Variables aléatoires

3
3.1 Généralité des variables aléatoires
3.1.1 Définitions
Définition 3.1
On appelle variable aléatoire (v.a) à valeurs dans Rn , la fonction mesurable X = X(w) = {X1 (w); X2 (w); ...; Xn (w)}
définie sur l’espace Ω de l’espace probabilisé (Ω, C, P ) et à valeurs dans un espace dit d’état E de Rn

De cette définition, on tire :

Définition 3.2
Soit B un ensemble de l’espace d’état et soit PX la mesure associée à la v.a X. On appelle loi de Probabilité
de X ou distribution de probabilité de X, la mesure PX , image par X de la Probabilité P définie sur (Ω, C) et
vérifiant
PX (B) = P (X −1 (B)) = P (X ∈ B) (3.1)

3.1.2 Loi de probabilité d’une variable aléatoire

Définition 3.3
La loi de probabilité de la variable aléatoire X est la fonction f qui a chaque valeur associe sa probabilité.

Remarque 3.1
En général, on présente la loi d’une variable aléatoire X sous la forme d’un tableau, qui récapitule les valeurs
prises par X ainsi que les probabilités associées.

Dans tout le reste du chapitre, on considèrera la variable aléatoire discrète de loi :

Valeurs de X : xi x1 x2 x3 ... xn
Probabilité : p(X = xi ) p1 p2 p3 ... pn

3.1.3 Fonction de répartition

Définition 3.4
Soit X une variable aléatoire, on appelle fonction de répartition de X la fonction définie sur R par

F (x) = P ({w ∈ Ω/X(w) ≤ x}) = P (X ≤ x) (3.2)

Propriété 3.1
La définition nous permet d’écrire :
1. F (x) = P (X ∈] − ∞; x]).
2. P (a ≤ X ≤ b) = P (X ≤ b) − P (X ≤ a) = F (b) − F (a).
3. P (X > b) = P (X ≤ b) = 1 − F (b).

16
3.1.4 Espérance mathématique et écart-type

3.1.4 Espérance mathématique et écart-type

L’espérance d’une variable aléatoire E(X) correspond à la moyenne des valeurs possibles de X pondérées
par les probabilités associées à ces valeurs. C’est un paramètre de position qui correspond au moment d’ordre
1 de la variable aléatoire X. C’est l’équivalent de la moyenne
Définition 3.5
Soit X = (X1 (ω); X2 (ω); ...; Xn (ω)) prenant les valeurs xi dans l’espace de probabilité (Ω; C; P ). On appelle
espérance mathématique de X le réel
n
X R
E(X) = xi P (Xi ) ou E(X) = Ω
X(ω)P d(ω) (3.3)
i=1

La variance d’une variable aléatoire V (X) est l’espérance mathématique du carré de l’écart à l’espérance
mathématique. C’est un paramètre de dispersion qui correspond au moment centré d’ordre 2 de la variable
aléatoire X.
Définition 3.6
Soit X = (X1 (ω); X2 (ω); ...; Xn (ω)) prenant les valeurs xi dans l’espace de probabilité (Ω; C; P ).
1. On appelle variance de X le réel positif
n
X
(xi − E(X))2 P (Xi )
R
V (X) = ou E(X) = Ω
(X(ω) − E(X))2 P d(ω) (3.4)
i=1

p
2. L’écart-type σX est la racine carrée de la variance. σX = V (X)

Propriété 3.2
Soit X une variable aléatoire admettant une espérance et une variance, alors pour tous a; b ∈ R, la variable
aléatoire aX + b admet une espérance, une variance et un écart-type définis par :
– E(aX + b) = aE(X) + b.
– V (aX + b) = a2 V (X).
– σ(aX + b) = |a|σ(X).

3.1.5 Inégalité de Bienaymé Tchebychev

Elle est contribue grandement à resoudre une certain nombre de préocupation en probabilité notamment
dan les convergence fonctionnelle et stochastiques.
Théorème 3.1
Soit X une variable aléatoire réelle (v.a.r) admettant une espérance E(X) et une variance V (X) alors ∀ ≥
0,l’inégalité de Bienaymé Tchebychev est donnée par :

V (X)
P (|X − E(X)| > ) ≤ (3.5)
2

3.1.6 Fonction caractéristique-Fonction génératrice

3.1.6.1 Fonction caractéristique
Définition 3.7
La fonction caractéristique d.une v.a X (si elle existe) est la fonction notée souvent ψX (t) et définie de R dans
R par :
ψX (t) = E(exp(itX))

On vérifie les propriétés suivantes :

Propriété 3.3

(k)
ψX (0) = ik E(X k )
ψaX+b (t) = ψX (at)eitb
P∞ k k
ψX (t) = k=0 i E(Xk!
) k
t

17 Dr F.BERE ?? UVBF? 2021 − 2022

3.2. VARIABLES ALÉATOIRES DISCRÈTES

3.1.6.2 Fonction génératrice

Définition 3.8

1. La fonction génératrice des moments d’une v.a X (si elle existe) est la fonction notée souvent GX et
définie de ] − 1; 1[ dans R par :
GX (u) = E(exp(uX))

2. Si X est une variable aléatoire discrète on défini la fonction génératrice par

φX (u) = E(uX )

On vérifie les propriétés suivantes :

Propriété 3.4

φ0X (1) = E(X)

φ00X (1) + φ0X (1) − [φ0X (1)]2

3.2 Variables aléatoires discrètes

3.2.1 Définition
Définition 3.9
Une grandeur numérique X prenant, lors d’une expérience aléatoire, des valeurs x1 , x2 , ..., xn avec des probabi-
lités p1 , p2 , ..., pn est une variable aléatoire discrète.
Exemple 3.2.1
Un jeu de hasard consiste à lancer un dé équilibré à 6 faces. Le lanceur gagne la somme double de la valeur de
la face obtenue si celle-ci est paire, sinon, il perd le double de la valeur indiquée par le dé.
On appelle X le gain, positif ou négatif, du joueur après un lancer.
1. Quel est l’ensemble des issues possibles Ω =,
2. Soit X la variable aléatoire liée aux évènements. Quelles sont les valeurs prises par X

3.2.2 Exemple de lois discrètes

3.2.2.1 Loi de Bernoulli
Une v.a X est de Bernoulli de paramètre p et on note X ∼ B(1, p) si X = {0; 1} et

p si xi = 1
P (X = xi ) = (3.6)
1 − p = q si xi = 0
On démontre que E(X) = p et V (X) = pq

3.2.2.2 Loi Binomiale

Cette loi est décrite par n épreuve de Bernoulli. Une v.a X suit la loi binomiale de paramètre n, p et on
note X ∼ B(n, p) si
P (X = k) = Cnk pk q n−k (3.7)
k
X
On note que F (k) = P (X = i) puis E(X) = np et V (X) = npq
i=0

3.2.2.3 Loi Géométrique

Cette loi modélise la réalisation du premier succès à cours de plusieurs épreuves. C’est la loi d’attente de
la première réalisation du succès dans un processus sans mémoire avec la probabilité p. Ainsi, le caractère
aléatoire n’est pas le nombre de succès, mais le nombre d’épreuves. X est le nombre d’épreuve nécessaire au
premier succès. Il suit une loi géométrique de paramètre p et on note X ∼ Geom(p) si
P (X = n) = p(1 − p)n−1 (3.8)
1 q
on démontre que E(X) = p et V (X) = p2

18 Dr F.BERE ?? UVBF? 2021 − 2022

3.3. VARIABLES ALÉATOIRES CONTINUES

3.2.2.4 Loi binomiale négative ou loi de Pascal

C’est une généralisation de la loi géométrique. Considérons un schéma de Bernoulli de probabilité p.
Le nombre d’épreuves pour obtenir r succès est une variable aléatoire X.
On définit la v. a. X comme étant le nombre d’épreuves nécessaires à r succès. On dit que X suit la loi de
Pascal de paramètres r et p. La loi de probabilité de N B(r, p) est donnée par :
r−1 r x−r
P (X = x) = Cx−1 p q x≥r

Ainsi
r rq
E(X) = ; V (X) =
p p2

3.2.2.5 Loi Hypergéométrique

Définition 3.10
On considère une population de taille N dont N1 individus exactement présentent un certain caractère A. On
prélève sans remise un échantillon de n individus. Soit X la v. a. du nombre d’individus présentant le caractère
A dans l’échantillon.
X suit une loi hypergéométrique H(N, n, p = NN1 ). Sa probabilité est donnée par
x n−x
CN CN −N1
P (X = x) = n ; max(0, n − (N − N1 )) ≤ k ≤ min(n; N1 )
CN

Les caractéristiques sont :

N −n
E(X) = np; V (X) = npq
N −1

3.2.2.6 Loi de Poisson

X suit la loi de Poisson de paramètre λ > 0 si

λk
P (X = k) = e−λ ; k = 0, 1, 2, ... (3.9)
k!
On a E(X) = λ et V (X) = λ
Remarque 3.2
La loi Binomiale peut être approchée par la loi de Poisson si n est assez grand et p petit. Dans la pratique, cette
approximation est possible si n ≥ 30 et p ≤ 0, 1.
On montre aussi qu’en considérant une suite (Xn ) de v. a. telle que Xn ∼ B(n, p) alors Xn converge en loi vers
une v. a. discrète X qui suit une loi de Poisson P(np)

3.3 Variables aléatoires continues

3.3.1 Notions et définition
Définition 3.11
Une variable aléatoire continue est une variable qui prend ses valeurs dans un intervalle de R.

Exemple 3.3.1
Exemple de variables aléatoires qui ne sont pas discrètes :
– Variable T correspondant à la taille d’un élève,
– Variable L correspondant à longueur d’un train,
– Variable A correspondant au temps d’attente à une caisse . . .

Remarque 3.3
On admet que pour une variable aléatoire continue, pour tout a ∈ R : P (X = a) = 0. On a donc :
– P (a < X < b) = P (a < X ≤ b) = P (a ≤ X < b) = P (a ≤ X ≤ b),
– P (a < X) = P (a ≤ X < b),
– P (X > b) = P (X ≥ b).

19 Dr F.BERE ?? UVBF? 2021 − 2022

3.3.2 Lois usuelles

Propriété 3.5
La fonction de répartition F d’une variable aléatoire continue X a les propriétés suivantes :
– F est une fonction croissante, définie et continue sur R.
– Pour tout x ∈ R, 0 ≤ F (x) ≤ 1.
– lim F (x) = 0 et lim F (x) = 1.
x→−∞ x→+∞

De la notion de fonction de répartition, on déduit la notion de densité comme suit :

Définition 3.12
Soit F la fonction de répartition d’une v.a X. Si F est dérivable, la fonction f dérivée de F est appelée densité
de probabilité de X et pour tout x de R, F 0 (x) = f (x).

Ainsi, une fonction f est une densité de probabilité sur I ⊂ R si et seulement si :

– f est positive sur I
– fZ est continue sur I sauf en un nombre fini de points de I
+∞
– f (x)dx = 1.
−∞
Conséquences :
Z b
– P (a ≤ X ≤ b) = F (b) − F (a) = f (x)dx.
a Z a Z a
– P (X ≤ a) = F (a) = lim [F (a) − F (x)] = lim f (t)dt = f (t)dt.
x→∞ x→∞ x notation −∞

3.3.2 Lois usuelles

Considérons X une variable aléatoire réelle de réalisation x et f sa densité de probabilité.

3.3.2.1 Loi Uniforme

La principale caractéristique de la loi uniforme continue est que la probabilité d’être dans un intervalle
dépend uniquement de la largeur de cet intervalle et non de la position de l’intervalle dans le domaine de
définition. La valeur de la variable de la loi uniforme a une chance égale de se produire dans l’intervalle.
X suit une loi uniforme sur l’intervalle [a; b] et on note X ∼ U[a;b] si sa fonction de densité est donnée par :
1

b−a si x ∈ [a; b]
f (x) = (3.10)
0 si non

a+b (a−b)2
On montre ainsi que E(X) = 2 et V (X) = 12

3.3.2.2 Loi exponentielle

C’est la loi des files d’attente. Elle modélise le temps inter-arrivés à un poste. X suit une loi exponentielle
de paramètre λ et on note X ∼ exp(λ) si

f (x) = λe−λx si x ≥ 0 et f (x) = 0 si x < 0 (3.11)

1 1
On définit E(X) = λ et V (X) = λ2

3.3.3 La loi Gamma

Une v.a X suit une loi Gamma de paramètrs α ∈ N et θ > 0, et on note X ∼ Γ(θ, α) si sa fonction densité
de probabilité est
θα α−1 −θx
f (x) = x e , x>0
Γ(α)
Z +∞
la fonction Γ est l’intégrale définie par Γ(α) = e−x xα−1 dx.
0
α α
On déduit que E(X) = θ et V (X) = θ2

20 Dr F.BERE ?? UVBF? 2021 − 2022

3.4. COUPLE DE VARIABLES ALÉATOIRES

3.3.3.1 Loi normale

On parle de loi normale lorsque l’on a affaire à une v.a continue dépendant d’un grand nombre de causes
indépendantes dont les effets s’additionnent.
Définition 3.13
On appelle loi Normale de paramètres m ∈ R et σ > 0 la loi d’une variable aléatoire continue X prenant
toutes les valeurs réelles, de densité de probabilité la fonction définie pour tout x ∈ R par
1 1 x−m 2
f (x) = √ e− 2 ( σ ) (3.12)
σ 2π
On note X N (m; σ).
Propriété 3.6
On admet que si X est une variable aléatoire suivant la loi normale N (m; σ) alors

E(X) = m; σ(X) = σ

Ainsi les paramètres d’une loi normale sont en fait son espérance mathématique et son écart-type.
Propriété 3.7
X −m
Si une variable aléatoire X suit la loi normale N (m; σ), alors la variable aléatoire T = suit la loi
σ
normale centrée réduite ou loi normale standard N (0; 1). En particulier, on a E(T ) = 0 et σ(T ) = 1.
2
La fonction de densité de T est f (x) = √12π exp − x2 et sa fonction de répartition est notée généralement φ
définie par Z x
1 t2
φ(x) = √ exp − dt
2π −∞ 2
On vérifie que φ(−t) = 1 − φ(t) et que φ(0) = 0, 5

Remarque 3.4
√
– On peut approcher la loi binomiale par la loi normale N (np; npq) à la condition que : n ≥ 30 et np ≥ 15
q
−n
– On peut approcher la loi hypergéométrique par une loi normale N (np; npq N N −1 ) si n ≤ 0, 1M ; n ≥
N −M M
9× M et n ≥ 9 × N −M

3.4 Couple de Variables aléatoires

3.4.1 Couple de variables aléatoires discrètes
Une variable aléatoire à deux dimensions est un couple (X, Y ) (où X et Y sont des v.a unidimensionnelles
de l’espace (Ω, C, P )) qui à chaque ω ∈ Ω on associe le couple (X(ω), Y (ω)). Si X et Y sont des v.a.r discrètes
alors (X, Y ) est un couple de v.a discrètes.
Dans la suite de cette partie, nous nous limiterons aux couples de v.a discrètes.

3.4.1.1 Loi conjointe

Soient X, Y deux v.a discrètes définies sur (Ω, C, P ) et prenant respectivement les valeurs xi (i = 1, ...k) et
yj (j = 1, ...s).
A chaque (X, Y ) prenant la valeur (xi , yj ) on associe la probabilité

Pij = P (X = xi , Y = yj ) = P ({ω : X(ω) = xi } ∩ {ω : Y (ω) = yj })

Il en resulte donc la définition :

Définition 3.14
On appelle loi du couple (X,Y) ou loi conjointe de (X, Y ), les k × s probabilités P (X = xi , Y = yj )

On vérifie que :
– P ({X = xi }, Ω) = P (X = xi ) P
s
– P ({X = xi }, ∪sj=1 {Y = yj }) = j=1 P ({X = xi } ∩ {Y = yj })

21 Dr F.BERE ?? UVBF? 2021 − 2022

3.4.2 Couple de variables alétoires continues

Définition 3.15
Soit (X, Y ) un couple de v.a discrètes de loi Pij . On appelle lois marginales de X et de Y , les probabilités
respectives
Xs Xk
P (X = xi ) = Pij = Pi. et P (Y = yi ) = Pij = P.j (3.13)
j=1 i=1

Remarque
Pk Ps 3.5
i=1 j=1 Pij = 1

3.4.1.2 Somme et Produit de deux variables aléatoires

Soient X, Y des v.a discrètes définies sur Ω telles que X = (xi )i≥1 et Y = (yj )j≥1 . Soient X + Y =
((xi + yj )i≥1j≥1 ) et XY = (xi yj )i≥1j≥1 alors
X k
X
1. X + Y est une v.a et P (X + Y = s) = P (X = xi ; Y = yj ) = P (X = i; Y = k − i).
xi +yj =s i=0
P P
On démontre aussi que E(X + Y ) = i≥1 j≥1 (xi+ yj )P (X = xi ; Y = yj ) = E(X) + E(Y )
X P P
2. XY est une v.a et P (XY = p) = P (X = xi ; Y = yj ) et E(XY ) = i≥1 j≥1 (xi × yj )P (X =
xi ×yj =p
xi ; Y = yj )

3.4.2 Couple de variables alétoires continues

3.4.2.1 Vecteur aléatoire continue
Soit (Ω, T ) un espace probabilisé.
Définition 3.16

1. On appelle vecteur aléatoire de dimension n, un n-uplet X = (X1 , ..., Xn ) où chaque Xi est une variable
aléatoire (v.a) continue.
2. Une fonction f : Rn −→ [0; +∞[ est dite fonction densité du vecteur X ou fonction densité conjointe des
X1 , ..., Xn si elle vérifie :
Z
(a) f (x1 , ...xn )dx1 ...dxn = 1 (exhaustivité)
Rn
Z x1 Z xn
(b) P (X1 ≤ x1 , ..., Xn ≤ xn ) = ... f (x1 , ...xn )dx1 ...dxn ∀xi ∈ R, i = 1, ..., n
−∞ −∞

Si, à un événement aléatoire, sont attachés deux variables X et Y , ces deux variables définissent un couple de
v.a. La loi de probabilité d’un tel couple peut être définie par aa fonction de répartition.

3.4.2.2 Fonction de répartition d’un couple de v.a continues

Soit (X, Y ) un couple de v.a continu défini sur un espace de probabilité.
Définition 3.17
La fonction de répartition de (X, Y ) est une application F définie de R2 dans [0; 1] telle que pour tout (x; y)
dans R2 ; F (x; y) = P (X ≤ x; Y ≤ y).

Ainsi
Propriété 3.8
La fonction de répartition d.un couple aléatoire continu vérifie :
– 0 ≤ F (x, y) ≤ 1, ∀(x, y) ∈ R2

– F est continue (sauf peut-être en un nombre fini de points où elle est continue à droite) et possède une
dérivée partielle d’ordre 2.
– limx−→−∞ F (x, y) = 0 et limy−→−∞ F (x, y) = 0
– limx−→+∞ [limy−→+∞ F (x, y) = 1] et limy−→+∞ [limx−→+∞ F (x, y) = 1]
On défini donc

22 Dr F.BERE ?? UVBF? 2021 − 2022

3.4.2 Couple de variables alétoires continues

Définition 3.18
Soit F la fonction de répartition du couple de v.a (X, Y ).
On appelle fonction de répartition marginale de X (resp. de Y ) la limite donnée par FX (x) = lim F (x, y)
y−→+∞
(resp. FY (y) = lim F (x, y))
x−→+∞

3.4.2.3 Fonction densité d’un couple de v.a continues

Soit F la fonction de répartition d.un couple aléatoire continu (X, Y ).
Définition 3.19
On appelle fonction densité de probabilité ou densité conjointe f de X et de Y , la fonction correspondant à la
∂2F
dérivée d’ordre 2 de F. On a f (x, y) = (x, y)
∂x∂y
La fonction densité f ainsi définie a les propriétés suivantes :

Propriété 3.9

1. f (x, y) ≥ 0 ∀x, y ∈ R
Z +∞  Z +∞  Z +∞  Z +∞ 
2. f (x, y)dx dy = f (x, y)dy dx = 1
−∞ −∞ −∞ −∞
Z x Z y
3. F (x, y) = f (t, z)dtdz = P (X ≤ x, Y ≤ y) ∀x, y ∈ R
−∞ −∞

NB :une densité conjointe peut-être discontinue, voire même infinie en certains points.

Exemple 3.4.1  2
k(1 − x)y 3 e−y si (x, y) ∈ [0, 1]×]0; +∞[
Pour quelle valeur positive de k la fonction f définie par f (x, y) =
0 sinon
est une densité de probabilité de (X, Y ). Déduire donc la fonction de répartition de (X, Y ).

3.4.2.4 Espérance et covariance d’un couple de v.a

Soient X et Y deux v.a continues définies sur le même espace probabilisé et f leur densité conjointe.
Définition 3.20

1. L’espérance mathématique du couple de v.a (X, Y ) est le nombre réel noté E(XY ) et définie par E(XY ) =
R +∞ R +∞
−∞ −∞
xyf (x, y)dxdy.
2. On appelle covariance du couple (X, Y ), le nombre réel noté Cov(X, Y ) défini par
Z +∞ Z +∞
Cov(X, Y ) = E([X − E(X)][Y − E(Y )]) = [x − E(X)][y − E(Y )]f (x, y)dxdy
−∞ −∞

E(X) et E(Y ) désignent respectivement les moyennes de X et de Y .

Soit ϕ une application définie de R2 dans R. alors
Z +∞ Z +∞
E(ϕ(X, Y )) = ϕ(x, y)f (x, y)dxdy
−∞ −∞

Comme pour la variance on établit que

Cov(X, Y ) = E(XY ) − E(X)E(Y )

Soient X, Y deux v.a définie sur (Ω, C, P ) et admettant des moments d’ordre 2 tel que E(XY ) existe alors

V (X + Y ) = E[(X + Y )2 ] − [E(X + Y )]2 = V (X) + V (Y ) + 2[E(XY ) − E(X)E(Y )]

On remarque que si X et Y sont indépendantes alors cov(X, Y ) = 0. Attention : la réciproque n’est pas vraie.
Soient X et Y deux v.a

23 Dr F.BERE ?? UVBF? 2021 − 2022

3.4.3 Lois marginales de variables continues

Définition 3.21
On appelle coefficient de corrélation linéaire de X et Y , le réel

cov(X, Y )
ρ(X, Y ) = ρ = (3.14)
σX σY
De cette définition on tire que :
1. cov(X, Y ) = 0 ⇔ X et Y sont non corrélés.
2. Si Y = aX + b, a 6= 0 alors |ρ(X, Y )| = 1
Y − E(Y ) X − E(X)
3. La droite de régression de Y en X a pour équation =ρ
σY σX
X − E(X) Y − E(Y )
4. La droite de régression de X en Y a pour équation =ρ
σX σY

3.4.3 Lois marginales de variables continues

3.4.3.1 Lois marginales
Soit X; Y ) un couple aléatoire continue de densité f et de distribution F . Les lois marginales de (X, Y ) sont
les lois de X et de Y définies par :
1. Les Fonctions de répartition marginales
Z x Z +∞ Z y Z +∞
FX (x) = f (s, t)dsdt = lim F (x, y) FY (y) = f (s, t)dsdt = lim F (x, y)
−∞ −∞ y−→+∞ −∞ −∞ x−→+∞

2. Les fonctions densités marginales

Z +∞ Z +∞
∂F ∂F
fX (x) = f (x, y)dy = lim (x, y) fY (y) = f (x, y)dx = lim (x, y)
−∞ y−→+∞ ∂x −∞ x−→+∞ ∂y

3.4.3.2 Indépendance entre variables aléatoires

Définition 3.22
Soit X, Y des v.a discrètes dans Ω1 et Ω2 respectivement. X et Y sont indépendantes si ∀xi ∈ Ω1 , yj ∈ Ω2 , les
évènements {X = xi } et {Y = yj } sont indépendants. On dit que X et Y sont indépendantes si et seulement si

P (X = x, Y = y) = P ({X = x} ∩ {Y = y}) = P (X = x)P (Y = y) (3.15)

24 Dr F.BERE ?? UVBF? 2021 − 2022