Table des matières

I Variables aléatoires 2
I.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
I.2 Variables aléatoires discrètes . . . . . . . . . . . . . . . . . . . . . . . . . . 3
I.2.1 Loi de probabilité d’une variable aléatoire discrète . . . . . . . . . 3
I.2.2 Fonction de répartition d’une variable aléatoire discrète . . . . . 4
I.2.3 Caractéristiques d’une variable aléatoire discrète . . . . . . . . . 6
I.2.4 Loi discrètes usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . 7
I.3 Variables aléatoires continues . . . . . . . . . . . . . . . . . . . . . . . . . 11
I.3.1 Densité de probabilité d’une variable aléatoire continue . . . . . 11
I.3.2 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . . 12
I.3.3 Caractéristiques d’une variable aléatoire continue . . . . . . . . . 13
I.3.4 Loi continues usuelles . . . . . . . . . . . . . . . . . . . . . . . . . 14

1
 I
Variables aléatoires

Sommaire
I.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

I.2 Variables aléatoires discrètes . . . . . . . . . . . . . . . . . . . . . . . . 3

I.2.1 Loi de probabilité d’une variable aléatoire discrète . . . . . . . . 3

I.2.2 Fonction de répartition d’une variable aléatoire discrète . . . . 4

I.2.3 Caractéristiques d’une variable aléatoire discrète . . . . . . . . 6

I.2.4 Loi discrètes usuelles . . . . . . . . . . . . . . . . . . . . . . . . . 7

I.3 Variables aléatoires continues . . . . . . . . . . . . . . . . . . . . . . . 11

I.3.1 Densité de probabilité d’une variable aléatoire continue . . . . 11

I.3.2 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . 12

I.3.3 Caractéristiques d’une variable aléatoire continue . . . . . . . . 13

I.3.4 Loi continues usuelles . . . . . . . . . . . . . . . . . . . . . . . . 14

I.1 Introduction
Dans une épreuve, une variable aléatoire (en abrégé v.a.) X est une quantité dont la
valeur, a priori incertaine, est déterminée à l’issue du tirage. Elle est donc représentée
comme une application X définie sur l’ensemble des résultats possibles de l’épreuve.
Par exemple, lors du tirage d’un individu dans une population, la taille, le poids ou
le revenu annuel de l’individu tiré sont des variables aléatoires. Lors d’une course
hippique, le tiercé gagnant est une variable aléatoire. L’indice boursier du lendemain,

2
la durée de vie d’un homme sont des variables aléatoires, et la loi de cette dernière
intéresse les assureurs.

I.2 Variables aléatoires discrètes

Définition 1 On appelle v.a. discrete définie sur (Ω, A, P) une application X : Ω → R telle
que X(Ω) est dénombrable, et telle que pour tout x réel :

X −1 ({x}) = {w ∈ Ω/X(w) = x} ∈ A

ce qui exprime tout simplement que X −1 ({x}) est un événement.

Exemple 1 On lance successivement deux fois une pièce de monnaie, on définit la variable
aléatoire X correspond au nombre de "face " obtenu, l’ensemble fondamental des résultats pos-
sibles est Ω = {F F, F P, P F, P P }
Les valeurs possibles prises par la variable aléatoire X "nombre de face " sont :

X = {0, 1, 2}.

I.2.1 Loi de probabilité d’une variable aléatoire discrète

Définition 2 la loi de probabilité d’une variable aléatoire X consiste à determiner pour toutes
les valeurs possibles de X leurs probabilités d’apparition. C’est-à-dire, si X est une variable
aléatoire sur un ensemble fondamental Ω fini, alors les événements élémentaires de Ω relatifs
a X sont définis comme suit : X(w) = {x1 , x2 , . . . , xn }. La probabilité pour que l’événement
relatif à xi sont réalisées et définies par

pi = p(xi ) = P(X = xi ),

cette dernière est appelée loi ou distribution de probabilité de la variable aléatoire X. Le tableau
ci-dessus résume une telle définition :

xi x1 x2 ... xj ... xn
P(X = xi ) = p(xi ) p1 p2 ... pj ... pn

L. DJERROUD 3
Propriétés de la loi de probabilité

La fonction p possède les propriétés suivantes :

• P(X = xi ) = p(xi ) ≥ 0,
Pn
• i=1 p(xi ) = 1.

Remarque 1 Si on veut caractériser une variable aléatoire, il faut déterminer :

1. ses valeurs : Valeur(X) = {xi , 1 ≤ i ≤ n},

2. sa distribution : dist(X) = (pi )1≤i≤n .

Exemple 2 On lance deux fois une piece de monnaie, l’ensemble fondamental est :
Ω = {(F, F ), (F, P ), (P, F ), (P, P )}. On note X"la v.a qui compte le nombre de piles obtenu",
donc les valeur(X) = {0, 1, 2}. On a le tableau suivant :

xi 0 1 2
1 1 1
P(X = xi ) 4 2 4

I.2.2 Fonction de répartition d’une variable aléatoire discrète

Définition 3 La fonction de répartition d’une variable aléatoire X est une application F de

R dans [0, 1]. Autrement dit, la fonction de répartition F permet de calculer les différentes
probabilités d’une variable aléatoire dont la valeur est inférieure strictement à un seuil donné
(x). Mathématiquement parlant, la fonction de répartition, noté F (x), est définie de la manière
suivante :
F : X → [0, 1]

x 7→ FX (x) = P(X ≤ x).

Dans le cas où la v.a X est discrète, la fonction de répartition est une fonction discontinue en
escalier où :
X
FX (x) = P(X ≤ x) = P(X = xi ).
xi ≤x

L. DJERROUD 4
Propriétés de la fonction de répartition

Toute fonction de répartition .F (x) doit remplir les critères suivants :

1. F est positive croissante et continue à gauche,

2. Si x < x1 , alors FX (x) = 0,

3. ∀x ∈ R, 0 ≤ FX (x) ≤ 1,

4. Si x ≥ xn , alors FX (x) = 1,

5. Si a ≤ b, P(a ≤ x ≤ b) = FX (b) − FX (a),

6. P(X > a) = 1 − P(X ≤ a)

Si les valeurs de X = {x1 , x2 , . . . , xn }, alors les valeurs de la fonction de répartition

peuvent être calculées comme suit :



 0, si x < x1 ;

FX (x) = FX (xi+1 ), si x ∈ [xi , xi+1 [, i = 1, . . . , n;


si x ≥ xn .

 1,

Pi
avec FX (xi+1 ) = j=1 pj .

Exemple 3 à titre illustratif, on prend l’exemple d’une variable aléatoire X dont la loi de pro-
babilité est donnée par :
P(X = 1) = 14 , P(X = 2) = 21 , P(X = 3) = 18 , P(X = 4) = 1
8
donc :



 0, si x < 1;


1
, si 1 ≤ x < 2


 4


FX (x) = 3
4
, si 2 ≤ x < 3.


7
, si 3 ≤ x < 4.


8




 1, si x ≥ 4.


L. DJERROUD 5
I.2.3 Caractéristiques d’une variable aléatoire discrète

Moments

Pour tout entier r, on appelle moment d’ordre r de X et on note mr (X) la quantité :

n
X
mr (X) = xri P(X = xi ).
i=1

Espérance mathématique

L’espérance mathématique d’une variable aléatoire discrète est l’un des concepts les
plus importants dans la théorie des probabilités. Pour une variable aléatoire discrète
X, de loi de probabilité P(X = x), l’espérance mathématique de X, notée E(X), se
définit par l’expression suivante :

n
X
E(X) = m1 (X) = xi P(X = xi ).
i=1

En réalité, l’espérance mathématique d’une variable aléatoire X est la moyenne des

valeurs que peut prendre X, et les poids sont les probabilités qui les associées.

Propriété 1 Soit une v.a X et a ∈ R

1. E(a) = a,

2. E(a + X) = E(a) + E(X) = a + E(X),

3. E(aX) = aE(X),

4. E(X1 + X2 ) = E(X1 ) + E(X2 ).

Variance

Soit X une variable aléatoire discrète, alors la variance de X sera donnée par l’ex-
pression suivante :

V (X) = E(X − E(X))2 = E(X 2 ) − E 2 (X)

Xn X n n
hX i2
2 2
= (xi − E(X)) P(X = xi ) = xi P(X = xi ) − xi P(X = xi ) .
i=1 i=1 i=1

L. DJERROUD 6
Propriété 2 Soit une v.a X discrète et a, ∈ R

1. V (X) ≥ 0,

2. V (a) = 0,

3. V (a + X) = V (X),

4. V (aX) = a2 V (X),

5. V (aX + b) = a2 V (X) + V (b) = a2 V (X),

6. V (X1 + X2 ) = V (X1 ) + V (X2 )si X1 et X2 sont indépendantes.

Ecart-type

L’écart-type sert à mesurer la dispersion de la variable aléatoire X autour de la

moyenne. On le note σX , c’est la racine carré de la variance :

p
σX = V (X).

Fonction caractéristique

Soit (Ω, A, P) un espace de probabilité, X une variable aléatoire définie sur Ω et soit
les valeurs de X = {x1 , x2 , . . . , xn } et de loi de probabilité P(X = xi ) = pi . Si t est un
paramètre réel, eitX = cos tX + i sin tX est une v.a. complexe. Comme elle est bornée
(|eitX | > 1), par consequent elle admet une espérance mathématique. L’espérance ma-
thématique de la variable eitX s’appelle fonction caractéristique de la variable X et on
écrit :
n
X
itX
ϕX (t) = E(e )= pk eitxk .
k=1

I.2.4 Loi discrètes usuelles

Loi uniforme

Définition 4 soit X une variable aléatoire discrète. On dit que X suit une loi discrète Uni-
forme sur l’ensembles des valeurs {1, 2, . . . , n}, notée U{1,2,...,n} , si est seulement si P(X =

L. DJERROUD 7
 1
X) = N
, et ce pour toute valeur de x ∈ {1, 2, . . . , n}. Cela implique P(X = 1) = P(X = 2) =
P(X = 1) = . . . = P(X = n).

Pn Pn 1
Pn
– Espérance mathématique E(X) = i=1 xi P(X = xi ) = i=1 xi p i = n i=1 xi =
1 n(n+1) n+1
n 2
= 2
.
Pn (n+1)(2n+1)
– Variance et écart-type V (X) = E(X 2 )−E(X)2 = i=1 x2i pi −E(X)2 = 6
−
(n+1)2 n2 +1
4
= 12
.
r
p n2 + 1
σX = V (X) = .
12

Loi de bernoulli

La loi de Bernoulli intervient dans le cas où la variable aléatoire X prend unique-

ment deux valeurs, appelée par convention succès ou échec. En effet, la loi de Bernoulli
de paramètre p est celle associée à une variable aléatoire discrète dont les valeurs ne
peut être que 1 ou 0 avec les probabilités p et (1 − p). de paramètre p. Pour une telle
expérience, on va associer à la variable aléatoire X la valeur 1 pour un succès, et la
valeur 0 pour un échec. Alors on note :

 1 :Suxcs,
X=
 0 :Echec.

Si La probabilité d’avoir un succès : P(X = 1) = p, alors la probabilité d’avoir un échec

est P(X = 0) = 1 − p = q on not alors X y B(p),
– Espérance mathématique

E(X) = (1)p + (0)(1 − p) = p

– Variance et écart-type

V (X) = E(X 2 ) − [E(X)]2 = (12 )p + (02 )(1 − p) − p2 = p − p2 = p(1 − p)

p p
σX = V (X) = p(1 − p).

L. DJERROUD 8
Loi binomaile

Soit X une variable aléatoire discrète dont les résultats possibles sucés ou échec.
Si on répète la même expérience n fois, alors on dit que la variable X suit une loi
binomiale de paramètres n et p, on note alors X y B(n, p)
Pn
Remarque 2 i=1 B(p) y B(n, p), c’est à dire répéter n fois une loi de Bernoulli va donner
une loi binomiale.

La loi de probabilité d’une loi binomiale est définie par la formule ci-après :

P(X = x) = Cnx px (1 − p)n−x

Où x : est nombre de succès parmi les n durant les n expériences.

– Espérance mathématique
Nous savons que ni=1 B(p) y B(n, p), alors X y B(n, p) ⇒ X =
P P
Xi , tel
P P
que Xi y B(p). Par consequent, E(X) = E( Xi ) = E(Xi ), (car les Xi sont
indépendants)
E(X) = np.
– Variance et écart-type
V (X) = npq = np(1 − p)
p p
σX = V (X) = np(1 − p).

Loi géométrique

La loi géométrique est la loi de la variable X, "loi de nombre d’essais nécessaires",

pour qu’un événement de probabilité p apparaisse la première fois après le nime essai.
Les hypothèses étant les mêmes que la loi binomiale, en particulier, la probabilité p
reste constante au cours des essais, alors :

P(X = x) = p(1 − p)x−1 , x ∈ N∗

Il y a (x − 1) échecs avant d’obtenir le succès au xime essai.

L. DJERROUD 9
 – Espérance mathématique
1
E(X) = .
p
– Variance et écart-type
1−p
V (X) =
p2
r
p 1−p
σX = V (X) = .
p2

Exemple 4 Un certain matériel a une probabilité p = 0, 02 constante de défaillance à chaque

mise en service. On procède à l’expérience suivante, l’appareil est mis en marche, arrêté, mis en
marche, arrêté, jusqu’à ce qu’il tombe en panne. Le nombre d’essais nécessaires pour obtenir la
panne est une variable aléatoire suivant la loi géométrique de paramètre p. La probabilité pour
que ce matériel tombe en panne (pour la première fois) au deuxième essai égale à :

P(X = 10) = (0.02)(1 − 0.02)9 = 0.0167

Loi hypergéométrique

Soit une urne contenant N boules dont M sont rouges et N − M sont blanches.
Tirons n boules (n ≤ N ) au hasard de l’urne sans les remettre (tirage sans remise).
Soit X la variable aléatoire "le nombre de boules rouges parmi les n boules tirées". Les
valeurs x de la variable aléatoire X sont telles que : 0 ≤ x ≤ M, x ≤ n et x ≥ n−(N −M ).
Par conséquent, les valeurs de X sont : X = {max(0, n − M + N ), . . . , min(M, n)}, et sa
loi de probabilité aura la forme suivante :

x
CM CNn−x
−M
P(X = x) = , ∀x ∈ valeurs(X).
CNn

On dit alors que cette variable aléatoire X suit une loi hypergéomitrique de paramètres
N, n et p. On note X y H(N, n, p).
– Espérance mathématique
E(X) = np.

M
p= N
la probabilité de tirer une boule rouge.

L. DJERROUD 10
 – Variance et écart-type
N −n
V (X) = np(1 − p) .
N −1
r
p N −n
σX = V (X) = np(1 − p) .
N −1

Loi poisson

La loi de Poisson s’applique aux événements rares, c’est dire la probabilité de surve-
nance d’un tel événement est très faible. C’est le cas notamment de contrôle de qualité
puisque on suppose que les erreurs sont rares, les risques liés aux crédits . . . etc. En
effet, on dit qu’une une variable aléatoire entière X, positive ou nulle, suit une loi de
Poisson de paramètre λ > 0, si et seulement si :

e−λ λx
P(X = x) = , avecx ∈ N.
x!

– Espérance mathématique
E(X) = λ.

– Variance et écart-type
V (X) = λ
p √
σX = V (X) = λ.

I.3 Variables aléatoires continues

Définition 5 Soit (Ω, A, P) un espace de probabilité, la variable aléatoire X : Ω → R est dite
continue si l’ensemble X(Ω) de ses valeurs est un intervalle ou une réunion d’intervalles dans
R.

I.3.1 Densité de probabilité d’une variable aléatoire continue

Définition 6 soit une application X : Ω → R, on dit que X est une variable aléatoire conti-
nue (parfois dite absolument continue), s’il existe une fonction f définie sur R et vérifiant les
propriétés suivantes :

L. DJERROUD 11
 1. f ≥ 0
R +∞
2. −∞ f (x)dx = 1.

La fonction f est la densité de probabilité de la variable aléatoire X.

Propriétés de la densité de probabilité

Soient a et b ∈ R
Rb
• P(a ≤ X ≤ b) = a f (x)dx.
Ra
• Si a = b, alors :P(X = a) = a
f (x)dx = 0.

• P(a ≤ X ≤ b) = P(a < X ≤ b) = P(a ≤ X < b) = P(a < X < b).

R +∞ Ra
• P(X > a) = a f (x)dx = 1 − −∞ f (x)dx.

I.3.2 Fonction de répartition

Définition 7 Soit (Ω, A, P) un espace de probabilité. On appelle fonction de répartition de X

la fonction F définie par :
FX (x) = P(X ≤ x).

Alors la relation entre la fonction de répartition FX et la fonction de densité de probabilité f (x)

est : Z x
∀x ∈ R FX (x) = P(X ≤ x) = f (t)dt.
−∞

dFx (x)
D’où f (x) = FX0 (x) = dx
.

Propriétés de la fonction de répartition

1. F est continue et croissante sur R.

2. P(a < X < b) = FX (b) − FX (b).

L. DJERROUD 12
I.3.3 Caractéristiques d’une variable aléatoire continue

Moments

Soit X une variables aléatoire continue et f sa densité de probabilité. Soit r un entier

naturel, on appelle moment d’ordre r de X et on note mr (X) la quantité :
Z +∞
mr (X) = xr f (x).
−∞

Espérance mathématique

On appelle espérance mathématique d’une variable aléatoire continue X, qu’on

note E(X) le moment d’ordre 1 de la variable X :
Z +∞
E(X) = xf (x).
−∞

Variance et Écart type

Soit X une v.a. continue, alors :

V (X) = E[X − E(X)]2 = E(X 2 ) − [E(X)]2

Z +∞
= x2 f (x)dx − [E(X)]2 .
−∞

p
σX = V (X).

Fonction caractéristique

Soit (Ω, A, P) un espace de probabilité. Soit X une variable aléatoire continue et f

sa densité de probabilité. Si t est un paramètre réel, eitX = cos tX + i sin tX est une
v.a. complexe. Comme elle est bornée (|eitX | > 1), par consequent elle admet une espé-
rance mathématique. L’espérance mathématique de la variable eitX s’appelle fonction
caractéristique de la variable X et on écrit :
Z +∞
itX
ϕ(t) = E(e )= eitx f (x)dx.
−∞

L. DJERROUD 13
I.3.4 Loi continues usuelles

Loi uniforme

Une v.a. X suit une loi uniforme si sa densité est constante sur un intervalle [a, b] :

1

b−a
, si x ∈ [a, b]
f (x) =
 0, sinon

On écrit X y U([a,b]) . Sa fonction de répartition est définie par :




 0, si x < a;

FX (x) = x−a
b−a
, si a ≤ x < b


si b ≤ x.

 1,

Elle admet pour espérance et variance :

– Espérance mathématique
Z ∞
a+b
E(X) = xf (x)dx = .
−∞ 2

– Variance et écart-type

(b − a)2
V (X) = E(X 2 ) − E(X)2 = .
12
r
p (b − a)2
σX = V (X) = .
12

Loi exponentielle

La loi exponentielle de paramètre θ > 0 est celle d’une variable positive de densité :

 θe−θx , si x ≥ 0
f (x) =
 0, sinon

L. DJERROUD 14
On écrit X y E(θ). Sa fonction de répartition est nulle pour x < 0, et pour x ≥ 0 :
Z x
FX (x) = θ e−θt dt = [−e−θt ]x0 = 1 − e−θx .
0

– Espérance mathématique
Z ∞
1
E(X) = xf (x)dx = .
−∞ θ

– Variance et écart-type

2 1 2 1
V (X) = E(X 2 ) − E(X)2 = − ( ) = .
θ2 θ θ2
r
p 1 1
σX = V (X) = 2
= .
θ θ

Loi normale ou de Laplace-Gauss

C’est la loi d’une variable aléatoire X à valeurs dans R, de densité :

1 (x−µ)2
f (x) = √ e− 2σ2
σ 2π

On note X y N (µ, σ 2 ) avec E(X) = µ et V (X) = σ 2 . Sa fonction de répartition est :

Z x Z x Z x
1 (t−µ)2 1 (t−µ)2
FX (x) = P(X < x) = f (t)dt = √ e− 2σ2 dt = √ e− 2σ 2 dt.
−∞ −∞ σ 2π σ 2π −∞

– Espérance mathématique
Z ∞ Z ∞
1 (x−µ)2
E(X) = xf (x)dx = x √ e− 2σ2 dx = µ.
−∞ −∞ σ 2π

– Variance et écart-type

V (X) = E(X 2 ) − E(X)2 = σ 2 .

p √
σX = V (X) = σ 2 = σ.

L. DJERROUD 15
Loi normale centrée réduite

Si Z suit la loi N (0, 1), alors X = µ + σZ suit une loi N (µ, σ 2 ). Il est possible de
ramener toute distribution normale à la loi normale centrée (µ = 0) réduite (σ 2 = 1) en
X−µ
formant Z = σ
. On montre facilement que E[Z] = 0 et V (Z) = 1.

Loi gamma

Une v.a. X de loi gamma de paramètres α > 0 et β > 0 est positive, de densité :

x
1

β α Γ(α)
xα−1 e β , si x > 0
f (x) =
 0, sinon

Γ est la fonction gamma est définie pour tout α > 0 par :

Z +∞
Γ(α) = xα−1 e−x dx.
0

On écrit X y γ(α, β). Sa fonction de répartition est :

Z x Z x Z x
1 t 1 t
FX (x) = P(X < x) = f (t)dt = α
tα−1 e β dt = α tα−1 e β dt.
−∞ 0 β Γ(α) β Γ(α) 0

L. DJERROUD 16