Chapitre 3 : Variables Aléatoires Discrètes et

Continues

Ayoub Insa Correa, Ph.D.

Unité de Recherche et Formation en Sciences de l’Ingénieur

Université de Thiès

Semestre 1, Année académique 2014-2015

Chapitre 3 : Variables Aléatoires Simples 1/52

 Plan du Chapitre 3 : Cas discret (v.a.d)

I Définition d’une fonction de probabilité (fonction de masse

de probabilité ou distribution de probabilité)
I Fonction de répartition (fonction de distribution cumulative)
I Histogramme de probabilité
I Espérance mathématique (moyenne), variance et
écart-type

Chapitre 3 : Variables Aléatoires Simples 2/52

 Plan du Chapitre 3 : Cas continu (v.a.c)

I Définition d’une fonction de densité de probabilité

I Fonction de répartition (fonction de distribution cumulative)
I Espérance mathématique (moyenne), variance et
écart-type
I Théorème de Tchebytchev

Chapitre 3 : Variables Aléatoires Simples 3/52

 Motivation : Jusqu’ici, nous avons étudié des phénomènes
aléatoires dont les espaces échantillonnaux sont décrits par
des lettres (P, F, D, N etc...). Toutefois, il est important d’affecter
une valeur numérique au résultat d’une expérience aléatoire
pour travailler plus efficacement sur des espaces
échantillonnaux plus grands. Nous travaillerons avec des
nombres grâce à la notion de variable aléatoire.

Chapitre 3 : Variables Aléatoires Simples 4/52

 Objectifs du chapitre 3

1. Définir, aussi bien pour les variables aléatoires discrètes

que continues, les notions de fonction de probabilité (ou
fonction de masse de probabilité ou distribution de
probabilité) et densité de probabilité ;
2. Illustrer par des exemples pratiques ces notions et tester
leur maîtrise par des exercices à faire en classe ou chez
soi ;
3. Définir et utiliser les notions de fonction de répartition et
histogramme de probabilité ;
4. Définir et interpréter les notions d’espérance
mathématique (moyenne) et variance puis étudier leurs
applications.

Chapitre 3 : Variables Aléatoires Simples 5/52

 Définition d’une variable aléatoire

Une variable aléatoire est une fonction qui, à tout élément de

l’espace échantillonnal, associe un nombre réel.
Nous utiliserons :
I une lettre majuscule pour désigner toute variable aléatoire
(par exemple X ou Y) et une lettre minuscule (x ou y par
exemple) pour spécifier la valeur que peut prendre cette
variable aléatoire ;
I les abréviations v.a., v.a.d. et v.a.c. pour désigner,
respectivement, les notions de variables aléatoires,
variables aléatoires discrètes et variables aléatoires
continues

Chapitre 3 : Variables Aléatoires Simples 6/52

 Exemple de variable aléatoire

2 boules sont tirées successivement sans remise d’une urne

qui contient 4 boules rouges et 3 boules noires. Les résultats
possibles et les valeurs x de la variable aléatoire X, qui
représente le nombre de boules rouges, sont :

————————————————–
Espace échantillonnal x
————————————————–
RR 2
RN 1
NR 1
NN 0

Chapitre 3 : Variables Aléatoires Simples 7/52

 Autre exemple de variable aléatoire

Soit X, la v.a définie par le temps d’attente, en heures, qui

s’écoule entre le passage de deux chauffards successifs qui
seront arrêtés par des gendarmes sur la route nationale 1 (RN
1).
Cette v.a. prend toutes les valeurs pour lesquelles x ≥ 0.

Chapitre 3 : Variables Aléatoires Simples 8/52

 Définitions préliminaires

I Si un espace échantillonnal contient un nombre fini de

possibilités ou une suite infinie contenant autant
d’éléments que les nombres entiers (on dit qu’il est
dénombrable), il est appelé espace échantillonnal discret ;
I Si un espace échantillonnal contient un nombre infini de
possibilités égal au nombre de points d’un segment de
droite, il est appelé espace échantillonnal continu.

Chapitre 3 : Variables Aléatoires Simples 9/52

 Définition d’une v.a.d.

Une v.a. est dite discrète si l’ensemble de ses résultats

possibles est fini ou dénombrable. L’image de X est notée RX .

Remarques : Dans la plupart des problèmes pratiques, les

v.a.d. représentent des données comptées (nombre de
pièces défectueuses, produits, nombre de victimes annuelles
d’accidents sur une autoroute etc..) tandis que les v.a.
continues représentent des données mesurées (hauteurs
possibles, poids, températures, distances, périodes de vie
etc..).

Chapitre 3 : Variables Aléatoires Simples 10/52

 Distribution de probabilité d’une v.a.d.

Une v.a.d. prend ses valeurs avec une certaine probabilité.

L’ensemble des couples ordonnés (x, p(x)) est une fonction de
probabilité, une fonction de masse de probabilité ou une
distribution de probabilité d’une v.a.d. X si :
1. p (x) ≥ 0 ∀ x
P
2. x p (x) = 1
3. p (x) = P (X = x) ∀x

Chapitre 3 : Variables Aléatoires Simples 11/52

 Exemple 1

Soit une expérience aléatoire où une pièce de monnaie

équilibrée est jetée en l’air trois fois.
Si X représente le nombre de fois où la pièce de monnaie
tombe sur le côté pile, alors :
X(PPP) = 3, X(PPF) = 2, X(PFF) = 1, X(FPP) = 2, X(FPF) = 1,
X(FFP) = 1 et X(FFF) = 0.
Ainsi l’image de X est RX = {x : x = 0, 1, 2, 3}.

Chapitre 3 : Variables Aléatoires Simples 12/52

 Exercice 1

Une cargaison de 8 micro ordinateurs similaires destinée à un

détaillant contient 3 unités défectueuses. Si une école fait un
achat aléatoire de 2 de ces ordinateurs, trouver la distribution
de probabilité du nombre d’ordinateurs défectueux.

Chapitre 3 : Variables Aléatoires Simples 13/52

 Exercice 2

Si 50% des voitures vendues par un concessionnaire sont

équipées d’airbags (coussins de sécurité), trouver une formule
de la distribution de probabilité du nombre de voitures avec
airbags parmi les 4 prochaines voitures vendues par ce
concessionnaire.

Chapitre 3 : Variables Aléatoires Simples 14/52

 Représentation de la distribution de probabilité d’une
v.a.d.

Si la fonction p(x) constitue la fonction de probabilité (aussi

appelée une fonction de masse ou loi de probabilité) de la v.a.
X, X est représentée sous forme tabulaire, graphique ou
mathématique.
Soit le cas où la v.a. X représente le nombre de fois où la pièce
de monnaie tombe sur le côté pile. Représentons par exemple
la distribution de probabilité de X sous forme d’un tableau et
d’un diagramme. On rappelle que l’image de X est
RX = {0, 1, 2, 3}.

Chapitre 3 : Variables Aléatoires Simples 15/52

 Représentation sous forme de tableau

————————
x p(x)
————————
0 1/8
1 3/8
2 3/8
3 1/8

Chapitre 3 : Variables Aléatoires Simples 16/52

 Représentation sous forme de diagramme (en barres)

3/8  3/8

1/8  1/8

0  1  2 3
 

Chapitre 3 : Variables Aléatoires Simples 17/52

 Histogramme de probabilité d’une v.a.d.

Au lieu du dessin des points (x, p(x)), des rectangles sont plus
fréquemment construits.
Les rectangles sont construits de telle sorte que leurs bases,
d’égale largeur (une unité par exemple), sont centrés sur
chaque valeur x et leurs hauteurs sont égales aux valeurs
correspondantes de probabilités données par p(x). Les dessins
sont faits de telle sorte qu’il n’y ait pas d’espace entre les
rectangles.

Chapitre 3 : Variables Aléatoires Simples 18/52

 Représentation sous forme d’histogramme de
probabilité

f(x) 

6/16 

5/16 

4/16 

3/16 

2/16 

1/16 
x

0  1  2 3 4
 

Chapitre 3 : Variables Aléatoires Simples 19/52

 Exercice d’application

Un lot de 7 téléviseurs contient 2 unités défectueuses. Un hôtel

fait un achat aléatoire de 3 téléviseurs.
Si x est le nombre d’unités défectueuses achetées par l’hôtel,
trouver la distribution de probabilité de la v.a.d. X.
Exprimer graphiquement les résultats sous forme
d’histogramme de probabilité.

Chapitre 3 : Variables Aléatoires Simples 20/52

 Fonction de répartition d’une v.a.d.

Dans beaucoup de problèmes, on souhaite calculer la

probabilité que la valeur observée d’une v.a. X soit inférieure ou
égale à un certain nombre réel x.

Définition : La fonction de distribution cumulative F (x) d’une

v.a.d. X de distribution de probabilité p(x) est définie par :
P
F (x) = P (X ≤ x) = u≤x p (u) pour −∞ < u < ∞

Chapitre 3 : Variables Aléatoires Simples 21/52

 Exercice 3

On reprend l’énoncé de l’exercice 2.

1. Trouver la fonction de distribution cumulative de la v.a. X ;
2. Utiliser F (x) pour vérifier que p(2) = 3/8 ;
3. Dessiner la courbe de la fonction F (x).

Chapitre 3 : Variables Aléatoires Simples 22/52

 Espérance mathématique ou moyenne d’une v.a.d.

I La moyenne (ou espérance mathématique) d’une v.a. X est

d’une importance spéciale en Statistique parce qu’elle
décrit l’endroit où la distribution de probabilité est centrée
(i.e la tendance centrale) ;
I La valeur moyenne n’est pas nécessairement le résultat
d’une expérience aléatoire.

Chapitre 3 : Variables Aléatoires Simples 23/52

 Exemple 2

Soit une expérience aléatoire où 2 pièces de monnaie

équilibrées sont jetées en l’air 16 fois et X le nombre de fois où
le côté Pile apparait par jet.
Supposons que cette expérience ait abouti à :
I Aucune face Pile 4 fois
I Une face Pile 7 fois
I Deux faces Pile 5 fois
La valeur moyenne des côtés Pile obtenus par jet de 2 pièces
de monnaie est alors :
(0)(4)+(1)(7)+(2)(5)
16 = 1.06

Chapitre 3 : Variables Aléatoires Simples 24/52

 Autre façon de voir l’exemple précédent
En reécrivant le quotient précédent, nous avons :
4 7 5




(0) 16 + (1) 16 + (2) 16
Remarques :
4 7 5
I et 16
16 , 16 sont les fractions des jets qui donnent 0, 1 et 2
Pile, respectivement. Ce sont aussi les fréquences
relatives de valeurs différentes de X de notre expérience
aléatoire ;
I On peut calculer la moyenne d’un ensemble de données
sans connaitre le nombre total d’observations (jets). Il suffit
de connaitre leurs valeurs distinctes et leurs fréquences
relatives ;
I Ainsi le nombres moyen de côtés Pile obtenus par jet est
1.06 quelque soit le nombre total de jets (16 jets, 1000 jets
ou même 10000 jets).

Chapitre 3 : Variables Aléatoires Simples 25/52

 Autre façon de voir l’exemple précédent (Suite)

On peut utiliser cette technique des fréquences relatives pour

calculer le nombre moyen de côtés Pile obtenus sur le long
terme. Ainsi, nous définirons ce nombre par la moyenne de la
variable aléatoire X et on la note µ. Les statisticiens l’appellent
souvent espérance mathématique ou valeur attendue de la v.a.
X. On la note aussi E(X).

Chapitre 3 : Variables Aléatoires Simples 26/52

 Exemple 3

On reprend l’exemple des 2 pièces de monnaie équilibrées

jetées en l’air. L’espace échantillonnal de cette expérience
aléatoire S = {PP, PF , FP, FF }.
Puisque les 4 événements de S sont équiprobables, il s’ensuit
que
P (X = 0) = P (FF ) = 41 , P (X = 1) = P (PF ) + P (FP) = 12
et P (X = 2) = P (PP) = 14
Ces probabilités ne sont que des fréquences relatives pour ces
événements si l’expérience aléatoire est répétée un grand
nombre de fois. Alors
µ = E(X ) = (0) 14 + (1) 12 + (2) 41 = 1

Interprétation : Une personne qui jette en l’air 2 pièces de

monnaie équilibrées un grand nombre de fois, obtiendra en
moyenne une fois pile et face

Chapitre 3 : Variables Aléatoires Simples 27/52

 Définition de la moyenne (espérance mathématique)
d’une v.a.d.

Soit une v.a.d. X dont la distribution de probabilité est p(x).

La moyenne ou espérance mathématique de X est :
P
µ = E(X ) = x xp (x)

Chapitre 3 : Variables Aléatoires Simples 28/52

 Exercice 4

Un inspecteur de la qualité choisit au hasard un lot de 7

produits dont 4 sont de bonne qualité tandis que 3 sont
défectueux. Un échantillon de 3 produits est choisi par
l’inspecteur.

Question : Trouver la moyenne (valeur attendue) du nombre de

bons produits dans cet échantillon.

Chapitre 3 : Variables Aléatoires Simples 29/52

 Exercice 5

Un monsieur propose au public de jouer au jeu suivant : celui

qui accepte de participer au jeu gagne 5000 FCFA s’il réussit à
obtenir le même côté (PPP ou FFF) lors de 3 jets en l’air
successifs d’une pièce de monnaie équilibrée. Mais le joueur
devra payer 3000 FCFA s’il n’obtient qu’un (ou deux) côté(s)
Pile.

Question : Quel est le gain attendu (c-à-d trouver la

moyenne) ?

Chapitre 3 : Variables Aléatoires Simples 30/52

 Variance d’une v.a.d. : Motivation

I La moyenne (ou espérance mathématique) d’une v.a. X ne

donne pas une description adéquate d’une distribution de
probabilité.
I Deux histogrammes de deux distributions de probabilité
discrètes peuvent avoir la même moyenne mais elles
peuvent différer en termes de variabilité ou dispersion de
leurs observations autour de la moyenne.

Chapitre 3 : Variables Aléatoires Simples 31/52

 Motivation (suite)

                1             2            3……………x        0          1          2            3            4         x 

Chapitre 3 : Variables Aléatoires Simples 32/52

 Définition de la variance d’une v.a.d.

Soit une v.a.d. X dont la distribution de probabilité est p(x) et la

moyenne (espérance mathématique) est µ.
La variance de X (ou variance de la distribution de probabilité
de X) et on la note Var (X ) ou σ 2 , est définie par :
h i P
σ 2 = E (X − µ)2 = (x − µ)2 p (x)

La racine carrée de la variance, σ, est appelée déviation

standard de X.

Chapitre 3 : Variables Aléatoires Simples 33/52

 Remarques

I La quantité x − µ de la définition précédente est appelée

déviation d’une observation de sa moyenne. Puisque les
déviations sont élevées au carré avant le calcul de leur
moyenne, σ 2 sera beaucoup plus petite pour un ensemble
de valeurs proches de µ que pour ensemble de valeurs qui
varient considérablement autour de µ.
I En pratique, pour calculer la variance, on utilise souvent la
formule alternative préferrée suivante : σ 2 = E X 2 − µ2


Chapitre 3 : Variables Aléatoires Simples 34/52

 Exercice 6

Soit X une v.a.d. représentant le nombre de pièces

défectueuses d’une machine quand 3 pièces sont choisies et
testées à partir d’une ligne de production.
La distribution de probabilité de X est définie par :

x 0 1 2 3
p(x) 0.51 0.38 0.10 0.01
En utilisant la remarque précédente, calculer σ 2 .

Chapitre 3 : Variables Aléatoires Simples 35/52

 Variables Aléatoires Continues : Remarques
préliminaires
La probabilité d’une v.a.c. en un point précis est toujours nulle.
Exemple de v.a.c. : Soit la taille d’une population d’individus
âgés de plus de 21 ans. Entre les tailles 163.99 cm et 164.01
cm, il y a une infinité de valeurs possibles. Ainsi, la probabilité
de sélectionner au hasard un individu de taille exactement égal
à 164 cm (parmi une infinité de valeurs très proches de 164 cm
qu’un être humain ne peut mesurer) est pratiquement nulle.

Conséquences :
I la probabilité d’une v.a.c. ne peut pas être définie sous
forme de tableau
I P (a < X ≤ b) = P (a < X < b) + P (X = b) =
P (a < X < b). Ainsi, pour une v.a.c., le fait d’inclure ou
non la borne d’un intervalle n’a aucune importance.

Chapitre 3 : Variables Aléatoires Simples 36/52

 Remarques préliminaires (suite)

Bien que la distribution de probabilité d’une v.a.c. ne puisse pas

être représentée sous forme de tableau, elle peut être déclinée
sous forme de formule (fonction de valeurs numériques de la
v.a.c.).
Cette fonction, souvent notée f (x), est appelée fonction de
densité de probabilité ou fonction de densité de la v.a.c. X.

Chapitre 3 : Variables Aléatoires Simples 37/52

 Définition d’une fonction de densité

La fonction f (x) est une fonction de densité de probabilité de la

v.a.c. X définie sur l’ensemble des nombres réels R si :
1. f (x) ≥ 0 ∀ x∈ R
R∞
2. −∞ f (x) dx = 1
Rb
3. P (a < X < b) = a f (x) dx

Chapitre 3 : Variables Aléatoires Simples 38/52

 Exercice 4

Soit la fonction f (x) définie par :

( 2
x
, −1 ≤ x ≤ 2
f (x) = 3
0 ailleurs

1. Vérifier la condition 2 de la définition d’une fonction de

densité
2. Trouver P (0 < X ≤ 1)

Chapitre 3 : Variables Aléatoires Simples 39/52

 Fonction de répartition (ou fonction de distribution
cumulative) d’une v.a.c.

La fonction de distribution cumulative F (x) d’une v.a.c. X de

fonction de densité f (x) est définie par :
Rx
F (x) = P (X ≤ x) = −∞ f (t) dt ∀ − ∞ < x < +∞

Conséquences :
I P (a < X < b) = F (b) − F (a)
dF (x)
I f (x) = dx si la dérivée existe

Chapitre 3 : Variables Aléatoires Simples 40/52

 Exercice 5

Utiliser la fonction de densité définie dans l’exercice 4 pour :

1. Trouver F (x), la fonction de distribution cumulative de la
v.a. X
2. Évaluer P (0 < X < 1)
3. Dessiner la courbe représentative de F (x)

Chapitre 3 : Variables Aléatoires Simples 41/52

 Définition de l’espérance mathématique (moyenne)
d’une v.a.c.

Dans le cas d’une v.a.c., la définition d’une moyenne

(espérance mathématique) est presque la même que pour les
v.a.d. sauf que les sommes sont remplacées par des intégrales.

Définition : Soit X une v.a.c. de densité de probabilité f (x).

La moyenne ou espérance mathématique de X est
R +∞
µ = E (X ) = −∞ xf (x) dx

Chapitre 3 : Variables Aléatoires Simples 42/52

 Exercice 6

Soit X la v.a.c. qui définit la durée de vie en heures d’un certain

appareil électronique. La fonction de distribution de probabilité
de X est définie par :

(
20000
x3
, x ≥ 100
f (x) =
0 ailleurs
Question : Trouver la durée de vie attendue de cet appareil.

Chapitre 3 : Variables Aléatoires Simples 43/52

 Définition de la variance d’une v.a.c.

Soit une v.a.c. X dont la densité de probabilité est f (x) et la

moyenne (espérance mathématique) est µ.
La variance de X (ou variance de la distribution de probabilité
de X) et on la note Var (X ) ou σ 2 , est définie par :
h i R
∞
σ 2 = E (X − µ)2 = −∞ (x − µ)2 f (x) dx
σ 2 = E X 2 − µ2
 

Chapitre 3 : Variables Aléatoires Simples 44/52

 Propriétés de l’espérance mathématique (Partie 1)

Soit la v.a Y = H (X ).
Cas discret : Si X est une v.a.d., alors la moyenne ou
espérance mathématique de Y est
P
E [H (X )] = i H (xi ) pX (xi )

Cas continu : Si X est une v.a.c. de densité de probabilité f (x)

alors
R +∞
E [H (X )] = −∞ H (x) fX (x) dx

Chapitre 3 : Variables Aléatoires Simples 45/52

 Propriétés de l’espérance mathématique (Partie 2)

I Si H (X ) = X alors E [H (X )] = E [X ] = µ
h i
I Si H (X ) = (X − µ)2 alors E [H (X )] = E (X − µ)2 = σ 2

Chapitre 3 : Variables Aléatoires Simples 46/52

 Propriétés de l’espérance mathématique (Partie 3)

I E (b) = 0 et V (b) = 0 si b est une constante

I E (aX + b) = aE (X ) + b
V (aX + b) = a2 V (X ) si V (X ) = E X 2 − [E (X )]2


I

µ0 = E X k


I
h i
I µk = E (X − E (X ))k

Chapitre 3 : Variables Aléatoires Simples 47/52

 Moments centrés d’une v.a.d.

Si X est une v.a.d, alors le terme µ0k = xik pX est appelé

P
i
k ieme moment par rapport à l’origine.
I Si k = 1, ce terme est noté µ et est appelé premier
moment par rapport à l’origine ou moyenne. La moyenne
fournit une indication de la tendance centrale de la v.a.
Si k = 2, le terme σ 2 = i (xi − µ)2 pX (xi ) est appelé
P
I
deuxième moment par rapport à la moyenne ou variance. Il
décrit la variabilité, l’étalement ou la dispersion de la
probabilité associée aux éléments de RX .

Chapitre 3 : Variables Aléatoires Simples 48/52

 Moments centrés d’une v.a.c.

Si X est une v.a.c, alors

R +∞
I Le terme µ =
−∞ xfX (x) dx est appelé premier moment
par rapport à l’origine.
R +∞ 2
−∞ (x − µ) fX (x) dx est appelé
I Si k = 2, le terme
deuxième moment par rapport à la moyenne ou variance. Il
décrit la variabilité, l’étalement ou la dispersion de la
probabilité associée aux éléments de RX .
I Le k ieme moment
R +∞ centré par rapport à la moyenne est noté
k
µk et vaut −∞ (x − µ) fX (x) dx

Chapitre 3 : Variables Aléatoires Simples 49/52

 Théorème de Tchebytchev

La probabilité qu’une v.a. X prenne une valeur autour de k

déviations standards de la moyenne est au moins égale à
1 − 1/k 2 , c’est-à-dire que :
1
P (µ − k σ < X < µ + k σ) ≥ 1 − k2

Chapitre 3 : Variables Aléatoires Simples 50/52

 Remarques

I Le théorème de Tchebytchev est valide pour toute

distribution d’observations. C’est pourquoi ce résultat est
faible ;
I La valeur obtenue est seulement une borne inférieure.
Quand la distribution de probabilité est connue, les valeurs
exactes des probabilités peuvent être déterminées.

Chapitre 3 : Variables Aléatoires Simples 51/52

 Exercice 7

Soit X une v.a. de moyenne µ = 8 et de variance σ 2 = 9 dont la

distribution de probabilité est inconnue. Trouver :

1. P (−4 < X < 20)

2. P (]X − 8] ≥ 6)

Chapitre 3 : Variables Aléatoires Simples 52/52