Variables aléatoire et loi de Probabilité

École Supérieure de l'Éducation et de la Formation

20 mars 2025

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 1 / 69
 1 Introduction

2 Dénition générale

3 Variables aléatoires discrètes

4 Variables aléatoires continues

5 Couple de variables aléatoires

6 Couple de variables aléatoires

7 Exercices

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 2 / 69
 Introduction

Un résultat d'une expérience aléatoire peut être représenté par une

application.
Si cette application associe des probabilités à des valeurs numériques
discrètes, elle est appelée variable aléatoire discrète.
Si les résultats d'une expérience aléatoire sont associés à un ensemble
de valeurs formant un ou plusieurs intervalles réels, et qu'il est possible
de calculer la probabilité de tous les intervalles inclus dans cet
ensemble, l'application correspondante est appelée variable aléatoire
continue.

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 3 / 69
 Dénition générale

Dénition
Une variable aléatoire est une application, notée X , qui pour chaque
événement de l'ensemble fondamental Ω associe une valeur
appartenant à un univers X (Ω) qui correspond à l'univers des
réalisations. Plus généralement, l'application X associe à tout
événement de la tribu F sur Ω, une valeur appartenant à la tribu E
sur X (Ω).
Soient (Ω, F, P) un espace probabilisé et (X (Ω), E) un univers
probabilisable. Une variable aléatoire est toute application X de Ω
vers X (Ω) :
∀x ∈ (F) X −1 (x) ∈ E

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 4 / 69
 Dénition générale

Exemple
On considère l'expérience aléatoire qui consiste à lancer un dé à 6
faces. L'univers des résultats possibles est alors déni par
Ω = {1, 2, 3, 4, 5, 6}.
Dénissons une variable aléatoire, notée X , comme une application qui
prend la réalisation 100 lorsque le résultat du lancer est un nombre
pair et 200 lorsque le résultat est un nombre impair. On a déni une
application associant à tout événement de Ω un élément de l'univers
des réalisations X (Ω) = {100, 200}.

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 5 / 69
 Variables aléatoires discrètes

Dénition
Soit (Ω, F, P) un univers probabilisé ni ou inni. On appelle variable
aléatoire discrète (v.a.d) X toute application X : Ω → X (Ω) telle que

∀xi ∈ X (Ω) :

P(X = xi ) = PX (xi ) = P({ω ∈ Ω : X (ω) = xi })

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 6 / 69
 Variables aléatoires discrètes

Loi de probabilité :
Dénition
L'application P(X = x) dénie pour toutes les réalisations xi ∈ X (Ω)
s'appelle la loi de probabilité de la v.a.d X . Cette loi de probabilité n'est
rien d'autre que la liste des probabilités
P(X = xi ), P(X = xj ), . . . , P(X = xn ), . . . , associée à tous les événements
de l'univers des réalisations X (Ω). Par dénition, la somme de ces
probabilités pour toutes les réalisations de l'univers X (Ω) est toujours égale
à1:
P(X = xi ) = 1
X X
PX (xi ) =
xi ∈X (Ω) xi ∈X (Ω)

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 7 / 69
 Variables aléatoires discrètes

Loi de probabilité :
On appelle alors loi de probabilité (ou distribution) de la variable
aléatoire X l'ensemble des couples (xi , P(X = xi )). Si X ne prend qu'un
petit nombre de valeurs, cette distribution est généralement présentée dans
un tableau.
Valeurs possibles xi de X x1 ... xi ... Total
Probabilités correspondantes P(X = xi ) p1 ... pi ... 1

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 8 / 69
 Variables aléatoires discrètes

Loi de probabilité :
Exemple
On considère une expérience aléatoire consistant à lancer deux pièces de
monnaie équilibrées. L'ensemble des résultats possibles est :
Ω = {(P, P), (F , P), (P, F ), (F , F )}.

Considérons la v.a.d X représentant le nombre de faces obtenues. Les

valeurs prises par X sont : X (Ω) = {0, 1, 2}. On a :
PX (0) =P(X = 0) = P(obtenir 0 faces) = P(PP) = 1/4,
PX (1) =P(X = 1) = P(obtenir 1 face) = P(PF , FP) = 1/2,
PX (2) =P(X = 2) = P(obtenir 2 faces) = P(FF ) = 1/4.

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 9 / 69
 Variables aléatoires discrètes

Loi de probabilité :
Finalement, la loi de probabilité de X est donnée par le tableau suivant :
x 0 1 2 Total
PX (x) = P(X = x) 1/4 1/2 1/4 1
On a :
3 1
P(X ≤ 1) = P(X = 0)+P(X = 1) = et P(X > 1) = P(X = 2) = .
4 4

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 10 / 69
 Variables aléatoires discrètes

Fonction de répartition :
Dénition
La fonction de répartition de la variable aléatoire (discrète ou continue) X ,
notée FX (x), correspond à la probabilité que cette variable prenne des
réalisations inférieures ou égales à une certaine valeur x ∈ R :
FX (x) = P(X ≤ x) ∀x ∈ R

La fonction de répartition d'une v.a.d X dénie sur X (Ω) est une fonction
FX (x) : R → [0, 1], telle que :
X X
FX (x) = P(X ≤ x) = P(X = xi ) = PX (xi ) ∀x ∈ R
xi ≤x xi ≤x

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 11 / 69
 Variables aléatoires discrètes
Fonction de répartition :
Exemple
Dans l'exemple précédent où X (Ω) = {0, 1, 2}, on a :
0, x <0


P(X = 0) = 1 , 0≤x <1


4
FX (x) =

P(X = 1) + P(X = 0) = 1
4
+ 1
2
= 4, 1 ≤ x < 2
3

1, x ≥ 2.



(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 12 / 69
 Variables aléatoires discrètes

Fonction de répartition :
Remarque
est à valeurs dans [0, 1].
FX
FX est croissante : si x ≤ y alors FX (x) ≤ FX (y ).
En tout point x ∈ R, FX admet une limite à gauche notée F (x − ).
En eet,
Par dénition : pour tout x ∈ R, FX (x) = P(X ≤ x) ∈ [0, 1].
Si x ≤ y , Palors :
FX (x) = z≤x P(X = z) ≤ z≤y P(X = z) = FX (y ).
P

En tous point x ∈ R, F (x − ) existe car FX est croissante.

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 13 / 69
 Variables aléatoires discrètes

Fonction de répartition :
Propriété
Soit X une v.a.d dénie sur (Ω, A, P) et soit FX sa fonction de répartition.
Alors,
1FX est continue à droite et en escalier.
2 lim FX (x) = 0 et lim FX (x) = 1.
x→−∞ x→+∞
3Pour tout x ∈ R : P(X < x) = FX (x − ).
4Pour tout x ∈ R : PX (x) = P(X = x) = FX (x) − FX (x − ).
5Si x < y , alors : P(x < X ≤ y ) = FX (y ) − FX (x).
6L'ensemble des points de discontinuité de FX est au plus dénombrable.

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 14 / 69
 Variables aléatoires discrètes
Fonction de répartition :
Remarque
Le point (4) dans la proposition précédente permet de retrouver facilement
la loi de X à travers sa fonction de répartition.
0, x <0



P(X = 0) = 1 , 0≤x <1


4
FX (x) =
P(X = 1) + P(X = 0) =

1
4
+ 1
2
= 4, 1 ≤ x < 2
3

1, x ≥ 2.



1 1
P(X = 0) = FX (0) − FX (0− ) = −0= .
4 4
3 1 1
P(X = 1) = FX (1) − FX (1− ) = − = .
4 4 2
3 1
P(X = 2) = FX (2) − FX (2 ) = 1 − = .
−
4 4
(École Supérieure de l'Éducation et de la Variables
Formation)aléatoire et loi de Probabilité 20 mars 2025 15 / 69
 Variables aléatoires discrètes
Espérance mathématique :
Dénition
L'espérance mathématique , notée E (X ), d'une v.a.d X dénie 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
Revenons à l'exemple précédent, on a :
x 0 1 2 Total
PX (x) = P(X = x) 1/4 1/2 1/4 1
2
1 1 1
     
0× 1× 2× =1
X
E (X ) = xi P(X = xi ) = + +
i=0
4 2 4
(École Supérieure de l'Éducation et de la Variables
Formation)aléatoire et loi de Probabilité 20 mars 2025 16 / 69
 Variables aléatoires discrètes
Espérance mathématique :
Théorème
Soit X une v.a.d dénie sur (Ω, A, P) et à valeurs dans X (Ω) et soit PX sa
loi de probabilité. Soit f : X (Ω) → R une application. Si la série de terme
général f (x)PX (x) est absolument convergente, alors
X X
E (f (X )) = f (x)PX (x) = f (x)P(X = x).
x∈E x∈E

Exemple
On prend f (x) = x dans l'exemple précédent, on trouve le moment
2

d'ordre 2 de X :
2
1 1 1 3
     
0 × 1 × 2 ×
X
2 2 2 2 2
E (X ) = x PX (x) = + + = .
x=0
4 2 4 2
(École Supérieure de l'Éducation et de la Variables
Formation)aléatoire et loi de Probabilité 20 mars 2025 17 / 69
 Variables aléatoires discrètes

Espérance mathématique :
Propriété
Soient X et Y deux v.a.d dénies sur (Ω, A, P) et possédant chacune une
espérance mathématique. Alors,
1Si X = a ∈ R, alors E (X ) = a. En particulier, E (E (X )) = E (X ).
2Pour tout événement A ∈ P(Ω), on a : E (χA ) = P(A).
3Linéarité : E (aX + bY ) = aE (X ) + bE (Y ) pour tous réels a et b .

4Positivité : si X ≥ 0, alors E (X ) ≥ 0.

5Croissance : si X ≤ Y , alors E (X ) ≤ E (Y ).

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 18 / 69
 Variables aléatoires discrètes

Variance et écart-type :
Dénition
Soit X une v.a.d dénie sur (Ω, A, P) telle que E (X 2
) < +∞, alors la
variance de X , notée V (X ), est dénie par :
X
V (X ) = E (X − E (X ))2 = (x − E (X ))2 PX (x).
x∈E

L'écart type est la racine carrée de la variance : σ(X ) = V (X ).

p

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 19 / 69
 Variables aléatoires discrètes
Variance et écart-type :
Exemple
Dans l'exemple précédent, on a :
x 0 1 2 Total
PX (x) = P(X = x) 1/4 1/2 1/4 1
1 1 1
     
E (X ) = 0 × + 1× + 2× = 1.
4 2 4
2
X
V (X ) = (x − E (X ))2 PX (x)
x=0
1 1 1 1
     
= (0 − 1)2 × + (1 − 1)2 × + (2 − 1)2 × = .
4 2 4 2
1
r
= 0, 707.
p
σ(X ) = V (X ) =
2
(École Supérieure de l'Éducation et de la Variables
Formation)aléatoire et loi de Probabilité 20 mars 2025 20 / 69
 Variables aléatoires discrètes

Variance et écart-type :
Propriété
Soit X une v.a.d dénie sur (Ω, A, P) telle que E (X ) < +∞. Alors 2

1V (X ) ≥ 0.
2V (X ) = E (X ) − (E (X )) . (formule de Koenig)
2 2

3Pour tous réels a et b, V (aX + b) = a V (X ). 2

4Si on pose :
X − E (X )
Y = ,
σ(X )
alors E (Y ) = 0 et σ(Y ) = 1. On dit que Y est une v.a.d centrée
réduite.

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 21 / 69
 Variables aléatoires continues

Dénition
Soit (Ω, F, P) un univers probabilisé non dénombrable. On appelle variable
aléatoire réelle (continue) toute application Ω → X (Ω) ⊆ R telle que

pour tout intervalle I ⊆ X (Ω) :

P(X ∈ I ) = P ({ω ∈ Ω; X (ω) ∈ I })

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 22 / 69
 Variables aléatoires continues
Exemple
Si on lance une èche dans une cible centrée sous forme d'un cercle de
rayon r = 1m et on s'intéresse à l'abscisse X de la position de la èche par
rapport au centre, alors X est une v.a.r à valeurs dans X (Ω) = [−1, 1] ⊂ R.

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 23 / 69
 Variables aléatoires continues
Fonction de densité :
Dénition
Soit X une variable aléatoire réelle dénie sur X (Ω) ⊆ R. La loi de
probabilité de X admet une fonction de densité, notée fX (x), si cette
fonction est dénie sur X (Ω), positive ou nulle, intégrable et telle que
∀(a, b) ∈ X (Ω) : 2

Z b
P(a ≤ X ≤ b) = fX (x) dx
a

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 24 / 69
 Variables aléatoires continues
Fonction de densité :
Exemple
On suppose que la note Y d'un étudiant à son examen de statistique a été
distribuée au hasard. La variable Y , dénie sur Y (Ω) = [0, 20], admet une
loi uniforme (continue) telle que :
1
∀y ∈ [0, 20]
fY (y ) =
20
Déterminons la probabilité d'obtenir une note comprise entre 8 et 13, ainsi
que la probabilité d'obtenir une note supérieure à 15 :
13 13
1 13 8 1
Z Z hy i 13
P(8 ≤ Y ≤ 13) = fY (y ) dy = dy = = − =
8 8
20 20 8 20 20 4
20 20
1 20 15 1
Z Z hy i 20
P(Y ≥ 15) = fY (y ) dy = dy = = − =
15 15
20 20 15 20 20 4
(École Supérieure de l'Éducation et de la Variables
Formation)aléatoire et loi de Probabilité 20 mars 2025 25 / 69
 Variables aléatoires continues

Fonction de densité :
Proprété
Soit X une variable aléatoire continue avec X (Ω) ⊆ R. Sa fonction de
densité fX (x) vérie les propriétés suivantes :
fX (x) ≥ 0, ∀x ∈ X (Ω) et fX (x) = 0, ∀x ∈ / X (Ω).
Z +∞
fX (x) dx = 1.
−∞
Z +∞
P(X ≥ a) = P(X > a) = fX (x) dx .
a
Z b
P(X ≤ b) = P(X < b) = fX (x) dx .
−∞
Z x
P(X = x) = P(x ≤ X ≤ x) = fX (x) dx = 0 ∀x ∈ R
x

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 26 / 69
 Variables aléatoires continues

Fonction de répartition :
Dénition
La fonction de répartition, notée FX (x), de la variable aléatoire réelle X
dénie sur X (Ω) ⊆ R correspond à la probabilité que cette variable soit
inférieure ou égale à une certaine valeur x ∈ R :
Z x
FX (x) = P(X ≤ x) = fX (u) du ∀x ∈ R
−∞

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 27 / 69
 Variables aléatoires continues
Fonction de répartition :
Propriété
Soit X une v.a.r dénie sur (Ω, A, P), de densité fX et soit FX sa fonction
de répartition. Alors
Pour tous a ≤ b, P(a ≤ X ≤ b) = FX (b) − FX (a).
Pour tous a ≤ b, on a :
P(a < X < b) = P(a ≤ X < b) = P(a < X ≤ b)
Z b
= P(a ≤ X ≤ b) = fX (x) dx.
a
FX (x)est croissante avec x : FX′ (x) ≥ 0, ∀x ∈ R.
0 ≤ FX (x) ≤ 1, ∀x ∈ R.
lim FX (x) = 0.
x→−∞
lim FX (x) = 1.
x→+∞

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 28 / 69
 Variables aléatoires continues

Fonction de répartition :
Caractérisation de la loi : deux v.a.r(s) continues ont la même loi ssi ils
ont la même densité.
Par construction, la fonction de densité correspond à la dérivée
première de la fonction de répartition :
′
fX (x) = FX (x), ∀x ∈ R

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 29 / 69
 Variables aléatoires continues

Fonction de répartition :
Exemple
Soit X une v.a.r dénie sur (Ω, A, P) de densité :
0 si x < 0
(
fX (x) = , (λ > 0)
λ exp(−λx) si x ≥ 0
Alors, FX (x) = 0 si x < 0 et si x ≥ 0, on a :
Z x Z x
FX (x) = P(X ≤ x) = fX (t)dt = λ exp(−λt)dt
−∞ 0

= [− exp(−λt)]x0 = 1 − exp(−λx).

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 30 / 69
 Variables aléatoires continues

Fonction de répartition :
Exemple
Soit X une v.a.r sur (Ω, A, P), de densité fX et soit FX sa fonction de
répartition.
Densité de Y = aX + b :
   
x −b x −b
a > 0 ⇒ FY (x) = P(Y ≤ x) = P X ≤ = FX .
a a
   
x −b x −b
a < 0 ⇒ FY (x) = P(Y ≤ x) = P X ≥ = 1 − FX .
a a
En dérivant, on obtient la densité de Y :
1
 
′ x −b
fY (x) = FY (x) = fX .
|a| a

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 31 / 69
 Variables aléatoires continues

Fonction de répartition :
Exemple
Densité de Z = X2 :

x < 0 ⇒ FZ (x) = P(Z ≤ x) = 0.

√ √

x > 0 ⇒ FZ (x) = P(Z ≤ x) = P − x ≤ X ≤ x
√ √
= FX ( x) − FX (− x).
En dérivant, on obtient la densité de Z :
0 si x < 0
(
fZ (x) = FZ′ (x) = √ √
.
2
√1
x
fX ( x) + fX (− x) si x > 0

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 32 / 69
 Variables aléatoires continues

Fonction de répartition :
Exemple
Densité de U = eX :

x < 0 ⇒ FU (x) = P(U ≤ x) = 0.

x > 0 ⇒ FU (x) = P(U ≤ x) = P (X ≤ ln(x)) = FX (ln(x)).
En dérivant, on obtient la densité de U :
0 si x < 0
(
fU (x) = FU′ (x) = .
1
x fX (ln(x)) si x > 0

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 33 / 69
 Variables aléatoires continues

Espérance mathématique :
Dénition
RSoit X une v.a.r dénie sur (Ω, A, P), de densité fX vériant :
−∞ |x|fX (x) dx < +∞. On appelle espérance mathématique de X le réel
+∞

déni par : Z +∞
E (X ) = xfX (x) dx.
−∞

Dénition
RSoit X une v.a.r dénie sur (Ω, A, P), de densité fX vériant :
−∞ |x| fX (x) dx < +∞, (p ≥ 1). On appelle moment d'ordre p de X le
+∞ p

nombre : Z +∞
p
E (X ) = x p fX (x) dx.
−∞

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 34 / 69
 Variables aléatoires continues

Espérance mathématique :
Propriété
Soient X et Y deux v.a.r(s) dénies sur (Ω, A, P) et possédant chacune
une espérance mathématique. Alors,
1 Si X = a ∈ R, alors E (X ) = a. En particulier, E (E (X )) = E (X ).
2 Pour tout événement A ∈ A, on a : E (χA ) = P(A).
3 Linéarité : E (aX + bY ) = aE (X ) + bE (Y ) pour tous réels a et b.
4 Positivité : si X ≥ 0, alors E (X ) ≥ 0.
5 Croissance : si X ≤ Y, alors E (X ) ≤ E (Y ).

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 35 / 69
 Variables aléatoires continues

Espérance mathématique :
Théorème
Soit X une v.a.r dénie surR (Ω, A, P), de densité fX et soit g : X (Ω) → R
une application telle que : −∞
+∞
|g (x)|fX (x) dx < +∞. Alors,
Z +∞
E (g (X )) = g (x)fX (x) dx.
−∞

Proposition
Soit X une v.a.r continue dénie sur (Ω, A, P). Alors, X possède une
densité fX ssi pour toute fonction bornée g : R → R, on a :
Z +∞
E (g (X )) = g (x)fX (x) dx.
−∞

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 36 / 69
 Variables aléatoires continues

Espérance mathématique :
Exemple
Soit X une v.a.r dénie sur (Ω, A, P) de densité fX . Posons : Y = aX + b
Le but est de chercher la densité de Y .
• Si a > 0, le changement de variable : y = ax + b nous donne :
Z +∞
E (g (Y )) = E (g (aX + b)) = g (ax + b)fX (x) dx
−∞
1
Z +∞  
y −b
= g (y ) fX dy .
−∞ a a

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 37 / 69
 Variables aléatoires continues

Espérance mathématique :
D'autre part, le théorème de transfert nous donne :
Z +∞
E (g (Y )) = g (y )fY (y ) dy .
−∞

Par conséquent,
1
 
y −b
fY (y ) = fX .
a a

On fait de même pour a < 0 : fY (y ) = −a

 
1 y −b
• fX a .

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 38 / 69
 Variables aléatoires continues

Variance :
Dénition
Soit X une v.a.r dénie sur (Ω, A, P), de densité fX telle que
E (X 2 ) < +∞. Alors la variance de X , notée V (X ), est dénie par :
Z +∞
2
V (X ) = E (X − E (X )) = (x − E (X ))2 fX (x) dx.
−∞

L'écart-type est la racine carrée de la variance : σ(X ) = V (X ).

p

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 39 / 69
 Variables aléatoires continues

Variance :
Propriéré
Soit X une v.a.r dénie sur (Ω, A, P), de densité fX telle que
E (X 2 ) < +∞. Alors,
1 V (X ) ≥ 0.
2 V (X ) = E (X 2 ) − (E (X ))2 . (formule de Koenig)
3 Pour tous réels a et b , V (aX + b) = a2 V (X ).
4 Si on pose :
X − E (X )
Y = ,
σ(X )
alors E (Y ) = 0 et σ(Y ) = 1. On dit que Y est une v.a.r centrée

réduite.

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 40 / 69
 Variables aléatoires continues

Variance :
Exemple
Soit X une v.a.r continue dénie sur (Ω, A, P). Trouver la constante C
pour que la fonction suivante soit une densité de probabilité de X puis
calculer E (X ) et V (X ) :
f (x) = C (x − x 2 ) si x ∈ [0, 1] et f (x) = 0 sinon.

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 41 / 69
 Variables aléatoires continues

Variance :
f est continue et doit vérier deux conditions : f ≥ 0 et −∞ f (x) dx = 1.
R +∞

Puisque x − x ≥ 0 si x ∈ [0, 1], alors f ≥ 0 implique que C > 0. De plus,

2

on a : Z +∞ Z 1
  2 3 1
x x C
1= f (x) dx = C (x − x ) dx = C − = . 2

−∞ 0
2 3 6 0

Donc C = 6.
Par conséquent, on a :
1
+∞ 1
 1
x3 x4
Z Z
E (X ) = xf (x) dx = 6 (x − x ) dx = 6
2 3
− = ,
−∞ 0
3 4 0
2
+∞ 1
1 2 1
Z Z  
V (X ) = (x − E (x))2 f (x) dx = 6 x− (x − x 2 ) dx = .
−∞ 0
2 20

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 42 / 69
 Couple de variables aléatoires

On considère deux variables aléatoires (discrètes ou continues) X et Y

respectivement dénies sur X (Ω) et Y (Ω). Les réalisations du couple de
variables aléatoires (X , Y ) appartiennent à l'univers des réalisations

X (Ω) × Y (Ω).

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 43 / 69
 Couple de variables aléatoires

Loi jointe :
Dénition
L'application P((X = xi ) ∩ (Y = yi )), ∀(xi , yi ) ∈ X (Ω) × Y (Ω) dénit la
loi de probabilité jointe du couple de variables aléatoires discrètes (X , Y ).
Puisque les réalisations forment un système complet :
P((X = xi ) ∩ (Y = yi )) = 1
X

(xi ,yi )∈X (Ω)×Y (Ω)

La quantité P((X = xi ) ∩ (Y = yi )) correspond à la probabilité jointe

d'observer à la fois X = xi et Y = yi . On peut la noter de diérentes
façons :
P((X = xi ) ∩ (Y = yi )) = P(xi , yi ) = P(X = xi ) ∩ P(Y = yi )

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 44 / 69
 Couple de variables aléatoires

lois marginales :
Dénition
Soit (X , Y ) un couple de variables aléatoires déni sur X (Ω) × Y (Ω). On
appelle lois de probabilité marginales de X et de Y , les applications
respectivement dénies par :
X
P(X = xi ) = P((X = xi ) ∩ (Y = yi ))
yi ∈Y (Ω)

X
P(Y = yi ) = P((X = xi ) ∩ (Y = yi ))
xi ∈X (Ω)

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 45 / 69
 Couple de variables aléatoires

La probabilité marginale P(X = xi ) correspond ainsi à la somme des

probabilités jointes d'observer X = xi conjointement à toutes les
réalisations possibles de Y , c.à.d. Y = y , . . . , yn si Y (Ω) = {y , . . . , yn }.
1 1

Par construction, la somme des probabilités marginales P(X = xi )

associées à toutes les réalisations xi ∈ X (Ω) est égale à 1 :
P((X = xi ) ∩ (Y = yi )) = 1
X X X
P((X = xi )) =
xi ∈X (Ω) xi ∈X (Ω) yi ∈Y (Ω)

De la même façon :
P((X = xi ) ∩ (Y = yi )) = 1
X X X
P((X = yi )) =
yi ∈X (Ω) yi ∈X (Ω) xi ∈Y (Ω)

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 46 / 69
 Couple de variables aléatoires
Exemple
On considère deux variables aléatoires indépendantes X et Y
respectivement dénies sur X (Ω) = [a, b] et Y (Ω) = [1, 2], telles que :
P(X = a) = 0, 2 P(X = b) = 0, 8
P(Y = 1) = 0, 7 P(Y = 2) = 0, 3

On admet que la loi de probabilité jointe du couple (X , Y ), dénie sur

X (Ω) × Y (Ω) = {{a, 1}, {a, 2}, {b, 1}, {b, 2}}, est dénie par :

P((X = a) ∩ (Y = 1)) = 0, 14 P((X = a) ∩ (Y = 2)) = 0, 06

P((X = b) ∩ (Y = 1)) = 0, 56 P((X = b) ∩ (Y = 2)) = 0, 24

La probabilité marginale d'observer X

= a est égale à :
P(X = a) = P((X = a) ∩ (Y = 1)) + P((X = a) ∩ (Y = 2))

= 0, 14 + 0, 06 = 0, 2
(École Supérieure de l'Éducation et de la Variables
Formation)aléatoire et loi de Probabilité 20 mars 2025 47 / 69
 Couple de variables aléatoires

Covariance d'un couple de variables aléatoires :

Dénition
La covariance de deux variables aléatoires X et Y , notée Cov (X , Y ), est
dénie comme étant l'espérance du produit des variables centrées sur leurs
espérances respectives, c.à.d. :
Cov (X , Y ) = E [(X − E (X )) × (Y − E (Y ))]

ou de façon équivalente par :

Cov (X , Y ) = E (XY ) − E (X )E (Y )

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 48 / 69
 Couple de variables aléatoires

En utilisant la distribution jointe du couple (X , Y ), la covariance de ces

deux variables aléatoires discrètes X et Y est égale à :
X X
Cov (X , Y ) = xi yi P((X = xi ) ∩ (Y = yi )) − E (X ) × E (Y )
xi ∈X (Ω) yi ∈Y (Ω)

Ce moment permet d'évaluer le sens de variation des variables X et Y . Si

la covariance est positive, les réalisations des deux variables X et Y
évoluent  dans le même sens . Cependant, si la covariance est négative,
les réalisations ont tendance à évoluer  en sens opposé .
Il est important de noter que l'indépendance des deux variables X et Y
implique la nullité de la covariance (Cov (X , Y ) = 0), mais que la
réciproque n'est pas nécessairement vraie.
La covariance est une mesure symétrique Cov (X , Y ) = Cov (Y , X ). Par
dénition, Cov (X , X ) = E ((X − E (X )) ) = V (X ). 2

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 49 / 69
 Couple de variables aléatoires

La corrélation :
Dénition
La corrélation entre deux variables aléatoires X et Y est dénie par :
Cov (X , Y )
corr (X , Y ) =
σ(X )σ(Y )

où σ(X ) = V (X ) et σ(Y ) = V (Y ) désignent les écarts-types des

p p

variables X et Y . Par construction, corr (X , Y ) ∈ [−1, 1].

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 50 / 69
 Couple de variables aléatoires
Exemple
On considère deux variables aléatoires indépendantes X et Y
respectivement dénies sur X (Ω) = [10, 20] et Y (Ω) = [1, 2], telles que :
P(X = 10) = 0, 2 P(Y = 1) = 0, 7

On admet que la loi de probabilité jointe du couple (X , Y ), dénie sur

X (Ω) × Y (Ω) = {{10, 1}, {10, 2}, {20, 1}, {20, 2}}, est dénie par :

P((X = 10) ∩ (Y = 1)) = 0, 14 P((X = 10) ∩ (Y = 2)) = 0, 06

P((X = 20) ∩ (Y = 1)) = 0, 56 P((X = 20) ∩ (Y = 2)) = 0, 24

On montre que :
E (X ) = 10 × P(X = 10) + 20 × P(X = 20) = 18

E (Y ) = 1 × P(Y = 1) + 2 × P(Y = 2) = 1, 3
(École Supérieure de l'Éducation et de la Variables
Formation)aléatoire et loi de Probabilité 20 mars 2025 51 / 69
 Couple de variables aléatoires

La covariance entre X et Y est dénie par :

4 4
X X
Cov (X , Y ) = xi yi P((X = xi ) ∩ (Y = yi )) − E (X ) × E (Y )
i=1 i=1

On vérie que cette covariance est nulle puisque les variables X et Y sont
indépendantes.
Cov (X , Y ) = 0, 14 × 10 + 0, 06 × 20 + 0, 56 × 20 + 0, 24 × 40 − 1, 3 × 18 = 0

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 52 / 69
 Couple de variables aléatoires
Loi conditionnelle :
Dénition
Soient deux variables aléatoires discrètes X et Y respectivement dénies
sur X (Ω) et Y (Ω). L'application P (X = xi /Y = yi ), ∀xi ∈ X (Ω) dénit
la loi de probabilité conditionnelle de la variable X sachant Y = yi . Par
dénition :
P ((X = xi ) ∩ (Y = yi ))
P (X = xi /Y = yi ) = ∀xi ∈ X (Ω)
P (Y = yi )

De façon symétrique, on peut dénir la loi de probabilité de la variable Y

sachant que X = xi par :
P ((X = xi ) ∩ (Y = yi ))
P (Y = yi /X = xi ) = ∀yi ∈ Y (Ω)
P (X = xi )
Les probabilités conditionnelles, comme toute probabilité, somme à l'unité :
P (X = xi /Y = yi ) = 1.
X

x ∈X (Ω)
(École Supérieure de l'Éducation et de la Variables
Formation)aléatoire et loi de Probabilité 20 mars 2025 53 / 69
 Couple de variables aléatoires

Loi conditionnelle :
Propriété
Les variables aléatoires discrètes X et Y sont indépendantes lorsque les
relations suivantes sont vériées ∀xi ∈ X (Ω) et ∀yi ∈ Y (Ω) :
P((X = xi ) ∩ (Y = yi )) = P(X = xi ) × P(Y = yi )

P (X = xi /Y = yi ) = P(X = xi )
P (Y = yi /X = xi ) = P(Y = yi )

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 54 / 69
 Couple de variables aléatoires
Exemple
On considère deux variables aléatoires indépendantes X et Y
respectivement dénies sur X (Ω) = [a, b] et Y (Ω) = [1, 2]. On admet
que : P(X = a) = 0, 2 P(Y = 1) = 0, 7
P((X = a) ∩ (Y = 1)) = 0, 14 P((X = b) ∩ (Y = 1)) = 0, 56
La loi conditionnelle de X sachant que Y = 1 est dénie par les
probabilités suivantes :
P ((X = a) ∩ (Y = 1)) 0, 14
P (X = a/Y = 1) = = = 0, 2
P (Y = 1) 0, 7
P ((X = b) ∩ (Y = 1)) 0, 56
P (X = b/Y = 1) = = = 0, 8
P (Y = 1) 0, 7
On vérie que P (X = a/Y = 1) = P(X = a) et que
P (X = b/Y = 1) = P(X = b). Les probabilités conditionnelles sont égales
aux probabilités marginales. C'est la conséquence de l'hypothèse
d'indépendance des variables X et Y .
(École Supérieure de l'Éducation et de la Variables
Formation)aléatoire et loi de Probabilité 20 mars 2025 55 / 69
 Couple de variables aléatoires

Dénition
Pour un univers des réalisations ni X (Ω) = {x , ..., xn }, l'espérance 1

conditionnelle et la variance conditionnelle de la variable X sachant que

Y = yi sont dénies par :
n
X
E (X /Y = yi ) = xi P (X = xi /Y = yi )
i=1

n
X
V (X /Y = yi ) = (xi − E (X ))2 P (X = xi /Y = yi )
i=1

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 56 / 69
 Exercices

Exercice 1
Une urne (A) contient six boules noires et quatre boules vertes.
Une autre urne (B) contient trois boules noires et une boule verte.
On tire, d'une manière indépendante, au hasard et successivement et sans
remise deux boules de l'urne (A) et une boule de l'urne (B). On suppose
que toutes les boules sont indiscernables au toucher. Soit X la variable
aléatoire discrète qui correspond au nombre de boules vertes tirées.
1Déterminer la loi de X .
2En déduire l'espérance E (X ), la variance V (X ) et l'écart type σ(X ).
3Calculer P(X > 2) et P(X ≤ 2).
4Déterminer puis tracer la fonction de répartition de X .
5Retrouver la loi de X à partir de sa fonction de répartition.

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 57 / 69
 Exercices

Exercice 2
Une urne (A) contient six boules noires et quatre boules vertes.
Une autre urne (B) contient trois boules noires et une boule verte.
On choisit au hasard une urne, puis on tire simultanément deux boules. On
suppose que les deux urnes ont la même probabilité d'être tirées et que
toutes les boules sont indiscernables au toucher. Soit Y la variable aléatoire
discrète qui correspond au nombre de boules vertes restantes dans l'urne
choisie.
1Tracer l'arbre pondéré des probabilités.
2Déterminer la loi de Y . En déduire E (Y ), V (Y ) et σ(Y ).

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 58 / 69
 Exercices

Exercice 3
Soit X une variable aléatoire discrète à valeurs dans E = [1 : 5] de loi de
probabilité :
PX (i) = c(7 − i), ∀i ∈ E.
1 Déterminer la valeur de la constante c .
2 Calculer P(X − 5X + 6 = 0) et P(X − 5X + 6 > 0).
2 2

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 59 / 69
 Exercices

Exercice 4
On lance deux trièdres équilibrés numérotés : 1, 2, 3, 4. Soit X la variable
aléatoire discrète qui correspond au produit des deux numéros obtenus.
1Déterminer la loi de X .
2En déduire l'espérance E (X ), la variance V (X ) et l'écart type σ(X ).
3Calculer P(X > 4) et P(X ≤ 4).
4Déterminer puis tracer la fonction de répartition de X .
5Retrouver la loi de X à partir de sa fonction de répartition.

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 60 / 69
 Exercices

Exercice 5
Une urne (U ) contient cinq boules vertes numérotées 0, 0, 0, 1, 1 ; et trois
1

boules rouges numérotées 0, 1, 1. Une autre urne (U ) contient quatre 2

boules vertes, deux boules rouges et une boule noire. On suppose que
toutes les boules sont indiscernables au toucher.
1On tire, d'une manière indépendante, au hasard, successivement et
avec remise deux boules de l'urne (U ). Soit X la variable aléatoire
1

discrète qui correspond au maximum des deux numéros tirés.

Déterminer la loi de probabilités de X . En déduire E (X ) et V (X ).
2On tire, d'une manière indépendante, au hasard, successivement et
sans remise deux boules de l'urne (U ) et une boule de l'urne (U ).
1 2

Soit Y la variable aléatoire discrète qui correspond au nombre de

boules vertes tirées. Déterminer la loi de probabilités de Y . En déduire
E (Y ), V (Y ), P(Y < 1) et P(Y ≥ 1).

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 61 / 69
 Exercices

4 On choisit au hasard une urne, puis on tire, au hasard, et

simultanément deux boules. On suppose que l'urne (U ) peut être 1

tirée avec la probabilité 30%. Soit Z la variable aléatoire discrète qui

correspond au nombre de boules vertes restantes dans l'urne choisie.
1 Tracer l'arbre pondéré des probabilités.
2 Déterminer la loi de probabilités de Z . En déduire E (Z ) et V (Z ).

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 62 / 69
 Exercices

Exercice 6
Soit X une variable aléatoire réelle de densité de probabilité fX dénie sur
R par :

b
fX (x) = .
1 + x2
1 Déterminer la constante b.
2 Calculer P(X ≤ 0).
3 Déterminer FX la fonction de répartition de X .
4 X admet-elle une espérance ?

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 63 / 69
 Exercices

Exercice 7
Soit X une variable aléatoire réelle de densité de probabilité fX dénie sur
R par :

0 si x < 1


fX (x) = a
 √ si x ≥ 1
x x
1 Déterminer la constante a.
2 Déterminer la fonction de répartition associée à X .
3 X admet-elle une espérance ? Si oui, la déterminer.

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 64 / 69
 Exercices

Exercice 8
Soit f la fonction dénie sur R par :
si x < 0
(
ex
f (x) =
0 sinon.
1 Montrer que f est une densité de probabilité d'une certaine variable
aléatoire, que l'on notera X .
2 Déterminer la fonction de répartition de X .
3 Montrer que X admet une espérance et la calculer.
4 Déterminer la fonction de répartition et la densité de probabilité de la
variable aléatoire Y = 2X + 1.
5 Reprendre les mêmes questions avec la variable aléatoire Z = X . 2

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 65 / 69
 Exercices

Exercice 9
Soit f la fonction dénie sur R par :
a.3−x x >0

si
f (x) =
a.3x si x < 0.
1 Déterminer a pour que f soit une densité de probabilité.
2 Soit X une variable aléatoire admettant f pour densité de probabilité.
Déterminer FX la fonction de répartition de X .
3 On pose : Y = 3X . Déterminer FY la fonction de répartition de Y .

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 66 / 69
 Exercices

Exercice 10
Soit (X , Y ) deux variables aléatoires discrètes telles que X est à valeurs
dans {1, 2, 3, 4} et Y est à valeurs dans {1, 2}. On dénit la loi du couple
(X , Y ) par
1
 
ij
P(X = i, Y = j) = 1− .
7 30
1 Vérier qu'on a bien une loi de probabilité.
2 Déterminer les lois marginales.

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 67 / 69
 Exercices

Exercice 11
On dispose de deux dés : l'un a 2 faces blanches et 4 faces rouges, l'autre a
3 faces blanches, 1 face rouge et 2 faces vertes. On lance les deux dés et
on s'intéresse aux couleurs blanche et verte. Soit X le nombre aléatoire de
faces blanches apparues sur les deux dés, et Y le nombre aléatoire de faces
vertes.
1Déterminer la loi du couple (X , Y ) et ses lois marginales.
2X et Y sont-elles indépendantes ?

(École Supérieure de l'Éducation et de la Variables

Formation)aléatoire et loi de Probabilité 20 mars 2025 68 / 69
 Exercices
Exercice 12
La loi d'un couple de variables aléatoires discrètes (X , Y ) est donnée par le
tableau suivant :
X \Y −1 1
0 1/4 p + 1/8
1 1/2 −p + 1/8
1Quelles conditions doit vérier p ?
2Calculer la loi marginale de X ainsi que E [X ] et V (X ).
3Calculer la loi marginale de Y ainsi que E [Y ] et V (Y ).
4On pose S = X + Y . Déterminer, en fonction de p, la loi de S .
5Déterminer, en fonction de p, la covariance de (X , Y ).
6Pour quelle(s) valeur(s) de p, le couple (X , Y ) est-il de corrélation
nulle ?
7Existe-t-il une ou plusieurs valeurs de p qui rendent X et Y
indépendantes ?
(École Supérieure de l'Éducation et de la Variables
Formation)aléatoire et loi de Probabilité 20 mars 2025 69 / 69