CHAPITRE 3

VARIABLES ALEATOIRES

Variable Aléatoire
Exemple introductif:
 Dans un jeu on lance deux fois une pièce de monnaie, on gagne
en dirhams le nombre de fois où face est sorti. Mais si pile sort
deux fois, vous versez à l’organisateur 3 dirhams.
 On sait que l’ensemble W traduisant l’expérience est
W = {PP,PF,FP,FF}.
 À l’issue de PP, on associe le réel –3 ; à l’issue de PF ou FP, on
associe 1 ; à l’issue FF, on associe 2.
 Considérons la fonction qui à chaque événement élémentaire
associe un réel.
 Dans cet exemple on note X le gain du joueur cette fonction:
X(PP)= -3
X(PF)=X(FP)=1
X(FF)=2
 X est appelé variable aléatoire définie de W dans {-3,1,2}

1
 Variable aléatoire
Définition : On appelle variable aléatoire une application X
définie sur un espace de probabilité (Ω, P) et à valeurs réelles.
La fonction de répartition F d'une variable aléatoire X est la
fonction de IR dans IR définie, pour tout réel x, par :
F(x) = P({ X ≤ x })
 La variable aléatoire est une variable dont la valeur est déterminée
par le résultat d’une expérience aléatoire. Cette valeur appartient à
un ensemble V.

• Si V est un ensemble discret, la v.a. est dite discrète.

 n.....,3,2,1,0,1,2,3,....n n  IN
3 • Si V est un ensemble continu, la v.a. est dite continue. a, b a, b  IR

Exemples :
 Somme des points obtenus en lançant 2 dés.
 Temps mis pour traiter une transaction à un guichet
d’agence bancaire.
Proposition:
Soient X une v. a., F sa fonction de répartition, alors:
1. ∀x ∈ IR, 0 ≤ F(x) ≤ 1.
2. Le comportement à l’infini :
lim F ( x )  0 et lim F ( x )  1
x  x 
3. La fonction F est croissante.
4. La fonction F est continue à droite, i. e.
x  IR lim F ( x )  F ( a )
x a
Exercice:
Soit X une variable aléatoire, et soit F sa fonction de répartition.
Pour a et b réels (a < b), exprimer en fonction de F : P( X > a ),
P( a< X ≤ b ), P[X<a].
4

2
 Remarque:
Cet exercice montre que la connaissance de la fonction de répartition
F d'une variable aléatoire X permettra de calculer, pour n'importe
quel intervalle I de IR , la probabilité P({ XϵI }). On peut démontrer
qu'elle permet aussi, de calculer la probabilité P({ XϵB }) pour
n'importe quel sous-ensemble B de IR . On dit en que la fonction de
répartition de X détermine la loi de probabilité de X.

Distribution de probabilités d’une variable aléatoire

discrète : Loi de probabilité
 Soit {x1, x2,…, xn} l’ensemble des valeurs possibles de la variable
X.
 Notons par pi=p(xi) = P(X = xi), la probabilité pour que la variable
X prenne la valeur xi.
 On décrit la distribution ou la loi de probabilité de la variable
aléatoire X en présentant l’ensemble des valeurs possibles de la
variable et les probabilités.
 Définition: Soit X une v. a. discrète, on appelle fonction de masse
de X, la fonction définie par
p X : IR  [0, 1]
 avec x  PX ( x )

 P[ X  x ] si x  X ( )
pX ( x)  
6
0 sinon

3
 Loi de probabilité discrète
On peut représenter la distribution de X par le tableau suivant:
xi x1 x2 x3 …… xn
P(xi)=P(X=xi)=pi p1 p2 p3 …… pn
Propriété :
Si x, px  , x V  est une loi de probabilité alors
 p  0 x V
x


 
p 1 x
x
La fonction de répartition dans ce cas est une fonction en escalier
F  x   p j
x j x

Propriétés:
m
* Pour tout x  [ xm , xm1[ F ( x )   pk
k 1

* Pour tout k  2,......, n on a : P ( X  xk )  F ( xk )  F ( xk 1 ).

Application:
 Dans le cas du jet de deux dés, la somme S des deux dés est une
variable aléatoire discrète à valeurs dans F = {2, 3, . . . , 12}
dont la loi est définie par
P(S = 2) = P(S = 12) = 1/36 P(S = 3) = P(S = 11) = 1/18
P(S = 4) = P(S = 10) = 1/12 P(S = 5) = P(S = 9) = 1/9
P(S = 6) = P(S = 8) = 5/36 P(S = 7) = 1/6.
Définir sa fonction de répartition puis la représenter.
 Soit A ⊂Ω un événement. Sa fonction indicatrice 1A : Ω → {0, 1}
définie par 1 si   A
   1A ( )  
0 sinon
est une variable aléatoire discrète de loi : P(1A = 1) = P(A) et
P(1A = 0) = 1 − P(A). Définir sa fonction de répartition 8
puis la représenter.

4
 Paramètres d’une loi discrète
Dans cette partie, X et Y désignent deux variables aléatoires
discrètes réelles. On note X(Ω)={xn; n∈I} et Y(Ω)={yn; n∈J}

On dit que X est d'espérance finie si la famille (xnP(X=xn))n est

sommable. Si c'est le cas, on appelle espérance de X la somme de
cette famille :
E ( X )   xn P ( X  xn )
nI
Proposition :
 Si X est intégrable càd  x n P ( X  x n )   donc
absolument convergente etn par suite sommable, alors E(X)<+∞
L'espérance est linéaire : si X et Y sont d'espérance finie, X+Y est
d'espérance finie et E(X+Y)=E(X)+E(Y).
 L'espérance est positive : si X≥0 est d'espérance finie,
alors E(X)≥0. En particulier, si X≤Y et X et Y sont d'espérance
finie, alors E(X)≤E(Y).
 Si |Y|≤X et X est d'espérance finie, alors Y est d'espérance9 finie.

Théorème de transfert : Soit f une fonction définie sur X(Ω) à

valeurs dans IR. Alors f(X) est d'espérance finie si et seulement si
la famille (P(X=xn)f(xn))n∈I est sommable.
Dans ce cas
E ( f ( X ))   f ( xn ) P ( X  xn )
nI
Application:
Reprendre l’exemple du lancer des deux dés dont X représente
la somme des résultats et calculer E(X).
Variance
Définition:
Soit X : Ω → F ⊂ IR une variable aléatoire discrète à valeurs
réelles. Alors X est dite de carrée intégrable si X² est intégrable i.e.
 x n2 P ( X  x n )  
n
Dans ce cas, on définit la variance de X par Var(X) = E(X − E(X))²
La racine carrée de la variance est appelée écart-type.
Remarque: Var(X) ≥ 0 donc E(X²) ≥ (E(X))².
10

5
 Couple de variables aléatoires - indépendance
 On appelle couple de variables aléatoires discrètes un couple (X,Y)
Où X et Y sont deux variables aléatoires discrètes.
 La loi conjointe du couple (X,Y) est la loi de (X,Y) vue comme
variable aléatoire.
Autrement dit, la loi conjointe est la donnée de toutes les valeurs de
P(X=x,Y=y) pour (x,y)∈X(Ω)×Y(Ω).
 Les lois de X et de Y sont les lois marginales de X et de Y.
 Soit x un élément de X(Ω) tel que P(X=x)>0.
On appelle loi conditionnelle de Y sachant que (X=x) la probabilité
Px définie sur Y(Ω) par ∀y∈Y(Ω),
P ( X  x, Y  y )
PX ( y )  P (Y  y / X  x ) 
P( X  x )
 Deux variables aléatoires discrètes X et Y sont dites indépendantes
si, pour tout x∈X(Ω) et tout y∈Y(Ω), on a
P(X=x,Y=y)=P(X=x)P(Y=y)
11

 Soit (Xn)n∈I une famille de variables aléatoires, où I est fini

ou dénombrable. On dit que les variables aléatoires (Xn)n∈I sont
mutuellement indépendantes lorsque, pour toute partie finie
J={i1,…,ip}⊂I, pour tout (xi1,…,xip)∈Xi1(Ω)×⋯×Xip(Ω)
on a
P( X i1 , X i2 ,...., X i p )  P( X i1  xi1 ).... P( X i p  xi p )
Exemple:
On montre que si X et Y sont des v.a qui calculent respectivement
les résultats du lancer de deux dés sont indépendantes.
Proposition:
Soient X1, . . . ,Xn des variables aléatoires de carré intégrable.
Alors X1 + . . . + Xn est de carré intégrable et si les Xi sont
indépendantes, alors n
Var ( X 1  X 2  ....  X n )  Var ( X i )
i 1
Si X est une v.a et Y = aX + b où a et b sont deux constantes
réelles, a non nulle. Alors Var(Y) = a²Var(X) . 12

6
  Si X et Y admettent un moment d'ordre 2, on appelle covariance
de X et de Y le réel
Cov(X,Y)=E((X−E(X))(Y−E(Y))=E(XY)−E(X)E(Y).
Le coefficient de corrélation linéaire est
Cov( X , Y )
 ( X ,Y ) 
 ( X ) (Y )

 Soient X et Y deux v.a discrètes , pXY est la fonction de masse de la

variable produit XY de X et de Y. Si X et Y sont indépendantes,
alors pXY = pXpY. Dans ce cas l’espérance mathématique de XY est
E (XY ) = E (X) × E (Y ).
Applications:
1. Calculer l’espérance et la variance de la variable somme des résultats
Du lancer de deux dés.
2. Supposons que Y est une v.a définie sur le même ensemble
Fondamental et qui calcule la valeur maximale des résultats, Définir
La loi conjointe puis vérifier si ces deux variables sont indépendantes.
13

Variable aléatoire continue

Soient X : Ω → IR une variable aléatoire réelle, FX sa fonction de
répartition. On dit que X est une variable absolument continue s’il
existe une fonction réelle notée fX qui vérifie
∀x ∈ R, x
FX ( x )  f X (t )dt


La fonction fX est appelée la fonction de densité de X.

Proposition :
Soient X : Ω → R une variable aléatoire réelle, FX sa fonction de
répartition. Si FX est une fonction dérivable sur R (sauf peut être
en un nombre fini de points), alors X est une variable absolument
continue.
Exemple:
 La durée de vie, en jours d’une ampoule électrique.

14
 La durée de réalisation d’un projet.

7
 Proposition:
Soit g une fonction réelle vérifiant :
i. Pour tout x ∈ R, g(x) ≥ 0.
ii.  g ( x) dx  1.
IR

Alors il existe un espace de probabilité (Ω,P), une variable aléatoire

X définie sur cet espace telle que g soit la fonction de densité de X,
i. e. fX(x) = g(x), pour tout x ∈ R.
Exemple :
Soient c ∈ IR, f la fonction définie par
  x3
f ( x )  2ce si x  0
0 sinon
Sous quelle condition la fonction f est la fonction de densité d’une
variable aléatoire réelle ?
Propriété: Si X une variable aléatoire absolument continue, alors
15 ∀x ∈ R, P(X = x) = 0.

Proposition:
Soient X une variable aléatoire absolument continue, fX sa fonction
de densité et a, b ∈ IR avec a < b. On a b
P(a  X  b)  FX (b)  FX (a )   f X (t )dt
a
Exemple:
En étudiant la durée de vie en heures d’une ampoule électrique
on s’est aperçu que c’est une variable aléatoire dont la fonction
de densité est définie par:
 x si 0  x  1

f ( x )  2  x si 1  x  2
 0 ailleurs

a) Montrer que l’on a bien une fonction de densité;
b) Donner la représentation graphique de cette fonction.
c) Calculer : P(X  0,5); P(X > 1,5) et P(0,5  X  1,5).
16

8
 Espérance et variance
Définition:
On appelle espérance mathématique ou moyenne d’une variable
aléatoire réelle absolument continue X, la quantité notée E(X) et
définie par:
E ( X )   xf ( x )dx
IR

où fX est la fonction de densité de X.

 l’espérance d’une v.a. absolument continue est définie par une

intégrale sur IR tout entier c’est pour cette raison qu’elle appartient à
IR ∪ {−∞,+∞} en général.
Proposition: Soient X une variable aléatoire réelle absolument
continue, g : IR → IR une fonction continue, posons Y = g(X), alors
Y est encore une v.a. absolument continue et
E (Y )  E ( g ( X ))   g ( x ) f X ( x )dx
17 IR

Définition: Soit X une variable aléatoire réelle absolument continue

On appelle variance de X, la quantité notée Var(X) et définie par:
Var ( X )  E ( X  E ( X ))²   ( x  E ( X ))² f X ( x )dx
IR
 On appelle écart-type de X, la quantité notée σ(X) et définie par:
 ( X )  Var ( X )
 La variance d’une v. a. r absolument continue est définie par
l’intégrale sur R d’une fonction positive, par conséquent
Var(X) ∈ R+∪{+∞}
Proposition:
Si X est une variable aléatoire réelle absolument continue, alors
Var ( X )  E ( X ²)  ( E ( X ))²   x ² f X ( x )dx  (  xf ( x )dx )²
IR IR
Contrairement à l’espérance mathématique, la variance n’est pas
linéaire, elle est cependant invariante par translation :
18 Pour tout a, b ∈ IR, alors Var(aX + b) = a² Var(X).

9
 Application:
Reprenons la v.a dont la fonction de densité était définie par:
  3x
f ( x )  2ce si x  0
0 sinon
Calculer l’espérance puis la variance de cette v.a.

19

10