Ecole Militaire Polytechnique Chapitre2

Chapitre 2

Les variables aléatoires réelles (VA)

2.1 Définition

Etant donné un espace de probabilité ( Ω ,F, P) et une application X de Ω dans R, si Ω est

dénombrable F et X( Ω ) seront dénombrables aussi. L’application X sera dite variable
aléatoire discrète si { ω /X( ω ) = xi} ∈ F, ∀ xi ∈ X( Ω ) autrement dit X-1(xi) ∈ F, ∀ xi ∈ X( Ω )
(l’image inverse de X est un évènement). L’évènement X-1(xi) (sous ensemble de Ω ) est noté
X = xi. De même, on parle de l’évènement X ≤ xi
Si Ω est l’ensemble R (ou un intervalle de R) F est la tribu borélienne, l’application X sera
dite variable aléatoire continue si{ ω /X( ω ) ≤ x} ∈ F ∀ x ∈ R (l’image inverse de X est un
évènement). Les sous-ensembles de Ω du type { ω /X( ω ) ≤ x} seront désignés par {X ≤ x}.
De même on parlera des évènements {X ≥ x} et {a ≤ X ≤ b}.
X( Ω ) est l’ensemble des réalisations de la VA X .

Exemple 1
On jette une pièce de monnaie trois fois. Soit X une fonction qui, à tout évènement ωi ∈ Ω ,
associe le nombre de faces apparues.
On a :
Ω ={ppp , ppf , pfp , fpp , ffp , fpf , pff , fff}

X(ppp) = 0 , X(ppf) = 1 ; X(fpp) = 1 ; X(pfp) = 1

X-1(0) = {ppp} ; X-1(1) = {ppf , pfp , fpp}
X( Ω ) = {0, 1, 2, 3}
Si on prend F = P( Ω ) alors X est une VA discrète.
Si on prend F = { Φ , ppp, (ppf , pfp , fpp , ffp , fpf , pff , fff), Ω } alors X n’est pas une VA
car, par exemple, X-1(1) = {ppf , pfp , fpp} ∉F

2.2 Loi de distribution d’une VA

a) X VA discrète

Etant donné un espace de probabilité ( Ω ,F,P) et X une VA discrète, la loi de distribution ou

de probabilité de X est la fonction numérique P qui associe à chaque valeur possible xi de X la
probabilité P(X = xi) = P(xi) = Pi

xi x1 x2 x3 …..
Pi P1 P2 P3 ….

La fonction P a les deux propriétés suivantes :

1) 0 ≤ P(xi) ≤ 1
2) ∑ P( xi ) = 1
i

La fonction de répartition de X est la fonction numérique F(x) = P(X ≤ x) = ∑ P( xi ) .

xi ≤ x

C’est une fonction positive non décroissante.

11
Ecole Militaire Polytechnique Chapitre2

b) X VA continue

Dans ce cas P(X= k) = 0 ∀ k car l’ensemble des valeurs possibles est continu et donc infini.
On associe alors à la VA X la fonction f(x) qui est une mesure de probabilité de X ; f(x) est
appelée fonction densité de probabilité de X. P(X = k) sera remplacée par P(x ≤ X ≤ x + dx)
et f(x)dx = P(x ≤ X ≤ x+dx).

f(x) vérifie :

1) 0 ≤ f(x) ≤ 1
+∞

2) ∫ f ( x)dx = 1
−∞
On définit la fonction de répartition de X par :
x

F(x) = P(X ≤ x) = ∫ f (t )dt

−∞
(1)

On a:
b
a

∫
b

P(a ≤ X ≤ b) =
−∞
f (t )dt - ∫ f (t )dt = ∫ f (t )dt = F(b) –F(a)
−∞ a
(2)

F(x) vérifie :
1) F(+ ∞ ) = 1
2) F(- ∞ ) = 0
3) F(x) non décroissante
Il est clair que :
d
f(x) = F (x) (3)
dx
Donc la distribution de X est définie soit par f(x) soit par F(x).

2.3 Moments d’une V.A

a) Espérance

On désire quelque fois connaitre une valeur centrale de la VA X autour de laquelle les
résultats des épreuves vont se répartir.
L’Espérance d’une VA discrète X est :
∞

E(X) = ∑x
i =1
i p( xi ) (4)

L’Espérance d’une VA continue X dont la densité est f(t) est :

+∞

E(X) = ∫ tf (t )dt
−∞
(5)

Propriétés de l’espérance
1) E(X+Y) = E(X) + E(Y)
2) E(aX) = aE(X)

12
Ecole Militaire Polytechnique Chapitre2

3) E(a) = a, a constante

b) variance : La variance d’une VA X est donnée par

V(X) = E[X –E(X)]2 = E(X2) – E(X)2 (6)

C’est une mesure de la dispersion des valeurs de X autour de la valeur centrale E(X).
Propriétés de la variance

1) V(X) ≥ 0
2) V(X) = 0 ⇔ X est une variable certaine (constante)
3) V(aX) = a2 VAR(X)
4) Si X et Y sont indépendantes alors V(X + Y) = V(X) + V(Y)
La racine carrée de V(X) est appelée écart type et notée σ X .

2.4 Fonction génératrice et transformée de Laplace

Ce sont des outils pour la génération des moments et des lois de distribution des VA.
A une VA X prenant ses valeurs dans N, on associe sa fonction génératrice (appelée aussi
transformée en z):
∞

G(z) = Z(Pn) =E(z ) =X

∑P z
K =0
K
K
(7)

Propriétés
1) G′ (z) = E(XzX-1) ⇒ G′ (1) = E(X)
2) G′′ (Z) = E(X(X-1))zX-2 ⇒ G′′ (1) = E(X(X-1) ) =E(X2) – E(X) ⇒
VAR(X) = E(X2) – E(X)2 = G′′ (1) + G′ (1) - G′ (1)2
3) G(0) =P0
4) G(1) = 1
1
5) Pn = G (n ) (0)
n!
6) étant donnés deux VA X et Y indépendantes prenant leurs valeurs dans N, la fonction
génératrice de la VA X+Y est égale au produit des fonctions génératrices de X et de Y
La réciproque est vraie.

A une VA X prenant ses valeurs dans l’ensemble des réels non négatifs, on associe sa
transformée de Laplace :
∞
Ψ(s)=∫e− sX f(x)dx = E(e-sX) (8)
0
Propriétés
1) Ψ ′(s ) = E(-Xe-sX) ⇒ Ψ ′(0) = -E(X)
2) Ψ ′′ (s) = E(X2e-sX) ⇒ Ψ ′′ (0) = E(X2 ) ⇒
V(X) = E(X2) – E(X)2 = Ψ ′′ (0) + Ψ ′(0) 2
3) étant donnés deux VA X et Y indépendantes prenant leurs valeurs dans R+, la
transformée de Laplace de la VA (X+Y) est égale au produit des transformées de
Laplace de X et de Y.
La réciproque est vraie

13
Ecole Militaire Polytechnique Chapitre2

2.5 Etude de quelques lois de probabilités

a) X VA discrète

Le modèle de l’urne
Considérons une urne contenant N1 boules blanches et N2 boules rouges.
N1 N
Avec : = p et 2 = q ; N = N1 + N2 ; p = 1- q
N N
1) La loi de Bernoulli B(p)

On tire au hasard une boule dans l’urne. Soit X la VA telle que X = 0 si la boule est rouge et
X = 1 si la boule est blanche.

Loi de X
P(X = 0) = q et P(X = 1) = p.
On peut écrire : P(X = k) = pkq1-k ; k = 0 ,1 (9)
Cette loi s’appelle loi de Bernoulli.
E(X) = p*1 + q*0 = p
VAR (X) = E(X2) – E(X)2 = 12p + 02q – p2 = p – p2 = p(1-p) = pq.

Fonction génératrice

G(z) = qz0 + pz = q + pz (10)

2) La loi Binomiale B(p,n)

Dans l’une précédente, on tire n fois avec remise (tirages indépendants) ;

Soit la VA X = nombre de boules blanches tirées.
Les valeurs possibles de X sont : 0, 1, 2,……………..
Pour trouver la loi de X, P(X = k), on utilise la fonction génératrice:
X est la somme de n VA indépendantes de Bernoulli d’où :
G(z) = (q + pz)n ( binôme de Newton). Le coefficient de zk est Cnkpkqn-k et par identification
on trouve:
Pk = P(X = k) = Cnkpkqn-k ; k ≤ n (11)

X étant la somme de n V A indépendantes de Bernoulli, on a :

E(X) = np
VAR (X) = npq

Remarque
Pour trouver la loi de X, on peut raisonner comme suit

On cherche la probabilité de l’évènement (X = k) noté P(X = k). Cette probabilité est la

somme des probabilités des évènements élémentaires qui réalisent (X = k).
Les évènements élémentaires qui réalisent (X = k) sont les suites qui contiennent A, k fois et
nonA, (N - k) fois.
La probabilité de chacun de ces évènements = pk(1 - p)N-k
Le nombre de ces évènements élémentaires est C Nk ;
Donc,

14
Ecole Militaire Polytechnique Chapitre2

P(X = k) = C nk pk(1 - p)n-k, k = 0, 1, …..,n.

3) La loi géométrique ou de Pascal

Dans l’urne précédente, on effectue une suite de tirages avec remise.

Soit X la VA représentant le nombre de tirages nécessaires à l’obtention d’une boule blanche.
X = 1, 2, 3,……………

Loi de X.
Si X = k, les k-1 tirages précédents ont donné k-1 boules rouges ( la probabilité
correspondante est qk-1) et le kème tirage a donné une boule blanche (la probabilité
correspondante est p)
D’où :
P(X = k) = pqk-1 k = 1,2,3,… (12)

Fonction génératrice
∞ ∞
zp
G ( z ) = E ( z X ) = ∑ z K pq K −1 = pz ∑ ( zq ) K −1 =
K =1 K =1 1 − zq
p (1 − zq ) + qzp
G′( z ) = ⇒
(1 − zq ) 2
1 2q
G′(1) = et G′′(1) = 2 ⇒
p p
1
E(X) = G′(1) =
p
q
Et VAR(X) = 2
p
Remarque 1
Pour calculer l’espérance et la variance, on peut utiliser la définition
∞ ∞ ∞

E(X) = ∑ kpq ∑ kq k −1 = p ∑q
k −1 k
=p =p [ - 1] =
K =1 K =1 K =1

Remarque 2
On peut considérer la VA X’ représentant le nombre d’échecs avant d’obtenir le premier
succès. Dans ce cas X’ = 0, 1, 2, …
Loi de X’

Si X’ = k, les k tirages précédents ont donné k boules rouges ( la probabilité correspondante

est qk) et le kème tirage a donné une boule blanche (la probabilité correspondante est p)
D’où :

P(X’ = k) = pqk k = 0,1,2,3,… (13)

On remarque que X’ = X – 1.
Donc :

15
Ecole Militaire Polytechnique Chapitre2

q
E(X’) = E(X) -1 =
p
q
et VAR(X’) = VAR(X) =
p2

4) la loi binomiale négative

Considérons une situation similaire à celle de la loi de Pascal; cependant cette fois la VA X
est égale au nombre de tirages nécessaires à l’obtention de m succès (m boules blanches).
m ≥ 1.
X = m, m+1, m+2 ,………………
Il est évident que pour m = 1, on obtient la loi de Pascal.
X représente le temps d’attente jusqu’au mème succès.

Loi de X

Si on obtient le mème succès au kème tirage, cela veut dire qu’on a déjà obtenu m-1 succès
pendant les k-1 tirages précédents avec la probabilité Ck-1m-1pm-1qk-1-(m-1) et un succès au kème
tirage avec la probabilité p d’où :

P(X= k) = Ck-1m-1pmqk-m m≤k (14)

La loi binomiale négative étant la somme de m VA indépendantes de Pascal, on a :

m
E(X) =
p
mq
VAR (X) = 2
p
5) La loi hypergéométrique, H(N, n ,P)

Dans l’urne précédente, on tire n ≥ N boules. Le tirage se fait l’une après l’autre sans remise
(tirage exhaustif). La probabilité d’avoir une boule blanche au second tirage dépend du
résultat du premier tirage: on a une suite de VA dépendantes. Ω L’ensemble de toutes les
suites possibles de taille n a CNn éléments.
X = nombre de boules blanches tirées.

Loi de X 0 ≤ k ≤ N1 et 0 ≤ k ≤ n.

Ω L’ensemble de toutes les suites possibles de taille n a CNn éléments (nombre de cas
possibles)
Parmi les n boules tirés, on peut obtenir k boules blanches de C K N1 façons et (n-k) boule
(n− K )
rouges de C N 2 façons différentes (nombre de cas favorables).
Donc :
K (n− K )
C N 1 .C N 2
P(X = K) = (15)
CnN
X étant la somme de n VA de Bernoulli dépendantes on a :

16
Ecole Militaire Polytechnique Chapitre2

E(X) = npq

On montre que
N −n
V(X) = npq
N −1

6) La loi uniforme sur l’ensemble S = { 1,2,3,……….,n}

La VA X suit une loi uniforme sur S ssi

1
P(X = 1) = P(X = 2) = P(X = 3) =……….= P(X = n) =
n
D’où :
1
P(X = k) =, k = 1,2,3,………,n (16)
n
1 1 n(n + 1) n + 1
E(X) = (1+2+3+………..+n) = * =
n n 2 2
V(X)=E(X2) – E(X)2
1 1 n( n + 1)( 2n + 1)
E(X2) = [1+22 + 32+………….+n2]= * ⇒
n n 6
n2 − 1
V(X)=
12

7) La Loi de Poisson P( λ )
La loi de Poisson représente le nombre d’évènements se produisant dans un intervalle de
temps égal à l’unité.

X VA prenant ses valeurs dans l’ensemble S = {0,1,2………….. } ; λ > 0,

X suit une loi de Poisson de paramètre λ si X a pour loi :
λK
P(X = k) = Pk = e−λ (17)
k!
Fonction génératrice :
∞
(λz ) K
G(z) = e ∑ −λ
= e − λ .eλz = eλ ( z −1)
K = 0 K!
λ ( z −1)
G′( z ) = λe
G′′( z ) = λ2 e λ ( z −1) ⇒
E(X) = G ′(1) = λ
VAR(X) = G′′(1) + G′(1) − G′(1) 2 = λ2 + λ − λ2 = λ

b) X VA continue

1) loi uniforme sur [a , b]

La VA X suit une loi uniforme sur [a , b] ssi sa densité de probabilité est donnée par :
⎧ 1
⎪ si x ∈ [ a, b]
f(x) = ⎨ b − a (18)
⎪⎩ 0 sin on

17
Ecole Militaire Polytechnique Chapitre2

b2 − a 2
b
xdx 1
E(X) = ∫ = = ( a + b)
a
b − a 2(b − a ) 2

x 2 dx 1 b3 − a 3
b
E(X2) = ∫ = ⇒
a
b − a 3 b − a
1
V(X) = (b − a ) 2
12

2) La Loi exponentielle

La VA X suit une loi exponentielle ssi :

f(x) = µ exp(- µ x), µ > 0 et x ≥ 0 (19)

La loi exponentielle est l’analogue de la loi géométrique dans le cas continue (loi du temps
d’attente jusqu’au premier succès). Il existe une relation importante entre la loi exponentielle
et la loi de Poisson: la loi de Poisson décrit le nombre d’évènements par unité de temps et la
loi exponentielle décrit le temps d’attente entre deux évènements.
∞ ∞
1
∫ xf ( x)dx = ∫ xµe dx =
− µx
E(X) =
0 0
µ
∞
1
V(X) = ∫ x µe dx =
2 − xµ

0 µ2

3) La loi normale (ou de GAUSS) N(m, σ )

Une VA X continue dont la densité de probabilité est :

( x − m) 2
−
1 2ς 2
f(x) = e (20)
σ 2π

est dite suivre la loi normale.

On montre que :

E(X) = m

V(X) = σ2
La courbe en cloche de la distribution normale est bien connue.
La courbe est symétrique par rapport à la moyenne. Les deux points m+ σ et m- σ sont des
points d’inflexion.

18
Ecole Militaire Polytechnique Chapitre2

La courbe en cloche de la loi de Gauss : N(µ, σ )

La loi normale a les propriétés suivantes :

1) P(- σ ≤ X ≤ σ ) = 0,682
2) P( − 2σ ≤ X ≤ +2σ ) = 0,954
3) P(-3 σ ≤ X ≤ +3σ ) = 0,997

La propriété 3 est appelée propriété des trois segma : plus de 99% des valeurs de X sont
comprises entre -3 σ et 3 σ

4) Loi normale centrée réduite N(0,1)

X −m
Si on pose T = (21)
σ
La VA T aura pour densité de probabilité
2
1 −
t

f(t)dt = e 2 dt (22)
2π
La courbe représentative est symétrique par rapport à t = 0.
La nouvelle moyenne m = 0.
L’écart type est σ = 1.
X −m
Cela veut dire que la V.A T = ( ) est distribuée suivant la loi normale de moyenne 0
σ
et d’écart type 1 ;

19
Ecole Militaire Polytechnique Chapitre2

La courbe de la loi normale centrée réduite N(0, 1)

La fonction de répartition de la loi normale centrée réduite est tabulée: il existe une table qui
donne les valeurs de
t2
Φ 1 x
−
(X) =
2π −∞
∫e 2
dt pour - 3≤ X ≤3
D’où :
b t2

P(a ≤ X ≤ b) = ∫
1 −2
e dt = Φ (b) - Φ (a)
a 2π
Si X n’est pas centrée réduite, on a :

P(a ≤ X ≤ b) = Φ ( b − m ) - Φ ( a − m )
σ σ
P(X ≥ a ) = 1 - Φ (a)

L’importance de la loi normale est une conséquence du théorème suivant :

2.6 Théorème central limite

Soient X1 , X2,……………, Xn des VA indépendantes ayant toutes comme espérance m et
comme variance σ 2 . Alors la VA Y = X1 + X2+……………+ Xn suit approximativement une
loi normale de moyenne n.m et de variance n. σ 2 c à d que la VA :

20
Ecole Militaire Polytechnique Chapitre2

X 1 + X 2 + ............... + X n − n.m
Z= suit une loi normale centrée réduite.
nσ 2

Ainsi la loi normale est la loi d’une variable aléatoire qui peut être représentée comme la
somme d’un nombre suffisamment grand de composantes élémentaires indépendantes (ou peu
corrélées) dont chacune influe peut sur la somme.

Exemple 1
120 personnes font la queue devant la caisse d’assurance maladie pour se faire rembourser.
L’espérance mathématique de la somme payée à une personne est de 500 DA et l’écart type
est de 300 DA. La caisse dispose de 65000 DA. Trouver la probabilité que cette somme
suffise pour payer tout le monde.

Solution
Soit X la VA = la somme que doit payer la caisse. C’est une somme de n = 120 VA
indépendantes. En vertu du théorème central limite, la loi de X est voisine de la loi normale.
Les paramètres de cette loi sont : m = 120.500= 60000 et σ 2 = 120.(300)2 = 10800000
σ = 3280. La probabilité pour que la somme disponible soit suffisante pour payer les assurés
65000 − 60000
est : P(X ≤ 65000) = Φ ( ) = Φ (1,52) = 0,93
3280

Exemple2
La taille des élèves d’une école suit une loi normale avec m = 150 cm et σ = 20 cm.
a) quel est le nombre d’élèves ayant une taille comprise entre 140 et 170 cm sachant que
l’effectif total est de 1000 élèves.
b) Quelle est la taille maximale xm des 800 élèves les plus petits

Solution
a) en passant de la variable X qui est la taille des élèves à la variable centrée réduite :
Z = (X – m)/ σ , c à d, zi = (xi – m)/ σ , on obtient successivement
P(140 < X < 170) = P[(140-150)/20 < Z < (170-150)/20]
= P(-0.5 < Z <1)
= P(Z < 1) – P(Z < -0.5)
P(Z < 1) = 1 – P(Z > 1) = 1- 0.16 = 0.84
P(Z < - 0.5) = P(Z > 0.5) = 0.31
Donc :
P(140 < X < 170) = 0.84 – 0.31 = 0.53
Le nombre d’élèves cherchés est donc, 0.53x1000 = 530 élèves

b) ces 800 élèves représentent 80% de l’effectif total. Donc, il faut chercher xm tel que :
P(X < xm) = 0.8,
P[(X-150)/20 < (xm-150)/20 )] = 0.8
P(Z < zm) = 0.8
1 - P(Z > zm) = 0.8, soit P(Z > zm) = 0.2 ;
La table de Z donne : zm = 0.84 ;
Donc : xm = 150 + 20x0.84 = 150 + 16.8 = 166.8 cm.

21