U.S.T.H.B.

2023/2024
Faculté de Mathématiques BIG DATA ANALYTICS, CPSI

Chapitre 1 : Rappels de probabilité

Définition 1. Soit (Ω, B) un espace probabilisable. On appelle variable aléatoire réelle sur (Ω, B)
toute application X : Ω → E où E ⊆ R, et qui vérifie :

X −1 (x) = {ω ∈ Ω/X(ω) = x} ∈ B

(ce qui veut dire que X −1 (x) est un événement).

Remarque 1. Si E est dénombrable (par exemple E = N ou Z) on dira que X est une variable
aléatoire discrète (VAD), sinon on dira que X est une variable aléatoire continue.

Exemples :

1. Ω = {a, b, c, d}, B = P(Ω). Soit X l’application définie de Ω dans E telle que X(a) = X(d) =
1 et X(b) = X(c) = 0. Montrons que X est une VAD sur (Ω, B). Ici E = X(Ω) = {0, 1} et :

X −1 (0) = {ω ∈ Ω/X(ω) = 0} = {b, c} ∈ B

et
X −1 (1) = {ω ∈ Ω/X(ω) = 1} = {a, d} ∈ B.
Donc X est une V.A. sur (Ω, P(Ω)).
2. Ω = {a, b, c, d}, B = {∅, {a} , {b} , {c, d} , {a, b} , {a, c, d} , {b, c, d} , Ω}. B est une Algèbre sur
Ω (à montrer). On définie la même variable X que précédemment. alors :

X −1 (0) = {ω ∈ Ω/X(ω) = 0} = {b, c} ∈

/ B ⇒ X n’est pas une V.A.

1 Variables Aléatoire Discrète

On prendra dans cette section E = X(Ω) dénombrable.

... ...
Page 1
1.1 Loi de probabilité d’une VAD
Soit (Ω, B, P) un espace de probabilité. Soit X une VAD sur cet espace. La loi de probabilité
de X est telle que :

Pour x ∈ X(Ω), P(X = x}) = P(X −1 (x)) = P ({ω ∈ Ω/X(ω) = x}) .

| {z
notation

Exemples
1. On jette un dé bien éuilibré. Soit X la variable aléatoire égale au numéro de la face obtenue.
Donc X(Ω) = {1, 2, 3, 4, 5, 6} . La loi de X est donnée par :
1
P(X = 1) = P(X = 2) = P(X = 3) = P(X = 4) = P(X = 5) = P(X = 6) = .
6
2. On jette un dé et on joue de la façon suivante : On gagne 10 da si on obtient un nombre
pair, 20 da si on obtient "1"ou "3" et on perd 10 da si on obtient "5".
(a) On a Ω = {1, 2, 3, 4, 5, 6} , X(Ω) = {−10, 10, 20}, et B = P(Ω).

X −1 (−10) = {ω ∈ Ω/X(ω) = 10} = {5} ∈ B,

X −1 (10) = {ω ∈ Ω/X(ω) = −10} = {2, 4, 6} ∈ B

X −1 (20) = {ω ∈ Ω/X(ω) = 20} = {1, 3} ∈ B
On en déduit que X est une variable aléatoire. Elle est discrète car X(Ω) ⊂ Z.
(b) La loi de probabilité de X est donnée par :
1
P(X = −10) = P ({5}) =
6
3 1
P(X = 10) = P ({2, 4, 6}) =
=
6 2
2 1
P(X = 20) = P ({1, 3}) = =
6 3
P
On vérifie que P(X = x) = 1.
x∈X(Ω)

Remarque 2. Lorsque X(Ω) est fini, alors on represente la loi de X par un tableau :
xi 1 2 3 4 5 6
Pour l’exemple 1 :
P(X = xi ) 16 16 16 16 16 16
xi -10 10 20
Pour l’exemple 2 :
P(X = xi ) 16 1
2
1
3

Cas particuliers

... ...
Page 2
 1. Variable certaine : c’est une variable qui est constante c’est-à-dire qui prend une valeur a
connue quelquesoit le résultat de l’expérience. On a donc :

P(X = a) = P(ω ∈ Ω/X(ω) = a) = P(Ω) = 1.

2. Variable indicatrice : Soit A ∈ B. la variable indicatrice de A est définie par :

(
1 si ω ∈ A
X(ω) =
0 si ω ∈ /A

Sa loi est donnée par :

P(X = 1) = P(ω ∈ A) = P(A),

P(X = 0) = P(ω ∈
/ A) = P(A) = 1 − P(A).
Notation : X = IA .

1.2 Fonction de répartition

Définition 2. : Soit X une V.A. sur (Ω, B, P). La fonction F définie de R → [0, 1] par

F (x) = P(X ≤ x) = P({ω ∈ Ω/X(ω) ≤ x})

est appelée fonction de répartition de X.

Comme X est une VAD, alors la fonction F s’écrit :

X
F (x) = P(X = xi ).
xi ≤x

Exemple : On jette un dé et on considère la V. A. X égale au numéro de la face obtenue.

X(Ω) = {1, 2, 3, 4, 5, 6} et P(X = xi ) = 61 ∀i = 1, ..., 6. F (x) s’écrit alors :



 0 si x < 1


 1

 si 1 ≤ x < 2
6



1


si 2 ≤ x < 3



3



1
F (x) = si 3 ≤ x < 4

 2

 2
si 4 ≤ x < 5


3





 5

 si 5 ≤ x < 6
6





1 si x ≥ 6

Propriétés

... ...
Page 3
 1. 0 ≤ F (x) ≤ 1 ∀x ∈ R
2. F est croissante
3. lim F (x) = 0 lim F (x) = 1
x→−∞ x→+∞
Probabilité sur un intervalle : Soient a et b deux réels tels que a < b

1. P(X ∈ [a, b]) = P(a ≤ X ≤ b) = P(X ≤ b) − P(X < a) = F (b) − F (a) + P(X = a)
2. P(X ∈ [a, b[) = P(a ≤ X < b) = P(X < b)−P(X < a) = F (b)−F (a)−P(X = b)+P(X = a)
3. P(X ∈]a, b]) = P(a < X ≤ b) = P(X ≤ b) − P(X ≤ a) = F (b) − F (a)
4. P(X ∈]a, b[) = P(a < X < b) = P(X < b) − P(X ≤ a) = F (b) − F (a) − P(X = b)
Preuve : On démontre le premier, les autres se font de la même manière
   
P(a ≤ X ≤ b) = P (X ≤ b) ∩ (X ≥ a) = P (X ≤ b) ∩ (X < a)
 
P(A ∩ B) = P(A) − P(A ∩ B) = P(X ≤ b) − P (X ≤ b) ∩ (X < a)

or a < b  
⇒ P (X ≤ b) ∩ (X < a) = P(X < a)

d’où P(a ≤ X ≤ b) = P(X ≤ b) − P(X < a) = F (b) − F (a) + P(X = a).

1.3 Espérance mathématique, Variance, Ecart-type

1. Espérance mathématique

Définition 3. On appelle espérance mathématique de X, notée E(X), la quantité (si elle

existe) : X
E(X) = xi P(X = xi )
xi ∈X(Ω)
 
En particulier : Pour Card X(Ω) = n et si P est la probabilité uniforme, c’est-à-dire
1
P(X = xi ) = n
∀xi ∈ X(Ω), alors
n n
X 1 1X
E(X) = xi = = xn : la moyenne arithmétique.
i=1
n n i=1

Exemple : On reprend l’exemple sur le jeu avec le dé. On jette un dé et on joue de la façon
suivante : On gagne 10 da si on obtient un nombre pair, 20 da si on obtient "1"ou "3" et on
perd 10 da si on obtient "5". On a vu que
1 1 1
P(X = −10) = P(X = 10) = P(X = 20) =
6 2 3
... ...
Page 4
 Alors
X 1 1 1
E(X) = xi P(X = xi ) = (−10) × + 10 × + 20 ×
6 2 3
xi ∈X(Ω)

−10 + 30 + 40
= = 10
6
ceci veut dire que l’espérance moyen du gain est égal à 10.
Propriétés de l’espérance : (Linéarité)

(a) E(a) = a pour toute constante a ∈ R

(b) E(X + a) = E(X) + a
(c) E(aX) = aE(X)
(d) E(X + Y ) = E(X) + E(Y ) (Y est une autre variable aléatoire)
Théorème 1 (Théorème de transfert). Soit X une VAD sur (Ω, B, P). Soit g : R → R
une fonction continue. Alors
X
E(g(X)) = g(xi )P(X = xi )
xi ∈X(Ω)

Ceci veut dire qu’on n’a pas besoin de calculer la loi de probabilité de g(X) pour calculer
son espérance.
2. Variance

Définition 4. La variance d’une VAD (si elle existe) est donnée par :
X
V ar(X) = (xi − E(X))2 P(X = xi )
xi ∈X(Ω)

Cette quantité mesure la dispersion des valeurs xi autour de leur espérance.

Remarque 3. D’après le théorème de transfert, on peut écrire V ar(X) = E[X − E(X)]2
Propriétés de la variance

(a) V ar(X) ≥ 0
(b) V ar(X) = 0 ⇔ X = E(X) = a
(c) V ar(X + a) = V ar(X) (invariance par translation)
(d) V ar(aX) = a2 V ar(X)
(e) V ar(X) = E(X 2 ) − (E(X))2

... ...
Page 5
 xi 2 4 6 yi -4 3 33
1 1 1 1 1 1
P(X = xi ) 4 4 2
P(Y = yi ) 2 3 6

Exemple : Soient X et Y deux VAD de lois données par :

1 1 1 9
E(X) = 2 × +4× +6× =
4 4 2 2
1 1 1 9
E(Y ) = (−4) × + 3 × + 33 × =
2 3 6 2
Ces deux variables ont la même espérance. Calculons leurs variances :
1 1 1
E(X 2 ) = 22 × + 42 × + 62 × = 23
4 4 2
1 1 1 385
E(Y 2 ) = (−4)2 ×
+ 32 × + 332 × =
2 3 6 2
9 11
⇒ V ar(X) = E(X 2 ) − (E(X))2 = 23 − ( )2 =
2 4
et
385 9 689
⇒ V ar(Y ) = E(Y 2 ) − (E(Y ))2 = − ( )2 =
2 2 4
Ce qui veut dire que Y est beaucoup plus dispersé autour de sa moyenne que ne l’est X.
p
Définition 5. On appelle écart-type de X la quantité V ar(X).
Remarque 4. L’espérance, la variance et l’écart-type sont les principales caractéristiques
d’une Variable Aléatoire X.

1.4 Moments non centrés et moment centrés

Définition 6. (a) On appelle moment non centré d’ordre r ∈ N∗ d’une VAD, la quantité
(si elle existe) X
Mr (X) = E(X r ) = xri P(X = xi )
xi ∈X(Ω)

(b) Le moment centré d’ordre r est défini par :

 r X
µr (X) = E X − E(X) = (xi − E(X))r P(X = xi )
xi ∈X(Ω)

Remarque 5.
M1 (X) = E(X)
V ar(X) = E(X 2 ) − (E(X))2 = M2 (X) − M12 (X)
µ1 (X) = 0, µ2 (X) = V ar(X)

... ...
Page 6
2 Variables Aléatoire absolument Continue
Soit (Ω, BR , P) un espace de probabilité. On prendra dans cette section E = X(Ω) ⊆ R et BR
la tribu des boréliens. Soit F la fonction de répartition de la variable X définie pour x ∈ R par
F (x) = P(X ≤ x),

Définition 7. On dit qu’une variable aléatoire est absolument continue, si sa fonction de réparti-
tion F (x) est continue, admet une dérivée à droite et une dérivée à gauche.

Remarque 6. La fonction de répartition F d’une variable aléatoire absolument continue a les

mêmes propriétés que celle d’une variable aléatoire discrète, à savoir :
1. 0 ≤ F (x) ≤ 1 ∀x ∈ R
2. F est croissante
3. lim F (x) = 0 lim F (x) = 1
x→−∞ x→+∞

Théorème 2. Soit X une variable aléatoire réelle (VAR) absolument continue. Alors
1. P(X = x) = 0
2. P(X ∈ [a, b]) = P(X ∈ ]a , b ]) = P(X ∈ [ a, b [) = P(X ∈ ]a, b[) = F (b) − F (a)

Preuve
D’après les résultats établis dans la partie précédente (Variable Aléatoire Discrète), on a
1. P(X = x) = F (x) − F (x− ) = F (x) − F (x) = 0 car F est absolument continue.
2. P(X ∈ [a, b]) = F (b) − F (a) + P(X = a) = F (b) − F (a) d’après (a). Idem pour les autres.

2.1 Densité de Probabilité

Définition 8. Soit X une variable aléatoire absolument continue, de fonction de répartition F .
On appelle fonction densité de probabilité la fonction dérivée de la fonction de répartition, notée
f et définie implicitement par :
Zx
F (x) = f (t)dt
−∞

Propriétés :

1) f (x) ≥ 0 ∀x ∈ R
+∞
R
2) f (x)dx = 1
−∞
Rb
3) P(X ∈ [a, b]) = f (x)dx
a

Remarque 7. Les propriétés 1) et 2) sont caractéristiques d’une densité de probabilité, c’est-à-dire

que toute fonction positive et intégrable à 1 sur R définit une loi de probabilité.

... ...
Page 7
Exemple Soit X la variable de densité de probabilité :
( −2x
ae si x > 0
f (x) =
0 si x ≤ 0

1) Déterminer la constante a.
2) Déterminer la fonction de répartition de X.
Solution
1) Comme f est une densité de probabilité alors elle verifie les propriétés 1) et 2) des variables
absolument continues. La propriété 1) c’est-à-dire f (x) ≥ 0 implique a ≥ 0. De plus et
d’après la propriété 2) :
Z+∞ Z0 Z+∞
f (x)dx = 0dx + ae−2x dx = 1 ⇒ a = 2
−∞ −∞ 0

La densité de X est donc donnée par

(
2e−2x si x > 0
f (x) =
0 si x ≤ 0

2) Par définition de la densité de probabilité on a pour x ∈ R :


 Zx

0dt si x ≤ 0



Zx 

 −∞
F (x) = f (t)dt = 0 x

 Z Z
−∞
0dt + 2e−2t dt si x ≥ 0






−∞ 0

D’où : (
0 si x ≤ 0
F (x) =
1 − e−2x si x ≥ 0

2.2 Moments d’une VAR absolument continue

Soit X une VAR absolument continue de densité de probabilité f
1. Espérance mathématique

Définition 9. On appelle espérance mathématique de X, notée E(X), la quantité (si elle

existe) :
Z+∞
E(X) = xf (x)dx
−∞

... ...
Page 8
 Propriétés de l’espérance : identique à celle d’une VAD

(a) E(a) = a pour toute constante a ∈ R

(b) E(X + a) = E(X) + a
(c) E(aX) = aE(X)
(d) E(X + Y ) = E(X) + E(Y ) (Y est une autre variable aléatoire)
Théorème 3 (Théorème de transfert). Soit X une VAR sur (Ω, BR , P). Soit g : R → R une
fonction continue. Alors
Z+∞
E(g(X)) = g(x)f (x)dx
−∞

2. Variance

Définition 10. La variance d’une VAR (si elle existe) est donnée par :

Z+∞
V ar(X) = (x − E(X))2 f (x)dx
−∞

Remarque 8. D’après le théorème de transfert, on peut écrire V ar(X) = E[X − E(X)]2

Propriétés de la variance : identiques à celle d’une VAD

(a) V ar(X) ≥ 0
(b) V ar(X + a) = V ar(X) (invariance par translation)
(c) V ar(aX) = a2 V ar(X)
(d) V ar(X) = E(X 2 ) − (E(X))2
3. Moments non centrés et moment centrés
Définition 11. (a) On appelle moment non centré d’ordre r ∈ N∗ d’une VAR, la quantité
(si elle existe)
Z+∞
r
Mr (X) = E(X ) = xr f (x)dx
−∞

(b) Le moment centré d’ordre r est défini par :

 r Z+∞
µr (X) = E X − E(X) = (x − E(X))r f (x)dx
−∞

... ...
Page 9
 Remarque 9.
M1 (X) = E(X)
V ar(X) = E(X 2 ) − (E(X))2 = M2 (X) − M12 (X)
µ1 (X) = 0, µ2 (X) = V ar(X)

RÉSUMÉ
Une variable aléatoire (V.A.) X est une application qui à un événement fait correspondre un
nombre.
La loi de probabilité d’une V.A. peut toujours être définie par sa fonction de répartition (f.r.) F ,
où F (x) représente la probabilité de toutes les valeurs inférieures ou égales au réel x.
Si l’ensemble des valeurs possibles de X est dénombrable, i.e. s’il existe une bijection permettant
de le représenter par l’ensemble des xi , i ∈ N∗ , la V.A. est dite discrète et sa loi est définie par
l’ensemble des couples (xi , pi )i∈N∗ avec pi = P(X = xi ).
Si l’ensemble des valeurs possibles de X est un sous-ensemble non dénombrable de R, la V.A. X est
dite continue. Dans le cas où sa f.r. F est dérivable, sa loi est définie par sa densité de probabilité
f qui est la fonction dérivée de F : f = F 0 .
Les deux principales caractéristiques d’une distribution de probabilité sont :
– l’espérance mathématique E(X) qui est une caractéristique de valeur centrale :

X Z+∞
E(X) = xi pi ou E(X) = xf (x)dx
i∈N∗ −∞

– la variance V ar(X) qui est une caractéristique de dispersion autour du centre E(X) :
 2  2
2
V ar(X) = E X − E(X) = E(X ) − E(X)

Pour déterminer la loi de probabilité de la V.A. Y = g(X), même dans le cas où la loi de X est
définie par sa densité, il est presque toujours préférable de déterminer au préalable sa fonction de
répartition, et éventuellement de dériver ensuite pour obtenir la densité.

... ...
Page 10