Chapitre 1

Chapitre 1 : Espaces de probabilités

1
Chapitre 3

Chapitre 2 : Variables aléatoires discrètes

Après la réalisation d’une expérience aléatoire, on s’intéresse plus à une fonction du résultat
qu’au résultat lui même. Prenons l’exemple du jet de la pièce de monnaie, il s’avère être plus
intéressant de connaı̂tre le nombre de fois où face est obtenue que la séquence détaillée des piles
et des faces.

Ces grandeurs auxquelles on s’intéresse représentent des fonctions réelles définies sur l’espace
fondamental et sont appelées variables aléatoires. Puisque la valeur d’une variable aléatoire est
déterminée par le résultat de l’expérience, il est possible d’attribuer une probabilité aux différentes
valeurs que la variable aléatoire peut prendre.

3.1 Variables aléatoires discrètes

Exemple Introductif :

On jette deux fois un dé. L’univers Ω est l’ensemble des couples (a, b) tels que a, b ∈ 1, 2, . . . , 6 :

Ω = {(1, 1), (1, 2), . . . , (5, 6), (6, 6)} .

Á chaque événement élémentaire w = (a, b), on peut faire correspondre la somme a + b des chiffres
portés par chaque dé. On définit ainsi une application :

X: Ω → R
w = (a, b) → X(w) = X(a, b) = a + b.

Cette application définie sur Ω est appelée variable aléatoire. On est amené de façon générale à
donner la définition suivante.
Définition 3.1.1. h
Soit (Ω, A, P ) un espace de probabilité. On appelle variable aléatoire réelle (v.a.r.), toute applica-
tion :

X: Ω→R
w → X(w)

2
 Variables aléatoires discrètes 3

telle que pour tout intervalle I ⊂ R, l’ensemble réciproque : X −1 (I) = {w ∈ Ω : X(w) ∈ I} est un
événement de A. On parle de l’événement {X ∈ I}.

L’ensemble des valeurs prises par X, noté X(Ω), s’appelle l’ensemble des observations associées à
X, tel que :
X(Ω) = {X(w) pour w ∈ Ω} .
Définition 3.1.2. h
Une variable aléatoire ne pouvant prendre qu’une quantité dénombrable de valeurs est dite discrète.
En d’autres termes, on dit qu’une v.a.r X est discrète si l’ensemble X(Ω) est dénombrable.
Remarque 3.1.1. h
Comme nous allons voir dans les deux exemples suivants, X(Ω) peut être fini si X(Ω) = {x1 , x2 , . . . , xn }
et également infini dénombrable si X(Ω) = {x1 , x2 , . . . , xn , . . . } .
Exemple 3.1.1. h
Le jet de trois pièces de monnaie équilibrées où X est la v.a.r représentant le nombre de piles
obtenues. Il est clair que : X(Ω) est fini car on a X(Ω) = {0, 1, 2, 3} .
Exemple 3.1.2. h
On lance une pièce de monnaie. Soit X la v.a.r indiquant le nombre de lancers nécessaires avant
l’obtention d’un pile. Dans notre cas, X(Ω) est infini dénombrable car X(Ω) = N∗ .

Notation :
Pour une v.a.r discrète, on utilise la notation {X = x} = {w ∈ Ω : X(w) = x} .

3.1.1 Lois de probabilité

Définition 3.1.3. h
Soit X une v.a.r discrète. On appelle loi de probabilité ou distribution de X, l’application :

pX : X(Ω) → [0, 1]
x → pX (x)

telle que ∀x ∈ X(Ω)

pX (x) = P (X = x).
Propriété 3.1.1. k
Soit X une v.a.r discrète de loi de probabilité P (X = x). Alors on a :
X
P (X = x) = 1.
x∈X(Ω)

Remarques 3.1.1. k
• Si X(Ω) = {x1 , x2 , . . . , xn } alors :
n
X
P (X = xk ) = 1.
k=1

3
 Variables aléatoires discrètes 4

• Si X(Ω) = {x1 , x2 , . . . , xn , . . . } alors :

+∞
X
P (X = xn ) = 1.
n=1

3.1.2 Fonction de répartition

Définition 3.1.4. h
On appelle fonction de répartition d’une variable v.a.r X . L’application FX de R dans [0, 1] définie
∀a ∈ R par :
FX (a) = P (X ≤ a),
En d’autres termes, FX (a) est la probabilité que la variable aléatoire X prenne une valeur inférieure
ou égale à a.
Remarques 3.1.2. k

— La fonction de répartition est définie à partir de la loi de X et réciproquement la loi de X est

entièrement déterminée par la connaissance de sa fonction de répartition.
— La fonction de répartition FX d’une variable aléatoire discrète peut être exprimée en fonc-
tions des valeurs prises par sa loi de probabilité.
X
FX (a) = P (X = x).
x≤a

— Tous les calculs de probabilité concernant X peuvent être traités en termes de fonction de
répartition. Par exemple,
P (a ≤ X ≤ b) = FX (b) − FX (a).
Exemple 3.1.3. h
Soit X une variable aléatoire dont la loi de probabilité est donnée par :
1 1 1 1
P (X = 1) = , P (X = 2) = , P (X = 3) = , P (X = 4) = .
4 2 8 8
Sa fonction de répartition est :


 0 si a < 1,
 1/4 pour a ∈ [1, 2[,


FX (a) = 3/8 pour a ∈ [2, 3[,
7/8 pour a ∈ [3, 4[,




1 pour a ≥ 4.


3.1.3 Espérance mathématique

Définition 3.1.5. h
Soit X une v.a.r discrète. On appelle espérance de X, notée E(X), le nombre réel, s’il existe, défini
par : X
E(X) = xP (X = x).
x∈X(Ω)

4
 Variables aléatoires discrètes 5

En termes concrets, l’espérance de X est la moyenne pondérée des valeurs que X peut prendre, les
poids étant les probabilités que ces valeurs soient prises.

Exemple 3.1.4. h
On cherche l’espérance E(X) de la variable X, résultat du lancer d’un dé équilibré.

Solution :
1
Comme P (X = 1)= P (X = 2)= P (X = 3)=P (X = 4)= P (X = 5)= P (X = 6)= .
6
On aura :
1 1 1 1 1 1 7
E(X) = (1 × ) + (2 × ) + (3 × ) + (4 × ) + (5 × ) + (6 × ) = .
6 6 6 6 6 6 2
i

Bien que la procédure précédente permette toujours de calculer l’espérance de n’importe quelle fonc-
tion de X si on connaı̂t la distribution de X, il existe une autre façon de la calculer en utilisant le
théorème suivant :

Théorème 3.1.1. h
Soit X une v.a.r discrète définie sur X(Ω), à valeurs réelles. Alors l’espérance de f (X), si elle
existe, est donnée par : X
E[f (X)] = f (x)P (X = x).
x∈X(Ω)

Remarque 3.1.2. h
En particulier, on a : X
E[X 2 ] = x2 P (X = x).
x∈X(Ω)

Exemple 3.1.5. h
Soit X une variable aléatoire avec les probabilités respectives :

P (X = −1) = 2, P (X = 0) = 5, P (X = 1) = 3.

Calculer E(X 2 ).

Solution :
Soit Y = X 2 telle que Y (Ω) = {0, 1}. La distribution de Y est donnée par :

P (Y = 1) = P (X = −1) + P (X = 1) = 5,
P (Y = 0) = P (X = 0) = 5,
Donc :
E(X 2 ) = E(Y ) = 1 × 5 + 0 × 5 = 5.

5
 Variables aléatoires discrètes 6

Le résultat suivant est une conséquence immédiate du théorème précédent, il montre une propriété
de linéarité de l’espérance.
Corollaire 3.1.2. h
Soient X une v.a.r discrète et a et b deux nombres réels. Alors :
E(aX + b) = aE(X) + b.
Corollaire 3.1.3. h
L’espérance d’une variable X notée E(X) est parfois nommée le premier moment. La quantité
E(X n ), n > 1 est de manière générale appelée nième moment de X. D’après le théorème 2.1.1, on
peut calculer ces moments par :
X
E(X n ) = xn P (X = x).
x∈X(Ω)

Définition 3.1.6. h
On dit qu’une variable aléatoire réelle X est centrée si E(X) = 0.

3.1.4 Variance
Étant donnée une variable aléatoire X et sa fonction de répartition FX il serait pratique de pouvoir
résumer les propriétés de X en deux ou trois mesures bien choisies. L’espérance E(X) est une telle
mesure. Cependant, si E(X) nous donne une moyenne pondérée des valeurs possibles de X, elle ne
nous donne rien sur les variations de X autour de l’espérance. Il serait donc raisonnable de mesurer
les variations de X en considérant l’écart moyen entre X et son espérance.
Puisqu’il est souvent difficile de manipuler cette quantité, on s’intéresse donc à l’espérance du carré
de l’écart entre X et son espérance que l’on appelle la variance de X.
Définition 3.1.7. h
Soit X une v.a.r. discrète. On appelle variance de X, notée var(X), la quantité :
X
var(X) = E (X − E(X))2 = (x − E(X))2 P (X = x).
 

x∈X(Ω)

Remarques 3.1.3. l

— La variance est toujours positive.

— La variance de X peut être exprimer sous la forme suivante :
var(X) = E[X 2 ] − [E(X)]2 .
— Si a et b sont deux nombres réels. Alors :
var [aX + b] = a2 var(X).
Exemple 3.1.6. h
On cherche à calculer la var(X) de la variable X, résultat du lancer d’un dé.

6
 Variables aléatoires discrètes 7

Solution :
7
On a déjà trouvé que E(X) = ,
2
1 1 1 1 1 1 91
E(X 2 ) = (12 × ) + (22 × ) + (32 × ) + (42 × ) + (52 × ) + (62 × ) = ,
6 6 6 6 6 6 6
Donc :
35
var(X) = .
12
Définition 3.1.8. h
On appelle écart-type de X, noté σ(X), la racine carrée de sa variance
p
σ(X) = var(X).
Définition 3.1.9. h
On dit q’une v.a.r X est réduite si var(X) = 1.
Remarque 3.1.3. h
Pour toute v.a.r possédant une espérance et une variance, la variable aléatoire
X − E(X)
Y = p
var(x)
est centrée et réduite.

3.2 Couple aléatoire discret

Jusqu’ici nous n’avons traité que les variables isolées. Or, il est nécessaire parfois de considérer
des événements relatifs à deux variables simultanément.

Soient (Ω, A, P ) un espace de probabilité et k ∈ N∗ . Soient X1 , X2 , . . . , Xk des variables

aléatoires réelles v.a.r définies sur (Ω, A, P ).
Définition 3.2.1. h
— On appelle vecteur aléatoire de dimension k, l’application X définie sur Ω à valeurs dans
Rk , telle que ∀w ∈ Ω :
X(w) = (X1 (w), X2 (w), . . . , Xk (w)),
Les v.a.r. Xi sont les coordonnées du vecteur X.
— On dit qu’un vecteur aléatoire X est discret si chacune de ses coordonnées est discrète.
j

Soient X et Y deux v.a.r. discrètes définies sur (Ω, A, P ) avec X(Ω) = {x1 , x2 , . . . , xn } et
Y (Ω) = {y1 , y2 , . . . , ym }. On s’intéresse ici au couple aléatoire discret (X, Y ).
On peut étudier de façon analogue le cas où X(Ω) et Y (Ω) sont infinis et dénombrables.

Rappelons que le signe × désigne le produit cartésien : X(Ω)×Y (Ω) = {(x, y) : x ∈ X(Ω), y ∈ Y (Ω)} .
On notera, dans la suite, (X = x, Y = y) pour l’événement {X = x} ∩ {Y = y}.

7
 Variables aléatoires discrètes 8

3.2.1 Loi du couple

Définition 3.2.2. h
Soit (X, Y ) un couple aléatoire discret. On appelle loi de probabilité ou loi conjointe de (X, Y ),
l’application pXY de X(Ω) × Y (Ω) dans [0, 1] définie ∀(x, y) ∈ X(Ω) × Y (Ω) par :

pX,Y (x, y) = P (X = x, Y = y).

Exemple 3.2.1. h
Soient 5(X, Y ) un couple aléatoire discret dont la loi de probabilité est donnée dans le tableau
ci-dessous :

X/Y 0 1 3
2 0 1/12 1/4
4 1/4 1/6 1/12
5 1/12 0 1/12

Fonction de répartition conjointe

Définition 3.2.3. h
On appelle fonction de répartition conjointe de (X, Y ), l’application FX,Y de R dans [0; 1] définie
∀a, b ∈ R par :
FX,Y (a, b) = P (X ≤ a, Y ≤ b).

k
Le théorème suivant, nous permet de calculer l’espérance d’une fonction des deux variables X et Y
à partir de la loi du couple.

Théorème 3.2.1. h
Soit (X, Y ) un couple aléatoire discret et f une fonction définie sur X(Ω) × Y (Ω), à valeurs réelles.
Alors, l’espérance de f (X, Y ), si elle existe, est donnée par :
X
E(f (X, Y )) = f (x, y)P (X = x, Y = y).
(x,y)∈X(Ω)×Y (Ω)

3.2.2 Lois marginales

Définition 3.2.4. h
Soit (X, Y ) un couple aléatoire discret. On appelle loi marginale de X, l’application pX de X(Ω)
dans [0, 1] définie ∀x ∈ X(Ω) par :
X
pX (x) = P (X = x) = P (X = x, Y = y).
y∈Y (Ω)

j
On définit de manière analogue la loi marginale de Y :

8
 Variables aléatoires discrètes 9

Définition 3.2.5. h
Soit (X, Y ) un couple aléatoire discret. On appelle loi marginale de Y , l’application pY de Y (Ω)
dans [0, 1] définie ∀y ∈ Y (Ω) par :
X
pY (y) = P (Y = y) = P (X = x, Y = y).
x∈X(Ω)

Exemple 3.2.2. h
Dans l’exemple précédent, à partir de la loi du couple (X, Y ), en sommant les lignes on obtient la
loi marginale de X :

X 2 4 5
P (X = x) 1/3 1/2 1/6

et en sommant les colonnes on obtient la loi marginale de Y :

y 0 1 3
P (Y = y) 1/3 1/4 5/12

Fonctions de répartitions marginales

Définition 3.2.6. h
Soit (X, Y ) un couple aléatoire discret. La fonction de répartition de X peut être déduite de la
fonction de répartition conjointe de X et Y comme suit :

FX (a) = P (X ≤ a) = F (a, ∞),

d’une façon analogue, on définit la fonction de répartition de Y par :

FY (b) = P (Y ≤ b) = F (∞, b).

Les fonctions de répartition FX et FY sont dites fonctions de répartition marginales de X et Y .

Définition 3.2.7. h
Soit (X, Y ) un couple aléatoire discret. On appelle covariance de (X, Y ) notée Cov(X, Y ) le
nombre réel, s’il existe, donné par :

Cov(X, Y ) = E [(X − E(X))(Y − E(Y ))] .

Remarques 3.2.1. h

— On peut noter que cette définition est parfaitement symétrique par rapport aux deux coor-
données X et Y . Par suite, on a :

Cov(X, Y ) = Cov(Y, X).

9
 Variables aléatoires discrètes 10

— Dans la pratique, pour calculer la covariance, on utilise l’égalité suivante qui généralise le
théorème de Koenig :
Cov(X, Y ) = E(XY ) − E(X)E(Y ).
Exemple 3.2.3. h
Dans l’exemple 2.1.1. après avoir déterminer les lois marginales, on montre facilement que E(X) =
11
E(Y ) = 2 et E(XY ) = .
3
Corollaire 3.2.2. h
Soit (X, Y ) un couple aléatoire discret et soit a, b deux nombres réels. Alors, on a :

E(aX + bY ) = aE(X) + bE(Y ),

V ar(aX + bY ) = a2 V ar(X) + b2 V ar(Y ) + 2abCov(X, Y ).

f

Les lois marginales se calculent simplement à partir de la loi du couple. Par contre, il est en général
impossible de calculer la loi du couple à partir de ses lois marginales. Heureusement, le cas simple
d’un couple de v.a.r. indépendantes permet immédiatement de retrouver la loi du couple.

3.2.3 Indépendance
Définition 3.2.8. h
Soit (X, Y ) un couple aléatoire discret. On dit que les v.a.r X et Y sont indépendantes si et seulement
si ∀(x, y) ∈ X(Ω) × Y (Ω)

P (X = x, Y = y) = P (X = x)P (Y = y),

Pour les variables aléatoires indépendantes, la loi du couple correspond au produit de ses lois mar-
ginales.

Ce qui revient à écrire que X et Y sont indépendantes si pour tout couple a, b de R

FX,Y (a, b) = FX (a)FY (b).

Théorème 3.2.3. h
Soit (X, Y ) un couple aléatoire discret. soit f et g deux fonctions définies respectivement sur X(Ω)
et Y (Ω) à valeurs réelles. Si X et Y sont indépendantes, alors on a

E[f (X)g(Y )] = E[f (X)]E[g(Y )].

Corollaire 3.2.4. h
Soit (X, Y ) un couple aléatoire discret. Si X et Y sont indépendantes, alors cov(X, Y ) = 0. Atten-
tion, en général la réciproque est fausse.
Exemple 3.2.4. h
Voir le TD : Série 2 exercice 5 et 6.

10
 Variables aléatoires discrètes 11

3.2.4 Lois conditionnelles

Définition 3.2.9. h
Soit (X, Y ) un couple aléatoire discret. On appelle loi conditionnelle de X sachant Y , l’application
pX/Y de X(Ω) dans [0, 1] définie ∀(x, y) ∈ X(Ω) × Y (Ω) par :
P (X = x, Y = y)
PX/Y =y (x) = P (X = x/Y = y) = .
P (Y = y)
On définit de manière analogue la loi conditionnelle de Y sachant X.
Définition 3.2.10. h
On définit également la fonction de répartition conditionnelle de X sachant que Y = y, pour P (Y =
y) > 0 par :
FX/Y =y (x) = P (X ≤ x, Y = y),
de même, la fonction de répartition conditionnelle de Y sachant X = x, pour P (X = x) > 0 est
définie par :
FY /X=x (y) = P (Y ≤ y, X = x).
Exemple 3.2.5. h
La loi de probabilité conjointe d’un couple aléatoire (X, Y ) est donnée par :
P (X = 0, Y = 0) = 4, P (X = 0, Y = 1) = 2, P (X = 1, Y = 0) = 1, P (X = 1, Y = 1) = 3.
Trouver la loi conditionnelle de X lorsque Y = 1.

Solution :
Comme
P (Y = 1) = P (X = 0, Y = 1) + P (X = 1, Y = 1) = 5,

Ainsi
P (X = 0, Y = 1) 2
P (X = 0/Y = 1) = = ,
P (Y = 1) 5
et
P (X = 1, Y = 1) 3
P (X = 1/Y = 1) = = .
P (Y = 1) 5
On conclut que :

x 0 1
P (X = x|X = x) 2/5 3/5

Théorème 3.2.5. h
Soit (X, Y ) un couple aléatoire discret, alors ∀(x, y) ∈ X(Ω) × Y (Ω), on a la formule des probabi-
lités composées
 
 P (X = x)P (X = x/Y = y) si P (X = x) ̸= 0 
pX,Y (x, y) = P (Y = y)P (X = x/Y = y) si P (Y = y) ̸= 0
0 sinon
 

11
 Variables aléatoires discrètes 12

Corollaire 3.2.6. h
Soit (X, Y ) un couple aléatoire discret. Si X et Y sont indépendantes, on a ∀(x, y) ∈ X(Ω) × Y (Ω)

P (X = x/Y = y) = P (X = x),
P (Y = y/X = x) = P (Y = y).

Lorsque X et Y sont indépendantes, les lois conditionnelles et non conditionnelles sont iden-
tiques.

Remarque 3.2.1. h
Si X et Y sont deux variables aléatoires indépendantes, alors :

V ar(X + Y ) = V ar(X) + V ar(Y ).

12