U.S.T.H.B.

2020/2021
Faculté de Mathématiques L2 Math, Probabilités

Chapitre deux : Variables aléatoires réelles

Dénition 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 vérie :
X −1 (x) = {ω ∈ Ω/X(ω) = x} ∈ B

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

−1

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 dénie 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 dénie la même variable X que précédemment. alors :
−1
X (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.

Z. Guessoum ... ...

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| {z= x}) = P(X (x)) = P ({ω ∈ Ω/X(ω) = x}) .
−1

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
On vérie que P
x∈X(Ω)
.
P(X = x) = 1

Remarque 2. Lorsque X(Ω) est ni, alors on represente la loi de X par un tableau :
Pour l'exemple 1 : P(Xx= x ) 1 2 3 4 5 6
i

i
1 1 1 1 1 1

-10 10 20
6 6 6 6 6 6

Pour l'exemple 2 : x i
P(X = xi ) 1 1 1
6 2 3

Cas particuliers

Z. Guessoum ... ...

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 dénie par :

1 si ω ∈ A
(

0 si ω ∈
X(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

Dénition 2. : Soit X une V.A. sur (Ω, B, P). La fonction F dénie 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 = x ) =
i
1
6
∀i = 1, ..., 6. F (x) s'écrit alors :

si x < 1


 0

si 1 ≤ x < 2




 1

6


si 2 ≤ x < 3

1





3


si 3 ≤ x < 4


1
F (x) =
2
si 4 ≤ x < 5




 2
3


si 5 ≤ x < 6





 5
6

si x ≥ 6




1

Propriétés

Z. Guessoum ... ...

Page 3
 1. 0 ≤ F (x) ≤ 1 ∀x ∈ R
2. F est croissante
3. lim F (x) = 0 lim
x→−∞ x→+∞
F (x) = 1
Preuve

1. Par dénition F (x) = P(X ≤ x) donc F (x) ∈ [0, 1] ∀x ∈ R car une probabilité est toujours
comprise entre 0 et 1.
2. Soient x et y ∈ R tels que x ≤ y, alors
{ω ∈ Ω/X(ω) ≤ x} ⊆ {ω ∈ Ω/X(ω) ≤ y}
⇒ {X ≤ x} ⊆ {X ≤ y} ⇒ P(X ≤ x) ≤ P(X ≤ y)
⇒ F (x) ≤ F (y) ⇒ F est croissante.
3.
lim F (x) = lim P(X ≤ x) = P({ω ∈ Ω/X(ω) ≤ −∞}) = P(∅) = 0
x→−∞ x→−∞
lim F (x) = lim P(X ≤ x) = P({ω ∈ Ω/X(ω) ≤ +∞}) = P(Ω) = 1
Supposons que X(Ω) = {x , x , ..., x . On peut montrer que
x→+∞ x→+∞

Remarque 3. 1 2 i−1 , xi , ...}

P(X = xi ) = F (xi ) − F (xi−1 ).

En eet, X X
F (xi ) − F (xi−1 ) = P(X ≤ xi ) − P(X ≤ xi−1 ) = P(X = xj ) − P(X = xj )
xj ≤xi xj ≤xi−1
   
= P(X = x1 )+P(X = x2 )+...+P(X = xi ) − P(X = x1 )+P(X = x2 )+...+P(X = xi−1 ) = P(X = xi ).

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).

Z. Guessoum ... ...
Page 4
1.3 Espérance mathématique, Variance, Ecart-type

1. Espérance mathématique
Dénition 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 et si P est la probabilité uniforme, c'est-à-dire

 
Card X(Ω) = n
P(X = xi ) = 1
n
∀xi ∈ X(Ω) , alors
: la moyenne arithmétique.
n n
X 1 1X
E(X) = xi = = xn
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
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, voir section ??)
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.
Z. Guessoum ... ...
Page 5
 2. Variance
Dénition 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 x autour de leur espérance.

i

Remarque 4. 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) = a V ar(X)
2

(e) V ar(X) = E(X ) − (E(X))

2 2

Preuve
On utilise les propriétés de linéarité de l'espérance :
(a) Par dénition
(b) X
V ar(X) = 0 ⇔ (xi − E(X))2 P(X = xi ) = 0
xi ∈X(Ω)

⇔ (xi − E(X))2 P(X = xi ) = 0 ∀xi

xi − E(X) = 0 ( carP(X = x ) 6= 0) ⇔ x = E(X) = a
i i (∀i donc constant)
(c)
 2  2
V ar(X+a) = E (X+a)−E(X+a) = E X+a−E(X)−a = E[X−E(X)]2 = V ar(X)

(d)
 2  2
V ar(aX) = E aX − E(aX) = E a(X − E(X)) = a2 E[X − E(X)]2 = a2 V ar(X)

(e)
V ar(X) = E[X − E(X)]2 = E[X 2 − 2XE(X) + (E(X))2 ]
= E(X 2 ) − 2(E(X))2 + (E(X))2 = E(X 2 ) − (E(X))2

Z. Guessoum ... ...

Page 6
 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 .
Dénition 5. On appelle écart-type de X la quantité V ar(X).
p

Remarque 5. 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

Dénition 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 déni par :

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

Remarque 6.
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)

Z. Guessoum ... ...

Page 7
2 Variables Aléatoire absolument Continue
Soit (Ω, B , P) un espace de probabilité. On prendra dans cette section E = X(Ω) ⊆ R et B
la tribu des boréliens. Soit F la fonction de répartition de la variable X dénie pour x ∈ R par
R R

F (x) = P(X ≤ x),

Dénition 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 7. 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→+∞

Exemples :

Soit X une variable aléatoire de fonction de répartition :

1. (
0 si x < 0
F (x) =
1−e si x ≥ 0
−x

Cette fonction est continue sur R. D'autre part, lim = lim x

= 0 (dérivée à
F (x)−F (0) 0
x

gauche) et nous avons aussi lim = 1 (dérivée à droite). Donc F est

x→0− x→0−
F (x)−F (0) 1−e−x
= lim
continue et admet une dérivée à droite et une dérivée gauche. Par dénition, X est une
x→0+ x x→0+ x

variable aléatoire absolument continue.

2. 
0 si x < 1
1 − 1 si x ≥ 1
F (x) =
x
Cette fonction est continue sur R. On a lim x→1−
= 0. Nous avons aussi lim
F (x)−F (1)
x
=
x→1+
F (x)−F (1)
x

= 1. Donc F admet une dérivée à droite et une dérivée gauche. Par dénition, X
1− x1
lim
est une variable aléatoire absolument continue.
x→1+ x−1

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
Z. Guessoum ... ...
Page 8
 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

Dénition 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 dénie implicitement par :
Z x

F (x) = f (t)dt
−∞

Remarque 8. 1. la densité f est donc la dérivée de la fonction de répartition F .

2. On peut trouver des exemples, assez complexes, où F est continue et strictement croissante
mais n'admet pas de densité (voir Loi de Cantor), c'est-à-dire de cas où la loi est continue
mais pas absolument continue. Dans la pratique, les lois usuelles que nous rencontrerons
seront soit discrètes, soit dénies par une densité.
Propriétés :

1) f (x) ≥ 0 ∀x ∈ R
2) R f (x)dx = 1
+∞

−∞

3) P(X ∈ [a, b] = R f (x)dx

b

a
Preuve

1) Car f est la dérivée d'une fonction croissante au sens large.

Z. Guessoum ... ...
Page 9
 2) Par dénition, R f (t)dt = lim R f (t)dt = lim F (x) = 1
+∞ x

x→+∞ −∞ x→+∞

3) P(X ∈ [a, b]) = F (b) − F (a). D'après la dénition de la densité on a :

−∞

Zb Za Zb
F (b) − F (a) = f (x)dx − f (x)dx = f (x)dx
−∞ −∞ a

Remarque 9. 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 dénit une loi de probabilité.
Exemple Soit X la variable de densité de probabilité :
(
ae si x > 0
−2x
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 verie 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

(
si x > 0
2e−2x
f (x) =
0 si x ≤ 0
2) Par dénition de la densité de probabilité on a pour x ∈ R :

Zx
si x ≤ 0


0dt



Zx 

 −∞
F (x) = f (t)dt =
Z0 Zx
si x ≥ 0


−∞
0dt + 2e−2t dt






−∞ 0

D'où : (
0 si x ≤ 0
F (x) =
1 − e−2x si x ≥ 0
Z. Guessoum ... ...
Page 10
2.2 Moments d'une VAR absolument continue

Soit X une VAR absolument continue de densité de probabilité f

1. Espérance mathématique
Dénition 9. On appelle espérance mathématique de X , notée E(X), la quantité (si elle
existe) :
Z+∞
E(X) = xf (x)dx
−∞

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, B , P). Soit g : R → R une
fonction continue. Alors
R

Z +∞

E(g(X)) = g(x)f (x)dx

−∞

2. Variance
Dénition 10. La variance d'une VAR (si elle existe) est donnée par :
Z+∞
V ar(X) = (x − E(X))2 f (x)dx
−∞

Remarque 10. 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) = a V ar(X)
2

(d) V ar(X) = E(X ) − (E(X))

2 2

3. Moments non centrés et moment centrés

Z. Guessoum ... ...

Page 11
 Dénition 11. (a) On appelle moment non centré d'ordre r ∈ N d'une VAR, la quantité
∗

(si elle existe)

Z+∞
Mr (X) = E(X r ) = xr f (x)dx
−∞

(b) Le moment centré d'ordre r est déni par :

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

Remarque 11.
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)

Théorème de changement de variable Soit X une variable aléatoire absolument continue

sur (Ω, B , , P)) et de fonction densité f . Soit g une fonction continue, bijective (donc inversible)
et dérivable. Posons Y = g(X). Alors la fonction densité de Y est :
R X

si y ∈/ Y (Ω)


 0
f (y) = f (g (y))
si y ∈ Y (Ω)
Y −1
 X
0
g (g (y)) −1


Exemple
Soit X une variable aléatoire absolument continue, de fonction densité
1 si − 2 ≤ x ≤ 2


f (x) = 4

0 sinon
Soit la VAR Y = aX + b, a > 0. Expliciter Y (Ω) et donner la loi de Y .
Solution : X(Ω) = [−2, 2] ⇒ Y (Ω) = [−2a + b, 2a + b]. La fonction g(x)=ax+b est continue,
bijective et dérivable sur R donc d'après le théorème de changement de variable on a
1 si − 2a + b ≤ y ≤ 2a + b


f (y) = 4a
sinon
Y
0


Remarque 12. Même dans le cas où la fonction g n'est pas inversible, on peut parfois déterminer
la loi de Y = g(X). Considérons par exemple g(x) = x ; la fonction g n'est pas injective car
2

g(−x) = g(x) pour tout x ∈ R et cependant on peut déterminer la loi de la V.A. positive Y = X 2

en utilisant la fonction de répartition F . En eet, pour y ∈ R :

Z. Guessoum ... ...
Page 12
  Si y ≤ 0 on a F (y) = P(Y ≤ y) = P(X ≤ y) = 0 (événement impossible)
Y
2

 Si y > 0, F (y) = P(X ≤ y) = P(|X| ≤ √y) = P(−√y ≤ X ≤ √y) = F (√y)−F

2
X (−
√
y) .
Si X est absolument continue elle admet une densité f et la densité de Y sera donc :
Y X

X
√ √
si y > 0

f ( y) + f (−
X y) X
√

dF (y)  2 y
f (y) = =
si y ≤ 0
Y
dy 
 0

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 dénie 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 x , i ∈ N , la V.A. est dite discrète et sa loi est dénie par
∗

l'ensemble des couples (x , p ) avec p = P(X = x ).

i

i i∈N∗
Si l'ensemble des valeurs possibles de X est un sous-ensemble non dénombrable de R, la V.A. X est
i i i

dite continue. Dans le cas où sa f.r. F est dérivable, sa loi est dénie 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 :
Z+∞
E(X) =
X
xi p i 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
dénie 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.

Z. Guessoum ... ...

Page 13