Universite de Paris X Nanterre

U.F.R. Segmi Annee 2005-2006

Licence Economie-Gestion deuxi`eme annee

R
esum
e du cours de probabilit
e

1 Combinatoire
Soit E un ensemble. On note #E son cardinal, cest-`a-dire le nombre de ses elements.
Rappelons que # = 0. Soit E un ensemble `a n elements (n 0). Soit P(E) lensemble
de toutes les parties de E.

Proposition 1. #P(E) = 2n .

Soit Pk (E) lensemble de toutes les parties `a k elements de E.

n!
Proposition 2. #Pk (E) = Cnk = k!(nk)! .

Remarque 3. Les coefficients Cnk sont appeles coefficients binomiaux. Par convention, on
pose 0 ! = 1. On a bien alors #P0 () = 1. Il y a dans tout ensemble une partie `a 0 element
qui est , y compris dans lui-meme.

Propri
et
es
1. Il y a autant de parties `a k elements que de parties `a n k elements. Donc

Cnk = Cnnk .

2. Le nombre de toutes les parties de E est egal `a la somme des nombres de ses parties
de cardinaux distincts. Soit
Xn
Cnk = 2n .
k=0

3. Soit E un ensemble `a n elements (n 1). Soit k 1. Soit a E. Le nombre de

parties `a k elements de E est egal `a la somme du nombre de parties `a k elements
contenant a, et du nombre de parties `a k elements ne contenant pas a. On en deduit
lidentite
k1
Cnk = Cn1 k
+ Cn1 . (1)
Cette derni`ere propriete est tr`es utile pour calculer rapidemment les coefficients par
la formule dite du triangle de Pascal. Le tableau suivant permet de les calculer pour

1
 0 k n 5.
1
1 1
1 2 1
1 3 3 1
1 4 6 4 1
1 5 10 10 5 1
1 6 15 20 15 6 1
4. Binome de Newton. Ces nombres sont appeles les coefficients binomiaux car ils in-
terviennent dans le calcul des puissances dun binome.
n
X
(a + b)n = Cnk ak bnk .
k=1

Produit densembles Soient E, F deux ensembles de cardinaux respectifs n et p. Soit

E F lensemble produit, cest-`a-dire lensemble des couples ordonnes (x, y) o`u x E et
y F . On a : #EF = np. Plus generalement, si lon a q ensembles de cardinaux respectifs
ni , 1 i q, E1 Eq est lensemble des suites ordonnees (q-uplets) (x1 , , xq )
u xi Ei . On a alors : #E1 Eq = n1 nq . Lorsque tous les ensembles Ei sont
o`
tous egaux, le produit de n fois le meme ensemble se note E n = E E, et lon a
#E n = (#E)n .

Le tirage sans remise Dans une collection de N objets dont r rouges, on effectue n
tirages sans remise. Si n N et k r et n k N r, le nombre de tirages contenant
nk
k objet rouges est Crk CN n
r . Le nombre total de tirages est CN .

Le tirage avec remise Dans une collection de N objets dont r rouges, on effectue n
tirages avec remise, cest-`a-dire que lon remet lobjet tire dans le lot apr`es lavoir observe.
Le nombre de tirages contenant k objet rouges est Cnk rk (N r)nk . Le nombre total de
tirages est N n . Il ny a pas de restrictions sur k et n.

2 Probabilit
es

D efinition 4 (Probabilite). Soit un ensemble non vide. On appelle evenement toute

partie de . On appelle probabilite ou loi de probabilite une application P de dans [0,1]
verifiant les deux axiomes suivants.
(A1) P() = 1.
(A2) Pour toute collection de parties A1 , . . . , An , . . . deux-`
a-deux disjointes de , on a

P(A1 An . . . ) = P(A1 ) + + P(An ) + . . . .

2
Propri
et
es
(P1) P() = 0.
(P2) Si A et B sont deux evenements quelconques, non necessairement disjoints, on a

P(A B) = P(A) + P(B) P(A B) .

(P3) Si A B alors P(A) P(B).

(P4) Soit Ac le complementaire de levenement A. Alors P(Ac ) = 1 P(A).

Exemple 5. Soit un ensemble fini. Soit P la probabilite sur definie par

card(A)
P(A) =
card()

Cette probabilite est appelee probabilite (ou loi) uniforme sur lensemble . Elle cor-
respond `a la notion intuitive de chance. On lutilise lorsque lon peut decrire lensemble
des possibilites, et quelles sont toutes equiprobables. Cest generalement la situation des
exercices de type pile ou face, jeu de des, urnes, etc. Les probabilites des evenements
sont alors calculees en determinant le cardinal de ces evenements, `a laide des formules de
combinatoire (faisant le plus souvent intervenir les coefficients binomiaux).
Ce nest pas la seule situation possible.

Exercice 2.1. Soient A, B, C trois evenements. Determiner en fonction de P (A), P (B),

P (C), P (A B) P (B C), P (C A), P (A B C) les probabilites suivantes :
(i) un et un seul evenement est realise ;
(ii) exactement deux evenements sont realises ;
(iii) aucun nest realise.

Corrige. Pour resoudre cet exercice, il faut faire un dessin et appliquer la propriete (P2).
(i) P(un et un seul seul evenement est realise)
= P(A) + P(B) + P(C) 2P(A B) 2P(B C) 2P(C A) + 3P(A B C).
(ii) P(exactement deux evenements sont realises)
= P(A B) + P(B C) + P(C A) 3P(A B C) .
(iii) P(aucun evenement nest realise)
= P((A B C)c ) = 1 P(A B C)
= 1 P(A) P(B) P(C) + P(A B) + P(B C) + P(C A) P(A B C).

3
Exercice 2.2. On lance deux des. On note par A levenement la somme des des est
impaire, par B levenement au moins lun des des montre 1, et C la somme des des
est 5. Decrire A B, A B, B C, A B c .

Corrige. Les lancers possibles de deux des sont les couples ordonnes (i, j), avec 1 i, j 6.
A B = {(1, 2), (2, 1), (1, 4), (4, 1), (1, 6), (6, 1)} ;
A B = {(1, 1), (1, 2), (2, 1), (1, 3), (3, 1)(1, 4), (4, 1), (1, 5), (5, 1), (1, 6), (6, 1), (2, 3), (3, 2),
(2, 5), (5, 2), (3, 4), (4, 3), (3, 6), (6, 3), (4, 5), (5, 4), (5, 6), (6, 5)} ;
B C = {(1, 4), (4, 1)}
A B c = {(2, 3), (3, 2), (2, 5), (5, 2), (3, 4), (4, 3), (3, 6), (6, 3), (4, 5), (5, 4), (5, 6), (6, 5)}.

Exercice 2.3. On lance trois des. Quels sont les jets qui donnent une somme egale `a 11 ?
`a 12 ? Quelle somme est-elle la plus probable ?

Corrige. Les lancers de trois des sont des triplets ordonnes (i, j, k), avec 1 i, j, k 6. Il
y a 216 tels triplets au total. A chaque triplet non ordonne {i, j, k} correspondent
- 6 triplets ordonnes si i, j, k sont deux `a deux distincts ;
- 3 triplets non ordonnes si i = j ou i = k ou j = k et le troisi`eme est distinct ;
- 1 triplet ordonne si i = j = k.
Soient A levenement la somme des trois des est 11 et B levenement la somme des
trois des est 11.
Les triplets non ordonnes correspondant `a A sont : {1,4,6}, {1,5,5}, {2,3,6}, {2,4,5},
{3,3,5}, {3,4,4}. On a donc card(A) = 6+3+6+6+3+3=27, et P(A) = 27/216 = 1/8.
Les triplets non ordonnes correspondant `a B sont : {1,5,6}, {2,4,6}, {2,5,5}, {3,3,6},
{3,4,5}, {4,4,4}. On a donc card(B) = 6+6+3+3+6+1=25, et P(A) = 25/216 < 1/8.
Il est plus probable de faire une somme egale `a 11 avec trois des que 12.

Exercice 2.4. Quelle est la probabilite que les anniversaires de r personnes aient lieu `a des
dates differentes. Quelle est la valeur minimale de r qui assure que cette probabilite soit
inferieure `a 1/2.

Corrige. On peut decrire le probl`eme de la facon suivante : on jette r boules dans n = 366
cases ; quelle est la probabilite pour quaucune case ne contienne au moins deux boules ?
Il y a nr facons de lancer les r boules dans les n cases, et n(n 1) . . . (n r + 1) facons de
choisir les r cases distinctes. La probabilite cherchee est donc

n(n 1) . . . (n r + 1)
= (1 1/n)(1 2/n) . . . (1 (r 1)/n) .
nr
Pour n = 366, on trouve que le plus petit nombre r de personnes pour lequel la probabilite
est inferieure `a 1/2 est 23. Cest-`a-dire que si 23 personnes sont reunies, il y a plus dune
chance sur deux que deux soient nees le meme jour. Parmi 50 personnes, il y a 97% de
chance que deux soient nees le meme jour.

4
3 Probabilit
es conditionnelles
Definition 6 (Probabilite conditionnelle). Soit un ensemble. Soit P une probabilite sur
. Soit B un evenement de probabilite non nulle. On appelle probabilite conditionnelle
sachant B la probabilite sur definie par :

P(A B)
A , P(A|B) = .
P(B)

Propri et es La probabilite conditionelle sachant B, P( | B) est une probabilite sur .

Elle verifie donc toutes les proprietes des probabilites. En particulier, P( | B) = 1,
P( | B) = 0 et si A1 , . . . , An , . . . sont des evenements disjoints, on a :

P(A1 An . . . |B) = P(A1 |B) + + P(An |B) + . . .

Si A est disjoint de B, on a P(A|B) = 0.

Pour tout couple devenements A et B, P(A B) = P(A|B)P(B).

Formule des probabilit es totales Soit {B1 , . . . , Bn , . . .} une partition de . Alors,

pour tout evenement A, on a

P(A) = P(A|B1 )P(B1 ) + + P(A|Bn )P(Bn ) + . . .

Formule de Bayes Soient A et B deux evenements de probabilites non nulles. Alors

P(B|A)P(A)
P(A|B) = .
P(B)

Remarque 7. On applique souvent la formule des probabilites totales avec deux evenements
complementaires B et B c . Elle devient alors

P(A) = P(A|B)P(B) + P(A|B c )P(B c ) .

Exercice 3.1. On tire 2 cartes dans un jeu de 52. Quelle est la probabilite pour que la
deuxi`eme carte soit un as.

corrige. Lintuition elementaire est que la probabilite est 1/13. Pour le prouver, on peut
decomposer cet evenement selon la nature de la premi`ere carte. Notons A1 levenement
la premi`ere carte du paquet est un as et A2 levenement la deuxi`eme carte du paquet
est un as. Par application de la formule des probabilites totales, on a
3 4 4 48 4 1
P(A2 ) = P(A2 | A1 )P(A1 ) + P(A2 | Ac1 )P(Ac1 ) = + = = .
51 52 51 52 52 13

5
Exercice 3.2 (Examen de Septembre 2005). La proportion reelle des electeurs votant pour
le candidat A est p. Au cours dun sondage, un electeur qui va reellement voter pour le
candidat A repond honnetement avec la probabilite 90%. Ceux qui ne voteront pas pour
A repondent honnetement `a 95%.
(i) Calculer en fonction de p la probabilite q pour quun electeur, pris au hasard, reponde
quil va voter pour A.
(ii) En deduire en fonction de p la probabilite r pour quun electeur, pris au hasard, vote
reellement pour A sachant quil a repondu quil vote pour A.
(iii) Application numerique. Calculer q et r lorsque p = 5% et p = 45%.

Corrige. Le but de cet exercice est dappliquer la formule des probabilites totales et la
formule de Bayes. Notons H levenement lelecteur interroge repond honnetement et A
levenement lelecteur vote pour le candidat A. Les donnees de lenonce sont donc :

P(H | A) = 0, 9 ; P(H | Ac ) = 0, 95 ; P(A) = p .

(i) Lelecteur repond quil va voter pour A sil va vraiment voter pour A et repond
honnetement, ou sil ne va pas voter pour A et repond malhonnetement. Notons Q
levenement lelecteur repond quil vote pour A. Par la formule des probabilites
totales, on a

q = P(Q) = P(Q | A)P(A) + P(Q | Ac )P(Ac )

= P(H | A)P(A) + P(H c | Ac )P(Ac ) = 0, 9p + 0, 05(1 p) = 0, 05 + 0, 85p .

(ii) Par la formule de Bayes, on a

P(Q | A)P(A) P(H | A)P(A) 90p

r = P(A | Q) = = = .
P(Q) P(Q) 5 + 85p

(iii) Si p = 45%, q = 43, 25% et r = 93, 64% ;

si p = 5%, q = 9, 25% et r = 48, 65%.
Interpretation : la fiabilite des reponses devient tr`es faible lorsque la proportion delecteurs
votant pour A est faible. Ce phenom`ene est appele vote honteux. Il conduit `a sous-
estimer le vote pour le candidat A.

4 Ind
ependance
D
efinition 8 (Independance de deux evenements).
Deux evenements sont independants si P(A B) = P(A)P(B).

Remarques 9.
Si P(A) = 0, alors A est independant de tout autre evenement.
Si A et B sont independants, alors A et B c sont independants.

6
 Si A et B sont disjoints, alors ils ne sont pas independants, sauf si lun des deux
est de probabilite nulle.

Proposition 10. A et B sont independants si soit P(A)P(B) = 0 ou soit P(A | B) = P(A)

ou P(B | A) = P(B).

Definition 11 (Independance dune famille devenements). Des evenements A1 , . . . , An

sont independants si

P(B1 Bn ) = P(B1 ) P(Bn ) ,

u, pour chaque i, Bi = Ai ou Bi = Aci (complementaire de Ai ).

o`

Remarque 12. Cette definition semble complexe, mais elle est necessaire pour eviter des
contradictions. Il est important de noter que lindependance dune famille devenements
est une propriete plus forte que lindependance des evenements deux `a deux.

Les tirages
- Dans une suite de tirages sans remise, les tirages successifs ne sont pas independants ;
- Dans une suite de tirages avec remise, les tirages successifs sont independants.
Exemple 13. On effectue une suite de tirages dans une urne qui comporte des boules rouges
en proportion p. Quelle est la probabilite pour que la premi`ere boule rouge apparaisse au
troisi`eme tirage ?
Soit A levenement en question. Pour i = 1, 2, 3, notons Ai levenement la i-`eme boule
tiree est rouge. On a donc A = Ac1 Ac2 A3 . Pour poursuivre, il faut preciser quel type
de tirage on effectue.
Tirage avec remise. Les tirages sont independants. A chaque tirage, la probabilite
de succ`es est p. On a donc

P(A) = P(Ac1 )P(Ac2 )P(A3 ) = (1 p)2 p .

Tirage sans remise. Les tirages ne sont pas independants, et la probabilite de succ`es
varie. De plus il faut connatre la constitution exacte de lurne, et non seulement
la proportion de boules rouges. Soit N le nombre total de boules et r le nombre
de boules rouges. Les tirages netant pas independants, on utilise les probabilites
conditionnelles.
r N r1N r
P(A) = P(A3 | Ac2 Ac1 )P(Ac2 | Ac1 )P(Ac1 ) = .
N 2 N 1 N
Application numerique.
Considerons tout dabord N = 10, r = 5.
54 5 5
Tirage avec remise : P(A) = 1/8 = 0, 125 ; tirage sans remise : P(A) = 8 9 10 = 36 0, 139.
La difference est de lordre de 11%.
Considerons maintenant N = 100, r = 50.

7
 50 49 50
Tirage avec remise : on a toujours P(A) = 1/8 ; tirage sans remise : P(A) = 98 99 100 =
25
198 0, 12627. La diff
erence est de lordre de 1%.
La difference entre les deux modes de tirage est tr`es faible lorsque le nombre de tirages
est tr`es faible devant la population consideree. En particulier, un sondage dopinion est
un tirage sans remise ; mais lechantillon interroge est generalement tr`es petit par rapport
`a la population totale (1000 personnes interrogees pour une population de lordre de 60
millions).

5 Variables al
eatoires
Definition 14 (Variable aleatoire). Une variable aleatoire est une application de dans
un ensemble E appele espace des realisations de la variable aleatoire.

On note generalement les variables aleatoires X, Y , . . .

Remarque 15. Une variable aleatoire est donc une application dun ensemble dans un
autre, mais sa particularite est que lensemble de depart nest pas defini de facon expli-
cite (on ne sait pas vraiment ce quest ), et elle nest pas definie comme les fonctions
numeriques usuelles par un procede mathematique explicite. Une variable aleatoire est
souvent definie comme une mesure liee `a une experience aleatoire particuli`ere. Letude
des variables aleatoires commence dabord par determiner lensemble des valeurs quelles
peuvent prendre.
Lexemple le plus simple dune variable aleatoire est la variable aleatoire constante : X
est identiquement egale `a une valeur fixe x0 . On identifie la variable constante `a sa valeur.
Le deuxi`eme exemple est celui dune variable ne prenant que deux valeurs. Le cas
particulier fondamental est celui dune variable indicatrice.

D
efinition 16 (Indicatrice). Soit A un evenement. On appelle indicatrice de levenement
A, notee 1A , la variable aleatoire qui vaut 1 si A est realise et 0 sinon.

Exemple 17. Soient A1 , . . . , An des evenements et soit Sn = 1An + + 1An . La variable

aleatoire Sn compte le nombre devenements qui se realisent. Les valeurs quelle peut
prendre sont les entiers de 0 `a n, mais pas necessairement tous.
Supposons par exemple que A1 soit levenement il pleut, A2 levenement Jules va
a` la peche et A3 levenement Jules attrape un poisson. Posons S = A1 + A2 + A3 . Les
valeurs prises par S sont a priori 0, 1 2 ou 3. Si Jules est un excellent pecheur qui attrappe
systematiquement un poisson `a chaque fois quil p`eche, alors les valeurs prises par S sont
0, 1 ou 3. Si Jules ne peche que sil pleut, S ne peut alors valoir que 0 ou 3.
Considerons maintenant des tirages successifs de boules dans une urne contenant des
boules rouges et des boules vertes. Soit Ai levenement la i-`eme boule tiree est rouge
et Sn = 1An + + 1An . Sn est le nombre total de boules rouges tirees, et les valeurs
quelle peut prendre dependent du mode de tirage. Si le tirage est avec remise, Sn peut

8
 prendre toutes les valeurs enti`eres de 0 `a n. Si le tirage est sans remise, Sn ne peut pas
etre superieure au nombre total de boules rouges.
Exemple 18. Soit {A1 , . . . , An , . . .} une suite illimitee devenements, par exemple le resultat
(boule rouge ou boule verte) dune suite de tirages avec remise. Soit T la date du premier
evenement realise. Par exemple T peut etre la date du tirage de la premi`ere boule rouge.
Alors T peut prendre toute valeur enti`ere. Le nombre de valeurs possibles pour T est infini,
contrairement aux exemples precedents.
Une variable aleatoire nest pas une application dont on peut prevoir la valeur. Ce
que lon peut connatre a priori, avant toute experience dune variable aleatoire, cest la
probabilite quelle se realise de telle ou telle facon. Cest ce quon appelle la loi de la
variable aleatoire.

Definition 19. Soit X une variable aleatoire de dans un espace E. La loi de X est la
donnee des probabilites de realisation de X : P(X A) pour toute partie A E.

Pour poursuivre letude des variables aleatoires, il faut les distinguer selon lensemble
des valeurs quelles peuvent prendre. Lensemble des valeurs prises par les variables aleatoi-
res decrites dans les exemples precedents est fini ou denombrable, cest-`a-dire equipotent
`a N : on peut denombrer, enumerer les valeurs prises. Ces variables aleatoires sont dites
discr`etes.

5.1 Variables al
eatoires discr`
etes
D efinition 20. Une variable aleatoire est dite discr`ete si elle prend un nombre fini ou
denombrable de valeurs.

Proposition 21. Soit X une variable aleatoire discr`ete, `

a valeur dans un ensemble E
fini ou denombrable. Pour toute partie A de E, on a
X
P(X A) = P(X = x) .
xA

Lois discr` etes usuelles

Loi de Bernoulli. Une variable X suit la loi de Bernoulli de param`etre p [0, 1]
si P(X = 1) = 1 P(X = 0) = p. Lindicatrice dun evenement A suit la loi de
Bernoulli de param`etre P(A).
Loi Binomiale. Une variable aleatoire X suit la loi binomiale B(n, p) (n N , p
[0, 1]) si k {0, , n}, P(S = k) = Cnk pk (1 p)nk .
Loi geometrique. Une variable aleatoire T `a valeurs enti`eres non nulles suit la loi
geometrique de param`etre p ]0, 1[ si P(T = k) = pq k1 , pour tout k N et
q = 1 p.
Loi de Poisson. Une variable X suit la loi de Poisson de param`etre > 0 si k N,
P (X = k) = e k /k!.

9
Theor`eme 22.
- La loi binomiale B(n, p) est la loi du nombre de succ`es dans une suite de n tirage avec
remise, p etant la probabilite de succ`es de chaque tirage.
- La loi geometrique de param`etre p est la loi de la date du premier succ`es dans une suite
de tirages avec remise de probabilite de succ`es p.

Th eme 23. Soit X une variable aleatoire de loi binomiale B(n, p). Si n est grand
eor`
(n 100) et p petit, de telle sorte que np 5, alors la loi de X peut etre approchee par la
loi de Poisson de param`etre = np. Plus precisemment, si pn depend de n de telle sorte
que limn npn = , alors, pour tout k entier et n k, on a

k
lim P(X = k) = lim Cnk pkn (1 pn )nk = e .
n n k!
Exercice 5.1. Dans une entreprise, une machine produit des pi`eces dont les dimensions
tr`es precises doivent etre respectees.
(i) Apr`es un premier reglage, on constate que la probabilite pour une pi`ece detre
defectueuse est de 1/3. On examine 5 pi`eces choisies au hasard dans la production.
Soit X la variable aleatoire nombre de pi`eces defectueuses parmi les 5.
Quelle sont la loi, lesperance et la variance de X ?
Quelle est la probabilite pour quil ny ait pas de pi`ece defectueuse ?
Quelle est la probabilite pour quil ny ait pas plus dune pi`ece defectueuse ?
(ii) Apr`es un second reglage, la probabilite pour une pi`ece detre defectueuse tombe `a
0.05. On examine maintenant un lot de 100 pi`eces. Calculer la probabilite :
de ne pas trouver de pi`ece defectueuse,
de trouver deux pi`eces defectueuses,
de trouver un nombre de pi`eces defectueuses compris entre un et trois (au sens
large).

Corrige. i) La loi de X est la loi binomiale B(5, 1/3). Son esperance est 5/3 et sa variance
est 10/9 (cf. section 5.3). Par definition de la loi binomiale, on a

P(X = 0) = (2/3)5 ; P(X 1) = (2/3)5 + 5 24 /35 = 7 24 /35 .

ii) On va maintenant utiliser lapproximation de la loi binomiale par la loi de Poisson.

Puis que 100p = 5, X suit approximativement la loi de Poisson de param`etre 5. On
lit alors dans la table de la loi de Poisson
25 5
P(X = 0) e5 = 0, 0067 ; P(X = 2) e = 0, 0842 ; P(1 X 3) = 0, 2582 .
2

10
5.2 Variables al
eatoires ind
ependantes
Definition 24. Soient X1 , , Xn , . . . des variables aleatoires `
a valeurs dans des espaces
E1 , , En , . . . Les variables Xi sont conjointement independantes si pour tout k N et
pour k-uplet devenements A1 , , Ak de E1 , , Ek , on a

P(X1 A1 , , Xk Ak ) = P(X1 A1 ) . . . P(Xk Ak ) .

Theor` eme 25.

- La loi binomiale B(n, p) est la loi de la somme de n variables independantes de Bernoulli
de meme param`etre p.
- La loi geometrique de param`etre p est la loi de la date du premier 1 dans une suite de
variables de Bernoulli independantes de meme param`etre p.

5.3 Esp
erance math
ematique
Definition 26 (Esperance). Lesperance est une application definie sur lensemble des
variables aleatoires, notee E, caracterisee par les proprietes suivantes :
lesperance de lindicatrice dun evenement est la probabilite de cet evenement :
E[1A ] = P(A) ;
lesperance est lineaire : E[aX + bY ] = aE[X] + bE[Y ] ;
lesperance est croissante : si X Y alors E[X] E[Y ] ; en particulier, si X 0,
alors E[X] 0.

Th eor`
eme 27. Soit X une variable aleatoire discr`ete `
a valeurs dans un ensemble E et
soit une fonction de E dans R. Alors
X
E[(x)] = (x)P(X = x) .
xE

Th eor`eme 28. Soient X1 , . . . , Xn , . . . des variables aleatoires. Elles sont independantes

si et seulement si pour tout k et toutes fonctions 1 , . . . , k , on a

E[1 (X1 ) . . . k (Xk )] = E[1 (X1 )] . . . E[k (Xk )] .

Definition 29 (Variance). Soit X une variable aleatoire `

a valeurs reelles. Sa variance
est var(X) = E[X 2 ] (E[X])2 = E[(X E[X])2 ].

Propri
etes
var(X) est nulle si et seulement si X est une variable constante.
Soit X une variable aleatoire et a R. var(aX) = a2 var(X).

Esp
erance et variance de lois usuelles discr`
etes

11
 loi de X E[X] var(X)
Bernoulli B(p) p p(1 p)
Binomiale B(n, p) np np(1 p)
Geometrique de param`etre p 1/p (1 p)/p2
Poisson P()

5.4 Couple de variables al

eatoires discr`
etes
Definition 30 (Loi jointe). Soient X et Y deux variables aleatoires ` a valeurs dans deux
ensembles E et F , respectivement. La loi jointe de X et Y est la loi du couple (X, Y ) ;
cest la donnee des probabilites de realisation du couple (X, Y ). Elle est caracterisee par
les probablites du type P(X A et Y B). Si X et Y sont discr`etes, alors la loi du couple
(X, Y ) est caracterisee par les probabilites elementaires P(X = x et Y = y), et lon a :
X
P((X, Y ) C) = P(X = x et Y = y) .
(x,y)C

Proposition 31. Soit (X, Y ) un couple de variables aleatoires discr`etes `

a valeurs dans
deux ensembles E et F , respectivement. Soit une fonction de . Alors
XX
E[(X, Y )] = (x, y)P(X = x et Y = y) .
xE yF

Definition 32 (Covariance). Soient X et Y deux variables aleatoires a

` valeurs reelles.
Leur covariance est cov(X, Y ) = E[XY ] E[X]E[Y ] = E[(X E[X])(Y E[Y ])].

Proposition 33. Soient X et Y deux variables aleatoires discr`etes alors

X
cov(X, Y ) = xy{P(X = x et Y = y) P(X = x)P(Y = y)}
x,y
X
= xy{P(X = x et Y = y) P(X = x)P(Y = y)} .
x6=0,y6=0

Plus generalement, soient et deux fonctions, alors

X
cov((X), (Y )) = (x)(y){P(X = x et Y = y) P(X = x)P(Y = y)} .
x,y

Propriet
es
Soient X et Y deux variables aleatoires. var(X +Y ) = var(X)+2cov(X, Y )+var(Y ).
Si X et Y sont independantes, alors cov(X, Y ) = 0 et donc var(X + Y ) = var(X) +
var(Y ).
Exercice 5.2. Soient X et Y des variables aleatoires discr`etes dont la loi jointe est donnee
par le tableau suivant.

12
 X \Y -1 0 2 5
0 0,10 0,05 0,15 0,05
1 0,15 0,20 0,25 0,05

(i) Verifier que ce tableau definit bien une loi de probabilite bivariee.
(ii) Quelle est la loi marginale de X ?
(iii) Quelle est la loi marginale de Y ?
(iv) X et Y sont-elles independantes ?
(v) Calculer P(Y 0 | X = 1).
(vi) Calculer E[X], E[Y ], var(X), var(Y ) et cov(X, Y ).

Corrige.
(i) Il suffit de verifier que la somme de toutes les valeurs du tableau est 1.
(ii) X prend les valeurs 0 et 1 avec les probabilites
P(X = 0) = 0, 10 + 0, 05 + 0, 15 + 0, 05 = 0, 35 ;
P(X = 1) = 0, 15 + 0, 20 + 0, 25 + 0, 05 = 0, 65.
On v
erifie que P(X = 0) + P(X = 1) = 1.
(iii) Y prend les valeurs -1, 0, 2 et 5 avec les probabilites
P(Y = 1) = 0, 10 + 0, 15 = 0, 25 ; P(Y = 0) = 0, 05 + 0, 20 = 0, 25 ;
P(Y = 2) = 0, 15 + 0, 25 = 0, 40 ; P(Y = 5) = 0, 05 + 0, 05 = 0, 10.
erifie que P(Y = 1) + P(Y = 0) + P(Y = 2) + P(Y = 5) = 1.
On v
(iv) X et Y ne sont pas independantes car P(X = 0 et Y = 0) = 0, 05 tandis que
P(X = 0)P(Y = 0) = 0, 35 0, 25 = 0, 0875 6= 0.05.
(v) P(Y 0 | X = 1) = P(Y = 0 | X = 1)+P(Y = 2 | X = 1)+P(Y = 5 | X = 1) = 0, 5.
(vi) E[X] = 0, 35 ; E[Y ] = 1, 05 ; var(X) = 0, 2275 ; var(Y ) = 3, 2475 ;
XX
cov(X, Y ) = xy{P(X = x et Y = y) P(X = x)P(Y = y)}
x6=0 y6=0
X
= y{P(X = 1 et Y = y) P(X = 1)P(Y = y)}
y6=0

= (0, 15 0, 35 0, 25) + 2(0, 25 0, 35 0, 40) + 5(0, 05 0, 35 0, 10)

= 0, 2325 .

13