Chapitre 2

VARIABLE ALEATOIRE

Introduction

En science, en économie, en gestion, en médecine, en sociologie, …, plusieurs

phénomènes, sont caractérisés par des observations qui varient d’une expérience à
l’autre et ceci sous l’effet du hasard. Ces observations appartiennent à un certain
domaine (ensemble) avec des probabilités égales ou différentes. Ce type de
phénomène est appelé phénomène aléatoire qui, par rapport à d’autres phénomènes,
est dans une plus grande mesure imprévisible. Une des notions les plus fondamentales
de la théorie des probabilités est celle de variable aléatoire. Par ce terme on entend
une grandeur qui à la suite d’une épreuve à issue aléatoire prend telle ou telle valeur.
Dans ce chapitre nous nous intéresserons à la distribution (loi) de probabilité et aux
caractéristiques d’une variable aléatoire.

I) VARIABLE ALEATOIRE

Dans la plupart des cas le résultat d’une expérience aléatoire (événement aléatoire) se
laisse décrire de deux façons :

 Le résultat peut être décrit par un nombre. Par exemples, le nombre obtenu
sur un dé, le nombre de pièces défectueuses dans un lot d’articles, la durée de
vie d’une machine, ….
 Le résultat n’a aucun lien avec les nombres, il est possible de coder les issus
en leurs attribuant des nombres. Par exemple, il est possible d’attribuer le
nombre 1 à « pile » et 0 à « face » dans le cas de jet d’une pièce de monnaie, le
nombre 1 à « défectueux » et 0 à « non défectueux » dans le cas de contrôle
d’un article.

1) Définition d’une variable aléatoire

À chaque expérience aléatoire est associé un ensemble fondamental 
comportant les résultats possibles de cette expérience et qu’à partir de cet
ensemble, on peut formaliser un certain nombre d’événements. Dans la plupart
des cas, on ne s’intéresse pas uniquement aux résultats de l’expérience mais
aussi à certaines de ses conséquences sous formes de valeurs numériques. De
ce fait, on peut définir une règle d’association qui consiste à attribuer à
chaque événement élémentaire  de  une valeur numérique.
Une variable aléatoire est désignée par une lettre majuscule X , Y , Z, … et
les valeurs qu’elle peut prendre (réalisations) par une lettre minuscule x, y, z,
....

1
 La variable aléatoire X , d’ensemble de valeurs possibles  X , est dite :

● Discrète si  X est dénombrable.

● Continue si  X est innombrable.

Exemples de variables aléatoires

Expérience aléatoire Variable aléatoire Ensemble des Type de Variable

valeurs possible aléatoire
possibles Type de

Jet d'une pièce de monnaie X=x0=0 si P pile apparait  X  0,1 Discrète

une fois X=x1=1 si F sinon
Jet d'un dé parfait V: nombre obtenu sur le dé V  ( 1, ,2,3,4,5,6 Discrète
attente d’un bus Z : durée d’attente en  Z = [0 ...... 30] Continue
minutes

Exploitation d’un T : durée de service jusqu’à  T  [ 0 , +  Continue

ordinateur la première défaillance

Exemple 1 :

Considérons l’expérience aléatoire :" jet d’une pièce de monnaie (non truquée) deux fois".

On s’intéresse par exemple au nombre de piles obtenues lors des deux jets. On définit alors la
variable aléatoire X ‘‘ nombre de piles obtenues’’.

L’ensemble fondamental associé à cette expérience aléatoire est  = ω1 , ω2 , ω3 , ω4 

={(F,F),(F, P),(P, F),(P, P)}.

On a : Xx1  0 , X 2  1  , X33  1  et X 4  2  L’ensemble des valeurs possibles de la

variable aléatoire X est alors :  X x0, x1, x2 =  0, 1, 2  X est dénombrable, donc X est une
variable aléatoire discrète.

Card (E 0 ) 1
p(X  0)    0.25 <1
Card () 4

2
 Card (E1 ) 2
p(X  1)    0.5 <1
Card () 4

Card (E 2 ) 1
p(X  2)    0.25 1
Card () 4

X 0 1 2 Somme

P(X=x) 0.25 0.5 0.25 1

La distribution de probabilité de X

Exemple 2 : Soit l’expérience aléatoire: pesée d’un corps sur une balance analytique pouvant
commettre une erreur de pesée de 5 grammes (en plus ou en moins). On définit la variable
aléatoire W " erreur commise".

Les valeurs possibles de la variable aléatoire W peuvent être aussi bien positives que négatives et
couvrant d’une façon continue une certaine partie de l’axe, aussi bien à droite qu’à gauche de
zéro, soit w [-5, 5]. Cet ensemble (intervalle)  w [-5.............,5] n’est pas dénombrable, donc
W est une variable aléatoire continue.

II) LOI DE PROBABILITE D’UNE VARIABLE ALEATOIRE

1- Loi de probabilité d’une variable aléatoire discrète

On appelle loi (ou distribution) de probabilité d’une variable aléatoire discrète X, une règle (tableau
ou fonction) qui permet de trouver la probabilité que X prenne une certaine valeur x X.
 Une première forme de loi de probabilité, dans le cas discret, est un tableau dont la ligne
supérieure dénombre dans l’ordre croissant toutes les valeurs possibles de la variable
aléatoire X: x1 x2, ...., xn et la ligne inférieure, les probabilités pour que X prenne les valeurs
correspondantes

X x1 x2 .. xi ... xn n

i 1
f(xi)=P(X=xi) P1 P2 pi pn 1
Loi de probabilité ou distribution de probabilité de X

3
Suite de l'exemple

X 0 1 2 n

i 1
f(xi)=P(X=xi) 0.25 0.5 0.25 1
Distribution de probabilité de X

Fonction

Ou encore sous forme d’une fonction :

1
 4 si x  0, 2
 1
 si x  1
f ( x )  P( X  xi )   2

 0 sin on



Exemple 2:

Dans la population estudiantine, les garçons sont en proportion p et les filles en

proportions (1-p). On prélève au hasard un individu dans cette population. On définit
la variable aléatoire Y telle que : Y = 1 si l’individu prélevé est un garçon et Y = 0
sinon.

La loi de probabilité de Y peut être donnée par la fonction f(y) =P (Y= y  définie par :

 p y ( 1  p )1 y si y  Y
f ( y )  P( Y  y )  
 0 sin on

P(Y=1)= p1( 1  p )11  P

P(Y=0)= p 0 ( 1  p )10  1  P

Où  Y =0, 1 . On peut vérifier que f(1) = p et f(0) = 1-p

On vérifie bien que:

4
 1 1
 f ( y )   p y ( 1  p )1 y  p 0 ( 1  p )10  p1( 1  p )11  1  p  p  1
y 0 y 0

2- Loi de probabilité d’une variable aléatoire continue:

Rappelons qu’à la différence d’une variable aléatoire discrète où l’ensemble des

valeurs possibles est fini ou infini mais forcément dénombrable, une variable aléatoire
continue X (comme le caractère en statistique descriptive) se distingue par son
ensemble des valeurs éventuelles qui n’est pas dénombrable et couvre sans
discontinuité tout l’axe numérique ou certains de ses intervalles, soit  X  IR . On
cite par exemples : le poids d’un grain de blé tiré au hasard du tas, le retard d’un train,
le chiffre d’affaires, la durée de vie d’un article …

Densité de probabilité

La loi (ou distribution) de probabilité d’une variable aléatoire continue, est définie par
la donnée d’une densité de probabilité.

La fonction f(x) est appelée fonction densité (ou densité de probabilité) d’une variable
aléatoire continue X de vérifiant les propriétés ci-dessous.

 f (x)  0

 f (x) = 0 si x  X

 x f ( x )dx  1 somme des probabilités cas continu

5
 f(x)

 f ( x )dx  P( X  a )
a


b f ( x )dx  P( X  b )

  x

a 0 b

a f ( x )dx  P( a  X  b )
b

III) Fonction de répartition d'une variable aléatoire

Afin de décrire complètement le mécanisme de la variable aléatoire X, on définit la
fonction de répartition de cette variable aléatoire.

Si on s'intéresse au calcul de la probabilité que la variable aléatoire prenne des valeurs

dans l'intervalle X  xmin , x où xmin est la plus petite valeur de X (cette
valeur peut éventuellement égale à  et x   ). La probabilité
P( X  X )  P( X  x ) est

définie par la donnée de l'extrémité droite de l'intervalle X c'est à dire :

On appelle fonction de répartition d'une variable aléatoire discrète ou continue,

l'application F telle que:

F :   0 , 1
x  F ( x )  P( X  x )
F vérifie les propriétés suivantes:

6
 lim F ( x )  0
x

 lim F ( x )  1
x

 F(x) est non décroissante c'est à dire x  x* alors F ( x )  F ( x* )

 F(x) est continue à gauche en tout point de 

Ainsi on a:

Dans un intervalle quelconque : a , b

 P( a  X  b )  P( X  b )  P( X  a )  F ( b )  F ( a )
 P( X  a )  1  P( X  a )
 P( X  1 )  1  P( X  1 )  1  P( 0 )

Reprenons l'exemple du jet d'une pièce de monnaie deux fois et à l'événement qui
définit le nombre de Pile obtenu

X 0 1 2
P

f(xi)=P(X=xi) 0.25 0.5 0.25 1

Distribution de probabilité de X

La fonction de répartition de X est la suivante :

X 0 1 2 3

F(xi )=P(X<xi)) 0 0.25 0.75 1

On a ajouté, à la dernière colonne, la valeur non réalisable 3 pour faire apparaître le

1 de la fonction de répartition

on a:

F(0)= P(X<0)=0

F(1) =P(X<1) = P(0)= 0.25

F(2) =P(X<2) =P(0)+P(1)=0.25+0.5=0.75

F(3) = P(X<3)= P(0)+P(1)+P(2)= 0.75+0.25=1

7
F(4) = P(X<4)= P(0)+P(1)+P(2)= 0.75+0.25=1

De même on a :

 La probabilité d'avoir au plus X égale à 2 est :

 P( X  2 )  F ( 2 )  0.75
 La probabilité d'avoir au moins X égale à 1 est :

P( X  1 )  1  P( X  1 )  1  F ( 1 )  1  0.25  0.75

 La probabilité d'avoir X < 3 est : P( X  3 )  F ( 3 )  1

 La probabilité d'avoir X < 4 est : P( X  4 )  F ( 4 )  1

 La probabilité d'avoir X < -1 est :

P( X  1 )  P( X  0 )  F ( 0 )  0

P( 1  X  2 )  F ( 2 )  F ( 1 )  0.75  0.25  0.5

Suite de l'exercice 1

F(x) telle que : F ( x )  P( X  x )

x 0 1 2 3 4 5 6 6

 P( x )
i 0
i

P(x=x) 0.1 0.1 0.2 0.2 0.2 0.1 0.1 1

Calculer les probabilités suivantes

F(x)= P( X  x )

F ( 3 )  P( X  3 )  P( 0 )  P( 1 )  P( 2 )  0.1  0.1  0.2  0.4

8
 F ( 1 )  P( X  1 )  0.1

P( X  1 )  1  P( x  1 )  1  F ( 0 )  1  0.1  0.9

P( X  1 )  P( 2 )  ..... P( 6 )  0.8

P( X  1 )  P( 0 )  P( 1 )  0.2

F ( 7 )  P( X  7 ) =1

P( 1  X  3 )  F ( 3 )  F ( 1 )  0.4  0.1  0.3

IV) Caractéristiques d'une variable aléatoire: E(X) , V(X) écart type de X

En théorie des probabilités, outre la loi de probabilité, on étudie également ses

caractéristiques dont l’objet est de décrire sous la forme condensée telles ou telles
particularités de la loi. Par exemple, quand on étudie la loi de probabilité de la variable
aléatoire ‘‘nombre d’articles défectueux dans une chaîne de production’’, on s’intéresse en
premier lieu au nombre moyen d’articles défectueux et à l’une des mesures de sa
dispersion comme l’écart type.

1) Espérance mathématique

On appelle Espérance mathématique E(X) d’une variable aléatoire X, le réel :

n
m1  E( X )   xi .Pi ( x ) cas discret
i 1

m1  E( X )   x x. f ( x )dx cas continu

L’espérance mathématique est le moment non centré d’ordre 1 : E (X)  m1

n
Le moment non centré d’ordre 1 m1  E( X )   xi .Pi ( x )
i 1

9
 n
Le moment non centré d'ordre 2: m2  
i 1
x 2 i .Pi ( x )

n
Le moment non centré d'ordre 3: m3  
i 1
x 3i .Pi ( x )

n
Le moment non centré d'ordre k: mk   x k i .Pi ( x )
i 1

Suite de l'exemple discrète

X 0 1 2 n

i 1
f(xi)=P(X=xi) 0.25 0.5 0.25 1
Distribution de probabilité de X

2
m1  E( X )   xi .Pi ( x )  x0  P( 0 )  x1  P( 1 )  x2  P( 2 )  0  0.25  1 0.5  2  0.25  1
i 0

xmin=0 < E( X ) <xmax=2

2) Propriétés de l’espérance mathématique

Soient a, b et c des constantes non aléatoires, on a les propriétés suivantes

n
 E (c )= c: E( c )  c Pi ( x )  c.1  c
i 1

 E( aX  b )   ( ax  b ).f(x)  a  x.f(x)  b  .f(x)  aE( X )  b.

x X x X x X

 E( aX )   ( ax ).f(x)  a  x.f(x)  aE( X )

x X x X

E( aX  b )  E( aX )  E( b )  aE( X )  b

10
Suite de l'exemple

X 0 1 2 n

i 1
f(xi)=P(X=xi) 0.25 0.5 0.25 1
Distribution de probabilité de X

Calculer E(X)

On a
2
E( X )   xi .Pi ( x )  x0 . p( 0 )  x1 . p( 1 )  x2 . p( 2 )  0  0.25  1 0.5  2  0.25  1
i 0

2
E( X )   x1 .P1 ( x )  0  0.25  1 0.5  2  0.25  1
- i 0

Exemple 2:

Dans la population estudiantine, les garçons sont en proportion p et les filles en

proportions (1-p). On prélève au hasard un individu dans cette population. On définit
la variable aléatoire Y telle que : Y = 1 si l’individu prélevé est un garçon et Y = 0
sinon.

La loi de probabilité de Y peut être donnée par la fonction f(y) =P (Y= y  définie par :

 p y ( 1  p )1 y si y  Y
f ( y )  P( Y  y )  
 0 sin on

P(Y=1)= p1( 1  p )11  P

P(Y=0)= p 0 ( 1  p )10  1  P

1
E( X )   yi .Pi ( y )  y0 * P( y0 )  y1 * P( 1 )  0  ( 1  p )  1 P  P
i 0

3) Variance d'une variable aléatoire :

On appelle variance d’une variable aléatoire X, le réel positif :

11
 Un paramètre de dispersion:

V ( X )   xi  m1  . f i ( x ) cas discret

n
2

i 1

V ( X )  x xi  m1  . f i ( x ) cas continu

2

V ( X )    xi  m1  . f i ( x )   x i . f i ( x )    xi . f i ( x ) 
n n n
2 2

i 1 i 1  i 1 
V ( X )  m2  m1 
2

V(x)= moment non centré d'ordre 2 - le carré du moment non centré

d'ordre 1

La variance est le moment centré d'ordre 2

On appelle écart-type de X, le réel positif :

Écart type

n
.  X  V( X )   xi  E( x )2 . f i ( x ) cas discret
i 1

 X  V( X )  x xi  E( x ) . fi ( x ) cas continu

2

4) Propriétés de la variance

Les principales propriétés de la variance sont déduites de sa définition et des propriétés de

l’espérance mathématique. Soient a, b et c des constantes non aléatoires, on a les propriétés
suivantes :

12
 V( c) =  c - c .f(x) 0
x X

 V ( aX )   ax - am1 2 f(x)   a( x  m1 )2 f ( x )  ( a 2 ( x  m1 )2 ) f  a 2  ( x  m1 )2 f

x X

 a 2V ( X )

 D’après la propriété ②, on déduit ax+b  a x .

Exercice 1

Pour la production d’un article, une société utilise une machine testée au préalable pour un
fonctionnement sans arrêts techniques durant 8 heures. Dès que ce temps est dépassé, la machine
peut subir des arrêts partiels de surcapacité. Elle doit être mise en réparation si elle s’arrête
partiellement six fois successives. Le nombre de ce type d’arrêt est une variable aléatoire X dont la
distribution de probabilité est représentée par le diagramme suivant :

P(X =x )
P(X=x)
2p

0 1 2 3 4 5 6 7

Diagramme en bâtons

X" Le nombre d’arrêt"

X est une variable aléatoire discrète car elle prend des valeurs isolées

1) Donner la loi de probabilité de X.

x 0 1 2 3 4 5 6 6

 P( x )
i 0
i

P(x=x) p p 2p 2p 2p p p 1
La distribution de probabilité de X

2) Déterminer la valeur de p

13
 On a la somme des probabilités est égale à 1


i 0
Pi ( x )  1  p  p  2 p  2 p  2 p  p  1  1

1
10 p  1  p   0.1
10

X 0 1 2 3 4 5 6 6

 P( x )
i 0
i

P(x=x) 0.1 0.1 0.2 0.2 0.2 0.1 0.1 1

Déterminer la probabilité que la machine subisse moins de 4 arrêts

P( x  4 )  p( 0 )  p( 1 )  p( 2 )  p( 3 )  0.1  0.1  0.2  0.2  0.6

5) Déterminer l’espérance mathématique et la variance de X

X 0 1 2 3 4 5 6 6

 P( x )
i 0
i

P(x=x) 0.1 0.1 0.2 0.2 0.2 0.1 0.1 1

n
m1  E( x )   xi .Pi ( x )  0  0.1  1  0.1  2  0.2  3  0.2  4  0.2  5  0.1  6  0.1  3
i 1

m1=3 le moment non centré d'ordre 1

2
n n
 n 
V ( x )    xi  m1  . f i ( x )   x i . f i ( x )    xi .Pi ( x ) 
2 2

i 1 i 1  i 1 
v( X )  m2  m1 
2

V ( X )  m2  m1 
2

n
m2  E( x 2 )   x 2 i .Pi ( x )  0 2  0.1  12  0.1  2 2  0.2  32  0.2  4 2  0.2  5 2  0.1  6 2  0.1  11.3
i 1
m2=11.3 (moment non centré d'ordre 2)

14
 V ( X )  m2  m1   11.3  32  2.3 >0
2

Écart type :  ( X )  V ( X )  2.3  1.51 >0

Exercice 2

Une société utilise une machine pour produire des disques de diamètre donné. On définit la variable
aléatoire X « erreur de mesure commise par la machine lors de la fabrication ». La fonction densité de
X est donnée par :


c2 x  1 si  2  x  0
1


f( x )  c1  2 x  si 0  x 
1
 2
0 sinon



1) Déterminer la constante c. Représenter le graphique de la densité de X. Illustrer P(X < -0.4), P(X > 0.4)
et P( -0.4 < X < 0.4) sur le graphique de la densité. En justifiant votre réponse, comparer les
probabilités P(X < -0.4) et P(X > 0.4).

2) Déterminer les moments non centrés d'ordre 1 et 2 de X. En déduire la variance de X.

Corrigé

1) on a la somme des probabilités est égale à 1

x f ( x )dx  1  0.5 c( 2 x  1 )dx  0 c( 1  2 x )dx  1

0 0.5

a f ( x )dx  F ( x )a  F ( b )  F ( a )
b b

c 0.5 ( 2 x  1 )dx c 0 ( 1  2 x )dx  1

0 0.5

cx 2  x 0.5  cx  x 2 0  1

0 0.5

c0  0  0.25  0.5  c0.5  0.25   0  0 )  1

1
c.0.25   c0.25   1  0.5c  1  c  2
0.5

15
 
22 x  1 si  2  x  0
1


f( x )  21  2 x  si 0  x 
1
 2
0 sinon



x f ( x )dx  1  0.5 c( 2 x  1 )dx  0 c( 1  2 x )dx  1

0 0.5

f(x)

(0 , 2) (-0.5, 0) 2 (0,2) (0.5, 0)

0.5- 0.4 0.4 0.5 x

P(X < -0.4), P(X > 0.4) et P( -0.4 < X < 0.4)

P(X < -0.4)

0.4
= 0.5 2( 2 x  1 ))dx  2 x 2
 x0.5  20.16  0.4   0.25  0.5  0.02 <1
0.4

0.4 2( 1  2 x ))dx  0.02<1

0.5
P(X > 0.4)=

2) Déterminer les moments non centrés d'ordre 1 et 2 de X. En déduire la variance de X.

Le moment non centré d'ordre 1

16
m1  E( X )   X x. f ( x )dx  0.5 x. f ( x )dx  0.5 x. f ( x )dx  0 x. f ( x )dx
0.5 0 0.5

 1
 2 2 x  1 si  x0
2

 1
f( x )  21  2 x  si 0  x 
 2
0 sinon


 0.5 x.( 4 x  2 )dx  0 x.( 2  4 x )dx

0 0.5

 0.5 ( 4 x 2  2 x )dx  0 ( 2 x  4 x 2 )dx

0 0.5

0 0.5
 x 3   4 x 3 
  4  x 2    x 2  
 3  0.5  3  0
 0   0.166  0.25  ( 0.25  0.166
 0.083  0.083  0

xmin =-0.5 <E(X) <0.5xmax

Le moment non centré d'ordre 2

0.5 x.( 4 x  2 )dx  0 x.( 2  4 x )dx

0 0.5

m2   X x 2 . f ( x )dx  0.5 x 2 . f ( x )dx  0.5 x 2 . f ( x )dx  0 x 2 . f ( x )dx

0.5 0 0.5

0.5 ( 4 x  2 x )dx  0 ( 2 x  4 x )dx

0 3 2 2 0.53
=

0 0.5
 4 x3   x3 4
x  2  2  x
=  3  0.5  3 
0
 0  ( 0.0625  0.083 )  0.083  0.0625 )  0.041

V ( X )  m2  m1   0.041
2

17
V ( X )  0.041  0   0.041
2
>0

  V ( X )  0.041  0.20

18