Probabilité

Carltz Rollen’s Stevenson THEODORIS

CES

19 novembre 2024

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 1 / 28

Variables aléatoires

Introduction
Après avoir réalisé une expérience, il arrive bien souvent qu’on s’intéresse
plus à une fonction du résultat qu’au résultat lui-même. Expliquons ceci
au moyen des exemples suivants : lorsqu’on joue aux dés, certains jeux
accordent de l’importance à la somme obtenue sur deux dés, 7 par exemple,
plutôt qu’à la question de savoir si c’est la paire (1, 6) qui est apparue, ou
(2, 5), (3, 4), (4, 3), (5, 2) ou plutôt (6, 1).

Dans le cas du jet d’une pièce, il peut être plus intéressant de connaı̂tre
le nombre de fois où pile est apparu plutôt que la séquence détaillée des
piles et faces. Ces grandeurs auxquelles on s’intéresse sont en fait des fonc-
tions réelles définies sur l’ensemble fondamental et sont appelées variables
aléatoires.

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 2 / 28

Variables aléatoires

Définition
Etant donné un espace probabilisé d’espace fondamental Ω et de mesure de
probabilité P, on appelle variable aléatoire sur cet espace, toute application
X de Ω dans R telle que :
X : ε(Ω) −→ F
ω 7−→ X (ω)

A chaque évènement élémentaire ω de Ω correspond un nombre réel x

associé à la variable aléatoire X . Comme l’indique le graphe, il n’y a pas
obligatoirement autant de valeurs possibles prises par la variable aléatoire
X que d’évènements élémentaires. La valeur x correspond à la réalisation
de la variable X pour l’évènement élémentaire ω.

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 3 / 28

Variables aléatoires

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 :
X (Ω) = 0, 1, 2

Définition
Une variable aléatoire est dite discrète si elle ne prend que des valeurs
discontinues dans un intervalle donné (borné ou non borné). L’ensemble
des nombres entiers est discret. En règle générale, toutes les variables qui
résultent d’un dénombrement ou d’une numération sont de type discrètes.

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 4 / 28

Variables aléatoires

Exemples : Les variables aléatoires,

• le nombre de petits par porté pour une espèce animale donnée (chat,
marmotte, etc),
• le nombre de bactéries dans 100 ml de préparation,
• le nombre de mutations dans une séquence d’ADN de 10 kb, etc. . .
sont des variables aléatoires discrètes.

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 5 / 28

Loi de probabilité

Une variable aléatoire est caractérisée par l’ensemble des valeurs qu’elle peut
prendre et par l’expression mathématique de la probabilité de ces valeurs.
Cette expression s’appelle la loi de probabilité (ou distribution de probabilité)
de la variable aléatoire.
Théorème
La loi de probabilité d’une variable aléatoire discrète est entièrement
déterminée par les probabilités pi des évènements X = xi , xi parcourant
l’univers image X (Ω). La loi de probabilité est donnée par les (xi , pi )i .

Remarque : Afin de simplifier l’écriture, nous noterons pour la suite du

cours : P(X = xi ) équivalent à P(X = xi ) ou pi

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 6 / 28

Loi de probabilité
Exemple : Dans le cas de la constitution d’une fratrie de deux enfants, si
l’on fait l’hypothèse que la probabilité d’avoir un garçon est égale à celle
d’avoir une fille ( 21 ), alors la distribution de probabilité ou loi de probabilité
du nombre de filles dans une fratrie de deux enfants est : Si P(F ) = P(G) =
1/2, alors
• P[(F ∩ G) ∪ (G ∩ F )] = P(F ∩ G) + P(G ∩ F ) Propriétés d’additivité
avec (F ∩ G) ∩ (G ∩ F ) = ∅ évènements incompatibles
• P(F ∩ G) = P(F )P(G) Propriété d’indépendance
d’où P[(F ∩ G) ∪ (G ∩ F )] = P(X = 1) = (1/2 × 1/2) + (1/2 × 1/2) =
1/2

Ensemble des év possibles de Ω v aléatoire X Probabilités

1
{(G,G)} 0 4
1
{(G,F),(F,G)} 1 2
1
{(F,F)} 2 4

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 7 / 28

Loi de probabilité
Exemple Notre expérience consiste à jeter trois pièces équilibrées. Si l’on
désigne le nombre de faces par Y, Y est une variable aléatoire et peut prendre
les valeurs 0, 1, 2, 3 avec pour probabilité respectivement :
1
P{Y = 0} = P{(P, P, P)} =
8
3
P{Y = 1} = P{(P, P, F ), (P, F , P), (F , P, P)} =
8
3
P{Y = 2} = P{(P, F , F ), (F , P, F ), (F , F , P)} =
8
1
P{Y = 3} = P{(F , F , F )} =
8
Ensemble des év possibles de Ω v. aléatoire Y Probabilités
1
{(P, P, P)} 0 8
3
{(P, F , F ), (F , P, F ), (F , F , P)} 1 8
3
{(P, F , F ), (F , P, F ), (F , F , P)} 2 8
1
{(F , F , F )} 3 8

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 8 / 28

Loi de probabilité
Remarque
P
Une loi de probabilité n’est établie que si pi = 1, la somme étant
i
étendue à tous les indices i.
Exemple On lance une pièce de monnaie dont la probabilité de tomber sur
pile vaut p. On note X la variable aléatoire correspondant au nombre de
lancers nécessaires pour obtenir r fois pile. Quelle est la loi de X ?

Solution Il est d’abord clair que X prend ses valeurs dans {r , r + 1, . . . , }.

Soit k ≥ r . Remarquons que si X = k, alors le dernier lancer est un pile.
Pour les lancers précédents, on a obtenu r − 1 fois pile, parmi k − 1 lancers.
Le nombre de tirages correspondant à X = k est donc k−1


r −1 . La probabilité
r k−r
de chaque lancer est p (1 − p) . On en déduit que :
!
k −1 r
P(X = k) = p (1 − p)k−r .
r −1
C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 9 / 28
Fonction de répartition

Définition
On appelle fonction de répartition d’une variable aléatoire X, la fonction FX
telle que :
FX : R −→ R
t 7−→ FX (t) = P(X < t)

Concrètement la fonction de répartition correspond à la distribution des

probabilités cumulées. Le plateau atteint par la fonction de répartition cor-
respond à la valeur de probabilité 1 car
X
pi = 1
i

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 10 / 28

Fonction de répartition

L’importance pratique de la fonction de répartition est qu’elle permet de

calculer la probabilité de tout intervalle dans R.

Les propriétés associées à la fonction de répartition sont les suivantes :

Propriétés
Soit FX la fonction de répartition d’une variable aléatoire discrète X alors :
1. ∀t ∈ R 0 ≤ FX (t) ≤ 1.
2. FX est croissante sur R.
3. lim FX (t) = 0 et lim FX (t) = 1
t→−∞ t→+∞
4. si a ≤ b P(a ≤ X ≤ b) = FX (b) − FX (a)

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 11 / 28

Fonction de répartition

Exemple : On considère l’évènement ω ”lancer de 3 pièces”. On introduit

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

nombre de piles (X) P(X = xi ) FX

1 1
0 8 8
3 4
1 8 8
3 7
2 8 8
1
3 8 1

Représentation de la distribution de probabilités et de la fonction de

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

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 12 / 28

Espérance et Variance

Définition
Si X est une variable aléatoire, on appelle moment d’ordre k, s’il existe, le
réel E (X k ).Si X est une variable aléatoire discrète finie, son moment d’ordre
k se calcule par la formule :
n
X
mk = xik P(X = xi ).
i=1

L’espérance d’une variable aléatoire E (X ) correspond à la moyenne des

valeurs possibles de X pondérées par les probabilités associées à ces valeurs.
C’est un paramètre de position qui correspond au moment d’ordre 1 de la
variable aléatoire X . C’est l’équivalent de la moyenne arithmétique X̄ .

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 13 / 28

Espérance et Variance

Définition
Si X est une variable aléatoire discrète définie sur un univers probabilisé Ω,
on appelle espérance de X , le réel défini par :
X
E (X ) = X (ω)P(ω)
ω∈Ω

Remarque
Si X (Ω) est infini, on n’est pas sûr que l’espérance existe. L’espérance
mathématique est également notée µ(X ) ou encore µX si aucune confu-
sion n’est à craindre.
Nous pouvons donner une autre définition de l’espérance d’une variable
aléatoire discrète X
si à ω ∈ Ω on associe l’image x telle que X (ω) = x

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 14 / 28

Espérance et Variance

Théorème
Si X est une variable aléatoire discrète de loi de probabilité (xi , pi )i définit
sur un nombre fini (n) d’évènements élémentaires alors :
n
X
E (X ) = xi pi
i=1

Exemple : Si l’on reprend l’exemple d’une fratrie de deux enfants, l’espérance

de la variable aléatoire ”nombre de filles” est :

E (X ) = 0 × 1/4 + 1 × 1/2 + 2 × 1/4 = 1

d’où E (X ) = 1
Si l’on observe un nombre suffisant de fratries de 2 enfants, on attend en
moyenne une fille par fratrie.
C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 15 / 28
Espérance et Variance

Exemple : Trouver l’espérance E [X ] de la variable X, résultat du lancer

d’un dé équilibré.

Exercice. On tire successivement et avec remise quatre cartes d’un jeu

ordinaire de 52 cartes. La variable aléatoire X représente le nombre de cartes
rouges tirées.
• Déterminer la loi de probabilité de X.
• Calculer son espérance.

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 16 / 28

Espérance et Variance

Théorème
Si X est une variable aléatoire discrète pouvant prendre ses valeurs parmi les
valeurs xi , i ≥ 1, avec des probabilités respectives p(xi ), alors pour toute
fonction réelle g on aura :
n
X
E (g(X )) = g(xi )pi
i=1

Exemple. Soit X une variable aléatoire qui prend une des trois valeurs
−1, 0, 1 avec les probabilités respectives P{X = −1} = 0.2, P{X = 0} =
0.5, P{X = 1} = 0.3 Calculer E [X 2 ].

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 17 / 28

Espérance et Variance
Solution.
• Façon 1. Soit Y = X 2 .La distribution de l’est donnée par :

p{Y = 1} = P{X = −1} + P{X = 1} = 0.5

p{Y = 0} = P{X = 0} = 0.5

Donc
E [X 2 ] = E [Y ] = 1 × (0.5) + 0 × (0.5) = 0.5
Le lecteur remarquera que

0.5 = E [X 2 ] ̸= (E [X ])2 = 0.1

• Façon 2.

E [X 2 ] = (−1)2 × (0.2) + 0 × (0.5) = 0.5 + (1)2 × (0.3) = 0.5

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 18 / 28

Espérance et Variance

Propriétés de l’espérance

Si X et Y sont deux variables aléatoires discrètes définies sur un même

univers Ω, admettant une espérance, alors :
1. E (X + Y ) = E (X ) + E (Y )
2. E (aX ) = aE (X ), ∀a ∈ R
3. Si X ≥ 0 alors E (X ) ≥ 0
4. Si X est un caractère constant tel que : ∀ω ∈ Ω X (ω) = k alors
E (X ) = k

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 19 / 28

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 disper-
sion qui correspond au moment centré d’ordre 2 de la variable aléatoire X.
Définition
Si X est une variable aléatoire ayant une espérance E (X ), on appelle variance
de X le réel :
V (X ) = E ([X − E (X )]2 )

Autre notation :
V (X ) = E ([X − E (X )]2 )
V (X ) = E (X 2 − 2XE (X ) + E (X )2 )
V (X ) = E (X 2 ) − 2E [XE (X )] + E [E (X )2 ]
V (X ) = E (X 2 ) − 2E (X )2 + E (X )2 = E (X 2 ) − E (X )2
V (X ) = E (X 2 ) − 2E (X )2 + E (X )2 = E (X 2 ) − E (X )2

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 20 / 28

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

Théorème
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 :
n
X n
X
V (X ) = (xi − E (X ))2 pi = xi2 pi − E (X )2
i=1 i=1

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 21 / 28

Espérance et Variance

Exemple : Si l’on reprend l’exemple d’une fratrie de deux enfants, la variance

de la variable aléatoire ”nombre de filles” est :

V (X ) = 1/4(O − 1)2 + 1/2(1 − 1)2 + 1/4(2 − 1)2 = 1/2

V (X ) = 1/2 et σ(X ) = 0, 7

Exemple : Un joueur lance un dé parfait. Si le numéro sorti est 2 ou 4, il

gagne 1,5 G, si le numéro sorti est impair il gagne 0,5 G et, si le 6 sort, il
perd 5 G. On appelle X la variable aléatoire qui à un numéro associe le gain
algébrique en euros.
1. Donner la loi de probabilité de la variable aléatoire.
2. Calculer E (x ), V (X ) et σ(X ).

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 22 / 28

Espérance et Variance

Propriétés de la variance
Si X est une variable aléatoire admettant une variance alors :
1. ∀a ∈ R, V (aX ) = a2 V (X )
2. ∀(a, b) ∈ R, V (aX + b) = a2 V (X )
3. V (X ) = 0 ⇔ X = E (X )

Remarque
Il est possible d’exprimer la variance en fonction du moment d’ordre 1 (m1 )
et du moment d’ordre 2 (m2 ). La variance correspond au moment centré
d’ordre 2.
V (X ) = E ([X − E (X )]2 ) = E (X 2 ) − E (X )2
d’où
V (X ) = E (X 2 ) − E (X )2 = m2 − (m1 )2

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 23 / 28

Espérance et Variance

Important
L’espérance mathématique d’une variable aléatoire est une mesure de
tendance centrale, la variance et l’écart-type sont des mesures de dis-
persion.
L’indicateur d’homogénéité d’une variable aléatoire est défini grâce au
coefficient de variation CV exprimé en % :

σ(X )
CV =
E (X )

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 24 / 28

Espérance et Variance

Variable aléatoire centré

Définition
Une variable aléatoire X est dite centrée si E (X ) = 0.

Exemple La variable Y = X − E (X ) est une variable aléatoire centrée car

E (Y ) = [X − E (X )] = E (X ) − E (E (X ))

or E (E (X )) = E (X ) car E (X ) = cte ainsi

E (Y ) = E (X ) − E (X ) = 0

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 25 / 28

Espérance et Variance
Variable aléatoire réduite
Définition
Une variable aléatoire X est dite v si V (X ) = 1.
Exemple La variable Y = √ X est une variable aléatoire centrée car
V (X )
 !2  " !#2
2 2 X X
V (Y ) = E (Y ) − E (Y ) = E  p − E p
V (X ) V (X )

1
V (Y ) = [E (X 2 ) − E (X )2 ]
V (X )
1
V (Y ) = [E (X 2 ) − E (X )2 ]
V (X )
d’où
V (X )
V (Y ) = =1
V (X )
C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 26 / 28
Espérance et Variance

A toute variable aléatoire X d’espérance E (X ) et de variance V (X ) on peut

associer la variable aléatoire X√−E (X ) dite variable aléatoire centrée réduite.
V (X )

Indépendance

Les propriétés concernant l’indépendance statistique entre deux variables

aléatoires s’appliquent aussi bien aux variables aléatoires discrètes ou abso-
lument continues.
Théorème
Si X et Y sont deux variables aléatoires indépendantes définies sur le
même univers Ω alors :

E (XY ) = E (X )E (Y )

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 27 / 28

Espérance et Variance

Remarque
L’application réciproque n’est pas vraie. La relation E (XY ) = E (X )E (Y )
n’implique pas forcément l’indépendance de deux variables aléatoires.

Théorème
Si X et Y sont deux variables aléatoires indépendantes définies sur le même
univers Ω alors :
V (X + Y ) = V (X ) + V (Y )

Remarque
L’application réciproque n’est pas vraie. La relation V (X + Y ) = V (X ) +
V (Y ) n’implique pas forcément l’indépendance de deux variables aléatoires.

C.R.S. THEODORIS (CES) Probabilité 19 novembre 2024 28 / 28