Varaibles aléatoires I

Skander HACHICHA

skander.hachicha@enit.utm.tn

Université de Tunis El Manar

Ecole nationale d’ingénieurs de Tunis

Skander HACHICHA Varaibles aléatoires I 1/1 1/1

Variables aléatoires
Soit (Ω, A, P) un espace probabilisé.

Définition
Soit (E, B) un espace probabilisable.
On dit que l’application X : Ω −→ E est une variable aléatoire de
(Ω, A) dans (E, B) si

pour tout B ∈ B, X −1 (B) = {ω ∈ Ω, X(ω) ∈ B} ∈ A.

En particulier si E est une partie de R (resp de Rd ) la variable

aléatoire est dite réelle (resp un vecteur aléatoire).

Comme on vient de le voir, toute variable aléatoire est une

application, par contre toute application n’est pas nécessairement une
variable aléatoire. Du point de vue analyse, une variable aléatoire
n’est autre qu’une application mesurable.
Skander HACHICHA Varaibles aléatoires I 2/1 2/1
Variables aléatoires

Remarque
Si l’ensemble Ω est fini ou dénombrable et A = P(Ω), alors toute
application X définie sur Ω est une variable aléatoire.

En effet, l’ensemble image X(Ω) est fini ou dénombrable et l’image

réciproque de tout singleton de X(Ω) est une partie de Ω.

La variable aléatoire est dite discrète.

Skander HACHICHA Varaibles aléatoires I 3/1 3/1

Variables aléatoires
Proposition
Soient (Ω, A, P) un espace probabilisé et (E, B) un espace
probabilisable. Soit X : Ω −→ E une variable aléatoire.
Alors la famille σ(X) = {X −1 (B) ∈ A / B ∈ B} est une tribu sur Ω
incluse dans A appelée tribu engendrée par X.

Démonstration
1 Ω = X −1 (E) et donc Ω ∈ σ(X).
2 Si A ∈ σ(X), alors il existe B ∈ B tel que A = X −1 (B) et par
suite
Ac = X −1 (Bc ) ∈ σ(X).
3 Soit (An )n∈ une suite d’éléménts de σ(X), il existe alors une suite
(Bn )n∈ une suite d’éléménts de B tel que An = X −1 (Bn ) pour
tout n ∈, comme ∪+∞ −1 +∞ +∞
n=1 An = X (∪n=1 Bn ) et ∪n=1 Bn ∈ B, alors
+∞
on a ∪n=1 An ∈ σ(X).
Skander HACHICHA Varaibles aléatoires I 4/1 4/1
Variables aléatoires
Plus généralement soient (Ω, A, P) un espace probabilisé, (E, B) un
espace probabilisable et X : Ω −→ E une application.
Alors la famille X −1 (B) = {X −1 (B) / B ∈ B} est une tribu sur Ω

Remarque
La tribu σ(X) est la plus petite tribu d’éléments de A rendant X une
variable aléatoire, elle représente l’information portée par X sur le
résultat de l’expérience aléatoire.

Proposition
Soient (Ω, A, P) un espace probabilisé et (E, σ(C)) un espace
probabilisable où C est une famille de parties de E. L’application
X : Ω −→ E est une variable aléatoire de (Ω, A) dans (E, σ(C)), si
seulement si X −1 (C) ⊂ A.

Skander HACHICHA Varaibles aléatoires I 5/1 5/1

Variables aléatoires

Conséquence
Soit (Ω, A, P) un espace probabilisé. Si l’ensemble Ω est quelconque
et A est strictement incluse dans P(Ω), alors pour que l’application
X : Ω −→ E où E = R (resp E = Rd ) puisse définir une variable
aléatoire, il faut que pour tout x ∈ R, X −1 (] − ∞, x]) ∈ A, (resp pour
tout x1 , · · · , xd ∈ R, X −1 ( di=1 ] − ∞, xi ]) ∈ A).
Q

Skander HACHICHA Varaibles aléatoires I 6/1 6/1

Variables aléatoires

Proposition
Soit (Ω, A, P) un espace probabilisé. Soient X et Y deux variables
aléatoires réelles sur (Ω, A, P). Alors :
1 αX + Y est une variable aléatoire réelle pour tout α ∈ R.
2 XY est une variable aléatoire réelle.
1
3 Si de plus ∀ω ∈ Ω, X(ω) 6= 0, X est une variable aléatoire réelle.
Soit (Xn )n∈ une suite de variables aléatoires réelles. Alors :
1 supn Xn , infn Xn , lim sup Xn = limn→+∞ supm≥n Xm et
lim inf Xn = limn→+∞ infm≥n Xm sont des variables aléatoires
réelles.
2 Si la suite (Xn )n∈ converge en tout point de Ω, alors
l’application limn Xn est une variable aléatoire réelle.

Skander HACHICHA Varaibles aléatoires I 7/1 7/1

Loi de probabilité d’une variable aléatoire

Soient (Ω, A, P) un espace probabilisé et (E, B) un espace

probabilisable.
La notion de variable aléatoire X : Ω −→ E permet de probabiliser
l’espace d’arrivée E.
Comme l’espace E est connu dans la pratique, on va préférer
s’intéresser aux chances de réalisations des valeurs de X plutôt qu’aux
chances des résultats de l’expériences.
Or P(A) n’a de sens que pour A ∈ A, donc on ne peut définir une
probabilité sur E que pour des événements B tels que X −1 (B) ∈ A.

Skander HACHICHA Varaibles aléatoires I 8/1 8/1

Loi de probabilité d’une variable aléatoire

Proposition
Soient (Ω, A, P) un espace probabilisé et X : Ω −→ E une variable
aléatoire. Alors, l’application PX : B −→ [0, 1] définie par

PX (B) = P(X −1 (B)) pour tout B ∈ B

est une mesure de probabilité sur (E, B) appelée loi de probabilité de

la variable aléatoire X ou encore sa distribution. On dit aussi que X
suit la loi de probabilité PX .

Skander HACHICHA Varaibles aléatoires I 9/1 9/1

Loi de probabilité d’une variable aléatoire

Démonstration
Toutes les propriétés à vérifier découlent des propriétés élémentaires
suivantes X −1 (∅) = ∅, X −1 (E) = Ω, X −1 (Bc ) = (X −1 (B))c ,
X −1 (∪i∈I Ai ) = ∪i∈I X −1 (Ai ) et enfin X −1 (∩i∈I Ai ) = ∩i∈I X −1 (Ai ).

Une variable aléatoire X : Ω −→ E définit ainsi un nouvel espace

probabilisé (E, B, PX ) : espace probabilisé propre à la variable
aléatoire X.
L’espace probabilisé (Ω, A, P) est alors appelé par opposition espace
probabilisé fondamental.

Skander HACHICHA Varaibles aléatoires I 10 / 1 10 / 1

Loi de probabilité d’une variable aléatoire

Remarque
Ainsi grâce à la variable X, on peut transporter la structure du
modèle probabiliste (Ω, A, P) sur l’espace d’arrivée (E, B, PX ).

Notation
Soit X une variable aléatoire réelle définie sur l’espace probabilisé
(Ω, A, P) et soit PX la loi de probabilité de X sur (E, BR ). Pour tout
borélien B de BR , on note

PX (B) = P({ω / X(ω) ∈ B}) = P(X ∈ B)

Ainsi, si X est une variable aléatoire réelle alors ∀x ∈ R on a :

- PX (] − ∞, x]) = P(X ∈] − ∞, x]) = P(X ≤ x).
- PX ({x}) = P(X ∈ {x}) = P(X = x).

Skander HACHICHA Varaibles aléatoires I 11 / 1 11 / 1

Loi de probabilité d’une variable aléatoire

Exemple
On a vu au chapitre précédent comment modéliser le lancer de deux
dés à l’aide de l’espace Ω = {1, 2, · · · , 6}2 muni de la probabilité
uniforme A = P(Ω). Lors d’une réalisation ω = (ω1 , ω2 ) ∈ Ω, ω1 est
le résultat du premier dé et ω2 celui du second. La somme des deux
dés S(ω) = ω1 + ω2 définit donc une variable aléatoire. On a par
2 1
exemple P(S = 11) = P({(5, 6), (6, 5)}) = 36 = 18 .

Skander HACHICHA Varaibles aléatoires I 12 / 1 12 / 1

Espéranced’une variable aléatoire réelle

Définition
Soit X une variable aléatoire réelle quelconque positive presque p.s
(i.e P(X ≥ 0) = 1). On appelle espérance de X et on note E(X) la
limite croissante
( éventuellement infinie ∈ R), de
+∞
X k k k+1
E(X) = lim n
P( n ≤ X < )
n→+∞
k=0
2 2 2n

Définition
Soit X une variable aléatoire réelle quelconque. On dit qu’elle est
intégrable si E(|X|) < +∞. Dans ce cas, on définit son
espérance(finie) par

E(X) = E(X1{X≥0} ) − E(|X|1{X<0} )

Skander HACHICHA Varaibles aléatoires I 13 / 1 13 / 1

Fonction de répartition

Définition
Soit X une variable aléatoire réelle. La fonction de répartition de X
est la fonction mesurable F, parfois notée FX , définie sur R par :
F(x) = P(X ∈] − ∞, x]) = P(X ≤ x), x ∈ R.

Skander HACHICHA Varaibles aléatoires I 14 / 1 14 / 1

Fonction de répartition

Remarque
Soit X une variable aléatoire réelle de fonction de répartition FX .
Alors :
1 ∀x ∈ R, 0 ≤ FX (x) ≤ 1.
2 limx→+∞ FX (x) = 1 et limx→−∞ FX (x) = 0.
3 FX est croissante sur R et continue à droite en tout point de R.
4 FX caractérise la loi de X :

∀x, y ∈ R tq x ≤ y ona :

P(X ∈]x, y]) = P(x < X ≤ y) = FX (y) − FX (x)

5 Soient X et Y deux variables aléatoires réelles, si FX = FY alors
X et Y ont la même loi.

Skander HACHICHA Varaibles aléatoires I 15 / 1 15 / 1

Variables aléatoires réelles discrètes

Définition
On appelle variable aléatoire réelle discrète toute variable aléatoire
X : Ω → R telle que X(Ω) = ∆ est au plus dénombrable ( fini ou
dénombrable).

Exemple
Soit A ∈ A. La fonction indicatrice de A, 1A : Ω → R est une
variable aléatoire réelle discrète.

Skander HACHICHA Varaibles aléatoires I 16 / 1 16 / 1

Variables aléatoires réelles discrètes

Proposition
Soit X une variable réelle aléatoire discrète on a alors
X
P(X = x) = 1
x∈X(Ω)

et la loi PX de X est déterminer par la donnée

{(x, P(X = x)) | x ∈ X(Ω)}. Ainsi, pour tout B ∈ BR ,
P(X ∈ B) = x∈X(Ω) P(X = x)1B (x).
P

1 Si x ∈
/ X(Ω), alors P(X = x) = 0.
2 En pratique, trouver la loi de X, c’est calculer les P(X = x) pour
tout x ∈ X(Ω).
3 La fonction de répartition d’une variable aléatoire réelle discrète
est donnée par : ∀x ∈ R, FX (x) = {t∈X(Ω) | t≤x} P(X = t)
P

Skander HACHICHA Varaibles aléatoires I 17 / 1 17 / 1

Variables aléatoires réelles discrètes

Changement de variable :
Proposition
Soient X une variable aléatoire discrète et ϕ : R → R une fonction
mesurable. Alors la loi de Y, la variable aléatoire Y = ϕ(X) est
donnée par
PY (B) = PX (ϕ−1 (B)), ∀B ∈ BR .
Ainsi, ∀y ∈ Y(Ω), P(Y = y) = {x∈X(Ω) | y=ϕ(x)} P(X = x)
P

Skander HACHICHA Varaibles aléatoires I 18 / 1 18 / 1

Variables aléatoires réelles discrètes

Remarque
Soit X une variable aléatoire discrète positive. On a :
k k+1 k k+1
2n P(X = x) ≤ xP(X = x) ≤ 2n P(X = x), x ∈ [ 2n , 2n [.
k k+1
En sommant sur x ∈ X(Ω) ∩ [ 2n , 2n [ il vient :

k k k+1 X
n
P( n ≤ X < )≤ xP(X = x)
2 2 2n
x∈X(Ω)∩[ 2kn , k+1
2n
[

k+1 k k+1
≤ n
P( n ≤ X < ).
2 2 2n
En sommant sur k, et en prenant la limite quand n tend vers l’infin, on
obtient alors que X
E(X) = xP(X = x)
x∈X(Ω)

Skander HACHICHA Varaibles aléatoires I 19 / 1 19 / 1

Variables aléatoires réelles discrètes

Remarque
En utilisant la formule du changement de variable, on a, pour une
variable aléatoire réelle discrète quelconque :
X X
E(|X|) = y1{|x|=y} P(X = x) = |x|P(X = x).
x∈X(Ω) x∈X(Ω)

En conclusion, on obtient que si X est une variable aléatoire discrète

intégrable, i.e. si x∈X(Ω) |x|P(X = x) < +∞, alors son
P

espéranceest définie par :

X
E(X) = xP(X = x)
x∈X(Ω)

Skander HACHICHA Varaibles aléatoires I 20 / 1 20 / 1

Variables aléatoires réelles discrètes

Exemple
Si A est un événement, la variable aléatoire discrète 1A est positive et
E(1A ) = P(A). En particulier si Ω = A ⇒ E(1) = 1

Exemple
Soit X : la variable aléatoire : le résultat d’un lancer d’un dé à 6
faces ⇒ E(X) = 6k=1 6k = 27
P

Skander HACHICHA Varaibles aléatoires I 21 / 1 21 / 1

Variables aléatoires réelles discrètes

Proposition
Soient X une variable aléatoire réelle discrète et g : R → R une
fonction telles que
X
|g(x)|P(X = x) < +∞
x∈X(Ω)

Alors la variable aléatoire réelle discrète g(X) est intégrable et on a :

X
E(g(X)) = g(x)P(X = x)
x∈X(Ω)

Skander HACHICHA Varaibles aléatoires I 22 / 1 22 / 1

Variables aléatoires réelles discrètes

Conséquence :
Si x∈X(Ω) |x|n P(X = x) < +∞, alors X n est intégrable et on a :
P

X
E(X n ) = xn P(X = x)
x∈X(Ω)

appelé moment d’ordre n.

Définition
Soit X une variable aléatoire réelle discrète de carré intégrable
(i.e E(X 2 ) est fini). On appelle variance de X, le réel

V(X) = E((X − E(X))2 ) = E(X 2 ) − E(X)2

p
et on appelle σ(X) = V(X) l’écart type de la variable X.

Skander HACHICHA Varaibles aléatoires I 23 / 1 23 / 1

Fonction génératrices

Définition
Soit X une variable aléatoire discrète à valeurs dans N. On appelle
fonction génératrice de X la fonction GX : [0, 1] → R,
s 7→ E(sX ) = +∞ n
P
n=0 s P(X = n)

Proposition
Soit X une variable aléatoire discrète à valeurs dans N, alors :
1 GX est une fonction entière sur [0, 1], de rayon de convergence
≥ 1.
2 GX est continue sur [0, 1] et de classe C ∞ sur [0, 1[.
(n)
GX (0)
3 GX détermine la loi de X et ∀n ∈ N, P(X = n) = n!

Skander HACHICHA Varaibles aléatoires I 24 / 1 24 / 1

Fonction génératrices

Proposition
Soit X une variable aléatoire discrète à valeurs dans N. Alors GX
admet une dérivée à gauche en s = 1 ssi E(X) existe et est finie, et
l’on a : E(X) = G0X (1).

Remarque
La fonction GX admet une dérivée seconde à gauche en s = 1 ssi
E(X(X − 1)) existe et est finie, et l’on a :

E(X(X − 1)) = G”X (1)

Skander HACHICHA Varaibles aléatoires I 25 / 1 25 / 1

Lois de probabilités dicrètes usuelles

Loi de Bernoulli.
Soit p ∈]0, 1[. On dit qu’une v.a X suit la loi de Bernoulli de
paramètre p
notée B(p),
si X(Ω) = {0, 1}
et
(
P(X = 1) = p ;
P(X = 0) = 1 − p,
X admet des moments de tous ordres et
E(X) = p,
V(X) = p(1 − p)
et GX (s) = 1 − p + sp, ∀s ∈ R

Skander HACHICHA Varaibles aléatoires I 26 / 1 26 / 1

Lois de probabilités dicrètes usuelles
Loi Binomiale.
Soient p ∈]0, 1[ et n ∈ N∗ . On dit qu’une v.a X suit la loi Binomiale de
paramètres (n, p) notée B(n, p) si X(Ω) = {0, · · · , n} et ∀0 ≤ k ≤ n,

P(X = k) = Cnk pk (1 − p)n−k

X admet des moments de tous ordres et

E(X) = np, V(X) = np(1 − p) et GX (s) = (1 − p + sp)n , ∀s ∈ R
Exemple
On a constaté qu’un vaccin provoque un accident grave pour 5000
vaccacinations. On administre ce vaccin à 10000 individus.
1 Donner la loi de probabilité de la variable aléatoire
X :=" nombre d’accidents grave pour 10000 vaccinations".
2 Calculer les probabilité des évenements suivants : "aucun
accident", "un accident seulement", "plus d’un accident".

Skander HACHICHA Varaibles aléatoires I 27 / 1 27 / 1

Lois de probabilités dicrètes usuelles

Loi géométrique :
Soit p ∈]0, 1[.
On dit qu’une v.a X suit la loi géométrique de paramètre p notée G(p)
si
X(Ω) = N∗
et P(X = n) = p(1 − p)n−1 , ∀n ∈ N∗
E(X) = p1 ,
V(X) = 1−pp2
,
ps
et GX (s) = 1−(1−p)s , ∀s ∈] − 1, 1[

Skander HACHICHA Varaibles aléatoires I 28 / 1 28 / 1

Lois de probabilités dicrètes usuelles

Loi de Poisson.
Soit λ ∈ R∗+ .
On dit qu’une v.a X suit la loi de Poisson de paramètre λ noté P(λ)
si X est à valeurs dans N et
−λ n
P(X = n) = e n!λ , ∀n ∈ N
X admet des moments à tout ordre 2 et l’on a :
E(X) = V(X) = λ
et GX (s) = exp(λ(s − 1)), ∀s ∈ R

Skander HACHICHA Varaibles aléatoires I 29 / 1 29 / 1

 Merci

Skander HACHICHA Varaibles aléatoires I 30 / 1 30 / 1