Chapitre II Variables aléatoires

II.1. Variables aléatoires discrètes

Définition (Variable aléatoire discrète).
Etant donné, un espace probabilisé, définie sur (Ω, T ,P).On appelle variable aléatoire discrète
(vad) sur cette espace, toute application X prenant, lors d’une expérience aléatoire, des
valeurs 𝑥1 , 𝑥2 , … , 𝑥𝑛 , avec des probabilités𝑃1 , 𝑃2 , ..., 𝑃𝑛 .
Exemple.
Un jeu de hasard consiste à lancer un dé équilibré à 6 faces. Le lanceur gagne la somme
double de la valeur de la face obtenue si celle-ci est paire, sinon, il perd le double de la valeur
indiquée par le dé. On appelle X le gain, positif ou négatif, du joueur après un lancer.
L’univers de l’expérience du lancer de dé est : Ω = 1,2,3,4,5,6
A chaque événement élémentaire  de Ω correspond un nombre réel associé à la vad X.
X(1) = −2, X(2) = 4, X(3)= −6, X(4) = 8, X(5) = −10, X(6) = 12.
Définition (Loi de probabilité).
La loi de probabilité de la variable aléatoire X est la fonction f qui a chaque valeur associe sa
probabilité. En général, on présente la loi d’une variable aléatoire X sous la forme d’un
tableau, qui récapitule les valeurs prises par X ainsi que les probabilités associées.

Valeurs de X:𝑥𝑖 𝑥1 𝑥2 .......... 𝑥𝑛

𝑛
Probabilité: P (X=𝑥𝑖 ) = 𝑃𝑖 𝑃1 𝑃2 ........... 𝑃𝑛 𝑖=1 𝑃𝑖 = 1

Exemple.
On reprend l’énoncé de l’exemple précédent. La loi de X est donnée par :

Valeurs de X: 𝑥𝑖 −1 −6 −2 4 8 12
Probabilité: 𝑃𝑖 6
𝑖=1 𝑃𝑖 = 1
1 1 1 1 1 1
06 6 6 6 6 6

Mme Benaicha 1
Définition (La valeur moyenne ou l'espérance d'une variable aléatoire).
On appelle E(X) l'espérance mathématique de la variable aléatoire X ou plus simplement la
moyenne de la variable aléatoire X, le nombre que l'on note aussi  X où
𝑛
 X = E(X) = 𝑥1 𝑃1 + ⋯ + 𝑥𝑛 𝑃𝑛 = 𝑖=1 𝑥𝑖 𝑃𝑖

Exemple.
On reprend l'exemple étudié précédemment.

E(X) =3× 1 +5× 1 +8× 1 = 16

3 3 3 3
Définition(La variance d'une variable aléatoire).
Soit une variable aléatoire réelle X définie sur un espace de probabilité Ω muni d’une
probabilité P. On suppose que X admet une espérance. Alors, par définition, On appelle
variance d'une variable aléatoire X le moment centré d'ordre deux. La variance de la variable
aléatoire X est notée V(X) et
2 2 2
V(X) = 𝐸 𝑋 − 𝐸 (𝑋) = 𝑖=1 𝑥𝑖 − 𝜇𝑋 𝑃𝑖
Il est souvent commode d'utiliser dans le calcul de la variance la formule
2
V(X) =E 𝑋 2 − 𝐸 𝑋
Remarque.
La variance d'une variable aléatoire X peut s'interpréter comme une mesure du degré de
dispersion des valeurs de la variable aléatoire X par rapport à sa valeur moyenne. Si la
variance est petite alors les valeurs de la variable aléatoire X sont groupées autour de la valeur
moyenne. Si par contre, la variance est grande, les valeurs de la variable aléatoire X sont
fortement dispersées autour de la valeur moyenne.

Définition (L'écart type).

Soit une variable aléatoire réelle X définie sur un espace de probabilité Ω muni d’une
probabilité P. On suppose que X admet une espérance. Alors, par définition, l’écart-type de la
variable aléatoire réelle X est

X  V X 

2
Mme Benaicha
Remarque.
 Cet écart type mesure l’écart moyen à la moyenne (de combien de points on s’écarte, en
moyenne, de la moyenne E(X)).
 La variance et l’écart-type d’une variable aléatoire réelle X sont des nombres positifs.
Exemple.
On considère de nouveau l’exemple précédent, pour le calcul de la variance et l'écart- type .
5 10 5
V(X) = 122   132   142   132 = 0.25
20 20 20
𝜎𝑋 = 0.25 = 0.5

II.1.1.Lois de probabilités discrètes.

En pratique, il existe toute une collection de lois classiques pour les variables aléatoires
discrètes, très utiles pour modéliser divers phénomènes.
Loi de Bernoulli.
Cette loi est celle de toute variable aléatoire X modélisant une expérience dont l’issue ne
possède que deux alternatives de type "succès ou échec".
Un succès est représenté par l’évènement 𝑋 = 1 tandis que 𝑋 = 0 correspond à un échec.
 Notation : X  B (1,p)
 Univers : X(Ω) = 0,1

 Loi de probabilité Valeurs de X: 𝑥𝑖 1 0

Probabilité:𝑃𝑖 p q p+𝑞 = 1

 Espérance : E(X) =p
Variance : V(X) =pq = 𝑝(1-p)
Exemple.
Si on lance un dé et qu’on nomme "succès" l’apparition de la face 6, on obtient la loi de
Bernoulli suivante :

Valeurs de X: 𝑥𝑖 1 0
Probabilité: 𝑃𝑖 1 5 n

6 6
 pi =1
i 1

3
Mme Benaicha
alors X suit une loi de Bernoulli B (1,p)

Loi Binomiale.
La loi binomiale est la loi de probabilité d’une variable aléatoire représentant une série
d’épreuves de Bernoulli possédant les propriétés suivantes :
 Chaque épreuve donne lieu à deux éventualités exclusives de probabilités constantes p et
q = 1 − p.
 Les épreuves répétées sont indépendantes les unes des autres.
 La variable aléatoire X correspondante prend pour valeur le nombre de succès dans une suite
de n épreuves.

 Notation : X→ B (n,p).
 Univers : X(Ω) ={0; 1}.
 Loi : P(X=k) = 𝐶𝑛𝑘 𝑝𝑘 𝑞 𝑛−𝑘 où k ∈ 0,1,2 … , n
 Espérance : E(X) =np.
 variance : V(X) =np (1-p).
Exemple.
Une fabrication automatique de pièces embouties donne un pourcentage de rebuts s'élevant à
5%. On considère un échantillon de 10 pièces issues de cette fabrication. Le Calcule de la
probabilité de trouver dans cet échantillon au plus 2 rebuts.
On répète 10 fois, de façon indépendante, l’expérience "on tire au hasard une pièce dans la
production " qui comporte 2 issues :
 "la pièce va au rebut " considéré comme succès, de probabilité p=0,05
 " la pièce ne va pas au rebut " considéré comme échec, de probabilité q=1−p =0,95
Le nombre de succès obtenus suit la loi binomiale de B(10;0,05) .

P(X≤2) = P(X= 0) +P(X=1) +P(X=2)

0 1 2
= 𝐶10 0.050 0.9510 + 𝐶10 0.051 0.959 +𝐶10 0.052 0.958
= 0.99

Loi de Poisson. Cette loi peut modéliser les événements rares. Par exemple, elle peut
modéliser le nombre d’appels reçus par un standard téléphonique, le nombre de voyageurs se
présentant à un guichet dans la journée, etc. Pour des raisons citées ici, elle s’exprime à l’aide

4
Mme Benaicha
de la fonction exponentielle et dépend d’un paramètre λ >0, qui correspond au nombre moyen
d’occurrence du phénomène observé pendant la durée donnée. Plus formellement :

 Notation : X→ P (𝜆). 𝜆 > 0

 Univers : X(Ω) =N.

𝜆𝑘
 Loi : P(X=k) = 𝑒−𝜆 ∀k∈N
𝑘!

 Espérance : E(X) = 𝜆.

 variance : V(X) = 𝜆.
Exemple.
On admet que le nombre d'accidents survenant sur une autoroute quotidiennement est une
variable aléatoire qui suit une loi de Poisson de paramètre 𝜆 =3.
La probabilité qu'il y ait au moins 2 accidents lors d'un jour donné.
𝜆𝑘
La loi de Poisson de paramètre 𝜆 est définie par : 𝑒 −𝜆
𝑘!
P (X ≥ 2) =1−P (X = 0)− P (X =1)
=1− e – 3 − 3 e – 3 = 1 − 4e – 3
= 0.800.

II.1.2.Approximation de la loi Binomiale par la loi de Poisson.

On considère qu'une très bonne approximation de la loi binomiale B (n,p) est la

loi de Poisson P (𝑛𝑝) lorsque

 n ≥20 et p ≤ 0,05;
 n ≥100 et np ≤10.
Exercices.
1. On suppose que, dans un livre de 500 pages, il y a 300 fautes d'impression
distribuées au hasard. Calculer la probabilité pour que la page 36 contienne:
a) Exactement deux fautes d'impression.
b) Au moins deux fautes d'impression.
Solution.

5
Mme Benaicha
 1
La probabilité pour que la faute considérée se trouve à la page 36 est P = .
500
1
On sait alors que X suit une loi binomiale de paramètres n = 300 et P = .
500

k 300k
k  1  1  1 
P(X=k) = C300    
 500   500 

On en déduit les réponses aux questions posées :

P (X = 2) = 0,0988
P (X ≥ 2) = 1 – P (X = 0) – P (X = 1)
= 0,1218
1
Avec n = 300, p = , et des valeurs de k étudiées de 0 à 2 qui sont proches
500

de np = 0,60, ces conditions d'approximation sont réalisées : les valeurs de

probabilités données par la loi binomiale peuvent se calculer approximativement
par la loi de Poisson de paramètre
𝜆 = n p = 0,60.
0.60 𝑘
P(X=k) = e−0.60
k!

On en déduit les réponses aux questions posées :

P (X = 2) = 0,0988
P (X ≥ 2) = 1 – P (X = 0) – P (X = 1)
= 0,1219.
En comparant ces valeurs avec celles obtenues dans la question précédente à
partir de la loi binomiale, on voit que l'approximation par la loi de Poisson est
tout à fait bonne dans le cas présent.
2.On admet que la probabilité qu'un voyageur oublie ses bagages dans le train
est 0,005. Un train transporte 850 voyageurs. On admettra que ces voyageurs se
sont regroupés au hasard et que leurs comportement, par rapport à leurs bagages,
sont indépendants les uns des autres. On désigne par X la variable aléatoire qui

6
Mme Benaicha
prend pour valeur le nombre de voyageurs ayant oublié leurs bagages dans le
train.
1) Quelle est la loi de probabilité de la variable aléatoire X ? Calculer son
espérance mathématique et sa variance.
2) Donner, en justifiant la réponse, une loi de probabilité permettant d'approcher
la loi trouvée à la question précédente. En utilisant cette loi approchée, calculer
une valeur approchée de la probabilité des événements suivants :
a) aucun voyageur n'a oublié ses bagages,
b) cinq voyageurs au moins ont oublié leurs bagages.
Solution.
1) Pour chaque voyageur il y a deux possibilités :
- il oublie ses bagages dans le train, avec la probabilité 0,005, ou bien
- il n'oublie pas ses bagages dans le train, avec la probabilité 0,995.
Les comportements de chacun des 850 voyageurs du train sont indépendants les
uns des autres. La loi de la variable aléatoire X est donc une loi binomiale, c'est
la loi binomiale de paramètres n = 850 et p = 0,005.
On a, pour tout entier k de 0 à 850 :
k
P (X = k) = C850  0.005k  0.995850k

On trouve :
E(X) = np = 850 x 0,005 donc E(X) = 4,25 voyageurs ayant oublié leurs
bagages.
V(X) = np(1-p) = 850 x 0,005 x 0,995 soit V(X) ≈ 4,2298.
2) On est en présence d'une loi binomiale pour laquelle
 n ≥20 et p ≤ 0,05;
on remarque que l'espérance et la variance sont voisines ; on peut donc
approcher cette loi par une loi de Poisson. P (𝜆). 𝜆>0
𝜆𝑘
P(X=k) = 𝑒 −𝜆  k N
𝑘!

7
Mme Benaicha
𝜆 = 𝑛𝑝 = 𝐸(𝑋)
On prendra la loi de Poisson de paramètre 𝑃 (4.25).
a) On cherche P(X=0)
4.25 0
P(X =0) = 𝑒 −4.25 ≈ 0,014.
0!

La probabilité pour qu'aucun voyageur n'ait été oublié ses bagages dans le train
est approximativement 0,014.
𝑘
4 −𝜆 𝜆
b) P(X ≥ 5) = 1 - P(X ≤ 4). ≈ 1- 𝑘=0 𝑒 =
𝑘!
4.25 1 4.25 2 4.25 3 4.25 4
= 1- 𝑒 −4.25 1 + + + +
1! 2! 3! 5!

P(X ≥ 5) ≈ 1 - 0,580 = 0,420

La probabilité pour qu'au moins cinq voyageurs aient oublié leurs bagages dans
le train est approximativement 0,420.

8
Mme Benaicha