probabilités

probabilit és

Kossi Essona GNEYOU 1

13 juillet 2021

1. UL-FDS, Département de Mathématiques, Lomé - Togo, e-mail: kgneyou@univ-lome.tg

K.E. Gneyou, UL-FDS, 2020/2021 2
 Table des matières

3 Variables aléatoires sur un espace probabilisé 7

3.1 Variable aléatoire réelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.1.1 Opérations sur les variables aléatoires . . . . . . . . . . . . . . . . . . . . . 7
3.1.2 Loi de Probabilité d’une variable aléatoire - Fonction de répartition . . . . . 8
3.1.3 Différents types de variables aléatoires . . . . . . . . . . . . . . . . . . . . . 8
3.2 Variables aléatoires réelles discrètes . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.2.1 Loi de Probabilité d’une variable aléatoire réelle discrète . . . . . . . . . . . 8
3.2.2 Fonction de répartition d’une variable aléatoire réelle discrète . . . . . . . . 9
3.2.3 Loi de probabilité d’une fonction de variable aléatoire discrète . . . . . . . . 9
3.3 Loi d’un vecteur aléatoire discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.3.1 Loi de probabilité d’un couple de variables aléatoires discrètes . . . . . . . . 10
3.3.2 Lois marginales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.3.3 Lois conditionnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.3.4 Indépendance de deux variables aléatoires discrètes . . . . . . . . . . . . . . 12
3.3.5 Généralisation des notions précédentes : loi multivariée . . . . . . . . . . . . 12
3.4 Caractéristiques numériques d’une variable aléatoire réelle discrète . . . . . . . . . . 12
3.4.1 Espérance mathématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.4.2 Variance et écart-type d’une variable aléatoire réelle . . . . . . . . . . . . . 13
3.4.3 Moments, moments centrés . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.4.4 Covariance, cœfficient de corrélation de deux variables aléatoires réelles . . . 14
3.5 Variables aléatoires discrètes usuelles . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.5.1 Loi de Bernouilli de paramètre p . . . . . . . . . . . . . . . . . . . . . . . . 15
3.5.2 Loi binomiale de paramètre n et p . . . . . . . . . . . . . . . . . . . . . . . 15
3.5.3 Loi uniforme discrète . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.5.4 Loi de Poisson de paramètre λ > 0 . . . . . . . . . . . . . . . . . . . . . . . 15
3.5.5 Variable aléatoire réelle continue . . . . . . . . . . . . . . . . . . . . . . . . 16
3.5.6 Valeurs caractéristiques d’une variable aléatoire réelle continue . . . . . . . 16
3.6 Lois continues usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.6.1 Loi uniforme sur un intervalle . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.6.2 Loi normale de moyenne µ et d’écart-type σ . . . . . . . . . . . . . . . . . 17
3.7 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

3
 TABLE DES MATIÈRES TABLE DES MATIÈRES

K.E. Gneyou, UL-FDS, 2020/2021 4

Introduction

Dans le chapitre précédent, on a su écrire un espace probabilisé (Ω, A, P) qui est le modèle pro-
babiliste d’un phénomène (ou expérience) aléatoire E. On savait ainsi calculer la probabilité d’un
événement (une partie probabilisable de Ω ou encore un élément de la tribu A des paries de Ω).

Dans ce chapitre on se propose de définir une fonction qui prend une valeur aléatoire si et seule-
ment si un événement A se produit. Une telle fonction notée X et appelée variable aléatoire permet de
définir un nouvel espace probabilisé (X, B, PX ) attaché à la même expérience aléatoire E. La suite du
chapitre est consacrée à l’étude de telles variables aléatoires et leurs caractéristiques.

5
 TABLE DES MATIÈRES TABLE DES MATIÈRES

K.E. Gneyou, UL-FDS, 2020/2021 6

Chapitre 3

Variables aléatoires sur un espace probabilisé

3.1 Variable aléatoire réelle

Dans une expérience aléatoire, on peut faciliter la description d’un évènement probabilisable en
lui associant une fonction numérique qui prend une valeur réelle si et seulement si l’évènement se
produit. La valeur à prendre par cette fonction étant aussi aléatoire, on va imposer à la fonction
d’avoir une image réciproque de cette valeur qui soit un évènement probabilisable. D’où la notion de
variable aléatoire.

Définition 3.1.1 Soit (Ω, A , P) un espace probabilisé. On appelle variable aléatoire réelle (v.a.r.)
sur (Ω, A ), toute application X de Ω dans R telle que, pour tout intervalle I de R, X −1 (I) ∈ A .

Notations
notations
X −1 (I) = {ω ∈ Ω | X(ω) ∈ I} = {X ∈ I}
e.g. X −1 (]a, b[) = {a < X < b}
−1
X (] − ∞, x]) = {X 6 x}
X −1 ({x}) = {X = x}
X(Ω) est l’ensemble des valeurs possibles de la variable aléatoireX définie sur (Ω, A ).

Exemple 3.1
On lance 2 dés parfaits. Soit X=somme des chiffres obtenus. On vérifie que Ω a 36 éléments et que
l’application X : Ω −→ R, ωi j 7−→ i + j est telle que X(Ω) = {2, 3, . . . , 11, 12}.

Définition 3.1.2 On appelle vecteur aléatoire définie sur (Ω, A ), toute application X de Ω dans
Rn , (n > 2), qui à tout ω ∈ Ω associe X(ω) = (X1 (ω), . . . , Xn (ω)) telle que pour chaque i, 1 ≤
i ≤ n, l’application Xi : Ω −→ R est une variable aléatoire réelle définie sur (Ω, A ). On note
X = (X1 , X2 , . . . , Xn ).
Si n = 2 le vecteur aléatoire (X1 , X2 ) est dit "couple" de variables aléatoires et dans le cas général
(X1 , X2 , . . . , Xn ) est dit "n-uple" de variables aléatoires.

3.1.1 Opérations sur les variables aléatoires

Si X et Y sont des variables aléatoires sur (Ω, A ) et λ ∈ R, alors X + Y, λX, XY, X1 (si X , 0),
sup(X, Y), min(X, Y) et plus généralement f (X, Y) pour toute fonction numérique continue, sont des
variables aléatoires.

7
CHAPITRE 3. VARIABLES ALÉATOIRES SUR UN ESPACE PROBABILISÉ 3.2. VARIABLES ALÉATOIRES RÉELLES DISCRÈTES

3.1.2 Loi de Probabilité d’une variable aléatoire - Fonction de répartition

Définition 3.1.3 Soit (Ω, A , P) un espace probabilisé et X une variable aléatoire sur (Ω, A ).
- On appelle loi de probabilité de la variable aléatoire X, la probabilité PX image de P par X définie
par PX (I) = P[X ∈ I] pour tout intervalle I de R.
- On appelle fonction de répartition de la variable aléatoire X (ou de la loi de X), l’application
F : R −→ R, x 7−→ F(x) = P[X 6 x].

Propriétés 3.1
P1) ∀x ∈ R, F(x) ∈ [0, 1].
P2) F est croissante sur R.
P3) lim F(x) = 0 et lim F(x) = 1.
x→−∞ x→+∞
P4) ∀a, b ∈ R, P[a < X < b] = F(b) − F(a).

3.1.3 Différents types de variables aléatoires

On distingue deux types de variable aléatoire suivant la nature de X(Ω) :

1) Si X(Ω) est une partie finie ou dénombrable, on dit que X est une variable aléatoire discrète (v.a.d.)
2) Si X(Ω) est une réunion
R x d’intervalles de R non réduite à un point et la fonction de répartition F de
X peut s’écrire F(x) = −∞ f (t) dt, où f est une fonction réelle positive ayant un nombre fini de points
R +∞
de discontinuité et telle que −∞ f (t)dt = 1, X est dite variable aléatoire réelle continue ayant pour
densité f .
Un vecteur aléatoire X = (X1 , X2 , · · · , Xn ) est dit vecteur aléatoire discret si pour tout i = 1, 2, · · · , n,
Xi est une variable aléatoire discrète.

3.2 Variables aléatoires réelles discrètes

3.2.1 Loi de Probabilité d’une variable aléatoire réelle discrète

Définition 3.2.1 Soit X une variable aléatoire discrète sur (Ω, A , P) telle que X(Ω) = {x1 , x2 , · · · , xn }.
On appelle loi de probabilité de X (ou loi de X) l’ensemble des couples (xi , pi ), 1 6 i 6 n où xi ∈ X(Ω)
et pi = P[X = xi ].

En pratique, pour déterminer la loi de probabilité d’une variable aléatoire discrète X, on détermine
d’abord les valeurs xi susceptibles d’être prises par X formant l’ensemble X(Ω) et on calcul les pi =
P[X = xi ].
Si n est petit, on peut présenter les résultats dans un tableau (xi , pi ), i = 1, 2, . . . , n.

K.E. Gneyou, UL-FDS, 2020/2021 8

CHAPITRE 3. VARIABLES ALÉATOIRES SUR UN ESPACE PROBABILISÉ 3.2. VARIABLES ALÉATOIRES RÉELLES DISCRÈTES

3.2.2 Fonction de répartition d’une variable aléatoire réelle discrète

P
En supposant X(Ω) = {x1 , x2 , · · · , xn } et x1 < x2 < x3 < · · · < xn , on a F(x) = pi .
{i/xi 6x}

F(x)

X(Ω) = {x1 , x2 , x3 , x4 }

x1 x2 x3 x4
x

Propriétés 3.2
On a




 0, si x < x1


 k
P
1) F(x) = 
 pi , si xk 6 x 6 xk+1 , 1 6 k 6 n − 1


 i=1

1, si x > xn


2) pi = P[X = xi ] = F(xi+1 ) − F(xi ) , ∀i , 1 6 i 6 n − 1.

k
P
3) pi = 1.
i=1

3.2.3 Loi de probabilité d’une fonction de variable aléatoire discrète

Soit X une variable aléatoire discrète sur (Ω, A , P) et g : X(Ω) −→ R. Alors Y = g(X) est une
variable aléatoire discrète encore notée g ◦ X définie sur (Ω, A , P) telles que
X
Y(Ω) = g ◦ X(Ω) et P[Y = y] = P[X = xi ], ∀y ∈ Y(Ω).
{i/y=g(xi )}

Exemple 3.2
Soit X la variable aléatoire discrète dont la loi est définie par
xi -1 1 2
pi 14 12 14
On pose Y = X 2 . Loi de Y ?

Solution : On a X(Ω) = {−1, 1, 2} d’où Y(Ω) = {1, 4}.

1
P[Y = 1] = P[{X = −1} ∪ {X = 1}] = P[X = −1] + P[X = 1] =
4
1
P[Y = 4] = P[X = 2] = d’où loi de Y est donnée par
4
yi 1 4
.
pi 34 14

9 K.E. Gneyou, UL-FDS, 2020/2021

CHAPITRE 3. VARIABLES ALÉATOIRES SUR UN ESPACE PROBABILISÉ 3.3. LOI D’UN VECTEUR ALÉATOIRE DISCRET

3.3 Loi d’un vecteur aléatoire discret

3.3.1 Loi de probabilité d’un couple de variables aléatoires discrètes
Soit (X, Y) un couple de variable aléatoire discrète définie sur (Ω, A , P) telles que X(Ω) = {x1 , x2 , . . . , x p }
et Y(Ω) = {y1 , y2 , . . . , yq }. On appelle loi du couple (X, Y) ou loi conjointe de X et Y l’ensemble des
couples ((xi , y j ), pi j ), 1 6 i 6 p, 1 6 j 6 q, où xi ∈ X(Ω), y j ∈ Y(Ω) et
pi j = P[{X = xi } ∩ {Y = y j }] = P[X = xi , Y = y j ].

Remarque 3.1
. pi j est la probabilité que simultanément X prenne la valeur xi et Y prenne la valeur y j .
. Si p et q sont petits la loi du couple (X, Y) est donnée par un tableau à double entrée :
❍❍
❍❍ Y y1 y2 ··· yj ··· yq
X ❍❍
x1 p11 p12 ··· p1 j ··· p1q
x2 p21 p22 ··· p2 j ··· p2q
.. ..
. .
xi p11 p12 ··· p1 j ··· p1q
.. ..
. .
xp p p1 p p2 ··· pp j ··· p pq

Exemple 3.3
Un sac contient 4 boules numérotées de 1 à 4. On tire deux boules avec remise et on note par X1 et X2
les numéros des boules tirées. Soit X = X1 et Y = sup(X1 , X2 )
a) loi de (X1 , X2 ) ? loi de (X, Y) ?

Solution : Les lois conjointes de X1 et X2 et de X et Y sont données par :

❍❍
❍❍ X2 ❍❍
X1 ❍❍
1 2 3 4 ❍❍ Y 1 2 3 4
1 1 1 1
X ❍❍
1 16 16 16 16 1 1 1 1 1
.. .. .. .. 16 16
2
16
1
16
1
2 . . . . 2 0 16 16 16
.. 3 0 0 3 1
3 . 16 16
4
4 1 1
··· 1 4 0 0 0 16
16 16 16

3.3.2 Lois marginales

Définition 3.3.1 Soit (X, Y) un couple de variables aléatoires discrètes. On appelle loi marginale de
la variable aléatoire X (resp. Y) l’ensemble des couples (xi , pi. )i=1,2,··· ,p (resp. des couples (y j , p. j ) j=1,2,...,q )
avec q q
P P
pi. = P[X = xi ] = P[X = xi , Y = y j ] = pi j , i = 1, . . . , p
j=1 j=1
Pp p
P
p. j = P[Y = y j ] = P[X = xi , Y = y j ] = pi j , j = 1, . . . , q
i=1 i=1
p P
P q p
P q
P
On a pi j = pi. = p. j = 1
i=1 j=1 i=1 j=1

K.E. Gneyou, UL-FDS, 2020/2021 10

CHAPITRE 3. VARIABLES ALÉATOIRES SUR UN ESPACE PROBABILISÉ 3.3. LOI D’UN VECTEUR ALÉATOIRE DISCRET

❍❍
❍❍ Y y1 ··· yj ··· yq pi.
X ❍❍ marge de X
x1 p1.
.. ..
. .
xi pi.
.. ..
. .
xp p p.
p. j p.1 ··· p.q 1
marge de Y

Exemples 1
On prend l’exemple 3.3. On a
Loi marginale de X Loi marginale de Y
Xi 1 2 3 4 Yj 1 2 3 4
4 4 4 4 1 3 5 7
pi. p. j
16 16 16 16 16 16 16 16

3.3.3 Lois conditionnelles

Définition 3.3.2 On appelle loi conditionnelle de X sachant Y = y j et on note L (X | Y = y j )
l’ensemble des couples (xi , pij )i=1,2,...,p où

P[X = xi , Y = y j ] pi j
pij = P[X = xi | Y = y j ] = = .
P[Y = y j ] p. j

On appelle loi conditionnelle de X sachant Y notée L (X | Y) l’ensemble des couples ((xi , y j ), pij )) i=1,2,...,p, j=

On définit de même L (Y | X = xi ) et L (Y | X).

pi j
L (Y | X = xi ) = {(y j , pij ) j = 1, 2, . . . , q} avec pij = P[Y = y j | X = xi ] =
pi.
L (Y | X) = {((xi , y j ), pij ) i = 1, 2, . . . , p, j = 1, 2, . . . , q}.

e.g. (cf exemple 3.3) L (X | Y = 3) est donnée par

xi 1 2 3 4
1 1 3
P[X = xi | Y = 3] 0
5 5 5

Exemple 3.4
On prend l’exemple 3.3. L (Y | X) est donnée par :
❍❍
❍❍ Y 1 2 3 4
X ❍❍
1 1 1
1 1 3 5 7
2 1 1
2 0 3 5 7
3 1
3 0 0 5 7
4
4 0 0 0 7

11 K.E. Gneyou, UL-FDS, 2020/2021

CHAPITRE 3. VARIABLES ALÉATOIRES SUR UN ESPACE PROBABILISÉ 3.4. CARACTÉRISTIQUES NUMÉRIQUES D’UNE VARIABLE ALÉATOIRE RÉELLE DISCRÈTE

3.3.4 Indépendance de deux variables aléatoires discrètes

Définition 3.3.3 Soient X et Y deux variables aléatoires discrète définies sur le même espace proba-
bilisé (Ω, A , P). On dit que X et Y sont indépendantes si ∀(xi , y j ) ∈ X(Ω) × Y(Ω), les évènements
{X = xi } et {Y = y j } sont indépendants c’est-à-dire
P[X = xi , Y = y j ] = P[X = xi ] × P[Y = y j ].
Notation : X et Y sont indépendantes se note X y Y ou X et Y y.
Proposition
X et Y sont indépendantes si et seulement si pi j = pi. × p. j ∀(i, j) ∈ {1, . . . , n}.
e.g. (cf exemple 3.3, X1 y X2 ⇐⇒ tirages indépendants). Cependant X et Y ne sont pas indépen-
4 1
dantes car P[X = 2, Y = 1] = 0 et P[X = 2] × P[Y = 1] = × , 0.
16 16
Proposition
Si X et Y sont deux variables aléatoires discrètes sur (Ω, A , P) y et si f et g sont deux fonctions
numériques mesurables sur X(Ω) et sur Y(Ω) respectivement, alors f (X) et g(Y) sont aussi indépen-
dantes.

3.3.5 Généralisation des notions précédentes : loi multivariée

Les définitions relatives à la loi d’un couple de variables aléatoires discrètes se généralisent au cas
d’un n-uple de variables aléatoires discrètes (X1 , X2 , . . . , Xn ).
- La loi de probabilité du vecteur aléatoire (X1 , X2 , . . . , Xn ) à valeurs dans Rn est l’ensemble des
 n
T 
couples (x1 , x2 , . . . , xn ), P {Xi = xi } telle que ∀i, xi ∈ Xi (Ω).
i=1
- La loi de la variable aléatoireXi est appelée loi marginale de Xi .
- Les n variable aléatoireX1 , . . . , Xn sont dites y si et seulement si, quelles que soient les valeurs
x1 , . . . , xn prises respectivement par X1 , . . . , Xn les évènements {X1 = x1 }, · · · , {Xn = xn } sont
indépendants.
- Si X1 , . . . , Xn sont des variables aléatoires indépendantes alors toute variable aléatoire fonction de
p variable Xi est indépendante de toute variable aléatoire fonction des n − p autres variables.
Exemple 3.5
Si (Xi )16i65 est une famille de 5 variables aléatoires indépendantes, alors les variables aléatoires (X1 +
2X32 ) et (X2 − e−X5 ) sont aussi indépendantes.

3.4 Caractéristiques numériques d’une variable aléatoire réelle

discrète
Soit X une variable aléatoire discrète de loi {(xi , pi ), 1 6 i 6 p}. Alors

3.4.1 Espérance mathématique

L’espérance mathématique d’une v.a.r. X est le nombre noté E(X) ou X défini par
p
P
p p pi xi
i=1
P P
E(X) = xi P[X = xi ] = pi xi = p
P (X est donc le centre de gravité des valeures prises par X).
i=1 i=1 pi
i=1
1 1 1 3
e.g. (cf exemple 3.2) : E(X) = −1 × +1× +2× = .
4 2 4 4

K.E. Gneyou, UL-FDS, 2020/2021 12

CHAPITRE 3. VARIABLES ALÉATOIRES SUR UN ESPACE PROBABILISÉ 3.4. CARACTÉRISTIQUES NUMÉRIQUES D’UNE VARIABLE ALÉATOIRE RÉELLE DISCRÈTE

Définition 3.4.1 Si (X, Y) est un couple de variable aléatoire discrète de loi ((xi , y j ), pi j )16i6p,16 j6q ,
alors p P
q p p P
q q
P P P P
E(X) = xi pi j = xi pi. , E(Y) = y j pi j = y j p. j
i=1 j=1 i=1 i=1 j=1 j=1

Propriétés 3.3 p
P
(P1) Si h est une fonction de R dans R définie sur X(Ω) alors E(h(X)) = pi h(xi ).
i=1
(P2) ∀a, b ∈ R, E(aX + b) = aE(X) + b.
(P3) E est linéaire : Si X et Y sont deux variables aléatoires sur (Ω, A , P) et si a ∈ R,
E(X + Y) = E(X) + E(Y), E(aX) = aE(X).

Démonstration de (P3)
p P
P q p P
P q p P
P q p
P q
P
On a E(X + Y) = (xi + y j )pi j = xi pi j + y j pi j = xi pi. + y j p. j 
i=1 j=1 i=1 j=1 i=1 j=1 i=1 j=1
1 1 1 7
Exemple de calcule de la propriété (P1) (cf exemple3.2) : E(X 2 ) = (−1)2 × +(1)2 × +(2)2 × =
4 2 4 4
Définition 3.4.2 On dit que X est une variable aléatoire centrée si E(X) = 0.

Si X est une variable aléatoire non centrée, la variable aléatoire Y = X − E(X) est centrée.
Proposition 3.1
Soit X et Y deux variables aléatoires discrètes telles que X(Ω) = {x1 , . . . , x p } et Y(Ω) = {y1 , . . . , yq }.
Pp Pq
Alors E(XY) = pi j xi y j .
i=1 j=1
Si X et Y sont indépendantes, on a E(XY) = E(X) × E(Y) (Réciproque fausse).

Exemple 3.6
Soit (X, Y) un couple de variables aléatoires réelles de loi
7
❍❍ On a E(XY) =
❍❍ Y 0 1 2 pi. 10
p
X ❍❍ P 7
1 1 3
E(X) = xi p i. =
0 20 4
0 10 i=1 10
17 1 1 7 q 5
1 60 4 6 10
P
E(Y) = y j p. j =
p. j 1 1 1 j=1 6
3 2 6
E(XY) = E(X)E(Y) mais X et Y ne sont pas y
car P[X = 0, Y = 2] = 0 , P[X = 0] × P[Y = 2].

3.4.2 Variance et écart-type d’une variable aléatoire réelle

Définition 3.4.3 Soit X une variable aléatoire réelle discrète de loi (xi , pi )i=1,2,··· ,K . On appelle va-
riance de X, le nombre réel positif ou nul noté Var(X) ou σ2X défini par

K
X K
X
2
Var(X) = (xi − E(X)) P[X = xi ] = pi (xi − X)2 = E[X − X]2 .
i=1 i=1

√
On appelle écart-type de X, le nombre réel positif ou nul σX = Var(X).

Propriété 3.1
2
Var(X) = E(X 2 ) − (E(X))2 = X 2 − X .

13 K.E. Gneyou, UL-FDS, 2020/2021

CHAPITRE 3. VARIABLES ALÉATOIRES SUR UN ESPACE PROBABILISÉ 3.4. CARACTÉRISTIQUES NUMÉRIQUES D’UNE VARIABLE ALÉATOIRE RÉELLE DISCRÈTE

Remarques 3.1
1) Si X = cte p.s. Var(X) = 0. Réciproquement, Var(X) = 0 ⇒ X = cte p.s.
2) Si a ∈ R, Var(aX) = a2 Var(X) et σaX = |a| σX .
3) Si b ∈ R, Var(X + b) = Var(X) (la variance est invariante par translation par une cte).
Résumé : ∀a, b ∈ R, Var(aX + b) = a2 Var(X).
X − E(X)
Définition 3.4.4 Si σX = 1, on dit que X est réduite, en particulier Y = est dite variable
σX
aléatoire centrée réduite.

3.4.3 Moments, moments centrés

Définition 3.4.5 Soit X une variable aléatoire réelle discrète de loi (xi , pi )i=1,2,··· ,K .
- On appelle moment d’ordre k ∈∗N de X, la quantité mk (X) = E(X k ) :
K
mk (X) = pi xki .
P
i=1

- On appelle moment centré d’ordre k de X, la quantité µk (X) = E(X − X)k :

K
µk (X) = pi (xi − X)k .
P
i=1

On a m1 (X) = E(X) = X, µ2 (X) = E(X − X)2 = E(X 2 ) − (E(X))2 = Var(X).

3.4.4 Covariance, cœfficient de corrélation de deux variables aléatoires réelles

Définition 3.4.6 Soit Xet Y deux variables aléatoires réelles discrètes définies sur (Ω, A , P), de loi
conjointe {(xi , y j ), pi j } 1 6 i 6 p . - On appelle covariance de X et Y, le nombre réel noté Cov(X, Y) ou
16 j6q
σXY et donné par
q
p X
X
Cov(X, Y) = E[(X − X)(Y − Y)] = (xi − X)(y j − Y)pi j .
i=1 j=1

- On appelle cœfficient de corrélation de X et Y, le nombre réel noté rXY ou ρXY et défini par
Cov(X, Y) Cov(X, Y)
ρXY = = √ √ .
σ X σY Var(X) Var(Y)
Propriétés 3.4
P1) On a Cov(X, Y) = E(XY) − E(X)E(Y) et si X y Y alors Cov(X, Y) = 0 (réciproque fausse).
P2) On a Var(X) = Cov(X, X).
P3) On a toujours −1 6 ρXY 6 +1 et |ρXY | = 1 si et seulement si ∃ a, b ∈ R/Y = aX + b.
P4) ∀a, b ∈ R, Var(aX + bY) = a2 Var(X) + b2 Var(Y) + 2abCov(X, Y).
P5) var( ni=1 Xi ) = ni=1 var(Xi ) + 2 1≤i< j≤n cov(Xi , X j )
P P P

Démonstration
Pour P1) on suppose X, Y centrées. ∀λ ∈ R, Var(λX + Y) = λ2 σ2X + 2λσXY + σ2Y > 0 donc ∆′ =
σ2XY − σ2X σ2Y 6 0. D’autre part ∆ = 0 (soit ρ2XY = 1) si et seulement si ∃λ/Var(λX + Y) = 0. Par
conséquent λX + Y = cte d’où Y = λX + cte.
Réciproquement si Y = λX + cte, on a ρ2XY = 1.
Les autres propriétés peuvent être démontrées facilement e.g. pour a = 1 et b = −1 dans P4) on a

2 2
E X + Y − E(X + Y) = E (X − E(X)) + (Y − E(Y)) = E(X − E(X))2 + E(Y − E(Y))2 + 2E((X −

E(X))(Y − E(Y))). 

K.E. Gneyou, UL-FDS, 2020/2021 14

CHAPITRE 3. VARIABLES ALÉATOIRES SUR UN ESPACE PROBABILISÉ 3.5. VARIABLES ALÉATOIRES DISCRÈTES USUELLES

3.5 Variables aléatoires discrètes usuelles

3.5.1 Loi de Bernouilli de paramètre p
Définition 3.5.1 Une variable aléatoire X suit une loi de Bernouilli de paramètre p, o < p < 1 notée
X { B(1, p) si X ne prend que les valeurs 0 et 1 c’est-à-dire X(Ω) = {0, 1} avec les probabilités
P[X = 1] = p et P[X = 0] = 1 − p.

On pose q = 1 − p. On a alors E(X) = p et Var(X) = pq.

3.5.2 Loi binomiale de paramètre n et p

Définition 3.5.2 Une variable aléatoire réelle X suit une loi binomiale de paramètres n et p, n ∈ N
et 0 < p < 1 notée X { B(n, p) si X prend les valeurs 0, 1, · · · , n avec les probabilités P[X = k] =
Cnk pk qn−k , ∀k = 0, 1, · · · , n.

On a alors E(X) = np et Var(X) = npq.

On remarque que si X1 , . . . , Xn sont n v.a.r indépendantes suivant toutes une loi de Bernouilli de
n
P
paramètre p alors X = Xi { B(n, p).
i=1

Propriété 3.2
Si X1 { B(n, p), X2 { B(m, p) et X1 y X2 , alors X = X1 + X2 { B(n + m, p).

3.5.3 Loi uniforme discrète

Définition 3.5.3 Une variable aléatoire discrète suit une loi uniforme si et seulement si X prend un
nombre fini de valeurs x1 , · · · , xn avec une même probabilité
1
P[X = xk ] = , ∀k = 1, 2, · · · , n.
n

1P n 1P n
On a alors E(X) = xi et Var(X) = x2i − (E(X))2 .
n i=1 n i=1

3.5.4 Loi de Poisson de paramètre λ > 0

Définition 3.5.4 Une variable aléatoire réelle X suit une loi de Poisson de paramètre λ > 0 notée
X { P(λ) si X prend ses valeurs dans N avec les probabilités
λn e−λ
P[X = n] = , ∀n ∈ N.
n!

On a alors E(X) = λ et Var(X) = λ.

Proposition 3.2
Si X1 { P(λ), X2 { P(µ) et X1 y X2 , alors X1 + X2 { P(λ + µ).

15 K.E. Gneyou, UL-FDS, 2020/2021

CHAPITRE 3. VARIABLES ALÉATOIRES SUR UN ESPACE PROBABILISÉ 3.6. LOIS CONTINUES USUELLES

Démonstration
X1 + X2 prend ses valeurs dans N et ∀n ∈ N :
X X
P[X1 + X2 = n] = P[X1 + X2 = n, X2 = k] = P[X1 = n − k, X2 = n]
k∈N k∈N
n
yce
X X λn−k µk −µ
= P[X1 = n − k]P[X2 = n] = e−λ e
k∈N k=0
(n − k)! k!
n −(λ+µ) Xn
X µk λn−k e
= e−(λ+µ) = Cnk µk λn−k
k=0
k!(n − k)! n! k=0
(λ + µ)n −(λ+µ)
= e .
n!


3.5.5 Variable aléatoire réelle continue

En se rappelant de la définition d’une variable aléatoire réelle continue, on a
Propriétés 3.5
Si X est une variable aléatoire réelle continue ayant pour densité f , alors
1) La fonction de répartition F de X est continue et dérivable sur R et ∀x ∈ R,
F ′ (x) = f (x). Rb
2) (i) ∀a, b ∈ R, a 6 b, P[a < X 6 b] = F(b) − F(a) = a f (t)dt.
(ii) ∀x ∈ R, P[X = x] = 0 (on dit que la loi de X est diffuse).
(iii) ∀a, b ∈ R, P[a < X < b] = P[a 6R X < b] = P[a 6 X 6 b] = P[a < X 6 b] = F(b) − F(a).
+∞
(iv) ∀a ∈ R, P[X > a] = P[X > a] = a f (t)dt.
Rb
(v) ∀b ∈ R, P[X 6 b] = F(b) = −∞ f (t)dt.

3.5.6 Valeurs caractéristiques d’une variable aléatoire réelle continue

Définition 3.5.5 Soit X une variable aléatoire réelle continue ayant pour densité f telles que E(X),
Var(X), Rmk (X) ou µk (X) existe. Alors on a
+∞
E(X) = −∞ x f (x)dx
R +∞ R +∞ R +∞ 2
Var(X) = −∞ (x − E(X))2 f (x)dx = −∞ x2 f (x)dx − −∞ x f (x)dx
R +∞ R +∞
mk (X) = −∞ xk f (x)dx et µk (X) = −∞ (x − E(X))k f (x)dx.

Propriétés 3.6
Comme pour les variables aléatoires réelles discrètes ou continues on a ∀a, b ∈ R,

E(aX + b) = aE(X) + b et Var(aX + b) = a2 Var(X).

3.6 Lois continues usuelles

3.6.1 Loi uniforme sur un intervalle
Définition 3.6.1 Une variable aléatoire réelle X suit une loi uniforme sur l’intervalle [a, b] notée
X { U [a, b] Si X est continue et admet pour densité

K.E. Gneyou, UL-FDS, 2020/2021 16

CHAPITRE 3. VARIABLES ALÉATOIRES SUR UN ESPACE PROBABILISÉ 3.6. LOIS CONTINUES USUELLES

1

, si a 6 x 6 b



1 b − a



f (x) = 1[a,b] (x) = 
b−a 



0,

sinon

a+b (b − a)2
On a alors, E(X) = et Var(X) = . En particulier X { U [0, 1] si sa densité est
2 12
1 1
f (x) = 1[0,1] (x), E(X) = et Var(X) = .
2 12
X−a
On note aussi que X { U [a, b] si et seulement si { U [0, 1].
b−a

3.6.2 Loi normale de moyenne µ et d’écart-type σ

Définition 3.6.2 Une variable aléatoireX suit une loi normale (ou loi de Laplace-Gauss) de moyenne
µ et d’écart-type σ > 0 notée X { N (µ, σ) si X est continue et admet pour densité f (x) =
1 − 1 (x−µ)2
√ e 2σ2 , ∀x ∈ R.
σ 2π

On a alors E(X) = µ et Var(X) = σ2 . Lorsque µ = 0 et σ = 1, on dit que X suit la loi normale centrée
réduite (ou loi de Gauss) notée X { N (0, 1) ayant pour densité

1 1 2
ϕ(x) = √ e− 2 x , ∀x ∈ R.
2π

f (x)
Φ(x)
1
√
σ 2π
1

1
2

µ−σ µ µ+σ x µ x
Rx
Graphe de f (x). Elle est symétrique Graphe de Φ(x) = −∞
ϕ(t) dt.
par rapport à la droite d’équation x = µ.

Propriétés 3.7
X−µ
1) X { N (µ, σ) si et seulement si U = { N (0, 1).
σ
hX − µ x − µi x−µ
Donc ∀x ∈ R, F(x) = P[X ≤ x] = P 6 = Φ( ).
σ σ σ
2) ∀x ∈ R, Φ(−x) = 1 − Φ(x).

17 K.E. Gneyou, UL-FDS, 2020/2021

CHAPITRE 3. VARIABLES ALÉATOIRES SUR UN ESPACE PROBABILISÉ 3.7. EXERCICES

ϕ(x)

√1
2π

−x 0 x x
Graphe de ϕ(x).

3.7 Exercices
Exo1 : Une urne contient 3 jetons blancs (1 carré et 2 ronds) et 4 jetons noirs (3 carrés et 1 rond). On
tire au hasard et simultanément 3 jetons de l’urne.
a) On appelle X la v.a.r égale au nombre de jetons blancs obtenus lors d’un tirage. Loi de X et E(X) ?
b) Lors d’un tirage on note A l’événement "avoir 3 jetons de même forme" et B l’événement "avoir 3
jetons de même couleur".
Calculer P(A), P(B) et P(AB). A et B sont-ils indépendants ?

Exo2 : Soit X une v.a.r prenant les valeurs -4, -2, 0, 2 et 4 avec les mêmes probabilités. Trouver la loi
de | X | et de X 2 ainsi que leurs valeurs caractéristiques (espérance mathématique et écart-type).

Exo3 : On considère deux dés cubiques identiques non pipés dont les faces sont marquées 0, 0, π3 , π3 ,
4π 4π
3
, 3.
On lance simultanément les deux dés et on lit les résultats α et β de leurs faces supérieures. Soit X la
v.a. qui à chaque lancer des deux dés, associe la valeur sin(α + β).
Loi de X, E(X) et Var(X) ?

Exo4 : Soit (X, Y) un couple de v.a.r. de loi

❍
❍❍ Y
-1 0 1 Total
X ❍❍❍
0 a b 14 5
8
1 3
1 8
0 c 8
3 1
Total 8 8
d 1
a) Trouver a, b, c et d.
b) Loi de X + Y, XY et de X 2 + Y 2
c) X et Y sont-elles indépendantes ?

Exo5 : On dispose d’une grille de 2 colonnes et de 3 lignes.

1) L’expérience consiste à noircir au hasard 3 cases de cette grille.
a) Calculer les probabilités des événements suivants :
A="il y a deux cases noires dans la deuxième ligne" ; B="il y a une case noire et une seule dans la
deuxième ligne".
b) Soit X la v.a. égale au nombre de cases noires dans la deuxième ligne. Déterminer la loi de proba-
bilité et l’espérance mathématique de X.
c) Quelle est la probabilité pour qu’il y ait une case noire et une seule dans la la troisième ligne sa-

K.E. Gneyou, UL-FDS, 2020/2021 18

CHAPITRE 3. VARIABLES ALÉATOIRES SUR UN ESPACE PROBABILISÉ 3.7. EXERCICES

chant qu’il y a une case noire et une seule dans la deuxième ?

2) On dispose de 5 grilles. On répète 5 fois l’expérience précédente de manière indépendante. Une
fois chaque grille remplie, on ne s’intéresse qu’à l’événement B. Soit Y la v.a. égale au nombre de
grilles pour lesquelles B est réalisé.
a) Déterminer la loi de probabilité de Y ainsi que son espérence mathématique.
b) k étant un entier tels que 0 ≤ k ≤ 5, exprimer en fonction de k la probabilité pour que Y soit égale
à k. Donner une valeur approchée à 10−4 près de ¶[Y = 4].

Exo6 : Dans un rayon de magasin il y a deux produits a et b (par exemple une table et une chaise). La
probabilité pour qu’un client achète le produit a est 0,3. La probabilité pour qu’il achète le produit b
quand il a acheté le produit a est 0,8 et la probabilité qu’il achète le produit b quand il n’a pas acheté
le produita est 0,1. Le produit a est vendu 10.000F et le produit b est vendu 4.000F. La dépense du
client C dans le rayon est une v.a. X.
a) Calculer E(X) et Var(X).
b) Définir deux v.a. X1 et X2 telle que X = X1 + X2 . Comparer E(X) et E(X1 ) + E(X2 ) et comparer
Var(X) et Var(X1 ) + Var(X2 ).

19 K.E. Gneyou, UL-FDS, 2020/2021