Une information peut modifier la moyenne d’une variable aléatoire. L’espérance conditionnelle sachant un événement \(E(X/A)\) est calculée avec la probabilité conditionnelle \(P_A\), pour \(P(A)\gt 0\). Elle peut différer de l’espérance habituelle, ou lui être égale.

🎯 Au programme

  • 🟠 ECG2, maths approfondies : espérance conditionnelle \(E(X/A)\) et formule de l’espérance totale : niveau principal de cette page.
  • 🟢🟠 MPSI, MP2I, PCSI, MP, MPI, PC, ECG : la loi conditionnelle sachant un événement est au programme.
  • 🔴 MP, MPI, PC, PSI, BCPST : l’espérance conditionnelle en tant que telle est hors programme (« pas un attendu »).
  • 🔴 Licence : \(E(X \mid Y)\) vue comme variable aléatoire (section finale).

Cette page fait partie du cours complet sur les couples de variables aléatoires.

I. Loi conditionnelle de X sachant un événement

Tout part de la probabilité conditionnelle. Si \(A\) est un événement de probabilité non nulle, on sait depuis la Terminale que \(P_A(B) = \displaystyle\frac{P(A \cap B)}{P(A)}\). Pour une variable aléatoire \(X\), on applique cette formule événement par événement.

Définition : Loi conditionnelle de X sachant A

Soit \(X\) une variable aléatoire discrète et \(A\) un événement tel que \(P(A)\) > \(0\). La loi conditionnelle de \(X\) sachant \(A\) est la donnée, pour chaque valeur \(x_k\) prise par \(X\), de :

\(P_A(X = x_k) = \displaystyle\frac{P\big((X = x_k) \cap A\big)}{P(A)}\)

C’est bien une loi de probabilité à part entière : les \(P_A(X = x_k)\) sont positifs et leur somme vaut \(1\). On a simplement remplacé l’univers par une « restriction » à l’événement \(A\). Pour tout rappel sur le mécanisme de base, consulte le cours sur la probabilité conditionnelle.

Exemple : On lance un dé équilibré, \(X\) est le résultat. Soit \(A\) l’événement « le résultat est pair ». Alors \(P(A) = \displaystyle\frac{1}{2}\) et la loi conditionnelle de \(X\) sachant \(A\) est :

\(P_A(X = 2) = P_A(X = 4) = P_A(X = 6) = \displaystyle\frac{1}{3}\), et \(P_A(X = k) = 0\) pour \(k\) impair.

Sachant que le résultat est pair, \(X\) suit une loi uniforme sur \(\{2, 4, 6\}\).


II. Loi conditionnelle de Y sachant X = x

Le cas le plus fréquent en prépa : on dispose d’un couple \((X, Y)\) et on fixe la valeur de l’une des variables. L’événement conditionnant devient \((X = x)\), et on lit la loi de \(Y\) « ligne par ligne » dans le tableau de la loi conjointe.

Définition : Loi conditionnelle de Y sachant X = x

Pour une valeur \(x\) telle que \(P(X = x)\) > \(0\), la loi conditionnelle de \(Y\) sachant \(X = x\) est donnée par :

\(P_{(X=x)}(Y = y) = \displaystyle\frac{P(X = x,\, Y = y)}{P(X = x)}\)

Deux notations, un même objet. Les filières MPSI, MP, PC écrivent \(P(X = x,\, Y = y)\) ; les filières ECG écrivent \(P\big([X = x] \cap [Y = y]\big)\). Ce sont rigoureusement les mêmes probabilités : ne te laisse pas déstabiliser par la notation du sujet.

Le dénominateur \(P(X = x)\) est exactement la loi marginale de \(X\), obtenue en sommant la ligne (ou la colonne) correspondante. Conditionner revient donc à normaliser une ligne du tableau pour que ses probabilités somment à 1.

Trois diagrammes en bâtons côte à côte montrant la loi conditionnelle de Y sachant X égal 1, 2 puis 3, chacune normalisée à une somme de 1
Conditionner par X = x revient à renormaliser une ligne du tableau de loi conjointe

Exemple : Soit le couple de loi conjointe donnée ci-dessous.

Loi conjointe du couple (X, Y)
\(P(X=x, Y=y)\) \(Y=0\) \(Y=1\) Marge \(X\)
\(X=1\) \(0{,}1\) \(0{,}2\) \(0{,}3\)
\(X=2\) \(0{,}3\) \(0{,}4\) \(0{,}7\)

Loi de \(Y\) sachant \(X = 1\) : \(P_{(X=1)}(Y=0) = \displaystyle\frac{0{,}1}{0{,}3} = \displaystyle\frac{1}{3}\) et \(P_{(X=1)}(Y=1) = \displaystyle\frac{0{,}2}{0{,}3} = \displaystyle\frac{2}{3}\).


III. L’espérance conditionnelle E(X/A)

Une fois la loi conditionnelle en main, l’espérance conditionnelle se calcule comme n’importe quelle espérance : mais avec les probabilités conditionnelles.

Réponse directe : l’espérance conditionnelle de \(X\) sachant \(A\), notée \(E(X/A)\), est la valeur moyenne de \(X\) calculée avec la probabilité \(P_A\). Elle vaut \(E(X/A) = \sum_k x_k\, P_A(X = x_k)\) et répond à la question : « sachant que \(A\) est réalisé, que vaut \(X\) en moyenne ? ».

Définition : Espérance conditionnelle sachant un événement

Soit \(A\) de probabilité strictement positive. Si la série suivante converge absolument, on définit l’espérance de \(X\) sachant \(A\) par :

\(E(X/A) = \displaystyle\sum_k x_k\, P_A(X = x_k) = \displaystyle\frac{1}{P(A)}\sum_k x_k\, P\big((X = x_k) \cap A\big)\)

C’est tout simplement l’espérance classique, mais dans l’univers restreint à \(A\). Toutes les propriétés familières de l’espérance se transmettent donc à \(E(\cdot/A)\).

Propriétés à connaître (elles se démontrent comme pour l’espérance usuelle) :

  • Linéarité : \(E(aX + bY/A) = a\,E(X/A) + b\,E(Y/A)\).
  • Positivité : si \(X \geq 0\) alors \(E(X/A) \geq 0\).
  • Constante : \(E(c/A) = c\) pour tout réel \(c\).

Exemple : Reprenons le dé équilibré, \(X\) le résultat, \(A\) = « résultat pair ».

\(E(X/A) = 2 \times \displaystyle\frac{1}{3} + 4 \times \displaystyle\frac{1}{3} + 6 \times \displaystyle\frac{1}{3} = \displaystyle\frac{12}{3} = 4\).

Sachant que le résultat est pair, on attend en moyenne \(4\) : contre \(3{,}5\) sans information.

🎁 EN BONUS

Fiche PDF à imprimer

Le support de révision est reçu gratuitement par e-mail.

📄 L’essentiel du cours en PDF

Reçois gratuitement le PDF par e-mail.


IV. La formule de l’espérance totale

Voici le théorème qui donne toute sa puissance à l’espérance conditionnelle. L’idée est la même que pour la formule des probabilités totales : on découpe l’univers en morceaux, on calcule la moyenne sur chaque morceau, puis on fait la moyenne pondérée.

Théorème : Formule de l’espérance totale

Soit \((A_i)_{i\in I}\) une partition finie ou dénombrable de l’univers, avec \(P(A_i)\gt 0\), et \(X\) d’espérance finie. Alors :

\(E(X) = \displaystyle\sum_{i \in I} E(X/A_i)\, P(A_i)\)

Dans le cas dénombrable, l’intégrabilité de X assure la convergence absolue de la série. Si une partition contient des événements de probabilité nulle, on les omet dans cette somme.

La démonstration est limpide dans le cas fini. Par définition, \(E(X/A_i)\,P(A_i) = \sum_k x_k\, P\big((X = x_k) \cap A_i\big)\). En sommant sur \(i\) et en utilisant la formule des probabilités totales \(\sum_i P\big((X = x_k) \cap A_i\big) = P(X = x_k)\), on retombe sur \(\sum_k x_k\, P(X = x_k) = E(X)\). ∎

Conditionnement par une variable discrète. On somme sur les valeurs \(y_j\) de probabilité strictement positive :

\(E(X) = \displaystyle\sum_j E(X/Y = y_j)\, P(Y = y_j)\)

On conditionne par la valeur de \(Y\) quand elle « pilote » naturellement \(X\).

Logo-excellence-maths
Progresse en maths en prépa ECG
Avec un professeur diplômé de Polytechnique, exigeant et bienveillant, tu construis un suivi sur-mesure pour maîtriser le conditionnement et les probabilités discrètes. Un accompagnement adapté à tes objectifs et à tes difficultés. Premier cours « satisfait ou remboursé ».

V. Méthode : calculer une espérance en conditionnant

La formule de l’espérance totale est la technique pour calculer une espérance difficile à atteindre directement. Le réflexe à acquérir : « si je connaissais le premier tirage / le premier pas / la valeur d’une variable, le calcul serait simple ». On conditionne alors par cette information.

Méthode en 4 étapes

  • 1. Choisir un système complet pertinent \((A_i)\) (souvent : le résultat du premier essai, ou les valeurs d’une variable auxiliaire).
  • 2. Calculer \(P(A_i)\) pour chaque \(i\).
  • 3. Déterminer \(E(X/A_i)\) : c’est ici que le conditionnement simplifie le problème.
  • 4. Assembler : \(E(X) = \sum_i E(X/A_i)\,P(A_i)\), puis résoudre (souvent une équation si \(E(X)\) réapparaît à droite).

Exemple : les lancers de pièce sont indépendants, de probabilité de pile \(p\in]0,1[\). Le nombre \(X\) de lancers jusqu’au premier pile est intégrable : \(\sum_{k\geq0}P(X\gt k)=\sum_{k\geq0}(1-p)^k\lt +\infty\). On peut donc utiliser une équation sur son espérance finie en conditionnant par le premier lancer.

Si le premier lancer est pile (proba \(p\)) : \(X = 1\), donc \(E(X/A_1) = 1\).

Si le premier lancer est face (proba \(1-p\)) : on a « perdu » un lancer et on recommence, donc \(E(X/A_2) = 1 + E(X)\) par absence de mémoire.

La formule donne : \(E(X) = 1 \cdot p + \big(1 + E(X)\big)(1-p)\), d’où \(E(X) = 1 + (1-p)E(X)\), soit \(E(X) = \displaystyle\frac{1}{p}\).

On retrouve ainsi l’espérance de la loi géométrique. Justifier d’abord sa finitude évite une soustraction illégitime d’espérances infinies.

Cette technique de conditionnement par le premier pas est aussi au cœur de l’étude des chaînes de Markov.


VI. 🔴 Au-delà de la prépa : E(X | Y) comme variable aléatoire

Les copies universitaires que tu croises dans les moteurs de recherche parlent souvent d’un objet plus abstrait. En licence, on ne conditionne plus par une valeur fixe \(y_j\), mais par la variable \(Y\) entière.

🔴 Hors programme de prépa : Espérance conditionnelle sachant Y

On définit \(E(X \mid Y)\) comme la variable aléatoire qui vaut \(E(X/Y = y_j)\) sur l’événement \((Y = y_j)\). C’est donc une fonction de \(Y\).

La formule de l’espérance totale se réécrit alors élégamment : \(E\big(E(X \mid Y)\big) = E(X)\).

Cette version (et sa généralisation aux sous-tribus, que l’on voit chez Wikipédia ou Bibm@th) n’est pas exigible en prépa. Elle éclaire cependant pourquoi la formule de l’espérance totale fonctionne : prendre l’espérance de la fonction \(E(X \mid Y)\) redonne \(E(X)\). Retiens-la comme culture, pas comme attendu de concours.


VII. Erreurs fréquentes

Erreur n°1 : Oublier de pondérer par P(A_i). Écrire \(E(X) = \sum_i E(X/A_i)\) est faux. Chaque espérance conditionnelle doit être multipliée par la probabilité de son événement conditionnant. Vérification de bon sens : la somme des \(P(A_i)\) vaut \(1\), sinon le système n’est pas complet.

Erreur n°2 : Normaliser la mauvaise dimension. Pour la loi de \(Y\) sachant \(X = x\), on divise par \(P(X = x)\) (la marge de la ligne), pas par \(P(Y = y)\). Confondre les deux donne une « loi » dont les probabilités ne somment pas à \(1\).

Conditionner par un événement nul. \(E(X/A)\) n’est défini ici que si \(P(A)\gt 0\). Une partition peut contenir des événements nuls : on les écarte de la formule de l’espérance totale.

D’autres pièges classiques du conditionnement (incompatible confondu avec indépendant, oubli de la convergence) sont détaillés dans notre page sur les erreurs en probabilités ECG.


VIII. Exercices corrigés

Six exercices classés par difficulté. Essaie-les avant d’ouvrir la correction ; le détail est déroulant.

Exercice 1 : Loi conditionnelle dans un tableau ★

Le couple \((X, Y)\) a pour loi conjointe : \(P(X=1,Y=0)=0{,}2\), \(P(X=1,Y=1)=0{,}1\), \(P(X=2,Y=0)=0{,}3\), \(P(X=2,Y=1)=0{,}4\). Déterminer la loi conditionnelle de \(Y\) sachant \(X = 2\).

Voir la correction de l’exercice 1

Marge : \(P(X = 2) = 0{,}3 + 0{,}4 = 0{,}7\).

\(P_{(X=2)}(Y = 0) = \displaystyle\frac{0{,}3}{0{,}7} = \displaystyle\frac{3}{7}\) et \(P_{(X=2)}(Y = 1) = \displaystyle\frac{0{,}4}{0{,}7} = \displaystyle\frac{4}{7}\).

Contrôle : \(\displaystyle\frac{3}{7} + \displaystyle\frac{4}{7} = 1\). La loi conditionnelle est bien normalisée.


Exercice 2 : Espérance conditionnelle d’un dé ★

On lance un dé équilibré, \(X\) est le résultat. Calculer \(E(X/B)\) où \(B\) est l’événement « le résultat est au moins égal à \(4\) ».

Voir la correction de l’exercice 2

\(B = \{4, 5, 6\}\), \(P(B) = \displaystyle\frac{1}{2}\). Sachant \(B\), \(X\) est uniforme sur \(\{4,5,6\}\).

\(E(X/B) = \displaystyle\frac{4 + 5 + 6}{3} = \displaystyle\frac{15}{3} = 5\).

En moyenne, sachant que le résultat vaut au moins 4, on attend 5.


Exercice 3 : Formule de l’espérance totale ★★

Une urne \(U_1\) contient 2 boules numérotées 1 et 3 ; une urne \(U_2\) contient 3 boules numérotées 2, 4 et 6. On choisit une urne au hasard (équiprobable), puis une boule au hasard. Soit \(X\) le numéro tiré. Calculer \(E(X)\) par conditionnement.

Voir la correction de l’exercice 3

Système complet : \(A_1\) = « urne 1 », \(A_2\) = « urne 2 », avec \(P(A_1) = P(A_2) = \displaystyle\frac{1}{2}\).

\(E(X/A_1) = \displaystyle\frac{1 + 3}{2} = 2\) et \(E(X/A_2) = \displaystyle\frac{2 + 4 + 6}{3} = 4\).

\(E(X) = 2 \times \displaystyle\frac{1}{2} + 4 \times \displaystyle\frac{1}{2} = 3\).

L’espérance totale moyenne les espérances par urne, pondérées par la probabilité de choisir chaque urne.


Exercice 4 : Conditionnement par le premier pas ★★

On lance un dé équilibré de façon indépendante et répétée. Le nombre \(N\) de lancers jusqu’au premier 6 est intégrable, car \(P(N\gt k)=(5/6)^k\) et la série de ces probabilités converge. Retrouver \(E(N)\) en conditionnant par le premier lancer.

Voir la correction de l’exercice 4

Système complet sur le premier lancer : \(S\) = « le premier lancer est un 6 » (\(P(S) = \displaystyle\frac{1}{6}\)), \(\overline{S}\) (\(P(\overline{S}) = \displaystyle\frac{5}{6}\)).

\(E(N/S) = 1\) ; sachant \(\overline{S}\), un lancer est perdu et on recommence : \(E(N/\overline{S}) = 1 + E(N)\).

\(E(N) = 1 \cdot \displaystyle\frac{1}{6} + \big(1 + E(N)\big)\displaystyle\frac{5}{6} = 1 + \displaystyle\frac{5}{6}E(N)\).

D’où \(\displaystyle\frac{1}{6}E(N) = 1\), soit \(E(N) = 6\). C’est bien l’espérance d’une loi géométrique de paramètre \(\displaystyle\frac{1}{6}\).


Exercice 5 : Espérance conditionnelle fonction de X ★★

Soit \((X, Y)\) tel que, sachant \(X = k\) (pour \(k \in \{1, 2, 3\}\)), \(Y\) suit la loi uniforme sur \(\{0, 1, \dots, k\}\). On suppose \(X\) uniforme sur \(\{1, 2, 3\}\). Calculer \(E(Y/X = k)\) puis \(E(Y)\).

Voir la correction de l’exercice 5

L’uniforme sur \(\{0, \dots, k\}\) a pour espérance \(E(Y/X = k) = \displaystyle\frac{k}{2}\).

Avec \(P(X = k) = \displaystyle\frac{1}{3}\) pour chaque \(k\) :

\(E(Y) = \displaystyle\sum_{k=1}^{3} \displaystyle\frac{k}{2} \cdot \displaystyle\frac{1}{3} = \displaystyle\frac{1}{6}(1 + 2 + 3) = 1\).

Soit \(E(Y) = 1\). On a d’abord traité le cas conditionnel simple, puis moyenné.


Exercice 6 : Somme d’un nombre aléatoire de termes ★★★

Sur \(n\geq1\) jours, une arrivée a lieu chaque jour avec probabilité \(0\lt p\lt 1\), indépendamment des autres jours. Le nombre \(N\) d’arrivées suit \(\mathcal{B}(n,p)\). Les dépenses \((D_i)\) sont i.i.d., intégrables, d’espérance \(m\), et la famille entière est indépendante de \(N\). Pour \(S=\sum_{i=1}^{N}D_i\) (somme nulle si \(N=0\)), calculer \(E(S)\).

Voir la correction de l’exercice 6

Comme \(N\leq n\), \(|S|\leq\sum_{i=1}^{n}|D_i|\) : \(S\) est intégrable. L’indépendance de la famille et de \(N\) permet ensuite d’écrire, pour chaque \(k\) :

\(E(S/N = k) = E(D_1 + \dots + D_k) = k\,m\).

Formule de l’espérance totale sur le système complet \(\big((N = k)\big)_{0 \leq k \leq n}\) :

\(E(S) = \displaystyle\sum_{k=0}^{n} E(S/N = k)\, P(N = k) = \displaystyle\sum_{k=0}^{n} k\,m\, P(N = k) = m\, E(N)\).

Comme \(N \sim \mathcal{B}(n, p)\), \(E(N) = np\), d’où \(E(S) = m \cdot np = n p m\).

C’est la formule de Wald : l’espérance d’une somme aléatoire est le produit du nombre moyen de termes par l’espérance d’un terme.

🎁 EN BONUS

Fiche PDF à imprimer

Le support de révision est reçu gratuitement par e-mail.

📄 L’essentiel du cours en PDF

Reçois gratuitement le PDF par e-mail.


IX. Questions fréquentes

Qu’est-ce que l’espérance conditionnelle ?

L’espérance conditionnelle \(E(X/A)\) est la valeur moyenne d’une variable aléatoire \(X\) lorsqu’on sait qu’un événement \(A\) est réalisé. On la calcule comme une espérance ordinaire, mais avec la probabilité conditionnelle \(P_A\) : \(E(X/A) = \sum_k x_k\, P_A(X = x_k)\).

Comment utiliser la formule de l’espérance totale ?

On choisit un système complet d’événements \((A_i)\), on calcule chaque \(P(A_i)\) et chaque espérance conditionnelle \(E(X/A_i)\), puis on assemble : \(E(X) = \sum_i E(X/A_i)\,P(A_i)\). C’est l’outil roi quand l’espérance directe est difficile mais devient simple une fois une information connue (premier tirage, valeur d’une variable).

Quelle est la différence entre loi conditionnelle et espérance conditionnelle ?

La loi conditionnelle décrit toute la distribution de \(X\) sachant \(A\) (chaque probabilité \(P_A(X = x_k)\)). L’espérance conditionnelle n’en résume qu’un seul nombre : la moyenne pondérée de ces valeurs. La loi est l’objet complet, l’espérance en est un indicateur de position.

L’espérance conditionnelle est-elle au programme de MP ou PC ?

Non. L’espérance conditionnelle en tant que telle est hors programme en MP, MPI, PC, PSI et BCPST (où elle est « pas un attendu »). En revanche, la loi conditionnelle sachant un événement y figure. L’espérance conditionnelle \(E(X/A)\) et la formule de l’espérance totale sont au programme d’ECG2, maths approfondies.


X. Pour aller plus loin

Tu maîtrises maintenant le conditionnement et la formule de l’espérance totale. Pour consolider les bases et t’entraîner :

Tu veux progresser plus vite en probabilités discrètes ? Découvre les cours particuliers Excellence Maths pour la prépa scientifique.