Chapitre 2 : Variables aléatoires discrètes et les lois usuelles

I) Variables aléatoires discrètes

1) Introduction

Le nombre de piles obtenus au cours d’une série de n lancers de pile ou face ou plus
généralement dans un jeu de hasard (roulette,dés,...), le gain d’un parieur est une grandeur
variable qui dépend du déroulement aléatoire du jeu. Une telle grandeur numérique qui est
fonction des éventualités d’une expérience aléatoire s’appelle une variable aléatoire.

Pour rendre compte mathématiquement d’une variable aléatoire, on doit la considérer comme
une application X : ω → X(ω) définie sur un univers des possibles Ω est à valeurs réelles.
Dans ce chapitre, et pour des raisons de simplicité, toutes les variables aléatoires considérées
seront discrètes (i.e. l’ensemble X(Ω) des valeurs prises par X est fini).

1) Définition:

Soient (Ω, A) et (Ω’, A’) deux espaces probabilisables. L’application X de Ω dans Ω’ est dite
variable aléatoire (v.a.) lorsque pour tout BϵA’, on a:

X−1(B) = {ω ∈ Ω/X(ω) ∈ B} ∈ A

• Une v.a. X est, donc, une application mesurable pour les tribus A et A’

2) Tribu engendrée par une v.a.

Définition: La tribu engendrée par une v.a. X et notée σ(X) est la plus petite tribu par rapport
à laquelle X est mesurable:

σ(X) = {A ∈ A/∃B ∈ A’; A = X−1(B) = {X ∈ B}}

3) Tribu borélienne :

La tribu borélienne, notée BR, est la tribu engendrée par les ouverts de R (i.e. c’est la plus
petite tribu qui contient les ouverts de R).

On peut écrire BR = σ(ouverts de R) = σ(fermés de R).

BR est aussi engendrée par les intervalles ouverts de R de la forme]a, b[; a, b ∈ R

BR = σ(]a, b[; a, b ∈ R)

4) Variable aléatoire réelle (v.a.r.) :

Si (Ω’, A’) ≡ (R, BR), alors X est une v.a.r.

5) Ensemble de réalisation d’une v.a. :

Les valeurs de la v.a. X sont dites les "réalisations de X". L’ensemble de ces réalisations est
notée X(Ω).

6) Variable aléatoire discrete

Une v.a. X définie sur (Ω, A, P) est dite discrète, si l’ensemble de ses réalisations X(Ω) a un
nombre fini (ou infini dénombrable) d’éléments.

Remarque :

Soient x1, x2, · · · les réalisations de X, c’est-à-dire X(Ω) = {x1, x2, · · · }.

On note pour tout i = 1, 2, 3, · · · , X −1({xi}) = {ω ∈ Ω/X(ω) = xi}= (X = xi). Les événements

(X = xi) forment un système complet et ∑P(X = xi) = 1.

7) Loi de probabilité d’une v.a. X :

Définition :

L’application, notée PX, définie sur BR par :

PX(B) = P(X−1(B))= P{ω/X(ω) ∈ B} est appelée loi de probabilité de la v.a. X

Exemple 1:

Soit une famille ayant 3 enfants.

Ω={FFF ,GFF ,FGF, FFG ,GGF ,FGG, GFG FFF}

A) on définit sur Ω l’application X qui a tout ω ∈ Ω associe le nombre de garçons de ω ;

on a ; X(Ω)={0 ,1, 2, 3}

(X= 0) = X−1({0}) = {FFF}

(X = 1) = X−1({1})= {GFF , FFG ,GFG}
(X = 2) = X−1({2}) ={ GGF ,GFG ,FGG}
(X = 3) = X−1({2}) ={GGG}

Donc les probabilités :

P(X= 0) = X−1({0}) = 1/8

P(X = 1) = X−1({1})= 3/8

P(X = 2) = X−1({2}) =3/8

P(X = 3) = X−1({2}) =1/8

On vérifie que ∑P(X = xi) = 1.

En effet : P(X= 0) +P(X = 1) +P(X = 2) +P(X = 3)=1

 8) Fonction de répartition d’une v.a.r:

Définition :

Soit (Ω, A, P) un espace probabilisé et X une v.a.r. définie sur Ω à valeurs dans (R, BR).

On appelle fonction de répartition de X, la fonction notée F et définie

Par :∀x ∈ R, F(x) = P(X ≤ x)

Remarque :

∀x ∈ R, F(x) = P(X ≤ x) = P(ω ∈ Ω/X(ω) ≤ x) = P(X−1 (] − ∞, x]) = PX(] − ∞, x])

Propriétés :

1) F est croissante (non-décroissante) sur R

2) F est continue à droite.
3) lim x→−∞F(x) = 0 et lim x→+∞F(x) = 1
4) si a ≤ b ; p(a ≤ X ≤ b)=FX(b) -FX(a) = p(X ≤ b)- p(X≤ a)
5)

Remarque :

La fonction de répartition F est constante sur tout intervalle [xk ;xk+1[, k=1….xk ∈ X(Ω)

Exemple :

En reprenant les donneés de l’exemple 1.

xi pi FX
0 0.125 0
0.125
1 0.375 0.5
2 0.375 0.875
3 0.125 1

9) Loi d’une fonction d’une v.a. :

Soit X une v.a. discrète telle que X(Ω) = {x1, x2, · · · } et g une fonction de X(Ω) dans
l’ensemble E = {y1, y2, · · · }. Alors Y = g(X) est une v.a. telle que : ∀j; (Y = yj ) =

¿ i ∈ I ( X=x i) où la réunion est prise sur I = {i/g(xi) = yj} d’où P(Y = yj ) = ∑i∈I P(X = xi)
Exemple :

Soit X une v.a. discrète de loi de probabilité donnée par le tableau suivant :

xi -2 -1 0 1 2
pi = P(X = xi) 0.1 0.1 0.3 0.2 0.3

Cherchons la loi de Y = X2 + 1

Y prend les valeurs 1, 2 et 5 avec les probabilités :

P(Y = 1) = P(X = 0) = 0, 3

P(Y = 2) = P(X = −1) + P(X = 1) = 0, 1 + 0, 2 = 0, 3

P(Y = 5) = P(X = −2) + P(X = 2) = 0, 1 + 0, 3 = 0, 4

D’où la loi de Y :

yj 1 2 4
pj = P(Y = yj) 0.3 0.3 0.4

∑pj =1

10) Moments d’une variable aléatoire discrète :

1) Espérance

Définition. On appelle espérance mathématique ou moyenne d’une variable aléatoire réelle

discrète X, la quantité notée E(X) et définie par

E(X)= ∑ x i p ( X=x i ) .
i

Remarque

i. L’espérance de X est définie par une somme qui peut être infinie, c’est pour cette raison
qu’elle appartient à R ∪ {−∞,+∞} en général.

ii. Lorsque E(X) = 0, on dit que la variable aléatoire X est centrée.

Propriétés :
Soient X et Y deux v.a. discrètes (ou continues) et a une constante, ona :

1 E(a) = a

2 E(X + a) = E(X) + a

3 E (aX) = aE(X)

4 E[X − E(X)] = 0

5 E(X + Y ) = E(X) + E(Y )

Preuve :

1 Soit X = a et P(X = a) = 1, alors E(X) = a.P(X = a) = a.1 = a

2 E(X + a) =∑ (xi + a)P(X = xi) = ∑xiP(X = xi) + a ∑P(X = xi) = E(X) + a

3 E(aX) = ∑axiP(X = xi) = a ∑xiP(X = xi) = aE(X)

4 E[X − E(X)] = ∑ (xi − E(X))P(X = xi) = ∑xiP(X = xi) − ∑E(X)P(X = xi)

= E(X) − E(X) ∑P(X = xi) = E(X) − E(X) = 0

2) Variance et écart-type :

On définit une mesure de dispersion de X autour de son espérance mathématique dite variance
de X.

Définition :

Si E(X2 ) existe, on appelle variance d’une v.a. X, le nombre V ar(X) = E (X − E(X))2 . On

appelle écart-type de X, le nombre σ(X) = √ V ( X ) .

Formule réduite :

Var(X) = E(X2 ) − E(X) 2

En effet, Var(X) = E (X2 − 2XE(X) + E(X) 2 ) = E(X2 ) − 2E(X) 2 + E(X) 2 = E(X2 ) − E(X) 2

Propriétés :

∀a, b ∈ R, on a :

1 Var(aX + b) = a 2V ar(X)

2 Var(X) = 0 ⇔ X est dégénérée, i.e. X = E(X) avec P(X = E(X)) = 1

3 Var(X) < E(X − C) 2 ; ∀C ≠ E(X) car, E(X − C) 2 = E(X − E(X))2 + (C − E(X))2 puisque
2(E(X) − C)E(X − E(X)) = 0
4 Si E(|X| 2 ) < ∞, la v.a. Z = X−E(X)/ σ(X) est telle que E(Z) = 0 et σ(Z) = 1.

Z est dite v.a. centrée et réduite (Var(Z) = Var(X)/ σ2(X) = 1) associée à la v.a. X.

5 si X et Y sont indépendantes, V(X+Y)=V(X)+V(Y)

6 si X et Y sont indépendantes, V(X-Y)=V(X)+V(Y)

3) Moments d’ordre supérieur :

Définition : On appelle moment d’ordre k d’une v.a. X, le nombre mk définie par :

mk = E(Xk ) = ∑ x ki P(X = xi)

i

Définition :

On appelle moment centré d’ordre k d’une v.a. X, le nombre µk définie par :

µk = E(X−E(X))k =∑(xi-E(X))k= P(X = xi)

II) Lois usuelles discrètes :

Les lois discrètes les plus utilisées sont : Loi de Dirac ,loi de Bernoulli, loi binomiale, loi
hypergéométrique, loi de Poisson et la loi géométrique.

1) Loi de Dirac :

Soit a un nombre fixé. Soit X une v.a. prenant la valeur a avec P(X = a) = 1. On appelle loi de
Dirac au point a la probabilité

 Son espérance mathématique est : E(X) = a et sa variance est : Var(X) = 0.

 La représentation de l’histogramme et de la fonction de répartition sont:

 

2) Loi de Bernoulli :

Une v. a. X suit une loi de Bernoulli si elle prend les deux valeurs 1 et 0 avec P(X=1)=p et
P(X=0)=q où p+q=1.

 p s’appelle paramètre de la loi.

 {X=1} est dit événement succès et {X=0} est dit événement échec.

 X représente donc le nombre de succès obtenu après la réalisation d’une seule

expérience aléatoire.
 3) Loi binomiale :

On considère l’expérience qui consiste en n répétitions indépendantes d’une même expérience

dont l’issue est l’apparition ou la non apparition d’un événement A qui:

– Soit se réalise avec la probabilité p (p=probabilité du succès).

– Soit ne se réalise pas avec la probabilité q=1-p (q=probabilité d’échec).

Soit X le nombre d’apparitions de cet événement parmi ces n expériences.

On a Ω={A,Ā}n et 0≤ X≤ n.

On cherche P(X=k). Le résultat de ces n expériences est une suite (A 1 , A2 ,…, An ) où Ai=A
ou Ā, pour tout i=1,2,…,n.

•Si on suppose que A est apparu k fois et Ā (n-k) fois, la probabilité d’une de ces suites (A 1 ,
A2 ,…, An ) est p k (1-p)n-k. Comme il existe suites (A1 , A2 ,…, An ) où A est apparu k fois et Ā
(n-k) fois,

On déduit que:

On dit que X suit une loi binomiale de paramètres n et p ,

 On écrit X ~ B(n,p)

 Son espérance mathématique est : E(X) = np

 Sa variance est Var(X) = np(1 − p)

La loi binomiale rend compte de tous les phénomènes répétés de manière indépendante
pouvant prendre deux états, tels que: succès ou échec, tout ou rien.

4) Loi hypergéométrique :

• On considère une urne contenant N boules dont a sont blanches et b=N–a sont rouges. On
tire de cette urne n boules. (On peut tirer les n boules en même temps ou l’une après l’autre
sans remise). Soit X la v.a. égale au nombre de boules blanches tirées parmi les n boules.
Cette v.a. suit une loi dite hypergéométrique et est notée H(n,a,b).

Comme 0 ≤ X≤ a et 0≤n–X≤ b, on a: max {0, n–b}≤ X≤ min{a, n}

• Soit un nombre entier k tel que: max {0, n–b} ≤ k ≤ min {a, n}. On cherche P(X=k).
L’ensemble fondamental Ω est constitué de tous les sous-ensembles de n boules que l’on peut
tirer de l’urne Ω=Pn (E). C’est l’ensemble de parties à n éléments de l’ensemble E des boules.

On a

• Le nombre de façons de tirer k boules parmi les a blanches est et pour chacune de ces façons
il y a manières de tirer n–k boules parmi les boules rouges. Donc:

5) Loi de Poisson :

On dit qu’une v. a. obéit à une loi de Poisson, si elle est susceptible de prendre toutes les
valeurs entières 0,1,2,…,k,…,n,… les probabilités associées étant p0 ,p1 ,p2 ,…,pk ,…,pn ,…
avec

 λ étant un paramètre positif, et e la base des logarithmes népériens. La constante λ

s’appelle le paramètre de la loi.

 La loi de Poisson est notée P (λ).

 Son espérance mathématique est : E(X) = λ

  Sa variance est : Var(X) = λ

La loi de Poisson est appelée loi des petites probabilités. On l’utilise pour représenter des
phénomènes rares, tels que: nombre d’accidents, nombre de pannes, nombre de déchets dans
une fabrication …

6) Loi géométrique :

On considère une expérience à deux issues possibles (réalisation de l’événement A ou de

l’événement Ā). On répète indéfiniment cette expérience jusqu’à ce que A se réalise. Soit X la
v.a. égale au nombre de répétitions nécessaires pour la réalisation de A.

 On a: X(Ω )={1,2,…,n,…} et P(X=k)=p(1-p)k-1 où p est la probabilité de réalisation

de l’événement A.

 On vérifie que c’est bien une loi de probabilité. En effet,

Référence :

[1] : Variables aléatoires; Mohamed El Merouani;Université Abdelmalek Essaâdi 2019/2020.

[2] : Méthodes statistiques et probabilités ; Khaldi khaled, Université Boumerdes 1999 .