Chapitre 3

Variables Aléatoires Discrètes -

Moyenne - Variance

Dans ce chapitre on va introduire de nouvelles notions pour les variables aléatoires. Ces
nouvelles notions s’appuient sur les définitions et exemples du paragraphe 1.3.

3.1 Espérance (Moyenne) d’une variable aléatoire discrète

La moyenne ou espérance est une valeur qui sert à avoir une idée de la valeur typique d’une
variable aléatoire. Elle n’est en générale pas suffisante pour comprendre comment se comporte
cette variable aléatoire mais donne une première indication. Son avantage est qu’elle est très
facile à calculer dans la majorité des cas.

3.1.1 Définition et premiers exemples

Commençons par donner une définition :

Definition 3.1.1. Soit Ω un espace fini ou dénombrable, P une probabilité sur Ω, et X une
variable aléatoire. On appelle espérance de X (ou moyenne de X) la quantité
!
E(X) = X(ω)P (ω). (3.1)
ω∈Ω
"
Remarque 3.1.2. X admet une moyenne que si ω∈Ω X(ω)P (ω) existe.

Commençons par un premier exemple général très utile dans la pratique,

Exemple 3.1.3. Considérons la variable X ayant pour loi :

Valeurs X x1 x2 ··· xn
P (X = xi ) p1 p2 ··· pn
"n
alors E(X) = i=1 pi xi ≡ p1 x1 + p2 x2 + · · · + pn xn .

17
Voyons maintenant un exemple pratique
Exemple 3.1.4. Considérons le jeu suivant, on lance un dé et on définit la variable aléatoire
X qui prend la valeur de la face du dé, la loi de X est
Valeurs de X 1 2 3 4 5 6
Probabilités P (X = xi ) 1/6 1/6 1/6 1/6 1/6 1/6
par l’exemple précédent on en déduit E(X) = 1∗1/6+2∗1/6+3∗1/6+4∗1/6+5∗1/6+6+1/6 = 3.
Remarque 3.1.5. Dans l’exemple précédent on remarque que la probabilité d’obtenir une
valeur (entre 1 et 6) est toujours la même égale à 1/6. On dit que X suit une loi
uniforme.
Deux exemples fondamentaux :
Exemple 3.1.6. Moyenne d’une variable de Bernoulli. Soit X une variable de Bernoulli
de paramètre p, par définition d’une variable de Bernoulli (Exemple 1.4.5), on a

E(X) = 1 ∗ P (X = 1) + 0 ∗ P (X = 0) = p.

Ainsi l’espérance d’une variable de Bernoulli de paramètre p est égale à p.

Exemple 3.1.7. Moyenne d’une fonction indicatrice. Soit A un sous ensemble de Ω, on
cherche à calculer E(11A ), on a d’après la définition :
!
E(11A ) = 11(ω)P (ω)
ω∈Ω
! !
= 11(ω)P (ω) + 11(ω)P (ω)
ω∈A ω∈Ā
= 1 ∗ P (A) + 0 ∗ P (Ā) = P (A).

Ainsi l’espérance de 11A est égale à P (A).

3.1.2 Propriétés de l’espérance (moyenne)

On énonce maintenant les propriétés élémentaires de l’espérance, dans toute la suite X et Y

sont deux variables aléatoires.
Proposition 3.1.8. Linéarité de l’espérance. Soit a ∈ R, alors
1. E(aX)=aE(X),
2. E(X+Y)=E(X)+E(Y).
D’autres propriétés élémentaires que l’on utilise fréquemment sont
Proposition 3.1.9. Soit a ∈ R, alors

18
 1. E(a)=a,
2. X ≥ 0 ⇒ E(X) ≥ 0,
3. X ≥ Y ⇒ E(X) ≥ E(Y ).

Exemple 3.1.10. Soient X et Y deux variables de Bernoulli de paramètre respectif p et q.

Pour calculer E(X + Y ) il suffit de sommer E(X) et E(Y ), dans l’exemple 3.1.5 on a vu que la
moyenne d’une variable de Bernoulli est égale à son paramètre, on en déduit E(X + Y ) = p + q.
Pour tout a ∈ R, on a également E(aX) = ap.

Pour terminer on énonce une propriété de l’espérance qui est vraie que si l’on a indépendance
entre variables aléatoires :

Proposition 3.1.11. Si X et Y sont indépendantes, alors :

E(XY ) = E(X)E(Y ). (3.2)

Exemple 3.1.12. Prenons deux variables de Bernoulli indépendantes X et Y de paramètre

respectif p et q, alors E(XY ) = p ∗ q. Supposons maintenant que Y = 11A ou A ⊂ Ω, alors on
a E(XY ) = E(X) ∗ E(Y ) = p ∗ P (A).

3.2 La Variance et la Covariance

Comme nous l’avons dit précédemment la moyenne n’est pas suffisante pour avoir une bonne
idée du comportement d’une variable aléatoire. La variance mesure un écart (quadratique)
moyen de la variable aléatoire par rapport à cette moyenne. On dit qu’elle mesure une dispersion
de la variable par rapport à sa moyenne.
On commence par définir le second moment d’une variable aléatoire

Definition 3.2.1. Soit Ω un espace fini ou dénombrable, P une probabilité sur Ω, et X une
variable aléatoire. On appelle second moment de X la quantité
!
E(X 2 ) = X 2 (ω)P (ω). (3.3)
ω∈Ω

Remarque 3.2.2. E(X 2 ) n’existe que si X 2 (ω)P (ω) existe.

"
ω∈Ω

Definition 3.2.3. La variance d’une variable aléatoire X, telle que E(X 2 ) < ∞, et notée
var(X) est le nombre positif suivant

var(X) = E((X − E(X))2 ) (3.4)

Remarque 3.2.4. Dans la pratique on utilise la ”définition” suivante qui est en fait une simple
conséquence de la définition précédente :

var(X) = E(X 2 ) − (E(X))2 . (3.5)

19
Donnons un premier exemple général
Exemple 3.2.5. Reprenons la variable X de l’Exemple 3.1.2, par définition on a :
n
!
2
E(X ) = x2i pi , (3.6)
i=1
!n n
!
V ar(X) = x2i pi − ( xi pi )2 . (3.7)
i=1 i=1

Calculons la variance d’une variable de Bernoulli de paramètre p, on a : E(X 2 ) = 12 ∗ p + 02 ∗

(1 − p) = p ainsi var(X) = p − p2 .
Donnons immédiatement quelques propriétés de la variance
Proposition 3.2.6. Soit X une variable aléatoire et a ∈ R,
1. var(aX) = a2 var(X),
2. var(X + a) = var(X),
3. var(a) = 0,
4. var(X) = 0 ssi pour tout ω ∈ Ω tel que P (ω) > 0, X(w) = E(X).
Donnons maintenant une propriété de la variance pour deux variables aléatoires indépendantes.
Proposition 3.2.7. Soient X et Y deux variables aléatoires indépendantes, on a
var(X + Y ) = var(X) + var(Y ). (3.8)
On introduit maintenant une nouvelle valeur la covariance elle mesure la corrélation entre
deux variables aléatoires.
Definition 3.2.8. Soient X et Y deux variables aléatoires, on a
Cov(X, Y ) = E((X − E(X))(Y − E(Y )). (3.9)
Proposition 3.2.9. Soient X et Y deux variables aléatoires, on a
1. Cov(X,Y)=E(XY)-E(X)E(Y),
2. Si X et Y sont indépendantes alors Cov(X, Y ) = 0.
Exemple 3.2.10. Prenons X ∼ B(p), et Y = −X, calculons Cov(X, Y ) on a :
E(XY ) = −E(X 2 ) = −p, (3.10)
on sait de plus que E(X)E(Y ) = −(E(X))2 = −p2 , d’après la Proposition ci-dessus on en
déduit Cov(X, Y ) = −p(1 − p).
Supposons maintenant que X et Y sont 2 variables aléatoires quelconques indépendantes, d’après
la Proposition 3.1.10 E(XY ) = E(X)E(Y ) donc Cov(X, Y ) = 0.
Remarque 3.2.11. Il est facile de montrer que pour tout X et Y , V ar(X + Y ) = V ar(X) +
V ar(Y ) + 2Cov(X, Y ).

20
3.3 Lois classiques
3.3.1 Loi de Bernoulli B(p)
Nous avons déjà beaucoup parlé des variables de Bernoulli, c’est une variable aléatoire très
élémentaire prenant deux valeurs différentes. Dans ce paragraphe nous résumons ses principales
propriétés.
Soit X ∼ B(p), la loi de X est donnée par P (X = 1) = p et P (X = 0) = 1 − p.
Proposition 3.3.1.
E(X) = p,
V ar(X) = p(1 − p).

3.3.2 Loi Binomiale B(n, p)

Definition 3.3.2. Soient (X1 , X2 , · · · , Xn ) n ∈ N variables aléatoires indépendantes de Ber-
noulli,"chacune de ces variables ayant pour paramètre p, la variable aléatoire Sn définie par
Sn = ni=1 Xi suit une loi binomiale de paramètres n et p, on note Sn ∼ B(n, p). De plus la
loi de Sn est donnée par : pour tout k ∈ {1, 2, · · · , n}
P (Sn = k) = Cnk pk (1 − p)n−k (3.11)
n!
où Cnk = (n−k)!k!
. On rappelle que k! (factoriel k) est égale à k ∗ (k − 1) ∗ (k − 2) ∗ · · · ∗ 2 ∗ 1.

Loi d une Binomiale B(1/2,12)

0.25

0.2

0.15
P(X=k)

0.1

0.05

0
1 2 3 4 5 6 7 8 9 10 11 12 13
k

On donne maintenant la moyenne et la variance d’une Binomiale de paramètres p et n

Proposition 3.3.3.
E(X) = n ∗ p, (3.12)
V ar(X) = np(1 − p). (3.13)

21
Un exemple typique où une variable binomiale apparaı̂t est le suivant :
Exemple 3.3.4. On effectue n lancés d’une pièce de monnaie équilibrée, on définit Sn la
variable aléatoire qui va compter le nombre de fois ou la pièce tombe sur F ace. Pour comprendre
pourquoi Sn suit une loi binomiale on effectue la démarche suivante : on définit X1 la variable
aléatoire qui prend la valeur 1 si la pièce tombe sur ”face” lors du premier lancé et 0 sinon,
de même on définit pour tout 2 ≤ i ≤ n la variable aléatoire Xi qui prend la valeur 1 si la
pièce tombe sur ”face” lors du ième lancé.
"n Il apparaı̂t clairement que chaque variable Xi suit une
loi de Bernoulli de paramètre 1/2. i=1 Xi compte le nombre de "face que l’on a obtenu sur n
lancés. Chaque lancé étant indépendant les uns des autres Sn = ni=1 Xi suit une loi binomiale
de paramêtre 1/2 et n.

3.3.3 Loi de Poisson P (λ)

Commençons par une définition qui donne la loi d’une variable de Poisson :
Definition 3.3.5. X suit une loi de Poisson de paramètre λ si et seulement si pour tout k ∈ N
on a :
λk
P (X = k) = e−λ . (3.14)
k!
−9 Loi de Poisson P(1/2)
x 10
1.4

1.2

0.8
P(X=k)

0.6

0.4

0.2

0
1 2 3 4 5 6 7 8 9 10 11 12 13
k

Remarque 3.3.6. Cette variable aléatoire est différente de toutes celles qui ont été introduites
jusqu’à maintenant car elle prend un nombre infini dénombrable de valeurs. On peut vérifier
que 3.14 est une mesure de probabilité en montrant que :
+∞
! λk
e−λ = 1. (3.15)
k=0
k!

La preuve est élémentaire, elle découle de la définition de eλ .

22
On donne maintenant la moyenne et la variance de X,
Proposition 3.3.7. Si X ∼ P (λ)

E(X) = λ, (3.16)
V ar(X) = λ. (3.17)

3.3.4 Loi Géométrique G(p)

Definition 3.3.8. X suit une loi de géométrique de paramètre p si et seulement si pour tout
k ∈ N on a :

P (X = k) = (1 − p)k−1p. (3.18)

Loi Geometrique G(0.2)

0.25

0.2

0.15
P(X=k)

0.1

0.05

0
1 2 3 4 5 6 7 8 9 10 11 12 13
k

De même que la loi de Poisson une variable aléatoire qui suit une loi Géométrique prend un
nombre
"+∞ infinik−1 dénombrable de valeur avec une probabilité strictement positive. On vérifie que
k=0 (1 − p) p = 1.
Proposition 3.3.9. Si X ∼ G(p)
1
E(X) = , (3.19)
p
1−p
V ar(X) = . (3.20)
p2

3.4 Fonction génératrice

La notion de fonction génératrice, comme la fonction de répartition vue au paragraphe 1.4.3
est une façon de caractériser la loi d’un variable aléatoire. C’est à dire qu’il est équivalent de
connaı̂tre une loi de probabilité ou sa fonction génératrice.

23
Definition 3.4.1. Soit X une variable aléatoire à valeurs dans N. La fonction génératrice GX
de X est donnée par
+∞
!
X
GX (t) = E(t ) = tk P (X = k). (3.21)
k=0

Remarque 3.4.2. De façon générale, G est définie pour tout t ∈ [−1, +1], GX (t) existe si et
seulement si la série de terme générale tk P (X = k) est absolument convergente.

Proposition 3.4.3. La fonction génératrice d’une variable aléatoire X à valeurs dans N ca-
ractérise sa loi. Autrement dit, si X et Y sont deux variables à valeurs dans N,

GX = GY ⇐⇒ ∀k ∈ N, P (X = k) = P (Y = k). (3.22)

Exemple 3.4.4. Soit X une variable de Bernoulli de paramètre p, on a :

GX (t) = t0 P (X = 0) + t1 P (X = 1) = (1 − p) + pt. (3.23)

On énonce maintenant un résultat pour une somme de variables indépendantes :

Proposition 3.4.5. Soient X et Y des variables aléatoires indépendantes, alors

GX+Y (t) = GX (t) ∗ GY (t). (3.24)

Plus généralement,

Proposition 3.4.6. Soient X1 , X2 · · · Xn des variables aléatoires indépendantes, alors

n
#
GPni=1 Xi (t) = GXi (t). (3.25)
i=1

La fonction génératrice permet de retrouver facilement la moyenne et le second moment d’une

variable aléatoire :

Proposition 3.4.7. Soit X une variable aléatoire, alors

G$X (1) = E(X), G$$X (1) = E(X 2 ) − E(X), (3.26)

où G$X désigne la dérivée première de GX et G$$X sa dérivée seconde.

24
Chapitre 4

Variables Aléatoires Continues

Les variables aléatoires que nous avons étudiées jusqu’à maintenant prenaient un nombre fini
ou dénombrable de valeurs. Il est très souvent intéressant, en particulier dans les applications
industrielles, de considérer des variables aléatoires à valeurs continues dans un espace infini non
dénombrable. Par exemple, en finance on modélise le prix d’une action par une variable aléatoire
à valeurs continues dans R+ . En physique on peu modéliser la trajectoire d’une particule dans
un fluide par une variable aléatoire à valeur dans R3 ... La définition d’une variable aléatoire
continue fait appel à des concepts abstraits avancés que nous n’introduirons pas ici, nous nous
limiterons donc aux variables aléatoires absolument continues que nous pourrons définir à partir
de leur densité.

4.1 Définition d’une variable aléatoire absolument conti-

nue
Definition 4.1.1. On dira qu’une fonction f est une densité de probabilité si elle est continue
(sauf éventuellement en un nombre dénombrable de points), positive et si
$
f (t)dt = 1 (4.1)
R

Definition 4.1.2. On appellera variable aléatoire continue X toute variable aléatoire à valeurs
dans R, telle que pour tout x ∈ R
$ x
P (X ≤ x) = f (t)dt (4.2)
−∞

où f est une densité de probabilité.

On dit que f est la densité de probabilité de X.

Proposition 4.1.3. Si X est de densité f ,

1. pour tout x ∈ R, P (X = x) = 0,

25
 %y
2. pour tous x, y ∈ R tels que x ≤ y, P (X ∈ [x, y]) = x
f (t)dt.

Remarque 4.1.4. Dans la pratique pour vérifier que f est une une densité de pro-
babilité on vérifie que :
1. f est continue (sauf éventuellement en un nombre dénombrable de points) et positive,
% +∞
2. −∞ f (t)dt = 1.

Exemple 4.1.5.
&
1 si x ∈ [0, 1]
f (x) =
0 si 0 ∈
/ [0, 1]

Il est clair que cette fonction est positive et continue sauf en 0 et en 1 c’est à dire en un nombre
dénombrable de points donc la condition 1. de la Remarque précédente est vérifiée. La condition
2. est également vérifiée sans difficulté. f est donc bien une densité de probabilité. Si on cherche
à calculer la probabilité que X soit comprise entre 1/6 et 1/3, c’est à dire P (X ∈ [1/6, 1/3]) ≡
P (1/6 ≤ X ≤ 1/3) on doit effectuer le calcul suivant
$ 1/3 $ 1/3
P (X ∈ [1/6, 1/3]) = f (t)dt = dt = 1/6. (4.3)
1/6 1/6

4.2 Espérance et variance

Dans ce paragraphe on rappelle des notions que l’on a déjà vues pour des variables aléatoires
discrètes.

Definition 4.2.1. Soit X une variable de densité f .

1. L’espérance ou moyenne est donnée par :
$ +∞
E(X) = tf (t)dt, (4.4)
−∞

2. Le moment d’ordre 2 est donné par :

$ +∞
2
E(X ) = t2 f (t)dt, (4.5)
−∞

3. La variance est donné par :

V ar(X) = E(X 2 ) − (E(X))2 . (4.6)

Remarque 4.2.2. Bien entendu ces définitions sont soumises à la condition d’existence des
intégrales.

26
Exemple 4.2.3. Reprenons l’Exemple 4.1.4, on a :
$ $ 1
E(X) = tf (t)dt = tdt = [t2 /2]10 = 1/2, (4.7)
R 0
$ 1
E(X 2 ) = t2 dt = [t3 /3]10 = 1/3. (4.8)
0
(4.9)

Rappelons maintenant les principales propriétés de l’espérance et de la variance.

Proposition 4.2.4. Soient X et Y deux variables aléatoires continues et soit a ∈ R, alors

1. E(aX) = aE(X),
2. E(X + Y ) = E(X) + E(Y ),
3. Si X et Y sont indépendantes alors E(XY ) = E(X)E(Y ),
4. Si X et Y sont indépendantes alors V ar(X + Y ) = V ar(X) + V ar(Y )

4.3 Variables aléatoires continues usuelles

Comme pour les variables aléatoires discrètes nous allons maintenant définir un certain
nombre de variables aléatoires continues usuelles, en tracer la densité et en donner l’espérance
et la variance.

4.3.1 La loi uniforme

La loi uniforme a déjà été introduite dans nos différents exemples, on en donne ici une
définition un peu plus générale :

Definition 4.3.1. X suit une loi uniforme si et seulement si il existe a et b deux réels tels que
a < b, et
& 1
b−a
si x ∈ [a, b]
f (x) =
0 si x ∈
/ [a, b]

Le cas a = 0 et b = 1 est celui que l’on a traité dans l’Exemple 4.14.

Proposition 4.3.2.
b+a
E(X) = ,
2
b2 + ab + a2
E(X 2 ) = ,
3
(b − a)2
V ar(X) = .
12

27
 f (x)

1
2

−1 1 x

Fig. 4.1 – Densité d’une loi uniforme, a = −1 et b = 1

4.3.2 La loi de Cauchy

Definition 4.3.3. X suit une loi de Cauchy si et seulement si pour tout x ∈ R sa densité f
est donnée par

1
f (x) =
π(1 + x2 )

Densite d une loi de Cauchy

0.35

0.3

0.25

0.2
f(x)

0.15

0.1

0.05

0
−6 −4 −2 0 2 4 6
x

Remarque 4.3.4. La fonction x -→ x/(1 + x2 ) n’étant pas intégrable sur R, X n’a pas
d’espérance.

28
4.3.3 La loi Normale
Definition 4.3.5. X suit une loi Normale réduite centrée (X ∼ N(0, 1)) si et seulement si
pour tout x ∈ R sa densité f est donnée par

1 x2
f (x) = √ e− 2
2π

Densite d une loi normale reduite centree

0.4

0.35

0.3

0.25
f(x)

0.2

0.15

0.1

0.05

0
−6 −4 −2 0 2 4 6
x

Proposition 4.3.6. Soit X une v.a. suivant une loi normale réduite centrée :

E(X) = 0,
E(X 2 ) = 1,
V ar(X) = 1.

On définit maintenant une loi normale de moyenne m et variance σ 2 quelconque :

Definition 4.3.7. X suit une loi normale X ∼ N(m, σ) si et seulement si pour tout x ∈ R sa
densité f est donnée par

1 (x−m)2
f (x) = √ e− 2σ 2
2πσ 2

Sur le graphe ci-dessous on a dessiné 3 densités normales de même variance mais avec trois
moyennes différentes :

29
 Densite d une loi normale reduite a differentes moyennes
0.4
m=−2
m=0
0.35 m=2

0.3

0.25
f(x)

0.2

0.15

0.1

0.05

0
−6 −4 −2 0 2 4 6
x

Sur le graphe ci-dessous on a dessiné 3 densités normales de même moyenne mais avec trois
variances différentes :
Densite d une loi normale centree a differentes variances
0.8
sigma=0,5
sigma=1
0.7 sigma=2

0.6

0.5
f(x)

0.4

0.3

0.2

0.1

0
−6 −4 −2 0 2 4 6
x

Proposition 4.3.8. Soit X une v.a. suivant une loi normale de moyenne m et de variance
σ2 :
E(X) = m,
E(X 2 ) = σ 2 + m2 ,
V ar(X) = σ 2 .

4.3.4 La loi exponentielle

Definition 4.3.9. X suit une loi exponentielle de paramètre α ssi pour tout x ∈ R sa densité
f est donnée par
f (x) = αe−αx 11[0,+∞[

30
 Densite d une loi Exponentielle de parametre 1.5
1.5

0.5

0
0 1 2 3 4 5 6

Proposition 4.3.10. Soit X une v.a. suivant une loi exponentielle de paramètre α :
1
E(X) = ,
α
2
E(X 2 ) = 2 ,
α
1
V ar(X) = 2 .
α

31
32