Chapitre 1

Variables Aléatoires Discrètes

Très souvent, lors d’une expérience aléatoire, on ne s’intéresse pas à la nature des ré-
sultats mais aux nombres qui leur sont associés. Aux issues d’une expérience aléatoire,
on peut faire correspondre des expressions quantitatives (valeurs numériques) ou qualita-
tives (modalités). On parle de variable aléatoire (abréviation v.a.) lorsque les résultats
numériques, c’est-à-dire que est identique à tout ou une partie de l’ensemble des nom-
bres réels R:

1.1 Exemple introductif

On jette deux fois un dé. L’univers est l’ensemble des couples (a; b) tel que a; b 2
f1; 2; 3; 4; 5; 6g. A chaque événement élémentaire w = (a; b), on peut faire correspondre
la somme a + b des chi¤res portés par chaque dé. On dé…nit ainsi une application:
X: !R
w 7 ! X (w) = a + b:

Cette application dé…nie sur est appelée variable aléatoire.

1.2 Variable aléatoire réelle

Dé…nition 1.2.1 L’application X (:) est une variable aléatoire réelle si, l’image réciproque
1
X (B) par X de chaque borélien B de la algèbre de Borel BR , est un événement aléa-

1
 1.2. Variable aléatoire réelle

toire de la algèbre F, c’est-à-dire,

1
8B 2 BR =) X (B) = fw 2 : X (w) 2 Bg 2 F:

L’ensemble des valeurs prises par X, noté X ( ), s’appelle l’ensemble des observations
associées à X :
X ( ) = fX (w) pour w 2 g :

Dé…nition 1.2.2 Soit ( ; F; P ) un espace probabilisé. On appelle variable aléatoire réelle

(v.a.r) toute application X (:) de dans R véri…ant l’une des propriétés équivalentes
suivantes:
1
1) 8I 2 R : X (I) = fw 2 : X (w) 2 Bg 2 F (I est un intervalle de R;
1
2) 8x 2 R; X (] 1; x]) = fw 2 : X (w) xg 2 F:

Notation 1.2.1 1) Si A est un sous-ensemble non vide de R, on notera

(X 2 A) = fw 2 : X (w) 2 Ag :

C’est en fait l’ensemble des antécédants par X des éléments de A.

1
2) X (x) = fw 2 : X (w) = xg ! fX = xg :
1
X (] 1; x]) = fw 2 : X (w) xg ! fX xg :
1
X (]x; +1) = fw 2 : X (w) > xg ! fX > xg :
1
X (]a; b[) = fw 2 : a < X (w) < bg ! fa < X < bg :

Remarque 1.2.1 1) Si X et Y sont deux variables aléatoires, alors X (avec 2 R) ;

X
X + Y; XY; (Y 6= 0) sont des variables aléatoires.
Y

2) Si f est une fonction continue, alors f X est une variable aléatoire.

3) Si F = } ( ), alors toute application dé…nie de ! R est une variable aléatoire.

Exemple 1.2.1 On jette deux pièces de monnaie homogènes et on observe la face supérieure
de chacune d’elles. Soit X le nombre de face obtenu.

2
 1.3. Loi de probabilité d’une variable aléatoire

= f(P; P ) ; (P; F ) ; (F; P ) ; (F; F )g :

X ((P; P )) = 0; X ((P; F )) = X ((F; P )) = 1; X ((F; F )) = 2:

On considère l’algèbre F1 = f;; ; f(P; P )g ; f(P; F ) ; (F; P ) ; (F; F )gg :

On a pour

x < 0 =) Ax = fw 2 : X (w) xg = ; 2 F1 :

0 x < 1 =) Ax = fw 2 : X (w) xg = f(P; P )g 2 F1 :

1 x < 2 =) Ax = fw 2 : X (w) xg = f(P; P ) ; (P; F ) ; (F; P )g 2

= F1 :

x 2 =) Ax = fw 2 : X (w) xg = 2 F1 :

Puisque l’image réciproque du borélien [1; 2[ n’appartient pas à l’algèbre F1 , alors

l’application X (:) n’est pas une variable aléatoire sur , muni de l’agèbre F1 :

On peut montrer facilement que X (:) est une variable aléatoire sur , muni de l’algèbre
}( ):

1.3 Loi de probabilité d’une variable aléatoire

On dira que l’on a modélisé une expérience aléatoire si on lui a associé une loi de probabilté.
L’expérience fournit des fréquences empiriques, le modèle fournit une valeur théorique
invariante, la loi de probabilité.

Dé…nition 1.3.1 Soit X une variable aléatoire réelle dé…ne sur ( ; F; P ) à valeurs dans
(R; BR ). Alors l’application PX (:) de BR dans R dé…nie par

1
PX (B) = P X (B) = P (fw : X (w) 2 Bg) ; 8B 2 BR

est une fonction de probabilité, dite loi image de P (:) par X ou simplement loi de la
variable aléatoire X:

3
 1.4. Fonction de répartition

Exemple 1.3.1 Revenons à l’exemple 1.2.1. On cherche à déterminer la loi de X:

1
P (X = 0) = P (fw : X (w) = 0g) = P (f(P; P )g) = :
4
1
P (X = 1) = P (fw : X (w) = 1g) = P (f(P; F ) ; (F; P )g) = :
2
1
P (X = 2) = P (fw : X (w) = 2g) = P (f(F; F )g) = :
4
8
>
> 1
si a = 0; 2;
>
> 4
>
<
Ainsi, P (X = a) = 1
si a = 1;
>
> 2
>
>
>
: 0 ailleurs

1.4 Fonction de répartition

Dé…nition 1.4.1 Soit X une variable aléatoire dé…nie sur un espace probabilisé ( ; F; P ).
On appelle fonction de répartition de X la fonction FX dé…nie sur R par:

8x 2 R : FX (x) = P (X x)

Propriétés de FX :

Soient X une variable aléatoire et FX sa fonction de répartition. La fonction FX

possède les propriétés suivantes:

1. FX est croissante sur R i.e. 8 x; y 2 R : x y =) FX (x) FY (y) :

2. F est continue à droite en tout point x de R (et admet une limite à gauche):

lim FX (x) = FX (a) ; 8a 2 R:

>
x!a

3. lim FX (x) = 1 et lim FX (x) = 0:

x!+1 x! 1

4
 1.4. Fonction de répartition

Exemple 1.4.1 1) Soit la fonction F dé…ne sur R par

8
>
> 0 si x < 0;
>
>
>
>
>
> x
>
< si 0 x < 2;
8
F (x) =
>
> x
>
> si 2 x < 4;
>
> 16
>
>
>
: 1 si x 4:

La fonction F n’est pas une fonction de répartition car elle n’est pas croissante. La
fonction fait un saut vers une valeur inférieure au point x = 2.
2) Soit la fonction G dé…ne sur R par
8
>
> 0 si x < 0;
>
>
>
<
1 x
G (x) = + si 0 x < 1;
>
> 3 3
>
>
>
: 1 si x 1:

La fonction G est une fonction de répartition car elle est croissante, continue à droite
en tout point de R et lim G (x) = 1 et lim G (x) = 0:
x!+1 x! 1

Proposition 1.4.1 Soit X une variable aléatoire réelle de fonction de répartition FX .

Alors, pour tout couple (a; b) 2 R2 tel que a < b , on a:

1. P (a < X b) = FX (b) FX (a) :

2. P (a < X < b) = FX (b ) FX (a) :

3. P (a X < b) = FX (b ) FX (a ) :

4. P (a X b) = FX (b) FX (a ) :

5. P (X = a) = FX (a) FX (a ) :

6. P (X > a) = 1 FX (a) :

7. Si FX est continue au point a, alors P (X = a) = 0.

Où FX (a ) = lim FX (x) :
x!a
<

5
 1.5. Variable aléatoire discrète

Exemple 1.4.2 Revenons à l’exemple 1.4.1. Soit X une variable aléatoire de fonction
de répartition: 8
>
> 0 si x < 0;
>
>
>
<
1 x
G (x) = P (X x) = + si 0 x < 1;
>
> 3 3
>
>
>
: 1 si x 1:
1 1
P (X = 0) = G (0) G (0 ) = 0= :
3 3
2 1
P (X = 1) = G (1) G (1 ) = 1 = :
3 3
3 3 3
P X= =G G =1 1 = 0:
2 2 2

1 3 3 1 1 1
P <X =G G =1 = :
2 2 2 2 2 2
1 2
P (0 < X < 5) = G (5 ) G (0) = G (5) G (0) = 1 = :
3 3
1
P (0 X < 0:5) = G (0:5 ) G (0 ) = G (0:5) G (0) = :
2

P( 1 X 3) = G (3) G( 1 ) = 1 0 = 0:

3 3 1 1 5
P X> =1 P X =1 = :
4 4 3 4 12

1.5 Variable aléatoire discrète

L’étude de toute variable aléatoire commencera par la description de l’ensemble X ( )
des valeurs prises par X:

Dé…nition 1.5.1 On dit qu’une variable aléatoire réelle X est discrète si l’ensemble
X ( ) est dénombrable (…ni ou in…ni).

Exemple 1.5.1 On lance successivement un dé et X une variable aléatoire représentant

la somme des numéros portés par chaque dé. Il est clair que X ( ) est …ni car on a:

X ( ) = f2; 3; : : : ; 12g :

6
 1.5. Variable aléatoire discrète

On lance une pièce de monnaie équilibrée, soit X la variable aléatoire indiquant le nom-
bre de lancers nécessaires avant l’obtention d’un pile. Ici, X ( ) est in…ni dénombrable
car X ( ) = N :

1.5.1 Loi de probabilité

Dé…nition 1.5.2 Soit X une variable aléatoire discrète. On appelle loi de probabilité de
X (appelée aussi distribution ou fonction de masse), l’application f de X ( ) dans [0; 1]
dé…nie par
8x 2 X ( ) ; f (x) = PX (x) = P (X = x) :

Propriété: Soit X une variable aléatoire discrète de loi de probabilité PX : Alors, on

a
X
P (X = x) = 1:
x2X( )

1.5.2 Fonction de répartition d’une variable aléatoire discrète

Soit X une variable aléatoire discrète à valeurs dans X ( ) = fx1 ; x2 ; ; xn ; g avec

xi < xi+1 , alors, pour tout xn a < xn+1 :
X
n
FX (a) = PX (xi ) :
i=1

8
>
> 0 si x < x1
>
>
>
>
>
> P (X = x1 ) si x1 x < x2
>
>
>
>
>
> si x2
< P (X = x1 ) + P (X = x2 ) x < x3
FX (x) = .. ..
> . .
>
>
>
> X k
>
>
>
> P (X = xi ) si xk x < xk+1
>
>
>
> i=1
>
: .. ..
. .
Les propriétés de la fonction de répartition d’une variable aléatoire discrète sont les
suivantes:

7
 1.5. Variable aléatoire discrète

(i) FX est à valeurs dans [0; 1];

(ii) FX est une fonction croissante ;

(iii) FX est une fonction en escalier admettant un saut (de discontinuité) en tout point
xi 2 X ( );

(iv) FX est continue à droite en tout point de R :

8a 2 R : P (X = a) = FX (a) lim FX (a );
!0

(v) 8a; b 2 R; si a < b alors

FX (b) FX (a) = P (a < X b) ;

(vi) lim FX (x) = 0 et lim FX (x) = 1:

x! 1 x!+1

La propriété (iv) permet de caractériser la loi de probabilité de X: si on connait

la loi, on connait F . Réciproquement, si on connait la fonction de répartition F , on
peut retrouver la loi de la manière suivante: les valeurs que peut prendre X (c’est-à-dire
X ( )) sont tous les points de discontinuité de F (i.e. là où F fait un saut), et la valeur
de probabilité à cet endroit (c’est-à-dire P (X = x) avec x 2 X ( )) est la hauteur du
saut.

Exemple 1.5.2 On jette deux dés discernables.

= f(a; b) = a 2 f1; : : : ; 6g et b 2 f1; : : : ; 6gg = f1; 2; 3; 4; 5; 6g f1; 2; 3; 4; 5; 6g :

A chaque éventualité w 2 , on fait correspondre la somme des numéros portés par

chaque dé.

X: !R
w = (a; b) 7 ! X (w) = max (a; b) :

8
 1.5. Variable aléatoire discrète

Dè1
1 2 3 4 5 6
Dé2
1 1 2 3 4 5 6
2 2 2 3 4 5 6
3 3 3 3 4 5 6
4 4 4 4 4 5 6
5 5 5 5 5 5 6
6 6 6 6 6 6 6

L’ensemble des valeurs prises par cette application X est X ( ) = f1; 2; 3; 4; 5; 6g

ensemble …ni. Ainsi, X est une variable aléatoire discrète.

La loi de probabilité de X est donnée par :

8xi 2 X ( ) : PX (xi ) = P (X = xi ) :

1 1 1
P (X = 1) = P f(1; 1)g = = :
6 6 36
1 1 1 1 1 1 3
P (X = 2) = P f(1; 2) ; (2; 1) ; (2; 2)g = + + = :
6 6 6 6 6 6 36
5
P (X = 3) = P f(1; 3) ; (3; 1) ; (3; 2) ; (2; 3) ; (3; 3)g = :
36
7
P (X = 4) = P f(1; 4) ; (4; 1) ; (4; 2) ; (2; 4) ; (3; 4) ; (4; 3) ; (4; 4)g = :
36
9
P (X = 5) = P f(1; 5) ; (5; 1) ; (5; 2) ; (2; 5) ; (3; 5) ; (5; 3) ; (5; 4) ; (4; 5) ; (5; 5)g = :
36

P (X = 6) = P f(1; 6) ; (6; 1) ; (6; 2) ; (2; 6) ; (3; 6) ; (6; 3) ; (4; 6) ; (6; 4) ; (5; 6) ; (6; 5) ; (6; 6)g

11
= :
36

La loi de probabilité de X est résumée dans le tableau suivant:

xi 1 2 3 4 5 6
1 3 5 7 9 11
P (X = xi ) 36 36 36 36 36 36

9
 1.5. Variable aléatoire discrète

P
On remarque que PX (xi ) = 1:
xi 2X( )

La variable X étant une variable aléaloire discrète , alors sa fonction de répartition

est donnée par:
X
FX (x) = P (X = xi ) :
xi x

Pour x < 1 : FX (x) = P (;) = 0:

1
Pour 1 x < 2 : FX (x) = P (X = 1) = :
36
1 3 4
Pour 2 x < 3 : FX (x) = P (X = 1) + P (X = 2) = + = :
36 36 36
1 3 5 9
Pour 3 x < 4 : FX (x) = P (X = 1) + P (X = 2) + P (X = 3) = + + = :
36 36 36 36

Pour 4 x < 5 : FX (x) = P (X = 1) + P (X = 2) + P (X = 3) + P (X = 4)

1 3 5 7 16
= + + + = :
36 36 36 36 36

Pour 5 x < 6 : FX (x) = P (X = 1) + P (X = 2) + P (X = 3)

1 3 5 7 9 25
+P (X = 4) + P (X = 5) = + + + + = :
36 36 36 36 36 36
X
6
Pour x 6 : FX (x) = P (X = xi ) = 1:
xi =1
Ainsi,
8
>
> 0 si x < 1;
>
>
>
>
>
>
>
> 1
si 1 x < 2;
>
> 36
>
>
>
>
>
>
4
si 2 x < 3;
>
> 36
<
FX (x) = P (X x) = 9
si 3 x < 4;
>
> 36
>
>
>
> 16
>
> si 4 x < 5;
>
>
36
>
>
>
> 25
si 5 x < 6;
>
> 36
>
>
>
>
: 1 si x 6:

10
 1.5. Variable aléatoire discrète

1.5.3 Fonction d’une variable aléatoire discrète

Le problème du passage de la loi d’une variable aléatoire X à la loi d’une fonction Y =

g (X) de celle-ci est fréquent.
Soit X une variable aléatoire discrète dé…nie sur l’espace probabilisé ( ; F; P ) et soit
g : R ! R une fonction quelconque. On peut alors dé…nir une nouvelle application de
dans R par

X g
!R !R
! ! ! !
g X

Cette application g X est notée g (X) qui est encore une variable aléatoire discrète
sur :

Exemple 1.5.3 1) Soit Z = 2X + 3 = g (X)

z 3 z 3
FZ (z) = P (Z z) = P (2X + 3 z) = P X = FX :
2 2
Dans ce cas, la fonction g est strictement croissante, le passage de FX à FZ est simple
1
puisque FZ (z) = FX (g (z)) :

c
2) Soit U = où c > 0 et X est à valeurs dans ]0; +1[ :
X
c c c
Pour u > 0; on a: FU (u) = P (U u) = P u =P X =1 FX ;
X u u
et FU (u) = 0 pour u 0:
1
Dans ce cas, la fonction g est strictement décroissante et on a FU (u) = 1 FX (g (u)) :

3) Soit T = X 2 = g (X) :
8 p p p p
>
< P t X t = FX t FX t si t > 0;
2
FT (t) = P (X t) =
>
: 0 si t 0:

Théorème 1.5.1 Soit X une v.a. discrète de domaine X ( ) et de fonction de masse

PX : La variable aléatoire Y = g (X) est alors discrète de domaine Y ( ) = g (X ( )) de

11
 1.5. Variable aléatoire discrète

fonction de masse:
8
> P
>
< PX (x) si y 2 Y ( ) ;
x2fg(x)=yg
PY (y) = P (Y = y) =
>
>
: 0 sinon.

Exemple 1.5.4 On tire au hasard une boule dans une urne contenant 6 boules numérotées
2; 1; 0; 1; 2; 3:On note X la variable aléatoire indiquant le numéro de la boule tirée.

On veut déterminer les lois de probabilité des variables Y = X 2 et Z = jXj :

X est une variable aléatoire discrète de domaine X ( ) = f 2; 1; 0; 1; 2; 3g :

Les boules ayant toutes la même probabilité d’être tirée, la fonction de masse de la
variable X s’écrit:

8
> 1
< si x 2 f 2; 1; 0; 1; 2; 3g ;
P (X = x) = 6
>
: 0 sinon.

La variable Y = X 2 est discrète de domaine Y ( ) = f0; 1; 4; 9g et de fonction de

masse:
8
>
> 1
>
> P (X = 0) = si y = 0;
>
> 6
>
>
>
> 2
>
> P (X = 1) + P (X = 1) = si y = 1;
>
> 6
<
2
P (Y = y) = P (X = 2) + P (X = 2) = si y = 4;
>
> 6
>
>
>
> 1
>
> P (X = 3) = si y = 9;
>
> 6
>
>
>
>
: 0 sinon.
La variable Z = jXj est discrète de domaine Z ( ) = f0; 1; 2; 3g et de fonction de
masse:

12
 1.6. Moments d’une variable aléatoire discrète
8
>
> 1
>
> P (X = 0) = si z = 0;
>
> 6
>
>
>
> 2
>
> P (X = 1) + P (X = 1) = si z = 1;
>
> 6
<
2
P (Z = z) = P (X = 2) + P (X = 2) = si z = 2;
>
> 6
>
>
>
> 1
>
> P (X = 3) = si z = 3;
>
> 6
>
>
>
>
: 0 sinon.

1.6 Moments d’une variable aléatoire discrète

Dé…nition 1.6.1 Soit X une variable aléatoire réelle discrète. On dit que X admet un
P r
moment simple d’ordre r (r 2 N ) si la série x P (X = x) est absolument conver-
x2X( )
gente et on a:
X
mr (X) = E (X r ) = xr P (X = x) :
x2X( )
P
Pour r = 1, on obtient E (X) = xP (X = x) est l’espérance mathématique de
x2X( )
X (appelée aussi la moyenne de X).

Remarque 1.6.1 1) Si Si X ( ) est …ni, alors E (X) existe.

2) Si X ( ) est in…ni, alors E (X) ne peut pas exister.

Dé…nition 1.6.2 Le moment centré d’ordre r (r 2 N ) de la variable aléatoire réelle

discrète X est donnée par la relation suivante:
X
Mr (X) = E [(X E (X))r ] = (x E (X))r P (X = x) :
x2X( )

P
Pour r = 2, on obtient M2 (X) = E (X E (X))2 = (x E (X))2 P (X = x)
x2X( )
qui est la variance de X et on la note par V (X) :

Remarque 1.6.2 1) Si X ( ) est …ni, V (X) existe toujours.

2) Si X ( ) est in…ni et E (X) existe, alors V (X) peut ne pas exister.
3) Si X ( ) est in…ni, alors V (X) existe ssi E (X 2 ) existe.

13
 1.6. Moments d’une variable aléatoire discrète

Dé…nition 1.6.3 On appelle écart-type de la variable aléatoire réelle X, noté (X) ou

X, la racine carrée de sa variance, i.e.
p
(X) = V (X)

Théorème 1.6.1 Soit X une variable aléatoire réelle possédant une variance. Alors, on
a:
V (X) = E (X E (X))2 = E X 2 [E (X)]2 :

Cette formule est appelée formule de décentrage de la variance.

Remarque 1.6.3 Le moment centré d’ordre 3, moyennant une standardisation pour élim-
iner l’e¤et d’échelle, fournit le coe¢ cient d’asymétrie:

E (X E (X))3
X

qui est nul en cas de symétrie par rapport à E (X) :

Du moment centré d’ordre 4 on déduit le coe¢ cient d’applatissement ou Kurtosis:

E (X E (X))4
4
3
X

qui indique, en comparaison avec la loi de Gauss, le degré de concentration autour de

la moyenne (pour la loi de Gauss ce coe¢ cient est nul).

Exemple 1.6.1 Reprenons l’exemple 1.5.2.

X 1 3 5 7 9 11
E (X) = x P (X = x) = 1 +2 +3 +4 +5 +6
36 36 36 36 36 36
x2X( )

= 4; 47:

V (X) = E (X 2 ) (E (X))2 :
X
E (X 2 ) = x2 P (X = x) :
x2X( )

1 3 5 7 9 11
E (X 2 ) = 12 + 22 + 32 + 42 + 52 + 62 = 21; 97:
36 36 36 36 36 36

14
 1.6. Moments d’une variable aléatoire discrète

V (X) = 21; 97 (4; 47)2 = 21; 97 19; 98 = 1; 99:

p p
(X) = V (X) = 1; 99 = 1; 41:

Propriétés de l’espérance mathématique et de la variance:

Soit X une variable aléatoire discrète de moyenne E (X) et de variance V (x) …nies.

1. 8a 2 R : E (a) = a; V (a) = 0:

2. 8a; b 2 R : E (aX + b) = aE (X) + b; V (aX + b) = a2 V (X) :

X E (X)
3. Soit Y = : La variable aléatoire Y est appelée variable centrée et réduite
(X)
associée à la variable X.

E (Y ) = 0; V (Y ) = 1:

Théorème 1.6.2 Soit X une variable aléatoire réelle discrète et h une fonction dé…nie
sur X ( ) à valeurs réelles. Alors, l’espérance de g (X), si elle existe, est donnée par:
X
E [g (X)] = g (x) P (X = x) :
x2X( )

En particulier:

Si g (X) = X 2 , alors E (g (X)) = m2 (X) = E (X 2 ) :

Si g (X) = (X E (X))2 , alors E (g (X)) = M2 (X) = V (X) :

Remarque 1.6.4 Ce théorème permet de calculer l’espérance de la variable aléatoire

réelle g (X) sans qu’il soit nécessaire de déterminer sa loi de probabilité, mais en util-
isant uniquement la loi de X:

Exemple 1.6.2 Reprenons l’exemple 1.5.4. On s’intéresse à calculer l’espérance mathé-

matique des deux variables Y et Z de deux manières di¤érentes.

Y = X 2 et Z = jXj :

15
 1.7. Lois usuelles discrètes

1ere Méthode:
X 1 2 2 1 19
E (Y ) = y P (Y = y) = 0 +1 +4 +9 = = 3; 16:
6 6 6 6 6
y2Y ( )

X 1 2 2 1 9
E (Z) = z P (Z = z) = 0 +1 +2 +3 = = 1; 5:
6 6 6 6 6
z2Z( )

2eme Méthode:

Y = g (X) = X 2 :
X X
E (Y ) = E (g (X)) = g (x) P (X = x) = x2 P (X = x)
x2X( ) x2X( )

1 1 1 1 1 1 19
= ( 2)2 + ( 1)2 + (0)2 + (1)2 + (2)2 + (3)2 = = 3; 16:
6 6 6 6 6 6 6

Z = g (X) = jXj :
X X
E (Z) = E (g (X)) = g (x) P (X = x) = jxj P (X = x)
x2X( ) x2X( )

1 1 1 1 1 1 9
= j 2j + j 1j + j0j + j1j + j2j + j3j = = 1; 5:
6 6 6 6 6 6 6

1.7 Lois usuelles discrètes

1.7.1 Loi de Dirac

Soit a 2 R un point …xé. On appelle loi de Dirac la loi de la variable aléatoire certaine
X, c’est-à-dire qui est constante, avec X (w) = a quel que soit le résultat w de l’épreuve.
Ainsi,

X ( ) = fag :

P (X = a) = P (fw 2 = X (w) = ag) = P ( ) = 1:

E (X) = a et V (X) = 0:

16
 1.7. Lois usuelles discrètes

1.7.2 Loi uniforme discrète

On dit X suit la loi uniforme sur f1; 2; ; ng si X ( ) = f1; 2; ; ng et

1
P (X = k) = ; 8k 2 X ( ) :
n
On note X v Uf1;2; ;ng ou X v U ([1; n]) :

n+1 n2 1
E (X) = ;V (X) = :
2 12
8
>
> 0 si x<1
>
>
>
>
>
> 1
>
> si 1 x<2
>
> n
>
>
>
> 2
>
> si 2 x<3
<
n
F (x) = ..
>
> .
>
>
>
> k
>
> si k x<k+1
>
> n
>
> ..
>
> .
>
>
>
>
: 1 si x n

Exemple 1.7.1 1) On jette un dé non pipé. Soit X la variable aléatoire réelle représen-
tant le numéro de face obtenue.
1
On a X ( ) = f1; 2; ; 6g et pour 1 k 6; P (X = k) = :
6
Ainsi, X v Uf1;2; ;6g :

7 35
E (X) = ; V (X) = :
2 12
2) Une entreprise possède 10 chaînes de fabrication C1 ; : : : ; C10 . Chaque matin une
chaîne est choisie au hasard pour étudier son bon fonctionnement, alors la variable aléa-
toire X représentant le numéro de la chaîne tirée au sort.

X ( ) = f1; 2; ; 10g :
1
8k 2 X ( ) : P (X = k) = :
10
Ainsi, X s Uf1;2; ;10g :

11 99
E (X) = ; V (X) = :
2 12

17
 1.7. Lois usuelles discrètes

Remarque 1.7.1 1) Cette loi permet de modéliser une expérience aléatoire dont le ré-
sultat prend, au hasard, toutes les valeurs entières entre 1 et n.
2) E (X) et V (X) découle simplement des égalités:

X
n
n (n + 1) X
n
n (n + 1) (2n + 1)
k= ; k2 = :
k=1
2 k=1
6

1.7.3 Loi de Bernoulli

On considère une expérience aléatoire à deux événtualités A et A: La réalisation de A est

considérée comme un succès et celle de A comme un échec. On dit alors qu’il s’agit d’une
expérience de Bernoulli. On dé…nit pour cette expérience une variable aléatoire X telle
que X = 1 si A est réalisée et X = 0 si A est réalisée.

X ( ) = f0; 1g :

P (X = 1) = P (A) = p et P (X = 0) = P A = 1 p = q:

On dit que X suit une loi de Bernoulli de paramètre p, on note X v B (p) :

E (X) = p, V (X) = pq:

8
>
> 0 si x < 0
>
>
>
<
FX (x) = q si 0 x<1
>
>
>
>
>
: 1 si x 1

Exemple 1.7.2 1) On jette un dé équilibré et on pose X = 1 si le numéro apparu est un

multiple de 3, X = 0 dans la cas contraire. Ainsi, X v B 1
3
:

1 2
E (X) = ; V (X) = :
3 9
2) Un joueur lance une pièce de monnaie truquée qui donne pile avec une probabilité
3 1
et face avec une probabilité : Soit A l’événement "la pièce donne face".
4 4
1 3
P (A) = ; P A = :
4 4

18
 1.7. Lois usuelles discrètes

Soit X la variable aléatoire prenant la valeur 1 si la pièce donne face et la valeur 0

sinon.

1 3
P (X = 1) = ; P (X = 0) = :
4 4
1
Ainsi: X v B :
4
1 3
E (X) = ; V (X) = :
4 16
3) Une entreprise possède 10 chaînes de fabrication C1 ; : : : ; C10 . Elle sait qu’une
chaîne possède un problème mais elle ignore laquelle, elle choisit alors une chaîne au
hasard. On considère X la variable aléatoire prenant la valeur 1 si la chaîne testée est la
chaîne défaillante et 0 sinon. Ainsi, X v B 1
10
:
1 9
E (X) = ; V (X) = :
10 100

1.7.4 Loi Binomiale

On dit que X suit la loi Binomiale de paramètres n et p (p 2 [0; 1]) si:

X ( ) = f0; 1; 2; : : : ; ng :

P (X = k) = Cnk pk (1 p)n k
; 8k 2 X ( ) :

On note X v B (n; p) :

E (X) = np et V (X) = np (1 p) = npq:

Pour n = 1, on retrouve la loi de Bernoulli.

Modélisation: La loi Binomiale B (n; p) est la loi du nombre total de réalisation d’un
évènement A au cours de n épreuves identiques et indépendantes où A a la probabilité p
d’être réalisé.

Exemple 1.7.3 1) On lance 5 fois et de manière indépendante une pièce de monnaie

équilibrée. Soit X la variable aléatoire représentant le nombre de pile obtenu.

19
 1.7. Lois usuelles discrètes

Ainsi, X v B 5; 12 :

2) Dans une population très nombreuse, on estime que la probabilité pour qu’une per-
sonne soit atteinte d’un virus donné est 0; 1. Un ordinateur choisit au hasard 1000 per-
sonnes de cette population (avec éventualité de choisir plusieurs fois la même personne).
On note X la variable aléatoire représentant le nombre de personnes atteintes du virus
parmi les 1000.
X représente le nombre de succès (succès: être atteint par le virus) dans une suite de
1000 épreuves de Bernoulli (la personne est atteinte ou pas) identiques et indépendantes.

Ainsi, X v B (1000; 0; 1) :

1.7.5 Loi Hypergéométrique

Soit une urne contenant N boules dont M boules blanches et (N M ) boules noires.
On prélève au hasard en une seule fois (tirage aléatoire sans remise) n boules (n N)
et on s’intéresse au nombre de boules blanches obtenues. Soit X la variable aléatoire
qui compte le nombre de boules blanches obtenues dans les n boules tirées. Comme on
est dans un espace d’événements …nis équiprobables (toutes les boules ayant la même
probabilité d’être choisies), la théorie classique des probabilités permet de calculer la
probabilité P (X = k) :

X ( ) = fmax (0; n N + M ) ; : : : ; min (M; n)g :

k
Nombre de cas favorables = CM CNn k
M:

Nombre de cas possibles = CNn :

k
CM CNn k
M
P (X = k) = avec k 2 X ( ) :
CNn

On dit que X suit la loi Hypergéométrique de paramètres N; M et n.

On note X v H (N; M; n) :

M M N M N n
E (X) = n et V (X) = n :
N N N N 1

20
 1.7. Lois usuelles discrètes

M N M
Remarque 1.7.2 Soit p = et q = :
N N

X ( ) = fmax (0; n N q) ; : : : ; min (n; N p)g :

CNk P CNn (1k p)

P (X = k) = ; 8k 2 X ( ) :
CNn
X v H (N; n; p) :
N n
E (X) = np et V (X) = npq :
N 1

Exemple 1.7.4 1) Une urne contient 10 boules dont 6 blanches et 4 noires. On tire
simultanément 5 boules.
Soit X la variable aléatoire qui compte le nombre de boules blanches obtenues sur les
5 boules tirées. On a:

C6k C46 k
P (X = k) = 5
avec k 2 f0; 1; 2; 3; 4; 5g :
C10

Supposons maintenant que l’on tire 8 boules au lieu de 5; les valeurs prises par la
variable aléatoire X est alors f4; 5; 6g et sa fonction de masse est donnée par

C6k C48 k
P (X = k) = 8
:
C10

2) Chaque matin un professeur interroge 4 étudiants pour tester leur connaissance

du cours. Une indiscrétion lui permet de savoir que dans la classe de 45 étudiants 10 ne
connaissent pas leur cours. Soit X la variable aléatoire représentant le nombre d’étudiants
ne connaissant pas le cours parmi les 4 interrogés.

On se trouve dans la situation d’un ensemble E comprenant 45 éléments dont une

10
proportion est de type 1 (ceux qui ne connaissent pas le cours), le professeur inter-
45
roge 4 étudiants successivement et sans interroger deux fois le même étudiant (ce qui
correspond à 4 tirages successifs sans remise d’un élément de E), alors la variable aléa-
toire X représentant le nombre d’éléments de type 1 obtenu suit la loi Hypergéométrique
H 45; 4; 10
45
:

21
 1.7. Lois usuelles discrètes

Approximation de la loi Hypergéométrique par la loi Binomiale

n
Si N 30 et 0; 1, alors on peut approcher la loi Hypergéométrique H (N; n; p)
N
par la loi Binomiale B (n; p).

Exemple 1.7.5 Dans une usine, on fabrique 500 pièces, on trouve 5 défectueuses et 495
non défectueuses. On tire au hasard 20 pièces. Soit X la variable aléatoire qui représente
le nombre de pièces défectueuses parmi les 20 Pièces.

1er Cas: Les tirages se font avec remise

X v B (20; 0:01) :

X ( ) = f0; 1; ; 20g :
k
P (X = k) = C20 (0:01)k (0:99)20 k
; k 2 X ( ):

E (X) = np = 0:2:

V (X) = npq = 0:198:

Justi…cation:
- On répète la même expérience (tirer une pièce défectueuse) 20 fois.
- Le résultat d’un tirage est indépendant des autres tirages (tirage avec remise).
- Une pièce est défectueuse avec la probabilité p = 0; 01 à chaque tirage.

2eme Cas: Les tirages se font sans remise

X v H (500; 20; 0:01) :

X ( ) = f0; 1; 2; 3; 4; 5g :
20 k
C5k C495
P (X = k) = 20
; k 2 X ( ):
C500
E (X) = np = 0:2:
N
n
V (X) = npq = 0:19:
N
1
n
Comme N = 500 > 30 et = 0:04 < 0:1, alors on peut dans ce cas approximer la loi
N
Hypergéométrique H (500; 20; 0:01) par la loi Binomiale B (20; 0:01) :

22
 1.7. Lois usuelles discrètes

Exemple 1.7.6 On choisit au hasard 10 étudiants de DEUG di¤érent pour un entretien.

304 étudiants sont inscrits en 1ere année, 233 étudiants en 2eme année.
Soit X la variable aléatoire qui représente le nombre d’étudiants de 1ere année parmi
les 10:
Calculer la probabilité d’avoir 5 étudiants de 1ere année et déterminer E (X) et (X) :
304
On a: X v H 537; 10; :
537
5 5
C304 C233
P (X = 5) = 10
0:227:
C537
n 10
Mais on peut utiliser l’approximation comme = < 0:1, on peut approximer
N 537
304 304
H 537; 10; par la loi Binomiale B 10; :
537 537
5 5
5 304 233
P (X = 5) = C10 0:225:
537 537
304
E (X) = np = 10 = 5:661:
537
N n 304 233 527
V (X) = npq = 10 2:415:
N 1 537 537 536
p
(X) = V (X) = 1:554:
p
Avec l’approximation, on obtient: (X) = npq = 1:567:

1.7.6 Loi Géométrique

A la base, il y a toujours l’épreuve de Bernoulli qui a 2 résultats possibles: un événement

de probabilité p et l’autre de probabilité 1 p. Mais cette fois, on ne connaît pas le
nombre d’épreuves.
La loi Géométrique de paramètre p est la loi du nombre d’épreuves identiques et
indépendantes à e¤ectuer pour obtenir la première réalisation d’un événement A (succès)
qui a la probabilité p d’apparaître à chacune des épreuves. Le nom de la loi géométrique
provienne du fait que les probabilités forment une progression géométrique.

23
 1.7. Lois usuelles discrètes

On considère une urne contenant des boules blanches en proportion p et des boules
noires en proportion q = 1 p. On tire une in…nité de fois une boule avec remise. On
note X la variable aléatoire représentant le rang où l’on obtient une boule blanche pour la
première fois. Donc, X représente le rang d’apparition du premier succès dans une suite
in…nie d’épreuves de Bernoulli indépendantes et identiques. La variable aléatoire X suit
la loi Géométrique de paramètre p avec p est la probabilité du succès lors d’une épreuve.

X( )=N :

P (X = k) = q k 1
p; 8k 2 X ( ) :

FX (n) = 1 qn:

X v G (p) :

1 q
E (X) = et V (X) = 2 :
p p

Remarque 1.7.3 La loi Binomiale Négative est une généralisation de la loi Géométrique
où l’on considère X " le nombre d’échecs avant de parvenir au r-ième succès".

k+r 1
P (X = k) = pr (1 p)k ; k 2 N:
r 1

X v BN (n; p) :

r (1 p) r (1 p)
E (X) = et V (X) = :
p p2

Certains auteurs préfèrent à X la variable aléatoire Y "nombre total de répétitions

pour atteindre le r-ème succès". On a donc Y = X + r, avec:

k 1 r
P (Y = k) = p (1 p)k r
; k = r; r + 1; : : :
r 1

Cette probabilité caractérise la fonction de masse de la variable Y dite loi de Pascal.

Y v } (r; p) :

r r (1 p)
E (Y ) = ; V (Y ) = :
p p2

24
 1.7. Lois usuelles discrètes

Exemple 1.7.7 1) On jette un dè une in…nité de fois. Soit la variable aléatoire X qui
compte le nombre de lancers nécessaires à l’obtention d’un multiple de 3 pour la première
fois.

Ainsi, X v G 1
3
:
k 1
1 2
P (X = k) = ; 8k 2 N :
3 3

2) On dispose d’un trousseau de 5 clès identiques. Dans l’obscurité, on essaie d’ouvrir

une serrure sans porter attention à chaque clé essayé. Sachant qu’une seule clé convient,
9
4 1
la probabilité d’utiliser la bonne clé au 10eme essai est alors :
5 5
Il s’agit de la loi Géométrique de paramètre p = 15 .

1.7.7 Loi de Poisson

On dit que X suit la loi de Poisson de paramètre ( > 0) si:

X ( ) = N = f0; 1; 2; g:

k
P (X = k) = exp ( ) ; 8k 2 N:
k!

X v P ( ):

E (X) = et V (X) = :

La loi de poisson est aussi appelée la loi des évènements rares.

Modélisation: La loi de poisson P ( ) est la loi du nombre de réalisations d’un

évènement dans un intervalle de temps. Par exemple, le nombre d’accidents par semaine,
le nombre de virus détectés par seconde.

Exemple 1.7.8 Le nombre moyen de communications téléphoniques reçues par une stan-
dartiste en une minute est égal à 1.
1) Quelle est la probabilité que cette standartiste reçoive entre 13h et 13h02:

25
 1.7. Lois usuelles discrètes

a) un seul appel.
b) deux appels.
2) Déterminer la probabilité que la standartiste reçoive moins de 3 appels en 5 minutes.

1) Soit X la variable aléatoire qui compte le nombre d’appels arrivant chez la stan-
dartiste en 2 minutes.
X v P (2) car le nombre moyen d’appels par minute est égal à 1.
2 2k
P (X = k) = e ; k 2 N:
k!
2 21
P (X = 1) = e = 0; 2706:
1!
2 22
P (X = 2) = e = 0; 2706:
2!
2) Soit Y la variable aléatoire qui compte le nombre d’appels arrivant chez la stan-
dartiste en 5 minutes.
Y v P (5) :
k
55
P (Y = k) = e ; k 2 N:
k!
P (Y < 5) = P (Y = 0) + P (Y = 1) + P (Y = 2)
5 50 51 52
=e + + = 0; 124:
0! 1! 2!

Approximation de la loi Binomiale par la loi de Poisson

Soit X une variable aléatoire discrète de loi binomiale B (n; p) avec n 1 et 0 p 1.

Pour n assez grand (n ! 1) et p proche de 0 (p ! 0), on peut approcher la loi de X
par la loi de Poisson P ( ) avec = np:

Dans la pratique, cette approximation est bonne pour n 30; p 0:1 et np 15.

Exemple 1.7.9 La probabilité p de défaillance d’un stock est 2:5% par mois. Soit X une
v.a. qui représente le nombre de défaillances au cours de 40 mois.

Le nombre de défaillances est une v.a. X suivant une loi Binomiale B (40; 0:025) car:
a) pendant un mois, il y a ou il n’y a pas de défaillance;

26
 1.7. Lois usuelles discrètes

b) l’épreuve est répétée 40 fois;

c) toutes les épreuves sont indépendantes les unes des autres.

40
P (X = k) = (0:025)k (0:975)40 k
; k 2 f0; 1; 2; : : : ; 40g :
k

La probabilité de l’événement favorable est proche de 0. Le nombre d’épreuves est

grand (> 30). Il est possible alors d’approximer la loi Binomiale B (40; 0:025) par la loi
de Poisson P ( = np = 1) :

1k
P (X = k) = exp ( 1) ; k 2 N:
k!

Exemple 1.7.10 Dans une grande école de 5000 étudiants, 400 sont étrangers.
Quelle est la probabilité d’avoir 10 étudiants étrangers dans un échantillon de taille 50
choisis au hasard?

Soit X la variable aléatoire représentant le nombre d’étudiants étrangers parmi les 50

choisis au hasard.

X v H (5000; 400; 50) :

10 40
C400 C4600
P (X = 10) = 50
= 0:0038:
C5000
n 50
Comme = = 0:01 < 0:1; on peut approcher la loi Hypergéométrique H (5000; 400; 50)
N 5000
M 400
par la loi Binomiale de paramètres n = 50 et p = = = 0:08:
N 5000

X s B (50; 0:08) :
10
P (X = 10) = C50 (0:08)10 (0:92)40 = 0:0039:

On peut même aller plus loin en faisant une approximation de la loi Binomiale par la
loi de Poisson de paramètre = np car n > 30 et p < 0:1 et np = 50 0:08 = 4:

X s P (4) :
4 410
P (X = 10) = e = 0:0053:
10!

27
 1.8. Fonction génératrice d’une variable aléatoire discrète

1.8 Fonction génératrice d’une variable aléatoire dis-

crète
La notion de fonction génératrice peut être utile parfois pour calculer plus facilement les
moments de certaines lois de probabilité.

Dé…nition 1.8.1 Soit X une variable aléatoire discrète ne prenant que des valeurs en-
tières positives ou nulles. On appelle fonction génératrice de la variable aléatoire X la
fonction dé…nie sur ] 1; 1[ par:
X
gX (t) = E tX = tk P (X = k) :
k
X
En général, X ( ) N : gX (t) = tk P (X = k) :
k 0

Exemple 1.8.1 1) Loi de Bernoulli: X v B (p) :

gX (t) = E tX = t0 P (X = 0) + t1 P (X = 1) = q + pt:

2) Loi Binomiale: X v B (n; p) :

Xn X n
gX (t) = k k k n k
t Cn p q = Cnk (tp)k q n k
= (tp + q)n :
k=0 k=0

3) Loi Géométrique: X v G (p) :

X
1 X
1
tp
gX (t) = k
t pq k 1
= tp (tq)k = :
k=1 k=0
1 tq

4) Loi de Poisson: X v P ( ) :
X1 k X 1
( t)k
k (1 t)
gX (t) = t e =e =e :
k=1
k! k=1
k!
| {z }
D.L. de e t

Propriétés

1) gX (0) = P (X = 0) ; gX (1) = 1:
(k)
(k) g (0)
2) gX (0) = k! P (X = k) =) P (X = k) = X pour k = 1; 2; : : : ;
k!
La fonction génératrice de X permet de retrouver la loi de X.

28
 1.8. Fonction génératrice d’une variable aléatoire discrète

3) Si E X k existe alors:

(k)
gX (1) = E [X (X 1) (X k + 1)] = [k] (X) :

Le nombre [k] (X) est appelé le moment factoriel d’ordre k (k entier >0) : Cette
notion ne présente guère d’intérêt que pour les variables aléatoires discrètes à valeurs
dans N:

Dans ce cas, on a donc:

X
1

[k] (X) = n (n 1) (n k + 1) P (X = n)
n=0
X1
n!
= P (X = n) :
n=k
(n k)!

Remarque 1.8.1 1) La connaissance de la fonction génératrice de X permet de retrouver

de façon simple les moments de X à l’aide des dérivées successives en 1 si elles existent.
X1
E (X) = n P (X = n) = [1] (X) :
n=0
2
V (X) = [2] (X) + [1] (X) [1] (X) :

2) Si Y = aX + b , alors gY (t) = tb gX (ta ) :

3) Si X et Y sont deux variables aléatoires discrètes à valeurs entières et si gX = gY

alors X et Y ont la même loi.

Exemple 1.8.2 Soit X v B (n; p) :

8k 2 f0; 1; : : : ; ng : P (X = k) = Cnk pk q n k :

gX (t) == (tp + q)n :

(1)
gX (t) = n p (tp + q)n 1 0
=) gX (1) = E (X) = np:
(2) (2)
gX (t) = n (n 1) p2 (tp + q)n 2
=) gX (1) = E [X (X 1)] = n (n 1) p2 :

(2)
0
Ainsi, V (X) = gX (1) + gX (1) 0
[gX (1)]2 = npq:

29
 1.8. Fonction génératrice d’une variable aléatoire discrète

Exemple 1.8.3 Soit p; q 2 [0; 1] avec p + q = 1: Soit X une variable aléatoire dont la
fonction génératrice est donnée par:
p 1
gX (t) = , pour 0 t< :
1 tq q
1) Calculer E (X) et V (X) :
2) Déterminer la loi de probabilité de X.

(k)
1) On sait que gX (1) = E [X (X 1) (X k + 1)] :

0 pq 0 q
gX (t) = 2 ) gX (1) = E (X) = :
(1 tq) p

00 2pq 2 00 2q 2
gX (t) = 3 ) gX (1) = E [X (X 1)] = :
(1 tq) p2

2q 2 2q 2 2q 2 q
E (X 2 ) E (X) = ) E (X 2
) = + E (X) = + :
p2 p2 p2 p
q
Ainsi, V (X) = E (X 2 ) (E (X))2 = :
p2
1 (k)
2) On sait que P (X = k) = g (0) :
k! X
0 pq 0
gX (t) = 2 ) gX (0) = pq = 1! pq
(1 tq)

00 2pq 2 00 2 2
gX (t) = 3 ) gX (0) = 2pq = 2! pq
(1 tq)

(3) 6pq 3 (3) 3 3

gX (t) = 4 ) gX (0) = 6pq = 3! pq
(1 tq)
..
.
1
On montre par récurrence que pour tout 0 t < , on a:
q
(k) k! pq k
gX (t) =
(1 tq)k+1
Il en découle que pour tout k 2 N :
1 (k)
P (X = k) = g (0) = pq k
k! X
Il s’agit de la loi Géométrique de paramètre p dé…nie sur N:

30