Chapitre 4

Variables aléatoires

4.1.Introduction
Le résultat d’un phénomène aléatoire peut se traduire par une grandeur mathématique, très souvent
représenté par une valeur numérique (entière ou réelle). La notion mathématique qui traduit ce
genre de situation concrète est celle de variable aléatoire (notée également v.a.). Le poids d’un bébé
lors d’une naissance ou bien la somme des chiffres obtenus lors de lancer de deux dés, le temps de
désintégration d’un atome radioactif, le pourcentage de réponses « oui » à une question posée dans
un sondage sont des exemples de variables aléatoires. On définit ainsi une application X de Ω vers
R. on sera donc que pour tous résultats 𝜔 ∈ Ω tel que 𝑋 𝜔 = 𝑎, ou encore 𝑋 𝜔 < 𝑎, ou encore
𝑋 𝜔 ∈ [𝑎, 𝑏[. On voudrait parler de la probabilité de telle ou telle situation. Or, dans un espace
probabilisé, seuls les événements ont une probabilité (la tribu n’est pas toujours formée de toutes les
parties de Ω). Donc, pour pouvoir considérer la probabilité de ces événements, il faut que ceux-ci
soient dans la tribu F.

4.2.Variables aléatoires
Soit (Ω, F, P) un espace de probabilité, on appelle variable aléatoire réel (v.a.r) sur cet espace,
toute application X de Ω dans R telle que :
𝑋: 𝐹 ⟶ 𝐼𝑅
𝜔 ⟶ 𝑋(𝜔)
𝑋
Ω, 𝐹, 𝑃 (Ω, 𝐵 𝐼𝑅 , 𝑃)
𝑋 mesurable ⟺ ∀ l’intervalle 𝐼 ⊂ 𝐼𝑅: 𝑋 −1 (𝐼) ∈ 𝐹

A chaque évènement élémentaire 𝜔 de 𝛺 correspond un nombre réel x associé à la variable aléatoire

X.

1
Dr. HENNICHE Rabah
Exemple : Si l’on considère la constitution d’une fratrie de deux enfants, l’espace fondamental est
constitué des évènements élémentaires suivant : Ω = {𝐺𝐺, 𝐺𝐹, 𝐹𝐺, 𝐹𝐹}. Les valeurs possibles prises
par la variable aléatoire X, « nombres de fille dans la famille » sont : Ω = {0, 1,2}.

Notations :

 L’ensemble réciproque 𝑋 −1 I = {𝜔 ∈ Ω ∶ X(ω) ∈ I} est un événement de F.

 L’ensemble des valeurs prises par X, notés 𝑋(Ω), s’appele l’ensemble des obsarvables
associés à X. X Ω = {𝑋 𝜔 𝑝𝑜𝑢𝑟 𝜔 ∈ Ω}
 Si 𝐴 ⊂ Ω, X A = 𝑋 𝜔 , 𝜔 ∈ A

4.2.1. Variables aléatoires discrètes

Définition : une variable aléatoire réel est dite discrète si elle ne prend que des valeurs
discontinues dans un intervalle donné (l’ensemble X(Ω) est fini ou dénombrable). En règle
générale, toutes les variables qui résultent d’un dénombrement ou d’une numération sont de types
discrètes. L’ensemble des nombres entiers est discret.

Remarque : 𝑋(Ω) peut être fini 𝑋 Ω = {𝑥1 , … . . 𝑥𝑛 }, mais également infini dénombrable 𝑋 Ω =
{𝑥1 , … . . 𝑥𝑛 … … … }.

Exemple1 : on lance successivement deux dés où X la v.a.r représentant la somme des numéros
porté par chaque dé. Il est clair que 𝑋 Ω est fini car on a : 𝑋 Ω = {2, … . .12}.

Exemple2 : on lance une pièce de monnaie bien équilibré, soit X la v.a.r indiquant le nombre de
lancer nécessaires avant l’obtention d’un pile. Ici 𝑋 Ω est infini dénombrable car 𝑋 Ω = 𝑁 ∗ .

Notation : pour une v.a.r. discrète, on utilise la notation 𝑋 = 𝑥 = 𝜔 ∈ Ω ∶ 𝑋 𝜔 = 𝑥.

4.2.1.1.Loi de probabilité (densité de probabilité)

Soit X une variable aléatoire discrète définie sur (Ω, F, P). on appelle loi de probabilité ou densité
de X la fonction : 𝑓: 𝑋 Ω ⟶ [0,1] définie par 𝑓 𝑥 = 𝑃(𝑋 = 𝑥).

Notation : 𝑓𝑋 𝑥 = 𝑃(𝑋 = 𝑥)

2
Dr. HENNICHE Rabah
Propriétés : les propriétés associées à la fonction de densité de probabilité sont :

 𝑓𝑋 𝑥 ≥ 0, ∀𝑥 ∈ 𝐼𝑅
 {𝑥, 𝑓𝑋 𝑥 ≥ 0} fini ou dénombrable
 𝑥 𝑓𝑋 𝑥 =1

Démonstration :

 𝑓𝑋 𝑥 = 𝑃 𝑋 = 𝑥 ≥ 0
 𝑥, 𝑓𝑋 𝑥 ≥ 0 = 𝑥, 𝑓𝑋 𝑥 ≠ 0 = 𝑋(Ω) fini ou dénombrable (discrète).
 Soit 𝑦 ∈ 𝑌(Ω), 𝐼𝑦 = {𝑥𝑖 ∈ 𝑋 Ω , 𝑓 𝑥𝑖 = 𝑦𝑖 } on a donc 𝜔∈Ω∶𝑓 𝑋 𝜔 =𝑦 =

𝑥 𝑖 ∈𝐼𝑦 𝜔 ∈ Ω ∶ 𝑋(𝜔) = 𝑥𝑖 = 𝑥 𝑖 ∈𝐼𝑦 𝑋 = 𝑥𝑖 d’où

𝑃 𝑌=𝑦 = 𝑥 𝑖 ∈𝐼𝑦 𝑃 𝑋 = 𝑥𝑖 = 𝑥 𝑖 ∈𝐼𝑦 𝑓𝑋 𝑥𝑖 = 𝑃 Ω = 1

1 1
Exemple : on jette une pièce de monnaie : 𝑃 𝑋 = 0 = 𝑃 𝑋 = 1 = 2 , 𝑓𝑋 𝑥 = 2 si x = 0,1

1
𝑠𝑖 𝑥 = 0, 1
Ou bien 𝑓𝑋 𝑥 = 2
0 𝑠𝑖 𝑛𝑜𝑛

Remarque 1:

 𝑓𝑋 𝑥 > 0 si x est une valeur possible 𝑥 ∈ 𝑋(Ω)

 fX x = 0 si x est une valeur impossible x ∉ X(Ω)

Remarque 2: Une loi de probabilité n’est établie que si 𝑖 𝑝𝑖 = 1, la somme étant étendue à tous
les indices i.

4.2.1.2.Fonction de répartition (cumulative, distribution)

Soit X une variable aléatoire discrète définie sur (Ω, F, P). on appelle fonction de répartition toute
application 𝐹𝑋 de IR dans [0,1] définie par ∀𝑥 ∈ 𝐼𝑅: 𝐹 𝑥 = 𝑃(𝑋 ≤ 𝑥).

Notation : 𝐹𝑋 𝑥 = 𝑃(𝑋 ≤ 𝑥)

Concrètement la fonction de répartition correspond à la distribution des probabilités cumulées.

Le plateau atteint par la fonction de répartition correspond à la valeur de probabilité 1 car 𝑖 𝑝𝑖 = 1
L’importance pratique de la fonction de répartition est qu’elle permet de calculer la probabilité de
tout intervalle dans IR.

Propriétés : Soit FX la fonction de répartition d’une variable aléatoire discrète X alors :

 ∀𝑥 ∈ 𝐼𝑅 ∶ 0 ≤ 𝐹𝑋 (𝑥) ≤ 1

3
Dr. HENNICHE Rabah
  FX est croissante sur IR
 lim𝑥 −∞ 𝐹𝑋 𝑥 = 0 et lim𝑥 +∞ 𝐹𝑋 𝑥 = 1
 Si 𝑎 ≤ 𝑏 ∶ 𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 = 𝐹𝑋 𝑏 − 𝐹𝑋 𝑎
 𝑃 𝑋 = 𝑥 = 𝐹𝑋 𝑥 − 𝐹𝑋 (𝑥 −)

Démonstration :
 résulte de la définition d’une probabilité.
 Si 𝑥 ′ ≥ 𝑥, 𝐹𝑋 𝑥 ′ = 𝑃 𝑋 ≤ 𝑥 ′ = 𝑃 𝑋 ≤ 𝑥 + 𝑃(𝑥 ≤ 𝑋 ≤ 𝑥 ′ ) ≥ 𝑃 𝑋 ≤ 𝑥 = 𝐹𝑋 𝑥 , donc
≥0

𝐹𝑋 est croissante. (même démonstration pour 4)

 lim𝑥 𝑥 0+ 𝐹𝑋 𝑥 = lim+ 𝑃 𝑋 ≤ 𝑥 = lim+ 𝑃 𝑋 ≤ 𝑥0 + lim+𝑃 𝑥0 ≤ 𝑋 ≤ 𝑥 = lim+ 𝑃 𝑋 ≤
𝑥 𝑥0 𝑥 𝑥0 𝑥 𝑥0 𝑥 𝑥0

𝑥0+lim𝑥 𝑥0+𝑃𝑥∈𝑥0, 𝑥]𝑃∅=0=𝐹𝑋𝑥0, donc FX est continue à droite.

 𝐹𝑋 𝑥 = 𝑃 𝑋 ≤ 𝑥 = 𝑃 𝑋 = 𝑥 ∪ 𝑃 𝑋 < 𝑥 = 𝑃 𝑋 = 𝑥 + 𝑃 𝑋 = 𝑥− = 𝐹𝑋 𝑥 +
𝐹𝑋 𝑥− ⇒ 𝑓𝑋 𝑥 = 𝐹𝑋 𝑥 − 𝐹𝑋 𝑥−

Exemple1 : On considère l’évènement 𝜔 « lancer de 3 pièces de monnaies ». On introduit une

variable aléatoire X définie par 𝑋(𝜔) « nombre de piles de l’évènement 𝜔». La loi de probabilité de
X est :

Nombrede piles 0 1 2 3
P(X = xi) 1/8 3/8 3/8 1/8
FX 1/8 4/8 7/8 1

Dans le cas d’une variable aléatoire discrète, on utilise un diagramme en bâtons pour visualiser la
distribution de probabilités et une fonction en escalier pour la fonction de répartition.

Exemple2 :

0 𝑠𝑖 𝑥 < 0
1
𝑠𝑖 0 ≤ 𝑥 < 1
4
Soit 𝐹𝑋 𝑥 = 3
𝑠𝑖 1 ≤ 𝑥 < 4
8
1 𝑠𝑖 𝑥 ≥ 0
a) F est une fonction de répartition d’une v.a X
b) Trouvez la densité de X
c) Calculer 𝑃(0 < 𝑋 ≤ 1) ; 𝑃(0 ≤ 𝑋 ≤ 1)

4
Dr. HENNICHE Rabah
Solution :
a) F est ↗ (évidament)
lim 𝐹𝑋 𝑥 = 0 ≠ 𝐹𝑋 0 lim 𝐹𝑋 𝑥 = 1
𝑥 0− 𝑥 +∞
F est continue à droit 1 et
lim+ 𝐹𝑋 𝑥 = 4 = 𝐹𝑋 0 lim 𝐹𝑋 𝑥 = 0
𝑥 0 𝑥 −∞

Donc, il existe une v.a X tq :𝐹𝑋 𝑥 = F(x)

b) 𝑓𝑋 𝑥 = 𝐹𝑋 𝑥 − 𝐹𝑋 𝑥 −

Si x est un point de continuité de 𝐹𝑋 ; 𝑓𝑋 𝑥 = 𝐹𝑋 𝑥 − 𝐹𝑋 𝑥 − = 𝐹𝑋 𝑥 − 𝐹𝑋 𝑥 = 0

Si x est une point de discontinuité de 𝐹𝑋 ; 𝑓𝑋 𝑥 = 𝐹𝑋 𝑥 − 𝐹𝑋 𝑥

x= 0 : 𝑓𝑋 0 = 𝐹𝑋 0 − 𝐹𝑋 0− = 0

3 1 1
x= 1 : 𝑓𝑋 1 = 8 − 4 = 8

3 5
x= 4 : 𝑓𝑋 4 = 𝐹𝑋 4 − 𝐹𝑋 4− = 1 − 8 = 8

3 1 1
c) 𝑃 0 < 𝑥 ≤ 1 = 𝐹𝑋 1 − 𝐹𝑋 0 = 8 − 4 = 8
3 3
𝑃 0 ≤ 𝑥 ≤ 1 = 𝐹𝑋 1 − 𝐹𝑋 0− = −0=
8 8

4.2.2. Variables aléatoires continues

On dit qu’une variable aléatoire sur l’espace de probabilité (Ω, F, P), est continue si X(Ω) contient
au moins un intervalle de IR.
Remarque : On rencontra dans la suite que des v.a absolument continues pour les quelles, ∀ 𝑥 ∈
𝐼𝑅, 𝑃 𝑋 = 𝑥 = 0. Les événements de probabilité non nulle seront donc les intervalle [a, b] de IR.
Contrairement au cas discret, l’ensemble des observables X(Ω) n’est pas dénombrable dans le cas
continu. Il nous faut donc abandonner le signe somme par le signe intégral.

4.2.2.1.Densité de probabilité :
Soit X une variable aléatoire continue. On appelle densité de probabilité de x la fonction 𝑓𝑥 , définie
sur IR, telle que pour tout intervalle [a, b] de IR :
𝑏
𝑃 𝑎≤𝑋≤𝑏 = 𝑓𝑋 𝑥 𝑑𝑥
𝑎

𝑓𝑥 : 𝐼𝑅 𝐼𝑅
𝑓 est appelée fonction de densité de x.

5
Dr. HENNICHE Rabah
Exemple : soit X une v.a continue de densité 𝑓𝑥 définie par :

𝑒 −𝑥 𝑠𝑖 𝑥 ≥ 0
𝑓𝑋 𝑥 =∗
0 𝑠𝑖 𝑛𝑜𝑛

+∞
𝑓𝑥 est positive, continue sur IR sauf en 0 et 𝑓
−∞ 𝑋
𝑥 𝑑𝑥 = 1
On peut calculer par exemple :
1 1
1
1 4 4 1
𝑃(−2 ≤ 𝑋 ≤ ) = 𝑓𝑋 𝑥 𝑑𝑥 = 𝑒 −𝑥 𝑑𝑥 = [−𝑒 −𝑥 ]40 = 1 − 𝑒 −4 = 0.221
4 −2 0

Propriétés : soit X une v.a continue de densité de probabilité 𝑓𝑥 . Alors on a :

 ∀ 𝑥 ∈ 𝐼𝑅, 𝑓𝑋 (𝑥) ≥ 0
 {𝑥, 𝑓𝑋 (𝑥) > 0} = 𝑋(Ω), intervalle ou union fini de plusieurs intervalles.
+∞
 𝑓
−∞ 𝑋
𝑥 𝑑𝑥 = 1

4.2.2.2.Fonction de répartition
La fonction de répartition d’une variable aléatoire X est définie par :
𝑥
𝐹𝑋 𝑥 = 𝑃 𝑋 ≤ 𝑥 = 𝑃 𝑋 ∈ − ∞, 𝑥]) = 𝑓𝑋 𝑡 𝑑𝑡 ≥ 0
−∞

 Propriétés de la fonction de répartition

 𝐹𝑋 (𝑥) est croissante
 𝐹𝑋 (𝑥) est continue
 lim𝑛 +∞ 𝐹𝑋 (𝑥) = 1, lim𝑛 −∞ 𝐹𝑋 (𝑥) =0

Remarque :
𝑑
𝑓𝑋 𝑋 = 𝐹 𝑥 = 𝐹𝑋′ 𝑥
𝑑𝑥 𝑋
𝐹𝑋 𝑥 = 𝑃 𝑋 ≤ 𝑥 = 𝑃(𝑋 < 𝑥)

2
Exemple : soit X une v.a.c de densité 𝑓𝑋 𝑥 = 𝐶 𝑥 + 𝑥 𝑠𝑖 𝑥 ∈ [0,1]
0 𝑠𝑖 𝑛𝑜𝑛
 Calculer C.
1
 𝑃 𝑋>2

 Déterminer la fonction de répartition de X

𝑓𝑋 𝑥 ≥ 0 pour 0 < 𝑥 < 1 ⇒ 𝐶 > 0

6
Dr. HENNICHE Rabah
 +∞ 0 0 ∞ 1
2 2 2
𝑥2
𝑓𝑋 𝑥 𝑑𝑥 = 0𝑑𝑥 + 𝐶(𝑥 + 𝑥 )𝑑𝑥 + 𝐶 𝑥 + 𝑥 𝑑𝑥 = 𝐶 𝑥 + 𝑥 𝑑𝑥 = 𝐶(
−∞ −∞ −∞ 1 0 2
3
𝑥 1 1 1 5
+ )]0 = 𝐶 + =𝐶 =1
3 3 2 6
Remarques
1. f(x) n’est pas la probabilité d’un événement!
2. 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝑃(𝑎 < 𝑋 ≤ 𝑏) = 𝑃(𝑎 ≤ 𝑋 < 𝑏) = 𝑃(𝑎 < 𝑋 < 𝑏).
3. 𝑃(𝑋 = 𝑥) = 0
4.3. Espérance et variance

Une variable aléatoire est déterminée par sa distribution de probabilité, cependant il est commode
d’en donner des caractéristiques numériques.

 Espérance mathématique :

L’espérance d’une variable aléatoire E(X) correspond à la moyenne des valeurs possibles de X où
chaque valeur est affectée de sa probabilité. C’est l’équivalent de la moyenne arithmétique 𝑋 . En
effet lorsque le nombre d’épreuves n est grand, 𝑋 tend vers E(X).

Cas d’une variable aléatoire discrète.

Si X est une variable aléatoire discrète finie prenant les valeurs Xl, X2,…….. Xn n ∈ 𝑁 ,
l’espérance mathématique de X, notée E(X) est définie par:

𝑛 𝑛 𝑛

𝐸 𝑋 = 𝑥𝑖 𝑝𝑖 = 𝑥𝑖 𝑃 𝑋 = 𝑥𝑖 = 𝑥𝑖 𝑓𝑋 (𝑥𝑖 ) = 𝑥1 𝑓𝑋 𝑥1 + 𝑥2 𝑓𝑋 𝑥2 + ⋯ . . +𝑥𝑛 𝑓𝑋 (𝑥𝑛 )

𝑖=1 𝑖=1 𝑖=1

L’espérance est un paramètre de position; elle donne une indication sur l’ordre de grandeur des
valeurs prises par la variable aléatoire car c’est est une moyenne pondérée des valeurs de X.

Exemple : 𝑋 𝑢( 0, 1 ) (espérance de monnaie)

1
𝑓𝑋 𝑥 = 2 si 𝑥 = 0, 1
1
1
𝐸 𝑋 = 𝑥𝑖 𝑃 𝑋 = 𝑥𝑖 = 0𝑃 𝑋 = 0 + 1𝑃 𝑋 = 1 =
2
𝑖=0

0 𝐸 𝑋 =1 2 1

1/2 1/2

7
Dr. HENNICHE Rabah
Remarque : l’espérance n’est pas nécessairement une valeur possible
1
Soit X une v.a discrète de densité 𝑓𝑋 𝑥 = 𝑥(𝑥+1) ; si x = 1, 2…..

𝑓𝑋 𝑥 ≥ 0, ∀𝑥 ∈ 𝐼𝑅
𝑥, 𝑓𝑋 𝑥 ≥ 0 = 𝐼𝑁 − {0}
∞ ∞ ∞ ∞
1 1 1 1 1 1
𝑓𝑋 𝑥 = = − = lim − = lim 1 − =1
𝑥(𝑥 + 1) 𝑥 𝑥+1 𝑛 ∞ 𝑥 𝑥+1 𝑛 ∞ 𝑥+1
𝑥=1 𝑥=1 𝑥=1 𝑥=1
𝑛 ∞ ∞
1 1
𝐸 𝑋 = 𝑥𝑓𝑋 𝑥 = 𝑥 = =∞
𝑥(𝑥 + 1) (𝑥 + 1)
𝑖=1 𝑥=1 𝑥=1

 Propriétés de l’espérance

Si X et Y sont deux variables aléatoires définies sur le même univers Ω, admettant une espérance,
alors :
𝐸(𝑋 + 𝑌) = 𝐸(𝑋) + 𝐸(𝑌)
𝐸(𝑎𝑋) = 𝑎𝐸(𝑋) ∀𝑎 ∈ 𝑅
𝐸 𝑎𝑋 + 𝑏 = 𝑎𝐸 𝑋 + 𝑏

𝐸 𝑋𝑛 = 𝑥 𝑛 𝑓𝑋 (𝑥)
𝑥

𝑆𝑖 𝑋 ≥ 0 𝑎𝑙𝑜𝑟𝑠 𝐸(𝑋) ≥ 0
Si X est un caractère constant tel que : ∀𝜔 ∈ 𝛺, 𝑋 (𝜔) = 𝑘 𝑎𝑙𝑜𝑟𝑠 𝐸(𝑋) = 𝑘

Démonstration :

𝑛 𝑛 𝑛

𝐸 𝑋 + 𝑌 = ( 𝑥𝑖 + 𝑦𝑖 )𝑝𝑖 = ( 𝑥𝑖 𝑝𝑖 ) + ( 𝑦𝑖 𝑝𝑖 ) = 𝐸(𝑋) + 𝐸(𝑌 )

𝑖=1 𝑖=1 𝑖=1

𝑛 𝑛

𝐸(𝑎𝑋) = ( 𝑎𝑥𝑖 )𝑝𝑖 = 𝑎 𝑥𝑖 𝑝𝑖 = 𝑎𝐸(𝑋)

𝑖=1 𝑖=1

On prend 𝑔 𝑥 = 𝑎𝑋 + 𝑏

𝐸 𝑎𝑋 + 𝑏 = 𝐸 𝑔 𝑥 = 𝑔 𝑥 𝑓𝑋 𝑥 = (𝑎𝑋 + 𝑏)𝑓𝑋 𝑥 = (𝑎𝑋𝑓𝑋 𝑥 + 𝑏𝑓𝑋 (𝑥))

𝑥 𝑥 𝑥

= 𝑎𝑋𝑓𝑋 𝑥 + 𝑏𝑓𝑋 𝑥 = 𝑎 𝑋𝑓𝑋 𝑥 + 𝑏 𝑓𝑋 𝑥 = 𝑎𝐸(𝑋) + 𝑏

𝑥 𝑥 𝑥 𝑥

8
Dr. HENNICHE Rabah
𝑋 ≥ 0 implique que ∀𝜔 ∈ 𝛺 𝑋 (𝜔) ≥ 0 et comme une probabilité est toujours positive,
𝐸(𝑋) ≥ 0.

𝑛 𝑛 𝑛

𝐸 𝑋 = 𝑘 𝑝𝑖 = 𝑘 𝑝𝑖 = 𝑘 car par définition 𝑝𝑖 = 1

𝑖=1 𝑖=1 𝑖=1

Variance

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 (mesure la dispersion des valeurs possibles autour de
l’espérance). C’est l’équivalent de la variance observée S2. En effet lorsque le nombre d’épreuves
n est grand, S2 tend vers V(X).

Remarque : Si X(Ω) est infini, il n’est nullement évident que V(X) existe. De plus comme [X –
E(X)]2 ≥ 0 nécessairement V(X) ≥ 0. Par définition, une variance est toujours positive. La variance
est également notée σ2 si aucune confusion n’est à craindre.

Si X est une variable aléatoire ayant une espérance E(X), on appelle variance de X le réel :

2
𝑉 𝑋 = 𝐸 𝑋– 𝐸 𝑋 = 𝐸 𝑋 2 − [𝐸 𝑋 ]2

Démonstration :

2
𝑉 𝑋 = 𝐸 𝑋– 𝐸 𝑋 = 𝐸 𝑋 2 – 2𝑋𝐸 𝑋 + 𝐸 𝑋 = 𝐸 𝑋 2 – 2𝐸 𝑋𝐸 𝑋 +𝐸 𝐸 𝑋 2

= 𝐸 𝑋 2 – 2𝐸 𝑋 2
+ 𝐸 𝑋 2
= 𝐸 𝑋 2 − [𝐸 𝑋 ]2

Si X est une variable aléatoire ayant une variance V(X), on appelle écart-type de X, le réel :

𝜎 (𝑋) = 𝑉(𝑋)

Remarque : L’écart-type permet de disposer d’un paramètre de dispersion qui s’exprime dans les
mêmes unités que la variable aléatoire elle-même. Le terme « écart-type » se traduit en anglais par
le faux-ami « standard déviation ».

Cas d’une variable aléatoire discrète.

Si X est une variable aléatoire discrète de loi de probabilité (xi, pi)i définie sur un nombre fini
(n) d’évènements élémentaires alors la variance est égale à :

9
Dr. HENNICHE Rabah
 𝑛 𝑛

𝑉 𝑋 = 2
(𝑥𝑖 − 𝐸(𝑋)) 𝑝𝑖 = 𝑥𝑖2 𝑝𝑖 − 𝐸(𝑋)2 = 𝐸 𝑋 2 − [𝐸 𝑋 ]2
𝑖=1 𝑖=1

La variance, elle, donne une mesure de la dispersion des valeurs autour de l’espérance (moyenne).
Un des avantages de l’´ecart-type est d’avoir la même unité que la moyenne. La médiane est la
valeur de X pour laquelle la fonction de répartition dépasse1/2. Elle se prête moins bien au calcul.

Cas d’une variable aléatoire continue.

Soit X une variable aléatoire de densité f définie de IR dans IR :

b
P a≤X≤b = fX x dx
a

Si les intégrales 𝑡𝑓(𝑡)𝑑𝑡 et 𝑡 2 𝑓(𝑡)𝑑𝑡 existent.

L’espérance
X une variable aléatoire continue de densité f d’espérance 𝐸 𝑋 = 𝑡𝑓(𝑡)𝑑𝑡

La variance
2
La variance de X est le réel positif 𝑉 𝑋 = 𝑡−𝐸 𝑋 𝑓 𝑡 𝑑𝑡
Ou encore 𝐸 𝑋 2 −[𝐸 𝑋 ]2 = 𝑡 2 𝑓 𝑡 𝑑𝑡 − 𝑡𝑓 𝑡 𝑑𝑡 2

Remarque
 La variance mesure la dispersion des valeurs prises par la variable aléatoire autour de sa
valeur centrale qui est l’espérance.
 La fonction 𝑢 − 𝐸 ( ( 𝑋 − 𝑢)2 ) est minimale pour u = E(X)
 ∀ 𝑎, 𝑏 ∈ 𝑅 2 𝑉 𝑎𝑋 + 𝑏 = 𝑎2 𝑉 𝑋
 𝑉 (𝑋) = 0 ⇔ 𝑋 = 𝐸(𝑋)

Remarque importante: L’écart-type mesure la dispersion des valeurs prises par la variable
aléatoire autour de la valeur centrale qui est l'espérance, mais dans l’unité de la variable.

2.4 Couples de variables aléatoires

2.4.1 Loi jointe

Les définitions portant sur la loi jointe entre deux variables aléatoires X et Y impliquent que ces
dernières soient définies sur le même espace fondamental Ω. Si X et Y sont définis respectivement

10
Dr. HENNICHE Rabah
sur les espaces fondamentaux Ω1 et Ω2, alors il faut envisager un espace qui englobe Ω1 et Ω2
appelé « espace-produit ».

Il suffit alors de connaître la loi jointe des deux variables aléatoires ou loi de probabilité du
couple (X, Y), la fonction définie par :
𝑥, 𝑦 𝑝𝑥𝑦 = 𝑃 ((𝑋 = 𝑥) 𝑒𝑡 (𝑌 = 𝑦)) dans le cas discret

Dans le cas continu, 𝑝𝑥𝑦 = 𝑃 ((𝑥𝑏 < 𝑋 < 𝑥𝑏 ) 𝑒𝑡 (𝑦𝑐 < 𝑌 < 𝑦𝑑 )) permet de définir la
probabilité pour que (X, Y) soit dans un rectangle.

Exemple :
On place au hasard deux billes rouge et verte dans deux boites A et B. On note X, la variable
aléatoire « nombre de billes dans la boite A » et Y, la variable aléatoire « nombre de boites vides ».
Les distributions de probabilités associées à chacune des variables X et Y ainsi que celle de la loi
jointe sont indiquées ci-dessous. Pour chaque loi, la valeur de l’espérance et de la variance est
également indiquée.

Variable X : X(Ω) = {0,1,2}

E(X) = 1 V(X) = 1/2

xi 0 1 2
pi 1/4 ½ 1/4

Variable Y : Y(Ω) = {0,1}

E(Y) = 1/2 V(Y) = 1/4
Yj 0 1
qj 1/2 ½
Variable XY : XY(Ω) = {0,1,2}
E(XY) = 1/2 V(XY) = 3/4
xi yj 0 1 2
fij 3/4 0 1/4

11
Dr. HENNICHE Rabah