Probabilités sur un univers fini  - 

Sommaire

1. Espace probabilisé 1 2.2. Espérance . . . . . . . . . . . . . . . . . . 5

1.1. Univers et événements . . . . . . . . . . 1 2.3. Variance et écart-type . . . . . . . . . . . 6
1.2. Probabilité sur un univers fini . . . . . . . 2 2.4. Lois usuelles . . . . . . . . . . . . . . . . 6
1.3. Espace probabilisé . . . . . . . . . . . . . 2
1.4. Indépendance et conditionnement . . . . 2 3. Couple de variables aléatoires 7
1.5. Formules des probabilités composées 3.1. Lois. . . . . . . . . . . . . . . . . . . . . . . 7
et des probabilités totales . . . . . . . . . 3 3.2. Variables aléatoires indépendantes . . . 7
1.6. Formule de Bayes . . . . . . . . . . . . . . 4 3.3. Variables aléatoire mutuellement indé-
pendantes . . . . . . . . . . . . . . . . . . 7
2. Variables aléatoires sur un univers fini 4 3.4. Covariance et coefficient de corrélation
2.1. Variable aléatoire . . . . . . . . . . . . . . 4 linéaire . . . . . . . . . . . . . . . . . . . . 8

1. Espace probabilisé
1.1. Univers et événements
La théorie des probabilités permet l’étude de phénomènes ayant un aspect hasardeux, ou bien, dit
d’une façon plus savante, aléatoire.
On appelle cela une expérience aléatoire.
Parmi les cas les plus simples et usuels :

Phénomène Résultats possibles

lancer d’une pièce {pile, face}
lancer d’un dé à jouer {1, 2, 3, 4, 5, 6}
lancer de deux dés {1, 2, 3, 4, 5, 6} × {1, 2, 3, 4, 5, 6}
lancer de deux dés jusqu’à obtenir un double six ∗

Définition : Les résultats possibles sont appelé les éventualités.

L’ensemble des résultats possibles est appelé univers, noté souvent Ω.
Un ensemble d’éventualités est un événement. Cet ensemble peut être vide !
Un événement qui ne contient qu’une seule éventualité est un événement élémentaire.
Ainsi : A est un événement ⇔ A ⊂ Ω ⇔ A ∈ P (Ω).

Ce chapitre se limite aux univers finis !

Le dernier exemple n’est pas un univers fini. . .

• L’ensemble des événements est l’ensemble des parties de Ω, l’univers, noté P (Ω) ;
• L’événement vide est dit impossible ;
• L’événement Ω est dit certain ;
• Le complémentaire d’un événement A est l’événement contraire A ;
• Deux événements disjoints sont dit incompatibles.

Exemple : Si on lance un dé :
• faire 6 est une éventualité, assimilée à l’événement élémentaire {6} ;
• faire un résultat pair est un événement, noté aussi {2, 4, 6} ;
• {2, 4, 6} et faire un as sont deux événements incompatibles.
• {2, 4, 6} et {1, 3, 5} sont deux événements contraires.

Cours de Spé T.S.I. © Christophe Caignaert – Lycée Colbert –  Tourcoing – http://c.caignaert.free.fr
 -  Probabilités sur un univers fini

Les probabilités se font avec des ensembles. Cependant, dans la théorie des probabilités, certaines
expressions ensemblistes sont remplacées par des synonymes probabilistes.
On travaille ici dans Ω.
Notation Vocabulaire ensembliste Vocabulaire probabiliste
∅ Ensemble vide Événement impossible
Ω Événement certain
ω∈Ω Élément Événement élémentaire, Éventualité
A⊂Ω Sous-ensemble Événement
A∪B Union de A et B A ou B
A∩B Intersection de A et B A et B
{Ω A Complémentaire de A dans Ω Événement contraire, A
A∩B= ∅ A et B sont disjoints A et B sont incompatibles

1.2. Probabilité sur un univers fini

Définition : Une probabilité sur un univers fini Ω est une application P : P (Ω) → [0, 1] vérifiant :
• P(Ω) = 1 ;
 = ∅ ⇒ P (A ∪ B) = P(A) + P(B) ;
• A ∩ B
• P A = 1 − P(A).

La probabilité de la réunion de deux événements incompatibles est la somme des probabilités

de ces événements.

Définition : La probabilité uniforme, appelée encore équiprobabilité est la probabilité définie sur
1
un univers à n éléments par : ∀ω ∈ Ω, P(ω) = .
n

L’hypothèse d’équiprobabilité est classique dans les jeux de pile ou face, les jeux de dés, les
tirages d’une carte d’un paquet, d’une boule d’une urne. . .

1.3. Espace probabilisé

Définition : Un espace probabilisé est un couple « univers – probabilité », ou encore (Ω, P).

Théorème : L’événement impossible étant incompatibles avec tous les autres, sa probabilité est nulle :
P(∅) = 0.
∀A, B ∈ P (Ω), P(A ∪ B) = P(A) + P(B) − P(A ∩ B).
A ⊂ B ⇒ P(A) 6 P(B).

1.4. Indépendance et conditionnement

Définition : Deux événements A et B sont indépendants si et seulement si : P (A ∩ B) = P(A)  P(B).

On ne confondra pas événements indépendants et événements incompatibles !

Avec un dé à jouer, les événements nombre pair et nombre impair sont incompatibles mais pas
indépendants !

Cours de Spé T.S.I. © Christophe Caignaert – Lycée Colbert –  Tourcoing – http://c.caignaert.free.fr
Probabilités sur un univers fini  - 

Exemple : Si on lance deux pièces discernables et non truquées, les événements « la première est
pile », et, « la seconde est pile » sont indépendants...
La démonstration est laissée au lecteur !

Définition : Si P(B) > 0, on appelle probabilité conditionnelle de A sachant B,

P (A ∩ B)
le réel : PB(A) = P(A|B) = .
P(B)

Théorème : A et B sont indépendants si et seulement si PB(A) = P(A|B) = P(A).

1.5. Formules des probabilités composées et des probabilités totales

On a d’abord la formule des probabilités composées, qu’on écrit arbitrairement pour 3 événements.

Théorème : Si on a des événements tels que P (A1 ∩ A2 ∩ A3 ) > 0, alors :

P (A1 ∩ A2 ∩ A3 ) = P(A1 )  P(A2 |A1 )  P(A3 |A1 ∩ A2 )

Elle se généralise pour n événements

Théorème : Si on a A1 , A!2 , . . . An une famille d’événements de conjonction non impossible, c’est à

T
dire telle que : P Ak , 0, alors :
! 16k6n
T
P Ak = P(A1 )  P(A2 |A1 )  P(A3 |A1 ∩ A2 )  · · ·  P(An |A1 ∩ A2 · · · ∩ An−1 )
16k6n

Et on a aussi la formule des probabilités totales, toujours écrites pour 3, puis pour n, événements.
Il nous faut d’abord définir :

Définition
 : (A1 , A2 , A3 ) forme un système complet d’événements si et seulement si :
 A1 ∪ A2 ∪ A3 = Ω



 A1 ∩ A2 = ∅, A2 ∩ A3 = ∅, A1 ∩ A3 = ∅


Définition
 : (A1 , A2 , . . . , An ) forme un système complet d’événements si et seulement si :
 A1 ∪ A2 ∪ · · · ∪ An = Ω



 i , j ⇒ Ai ∩ Aj = ∅


Théorème :
Si on a (A1 , A2 , A3 ) un système complet d’événements, alors, pour tout événement B, on a :
P(B) = P(B ∩ A1 ) + P(B ∩ A2 ) + P(B ∩ A3 ) = P(B|A1 )  P(A1 ) + P(B|A2 )  P(A2 ) + P(B|A3 )  P(A3 )

Théorème :
Si on a (A1 , . . . , An ) un système complet d’événements, alors, pour tout événement B, on a :
Pn n
P
P(B) = P(B ∩ Ak ) = P(B|Ak )  P(Ak )
k=1 k=1

La formule des probabilités totales s’utilise souvent avec un système complet composé de 2
événements A et son contraire A.    
Cela donne, pour tout événement B : P(B) = P(B∩ A)+ P(B∩ A) = P(B|A) P(A)+ P B|A  P A .

Cours de Spé T.S.I. © Christophe Caignaert – Lycée Colbert –  Tourcoing – http://c.caignaert.free.fr
 -  Probabilités sur un univers fini

1.6. Formule de Bayes

Ce qui nous donne facilement la formule de Bayes :

PA (B)  P(A) P(B|A)  P(A)

Théorème : Si P(A) > 0 et P(B) > 0, alors : PB(A) = P(A|B) = =
P(B) P(B)
Démonstration : Il suffit d’écrire : P (A ∩ B) = P(A|B)  P(B) = P(B|A)  P(A).
Cette formule se généralise avec un système complet d’événements (A1 , A2 , . . . , An ), c’est toujours la
formule de Bayes :

P(B|Aj )  P(Aj )
Théorème : Soit un système complet d’événements (A1 , A2 , . . . , An ), alors : P(Aj |B) = n .
P
P(B|Ai )  P(Ai )
i=1

Démonstration : Dans la formule précédente, il suffit, d’une part de remplacer A par Aj , et d’autre
n
P n
P
part, d’écrire : P(B) = P(B ∩ Ai ) = P(B|Ai )  P(Ai ).
i=1 i=1

Cette dernière formule s’utilise souvent aussi avec un système complet composé de 2 événe-
ments A et son contraire A.
P(B|A)  P(A)
On obtient : P(A|B) =    .
P(B|A)  P(A) + P B|A  P A

Exemple : Cette formule permet, en quelques sorte, de remonter dans le passé. Considérons une urne
contenant 2 boules blanches et 3 boules noires, indiscernables au toucher.
On tire une boule sans la regarder, on la garde.
Puis on tire une seconde boule.
On appelle A l’événement : la première boule est blanche, et B, l’événement : la deuxième boule est
blanche.
La question est la suivante : Si la seconde boule est blanche, que peut-on dire sur la première ?
2   3 1   2
Il est clair que P(A) = et P A = , que P(B ∩ A) = et que P B ∩ A = .
5 5 4 4
1 2 2 3 2
On en déduit : P(B) =  +  = .
4 5 4 5 5
1
Et enfin : P(A|B) = , en vous laissant le calcul !
4
Ainsi, en voyant la deuxième boule, on a pu affiner la probabilité de la première !

2. Variables aléatoires sur un univers fini

2.1. Variable aléatoire
Définition : Une variable aléatoire est une application : Ω → E.
Quand E = ‘, on parle de variable aléatoire réelle, ce qui est le cas le plus courant pour nous.

Exemple : Cet exemple nous servira de fil rouge.

On joue à pile ou face, contre une banque, avec une pièce non truquée, donc une équiprobabilité.
On mise 1 €. Si c’est pile, on perd notre €, si c’est face, la banque nous donne 4 €.
On a donc : Ω = {pile,face}, ainsi que : P(pile)=P(face)= 1/2.
En appelant X la variable aléatoire de nos gains, on a : X(pile) = 0 − 1 = −1 et X(face) = 4 − 1 = 3.

Définition : La loi de la variable aléatoire X est, pour tous les x ∈ X(Ω), la donnée de P(X = x)

Cours de Spé T.S.I. © Christophe Caignaert – Lycée Colbert –  Tourcoing – http://c.caignaert.free.fr
Probabilités sur un univers fini  - 

Exemple : En continuant notre exemple, on a X(Ω) = {−1, 3}, et P(X = −1) = P(X = 3) = 1/2.

Théorème : La loi d’une variable aléatoire X, sur espace probabilisé (Ω, P), permet de définir une
probabilité sur X(Ω), en posant : PX (x) = P(X = x).

Définition : La fonction de répartition de la variable aléatoire réelle X sur l’espace probabilisé (Ω, P),
notée FX , est une application : ‘ → [0, 1] définie par : FX (x) = P(X 6 x).

Exemple : Toujours avec notre exemple, la fonction de répartition FX est :

• nulle sur ] − ∞, −1[ ;
• vaut 1/2 sur [−1, 3[ ;
• puis vaut 1 sur [3, +∞[.

On a représenté le graphe de cette fonction de répartition.

2.2. Espérance
Définition : Soit X, une variable aléatoire réelle, sur espace probabilisé fini (Ω, P).
P
Alors l’espérance de X est donnée par : E(X) = P({ω}) X(ω).
ω∈Ω

L’espérance est la moyenne des valeurs de X pondérée par leur probabilité.

On a maintenant le petit théorème de transfert :

Théorème : Soit X, une variable aléatoire réelle, sur espace probabilisé fini (Ω, P).
Ω étant fini, il en est de même pour X(Ω).
P
Alors l’espérance de X vaut : E(X) = x  P(X = x).
x∈X(Ω)

Démonstration : La probabilité que X = x est égale à la somme des probabilités des ω tels que X(ω) =
x.
En regroupant les ω selon leur image, on a le résultat annoncé.
Puis le théorème de transfert :

Théorème : Soit X, une variable aléatoire réelle, sur espace probabilisé fini (Ω, P).
Ω étant fini, il en est de même pour X(Ω).
On considère aussi l’application ϕ de ‘ → ‘.
P
Alors l’espérance de ϕ(X) vaut : E(ϕ(X)) = ϕ(x) P(X = x).
x∈X(Ω)

Théorème : L’espérance est une application linéaire ; en particulier, E(aX + b) = a E(x) + b.

Exemple : Si Y est la variable aléatoire qui vaut le résultat dans un lancer d’un dé non truqué, alors,
1 1 1 1 1 1 7
E(Y) = 1 + 2 + 3 + 4 + 5 + 6 = .
6 6 6 6 6 6 2

Cours de Spé T.S.I. © Christophe Caignaert – Lycée Colbert –  Tourcoing – http://c.caignaert.free.fr
 -  Probabilités sur un univers fini

Exemple : Toujours avec notre fil rouge,. . .

En utilisant le petit théorème de transfert : E(X) = −1  1/2 + 3  1/2 = 1.
Notre espérance de gain est strictement positive, on a intérêt à jouer !

Définition : On dit qu’une variable aléatoire X est centrée si et seulement si E(X) = 0.

2.3. Variance et écart-type

Définition : Soit X, une variable aléatoire
 réelle, sur
 espace probabilisé fini (Ω, P).
Alors, la variance de X est : V(X) = E (X − E(X))2 .
p
Et l’écart-type de X est : σ(X) = V(X).

La variance est une moyenne des écarts à la moyenne de la variable aléatoire : elle traduit la
dispersion de ses valeurs.

On obtient facilement, par linéarité, le théorème de Kœning-Huygens :

 
Théorème : V(X) = E X2 − E(X)2 .
Démonstration
 :       
V(X) = E (X − E(X))2 = E X2 − 2 X E(X) + E(X)2 = E X2 − 2 E(X) E(X) + E(X)2 = E X2 − E(X)2

Théorème : Si X est une variable aléatoire réelle, a et b deux réels, alors : V(aX + b) = a2 V(X).
Démonstration : E((aX + b)2 ) = E(a2 X2 + 2abX + b2 ) = a2 E(X2 ) + 2abE(X) + b2 ,
 2
tandis que E(aX + b) = (aE(X) + b)2 = a2 E(X)2 + 2abE(X) + b2 .
En soustrayant, et après simplification, on a bien : V(aX + b) = a2 V(X).

Exemple : On reprend notre variable aléatoire Y de notre lancer d’un dé.

  1 1 1 1 1 1 91
Alors : E Y2 = 1 + 4 + 9 + 16 + 25 + 36 = .
6 6 6 6 6 6r 6
91 49 35 1 35
Et donc : V(Y) = − = et aussi : σ(Y) = .
6 4 12 2 3
Enfin, on obtient aussi l’inégalité de Bienaymé-Chebychev :

Théorème : Soit X, une variable aléatoire réelle, sur espace probabilisé fini (Ω, P).
  V(X)
Alors, ∀t ∈ ‘ ∗ , P |X − E(X)| > t 6 2 .
t

2.4. Lois usuelles

• Loi certaine : X(Ω) ne contient qu’une seule valeur.
Son espérance est cette valeur et sa variance est nulle.
• Loi uniforme : Toutes les valeurs x de X(Ω) ont la même probabilité.
En particulier, quand on a équiprobabilité sur Ω et la variable aléatoire X injective, alors la loi
de X est uniforme.
En effet, dans ce cas : P(x = X(ω)) = P({ω}).
• Loi de Bernoulli de paramètre p ∈ [0, 1], notée B (p).
X ne prend que deux valeurs, 0 et 1, et : P(X = 1) = p.
Son espérance est p et sa variance p(1 − p) = pq, en notant q = 1 − p.
• Loi binomiale de paramètres n ∈ ∗ et p ∈ [0, 1] notée B (n, p)
X ne prend que n + 1 valeurs, 0, 1, 2, . . . , n et : P(X = k) = p k (1 − p)n−k nk .


Son espérance est np et sa variance est np(1 − p) = npq, en notant q = 1 − p.

Cours de Spé T.S.I. © Christophe Caignaert – Lycée Colbert –  Tourcoing – http://c.caignaert.free.fr
Probabilités sur un univers fini  - 

3. Couple de variables aléatoires

3.1. Lois. . .
Définition : Soit X, Y, deux variables aléatoires sur espace probabilisé fini (Ω, P).
Le couple de variables aléatoires (X, Y) est l’application : Ω → E qui, à ω, associe le couple (X(ω), Y(ω)).

Définition : La loi du couple, ou loi conjointe, de (X, Y) est, pour tous les x ∈ X(Ω) et pour tous les
y ∈ Y(Ω), la donnée de P(X = x ∩ Y = y)
Les lois de X et de Y sont les lois marginales du couple (X, Y).

Théorème : Les lois marginales ne déterminent pas la loi conjointe

Démonstration : Il suffit bien sûr d’un contre exemple.

On choisit un lancer simultané de deux dés, chacun des deux dés étant parfait, ce qui donne une
équiprobabilité.
On choisit les variables aléatoires X, la somme des deux dés, et Y leur produit.
1 1
On a P(X = 2) = , puisqu’il faut un double as. On a aussi P(Y = 36) = , puisqu’il faut un double
36 36
six.
Par contre, on a P(X = 2 ∩ Y = 36) = 0, ce qui ne peut, en aucun cas, se déduire des lois marginales !

Ce qu’on vient de faire pour les couples de variables aléatoires peut se généraliser aux n-
uplets : (X1 , X2 , . . . , X n )

Définition :
La loi conditionnelle de Y sachant (X = x) est la données des P(Y = y|X = x) = PX=x (Y = y), pour tous
les y ∈ Y(Ω).

3.2. Variables aléatoires indépendantes

Définition : On dit que (X, Y) est un couple de variables aléatoires indépendantes si et seulement si
pour tout les x ∈ X(Ω) et y ∈ Y(Ω), on a : P (X = x ∩ Y = y) = P(X = x)  P(Y = y).

Théorème : Si (X, Y) est un couple de variables aléatoires indépendantes, alors,

pour tout A ⊂ X(Ω) et B ⊂ Y(Ω), on a : P ((X, Y) ∈ A × B) = P(X ∈ A)  P(Y ∈ B).

Théorème : Si (X, Y) est un couple de variables aléatoires indépendantes, alors, (f (X), g(Y)) est aussi
un couple de variables aléatoires indépendantes.

3.3. Variables aléatoire mutuellement indépendantes

Définition : On dit que (X1 , X2 , . . . , X n ) sont des variables aléatoires mutuellement ! indépendantes
n
T n
Q
si et seulement si : ∀ (x1 , x2 , . . . , xn ) ∈ X1 (Ω) × X2 (Ω) × · · · × X n (Ω) : P (X i = xi ) = P(X I = xi )
i=1 i=1

Théorème : Si (X1 , X2 , . . . , X n ) sont des variables aléatoires mutuellement indépendantes,

alors : ∀ (A1 , A2 , . . . , An ) ⊂ X1 (Ω) × X2 (Ω) × · · · × X n (Ω), les événements (X i ∈ Ai ) sont mutuellement
indépendants.

Théorème : Si (X1 , X2 , . . . , X n ) sont

 des
 variables aléatoires
 mutuellement indépendantes, alors, les
variables aléatoires f X1 , . . . , X p et g X p+1 , . . . , X n sont aussi indépendantes.

Cours de Spé T.S.I. © Christophe Caignaert – Lycée Colbert –  Tourcoing – http://c.caignaert.free.fr
 -  Probabilités sur un univers fini

Théorème : Si (X1 , X2 , . . . , X n ) sont des variables aléatoires de Bernoulli mutuellement indépen-

dantes, de même loi B (p), alors, la variable aléatoire S = X1 + X2 + · · · + X n suit la loi binomiale
B (n, p).
Démonstration : La somme vaut k si et seulement si k variables valent 1 et les n − k autres valent 0.
Il y a nk façons de choisir les variables qui valent 1, chacune de ces façons a une probabilité de

p k (1 − p)n−k .
Donc : P(S = k) = nk p k (1 − p)n−k , c’est la loi binomiale annoncée.

3.4. Covariance et coefficient de corrélation linéaire

Définition :    
La covariance du couple de variables aléatoires (X, Y) est : Cov(X, Y) = E X − E(X)  Y − E(Y) .

La covariance de (X, X) est la variance de X !

Théorème : Cov(X, Y) = E(XY) − E(X)E(Y)

Démonstration : Il suffitd’utiliser

la linéarité de l’espérance.

Cov(X, Y) = E X − E(X)  Y − E(Y) = E(XY − XE(Y) − E(X)Y + E(X)E(Y))
= E(XY) − E(X)E(Y)

Théorème :
Si X et Y sont deux variables aléatoires, alors : V(aX + bY) = a2 V(X) + 2ab Cov(X, Y) + b2 V(Y).
Démonstration : E((aX + bY)2 ) = E(a2 X2 + 2abXY + b2 Y2 ) = a2 E(X2 ) + 2abE(XY) + b2 E(Y2 ).
On a aussi : E(aX + bY)2 = (aE(X) + bE(Y))2 = a2 E(X)2 + 2abE(X)E(Y) + b2 E(Y)2 .
En faisant la différence entre ces deux égalités et en utilisant les propriétés de la variance et de la
covariance, on a immédiatement le résultat demandé.

Définition :
Cov(X, Y)
Le coefficient de corrélation linéaire du couple de variables aléatoires (X, Y) est : ρ(X, Y) = .
σ(X)σ(Y)
C’est le quotient de la covariance par le produit des écart-types.

Théorème : On a : |ρ(X, Y)| 6 1, ou encore : −1 6 ρ(X, Y) 6 1

Démonstration : On considère la  variable aléatoire λX + Y.
Sa variance vaut V(λX + Y) = E (λX + Y)2 − E(λX + Y)2
= λ2 E(X2 ) + 2λ E(XY) + E(Y2 ) − λ2 E(X)2 − 2λ E(X)E(Y) − E(Y)2
= λ2 V(X) + 2λ (E(XY) − E(X)E(Y)) + V(Y) = λ2 V(X) + 2λ Cov(X, Y) + V(Y) > 0
Ceci étant vrai pour tout λ, le discriminant de cette expression est négatif !
On a donc : Cov(X, Y)2 − V(X)V(Y) 6 0, ou encore : | Cov(X, Y)| 6 σ(X)σ(Y).
On en déduit immédiatement le résultat sur le coefficient de corrélation.
Le coefficient de corrélation est le cosinus de l’angle entre les deux variables aléatoires !

Théorème : Si ρ(X, Y) = ±1, alors : ∃µ ∈ ‘ tel que Y − E(Y) = µ(X − E(X)).

Démonstration : Dans la démonstration du théorème précédent, le discriminant est nul !
D’où l’existence d’un λ tel que V(λX + Y) = 0. . .
C’est à dire en fait λX + Y = Cte = E(λX + Y), ce qui donne le résultat demandé.

Cours de Spé T.S.I. © Christophe Caignaert – Lycée Colbert –  Tourcoing – http://c.caignaert.free.fr
Probabilités sur un univers fini  - 

Théorème :
Si X et Y sont indépendantes, alors ρ(X, Y) = 0.
La réciproque est fausse.
Démonstration : Comme les variables aléatoire sont indépendantes :
P P
E(XY) = xi yi P(X = xi ∩ Y = yj ) = xi yi P(X = xi )P(Y = yj ).
xi ∈X(Ω),yj ∈Y(Ω) xi ∈X(Ω),yj ∈Y(Ω)
P P P P
D’où : E(XY) = xi yi P(X = xi )P(Y = yj ) = xi P(X = xi ) yj P(Y = yj )
xi ∈X(Ω) yj ∈Y(Ω) xi ∈X(Ω) yj ∈Y(Ω)
= E(X)E(Y)
La covariance et le coefficient de corrélation sont donc nuls quand les variables aléatoires sont indé-
pendantes.
Montrons maintenant que la réciproque est fausse.
On considère un lancer de dés non truqués et les variables aléatoires suivantes :
• X qui vaut 1 si on tire un as ou un 6, 0 si on tire un 2 ou un 5, et −1 si on tire un 3 ou un 4 ;
• Y qui vaut 1 si on tire un 2 ou un 5, et 0 dans les autres cas.
On a facilement E(X) = 0, XY qui est la variable aléatoire nulle, donc E(XY) = 0.
Ce qui donne Cov(X, Y) = E(XY) − E(X)E(Y) = 0, alors même que X et Y ne sont pas indépendantes :
1
P(X = 1 ∩ Y = 1) = 0, alors que p(X = 1) = P(Y = 1) = !
3

Théorème : En résumé, si X et Y sont indépendantes, alors :

• E(XY) = E(X)E(Y)
• Cov(X, Y) = 0
• ρ(X, Y) = 0
• V(X + Y) = V(X) + V(Y)

Cours de Spé T.S.I. © Christophe Caignaert – Lycée Colbert –  Tourcoing – http://c.caignaert.free.fr