Université Mohammed Premier

Oujda - (UMPO)
Faculté Pluridisciplinaire de Nador (FPN)

Filière : Sciences Economiques (Semestre 03)

Probabilités

Enseignante : Fatima EL GHINI

Année universitaire : 2025-2026

Table des matières

3 Variables aléatoires 3
3.1 Définition générale : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.2 Variables aléatoires discrètes : . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.2.1 Loi d’une variable aléatoire discrète : . . . . . . . . . . . . . . . . . . . 5
3.2.2 Fonction de répartition : . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.2.3 Espérance et variance d’une variable aléatoire discrète : . . . . . . . . . 7
3.3 Variables aléatoires continues : . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.3.1 Fonction de densité : . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.3.2 Fonction de répartition d’une v.a.r continue : . . . . . . . . . . . . . . 11
3.3.3 Espérance et variance d’une v.a.r continue : . . . . . . . . . . . . . . . 11
3.4 Couple de variables aléatoires : . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.4.1 Couples aléatoires discrets : . . . . . . . . . . . . . . . . . . . . . . . . 14
3.4.2 Vecteurs aléatoires : . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.4.3 Couple aléatoire continu : . . . . . . . . . . . . . . . . . . . . . . . . . 21

1
2 TABLE DES MATIÈRES
Chapitre 3

Variables aléatoires

Chaque résultat d’une expérience aléatoire peut être codé au moyen d’une application qui,
si elle permet d’associer une probabilité à chacune de ses valeurs numériques discrètes, sera
appelée variable aléatoire discrète.
De même, on peut associer aux résultats d’une expérience aléatoire un ensemble de valeurs
qui forment un (ou plusieurs) intervalle(s) réel(s). Si on peut calculer la probabilité de tous
les intervalles qui sont inclus dans cet ensemble, l’application qui réalise ce codage se nomme
variable aléatoire (v.a.) continue.
La loi de la variable aléatoire discrète est alors déterminée par les probabilités de toutes
ses valeurs possibles. Elle est souvent caractérisée par les deux premiers moments :
— l’espérance, caractéristique de valeur centrale,
— la variance, caractéristique de dispersion autour de cette valeur centrale.
La loi de probabilité d’une variable aléatoire continue est généralement définie par une
densité qui sera la dérivée de la fonction de répartition. Le calcul des moments s’effectue à
l’aide de cette densité par une intégration.

3.1 Définition générale :

Définition :
On appelle variable aléatoire le résultat d’une épreuve aléatoire lorsque l’issue de celle-ci
peut être représentée par un nombre.
La variable aléatoire X peut également être définie en tant qu’application depuis l’univers
Ω vers R :
X : Ω → R, ω 7→ X(ω)
en considérant ω ∈ Ω comme une réalisation particulière de l’épreuve aléatoire en question.

Les variables aléatoires sont dites discrètes si elles peuvent prendre un nombre fini ou
dénombrable de valeurs, continues dans le cas contraire.
Exemple : On considère l’expérience aléatoire qui consiste à lancer un dé à 6 faces. L’univers
des résultats possibles est alors défini par :

Ω = {1, 2, 3, 4, 5, 6}.

Définissons une variable aléatoire, notée X, comme une application qui prend la valeur
100 lorsque le résultat du lancer est un nombre pair, et 200 lorsque le résultat est un nombre
impair.

3
4 CHAPITRE 3. VARIABLES ALÉATOIRES

On a donc défini une application associant à tout événement de Ω un élément de l’univers

des réalisations :
X(Ω) = {100, 200}.
Suivant que l’univers des réalisations X(Ω) est dénombrable (fini ou infini) ou non dénom-
brable (infini), on peut distinguer deux types de variables aléatoires :
— les variables aléatoires discrètes,
— les variables aléatoires continues.
Dans notre cas, comme X(Ω) = {100, 200} est un ensemble fini, X(Ω) est donc une variable
aléatoire discrète.

3.2 Variables aléatoires discrètes :

Définition :
On appelle variable aléatoire discrète une variable aléatoire qui ne prend que des valeurs
ponctuelles ("isolées").

Exemple : Lancer de 2 pièces de monnaie identiques dont l’issue est soit P (Pile) soit F
(Face).
L’univers est :
Ω = {PP, PF, FP, FF}
Cet univers n’est pas numérique, mais on peut s’intéresser au nombre de fois où face (F)
apparaît. Cela permet de définir la variable aléatoire suivante :

X : Ω → {0, 1, 2} ⊂ R

Voici le tableau correspondant :

Issue PP PF FP FF
X (Nombre de Faces) 0 1 1 2

Table 3.1 – Distribution d’une variable aléatoire (X = nombre de Faces)

Cette application ne prenant qu’un nombre fini de valeurs, la variable aléatoire X est dite
discrète, avec :
X(Ω) = {0, 1, 2}

Les événements de la forme {X = xi } (où xi est une valeur possible de X) sont appelés
événements élémentaires de X.
Ainsi, pour cet exemple :
— {X(P P ) = 0} : “Aucun Face n’a été tiré” (issue : PP)
— {X(P F ) = 1 ou X(F P ) = 1} : “Un seul Face a été tiré” (issues : PF ou FP)
— {X(F F ) = 2} : “Deux Faces ont été tirés” (issue : FF)

On définit donc naturellement des variables aléatoires en associant un nombre réel à chaque
événement élémentaire. Comme on le verra, l’étude systématique des variables aléatoires fournit
un cadre théorique rigoureux pour l’analyse des phénomènes aléatoires.
3.2. VARIABLES ALÉATOIRES DISCRÈTES : 5

3.2.1 Loi d’une variable aléatoire discrète :

Définition :
Soit X une v.a.r discrète telle que X(Ω) est fini de cardinal n. Nous appelons loi de
probabilité ou distribution de X la probabilité Pi = PX qui, à chaque élément xi pris
par X, i = 1, . . . , n, associe la probabilité Pi de l’événement " X = xi " :

Pi = PX ({X = xi })

Remarque :
Pn
Les probabilités Pi , i = 1, . . . , n sont toutes positives et vérifient : i=1 Pi = 1. Définir
la loi de probabilité d’une expérience aléatoire revient à :
— déterminer toutes les valeurs possibles xi , i = 1, . . . , n prises par X ;
— calculer les probabilités Pi , i = 1, . . . , n des événements correspondants ;
— regrouper les résultats dans un tableau du type :

Valeurs xi prises par X x1 x2 ··· xn

Probabilités Pi = PX ({X = xi }) P1 P2 ··· Pn

Si une variable aléatoire X suit une loi L, on note : X ∼ L.

Exemple : On considère une expérience aléatoire consistant à lancer un dé équilibré à 6

faces. La variable aléatoire X représente le résultat du lancer.
Les valeurs possibles prises par X sont :

X(Ω) = {1, 2, 3, 4, 5, 6}

Comme le dé est équilibré, chaque valeur a la même probabilité :

1
P (X = i) = , pour i = 1, . . . , 6
6

La loi de probabilité de X est donnée par le tableau suivant :

Valeurs xi 1 2 3 4 5 6
Probabilités Pi 1
6
1
6
1
6
1
6
1
6
1
6

On a bien :
6
X 1 1 1 1 1 1
pi = + + + + + =1
i=1
6 6 6 6 6 6

Ainsi, X suit une loi uniforme discrète sur {1, 2, 3, 4, 5, 6}, notée :

X ∼ U({1, 2, 3, 4, 5, 6})

3.2.2 Fonction de répartition :

La fonction de répartition d’une variable aléatoire réelle (v.a.r) caractérise la loi de proba-
bilité de cette variable.
6 CHAPITRE 3. VARIABLES ALÉATOIRES

Définition :
Soit X une variable aléatoire réelle (v.a.r). On appelle fonction de répartition de X la
fonction F = FX de R dans [0, 1] définie par :

FX (x) = P (X ≤ x) = P (] − ∞, x]) pour tout x ∈ R.

La fonction de répartition F nous permet de calculer, pour tout intervalle I ⊂ R, la

probabilité P (X ∈ I). Cependant, elle possède les propriétés suivantes :

Propriétés :
On suppose que les valeurs de l’univers sont telles que x1 < x2 < · · · < xn .
La fonction de répartition F de X possède les propriétés suivantes :
1. F est croissante sur R ;
2. F est continue à droite en tout point ;
3. lim F (x) = 0 ;
x→−∞
4. lim F (x) = 1 ;
x→+∞
5. P (a < X ≤ b) = P (]a, b]) = F (b) − F (a) ;
6. P (X > a) = 1 − P (X ≤ a) = 1 − F (a) ;
7. P (X = a) = lim F (x) − lim F (x) = F (a) − lim F (x).
x→a+ x→a− x→a−
Par conséquent, pour tout a où F est continue, on a :

P (X = a) = 0

Remarque :
On suppose toujours que les valeurs de l’univers sont telles que x1 < x2 < · · · < xn .
Alors, on peut exprimer la fonction de répartition F en remarquant que, pour tout x ∈ R :
{X ≤ x} = i∈N {X = xi }
S
xi ≤x
Puis, par la σ-additivité de la probabilité (car les événements {X = xi } sont disjoints),
on en déduit :
 
 [  X
F (x) = P (X ≤ x) = P 
 {X = xi }
= P (X = xi )
i∈N i∈N
xi ≤x xi ≤x

Exemple : Soit X la variable aléatoire représentant le résultat du lancer d’un dé équilibré

à 6 faces. X prend les valeurs 1, 2, 3, 4, 5, 6 avec une probabilité égale :

1
P (X = i) = , pour i = 1, . . . , 6.
6

La fonction de répartition FX (x) = P (X ≤ x) est donnée par :

3.2. VARIABLES ALÉATOIRES DISCRÈTES : 7




 0 si x<1

1
si 1≤x<2


6



 2


6
 si 2≤x<3
3
FX (x) = 6 si 3≤x<4

4
4≤x<5



6
 si
5

si 5≤x<6



 6
x≥6

 1 si

3.2.3 Espérance et variance d’une variable aléatoire discrète :

1 - Espérance mathématique :

Définition :
L’espérance mathématique, notée E(X), d’une variable aléatoire discrète X définie sur
X(Ω) = {x1 , . . . , xn } est égale à :
n
X n
X
E(X) = xi P (X = xi ) = xi pi
i=1 i=1

Exemple 1 : On considère une variable aléatoire Y définie sur Y (Ω) = {0, 2, 4, 6}, telle
que sa loi de probabilité est caractérisée par les probabilités suivantes :

Réalisation de Y Probabilité
Y =0 P (Y = 0) = 0,1
Y =2 P (Y = 2) = 0,3
Y =4 P (Y = 4) = 0,4
Y =6 P (Y = 6) = 0,2

Son espérance mathématique est égale à :

4
X
E(Y ) = yi · P (Y = yi ) = 0 × 0,1 + 2 × 0,3 + 4 × 0,4 + 6 × 0,2 = 3,4
i=1

Cela signifie qu’en « moyenne » les réalisations obtenues pour plusieurs tirages dans la loi
de probabilité de cette variables seront environ égales à 3,4.

2 - Variance et écart-type :

La variance est un indicateur de la dispersion de la loi de probabilité autour de l’espérance.

8 CHAPITRE 3. VARIABLES ALÉATOIRES

Définition :
Soit X une variable aléatoire discrète d’espérance E(X).
• Variance : On appelle variance de la variable aléatoire X le réel noté Var(X) ou V (X)
qui vaut :

Var(X) = V (X) = p1 [x1 − E(X)]2 + p2 [x2 − E(X)]2 + · · · + pn [xn − E(X)]2

n
X
Var(X) = pi [xi − E(X)]2
i=1

• Écart-type : On appelle écart-type de X le réel noté σ(X) ou σX défini par :

q
σ(X) = V (X)

Exemple : Soit X la variable aléatoire représentant le résultat d’un lancer de dé à 6 faces,

avec X(Ω) = {1, 2, 3, 4, 5, 6} et P (X = i) = 61 pour tout i = 1, . . . , 6.

Calcul de l’espérance :
6
X 1 1 21
E(X) = i× = (1 + 2 + 3 + 4 + 5 + 6) = = 3.5
i=1
6 6 6

Calcul de la variance :
6
X 1 1 17.5
V (X) = (i − 3.5)2 = (6.25 + 2.25 + 0.25 + 0.25 + 2.25 + 6.25) = ≈ 2.9167
i=1
6 6 6

Calcul de l’écart-type :
q √
σ(X) = V (X) = 2.9167 ≈ 1.71

Remarque :
— L’espérance E(X) est la moyenne des valeurs pondérées par les probabilités pi .
— La variance permet de caractériser l’étalement des valeurs de la variable aléatoire X
autour de sa moyenne E(X).
— Pour une variable aléatoire X, on peut démontrer que la variance V ar(X) peut
s’écrire sous la forme suivante (formule de Koenig) :

2
V (X) = E(X 2 ) − E(X) .

— À partir de variables aléatoires existantes, on peut en créer de nouvelles. Avec les

notations usuelles, on obtient :
— Pour tous a, b ∈ R :
aX + b : ω 7→ aX(ω) + b,
— Pour deux variables aléatoires X et Y :
X + Y : ω 7→ X(ω) + Y (ω),
— Et leur produit :
X · Y : ω 7→ X(ω) × Y (ω).
3.3. VARIABLES ALÉATOIRES CONTINUES : 9

Propriétés :
Soit X et Y deux variables aléatoires. On a :
Pn
1. Pour toute fonction φ, on a : E(φ(X)) = i=1 φ(xi )pi .
2. E(X + Y ) = E(X) + E(Y ).
3. V (X + Y ) = V (X) + V (Y ) + 2Cov(X, Y )
4. Pour tout a ∈ R : E(aX) = aE(X), V (aX) = a2 V (X).
5. Si X = c est une constante, alors : E(c) = c, V (c) = 0.
6. Si X et Y sont indépendantes, alors : E(X · Y ) = E(X) × E(Y ), V (X + Y ) =
V (X) + V (Y ).

3.3 Variables aléatoires continues :

Une variable aléatoire est dite continue si elle peut prendre toutes les valeurs d’un intervalle.
En particulier, dans le cas où la variable aléatoire peut prendre toute valeur réelle (c’est-à-dire
lorsque son ensemble de définition contient un intervalle de R), on parle de variable aléatoire
réelle.
Dans ce cas, il ne s’agit plus de calculer une probabilité d’apparition d’une valeur donnée, mais
plutôt celle d’un intervalle de valeurs.

3.3.1 Fonction de densité :

Définition :
On appelle densité de probabilité sur R toute fonction f définie sur R telle que :
1. f est positive et continue sur R sauf en un nombre fini de points ;
Z +∞
2. f (x) dx = 1.
−∞
Soit f une densité de probabilité sur R. Une variable aléatoire X suit la loi de densité f
si, pour tout intervalle I, la probabilité de l’événement X ∈ I est donnée par :
Z
P(X ∈ I) = f (x) dx
I

En particulier, si I = [a, b], on a :

Z b
P(a ≤ X ≤ b) = f (x) dx
a

On dit aussi que X est une variable aléatoire (v.a.r.) continue de densité f .

Propriétés :
Pour tous réels a et b :
— P(X = a) = 0 ;
— P(a ≤ X ≤ b) = P(a ≤ X < b) = P(a < X ≤ b) = P(a < X < b) ;
— P(X > a) = 1 − P(X ≤ a) ;
— P(a < X < b) = P(X < b) − P(X ≤ a).
10 CHAPITRE 3. VARIABLES ALÉATOIRES

Exemple :
• Montrons que la fonction f1 est une fonction de densité de probabilité, elle définie par :

si x < 0,
0


f1 (x) = 1 si 0 ≤ x ≤ 1,


0 si x > 1,

La fonction f1 est positive et continue sauf en 0 et 1.

Puisque f1 est nulle en dehors de l’intervalle [0, 1], on a :
Z +∞ Z 1
f1 (x) dx = 1 dx = [x]10 = 1.
−∞ 0

=⇒ Donc, f1 est une fonction de densité de probabilité.

• Montrons que la fonction f2 est une fonction de densité de probabilité, elle définie par :



 0 si x ≤ −1,

x + 1 si − 1 < x ≤ 0,

f2 (x) =


 −x + 1 si 0 < x ≤ 1,

0 si x > 1,



Sur chaque intervalle ouvert ] − ∞, −1], ] − 1, 0[, ]0, 1[ et ]1, ∞[, f2 est une fonction poly-
nomiale (constante ou affine), donc continue.
Vérifions que f2 est positive :
— Pour −1 < x ≤ 0, x + 1 ≥ 0 car x > −1.
— Pour 0 < x ≤ 1, −x + 1 ≥ 0 car x ≤ 1.
Calculons l’intégrale sur R :
Z +∞ Z 0 Z 1
f2 (x) dx = (x + 1) dx + (−x + 1) dx.
−∞ −1 0

Calculons chaque intégrale :

" #0
x2
Z 0
1 1
 
(x + 1) dx = +x = (0 + 0) − −1 = ,
−1 2 −1
2 2

" #1
x2
Z 1
1 1
 
(−x + 1) dx = − + x = − +1 −0= .
0 2 0
2 2

Donc,
Z +∞
1 1
f2 (x) dx = + = 1.
−∞ 2 2

=⇒ Ainsi, f2 est une fonction de densité de probabilité.

3.3. VARIABLES ALÉATOIRES CONTINUES : 11

3.3.2 Fonction de répartition d’une v.a.r continue :

Définition :
Soit X une variable aléatoire réelle continue de densité f . On définit la fonction de répar-
tition F de X comme la fonction F : R → R telle que :
Z x
F (x) = P (X ≤ x) = f (t) dt.
−∞

Propriétés :
Soit X une variable aléatoire continue de densité f et fonction de répartition F .
Les propriétés suivantes sont vérifiées :
1. F est croissante sur R.
2. F est dérivable et sa dérivée est la densité : F ′ (x) = f (x), ∀x ∈ R.
Rb
3. Pour tous a, b ∈ R avec a ≤ b : P (a ≤ X ≤ b) = a f (t) dt = F (b) − F (a).
Ra
4. Pour tout a ∈ R : P (X > a) = 1 − P (X ≤ a) = 1 − −∞ f (t) dt = 1 − F (a).

Exemple : Soit la densité de probabilité f définie par :

(
0 si x ∈
/ [0, 1],
f (x) =
2x si x ∈ [0, 1].

La fonction de répartition F associée est donnée par :


0

 si x ∈] − ∞, 0],
F (x) = x2 si x ∈ [0, 1],

si x ∈ [1, +∞[.

1

3.3.3 Espérance et variance d’une v.a.r continue :

Définition 1 :
Soit X une variable aléatoire continue de densité f .
Espérance : On appelle espérance de X, notée E(X), le réel défini par :
Z +∞
E(X) = xf (x) dx,
−∞

lorsque cette intégrale est absolument convergente.

Variance : On appelle variance de X, notée Var(X), le réel défini par :
Z +∞
Var(X) = (x − E(X))2 f (x) dx,
−∞

lorsque cette intégrale existe.

Écart-type : On appelle écart-type de X, noté σX ou σ(X), le réel défini par :
q
σX = Var(X).
12 CHAPITRE 3. VARIABLES ALÉATOIRES

Remarque :
On peut montrer que la variance de X vérifie la relation suivante :

2
Var(X) = E(X 2 ) − E(X) ,

où Z +∞
E(X 2 ) = x2 f (x) dx.
−∞

Exemple : Soit la fonction de densité f2 définie par :




 0 si x ≤ −1,

x + 1 si − 1 < x ≤ 0,

f2 (x) =


 −x + 1 si 0 < x ≤ 1,

0 si x > 1.



1. Espérance E(X) :
Z +∞ Z 0 Z 1
E(X) = xf2 (x) dx = x(x + 1) dx + x(−x + 1) dx
−∞ −1 0

Développons et calculons :
" #0 !
x3 x2 (−1)3 (−1)2
Z 0
1 1 1
   
2
(x + x) dx = + = (0 + 0) − + = 0− − + =−
−1 3 2 −1
3 2 3 2 6
" #1
x3 x2
Z 1
1 1 1
 
2
(−x + x) dx = − + = − + =
0 3 2 0
3 2 6
Donc :
1 1
E(X) = − + = 0
6 6
2. Variance Var(X) :

Var(X) = E(X 2 ) − [E(X)]2 = E(X 2 ) (puisque E(X) = 0)

Z +∞ Z 0 Z 1
Var(X) = x2 f2 (x) dx = x2 (x + 1) dx + x2 (−x + 1) dx
−∞ −1 0

Développons :
" #0
x4 x3
Z 0
1 1 1 1 1 1
     
3 2
(x + x ) dx = + =0− − =− − =− − =
−1 4 3 −1
4 3 4 3 12 12
" #1
x4 x3
Z 1
3 2 1 1 1
(−x + x ) dx = − + =− + =
0 4 3 0
4 3 12
Donc :
1 1 1
Var(X) = + =
12 12 6
3.4. COUPLE DE VARIABLES ALÉATOIRES : 13

3. Écart-type σX :
r
q 1 1
σX = Var(X) = =√
6 6

Propriétés :
Soit X une variable aléatoire réelle continue de densité f , admettant une espérance et une
variance. Alors, pour tous a, b ∈ R, on a les propriétés suivantes :
— Linéarité de l’espérance : E(aX + b) = a E(X) + b
— Espérance d’une somme ou d’une différence :

E(X + Y ) = E(X) + E(Y ), E(X − Y ) = E(X) − E(Y )

— Variance de la somme ou de la différence :

Var(X + Y ) = Var(X) + Var(Y ) + 2Cov(X, Y ),

Var(X − Y ) = Var(X) + Var(Y ) − 2Cov(X, Y )

— Espérance d’une fonction de X :

Z +∞
E(h(X)) = h(x)f (x) dx (si cette intégrale existe).
−∞

— Variance d’une constante : Var(b) = 0

— Variance d’une transformation affine : Var(aX + b) = a2 Var(X)
— Écart-type d’une transformation affine : σ(aX + b) = |a| σ(X)

Si X et Y sont indépendantes, alors :

— Espérance du produit :
E(XY ) = E(X) · E(Y )

— Variance de la somme ou de la différence :

Var(X + Y ) = Var(X) + Var(Y ), Var(X − Y ) = Var(X) + Var(Y )

Remarque :
Soit X une variable aléatoire continue d’espérance E(X) et d’écart-type σX .
On définit la variable aléatoire centrée réduite associée à X, notée X ∗ , par :
X ∗ = X−E(X)
σX
Alors X ∗ est une variable aléatoire continue centrée réduite, c’est-à-dire :

E(X ∗ ) = 0,
σ(X ∗ ) = 1.

3.4 Couple de variables aléatoires :

On considère deux variables aléatoires (discrètes ou continues) X et Y , respectivement défi-
nies sur X(Ω) et Y (Ω). Les réalisations du couple de variables aléatoires (X, Y ) appartiennent
14 CHAPITRE 3. VARIABLES ALÉATOIRES

à l’univers des réalisations X(Ω) × Y (Ω).

3.4.1 Couples aléatoires discrets :

1 - Loi conjointe :

Définition :
On appelle couple aléatoire un couple (X, Y ) de variables aléatoires définies sur le même
espace probabilisé (Ω, A, P). Le couple (X, Y ) est aussi appelé vecteur aléatoire de
dimension 2.
Soit (X, Y ) un couple aléatoire discret. On pose :

X(Ω) × Y (Ω) = {(xi , yj )}i∈I,j∈J

La loi conjointe du couple (X, Y ) est définie par :

∀i ∈ I, ∀j ∈ J, pij = P(X = xi , Y = yj )

Exemple : Une urne contient 4 boules blanches, 2 boules noires et 4 boules rouges. On tire
3 boules sans remise. Soit X le nombre de boules blanches et Y le nombre de boules noires.
On cherche la loi conjointe du couple (X, Y ), que l’on représente par un tableau à double
entrée. Les variables aléatoires X et Y peuvent prendre respectivement les valeurs :

X(Ω) = {0, 1, 2, 3}, Y (Ω) = {0, 1, 2}

Voici le tableau de la loi conjointe du couple (X, Y ) :

Y \X 0 1 2
0 4/120 12/120 4/120
1 24/120 32/120 4/120
2 24/120 12/120 0
3 4/120 0 0

Propriétés :
On a :
∀i ∈ I, ∀j ∈ J, pij ≥ 0,
et XX XX
pij = pij = 1.
i∈I j∈J j∈J i∈I

2 - Fonction de répartition :

Définition :
On appelle fonction de répartition du couple aléatoire (X, Y ) la fonction F(X,Y ) définie
sur R2 par :
∀x ∈ R, ∀y ∈ R, F(X,Y ) (x, y) = P(X ≤ x, Y ≤ y)

Exemple : On souhaite calculer : P(a < X ≤ b, c < Y ≤ d) en fonction de la fonction de

répartition F .
3.4. COUPLE DE VARIABLES ALÉATOIRES : 15

On a alors :

P(a < X ≤ b, c < Y ≤ d) = F (b, d) − F (a, d) − F (b, c) + F (a, c)

3 - Lois marginales :

Définition :
Soit (X, Y ) un couple aléatoire discret. On pose :
X X
∀i ∈ I, pi· = pij et ∀j ∈ J, p·j = pij
j∈J i∈I

La famille (xi , pi· )i∈I définit la loi de X, dite loi marginale de X.

La famille (yj , p·j )j∈J définit la loi de Y , dite loi marginale de Y .

Exemple : Voici le tableau de la loi conjointe du couple (X, Y ) avec ses lois marginales :

Y \X 0 1 2 pi·
0 4/120 12/120 4/120 20/120
1 24/120 32/120 4/120 60/120
2 24/120 12/120 0 36/120
3 4/120 0 0 4/120
p·j 56/120 56/120 8/120 1

- La colonne pi· représente la loi marginale de X.

- La ligne p·j représente la loi marginale de Y .
- La somme des probabilités est bien 1, ce qui vérifie que c’est une loi de probabilité valide.

4 - Indépendance :

Définition :
Soit (X, Y ) un couple aléatoire discret. Les variables aléatoires X et Y sont dites indé-
pendantes si :

∀i ∈ I, ∀j ∈ J, P(X = xi , Y = yj ) = P(X = xi ) · P(Y = yj )

Dans ce cas, la loi conjointe est égale au produit des lois marginales.

Propriétés :
Soient A et B deux événements d’un espace probabilisé.
Les événements A et B sont dits indépendants si :

P(A ∩ B) = P(A) · P(B)

Cette définition est équivalente à dire que les variables aléatoires indicatrices 1A et 1B
sont indépendantes, c’est-à-dire :

P(1A = i, 1B = j) = P(1A = i) · P(1B = j), pour tous i, j ∈ {0, 1}

Exemple 1 : Une urne contient a boules noires et b boules blanches.

On effectue deux tirages successifs.
16 CHAPITRE 3. VARIABLES ALÉATOIRES

On définit les variables aléatoires X1 et X2 par :

(
1 si la boule tirée au i-ième tirage est blanche,
Xi =
0 sinon.

1. Tirage avec remise

Chaque tirage est indépendant du précédent.
On a :
b
P(X1 = 1) = P(X2 = 1) =
a+b
2
b b b

P(X1 = 1, X2 = 1) = · =
a+b a+b a+b
Comme :
P(X1 = 1, X2 = 1) = P(X1 = 1) · P(X2 = 1)
On conclut que X1 et X2 sont indépendantes.

2. Tirage sans remise :

Le second tirage dépend du premier.
On a :
b
P(X1 = 1) =
a+b
On utilise la formule des probabilités totales pour calculer P(X2 = 1) :

P(X2 = 1) = P(X1 = 1) · P(X2 = 1/X1 = 1) + P(X1 = 0) · P(X2 = 1/X1 = 0)

On a :
b−1
P(X2 = 1/X1 = 1) =
a+b−1
Et :
b
P(X2 = 1/X1 = 0) =
a+b−1
Alors :
b b−1 a b b
P(X2 = 1) = · + · =
a+b a+b−1 a+b a+b−1 a+b
Calculons la probabilité conjointe :

b b−1 b(b − 1)
P(X1 = 1, X2 = 1) = · =
a+b a+b−1 (a + b)(a + b − 1)

Mais :
b2 b(b − 1)
 
P(X1 = 1) · P(X2 = 1) = 2
· valeur différente de
(a + b) (a + b)(a + b − 1)

Donc :
P(X1 = 1, X2 = 1) ̸= P(X1 = 1) · P(X2 = 1)
On en conclut que X1 et X2 ne sont pas indépendantes dans le cas d’un tirage sans
remise.
Exemple 2 :
On considère deux lois conjointes données par les probabilités pij :
3.4. COUPLE DE VARIABLES ALÉATOIRES : 17

Premier cas :

1 1
pij = · , pour tout entier i, j.
e2 i!j!
On calcule les lois marginales :
∞ ∞ ∞
X X 11 1 X 1 1 1
pi = pij = 2
· = 2 = 2 ·e= .
j=0 j=0
e i!j! e i! j=0 j! e i! ei!

De même :
∞ ∞ ∞
X X 1 1 1 X 1 1 1
pj = pij = · = 2 = 2 ·e= .
i=0 i=0
e2 i!j! e j! i=0 i! e j! ej!

Ainsi :
1 1 1
  
pi · pj = = = pij .
ei! ej! e2 i!j!
Conclusion : X et Y sont indépendantes dans ce cas.
Deuxième cas :

1 i+j
pij = · , pour tout entier i, j.
2e2 i!j!
Les lois marginales sont données par :

i+1 j+1
pi = , pj = .
2i!e 2j!e

Alors :
i+1 j+1 (i + 1)(j + 1)
  
pi · pj = = ,
2i!e 2j!e 4i!j!e2
ce qui est différent de :
i+j
pij = .
2e2 i!j!
Conclusion : X et Y ne sont pas indépendantes dans ce cas, car pij ̸= pi · pj .

5 - Covariance :

Propriétés :
Soit (X, Y ) un couple aléatoire discret tel que X et Y ont une variance. La variable
aléatoire XY a une espérance et on a :

(E(XY ))2 ≤ E(X 2 ) · E(Y 2 )

Il y a égalité si et seulement si Y est une fonction quasi affine de X, c’est-à-dire qu’il

existe deux réels a et b tels que :

P(Y = aX + b) = 1
18 CHAPITRE 3. VARIABLES ALÉATOIRES

Définition :
On appelle covariance de X et de Y le réel défini par :

Cov(X, Y ) = E[(X − E(X))(Y − E(Y ))] = E(XY ) − E(X)E(Y )

On appelle coefficient de corrélation de X et de Y (si σX σY ̸= 0) :

Cov(X, Y )
ρ(X, Y ) =
σX σY

On dit que X et Y sont non corrélés si Cov(X, Y ) = 0.

Propriétés :
Soit (X, Y ) un couple aléatoire discret tel que X et Y ont une variance. Soient a et b
deux réels. On a les propriétés suivantes :
— Cov(X, X) = Var(X),
— Cov(X, Y ) = Cov(Y, X),
— Cov(aX + bZ, Y ) = a Cov(X, Y ) + b Cov(Z, Y ),
— |ρ(X, Y )| ≤ 1,
— |ρ(X, Y )| = 1 ⇐⇒ Y est presque sûrement une fonction affine de X.

Variance d’une somme : Soit (X, Y ) un couple aléatoire discret tel que X et Y ont une
variance, alors :

Var(X + Y ) = Var(X) + Var(Y ) + 2 Cov(X, Y )

Exemple : On tire au hasard 2 boules en même temps d’une urne qui contient : 1 boule
blanche, 3 boules noires et 6 boules jaunes.

1. Donner la loi conjointe du couple (X, Y ), où X et Y représentent respectivement le

nombre de boules blanches et noires obtenues.

2. Donner les lois marginales de X et Y .

3. Déterminer la fonction de répartition conjointe du couple (X, Y ).

4. Calculer Cov(X, Y ) et ρ(X, Y ).

5. Vérifier si X et Y sont indépendantes ou non.

Solution :
L’ensemble des valeurs possibles pour le couple (X, Y ) est :

{(0, 0), (1, 0), (0, 1), (1, 1), (0, 2), (1, 2)}.
3.4. COUPLE DE VARIABLES ALÉATOIRES : 19

1.

C62 · C10 · C30 15 1

p00 = P(X = 0, Y = 0) = 2 = = ,
C10 45 3
1
C6 · C11 · C30 6 2
p10 = P(X = 1, Y = 0) = 2 = = ,
C10 45 15
C61 · C10 · C31 18 6
p01 = P(X = 0, Y = 1) = 2 = = ,
C10 45 15
C60 · C11 · C31 3 1
p11 = P(X = 1, Y = 1) = 2 = = ,
C10 45 15
C60 · C10 · C32 3 1
p02 = P(X = 0, Y = 2) = 2 = = ,
C10 45 15
p12 = P(X = 1, Y = 2) = 0.

Il s’ensuit que la loi conjointe du couple (X, Y ) est donnée par le tableau suivant :

X\Y 0 1 2 pi·
5 6 1 12
0
15 15 15 15
2 1 3
1 0
15 15 15
7 7 1
p·j 1
15 15 15

2. À partir du tableau, on a : X :

xi 0 1
12 3
pi·
15 15
Y:

yj 0 1 2
7 7 1
p·j
15 15 15
3. Suivant les différentes positions de x et y par rapport à 0, 1 et 2, on calcule la fonction de
répartition conjointe du couple (X, Y ) :


 0 si x < 0 ou y < 0,
5


si 0 ≤ x < 1 et 0 ≤ y < 1,



15




 11
si 0 ≤ x < 1 et 1 ≤ y < 2,


 15



12
F(X,Y ) (x, y) = si 0 ≤ x < 1 et y ≥ 2,
 15
7


si x ≥ 1 et 0 ≤ y < 1,


15


14




 si x ≥ 1 et 1 ≤ y < 2,
 15



1 si x ≥ 1 et y ≥ 2.

20 CHAPITRE 3. VARIABLES ALÉATOIRES

4. Calculons d’abord les moments d’ordre 1 et 2, la covariance et la corrélation entre les

variables aléatoires X et Y :
1 1
E(X) = xi · pi· = , E(X 2 ) = x2i · pi· =
5 s 5
 2
q 1 1 2
⇒ σX = E(X 2 ) − [E(X)]2 = − =
5 5 5

3 11
E(Y ) = yj · p·j = , E(Y 2 ) = yj2 · p·j =
5 15
s  2 √
q
2)
11 3 2 21
⇒ σY = E(Y − [E(Y )]2 = − =
15 5 15

Calcul de l’espérance du produit :

1,2 1
E(XY ) = Σi=0,j=0 xi · yj · pij =
15
D’où la covariance :
1 1 3 1 3 4
Cov(X, Y ) = E(XY ) − E(X)E(Y ) = − · = − =−
15 5 5 15 25 75
Et enfin, le coefficient de corrélation :
4 4
Cov(X, Y ) − 75 − 75 1
ρ(X, Y ) = = √ = √ = − √ ≈ −0.218
σX σY 2
· 2 21 4 21 21
5 15 75

5. Puisque la covariance Cov(X, Y ) ̸= 0, les variables aléatoires X et Y sont dépendantes.

On peut également le vérifier à partir des probabilités conjointes et marginales :
5
P (X = 0, Y = 0) =
15
12 7 84
P (X = 0) × P (Y = 0) = × =
15 15 225
Or,
5 84
̸=
15 225
Donc,
P (X = 0, Y = 0) ̸= P (X = 0) · P (Y = 0)
Cela confirme également que les variables X et Y sont dépendantes.

3.4.2 Vecteurs aléatoires :

1 - Matrice de variance-covariance :

Définition :
Soit (X1 , · · · , Xn ) un vecteur de n variables aléatoires discrètes. On appelle matrice de
variance-covariance la matrice carrée d’ordre n dont les termes sont Cov(Xi , Xj ). C’est
une matrice symétrique.
3.4. COUPLE DE VARIABLES ALÉATOIRES : 21

2 - Indépendance mutuelle :

Définition :
Soit (X1 , · · · , Xn ) un vecteur de n variables aléatoires discrètes. On dit que les variables
aléatoires sont mutuellement indépendantes si, pour tout n-uplet (x1 , · · · , xn ) ∈ X1 ×
· · · × Xn , on a :
n
Y
P (X1 = x1 , · · · , Xn = xn ) = P (Xi = xi )
i=1

Propriétés :
Soit (Ai )1≤i≤n une famille d’événements. Les Ai sont mutuellement indépendants si et
seulement si les variables aléatoires indicatrices 1Ai sont mutuellement indépendantes.

De plus, si (X1 , · · · , Xn ) est un vecteur de variables aléatoires discrètes mutuellement

indépendantes, alors pour toute paire de fonctions φ(X1 , · · · , Xp ) et ψ(Xp , · · · , Xn ), les
variables aléatoires φ(X1 , · · · , Xp ) et ψ(Xp , · · · , Xn ) sont indépendantes.

3 - Variance d’une somme :

Définition :
Soit (X1 , · · · , Xn ) un vecteur de n variables aléatoires discrètes. On a :
n n
!
X X X
Var Xi = Var(Xi ) + 2 Cov(Xi , Xj ).
i=1 i=1 1≤i<j≤n

Exemple : Soit X une variable aléatoire suivant une loi binomiale B(n, p). On peut inter-
préter X comme la somme de n variables aléatoires indépendantes Xi , chacune suivant une
loi de Bernoulli de paramètre p. Donc :

n
X
X= Xi avec Xi ∼ B(1, p), 1 ≤ i ≤ n.
i=1

D’où E(X) = np et Var(X) = npq, par indépendance des Xi .

Où q = 1 − p.

3.4.3 Couple aléatoire continu :

Définition :
Soient X et Y deux variables aléatoires définies sur le même espace probabilisé (Ω, A, P ).
La loi du couple (X, Y ) est définie à partir de sa fonction de répartition conjointe par :

FX,Y (x, y) = P (X ≤ x, Y ≤ y), pour tout (x, y) ∈ R2 .

22 CHAPITRE 3. VARIABLES ALÉATOIRES

Propriétés :
On a les propriétés suivantes pour la fonction de répartition conjointe FX,Y :
1. FX,Y est totalement croissante au sens large, c’est-à-dire que les fonctions par-
tielles FX,Y (x, ·) et FX,Y (·, y) sont croissantes pour tous réels x et y.
2. FX,Y (x, ·) et FX,Y (·, y) sont continues à gauche.
3. On a les limites : limy→−∞ FX,Y (x, y) = 0, et limx→+∞ FX,Y (x, x) = 1.

1 - Fonction densité de probabilité :

Définition :
Soient X et Y deux variables aléatoires définies sur le même espace probabilisé (Ω, A, P ).
S’il existe une fonction positive f : R2 → R telle que, pour tous réels x et y,
Z x Z y
FX,Y (x, y) = f (u, v) du dv,
−∞ −∞

alors f est dite densité de probabilité du couple (X, Y ).

Propriétés :
On a les propriétés suivantes pour la densité de probabilité conjointe f du couple (X, Y ) :

RR
Pour tout A élément de A, P (X, Y ) ∈ A =
1. RR A f (u, v) du dv. En particulier,
R2 f (u, v) du dv = 1.
∂2F
2. En tout point (x0 , y0 ) où f est continue, on a : f (x0 , y0 ) = ∂x ∂y (x0 , y0 ).
3. Les densités marginales de X et Y sont données par :
R R
fX (x) = R f (x, y) dy et fY (y) = R f (x, y) dx.
RR RR
4. E(X) = R2 x f (x, y) dx dy, et E(Y ) = R2 y f (x, y) dx dy.

RR
5. Pour toute fonction mesurable h, on a : E h(X, Y ) = R2 h(x, y) f (x, y) dx dy.
E(X))2 f (x, y) dx dy,
RR RR
6. Var(X) = R2 (x − et Var(Y ) = R2 (y −
2
E(Y )) f (x, y) dx dy.

Remarque :
Lorsque les quantités sont définies, on pose, comme dans le cas discret,

Cov(X, Y )
Cov(X, Y ) = E(XY ) − E(X)E(Y ), ρ(X, Y ) = .
σX σY

2 - Lois marginales et lois conditionnelles :

Les lois marginales de X et Y sont données par leurs fonctions de répartition :
FX (x) = P (X < x) = P (X < x, Y ∈ R) = lim FX,Y (x, y),
y→+∞

FY (y) = P (Y < y) = P (X ∈ R, Y < y) = lim FX,Y (x, y).

x→+∞

Soit (X, Y ) un couple de variables aléatoires ayant une densité de probabilité f . Soit fX la
densité de probabilité marginale de X et un réel x tel que fX (x) ̸= 0. La loi conditionnelle
3.4. COUPLE DE VARIABLES ALÉATOIRES : 23

de Y sachant la condition (X = x) est définie par sa densité de probabilité

f (x, y)
fx (y) = .
fX (x)

3 - Indépendance :

Définition :
Les variables aléatoires X et Y sont indépendantes si, pour tous réels x et y,

FX,Y (x, y) = FX (x) × FY (y).

Propriétés :
On a :
1. X et Y sont indépendantes si et seulement si, pour tous réels x et y,

f (x, y) = fX (x) × fY (y).

Dans ce cas, on a
Cov(X, Y ) = 0.

2. X et Y sont indépendantes si et seulement si, pour tous couples d’intervalles réels

[a, a0 [ et [b, b0 [, on a

P (X, Y )−1 ([a, a0 [×[b, b0 [) = P X −1 ([a, a0 [) × P Y −1 ([b, b0 [) .

3. X et Y sont indépendantes si et seulement si les lois conditionnelles sont iden-

tiques aux lois marginales. En particulier, la fonction de répartition conditionnelle
FX|Y =y (x) ne dépend pas de y.

Exemple : Soient c ∈ R et fX,Y une fonction telle que :

( 2 −y 2
c xye−x , x ∈ R+ , y ∈ R+ ,
fX,Y (x, y) =
0, sinon.
1. Calculer c pour que la fonction fX,Y soit une densité de probabilité du couple (X, Y ).
2. Déterminer la fonction de répartition conjointe du couple (X, Y ) :
FX,Y (x, y) = P(X ≤ x, Y ≤ y).
3. Trouver les densités marginales de X et Y .
Solution :
1. Il faut remarquer d’abord que fX,Y doit être positive, ainsi c ≥ 0. De plus,
ZZ Z +∞ Z +∞
2 2
1= fX,Y (x, y) dx dy = c xe−x dx × ye−y dy.
R2 0 0
Or, Z +∞ Z +∞
−x2 2 1
xe dx = ye−y dy = .
0 0 2
Donc,
1 1 c
1=c× × = ⇒ c = 4.
2 2 4
24 CHAPITRE 3. VARIABLES ALÉATOIRES

2. La fonction de répartition conjointe du couple (X, Y ) est donnée par

Z x Z y
FX,Y (x, y) = P(X ≤ x, Y ≤ y) = fX,Y (u, v) du dv.
−∞ −∞

Or, fX,Y (u, v) = 0 si u < 0 ou v < 0, donc

Z x Z y   
2 2 2 2
FX,Y (x, y) = 4 ue−u du × ve−v dv = 1 − e−x 1 − e−y , ∀x, y ≥ 0.
0 0

Pour x < 0 ou y < 0, on a FX,Y (x, y) = 0.

Pour les fonctions de répartition marginales, on prend la limite :

 2

FX (x) = lim FX,Y (x, y) = 1 − e−x 1R+ (x),
y→+∞

 2

FY (y) = lim FX,Y (x, y) = 1 − e−y 1R+ (y).
x→+∞

3. Pour les densités marginales, on dérive les fonctions de répartition marginales :

2
fX (x) = FX′ (x) = 2xe−x 1R+ (x),

2
fY (y) = FY′ (y) = 2ye−y 1R+ (y).

4 - Lois dérivées de la loi normale :

Définition :
1. Soient X1 , . . . , Xn des variables aléatoires indépendantes et identiquement distri-
buées suivant la loi normale N (0, 1). Alors la variable aléatoire Yn = ni=1 Xi suit
P

une loi dite du Khi-deux à n degrés de liberté, notée χ2 (n).

2. Soit une variable aléatoire Z qui suit la loi normale N (0, 1), et X une variable
aléatoire indépendante de Z qui suit une loi du Khi-deux χ2 (n) à n degrés de
liberté. Alors la variable aléatoire Tn = √ Z suit une loi dite loi de Student t(n) à
X/n
n degrés de liberté.
3. Soient X et Y deux variables aléatoires indépendantes suivant des lois du Khi-deux
χ2 (n) et χ2 (p) à respectivement n et p degrés de liberté. Alors la variable aléatoire
F = X/n
Y /p suit une loi dite de Fisher-Snedecor à n degrés de liberté au numérateur
et p degrés de liberté au dénominateur, notée F (n, p).
3.4. COUPLE DE VARIABLES ALÉATOIRES : 25

0.35 χ2 (5)
t(5)
0.3 F (5, 3)

0.25
Densité

0.2

0.15

0.1

5 · 10−2

0
−6 −4 −2 0 2 6 4 8 10 12 14
x2
Figure 3.1 – Les graphes des densités des lois Khi2 χ (5), Student t(5) et de Fisher F (5, 3).

Propriétés :
1. Si X suit une loi du Khi-deux χ2 (n), alors E(X) = n et Var(X) = 2n.
2. Si X et Y sont deux variables aléatoires indépendantes suivant respectivement des
lois du Khi-deux χ2 (n) et χ2 (p), alors la variable X + Y suit une loi du Khi-deux
χ2 (n + p).
3. Si X suit une loi de Student t(n) à n ≥ 3 degrés de liberté, alors
n
E(X) = 0 et Var(X) = n−2 .
4. Si X suit une loi de Fisher F (n, p), alors
p
pour p > 2, E(X) = ,
p−2

2p2 (n + p − 2)
pour p > 4, Var(X) = .
n(p − 2)2 (p − 4)

Remarque :
Ces trois dernières lois seront utiles dans la théorie des tests. L’expression explicite des
densités de ces lois n’est pas à connaître (sauf pour la loi normale). Des tables statistiques
et des logiciels permettent de les manipuler