Université Virtuelle Année académique 2014-2015

du Sénégal
Probabilités et Statistique
Chapitre 3 : Variables aléatoires 1

Objectifs
 Comprendre la diérence entre variable aléatoire et expérience aléatoire.
 Calculer la loi d'une variable aléatoire.
 Reconnaître et utiliser les principales lois discrètes.

1 Exemples

Nous commençons par donner quelques exemples de variables aléatoires.

Dans le cas du jeu consistant à lancer deux dés distinguables à six faces, nous pouvons décider de
 gagner 1 si la somme des deux dés est paire,
 perdre 1 si la somme des deux dés est impaire.
L'expérience aléatoire se modélise comme nous l'avons déjà vue.
L'espace d'états est Ω = {(i, j) , i = 1, . . . , 6, j = 1, . . . , 6}.
L'ensemble des événements A est l'ensemble de tous les sous-ensembles de Ω.
1
La probabilité d'un événement élémentaire (comme par exemple (1, 2)) vaut
36 .
En réalité, la quantité qui nous intéresse réellement pour déterminer le gain du jeu est la somme des
deux dés. Donc si le résultat du lancer est (i, j), la somme des deux dés vaut s = i + j. Intéressons-
nous aux résultats possibles pour la somme. Au minimum, nous obtenons le double un, la somme
valant alors 2. Au maximum, nous obtenons le double six, la somme valant alors 12. De plus, toutes
les valeurs entre 2 et 12 sont possibles (mais pas avec la même probabilité comme nous allons le
voir). Construisons donc la table qui associe à chaque valeur possible de la somme les résultats dont
elle peut provenir.

Somme Résultats possibles

2 (1, 1)
3 (1, 2) , (2, 1)
4 (2, 2) , (1, 3) , (3, 1)
5 (3, 2) , (2, 3) , (4, 1) , (1, 4)
6 (1, 5) , (5, 1) , (4, 2) , (2, 4) , (3, 3)
7 (4, 3) , (3, 4) , (5, 2) , (2, 5) , (6, 1) , (1, 6)
8 (4, 4) , (5, 3) , (3, 5) , (6, 2) , (2, 6)
9 (4, 5) , (5, 4) , (6, 3) , (3, 6)
10 (5, 5) , (6, 4) , (4, 6)
11 (5, 6) , (6, 5)
12 (6, 6)
1
version : 13 août 2014

1
2 Variable aléatoire

Dénition 2.1 Soit une expérience aléatoire (Ω, A, P ).

On appelle variable aléatoire sur Ω une application
X : Ω −→ E,
où E est un ensemble ni ou dénombrable (le plus souvent dans ce cours, nous rencontrerons N et
Z).

Notation : le mot variable aléatoire sera souvent abrégé par v.a.

En anglais, variable aléatoire se dit random variable (abrégé en r.v. ).
La notion de variable aléatoire est importante car elle nous permet de construire de nouvelles
variables aléatoires à partir de variables aléatoires existantes plus simples dont nous connaissons
éventuellement certaines caractéristiques.
Exemple : Dans un questionnaire sur la connaissance d'un projet d'urbanisme, deux questions sont
posées

1. êtes-vous au courant de l'existence du projet de contournement de l'agglomération par une

nouvelle rocade ?

2. êtes-vous au courant du tracé de ce contournement ?

A la première question, l'individu enquêté répond par oui ou non.

A la seconde question, l'individu enquêté choisit un tracé parmi plusieurs et si c'est le tracé prévu
dans le projet, l'enquêteur coche la réponse oui, sinon il coche la réponse non.
Un tel procédé a pour but de déterminer le nombre de personnes réellement au courant du projet
et d'éviter les eets d'acquiesement.
Nous pouvons nous intéresser aux réponses présentant une contradiction. Il est alors plus simple de
modéliser l'expérience aléatoire par

Ω = {(oui, non) , (oui, oui) , (non, non) , (non, oui)}

A = ensemble de tous les événements
1
P ((oui, non)) =
3
1
P ((oui, oui)) =
5
7
P ((non, non)) =
15
P ((non, oui)) = 0.
Si nous notons Y la variable aléatoire valant
 1 s'il y a une contradiction,
 0 sinon,
nous avons la construction suivante pour la variable aléatoire Y à partir de l'espace d'états Ω :

Y ((oui, oui)) = 0
Y ((non, non)) = 0
Y ((oui, non)) = 1
Y ((non, oui)) = 1.

2
Nous voyons qu'il est aussi possible à partir du même espace d'états Ω de dénir une variable
aléatoire Z valant

 1 si l'enquêté est réellement au courant,

 0 sinon.

Pour cette variable aléatoire, nous faisons la construction suivante

Z ((oui, oui)) = 1
Z ((non, non)) = 0
Z ((oui, non)) = 0
Z ((non, oui)) = 0.

Le choix de la modélisation (dénition de l'expérience aléatoire considérée) nous autorise donc une
grande richesse dans les questions que nous pouvons nous poser. Si nous avions directement modélisÈ
par une expérience aléatoire dont l'espace d'états était Ω = {contradiction, cohérence}, il aurait été
moins facile de dénir la probabilité et surtout nous n'aurions pas pu dénir la variable aléatoire
Z.

L'existence d'expériences aléatoires à partir desquelles le mathématicien peut dénir diérentes

variables aléatoires est un travail très important. Pour bien comprendre cette notion, il sut de
considérer deux jeux basés sur le lancer de deux dés distinguables à six faces

1. le jeu de la somme paire ou impaire

 gain de 1 si la somme des deux dés est paire,

 perte de 1 si la somme des deux dés est impaire,

2. le jeu de la somme inférieure ou égale à 6 ou strictement supérieure à 6

 gain de 1 si le joueur obtient un double,

 perte de 1 si le joueur n'obtient pas un double.

Considérons un joueur pour chacun des jeux ci-dessus. Deux situations de jeu sont possibles

1. chaque joueur joue seul avec une paire de dés à six faces

2. les deux joueurs jouent en même temps avec la même paire de dés

Dans le premier cas, il y a deux expériences aléatoires du type lancer de deux dés à six faces se
déroulant simultanément. Dans le second cas, il n'y a qu'une seule expérience aléatoire du type
lancer de deux dés à six faces.

Remarque : par la suite, dans de nombreux cas, nous nous préoccuperons peu de l'expérience
aléatoire en elle-même car nous nous intéresserons essentiellement aux variables aléatoires. En par-
ticulier, en Statistique, l'expérience aléatoire ne présente pas d'intérêt.

Anecdote : Andreï Kolmogorov (1903-1987) est certainement le plus grand probabiliste du XX-ème
siècle même si ses travaux couvrent de nombreux domaines des mathématiques. Tel Euclide pour la
géométrie, Kolmogorov a axiomatisé la théorie des probabilités. Très intéressé par l'histoire russe,
il étudiera néanmoins les mathématiques pour lesquelles il avait des dons exceptionnels. De très
nombreux théorèmes portent son nom.

3
3 Loi d'une variable aléatoire

Dénition 3.1 Soient une expérience aléatoire (Ω, A, P ), un ensemble E et l'ensemble B de tous
les sous-ensembles de E .
Soit X une variable aléatoire sur Ω et à valeurs dans E .
On appelle loi de X la probabilité sur B, notée PX , dénie par
∀B ∈ B : PX (B) = P ({ω ∈ Ω : X (ω) ∈ B}) .

On peut voir la loi de X comme la probabilité qui apparaît dans l'expérience aléatoire (E, B, PX )
qui est en quelque sorte compatible (à travers la variable aléatoire X) avec l'expérience aléatoire
(Ω, A, P ).
La probabilité PX (B) représente la probabilité des cas favorables dans Ω pour que X (ω) tombe
dans l'ensemble B.
Exemple : Choisissons x ∈ E et intéressons-nous à l'ensemble B = {x}. Nous sommes amenés à
calculer

PX ({x}) = P ({ω ∈ Ω : X (ω) ∈ B})

= P ({ω ∈ Ω : X (ω) = x}) .

Soit C un sous-ensemble de E, donc un élément de B. Il est toujours possible décrire

C = ∪x∈C {x} .

On a alors
{ω ∈ Ω : X (ω) ∈ C} = ∪x∈C {ω ∈ Ω : X (ω) = x} .
La probabilité PX (C) vaut

PX (C) = P ({ω ∈ Ω : X (ω) ∈ C})

= P (∪x∈C {ω ∈ Ω : X (ω) = x})
X
= P ({ω ∈ Ω : X (ω) = x})
x∈C
par la dénition d'une probabilité

car les ensembles {ω ∈ Ω : X (ω) = x} sont deux à deux disjoints

X
= PX ({x})
x∈C
par la dénition de la loi de la variable aléatoire X.

En conclusion, pour connaître la probabilité PX (C) pour tout C ∈ B, il est susant de connaître
les probabilités élémentaires PX ({x}) pour tout x ∈ E.
Notation : An de ne pas alourdir la présentation, nous noterons

{X ∈ B} = {ω ∈ Ω : X (ω) ∈ B}
{X = x} = {ω ∈ Ω : X (ω) = x}

L'ensemble {X ∈ B} est aussi noté X −1 (B), i.e. l'image réciproque de l'ensemble B par l'application
X (cette notation vient plutôt de l'algèbre et de l'analyse).

4
Nous allons maintenant déterminer la loi de la variable aléatoire S qui représente la somme de deux
dés à six faces distinguables.
Pour cela, comme nous l'avons remarqué, il sut de calculer les probabilités élémentaires PS (s) où
s est une valeur possible pour la somme.
Commençons par dénir proprement la variable aléatoire S.
L'espace d'états Ω a été donné au début de ce cours. Nous noterons ω = (ω1 , ω2 ) le résultat du
lancer des deux dés.
L'espace E est {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}.
La variable aléatoire S est dénie par
S (ω) = ω1 + ω2 .
Nous pouvons maintenant déterminer PS :

PS ({2}) = P ({(1, 1)})

1
= .
36
De même,

PS ({3}) = P ({(1, 2) , (2, 1)})

= P ({(1, 2)}) + P ({(2, 1)})
1 1
= +
36 36
2 1
= = .
36 18
Voici le tableau complet

Somme Probabilité Résultats possibles

1
2
36 (1, 1)
2 1
3
36 = 18 (1, 2) , (2, 1)
3 1
4
36 = 12 (2, 2) , (1, 3) , (3, 1)
4 1
5
36 = 9 (3, 2) , (2, 3) , (4, 1) , (1, 4)
5
6
36 (1, 5) , (5, 1) , (4, 2) , (2, 4) , (3, 3)
6 1
7
36 = 6 (4, 3) , (3, 4) , (5, 2) , (2, 5) , (6, 1) , (1, 6)
5
8
36 (4, 4) , (5, 3) , (3, 5) , (6, 2) , (2, 6)
4 1
9
36 = 9 (4, 5) , (5, 4) , (6, 3) , (3, 6)
3 1
10
36 = 12 (5, 5) , (6, 4) , (4, 6)
2 1
11
36 = 18 (5, 6) , (6, 5)
1
12
36 (6, 6)
L'espace des événements associés à la variable aléatoire S est choisi comme l'ensemble de tous les
sous-ensembles.

Exercice : Déterminer la loi des variables aléatoires suivantes

1. la diérence entre le premier dé et le second dé,

2. la valeur absolue de la diérence entre le premier dé et le second dé,

3. le produit des deux dés.

5
4 Principales lois de probabilités

Voici maintenant un récapitulatif des principales lois. Celles à connaître absolument seront signalées.

Loi de Bernoulli
C'est la loi qui correspond au jeu du Pile ou Face avec une pièce qui peut-être truquée.
Plus, généralement, la loi de Bernoulli est la loi de la fonction indicatrice d'un événement.
Notation : la fonction indicatrice d'un ensemble A, notée IA est la fonction qui vaut

1 si ω∈A
0 si ω ∈ Ac .

La variable aléatoire de Bernoulli prend les valeurs 0 ou 1. La loi de Bernoulli de paramètre p est

PX (1) = P (X = 1) = p
PX (0) = P (X = 0) = 1 − p

Cette variable sert aussi à modéliser la réponse à une question dont la réponse est oui ounon.
Remarque : Une variante de cette loi est la variable de Rademacher qui prend les valeurs −1 ou
1.

Loi binomiale
C'est la loi qui correspond au jeu du Pile ou Face joué plusieurs fois.
La variable aléatoire binomiale de paramètres n et p prend ses valeurs dans l'ensemble {1, 2, . . . , n}.
La loi binomiale de paramètres n et p, notée B (n, p), est de loi de probabilité
PX (k) = P (X = k) = Cnk pk (1 − p)n−k
 
n
= pk (1 − p)n−k ,
k

pour k ∈ {0, 1, 2, . . . , n}.

Loi uniforme
C'est la loi qui assigne la même probabilité à toutes les valeurs. Il faudra toujours préciser l'ensemble
sur lequel elle s'applique.
Par exemple, la variable aléatoire uniforme sur l'ensemble {1, 2, . . . , n} prend ses valeurs dans ce
même ensemble et la loi uniforme est

1
PX (k) = P (X = k) = ,
n
pour k ∈ {1, 2, . . . , n}.

6
Loi de Poisson
Cette loi permet de modéliser le nombre d'événements qui ont lieu dans un intervalle de temps
donné.
La variable de Poisson de paramètre λ ∈ R+∗ prend ses valeurs sur N.
La loi de Poisson de paramètre λ ∈ R+∗ est

λk e−λ
Pour tout k ∈ N, PX (k) = P (X = k) =
k!
Il existe des liens très forts entre la loi binomiale et la loi de Poisson.

Anecdote : Siméon Denis Poisson (1781-1840) écrivit un mémoire sur les probabilités dont le titre
était Recherches sur la probabilité des jugements en matières criminelles et matière civile, dans le-
quel apparait la distribution qui porte désormais son nom.

Loi géométrique
C'est la loi du nombre de coups nécessaire pour obtenir Pile dans le jeu du Pile ou Face avec une
pièce éventuellement truquée.
La variable géométrique de paramètre p prend ses valeurs dans N? .
La loi géométrique de paramètre p est
PX (k) = P (X = k) = p (1 − p)k−1 .

Le paramètre p représente la probabilité que l'événement Pile survienne.

Loi hypergéométrique
Cette loi sert à modéliser le choix de n individus dans une population contenant N individus de
type I et M individus de type II. Les individus de l'échantillon sont tirés sans remplacement avec
la loi uniforme à chaque tirage.
La variable hypergéométrique de paramètres n, N et M prend ses valeurs dans l'ensemble {0, 1, 2, . . . , N + M }.
La loi hypergéométrique de paramètres n, N et M est
  
N
M
n−k
k
PX (k) = P (X = k) =  si 0≤k≤N et 0 ≤ n − k ≤ M,
N +M
n
= 0 sinon .

Un cas intéressant d'application est la modélisation d'une élection où il n'y a que deux candidats.
Cette loi peut s'étendre au cas où il y a plus de deux candidats.

Loi de Pascal

7
C'est la loi du nombre de coups nécessaire pour obtenir un nombre xé à l'avance de Pile dans le
jeu du Pile ou Face avec une pièce éventuellement truquée.
La variable de Pascal de paramètres p et n prend ses valeurs dans l'ensemble {n, n + 1, n + 2, . . .}.
La loi de Pascal de paramètres p et n est
 
k−1
PX (k) = P (X = k) = pn (1 − p)k−n
n−1
p (1 − p)k−n .
n−1 n
= Ck−1

Remarque : Dans le cas n = 1, on retrouve la loi géométrique de paramètre p.

Loi binomiale négative

Elle correspond à la variable de Pascal dont on a retranché la valeur n.
La variable binomiale négative de paramètres p et n prend ses valeurs dans l'ensemble N.
La loi de binomiale négative de paramètres p et n est
 
k+n−1
pour tout k ∈ N, PX (k) = P (X = k) = pn (1 − p)k .
n−1

Loi de Paréto ou loi Zéta

Cette loi sert éventuellement à modéliser la distribution des revenus dans une population.
La variable de Paréto de paramètre α ∈ R?+ prend ses valeurs dans N? .
La loi de Paréto de paramètre α ∈ R?+ est

1
PX (k) = P (X = k) = c ,
k α+1
1
où c=
ζ (α + 1)
+∞
X 1
avec ζ (s) = , s>1 fonction zéta de Riemann.
ks
k=1