+mk donc S , B(m + n, p).
Stabilit de la loi de Poisson : Soient > 0, > 0, X , P() et Y , P() indpendantes.
La variable alatoire S = X + Y est de loi discrte et densemble des valeurs possibles N. Soit n N, on a :
n
n
+
n
nk
k
X
X
X
X
k nk

(+)
(+) 1

e
=e
=e
Ckn k nk =
p(S = n) =
p(X = k)p(Y = nk) =
e
k!
(n k)!
k!(n k)!
n!
k=0
k=0
k=0
k=0
n
(+) ( + )
e
.
n!
On dduit que S , P( + ).

Proposition 4.3 Si (X, Y ) un couple de variables alatoires relles sur (, T , p) indpendantes avec :
X de loi discrte et densemble de valeurs possibles D.
Y de loi continue et de densit fY .
Alors :
La variables alatoire S = X + Y est de loi X
densit.
La fonction de densit de S est fS : t R 7
p(X = u)fY (t u).
uD

www.mathlaayoune.webs.com

9 / 20

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

Exemple : Soient p [0, 1], > 0, X , B(p) et Y , E() indpendantes.

La variable alatoire S = X + Y est de loi densit et on a t R :

(1 p)et + pe(t1)
fS (t) = p(X = 0)fY (t) + p(X = 1)fY (t 1) = (1 p)fY (t) + pfY (t 1) =
(1 p)et

t
si t 1
(1 p + pe )e
(1 p)et
si t [0, 1[ .
On dduit que la fonction de densit de S est t R, fS (t) =

0
si t < 0

si t 1
si t [0, 1[
si t < 0

Proposition 4.4 Si (X, Y ) est un couple de variables alatoires relles indpendantes de lois continues et de densits respectives fX et fY alors :
La variables alatoire S = X + Y est de loi densit.
Z
Z
+

La fonction de densit de S est fS : t R 7

produit de convolution des fonctions de densit

fX (u)fY (t u)du =

fX et

fX (t u)fY (u)du, on lappelle le

fY .

Exemples :
Loi Gamma comme somme de lois exponentielles : Soient > 0 et X, Y , E() indpendantes.
La variable
Z alatoire S = X + Y est de loi
Z densit et on a t R :
Z
+

fX (u)fY (tu)du = 2
eu 1[0,+[ (u)e(tu) 1[0,+[ (tu)du = 2 et

Z t
2 t
u)du = e
1[0,+[ (u)du = 2 tet 1[0,+[ (t). On dduit que S , (2, ).

1[0,+[ (t

fS (t) =

Stabilit de la loi gaussienne : Soient X , N (0, 1 ) et Y , N (0, 2 ) indpendantes donc la variable alatoire
S = X + Y est de loi continue et on a :


Z +
Z + 1 t2 (xt)2
+
2
12 t2
12 (xt)2
1
1
1
2
2

1
2

dt
x R, fS (x) =
dt =
e
e 21
e 22
21 2
21
22

Donc :

(x t)2
t2
+
12
22

1
(t2 22 + (x t)2 12 )
12 22

1
(t2 (12 + 22 ) 2xt12 + x2 12 )
12 22

12 + 22
12 22

t2 2xt

12 + 22
12 22

tx

=
=
2

1
1 2
On pose a = x 2 +
2 et b = 2
1

1 +22

fS (x)

12
2
+ x2 2 1 2
2
2
1 + 2
1 + 2

12
12 + 22

14
12
2
x
+
x
(12 + 22 )2
12 + 22

2
12 + 22
12
12 22
2
tx 2
+x
12 22
1 + 22
(12 + 22 )2

2
2
2
2
2
x

1 + 2
tx 2 1 2
+ 2
2
2
1 2
1 + 2
1 + 22
(x t)2
1
t2
x2
2
+
=
do :
(t

a)
+
12
22
b2
12 + 22
Z +
x2
12 (ta)2
1
2( 2 + 2 )
1
2 dt
e 2b
21 2

donc

1
p

2(12 + 22 )
1

2(12 + 22 )

x2
2( 2 + 2 )
1
2

1
2b

e 2b2 (ta) dt

x2
2( 2 + 2 )
1
2

Z +
2
1
1
e 2b2 (ta) dt = 1 (loi N (a, b2 )).
2b
On dduit que X + Y , N (0, 12 + 22 ).

Car

www.mathlaayoune.webs.com

10 / 20

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

Gnralement, si X , N (m1 , 1 ) et Y , N (m2 , 2 ) indpendantes alors X m1 , N (0, 1 ) et Y m2 ,

N (0, 2 ) donc X + Y (m1 + m2 ) , N (0, 12 + 22 ) do X + Y , N (m1 + m2 , 12 + 22 )

Esprance et moments :

5.1

Esprance :

Dfinition 5.1 Soit X une variable alatoire relle sur lespace probabilis (, T , p).
Si X est de loi discrte et densemble de valeurs possiblesX
D alors on dit que X admet une esprance si la famille
(kp(X = k))kD est sommable. Dans ce cas, le nombre
kp(X = k) sappelle lesprance de X et on le note
kD

E(X).
Si X est de loi continue alors on dit que X admet une esprance si lapplication t 7 tf (t) est intgrable sur R. Dans
Z +
ce cas, le nombre
tfX (t)dt sappelle lesprance de X et on le note E(X).

Remarques :
Si X est une variable alatoire de loi discrte sur lespace probabilis (, T , p) qui admet une esprance alors la valeur
de E(X) ne dpend pas de lordre de sommation.
Esprance dune constante : Soit a R. Si X = a alors p(X = a) = 1 donc E(X) = ap(X = a) = a. En particulier,
E(1) = 1.
Esprances des variables alatoires relles de lois usuelles :
Cas des lois discrtes :
Loi uniforme : Si X , U(n) alors :
E(X) =

n
X

kp(X = k) =

k=1

n
X
n+1
k
=
n
2

k=1

Loi de Bernoulli : Si X , B(p) alors :

E(X) = 1p(X = 1) + 0p(X = 0) = p
Loi de binomiale : Si X , B(n, p) alors :
E(X)

n
X

kp(X = k)

k=0

np

n
X

k1 k1
Cn1
p
(1 p)nk

n
X

kCnk pk (1 p)nk

k=0
n1
X

= np

k=1

n
X

k1 k
nCn1
p (1 p)nk

k=1
k
Cn1
pk (1 p)n1k

= np(p + (1 p))n1 = np

k=0

k1
Loi
donc la srie
P de gomtrique : Soit X , G(p) avec p ]0, 1[. On a k N , kp(X = k) = kp(1 p)
kp(X = k) est absolument convergente do la famille (kp(X = k)) est sommable.
On dduit que X admet une esprance et on a :

E(X) =

+
X

kp(X = k) =

k=1

+
X

k1

kp(1 p)

k=1

=p

+
X
k=1

k(1 p)k1 =

p
1
=
(1 (1 p))2
p
k

k1

donc la srie
Loi de Poisson : Soit X , P() avec > 0. On a k N , kp(X = k) = ke k! = e (k1)!
P
kp(X = k) est absolument convergente do la famille (kp(X = k)) est sommable.
On dduit que X admet une esprance et on a :

E(X) =

+
X

+
X

kp(X = k) =

k=0

k=0

ke

k=1

k=0

X k1
X k
k
= e
= e
= e e =
k!
(k 1)!
k!

Cas des lois continues :

Loi uniforme : Si X , U(a, b) alors :
Z
E(X) =
a

www.mathlaayoune.webs.com

 2 b
t
1
b2 a 2
a+b
dt =
t a=
=
ba
2(b a)
2(b a)
2

11 / 20

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

Loi exponentielle : Soit X , E() avec > 0. Lapplication t 7 tet est intgrable sur [0, +[ donc X admet
une esprance et on a : alors :
+

tet dt =

E(X) =
0

2 21 t
1
t e dt = car
(2)

2 21 t
t e dt = 1(loi (2, ))
(2)

Loi gamma : Soit X , (, ) avec , > 0. Lapplication t 7 tet t1 est intgrable sur ]0, +[ donc X
admet une esprance et on a : :
Z

t 1
te t
dt =
()

E(X) =
0

Car
0

Z
0

+1 t (+1)1

e t
dt =
( + 1)

+1 t (+1)1
e t
dt = 1 (loi ( + 1, )).
( + 1)

Lois gaussiennes : Soit X , N (m, 2 ) avec m R et > 0. Lapplication t 7 te

donc X admet une esprance et on a :
Z
E(X)

(tm)2
2 2

est intgrable sur R

(tm)2
1
te 22 dt
2

(t m)e

(tm)2
2 2

m
dt +
2

(tm)2
2 2

dt

Z +
+

(tm)2
(tm)2

+
e 22
e 22 dt = m
2
2

=
1
Car
2

(tm)2
2 2

dt = 1 (loi N (m, 2 )).

Thorme 5.1 (Thorme de transfert) Soit X une variable alatoire relle sur lespace probabilis (, T , p) et g : X()
R telle que Y = g(X) soit une variable alatoire.
Si X est de loi discrte et densemble de valeurs possibles D
alors Y admet une esprance si, et seulement si, la famille
X
(g(k)p(X = k))kD est sommable. Dans ce cas, E(Y ) =
g(k)p(X = k).
kD

Si X est de loi continue alors Y admet une esprance si, et seulement si, lapplication t 7 g(t)fX (t) est intgrable sur
Z +
R. Dans ce cas, E(Y ) =
g(t)fX (t)dt.

Exemples :
Soit > 0, X , P() et Y =
E(Y ) =

+
X
k=0

1
X+1

: La famille

1
k
k+1 e
k!

est sommable donc Y admet une esprance et on a :

+
+
e X k+1
e X k
e
1 e
1 k
e
=
=
=
(e 1) =
k+1
k!

(k + 1)!

k!

k=0

k=1

Soit > 0, X , E() et Y = X 2 : Lapplication t 7 t2 et 1[0,+[ (t) est intgrable sur R donc Y admet une
esprance et on a :
Z
E(Y ) =
0

t2 et dt =

2
car
2

Z
0

3 31 t
t e dt = 1 (loi (3, ))
(3)

Remarque : Le thorme de transfert permet de calculer lesprance de Y = g(X) laide de la loi de X et sans avoir
dterminer celle de de Y .
Thorme 5.2 Thorme de transfert deux variables alatoires de lois discrtes Soit X, Y deux variables alatoires relles
de lois discrtes sur lespace probabilis (, T , p), densembles des valeurs possibles respectives D et D0 et g : (X, Y )() R
telle que Z = g(X, Y ) soit une variable alatoire.
Z admet une esprance si, et seulement si, la famille (g(x, y)p(X = x, Y = y))(x,y)DD0 est sommable.
X
Dans ce cas, E(Z) =
g(x, y)p(X = x, Y = y).
(x,y)DD 0

www.mathlaayoune.webs.com

12 / 20

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

Exemple : On lance simultanment deux ds quilibrs et soit X le produit des deux nombres obtenus. On pose U le nombre
obtenu par le premier d et V celui du deuxime.
!2
6
6
6
X
1 X
49
1 X
62 72
On a E(X) = E(U V ) =
ijp(U = i, V = j) =
=
.
ij =
i
=
36
36
4

36
4
i,j=1
i,j=1
i=1
Proposition 5.1 Soit X, Y deux variables alatoires relles de lois discrtes ou continues sur lespace probabilis (, T , p).
Si Y admet une esprance et |X| Y alors X admet une esprance et on a E(X) E(Y ).
Proprit 5.1 Proprits de lesprance Soit X, Y deux variables alatoires relles de lois discrtes ou continues sur lespace
probabilis (, T , p).
Si X et Y possdent une esprance alors :
Linarit : , R, X + Y possde une esprance et on a E(X + Y ) = E(X) + E(Y ).
Positivit : Si X est positive alors E(X) 0.
Croissance : Si X Y alors E(X) E(Y )
Ingalit triangulaire : E(|X + Y |) E(|X|) + E(|Y |).
Produit : Si X et Y sont indpendants alors XY possde une esprance et on a E(XY ) = E(X)E(Y ).
Remarques : Soit X, Y deux variables alatoires relles sur lespace probabilis (, T , p) de lois discrtes ou continues et qui
possdent des esprances.
Si E(X) = 0 alors, on dit que la X est centre.
Y = X E(X) sappelle la variable alatoire centre associe X et on a E(Y ) = 0.
Si X et Y ne sont pas indpendantes alors XY nadmet pas forcment une esprance.
Si E(XY ) = E(X)E(Y ) alors X et Y ne sont pas forcment indpendantes.

1
Y +1
, B
et Z = XY .
Exemple : Soit X et Y deux variables alatoires indpendantes telles que X , N (0, 1) et
2
2
On a X , N (0, 1) donc E(X)
= 0.

Y +1
1
Y +1
1
1
1
1
De mme, on a
, B
donc E
= donc, par linarit de lesprance, E(Y ) + = do E(Y ) = 0.
2
2
2
2
2
2
2
On a X, Y indpendantes donc Z = XY admet une esprance et on a E(X)E(Z) = 0 car E(X) = 0.
Dautre part, on a X, Y indpendantes donc, daprs le thorme dindpendance hrite, X 2 et Y sont indpendantes do
XZ = X 2 Y admet une esprance et on a E(XZ) = E(X 2 Y ) = E(X 2 )E(Y ) = 0 car E(Y ) = 0. On dduit E(XZ) =
E(X)E(Z).
Supposons que X et Z sont indpendantes donc, daprs le thorme dindpendance hrite, X 2 et Z 2 sont indpendantes, or
Z 2 = X 2 car Y 2 = 1 puisque les valeurs possibles de Y sont 1 et 1 donc X 2 est indpendante delle mme.
On dduit que p(X 2 1) = p(X 2 1, X 2 1) = p(X 2 1)p(X 2 1) = p(X 2 1)2 donc p(X 2 1) = 0 ou
p(X 2 1) = 1.
Z 1
t2
1
t2
Si p(X 2 1) = 0 alors 0 = p(X 2 1) = p(1 X 1) =
e 2 dt donc t [1, 1], e 2 = 0.
2 1
Absurde.
Z 1
Z +
2
t2
1
1
2
t2
2
Si p(X 1) = 1 alors 1 = p(X 1) = p(1 X 1) =
e
dt. Or
e 2 dt = 1 donc
2 1
2
Z +
2
1
t2
t2

e
dt = 0 do t [1, +[, e 2 = 0. Absurde.
2 1
On dduit que X et Z ne sont pas indpendantes et pourtant E(XZ) = E(X)E(Z).
Remarque : En gnrale, une variable alatoire relle X et indpendante delle mme si, et seulement si, X est constante
presque partout (Autrement dit, C R, p(X = C) = 1).

5.2

Moments, variance, cart-type et covariance :

Dfinition 5.2 Soit X une variable alatoire relle de loi discrte ou continue sur lespace probabilis (, T , p) et k N .
On dit que X admet un moment dordre k si la variable alatoire X k admet une esprance. Dans ce cas, E(X k ) sappelle le
moment dordre k de X.
Remarque : Soit k N et X une variable alatoire relle de loi discrte ou continue sur lespace probabilis (, T , p) qui
admet un moment dordre k. Alors :
Daprs le thorme de transfert :
X
1. Si X est de loi discrte et densemble de valeurs possibles D alors E(X k ) =
nk p(X = n).
nD

2. Si X est de loi continue alors E(X k ) =

tk fX (t)dt.

www.mathlaayoune.webs.com

13 / 20

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

r {1, . . . , k 1}, X admet un moment dordre r.

a, b R, aX + b admet un moment dordre k.
Dfinition 5.3 Soit X une variable alatoire relle de loi discrte ou continue sur lespace probabilis (, T , p) qui admet un
moment dordre 2. On appelle :
2
Variance de X la quantit V (X) = E((X
p E(X)) ).
Ecart-type de X la quantit (X) = V (X).
Remarques : Soit X une variable alatoire relle de loi discrte ou continue sur lespace probabilis (, T , p) qui admet un
moment dordre 2.
Si V (X) = 1 alors on dit que la variable X est rduite.
X E(X)
Y =
sappelle la variable alatoire centre rduite associe X et on a E(Y ) = 0 et V (Y ) = 1.
(X)
Proprit 5.2 Soit X une variable alatoire relle de loi discrte ou continue sur lespace probabilis (, T , p) qui admet un
moment dordre 2. Alors :
V (X) 0.
V (X) = 0 X est constante presque srement (Autrement dit, a R, p(X = a) = 1).
a, b R, V (aX + b) = 2 V (X) et (aX + b) = |a|(X).
V (X) = E(X 2 ) E(X)2 .
Variances des variables alatoires relles de lois usuelles :
Cas des lois discrtes :
Loi uniforme : Si X , U(n) alors :

n
n
X
n+1 2
n+1 2
(n + 1)(2n + 1)
n2 1
n + 1 2 X k2
2
=

=
k p(X = k)
V (X) =
2
n
2
6
2
12
k=1

k=1

Loi de Bernoulli : Si X , B(p) alors :

E(X) = E(X 2 ) E(X)2 = p p2 = p(1 p) car X 2 = X
Loi de binomiale : Si X , B(n, p) alors :
E(X(X 1))

=
=

n
X
k=0
n
X

k(k 1)p(X = k)

k=0

n(n

k2 k
1)Cn2
p (1

p)

nk

= np2

k=2

= np2

n
X

k(k 1)Cnk pk (1 p)nk

n
X

k2 k2
Cn2
p
(1 p)nk

k=2
n2
X

k
Cn2
pk (1 p)n2k

= n(n 1)p2 (p + (1 p))n2 = n(n 1)p2

k=0

Donc, par linarit de lesprance, :

V (X) = E(X 2 ) E(X)2 = E(X(X 1)) + E(X) E(X)2 = n(n 1)p2 + np n2 p2 = np(1 p)
Loi
gomtrique : Soit X , G(p) avec p ]0, 1[. On a k N , k 2 p(X = k) = k 2 p(1 p)k1 donc la srie
P de
k 2 p(X = k) est absolument convergente do la famille (k 2 p(X = k)) est sommable.
On dduit que X admet un moment dordre deux. On a :
E(X(X1)) =

+
X

k(k1)p(X = k) =

k=1

+
X

k(k1)p(1p)k1 = p(1p)

k=1

Donc E(X(X 1)) =

2(1p)
p2

+
X

k(k1)(1p)k2 =

k=2

2p(1 p)
(1 (1 p))3

do, par linarit de lesprance, :

2(1 p) 1
1
1p
+ 2 =
p2
p p
p2
P
k
Loi de Poisson : Soit X , P() avec > 0. On a k N, k 2 p(X = k) = k 2 e k! donc la srie k 2 p(X = k)
est absolument convergente do la famille (k 2 p(X = k)) est sommable.
On dduit que X admet un moment dordre deux. On a :
V (X) = E(X 2 ) E(X)2 = E(X(X 1)) + E(X) E(X)2 =

E(X(X1)) =

+
X
k=0

www.mathlaayoune.webs.com

k(k1)p(X = k) =

+
X

k(k1)e

k=0

14 / 20

k=2

k=0

X k2
X k
k
= 2 e
= 2 e
= 2 e e = 2
k!
(k 2)!
k!
mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

Donc, par linarit de lesprance, :

V (X) = E(X 2 ) E(X)2 = E(X(X 1)) + E(X) E(X)2 = 2 + 2 =
Cas des lois continues :
Loi uniforme : Soit X , U(a, b). On a :
E(X 2 ) =

Z
a

 3 b
t2
b3 a3
1
a2 + ab + b2
t a=
dt =
=
ba
3(b a)
3(b a)
3

Donc :
V (X) = E(X 2 ) E(X)2 =

a2 + ab + b2
a2 + 2ab + b2
(b a)2

=
3
4
12

Loi exponentielle : Soit X , E() avec > 0. Lapplication t 7 t2 et est intgrable sur [0, +[ donc X
admet un moment dordre deux. On a :
Z + 3
Z + 3
Z +
31 t
31 t
2
2
t2 et dt = 2
t e dt = 2 car
t e dt = 1(loi (3, ))
E(X 2 ) =
0
(3)

(3)
0
0
Donc :
V (X) = E(X 2 ) E(X)2 =

1
1
2
2 = 2
2

Loi gamma : Soit X , (, ) avec , > 0. Lapplication t 7 t2 et t1 est intgrable sur ]0, +[ donc X
un moment dordre deux. On a :
Z
Z +
( + 1) + +2 t (+2)1
( + 1)
2 t 1
t e t
dt =
e t
dt =
E(X 2 ) =
2
()

(
+
2)
2
0
0
Z

Car
0

+2 t (+2)1
e t
dt = 1 (loi ( + 2, )). Donc :
( + 2)
V (X) = E(X 2 ) E(X)2 =

( + 1) 2

2 = 2
2

Lois gaussiennes : Soit X , N (m, 2 ) avec m R et > 0. Lapplication t 7 t2 e

donc X admet un moment dordre deux et on a :
V (X)

1
Car
2

(tm)2
2 2

(tm)2
2 2

est intgrable sur R

= E((X E(X))2 )
Z +
(tm)2
1
(t m)2 e 22 dt car E(X) = m
=
2
Z +
+
(tm)2
(tm)2

=
(t m)e 22
+
e 22 dt = 2
2
2

dt = 1 (loi N (m, 2 )).

Proposition 5.2 Si X, Y sont deux variables alatoires relles de lois discrtes ou continues sur lespace probabilis (, T , p)
qui possdent des moments dordre 2 alors :
Ingalit de Cauchy-Schwarz : XY possde une esprance et on a E(XY )2 E(X 2 )E(Y 2 ).
X + Y possde un moment dordre 2 et on a V (X + Y ) = V (X) + V (Y ) + 2E((X E(X))(Y E(Y ))).
Dfinition 5.4 Soient X et Y deux variables alatoires relles de lois discrtes ou continues sur lespace probabilis (, T , p).
Si X et Y possdent des moments dordre 2, alors on appelle covariance du couple (X, Y ) la quantit C(X, Y ) = E((X
E(X))(Y E(Y ))). On la note aussi cov(X, Y ).
Remarque : Symtrie et bilinarit de la covariance : Soit a, b, c, d R et X, Y deux variables alatoires relles de lois
discrtes ou continues sur lespace probabilis (, T , p) admettant des moments dordre deux. Alors :
C(X, Y ) = C(Y, X).
C(X, X) = V (X).
C(aX + b, cY + d) = acC(X, Y ).
C(aX + bY, cX + dY ) = acV (X) + (ad + bc)C(X, Y ) + bdV (Y ).

www.mathlaayoune.webs.com

15 / 20

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

Proprit 5.3 Soient X et Y deux variables alatoires relles de lois discrtes ou continues sur lespace probabilis (, T , p)
admettant un moment dordre deux.
V (X + Y ) = V (X) + V (Y ) + 2C(X, Y ).
C(X, Y ) = E(XY ) E(X)E(Y ).
Ingalit de Cauchy-Schwarz : |C(X, Y )| (X)(Y ).
Si X et Y sont indpendants alors C(X, Y ) = 0. La rciproque est fausse.
Si X et Y sont indpendants alors V (X + Y ) = V (X) + V (Y ). La rciproque est fausse.
Remarques : Si X1 . . . , Xn est une famille de variables alatoires relles de lois discrtes ou continues sur lespace probabilis
(, T , p) qui possdent
moments dordre deux alors :
! des
n
n
n
n
X
X
X
X
X
V
Xk =
V (Xk ) +
C(Xk , Xl ) =
V (Xk ) + 2
C(Xk , Xl ).
k=1

k=1

k,l=1
k6=l

k=1

Si la famille (X1 , . . . , Xn ) est indpendante alors V

n
X

1k<ln

!
Xk

k=1

n
X

V (Xk ).

k=1

Dfinition 5.5 Soient X et Y deux variables alatoires relles de lois discrtes ou continues sur lespace probabilis (, T , p).
Si X et Y possdent des moments dordre 2 et V (X), V (Y ) non nuls, alors on appelle corrlation linaire du couple (X, Y )
C(X, Y )
.
la quantit (X, Y ) =
(X)(Y )
Remarques : Soient X et Y deux variables alatoires relles de lois discrtes ou continues sur lespace probabilis (, T , p)
admettant un moment dordre 2.
Si X et Y sont indpendants alors (X, Y ) = 0. La rciproque est fausse.
1 (X, Y ) 1.
Si (X, Y ) = 1 alors on dit que X et Y sont linairement corrles.
(X, Y ) = 1 > 0, R, Y = X + presque partout (Autrement dit p(Y = X + ) = 1).
(X, Y ) = 1 < 0, R, Y = X + presque partout (Autrement dit p(Y = X + ) = 1).
Si (X, Y ) = 0 alors on dit que X et Y sont non corrles linairement.

Fonctions gnratrices :

Dfinition 6.1 Soit X une variable alatoire relle sur lespace probabilis (, T , p) valeurs dans N.
+
X
On appelle fonction gnratrice de X la fonction GX (t) = E(tX ) =
p(X = n)tn .
n=0

Remarques : Soit X une variable alatoire relle sur lespace probabilis (, T , p) valeurs dans N.
Si lensemble des valeurs possibles de X est fini alors GX est dfinie sur R.
+
X
P
On a
p(X = n) = 1 donc le rayon de convergence de la srie entire p(X = n)tn est 1.
n=0

P
La srie entire p(X = n)tn converge normalement sur [1, 1]. En particulier, GX est continue sur [1, 1].
GX est de classe C sur ] 1, 1[.
(n)
G (0)
n N, p(X = n) = X
. En particulier, GX caractrise la loi de X.
n!
Fonctions gnratrices des lois discrtes usuelles : Soit X une variable alatoire relle de loi discrte sur lespace probabilis
(, T , p).
n+1
t
t
n
X
si t 6= 1
1 k
Loi uniforme : Si X , U(n) alors t R, GX (t) =
t = n(t 1)
.

n
k=1
1
si t = 1
Loi de Bernoulli : Si X , B(p) alors t R, GX (t) = p(X = 0) + p(X = 1)t = (1 p) + pt.
n
n
X
X
Loi binomiale : Si X , B(n, p) alors t R, GX (t) =
Cnk pk (1 p)nk tk =
Cnk (tp)k (1 p)nk =
k=0

k=0

(1 p + tp)n .
Loi gomtrique : Si X , G(p) avec p ]0, 1[ : On a n N , p(X = n) = p(1 p)n1 donc le rayon de

+
X
P
1
1
1
convergence de la srie entire p(X = n)tn est 1p
et on a t
,
, GX (t) =
p(1 p)n1 tn =
1p 1p
n=1

www.mathlaayoune.webs.com

16 / 20

mathlaayoune@gmail.com

CPGE Laayoune

pt

+
X

Lissane Eddine

(t(1 p))n1 = pt

n=1

+
X

(t(1 p))n =

n=0

Essaidi Ali

pt
.
1 t(1 p)
n

Loi de Poisson : Si X , P() avec > 0 : On a n N, p(X = n) = e n! donc le rayon de convergence de la

+
X
P
n
srie entire p(X = n)tn est + et on a t R, GX (t) =
e tn = e et = e(t1) .
n!
n=0
Proposition 6.1
Si X, Y sont deux variables alatoires relles indpendantes sur lespace probabilis (, T , p) valeurs dans N alors GX+Y = GX GY .
Gnralement, si (X1 , . . . , Xn ) est une famille indpendante de variables alatoires relles sur lespace probabilis
(, T , p) valeurs dans N alors GX1 ++Xn = GX1 GXn .
Exemples :
Stabilit de la loi binomiale : Soit X , B(m, p) et Y , B(n, p) indpendantes donc GX+Y (t) = GX (t)GY (t) =
(p(t 1) + 1)m (p(t 1) + 1)n = (p(t 1) + 1)m+n do X + Y , B(m + n, p).
Stabilit de la loi de Poisson : Soit X , P() et Y , P() indpendantes donc GX+Y (t) = GX (t)GY (t) =
e(t1) e(t1) = e(+)(t1) do X + Y , P( + ).
Proposition 6.2 Soit X une variable alatoire relle sur lespace probabilis (, T , p) valeurs dans N.
X admet une esprance si, et seulement si, GX est drivable en 1. Dans ce cas, E(X) = G0X (1).
X admet un moment dordre 2 si, et seulement si, GX admet une drive seconde en 1. Dans ce cas, E(X(X 1)) =
G00X (1).
Exemples :
Loi uniforme : Soit X , U(n) donc t R, GX (t) =
n
X
k(k 1)
k=2

n
n
X
X
k k1
1 k
t do t R, G0X (t) =
t
et G00X (t) =
n
n

k=1

k=1

tk2 .

n
X
k
n(n + 1)
n+1
=
=
et V (X) = E(X 2 ) E(X)2 = G00X (1) + E(X)
n
2n
2
k=1

n
n
n
X
X
X
n
+
1
n+1 2
k2
k
n+1
n+1 2
n(n + 1)(2n + 1)
k(k

1)
+

E(X)2 =
n
2
2
n
n
2
2
6n
k=1
k=1
k=1

n+1 2
n+1 2
(n + 1)(2n + 1)
n2 1
=

=
.
2
6
2
12
Loi de Bernoulli : Soit X , B(p) donc t R, GX (t) = pt + 1 p do t R, G0X (t) = p et G00X (t) = 0.
On dduit que E(X) = G0X (1) = p et V (X) = E(X 2 ) E(X)2 = G00X (1) + E(X) E(X)2 = p p2 = p(1 p).
Loi binomiale : Si X , B(n, p) donc t R, GX (t) = (pt + 1 p)n do t R, G0X (t) = np(pt + 1 p)n1 et
G00X (t) = n(n 1)p2 (pt + 1 p)n2 .
On dduit que E(X) = G0X (1) = np et V (X) = E(X 2 ) E(X)2 = G00X (1) + E(X) E(X)2 = n(n 1)p2 + np
n2 p2 = np(1 p).
pt
Loi gomtrique : Soit X , G(p) avec p ]0, 1[ donc t ] 1, 1[, GX (t) = 1t(1p)
do t ] 1, 1[, G0X (t) =

On dduit que E(X) = G0X (1) =

p(1t(1p))+pt(1p)
(1t(1p))2

2p(1p)
p
00
(1t(1p))2 et GX (t) = (1t(1p))3 .
On dduit que E(X) = G0X (1) = p1 et V (X) = E(X 2 )E(X)2 = G00X (1)+E(X)E(X)2 =
Loi de Poisson : Soit X , P() donc t R, GX (t) = e(t1) do t R, G0X (t) =
2 (t1)

1p
1
1
2 1p
p2 + p p2 = p2 .
e(t1) et G00X (t) =

e
.
On dduit que E(X) = G0X (1) = et V (X) = E(X 2 ) E(X)2 = G00X (1) + E(X) E(X)2 = 2 + 2 = .

7
7.1

Ingalits, notions de convergence et thormes limites :

Ingalits :

Proposition 7.1 (Ingalit de Markov) Si X est une variable alatoire relle sur lespace probabilis (, T , p) positive admettant une esprance, alors, pour tout > 0, p(X ) E(X)
.
Proposition 7.2 (Ingalit de Bienaym-Tchebychev) Si X est une variable alatoire relle sur lespace probabilis (, T , p)
admettant un moment dordre 2, alors, pour tout > 0, p(|X E(X)| ) V (X)
2 .
Remarques : Soit X une variable alatoire relle sur lespace probabilis (, T , p) admettant un moment dordre 2.
www.mathlaayoune.webs.com

17 / 20

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

Rgle des trois sigma : On a p (E(X) 3(X) < X < E(X) + 3(X)) = p (3(X) < X E(X) < 3(X)) =
V (X)
V (X)
1
8
p (|X E(X)| < 3(X)) = 1 p (|X E(X)| 3(X)) 1 9
2 (X) = 1 9V (X) = 1 9 = 9 0, 89.
Autrement dit, presque toutes les valeurs de X se situent dans lintervalle ]E(x) 3(X), E(x) 3(X)[.
Interprtation de la variance : la variance permet de contrler lcart entre X et sa valeur moyenne E(X).
Exemples :
Majoration de la probabilit dobtenir plus de 600 Pile

en jetant 1000 fois une pice de monnaie quilibre : Soit X
le nombre
de piles obtenus donc X , B 1000, 21 . En particulier, E(X) = 1000 12 = 500 et E(X) = 1000
1
1
2 1 2 = 250.
On a p(X 600) = p(X 500 100) p(|X 500| 100) donc, daprs lingalit de Bienaym-Tchebychev,
(X)
250
p(X 600) V100
2 = 10000 = 0, 025.
Majoration de p(X 210) o X est une variable alatoire telle que E(X) = 200 et V (X) = 5 : On a p(X 210) =
(X)
p(X 200 10) p(|X 200| 10) donc, daprs lingalit de Bienaym-Tchebychev, p(X 210) V10
=
2
5
=
0,
05.
100
Proposition 7.3 (Ingalit de Jensen) Soit X une variable alatoire relle sur lespace probabilis (, T , p) admettant une
esprance et f : R R une application convexe sur R.
Si la variable alatoire f (X) admet une esprance, alors f (E(X)) E(f (X)).

7.2

Convergence en loi, convergence en probabilit :

Dfinition 7.1 On dit quune suite (Xn ) de variables alatoires relles sur lespace probabilis (, T , p) convergence en
probabilit sil existe une variable alatoire relle X sur lespace probabilis (, T , p) telle que :
> 0, lim p(|X Xn | ) = 0
n+

Dans ce cas, on dit que (Xn ) converge en probabilit vers X et on note Xn X.

n+

Exemples :
Soit (Xn ) une suite de variables alatoires relles sur lespace probabilis (, T , p) dfinie par n N , p(Xn = n) =
1
1
n et p(Xn = 0) = 1 n .
On a > 0, p(|Xn | ) = p(|Xn | =
6 0) = p(Xn = n) =

1
n

0 donc Xn 0.
n+

1

.
Soit (Xn ) une suite de variables alatoires relles sur lespace probabilis (, T , p) telle que n

N
,
X
,
U
0,
n
n
Z

On a > 0, p(|Xn | ) = 1 p(|Xn | < ) = 1 p( < Xn < ) = 1

Z

1
P
n
1[0, 1 ] (t)dt = 1 n min ,
1 1 = 0 donc Xn 0.
n
n+
n

n1[0, 1 ] (t)dt = 1
n

Proposition 7.4 Soit X une variable alatoire relle sur lespace probabilis (, T , p).
Si (fn ) est une suite de fonctions de R vers R qui converge simplement sur R vers une fonction f alors la suite de variables
alatoires relles (fn (X)) converge en probabilit vers la variable alatoire relle f (X).
Exemple : Soit X une variable alatoire relle sur lespace probabilis (, T , p).
s
P
On a n1
0 sur R donc X
0.
n
n+

n s x

n
P
e sur R donc 1 + X
eX .
On a 1 + nx
n
n+

Dfinition 7.2 On dit quune suite (Xn ) de variables alatoires relles sur lespace probabilis (, T , p) converge en loi sil
existe une variable alatoire relle X sur lespace probabilis (, T , p) telle quen tout point t de continuit de FX on a :
lim FXn (t) = FX (t)

n+

Dans ce cas, on dit que (Xn ) converge en loi vers X et on note Xn X.

n+

Exemples :


Soit (Xn ) une suite de variables alatoires relles sur lespace probabilis (, T , p) telle que n N , Xn , N 0, n1 .
Z x
nt2
n
On a x R, n N , FXn (x) =
e 2 dt.
2
Z x n

u2
n
Considrons le changement de variables u = t n donc FXn (x) =
e 2 du.
2
www.mathlaayoune.webs.com

18 / 20

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

u2
n
Si x < 0 alors x n donc FXn (x)
e 2 du = 0.
2 Z
+

u2
n
Si t > 0 alors x n + donc FXn (x)
e 2 du = 1 (loi N (0, 1)).
2

Soit la variable alatoire constante X = 0 donc p(X = 0) = 1 donc x R, FX (x) = p(X x) =

0
1

si x < 0
si x 0

do FX est continue sur R et on a x R , lim FXn (x) = FX (x).

n+

On dduit que Xn 0.
n+

Soit > 0 et (Xn ) une suite de variables alatoires relles indpendantes sur lespace probabilis (, T , p) de mme
loi E().
On pose n N, Yn = min(X0 , . . . , Xn ) donc n N, FYn = 1 (1 FX1 ) (1 FXn ) = 1 (1 FX1 )n+1 .
On dduit que t R :

n+1
Z t

t n+1

n+1
t
e dt
Si t 0 alors FYn (t) = 1(1FX1 (t))
= 1 1 1
= 1 1 1 + et 0
=
0

1 (1 (1 et ))n+1 = 1 e(n+1)t donc lim FYn (t) = 1.

n+

Si t < 0 alors FX1 (t) = 0 donc FYn (t) = 0 do lim FYn (t) = 0.
n+

0 si t < 0
do FX est continue sur R et on a
Soit la variable alatoire constante X = 0 donc x R, FX (t) =
1 si t 0
x R , lim FXn (x) = FX (x).
n+

On dduit que Xn 0.
n+

Proposition 7.5 Soit X et (Xn ) une suite de variables alatoires relles sur lespace probabilis (, T , p) valeurs dans N.
(Xn ) converge en loi vers X si, et seulement si, k N, lim p(Xn = k) = P (X = k).
n+

Corollaire 7.6 Soit (Xn )n1 une suite de variables alatoires relle sur lespace probabilis (, T , p) telle que n 1, Xn ,
B(n, pn ).
Si npn > 0 alors la suite (Xn )n1 converge en loi vers une variable alatoire relle X qui sui la loi P().
n+

Interprtation de la loi de Poisson comme loi des vnements rares : Soit > 0 et X , P().
Daprs le corollaire prcdent, pour n assez grand, on peut considrer que X , B(n, n ) donc la loi de Poisson dcrit,
lorsquon rpte un trs grand nombre de fois (n) une exprience, le nombre de succs dun vnement ayant une faible chance
de se raliser ( n ).
Proposition 7.7 Soit (Xn ) une suite de variables alatoires relles sur lespace probabilis (, T , p).
Si (Xn ) converge en probabilit vers une variable alatoire X alors (Xn ) converge en loi vers X.


Remarque : La rciproque est fausse. En effet, soit X , B 21 et (Xn ) dfinie par n N, Xn =
1 X.
On a n N, p(Xn = 0) = p(X = 1) = 12 = p(X = 0) = p(Xn = 1) donc n N, Xn , B 21 donc n N, FXn = FX
L

do Xn X.
n+

Cependant, On a n N, |Xn X| = |1 2X| et X prend deux valeurs 0 et 1 donc |Xn X| prend une seule valeur 1 do
p(|Xn X| = 1) = 1. On dduit que n N, p(|Xn X| 21 ) = p(|1 2X| 21 ) = p(|1 2X| = 1) = 1 6 0 donc (Xn )
ne converge pas en probabilit vers X.

7.3

Thormes limites :

Thorme 7.1 (Loi faible des grands nombres) Si (Xn )n1 est!une suite de variables alatoires indpendantes, de mme loi
n
1X
et admettant des moments dordre 2, alors la suite
Xk
, de variables alatoires, converge en probabilit vers la
n
k=1

n1

variable constante = E(X1 ).

Remarque : Quand les variables alatoires ont mme loi, on dit quelles sont identiquement distribues.
Application : interprtation frquentiste de la probabilit dun vnement : Soit A un vnement dont on cherche la
probabilit p de sa ralisation.
Au cours dune suite dexpriences, on pose n N, Xn la variable alatoire gale 1 si A est ralis au n-ime exprience et
0 sinon donc n N, Xn , B(p).
www.mathlaayoune.webs.com

19 / 20

mathlaayoune@gmail.com

CPGE Laayoune

Lissane Eddine

Essaidi Ali

1X
P
Xk p.
n+
n
k=1
On dduit que, pour n assez grand, on peut approch p par le nombre moyen de ralisation de lvnement A.

On a n N, E(Xn2 ) = p donc, daprs la loi faible des grands nombres,

Thorme 7.2 (Thorme de la limite centre) Si (Xn )n1 est une suite de
!!variables alatoires indpendantes, de mme loi
n
X
1

, de variables alatoires, o = E(X1 ) et

et admettant des moments dordre 2, alors la suite
Xk n
n
k=1

n1

= (X1 ), converge en loi vers une variable alatoire qui suit la loi Gaussienne standard N (0, 1).
Remarques :
1

n
X

t2

Dans les condition du thorme de la limite centre a b on a p a

Xk n b
e 2 dt.
n
a
k=1
!

n
n 1X
On a
Xk N (0, 1) donc la vitesse de convergence de la loi faible des grands nombres est en n .

n
k=1
Application : Soit (Xn ) une suite de variables alatoires indpendantes de mme loi P(1) donc n N, E(Xn ) = V (Xn ) = 1.
Z 0

t2
1
X1 + + Xn n

Daprs le thorme de la limite centre p

0
e 2 dt = .
2
n

X1 + + Xn n

0 = p (X1 + + Xn n) =
Dautre part, par stabilit de la loi de poisson, X1 + +Xn , P(n) donc p
n
n
n
k
k
X
X
n
1
n
en
do en

k!
k!
2
k=0

k=0

www.mathlaayoune.webs.com

20 / 20

mathlaayoune@gmail.com