Le lemme des coalitions garantit que, lorsque des variables aléatoires sont mutuellement indépendantes, toute fonction d’un groupe de ces variables reste indépendante de toute fonction d’un autre groupe disjoint. C’est l’outil qui légitime la plupart des calculs d’indépendance en prépa : sommes, produits, minimums. Encore faut-il que les groupes ne se chevauchent pas.
Au programme
- 🟢 1re année (MPSI, MP2I, PCSI, ECG1) : variables indépendantes, fonctions de variables indépendantes, lemme des coalitions (démonstration hors programme en PCSI).
- 🟠 2e année (MP, MPI, PC, PSI, ECG2) : familles quelconques, suites i.i.d., espérance d’un produit, variance d’une somme.
- 🔴 Hors programme : démonstration complète du lemme (admise en ECG), tribus engendrées.
Cette page fait partie du cours complet sur les couples de variables aléatoires.
I. Deux variables aléatoires indépendantes : définition et critère discret
Deux variables aléatoires discrètes \(X\) et \(Y\) sont indépendantes lorsque la connaissance de la valeur de l’une n’apporte aucune information sur l’autre. On le traduit par une factorisation des probabilités : la loi du couple est le produit des deux lois marginales.
Définition : Indépendance de deux variables aléatoires
Soit \(X\) et \(Y\) deux variables aléatoires discrètes. On dit que \(X\) et \(Y\) sont indépendantes lorsque :
On note alors \(X \perp Y\).
La notation \(P(X = x,\, Y = y)\) désigne la probabilité de l’intersection \(P([X = x] \cap [Y = y])\) : les deux écritures, l’une courante en MPSI et en MP, l’autre fréquente en ECG, sont rigoureusement équivalentes. Cette probabilité se lit directement dans le tableau de la loi conjointe du couple.
Si \(X\) et \(Y\) sont indépendantes, alors pour toutes parties \(A\) et \(B\) de leurs ensembles de valeurs, \(P(X\in A,Y\in B)=P(X\in A)P(Y\in B)\). Pour des variables discrètes, le critère sur chaque couple de valeurs suffit.
II. Comment montrer que deux variables aléatoires sont indépendantes
La question « comment montrer que deux variables aléatoires sont indépendantes ? » revient à chaque devoir. Voici la méthode en quatre étapes, valable que l’on veuille prouver l’indépendance ou la réfuter.
- Déterminer les supports \(X(\Omega)\) et \(Y(\Omega)\), puis les deux lois marginales \(P(X = x)\) et \(P(Y = y)\).
- Calculer la loi conjointe \(P(X = x,\, Y = y)\) pour chaque couple de valeurs.
- Comparer \(P(X = x,\, Y = y)\) au produit \(P(X = x)\,P(Y = y)\).
- Conclure : égalité pour tous les couples \(\Longrightarrow\) indépendance ; un seul couple où l’égalité échoue \(\Longrightarrow\) dépendance.
Pour prouver la non-indépendance, un seul contre-exemple suffit. Cherchez le cas le plus simple : souvent un couple de probabilité conjointe nulle alors que les deux marginales sont non nulles (\(P(X = x,\, Y = y) = 0\) mais \(P(X = x)\,P(Y = y)\) > 0).
Ce réflexe « un couple qui cloche suffit » est l’inverse de la probabilité conditionnelle, où l’on conditionne au contraire pour exploiter une dépendance. Passons maintenant au cas de plusieurs variables, où une nouvelle subtilité apparaît.
Fiche PDF à imprimer
Le support de révision est reçu gratuitement par e-mail.
📄 Télécharger la fiche de coursReçois gratuitement le PDF par e-mail.
III. Famille de variables : indépendance mutuelle et deux à deux
Pour trois variables ou plus, l’indépendance deux à deux est plus faible que l’indépendance mutuelle. Le contre-exemple suivant montre pourquoi il faut les distinguer.
Définition : Indépendance mutuelle
Les variables \(X_1, \dots, X_n\) sont mutuellement indépendantes lorsque :
Elles sont indépendantes deux à deux lorsque \(X_i \perp X_j\) pour tout couple \(i \neq j\).
L’indépendance mutuelle entraîne l’indépendance deux à deux, mais la réciproque est fausse. Voici le contre-exemple de référence.
Exemple : Trois variables deux à deux mais pas mutuellement indépendantes
Soit \(X\) et \(Y\) indépendantes de loi \(B\left(\displaystyle\frac{1}{2}\right)\), et \(Z\) la variable qui vaut \(1\) si \(X\) et \(Y\) diffèrent, \(0\) sinon (un « ou exclusif »).
On vérifie que \(Z \sim B\left(\displaystyle\frac{1}{2}\right)\) et que les trois variables sont indépendantes deux à deux. Pourtant :
\(P(X = 1,\, Y = 1,\, Z = 1) = 0\) car si \(X = Y = 1\), alors \(Z = 0\),
alors que .
Elles ne sont donc pas mutuellement indépendantes. ∎
Le lemme des coalitions demande l’indépendance mutuelle de la famille. D’autres résultats ont des hypothèses plus faibles : l’additivité des variances ne requiert que des covariances deux à deux nulles.
IV. Fonctions de variables indépendantes et lemme des coalitions
Qu’est-ce que le lemme des coalitions ? C’est le résultat qui dit que l’indépendance se conserve quand on remplace des variables par des fonctions de ces variables, à condition de regrouper des paquets disjoints. Il est aussi appelé lemme de regroupement ou indépendance par paquets.
Théorème : Lemme des coalitions
Soit \(X_1, \dots, X_n\) des variables aléatoires discrètes mutuellement indépendantes. Soit \(p \in [\![ 1, n-1 ]\!]\). Alors toute variable \(U = f(X_1, \dots, X_p)\) et toute variable \(V = g(X_{p+1}, \dots, X_n)\) sont indépendantes.
Forme générale. Si l’on partitionne \([\![ 1, n ]\!]\) en blocs deux à deux disjoints \(I_1, \dots, I_k\), alors les variables \(Y_j = f_j\big((X_i)_{i \in I_j}\big)\) sont mutuellement indépendantes.
A. Idée de la démonstration 🔴
La démonstration complète (hors programme en PCSI, admise en ECG) repose sur une sommation par paquets. Montrons que \(U = f(X_1, \dots, X_p)\) et \(V = g(X_{p+1}, \dots, X_n)\) sont indépendantes. Pour des valeurs \(u\) et \(v\) :
Par indépendance mutuelle, la probabilité conjointe se factorise en \(\displaystyle\prod_{i=1}^{n} P(X_i = x_i)\). On sépare alors la somme sur le premier paquet (qui vaut \(P(U = u)\)) de la somme sur le second (qui vaut \(P(V = v)\)) :
B. Les coalitions doivent être disjointes
Le lemme s’applique à des groupes disjoints. Si les groupes se chevauchent, il ne permet pas de conclure ; une éventuelle indépendance doit être étudiée autrement.
Exemple : \(U=X_1+X_2\) et \(V=X_2+X_3\) partagent \(X_2\). Le lemme ne s’applique pas. Pour trois variables indépendantes de variances finies, \(\mathrm{Cov}(U,V)=V(X_2)\) : elles sont donc dépendantes si \(V(X_2)\gt 0\).
Concrètement, le lemme autorise par exemple à affirmer que \(\min(X_1, X_2)\) est indépendant de \(X_3 + X_4\), ou que \(X_1 X_2\) est indépendant de \(\max(X_3, X_4, X_5)\). Une conséquence immédiate concerne l’espérance d’un produit.
V. Espérance d’un produit de variables indépendantes
L’espérance du produit de deux variables aléatoires indépendantes est le produit des espérances. C’est l’application la plus fréquente du chapitre, et elle est au cœur du calcul de la covariance.
Propriété : Espérance d’un produit
Si \(X\) et \(Y\) sont indépendantes et intégrables, alors \(XY\) est intégrable et :
\(E(XY) = E(X)\,E(Y).\)
L’indépendance suffit à factoriser l’espérance, mais l’égalité \(E(XY)=E(X)E(Y)\) peut aussi être vraie pour des variables dépendantes. Pour la formule suivante de variance du produit, on suppose en outre les moments d’ordre 2 finis :
\(V(XY) = E(X^2)\,E(Y^2)- \big(E(X)\,E(Y)\big)^2.\)Attention à la réciproque : \(E(XY) = E(X)E(Y)\) n’entraîne pas l’indépendance de \(X\) et \(Y\). L’égalité des espérances est une conséquence de l’indépendance, pas une caractérisation.
Cette dernière remarque conduit à la relation la plus piégeuse du chapitre : le lien entre indépendance et covariance nulle.
VI. Indépendance et covariance nulle
Pour des variables de variances finies, l’indépendance implique une covariance nulle. La réciproque est fausse en général.
Propriété
Si \(X\perp Y\) et si leurs variances sont finies, alors \(\mathrm{Cov}(X,Y)=E(XY)-E(X)E(Y)=0\).
La réciproque est fausse : deux variables décorrélées peuvent être dépendantes.
Contre-exemple de référence. Soit \(X\) uniforme sur \(\{-1, 0, 1\}\) et \(Y = X^2\).
Alors \(E(X) = 0\) et \(E(XY) = E(X^3) = E(X) = 0\) (car \(x^3 = x\) sur \(\{-1, 0, 1\}\)). Donc :
\(\mathrm{Cov}(X, Y) = 0- 0 \times E(Y) = 0.\)
Pourtant \(Y\) est entièrement déterminée par \(X\) : elles sont dépendantes. Par exemple \(P(X = 0,\, Y = 1) = 0\) alors que . ∎
Pour aller plus loin sur la mesure de la liaison linéaire et son interprétation, consulte le cours sur le coefficient de corrélation. Voyons maintenant les applications les plus courantes du lemme.
VII. Applications classiques du lemme des coalitions
A. Somme de Bernoulli indépendantes
Si \(X_1, \dots, X_n\) sont mutuellement indépendantes de loi \(B(p)\), alors \(S = X_1 + \dots + X_n\) suit la loi binomiale \(B(n, p)\). Le lemme des coalitions intervient dès que l’on veut, par exemple, montrer que \(X_1 + X_2\) est indépendant de \(X_3 + X_4\) pour additionner leurs variances.
B. Minimum de variables géométriques
Soit \(X,Y\) indépendantes de loi géométrique de paramètre \(0\lt p\leq1\) sur \(\mathbb{N}^*\). Pour \(T=\min(X,Y)\) et \(k\in\mathbb{N}\), on utilise les probabilités de dépassement :
\(P(T\) > \(k) = P(X\) > \(k,\, Y\) > \(k) = P(X\) > \(k)\,P(Y\) > \(k) = (1-p)^k \times (1-p)^k = \big((1-p)^2\big)^k.\)
On reconnaît la queue d’une loi géométrique : \(T \sim G\big(1- (1-p)^2\big)\). L’indépendance est l’hypothèse qui autorise la factorisation de la deuxième étape.
C. Maximum de variables indépendantes
Pour le maximum, on raisonne par la fonction de répartition directe : \(P(\max(X, Y) \leq k) = P(X \leq k)\,P(Y \leq k)\). L’indépendance transforme la probabilité d’une intersection en produit.
VIII. Erreurs fréquentes
Incompatibilité et indépendance. Si \(A\cap B=\emptyset\), leur indépendance équivaut à \(P(A)P(B)=0\). Deux événements incompatibles de probabilités strictement positives ne sont donc pas indépendants.
Deux résultats différents. Pour additionner les variances, la décorrélation deux à deux suffit (variances finies), donc l’indépendance deux à deux suffit également. Pour factoriser systématiquement l’espérance de \(X_1X_2X_3\), on utilise l’indépendance mutuelle et l’intégrabilité des facteurs ; la seule indépendance deux à deux ne suffit pas.
Oublier que les coalitions doivent être disjointes. \(X_1 + X_2\) et \(X_2 + X_3\) partagent \(X_2\) : le lemme ne s’applique pas. Vérifie toujours que les paquets d’indices ne se chevauchent pas avant de conclure à l’indépendance.
IX. Exercices corrigés
Six exercices classés par difficulté croissante. Pour une banque plus fournie, rendez-vous sur les exercices corrigés sur les couples de variables aléatoires.
Exercice 1 : Lire l’indépendance dans un tableau ★
Le couple \((X, Y)\) a pour loi conjointe : \(P(0,0) = 0{,}2\), \(P(0,1) = 0{,}3\), \(P(1,0) = 0{,}2\), \(P(1,1) = 0{,}3\). Les variables \(X\) et \(Y\) sont-elles indépendantes ?
Voir la correction de l’exercice 1
Marginales : \(P(X = 0) = 0{,}5\), \(P(X = 1) = 0{,}5\), \(P(Y = 0) = 0{,}4\), \(P(Y = 1) = 0{,}6\).
Vérification sur chaque couple : \(0{,}5 \times 0{,}4 = 0{,}2\) ✓, \(0{,}5 \times 0{,}6 = 0{,}3\) ✓ (et de même pour les deux autres).
L’égalité est vérifiée pour tous les couples : \(X\) et \(Y\) sont indépendantes.
Exercice 2 : Réfuter l’indépendance ★
Même format : \(P(0,0) = 0{,}1\), \(P(0,1) = 0{,}4\), \(P(1,0) = 0{,}4\), \(P(1,1) = 0{,}1\). Les variables sont-elles indépendantes ?
Voir la correction de l’exercice 2
Marginales : \(P(X = 0) = 0{,}5\), \(P(Y = 0) = 0{,}5\).
Il suffit d’un couple qui cloche : \(P(X = 0,\, Y = 0) = 0{,}1\) alors que \(P(X = 0)\,P(Y = 0) = 0{,}25\).
\(0{,}1 \neq 0{,}25\) : \(X\) et \(Y\) ne sont pas indépendantes.
Exercice 3 : Appliquer le lemme des coalitions ★★
Soit \(X_1, X_2, X_3\) mutuellement indépendantes de loi \(B(p)\). Montrer que \(S = X_1 + X_2\) et \(X_3\) sont indépendantes, puis calculer \(E(S\,X_3)\).
Voir la correction de l’exercice 3
Les paquets d’indices \(\{1, 2\}\) et \(\{3\}\) sont disjoints. Par le lemme des coalitions, \(S = f(X_1, X_2) = X_1 + X_2\) est indépendante de \(X_3\).
Donc \(E(S\,X_3) = E(S)\,E(X_3)\). Or \(E(S) = 2p\) (linéarité) et \(E(X_3) = p\).
\(E(S\,X_3) = 2p \times p = 2p^2.\)Fiche PDF à imprimer
Le support de révision est reçu gratuitement par e-mail.
📄 Télécharger la fiche de coursReçois gratuitement le PDF par e-mail.
Exercice 4 : Espérance et variance d’un produit ★★
Soit \(X\) et \(Y\) indépendantes, avec \(E(X) = 2\), \(V(X) = 1\), \(E(Y) = 3\), \(V(Y) = 4\). Calculer \(E(XY)\) et \(V(XY)\).
Voir la correction de l’exercice 4
Par indépendance : \(E(XY) = E(X)\,E(Y) = 2 \times 3 = 6.\)
Pour la variance, on calcule les moments d’ordre 2 : \(E(X^2) = V(X) + E(X)^2 = 1 + 4 = 5\) et \(E(Y^2) = 4 + 9 = 13\).
\(E(XY) = 6\) et \(V(XY) = 29\).
Exercice 5 : Covariance nulle sans indépendance ★★
Soit \(X\) uniforme sur \(\{-1, 0, 1\}\) et \(Y = X^2\). Montrer que \(\mathrm{Cov}(X, Y) = 0\) mais que \(X\) et \(Y\) ne sont pas indépendantes.
Voir la correction de l’exercice 5
\(E(X) = 0\) par symétrie. Puis \(E(XY) = E(X^3)\). Comme \(x^3 = x\) sur \(\{-1, 0, 1\}\), on a \(E(X^3) = E(X) = 0\).
Donc \(\mathrm{Cov}(X, Y) = E(XY)- E(X)E(Y) = 0- 0 = 0\) : les variables sont décorrélées.
Mais \(Y\) est entièrement déterminée par \(X\). Par exemple \(P(X = 0,\, Y = 1) = 0\) (si \(X = 0\) alors \(Y = 0\)), tandis que . La covariance nulle ne suffit pas, en général, à prouver l’indépendance.
Exercice 6 : Minimum d’une suite i.i.d. ★★★
Soit \(n\geq3\) et \(X_1,\ldots,X_n\) mutuellement indépendantes de loi géométrique de paramètre \(0\lt p\leq1\). Pour \(T=\min(X_1,\ldots,X_n)\), déterminer la loi de \(T\), puis justifier que \(\min(X_1,X_2)\) et \(X_3\) sont indépendantes.
Voir la correction de l’exercice 6
Pour \(k \in \mathbb{N}\) : \(P(T\) > \(k) = P(X_1\) > \(k, \dots, X_n\) > \(k)\). Par indépendance mutuelle :
\(P(T\) > \(k) = \displaystyle\prod_{i=1}^{n} P(X_i\) > \(k) = \big((1-p)^k\big)^n = \big((1-p)^n\big)^k.\)
On reconnaît la queue d’une loi géométrique : \(T \sim G\big(1- (1-p)^n\big).\)
Enfin, les paquets \(\{1, 2\}\) et \(\{3\}\) étant disjoints, le lemme des coalitions donne directement que \(\min(X_1, X_2)\) est indépendant de \(X_3\).
Reçois gratuitement le PDF par e-mail.
X. Questions fréquentes
Que dit le lemme des coalitions ?
Il affirme que si des variables aléatoires sont mutuellement indépendantes, alors toute fonction d’un groupe de ces variables est indépendante de toute fonction d’un autre groupe disjoint. En découpant les indices en blocs qui ne se chevauchent pas, les variables fonctions de chaque bloc restent mutuellement indépendantes.
Comment montrer que deux variables aléatoires sont indépendantes ?
On détermine les deux lois marginales, puis la loi conjointe. On compare ensuite \(P(X = x,\, Y = y)\) au produit \(P(X = x)\,P(Y = y)\) pour chaque couple. Si l’égalité tient pour tous les couples, les variables sont indépendantes ; un seul couple qui échoue suffit à prouver le contraire.
Si la covariance de X et Y est nulle, X et Y sont-elles indépendantes ?
Non. L’indépendance entraîne une covariance nulle, mais la réciproque est fausse. Contre-exemple : \(X\) uniforme sur \(\{-1, 0, 1\}\) et \(Y = X^2\) ont une covariance nulle alors que \(Y\) est entièrement déterminée par \(X\). Covariance nulle signifie « décorrélées », pas « indépendantes ».
Pour aller plus loin
Tu maîtrises maintenant l’indépendance et le lemme des coalitions. Pour consolider le chapitre des couples :
- Espérance (1ère) : Cours, Propriétés et Exercices
- Variance (1ère) : Cours, Propriétés et Exercices
- 25 Exercices Variables Aléatoires Prépa Corrigés (PDF)