Chapitre 5

Variables Aléatoires

On s’intéresse ici aux grandeurs dont la valeur est déterminée par le résultat d’une
expérience aléatoire, par exemple le gain d’un parieur dans un jeu de hasard, dépend
du déroulement aléatoire de la partie.

5.1 Définitions et Propriétés

5.1.1 Généralités
Définition 5.1.1. — On appelle variable aléatoire réelle (= v.a.r) définie sur
l’espace échantionnal fini ou infini dénombrable Ω, toute application X de Ω à valeurs
dans R

Ainsi, à chaque résultat de l’épreuve ωi ∈ Ω, on associe une valeur xi de la grandeur

X. Donc,
X : Ω −→ R
ωi 7−→ xi
xi est appelé une réalisation de X et leur ensemble est noté X(Ω).

Notation. Les variables aléatoires sont traditionnellement notées par des lettres latines
majuscules de la fin de l’alphabet (R, S, ..., X, Y, Z) et leurs réalisations par des lettres
miniscules.

Remarque. Dans le cas de Ω infini non dénombrable, on définit la variable aléatoire

réelle X sur un espace probabilisable (Ω, F) et on exige qu’elle soit telle que :

X −1 (] − ∞, x]) ∈ F ∀x ∈ R

Exemple 5.1.1.
• On lance 3 fois une pièce de monnaie. On s’intéresse à la grandeur X donnant le
nombre de piles.
On a par exemple : X({P, F, F }) = 1 et X({F, F, F }) = 0
• Nombre nécessaire de lancers d’une pièce de monnaie pour avoir le premier Pile
• Durée de vie d’une pièce produite.

1
2 CHAPITRE 5. VARIABLES ALÉATOIRES

Notation. Dans le but d’alléger les notations, on fait les conventions suivantes :
• [X = a] := {ω ∈ Ω / X(ω) = a}
• [a < X ≤ b] := {ω ∈ Ω / a < X(ω) ≤ b}
• [X ∈ I] := {ω ∈ Ω / X(ω) ∈ I}
• P(X = a) := P([X = a])
• P(a < X ≤ b) := P([a < X ≤ b])
• P(X ∈ B) := P([X ∈ B])
Avec ces notations, X v.a.r sur (Ω, F) signifie que [X ≤ x] ∈ F ∀x ∈ R

Théorème 5.1.1. — Soit X une variable aléatoire réelle sur (Ω, F) et soit g une
fonction continue de R dans R. Alors, goX est une variable aléatoire réelle sur Ω.

Preuve :
Admise 
1
Exemple 5.1.2. Quand les opérations ont un sens, aX + b, X n , et ln(|X|) sont des
X
variables aléatoires réelles.

Définition 5.1.2. — On appelle fonction de répartition (=f.r) de la variable aléa-

toire réelle X, la fonction F à valeurs dans [0, 1] et définie sur R par :

F (x) := P(X ≤ x)

Théorème 5.1.2. — Soit F la fonction de répartition de la variable aléatoire X. On

a:
P(a < X ≤ b) = F (b) − F (a)

Preuve :
P(a < X ≤ b) = P ([X ≤ b] − [X ≤ a]) = P ([X ≤ b]) − P ([X ≤ a]) = F (b) − F (a)

Théorème 5.1.3. — La fonction de répartition F vérifie les propriétés suivantes :

a) F est continue à droite en tout point.
b) F est croissante (admet donc un nombre de points de discontinuité au plus dé-
nombrable).
c) lim F (x) = 0 et lim F (x) = 1.
x→−∞ x→+∞

Preuve :
a) Admise.
b) Pour tout h > 0, on a :

F (x + h) = P(X ≤ x + h) = P(X ≤ x) + P(x < X ≤ x + h) ≥ P(X ≤ x) = F (x)

c) Admise 

Théorème 5.1.4. — Une fonction G définie sur R et vérifiant les trois propriétés du
Théorème 5.1.3 précédent, est la fonction de répartition d’une certaine variable aléatoire
réelle.
5.1. DÉFINITIONS ET PROPRIÉTÉS 3

Preuve :
Admise 
Exemple 5.1.3. Soit λ > 0 et considérons la fonction
{
0 si x < 0
G(x) =
1 − e−λx si x ≥ 0

C’est une fonction croissante, continue en tout point de R avec lim G(x) = 0 et
x→−∞
lim G(x) = 1. Donc, c’est la fonction de répartition d’une certaine variable aléatoire
x→+∞
X.
Théorème 5.1.5. — Si la fonction de répartition F d’une variable aléatoire X, est
continue sur R, alors P(X = a) = 0 pour tout a ∈ R. On dit que X ne charge pas les
points isolés.
Preuve :
On a pour tout a :
1 1
0 ≤ P(X = a) ≤ P(a − < X ≤ a) = F (a) − F (a − ) ∀n ∈ N
n n
En passant à la limite, on obtient :
( )
1
0 ≤ P(X = a) ≤ lim F (a) − F (a − ) = F (a) − F (a) = 0
n→+∞ n
D’où, P(X = a) = 0 

5.1.2 Variable aléatoire discrète

Définition 5.1.3. — Une variable aléatoire est dite discrète si elle prend un nombre
fini ou infini dénombrable de valeurs, c’est-à-dire si X(Ω) = {x1 , x2 , . . . , xn , . . .}
Notation. Dans le cas d’une variable aléatoire discrète, P(X = xi ) sera dorénavant
notée pi ou encore pxi .
Définition 5.1.4. — La suite finie ou infinie dénombrable des couples (xi , pi ) est appe-
lée distribution de probabilité ou loi de probabilité de la variable aléatoire discrète
X, notée (xi , pi )i∈I ou (xi , pi )xi ∈X(Ω) . On dit aussi que la loi de probabilité est discrète.
Remarques.
• Il est à priori sans intérêt de faire figurer dans la loi des couples (xi , pi ) tels que
pi = 0, mais celà peut s’avérer commode dans certain cas.
• S’il n’existe qu’un seul couple (x, p) tel que p > 0 (et alors p = 1), on dit que la
loi est dégénérée en x.
Théorème 5.1.6. — Une suite (xi , pi )i∈I est une loi de probabilité discrète si et seule-
ment si :
• 0∑ ≤ pi ≤ 1 ∀i ∈ I
• pi = 1.
i∈I
4 CHAPITRE 5. VARIABLES ALÉATOIRES

Preuve :
– ∑
L’implication directe est évidente puisque pi est une probabilité et on a bien
pi = P(Ω) = 1
i∈I
– L’implication réciproque est admise 

Exemple 5.1.4. La liste suivante :

∑
xi −2 −1 0 1 2
pi 1/5 1/6 1/5 1/15 11/30 1
est bien une loi de probabilité discrète d’une certaine variable aléatoire discrète.

Exemple 5.1.5. D’après le développement en série entière de eλ , on a :

∑
+∞
λi λi
e−λ . =1 et e−λ . ≥ 0 ∀λ ∈ R+∗
i=0 i! i!
Donc, pour λ ∈ R+∗ , la liste (λi )
i, e−λ .
i! i∈N
est bien une loi de probabilité discrète d’une certaine variable aléatoire discrète.

Remarque. La distribution discrète (xi , pi )i∈I peut être représentée graphiquement par
un diagramme appelé diagramme en bâtons, où dans un repère cartésien, on associe
à chaque xi un segment vertical dont la longueur est proportionnelle à pi .

Définition 5.1.5. — Une variable aléatoire discrète X est dite symétrique, si sa loi
(xi , pi )i∈I est symétrique, c’est-à-dire si pour toute valeur possibe xi , le nombre −xi est
aussi une valeur possible avec la même probabilité que xi .
Elle est dite symétrique par rapport à α ∈ R, si X − α est symétrique.

Théorème 5.1.7. — La représentation graphique de la fonction de répartition d’une

variable aléatoire réelle discrète est une courbe en escalier, constante entre deux valeurs
prises par la variable, ayant un nombre au plus dénombrable de sauts.

Preuve :
Facile à voir 

Théorème 5.1.8. — Soit (xi , pi )i∈I une loi de probabilité discrète. Alors,
pi = F (xi ) − lim− F (x) ∀i ∈ I
x→xi
Ainsi, une distribution discrète est complétement définie par sa fonction de répartition.

Preuve :
Admise 

Théorème 5.1.9. — Soit X une variable aléatoire réelle discrète de loi (xi , pi )i∈I .
Alors, ∑
F (x) = pi
i∈I:xi ≤x
5.1. DÉFINITIONS ET PROPRIÉTÉS 5

Preuve : ( ) ∑ ∑
F (x) = P(X ≤ x) = P ⊎ [X = xi ] = P(X = xi ) = pi 
i∈I:xi ≤x
i∈I:xi ≤x i∈I:xi ≤x

Théorème 5.1.10. — (Formule de changement de variables)

Soient X une variable aléaoire réelle discrète et g une application de X(Ω) dans B.
Alors, {
P (X ∈ g −1 (y)) si y ∈ B
P (g(X) = y) =
0 si B
Preuve :
Evidente 
Exemple 5.1.6. Soit X une variable aléatoire réelle discrète, de l’Exemple 5.1.4, de
loi donnée par :
xi −2 −1 0 1 2
pi 1/5 1/6 1/5 1/15 11/30
Alors, la loi de Y := X 2 = g(X) avec g : application de {−2, −1, 0, 1, 2} dans {0, 1, 4}
est donnée par :



1



P (X ∈ g −1 (0)) = P(X = 0) = si y = 0

 5





 1 1 7

P (X ∈ g −1 (1)) = P(X = −1 ou 1) = + = si y = 1
P(X = y) = 
2
6 15 30





 1 11 17

P (X ∈ g −1 (4)) = P(X = −2 ou 2) = +

 = si y = 4

 5 30 30

0 si non
Donc, la loi de X 2 est :
yi 0 1 4
pi 1/5 7/30 17/30

5.1.3 Variable aléatoire Continue

Définition 5.1.6. — Une variable aléatoire réelle est dite continue si sa fonction de
répartition est continue sur R. On dit aussi que la loi de probabilité est continue
Remarques.
• Une variable aléatoire X est continue si X(Ω) est du type intervalle.
• D’après le Théorème 5.1.5, une variable aléatoire continue ne charge aucun point
isolé et par suite, on a : F (x) := P(X < x) = P(X ≤ x).
Théorème 5.1.11. — Si X est une variable aléatoire réelle continue de fonction de
répartition F , alors il existe une fonction positive f telle que :
∫ x
F (x) = f (t)dt
−∞

La fonction f est appelée fonction de densité ou densité de probabilité de X.

6 CHAPITRE 5. VARIABLES ALÉATOIRES

Preuve :
Admise 
Remarque. F (x) est tout simplement l’aire située entre la courbe de f , l’axe des
abscisses et la verticale passant par le point d’abscisse x.
Définition 5.1.7. — Une variable aléatoire continue X est dite symétrique, si sa loi
est symétrique, c’est-à-dire si sa densité est paire.
Elle est dite symétrique par rapport à α ∈ R, si X − α est symétrique.
Théorème 5.1.12. — Soit X une variable aléatoire continue de densité f et de fonc-
tion de répartition F . Alors, on a : ∫ +∞
a) f est une fonction positive, intégrable telle que f (t)dt = 1.
−∞
∫ b
b) P(a < X < b) = f (t)dt.
a

∫Preuve
+∞
: ∫ x
a) f (t)dt = lim f (t)dt = lim F (x) = 1
−∞ x→+∞ −∞ x→+∞
∫ b ∫ a ∫ b
b) P(a < X < b) = F (b) − F (a) − P(X = b) = f (t)dt − f (t)dt − 0 = f (t)dt 
−∞ −∞ a

Remarque. Contrairement à la fonction de répartition, la densité n’est pas unique. On

peut par exemple modifier f en un nombre fini de points sans que cela change la valeur
de l’intégrale.
∫ +∞
Théorème 5.1.13. — Toute fonction positive telle que f (t)dt = 1 est une densité
−∞
de probabilité d’une certaine variable aléatoire continue.
Preuve :
Admise 
1
Exemple 5.1.7. La fonction f (x) = .1[a,b] (x) est une fonction positive pour tout
∫ +∞ b−a
a < b, telle que f (x)dx = 1, donc c’est une densité de probabilité d’une certaine
−∞
variable aléatoire continue.
∫ +∞
1
Exemple 5.1.8. On a 2
dx = [arctan(x)]+∞
−∞ = π. Donc, la fonction f dé-
−∞ 1 + x
1 1
finie sur R par f (x) = . est une densité de probabilité d’une certaine variable
π 1 + x2
aléatoire continue.
Théorème 5.1.14. — Soit F une fonction de répartition continue sur R d’une variable
aléatoire X, ayant une dérivée F ′ continue sauf peut être en un nombre fini de points
x1 , x2 . . . , xn . Alors, la fonction x −→ F ′ (x) est une densité de probabilité de X sur
R − {x1 , x2 . . . , xn }.
Preuve :
C’est un résultat classique du calcul d’intégrale 
5.2. CARACTÉRISTIQUES 7

Exemple 5.1.9.
( Soit) λ > 0. On a vu (cf. Exemple 5.1.3) que la fonction F définie
−λx
par F (x) = 1 − e .1R+ (x) est la fonction de répartition d’une certaine variable X.
Comme elle est continue sur R et dérivable sur R∗ , une densité de X est donnée par

f (x) = λe−λx 1R+ (x)

.
Théorème 5.1.15. — (Formule de changement de variables)
Soit X une variable aléatoire de densité fX et soit y = g(x) une fonction dérivable
strictement monotone.
Alors, Y = g(X) est une variable aléatoire continue dont la densité fY est donnée par :
 
( ) d 
fY (y) = fX g −1
(y)  g (y)
 −1
 dy 

Preuve :
Admise 
1
Exemple 5.1.10. On a vu (cf. Exemple 5.1.7) que f (x) = .1[−1,1] (x) est une densité
2
de probabilité d’une variable aléatoire X.
Soit Y = 2X + 3 = g(X). Alors,
( )  
y − 3  1  1 y−3 1 1
fY (y) = f2X+3 (y) = fX   = .1[−1,1] ( ) = .1[1,5] (y)
2 2 2 2 2 4
Remarque. Diviser ou multiplier les valeurs d’une variable aléatoire par une constante
n’affecte pas la forme de la distribution de la variable aléatoire. Elle modifie toutefois
les paramètres de la loi.

5.2 Caractéristiques
On cherche ici à résumer le comportement d’une variable aléatoire par la donnée
d’une ou plusieurs valeurs numériques caractérisant au moins partiellement la loi étu-
diée.

5.2.1 Espérance mathématique = Moyenne

Définition 5.2.1. — (Cas discret) Soit X une variable aléatoire réelle discrète de
loi (xi , pi )i∈I . On appelle espérance mathématique ou moyenne de X, la quantité
notée E(X) ou X et définie par :
∑
E(X) := xi .pi
i∈I

(sous réserve d’absolue convergence dans le cas d’une série)

Exemple 5.2.1. On considère la variable aléatoire X de loi discrète de l’Exemple 5.1.4 :
8 CHAPITRE 5. VARIABLES ALÉATOIRES

∑
xi −2 −1 0 1 2
pi 1/5 1/6 1/5 1/15 11/30 1
xi .pi −2/5 −1/6 0 1/15 22/30 7/30

7
Donc, la moyenne de X est : E(X) =
30
Définition 5.2.2. — (Cas continu) Soit X une variable aléatoire réelle continue de
densité f . On appelle espérance ou moyenne de X, la quantité notée E(X) ou X et
définie par : ∫ +∞
E(X) := x.f (x)dx
−∞

( sous réserve d’absolue convergence de l’intégrale)

Remarque. L’espérance mathématique constitue un paramètre de position, qui ren-

seigne sur l’ordre de grandeur des valeurs prises par une variable aléatoire.
1
Exemple 5.2.2. Soit X la variable aléatoire continue de densité f (x) = .1[a,b] (x)
b−a
de l’Exemple 5.1.7. Son espérance est :
∫ ∫ [ ]b
+∞ b 1 1 x2 a+b
E(X) = x.f (x)dx = x. dx = =
−∞ a b−a b−a 2 a
2

Remarque. L’espérance peut ne pas exister. En effet,

Exemple 5.2.3. Soit X une variable aléatoire discrète prenant les valeurs 2n pour n ∈
1
N∗ avec pn = n . C’est bien une loi de probabilité puisque pn ≥ 0 pour tout n ∈ N∗ et
2
∑
+∞ ∑ 1
+∞ ∑ ∑
+∞ ∑
+∞
n 1
pn = n
= 1. Mais, |xn | .p n = 2 . = 1 = +∞.
n=1 n=1 2 n∈N∗ n=1 2n n=1

1 1
Exemple 5.2.4. Soit X une variable aléatoire continue de densité f (x) = .
π 1 + x2
1 1
de l’Exemple 5.1.8. On a : |x|f (x) ∼ . fonction de Riemann non intégrable au
+∞ π x
voisinage de l’infini. Donc, la moyenne de X n’existe pas.

Théorème 5.2.1. — Soit X une variable aléatoire réelle et soit g une fonction continue
de R vers R.
a) Si X est discrète de loi (xi , pi )i∈I , alors :
∑
E (g(X)) = g(xi ).pi (si elle existe)
i∈I

b) Si X est continue de densité f , alors :

∫ +∞
E (g(X)) = g(x).f (x)dx (si elle existe)
−∞
5.2. CARACTÉRISTIQUES 9

Preuve :
Admise 

Exemple 5.2.5. Cherchons la moyenne de X 2 avec X variable aléatoire discrète de

l’Exemple 5.1.4 dont la loi est donnée par :

xi −2 −1 0 1 2
pi 1/5 1/6 1/5 1/15 11/30

• Par la définition
C’est-à-dire par la loi de X 2 (cf. Exemple 5.1.6). On a alors :
( ) 1 7 17 5
E X 2 = 0. + 1. + 4. =
5 30 30 2
• Par le théorème
C’est-à-dire par la loi de X. On a alors :
( ) 1 1 1 1 11 5
E X 2 = (−2)2 . + (−1)2 . + 0. + (1)2 . + (2)2 . =
5 6 5 15 30 2
Théorème 5.2.2. — Soient X et Y deux variables aléatoires réelles, a et b deux réels.
On a :
a) E(a) = a
b) E(aX + b) = aE(X) + b
c) E(aX + bY ) = aE(X) + bE(Y )
d) Si X ≥ 0 alors E(X) ≥ 0
e) E(X 2 ) = 0 ⇐⇒ X est dégénérée en 0

Preuve :
a) La variable constante égale à a a pour loi la liste constituée par le seul couple (a, 1)
et par suite sa moyenne est a.1 = 1
b) ∑ ∑ ∑
– Cas discret : E(aX + b) = (axi + b)pi = a xi pi + b pi = aE(X) + b.1
i∈I i∈I i∈I
∫ +∞ ∫ +∞ ∫ +∞
– Cas Continu : E(aX + b) = (ax + b)f (x)dx = a xf (x)dx+b f (x)dx
−∞ −∞ −∞
= aE(X) +b.1 = aE(X) + b
c) On se limite au cas discret.
Soient Ai = [X = xi ] et Bj = [Y = yj ]. Les ensembles Ai ∩ Bj forment lorsque i etj
varient, une partition de Ω et sur Ai ∩ Bj , aX + bY vaut axi + byj , donc
∑∑
E(aX + bY ) = (axi + byj )P(Ai ∩ Bj )
i∑j∑ ∑∑
= a xi P(Ai ∩ Bj ) + b yj P(Ai ∩ Bj )
∑
i j ∑ i j
= a xi P(Ai ) + b yj P(Bj )
i j
= aE(X) + bE(Y )
10 CHAPITRE 5. VARIABLES ALÉATOIRES

d) Evident, puisque c’est soit une somme de termes positifs soit une intégrale d’une
fonction positive.
∑
e) x2i pi = 0 ⇐⇒ ∀i ∈ I xi = 0 ou pi = 0 ⇐⇒ P(X = 0) = 1 
i∈I

Définition 5.2.3. — Une variable aléatoire est dite centrée si son espérance est nulle.
C’est le cas de toute variable aléatoire symétrique.
Théorème 5.2.3. — Soit X une variable aléatoire ayant une moyenne. Alors la va-
riable aléatoire X − X est centrée.
Preuve :
Puisque X := E(X) est une constante, on a : E(X − X) = E(X) − X = 0

5.2.2 Variance et Ecart-type

Définition 5.2.4. — Soit X une variable aléatoire réelle. On appelle variance de X,
le nombre noté quand il existe V ar(X) ou σ 2 (X) ou σX
2
et défini par :
( )
V ar(X) := E (X − X)2

Remarques. D’après le Théorème 5.2.1, on a donc∑:

– pour X discrète de loi (xi , pi )i∈I : V ar(X) = (xi − X)2 .pi
i∈I
∫ +∞
– pour X continue de densité f : V ar(X) = (x − X)2 .f (x)dx
−∞

Définition 5.2.5. — Soit X une variable aléatoire réelle. On appelle écart-type de

X, la racine carrée de sa variance, noté σ(X) ou σX .
1
Exemple 5.2.6. Soit X la variable aléatoire continue de densité f (x) = .1[a,b] (x)
b−a
de l’Exemple 5.1.7. Sa variance est :
∫ +∞ ∫ b ( )2 1
V ar(X) = (x − E(X)) .f (x)dx =
2
x− a+b
. dx
−∞
[ a
2
b−a
1 1( )3 ]b (b − a)2
= x− a+b
=
b−a 3 2
a 12
Remarque. La variance est une mesure de la dispersion des valeurs prises par la
variable aléatoire autour de leur moyenne.
Théorème 5.2.4. — Soient X et Y deux variables aléatoires réelles, a et b deux réels.
On a :
a) V ar(X) ≥ 0
b) V ar(X) = 0 ⇐⇒ X est dégénérée en la moyenne
c) V ar(a) = σ(a) = 0
d) V ar(aX + b) = a2 V ar(X)
e) σ(aX + b) = |a|σ(X)
( )
f ) V ar(X) := E (X − X)2 < E ((X − c)2 ) ∀c ̸= E(X)
5.2. CARACTÉRISTIQUES 11

Preuve : ( )
a) (X − X)2 ≥ 0, donc E (X − X)2 ≥ 0
( )
b) E (X − X)2 = 0 ⇐⇒ (X − X) est dégénérée en 0
c) E(a) = a donc V ar(a) = E(a − a)2 = 0
( )2
d) V ar(aX + b) = E (aX + b) − aX + b = E(aX + b − aX − b)2 = a2 E(X − X)2
e) Découle directement de d) en passant à la racine carrée.
f ) On a pour tout c ̸= E(X),
([ ]2 )
V ar(X) = E (X − c) + (c − X)
( ) ( )
= E ((X − c)2 ) + 2E (X − c)(c − X) + E (c − X)2
= E ((X − c)2 ) − (c − X)2
< E ((X − c)2 ) 
Théorème 5.2.5. (de Koenig) — Soit X une variable aléatoire réelle. On a aussi,
V ar(X) = E(X 2 ) − (E(X))2
Preuve :
Il suffit de prendre c = 0 dans la preuve de f ) du Théorème 5.2.4 précédent 
Exemple 5.2.7. On considère la variable aléatoire X de loi discrète de l’Exemple 5.1.4.
On a,
∑
xi −2 −1 0 1 2
pi 1/5 1/6 1/5 1/15 11/30 1
2
xi .pi 4/5 1/6 0 1/15 44/30 5/2
( )
5 5 7 2 2201
Donc, E(X ) = , et par suite, V ar(X) = −
2
=
2 2 30 900
Définition 5.2.6. — Une variable aléatoire est dite réduite si sa variance (ou son
écart-type) est égale à 1.
Théorème 5.2.6. — Soit X une variable aléatoire ayant une variance. Alors la variable
X
aléatoire est réduite.
σ(X)
Preuve : ( )
X 1
En effet, V ar = .V ar(X) = 1
σ(X) (σ(X))2
Définition 5.2.7. — On appelle variable aléatoire centée réduite associée à X, la
variable aléatoire notée ZX ou tout simplement Z et définie par :
X −X
ZX :=
σ(X)
Remarques.
• Notons que E(ZX ) = 0 et V ar(ZX ) = 1.
• ZX est une quantité sans dimension, d’où son utilité pour comparer des distribu-
tions différentes et pour construire des tables numériques.
12 CHAPITRE 5. VARIABLES ALÉATOIRES

5.2.3 Quantiles
Définition 5.2.8. — On appelle quantile d’ordre α ∈]0, 1[ de la variable aléatoire
réelle X, le nombre réel noté xα tel que :

P(X ≤ xα ) ≥ α et P(X < xα ) ≤ α

En particulier :
1
– Le quantile d’ordre est appelé encore médiane
2
1 3
– Les quantiles d’ordre et sont encore appelés respectivement le premier et le
4 4
troisième quartiles.

Remarque. Un quantile d’ordre α n’est pas forcément unique.

Théorème 5.2.7. — Soit X une variable aléatoire réelle de fonction de répartition F .

Alors,

xα quantile d′ ordre α de X si et seulement si α ≤ F (x) ≤ α + P(X = xα )

Preuve :
{
′ P(X ≤ xα ) ≥ α
xα quantile d ordre α de X ⇐⇒
P(X < xα ) ≤ α
{
α ≤ F (x)
⇐⇒
F (x) ≤ α + P(X = xα ) 

Théorème 5.2.8. — Soit X une variable aléatoire réelle continue de fonction de

répartition F . Alors,

xα quantile d′ ordre α de X si et seulement si F (xα ) = α

1
En particulier, la médiane est la solution de l’équation F (x) = .
2
Preuve :
Comme X est continue, alors P(X = xα ) = 0 et par suite d’après le théorème précédent,
on a :

xα quantile d′ ordre α de X ⇐⇒ α ≤ F (x) ≤ α + 0 ⇐⇒ F (x) = α

5.3 Inégalité de Bienayme-Tchebychev

On désire connaître l’ordre de grandeur de la probabilité que la variable aléatoire
X, dont la loi est inconnue, soit dans le complémentaire d’un intervalle de la forme
]X − λ.σ, X + λ.σ[.
5.3. INÉGALITÉ DE BIENAYME-TCHEBYCHEV 13

Théorème 5.3.1. — Soit X une variable aléatoire de moyenne X et d’écart-type σ.

Alors pour tout λ > 0, on a :
(  ) ( ( ) )
  1 1
P X − X  ≥ λσ ≤ 2 ⇐⇒ P X − λσ < X < X + λσ ≥ 1 − 2
λ λ
Preuve :
Dans le cas discret, on a :
( )2
σ2 = E X − X
∑( )2
= xi − X pi
i∈I
∑ ( )2
≥ xi − X pi
i:|xi −X|≥λσ
∑
≥ λσ 2 2
pi
(i −X|≥λσ
i:|x )
= λ2 σ 2 P |X − X| ≥ λσ
On fait de même pour le cas continu 
Remarques.
• On a donc,
intervalle probabilité que X soit
dans l’intervalle

]X − σ , X + σ[ au moins 0 (une évidence)

]X − 1.5 σ , X + 1.5 σ[ au moins 0.5555
]X − 2 σ , X + 2 σ[ au moins 0.75
]X − 2.5 σ , X + 2.5 σ[ au moins 0.84
]X − 3 σ , X + 3 σ[ au moins 0.8888
]X − 4 σ , X + 4 σ[ au moins 0.9375
.. ..
. .
• L’inégalité de Bienayme-Tchebychev met en évidence la signification concrète de
l’écart-type en qualité de caractéristique de dispersion.
1
• On a aussi, P(|X − X| > λσ) < 2
λ
Exemple 5.3.1. Soit X une variable aléatoire de moyenne 10 et d’écart-type 4. On
aura,
P(5 < X < 15) = P(−5 < X − 10 < 5) = P(|X − 10| < 5) = 1 − P(|X − 10| ≥ 5)
Or, d’après la règle de Tchebychev,
5 16
P(|X − 10| ≥ 5) = P(|X − 10| ≥ σ) ≤
4 25
Donc,
16
P(5 < X < 15) ≥ 1 − = 0.36
25
♢♢♢