Chapitre 2

Variables aléatoires réelles discrètes

(v.a.r.d)

Sommaire
2.1 Loi de probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3 Moment d’ordre k . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3.1 Espérance . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3.2 Variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4 V.a.r.d usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4.1 Loi de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4.2 Loi Binomiale . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4.3 Loi géométrique . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4.4 Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . 8

Définition 2.0.1. On appelle variable aléatoire discrète sur l’univers Ω, “toute” applica-
tion : �
X : Ω → R ; tel que X (Ω) = { x0 < x1 < · · · }.

2.1 Loi de probabilité

Soit P une probabilité sur Ω et X une v.a.r.d, tel que X (Ω) = { x0 < x1 <
· · · }. On appelle loi de probabilité de X la probabilité PX définie sur X (Ω) par :

PX ( xi ) = P( X = xi ) = P{w ∈ Ω/ X (w) = xi }

DESSIN

5
6 CHAPITRE 2. VARIABLES ALÉATOIRES RÉELLES DISCRÈTES (V.A.R.D)

Notation 2.1.1.
( X = a) = {w ∈ Ω; X (w) = a}
( X ≤ b) = {w ∈ Ω; X (w) ≤ b}
( a < X ≤ b) = {w ∈ Ω; a < X (w) ≤ b}

Remarque 2.1.1. PX : une probabilité sur X (Ω).

PX ( xi ) ≥ 0; ∑ PX (xi ) = ∑ P(X = xi ) = P(∪i (X = xi )) = P(Ω) = 1

i i

2.2 Fonction de répartition

On appelle fonction de répartition d’une variable aléatoire discrète X

FX : R → [0, 1]
x �→ P( X ≤ x )

Exemple 2.2.1. E : jeter deux dés parfaits D1 (rouge) et D2 (vert). On considère la v.a.r.d
{ X : Ω → R, tel que X (i, j) = |i − j|}.
Ω = {(i, j), 1 ≤ i, j ≤ 6}
X (Ω) = {0, 1, 2, 3, 4, 5}
xi 0 1 2 3 4 5
6 10 8 6 4 2
P( X = xi ) 36 36 36 36 36 36
FX ( x ) = P( X ≤ x ) = ∑ xi ≤ x P( X = xi ) = ∑ xi ≤ x PX ( xi ) = P({w; X (w) ≤
x })

 0; si x < 0

 6
36 ; si 0 ≤ x < 1




 16

36 ; si 1 ≤ x < 2
FX ( x ) = 24
 36 ; si 2 ≤ x < 3
 30
36 ; si 3 ≤ x < 4



 34
 36 ; si 4 ≤ x < 5


1; si 5 ≤ x

FX ( x )
34/36 1
30/36
24/36
Fonction de répartition
16/36

6/36
x
0
−3 −2 −1 0 1 2 3 4 5 6 7

����� �� ����������� � �������� ������� � ����� � ���� �

2.3. MOMENT D’ORDRE K 7

2.3 Moment d’ordre k

On appelle moment d’ordre k d’une v.a.r.d, s’il existe

Mk ( X ) = ∑ xik P(X = xi )
i

2.3.1 Espérance
On appelle Espérance, le moment d’ordre 1 de X, on le note

E( X ) = M1 ( X ) = ∑ xi P ( X = xi )
i

Propriété 2.3.1. :
— Si X est égale à une constante λ alors E( X ) = λ.
— L’Espérance est une forme linéaire E(λX + βY ) = λE( X ) + βE(Y ).
— L’Espérance d’une v.a. peut être interprétée comme la moyenne des valeurs prises
par X.

2.3.2 Variance
On appelle Variance d’une v.a.r.d, le moment d’ordre 2 de la variable cen-
trée.

V ( X ) = E(( X − E( X ))2 ) = ∑(xi − E(X ))2 P(X = xi )

i

V ( X ) = E( X ) − ( E( X ))2
2

avec le moment d’ordre 2 E( X 2 ) = ∑i xi2 P( X = xi ).

Propriété 2.3.2. :
1. V ( X ) ≥ 0 et V ( X ) = 0 ⇔ ∀i; ( xi = λ) ⇔ X est une constante.
2. V (λX ) = λ2 V ( X ) et V ( X + λ) = V ( X ); λ = constante.
3. La variance mesure le degré de dispersion d’une v.a X. Une petite variance corres-
pond à une petite dispersion (groupe très homogène). ne grande variance corres-
pond à un groupe très hétérogène.
4. V ( X + Y ) �= V ( X ) + V (Y ) ; sauf si X et Y sont indépendantes.

2.4 V.a.r.d usuelles

2.4.1 Loi de Bernoulli
Définition 2.4.1. Soit p ∈]0, 1[. On dit que la v.a.r.d X suit une loi de Bernoulli de
paramètre p et on note X ∼ Ber(p), si

����� �� ����������� � �������� ������� � ����� � ���� �

8 CHAPITRE 2. VARIABLES ALÉATOIRES RÉELLES DISCRÈTES (V.A.R.D)

1. X (Ω) = {0, 1}
2. P( X = 1) = p, ( P( X = 0) = q = 1 − p)

Proposition 2.4.1. Si X ∼ Ber(p) alors

1. E( X ) = p
2. V ( X ) = p · q = p(1 − p)

2.4.2 Loi Binomiale

Définition 2.4.2. Soient n ∈ N ∗ et p ∈]0, 1[. On dit que la v.a.r.d X suit une loi
Binomiale de paramètres n et p et on note X ∼ Bin(n, p), si
1. X (Ω) = {0, 1, · · · , n}
2. P( X = k ) = Cnk pk (1 − p)n−k , ∀k ∈ X (Ω)

Proposition 2.4.2. Si X ∼ Bin(n, p) alors

1. E( X ) = n ṗ
2. V ( X ) = n · p · (1 − p)

2.4.3 Loi géométrique

Définition 2.4.3. Soit p ∈]0, 1[. On dit que la v.a.r.d X suit une loi géométrique de
paramètre p et on note X ∼ Geo(p), si
1. X (Ω) = N ∗
2. P( X = k ) = p(1 − p)k−1 , ∀k ∈ X (Ω)

Proposition 2.4.3. Si X ∼ Gep(p) alors

1
1. E( X ) = p
1− p
2. V ( X ) = p2

2.4.4 Loi de Poisson

Définition 2.4.4. Soit λ ∈ R ∗ . On dit que la v.a.r.d X suit une loi de Poisson de para-
mètre λ et on note X ∼ Poi(λ), si
1. X (Ω) = N
k
2. P( X = k ) = e−λ λk! , ∀k ∈ X (Ω)

Proposition 2.4.4. Si X ∼ Poi(λ) alors

1. E( X ) = λ
2. V ( X ) = λ

����� �� ����������� � �������� ������� � ����� � ���� �