Vous êtes sur la page 1sur 17

Cours : variables aléatoires  4 ème année 

A-Variables aléatoires sur un ensemble fini


I-/Définition et propriétés
Activité :1page 83
Comme les boules sont indiscernables au toucher donc on est en présence d’une situation
d’équiprobabilité
E « Tirage simultané de deux boules parmi cinq de l’urne »
Card( E) = C52 =10
On note A l’événement « Avoir deux boules numéros 4 »
card ( A) C2 1
p(A) = = 2 =
card ( E ) 10 10
On note B l’événement « Avoir deux boules portant des numéros différents »
card ( B) C21  C31 2  3 6 3
p(B)= = = = =
card ( E ) 10 10 10 5
On note C l’événement « Avoir deux boules portant le même numéro »
card (C ) C22  C32 1 3 4 2
p(C)= = = = =
card ( E ) 10 10 10 5
2-X l’application qui à tout événement élémentaire associe la somme des numéros des boules tirées
Les valeurs possibles par X sont :-4 ; 2 et 8
Lorsqu’on tire deux boules portant le numéro -2 dans ce cas X prend la valeur -4 (X= -2 +(-2) = -4)
Lorsqu’on tire deux boules portant deux numéros différents dans ce cas X prend la valeur 2 ( X=-2+4=2)
Lorsqu’on tire deux boules portant le numéro 4 dans ce cas X prend la valeur 8 (X= 4 +4 = 8)

Définition
Soit ( E, P ( E), p ) un espace probabilisé fini
On appelle aléa numérique ou variable aléatoire toute application X :E  IR qui associe un nombre réel
à chaque éventualité de l’expérience aléatoire

Notation :
L’événement {a  E , X(a) = xi} est noté ( X = xi )
L’ensemble X( E) désigne l’ensemble des valeurs prises par X
D’après l’activité 1 on a : X( E) = {-4 , 2 , 8 }
Définition :
Soit ( E, P( E), p ) un espace probabilisé fini et X une variable aléatoire
On appelle loi de probabilité de X ou distribution de X l’application :pX :X( E)  [0,1]
xi  p( X=xi)
Conséquences :
Soit ( E, P( E), p ) un espace probabilisé fini .Si X une variable aléatoire sur E telle que :
n
X( E) ={ x1, x2 , x3,……xn } alors  p( X  x ) =p( X=x1) +p( X=x2)+p( X=x3) +……..p( X=xn) = 1
i 1
i

Démonstration :
En effet ( X =x1) , ( X =x2) ,……., et ( X = xn) forment une partition de E c'est-à-dire
T - C  Page 1 sur 17  Avril-2020 
Cours : variables aléatoires  4 ème année 
( X =x1)  ( X =x2) ……. ( X = xn) = E et ( X =xi )( X=xj )= pour tous i j et 1  i n , 1  j  n
Donc p(X =x1) +p ( X =x2) +…….+ p ( X = xn)=p( E) = 1

II-Espérance et variance d’une variable aléatoire


1-Espérance mathématique d’une variable aléatoire
Définition :
Soit ( E, P( E), p ) un espace probabilisé fini et X est une variable aléatoire sur E telle que :
X( E) ={ x1, x2 , x3,……xn }
n
On appelle espérance mathématique de X , la valeur moyenne de X le nombre E(X) =  xi . p( X  xi )
i 1
n
On écrit aussi E(X) =  xi . pi , où pi=p(X=xi)
i 1

Théorème :
Soit ( E, P( E), p ) un espace probabilisé fini , X et Y deux variables aléatoires sur E
*Pour tout réel  , on a : E( .X) = .E(X)
*E(X+Y) = E( X) + E (Y)
Démonstration :
n n
E(X) =  ( .xi ). pi =  . xi . pi =.E(X)
i 1 i 1
n n n
E(X +Y) =  ( xi  yi ). pi =  xi . pi +  yi . pi = E( X) + E( Y)
i 1 i 1 i 1

Remarque
Dans le cas où X est une variable aléatoire qui prend pour valeur le gain algébrique réalisé au cours
d’un jeu
Si E( X) > 0 alors on dit que le jeu est gagnant
Si E( x)= 0 , alors on dit que le jeu est équitable ( Les chances de gain est la même que celle de la défaite)
Si E( X) < 0alors on dit que le jeu est perdant

Variance et écart type


Définition :
Soit ( E, P( E), p ) un espace probabilisé fini et X est une variable aléatoire sur E
On appelle variance de X le réel positif noté V(X) qui désigne la moyenne des carrés des écarts a la
moyenne de X. tel que V(X) = E( X – E(X)²)
On appelle écart type de X le nombre positif noté ( X) = V (X )

Propriété
Soit ( E, P( E), p ) un espace probabilisé fini
Si X est une variable aléatoire sur E alors V(X) = E(X²) – ( E(X))²

Activité : 2 page85
Comme le choix des trois personnes est au hasard et indépendant des cinq parfums proposés donc on
peut assimiler à un tirage successif avec remise de éléments parmi 5
Card( E) = 53 = 125

T - C  Page 2 sur 17  Avril-2020 


Cours : variables aléatoires  4 ème année 
1- a-On note A l’événement « Les trois personnes choisissent des parfums deux à deux différents »
card ( A) 5  4  3 60 12
p(A) = = = =
card ( E ) 125 125 25
On note B l’événement « Les trois personnes choisissent le même parfum »
card ( B) C51  13 5 1
p(B)= = = =
card ( E ) 125 125 25
2-On note X la variable aléatoire qui à chaque événement élémentaire associe le nombre de parfums
choisis par les trois personnes
La loi de probabilité de X
X( E) = {1,2,3}
1
*( X=1) : «Les trois personnes choisissent le même parfum » , p( X= 1) = p(B) =
25
*( X=2) : «Parmi les trois personnes deux choisissent le même parfum »
C 2 .5.C11.4 60 12
P( X= 2) = 3 = 
125 125 25
On choisit deux personnes parmi trois qui vont choisir un parfum parmi cinq qui se traduit
mathématiquement par C32 ×5 puis le dernier choisit un parfum parmi les quatre restant et qui se traduit
par C11 .4 ainsi on obtient card( X = 2)= C32 ×5. C11 .4
Exemple

Personne 1 Parfum 1
Parfum 2
Personne 2 Parfum 3

Parfum 4
Personne 3
Parfum 5

xi 1 2 3
1 12 12
pi=p(X=xi )
25 25 25

xi.pi 1 24 36
25 25 25

*( X=3) : « Les trois personnes choisissent des parfums deux à deux différents »
12
( X = 3) = A , d’où p( X =3) = p( A) =
25
1 12 12
Vérification : p( X= 1)+ p( X= 2)+ p( X= 3)= + + =1
25 25 25
Espérance mathématique de X

T - C  Page 3 sur 17  Avril-2020 


Cours : variables aléatoires  4 ème année 
3
1 24 36 61
E(X) =  xi . pi = + + = =2,44
i 1 25 25 25 25

Interprétation:
Puisque E(X) = 2,44  2 , don on peut dire que ses trois personnes choisissent deux parfums

Ecart type :
3
1 48 108 157
E( X²) =  xi2 . pi = + + = xi 1 2 3
i 1 25 25 25 25
pi=p(X=xi ) 1 12 12
V(X) =E( X²) – (E(X))²
2
25 25 25
157  61  xi.pi 1 24 36
=  
25  25  25 25 25
3925 3721 204
= - = x i2 .pi 1 48 108
625 625 625
25 25 25
204 204
(X) = V (X ) = =
625 25

Application :1
Un groupe de vingt-deux personnes décide d’aller au cinéma deux samedis de suite pour voir deux films
A et B.
Le premier samedi, huit personnes vont voir le film A, et les autres vont voir le film B.
Le deuxième samedi, quatre personnes décident de revoir le film A, deux vont revoir le film B, et les
autres vont voir le film qu’elles n’ont pas vu la semaine précédente.
Après la deuxième séance, on interroge au hasard une personne de ce groupe. On considère les
évènements suivants :
A1 « la personne interrogée a vu le film A le premier samedi » ;
A2 « la personne interrogée a vu le film A le deuxième samedi » ;
B1 « la personne interrogée a vu le film B le premier samedi » ;
B2 « la personne interrogée a vu le film B le deuxième samedi ».
1. a. Calculer les probabilités suivantes : p(A1) et p(A2).
b. Calculer les probabilités de chacun des évènements suivants : pA1  A2  , pB1  A2  et p  A1  A2  .
c. Reproduire et compléter l’arbre pondéré suivant, en remplaçant chaque point d’interrogation par la
probabilité correspondante. Aucune justification n’est demandée pour cette question.

? A2 ?

? A1
? B2 ?

A2 ?
?
?
B1

? B2 ?
T - C  Page 4 sur 17  Avril-2020 
Cours : variables aléatoires  4 ème année 
8
d. Retrouver à partir de l’arbre pondéré que p  A2   .
11
2. Le prix du billet pour le film A est de 30 dinars et de 20 dinars pour le film B.
On appelle X la variable aléatoire égale au coût total, pour la personne interrogée, des deux séances de
cinéma.
a. Déterminer la loi de probabilité de la variable aléatoire X.
b. Déterminer l’espérance mathématique de la variable aléatoire X.
Correction

A B Total
Samedi 1 8 14 22
Samedi 2 4 (A)+12 (B) 2 (B) +4 (A) 22
Total 24 20 44
8 4 16 8
1- a- p  A1    ; p  A2    .
22 11 22 11
4 1 12 6 4 1 2
b- p A1  A2    , pB1  A2    , p  A1  A2   p  A1  p A1  A2     .
8 2 14 7 11 2 11
c-
A2 sachant A1 : 4/8 A2 et A1 : 2/11
A1 : 8/22=4/11
B2 sachant A1 : 4/8 B2 et A1 : 2/11

A2 sachant B1 : 12/14 A2 et B1 : 6/11


B1 :
14/22=7/11
B2 sachant B1 : 2/14 B2 et B1 : 1/11

2 6 8
d- p  A2   p  A1  A2   p  B1  A2     .
11 11 11
2- a. X peut prendre les valeurs 40, 50 ou 60 dinars.
X 40 (B, B) 50 (A, B) ou (B, 60 (A, A)
A)
1 6 2 8 2
PX  
11 11 11 11 11

1 8 2 560
b- E  X   40   50   60  
11 11 11 11
Interprétation :
560
Comme E(X) = =50,909 c'est-à-dire en moyenne une personne interrogée après les deux séances de
11
cinéma a dépensé 50,909Dt

Application :2
Un sac contient 10 jetons indiscernables au toucher :
4 jetons blancs marqués 0 ;

T - C  Page 5 sur 17  Avril-2020 


Cours : variables aléatoires  4 ème année 
3 jetons rouges marqués 7 ;
2 jetons blancs marqués 2 ;
1 jeton rouge marqué 5.
1- On tire simultanément 4 jetons du sac. Quel est le nombre de tirages possibles ?
2-On suppose que tous les tirages sont équiprobables, et on considère les évènements suivants :
A : « Les quatre numéros sont identiques ».
B : « Avec les jetons tirés, on peut former le nombre 2000 ».
C : « Tous les jetons sont blancs ».
D : « Tous les jetons sont de la même couleur ».
E : « Au moins un jeton porte un numéro différent des autres ».
4
a-Montrer que la probabilité de l’évènement B est .
105
b- Calculer la probabilité des évènements A, C, D, E.
c-On suppose que l’évènement C est réalisé, calculer alors la probabilité de l’évènement B.
3-On établit la règle de jeu suivante :
− Si le joueur peut former 5 000, il gagne 75 dinars.
− Si le joueur peut former le nombre 7 000, il gagne 50 dinars.
− Si le joueur peut former le nombre 2 000, il gagne 20 dinars.
− Si le joueur peut former le nombre 0 000, il perd 25 dinars.
− Pour tous les autres tirages, il perd 5 dinars.
G est la variable aléatoire égale au gain algébrique du joueur.
Établir la loi de probabilité de G et calculer l’espérance mathématique de G.

Correction
1- Nombre de tirages possibles :. C104 =210
2- a- Pour faire 2000 il faut tirer 1 blanc n°2 parmi 2 et 3 blancs n°0 parmi 4, soit 8 possibilités. La
8 4
probabilité de l’évènement B est p  B    .
210 105
4
1 C 15 1
b- A « 4 blancs 0 parmi 4 » : p  A   ; C « 4 blancs parmi 6 » soit p( C)= 6  
210 210 210 14
15 1 16 8
D « 4 blancs parmi 6 ou 4 rouges parmi » soit p  D     
210 210 210 105
209
E : événement contraire : tous les jetons ont le même numéro, soit A ; p  E   1  p  A   .
210
8
c- Le fait que C soit réalisé limite les tirages possibles à 15 ; on a alors pC  B   .
15
3.
G −25 −5 20 50 75
1 210  1  8  12  4 185 8 3  4 12 1 4 4
pG   
210 210 210 210 210 210 210 210

1 185 8 12 4 110
E  G   25 5  20  50  75   0, 52 .
210 210 210 210 210 210
Application :3
On dispose de deux urnes U1 et U2 contenant des boules indiscernables au toucher.

T - C  Page 6 sur 17  Avril-2020 


Cours : variables aléatoires  4 ème année 
U1 contient n boules blanches et 3 boules noires (n est un nombre entier supérieur ou égal à 1). U2
contient deux boules blanches et une boule noire.
On tire une boule au hasard de U1 et on la met dans U2, puis on tire au hasard une boule de U2 et on la
met dans U1 ; l'ensemble des ces opérations constitue une épreuve.
1. Construire l'arbre pondéré de cette expérience aléatoire.
2. On considère l'événement A : "Après l'épreuve, les urnes se retrouvent chacune dans leur
configuration de départ".
3 n 2 
2. a. Démontrer que la probabilité p(A) de l'événement A peut s'écrire : p(A)   
4  n 3 
2. b. Déterminer la limite de p(A) lorsque n tend vers  .
3. On considère l'événement B : "Après l'épreuve, l'urne U2 contient une seule boule blanche".
Calculer p(B).
4. Un joueur mise 20 dinars et effectue une épreuve. A l'issue de cette épreuve, on compte les boules
blanches dans U2.
- Si U2 contient 1 seule boule blanche, le joueur reçoit 2n dinars ;
- Si U2 contient 2 boules blanches, le joueur reçoit n dinars ;
- Si U2 contient 3 boules blanches, le joueur ne reçoit rien.
4. a. Expliquer pourquoi le joueur n'a aucun intérêt à jouer tant que n ne dépasse pas 10.
Dans la suite, on considère n > 10, et on introduit la variable aléatoire X qui prend pour valeur les gains
algébriques du joueur (par exemple, si, après l'épreuve, l'urne U2 contient une seule boule blanche,
X = 2n – 20).
4.b. Déterminer la loi de probabilité de X.
4.c. Calculer l'espérance mathématique de X.
4.d. On dit que le jeu est favorable au joueur si et seulement si l'espérance mathématique est strictement
positive. Montrer qu'il en est ainsi dès que l'urne U1 contient au moins 25 boules blanches.
Correction
1.a. Arbre pondéré :
Evénement A : chemin
Evénement B : chemin
Evénement C : chemin

B N
P(1B) P(1N)

B N
P(2B/1B) P(2N/1B)
B N
P(2B/1N) P(2N/1N)

U1 : n-1B,4N U1 : n+1B,2N U1 : nB,3N


U1 : nB,3N
U2 : 2B,1N U2 : 3B,0N U2 : 1B,2N U2 : 2B,1N

n 3
p(1B)  ; p(1N)  .
n 3 n 3

T - C  Page 7 sur 17  Avril-2020 


Cours : variables aléatoires  4 ème année 
3 1 1 1
p(2B/1B) = ; p(2N/1B) = ; p(2B/1N) = ; p(2N/2B) =
4 4 2 2
3 n 2
 , soit p( A)   
n 3 3 1
2. a. La probabilité p(A) se calcule en parcourant l'arbre : p(A)    .
n 3 4 n3 2 4  n 3 
3
2. b. lim p(A)  .
n 4
3 1 3
3. La probabilité p(B) se calcule en parcourant l'arbre : p( B)   , p( B)  .
n 3 2 2( n  3)
4. a. Le joueur doit être certain de pouvoir, dans le meilleur des cas, récupérer au moins sa mise d'où
2n > 20, soit n > 10.
4. b. Le dernier événement non encore considéré (C) est : "Après l'épreuve, l'urne U2 contient 3 boules
blanches".
n 1 n
La probabilité p(C) se calcule en parcourant l'arbre : p(C)   , p(C) 
n 3 4 4( n  3)
La variable aléatoire X peut prendre 3 valeurs : 2n – 20 (événement A) ; n – 20 (événement B) ; −20
(événement C).
Loi de probabilité de la variable aléatoire X :
xi 2n − 20 n − 20 −20
3 3  n 2  n
p(X = xi ) 2( n  3)   4( n  3)
4  n 3 
(2n  20)  3 3  n 2  20 n
4- c- Espérance mathématique : E(x) = E(X)   (n  20)   , soit
2( n  3) 4  n  3  4( n  3)
3n2  62n  240
E(X)  .
4( n  3)
4- d- E(X) > 0 donne 3n2 – 62n – 240 > 0, soit (3n + 10)(n – 24) > 0 et n  25 ;    puisque n est entier.

Fonction de répartition d’une variable aléatoire


Définition :
Soit ( E, P( E), p ) un espace probabilisé fini et X est une variable aléatoire sur E
On appelle fonction de répartition de X ,l’application définie de IR dans [0,1] par F :x  p(X  x )
F est une fonction croissante de 0 à 1
Si X est discrète , F est une fonction en escalier ( c'est-à-dire constante par morceaux) Ses valeurs
s’obtiennent en cumulant les probabilités élémentaires pi = p( X = xi)

Application :
On lance une pièce de monnaie parfaite trois fois de suite
On note X la variable aléatoire qui prend pour valeur le nombre de piles obtenus

E={(F,F,F),(F,P,F),(F,F,P),(F,P,P),(P,F,F),(P,P,F) , (F,P,P),(P,P,P)} ; Card( E) = 23 = 8


X( E) = {0,1,2,3}
1
*(X=0) : « Avoir aucune fois pile » donc ( X= 0) ={(F ,F,F}) par suite p( X = 0)=
8
3
(X= 1) « Avoir une seule fois pile » donc ( X= 1) ={(P ,F,F ),(F,P,F) , ( F,F,P)} par suite p( X = 1)=
8

T - C  Page 8 sur 17  Avril-2020 


Cours : variables aléatoires  4 ème année 
3
(X= 2) « Avoir deux fois piles » donc ( X= 2) ={(P ,P,F ),(F,P,P) , ( P,F,P)} par suite p( X = 2)=
8
1
(X= 3) « Avoir trois fois piles » donc ( X= 3) ={(P ,P,P ) } par suite p( X = 3)=
8
Vérification :
3
1 3 3 1
 p = p( X = 0) + p( X = 1)+ p( X = 2)+ p( X = 3)= 8
i 0
i +
8
+ + =1
8 8
Fonction de répartition de X
On F est définie sur IR par F(x) = p( X x )
Remarque : il vaut mieux tracer une droite réelle, puis placer les valeurs possibles de xi
Dans notre cas c’est comme suit :

- 0 1 2 3 +

*Si x  ]- , 0[ alors F( X) = p( X x ) =0 car ( X  x ) =  dans ce cas


1
*Si x  [0,1[,alors F( X) = p( X x ) =p( X = 0) =
8
1 3 1
*Si x  [1,2[,alors F( X) = p( X x ) =p( X = 0)+ p( X = 1 ) = + =
8 8 2
1 3 3 7
*Si x  [2,3[,alors F( X) = p( X x ) =p( X = 0)+ p( X = 1 ) +p( X=2 ) = + + =
8 8 8 8
1 3 3 1
*Si x  [3,+∞[,alors F( X) = p( X x ) =p( X = 0)+ p( X = 1 ) +p( X=2 ) = + + + =1
8 8 8 8

Loi binomiale
Epreuve de Bernoulli
*On appelle épreuve de Bernoulli toute épreuve à deux issues possibles : l’une notée S comme succès et
l’autre E = S comme échec
*On appelle Schèma de Bernioulli d’ordre n ,l’expérience consistant à répéter n fois de manière
indépendantes la même épreuve de Bernoulli

T - C  Page 9 sur 17  Avril-2020 


Cours : variables aléatoires  4 ème année 
*Soit p la probabilité de l’événement succès , on écrit : p = p( S)
On considère la variable aléatoire X associant à cette expérience le nombre de succès réalisés au cours
des n épreuves de Bernoulli
Alors la loi de probabilité de X est donnée par : p( X = k) = Cnk . p k .(1  p)n  k , où k {0,1,2,…..,n}
On dit que X suit une loi binomiale de paramètre ( n , p)

Notation et vocabulaire
*La loi binomiale de paramètre ( n ,p) est notée B( n , p)
*Lorsque n = 1 , on dit que X suit une loi de Bernoulli

Application :1
Pour entretenir en bon état de fonctionnement ses installations de chauffage, une société immobilière fait
contrôler les chaudières de son parc de logements pendant l’été.
On sait que 20 % des chaudières sont sous garantie.
1
Parmi les chaudières sous garantie, la probabilité qu’une chaudière soit défectueuse est de .
100
Parmi les chaudières qui ne sont plus sous garantie, la probabilité qu’une chaudière soit défectueuse est
1
de .
10
On appelle G l’événement : « la chaudière est sous garantie » ;
on appelle D l’événement : « la chaudière est défectueuse ».
1- Calculer la probabilité des évènement suivants :
A : « la chaudière est garantie et est défectueuse » ;
B : « la chaudière est défectueuse ».
2- Dans un logement la chaudière est défectueuse. Montrer que la probabilité qu’elle soit sous garantie
1
est de .
41
3- Le contrôle est gratuit si la chaudière est sous garantie.
Il coûte 80 euros si la chaudière n’est plus sous garantie et n’est pas défectueuse.
Il coûte 280 euros si la chaudière n’est plus sous garantie et est défectueuse.
On note X la variable aléatoire qui représente le coût du contrôle d’une chaudière. Déterminer la loi de
probabilité de X et son espérance mathématique.
4. Au cours de la période de contrôle, on a trouvé 5 chaudières défectueuses. Quelle est la probabilité
qu’au moins l’une d’entre elles soit sous garantie ?
Correction
1. Le texte donne p  G   0,2 , pG  D   0,01 et pG  D   0,1 .
p  A   p  G  D   p  G   pG  D   0,2  0,01  0,002 ;

   
p  D   p  G  D   p G  D  p  G   pG  D   p G  pG  D   0,002  0,8  0,1  0,082 .

p D  G  0,002 2 1
2. On cherche pD  G      .
p D  0,082 82 41
3. X peut prendre les valeurs 0, 80 ou 280 ;
p  X  0   p  G   0,2 ;

     
p  X  80   p G  D  p G pG D  0,8   1  0,1   0,72 ;

T - C  Page 10 sur 17  Avril-2020 


Cours : variables aléatoires  4 ème année 

   
p  X  280   p G  D  p G pG  D   0,8  0,1  0,08 .

E X   0,2  0  0,72  80  0,08  280  80 .


4. Soit N le nombre de chaudières sous garantie parmi les chaudières défectueuses : N suit une loi
1
binomiale de paramètres n  5 , p  pD  G   .
41
La probabilité cherchée est
5
1 5  40 
0
P( N ≥ 1 ) = 1 – p( N = 0) = 1 - C p .( 1 – p) = 1 –( 1 -
0
5
5
) = 1 –    0,116
41  41 
Espérance et variance
Soit X une variable aléatoire suivant une loi binomiale de paramètres n et p alors
E( X) = n.p ; V( X) = n.p.( 1 – p) et ( X) = n. p.(1  p)

B-/Exemples de lois continues


I-La loi uniforme
1
Soit un intervalle [a,b] ( a < b) .La fonction f définie sur [a,b] par f(x) = est appelée densité de la
ba
loi uniforme sur [a,b]
On appelle probabilité uniforme sur [a,b] ,l’application qui a tout intervalle [c,d] inclus dans [a,b]
d d
1 d c
associe le réel p( [c,d])=  f ( x)dx =  b  a dx = b  a
c c

Conséquences
c
*Pour tout réel c de [a,b] , p({c}) =  f ( x)dx =0
c

*Si on désigne par [c, d ] le complémentaire de [c,d] dans [a,b] alors p( [c, d ] ) = 1 – p( [c,d])
Définition :
On dit qu’une variable aléatoire X à valeur dans un intervalle [a,b] suit une loi de probabilité uniforme p
d c
si p( c  X  d) =
ba

Remarque
Si X est une variable aléatoire dans un intervalle [a,b] suit une loi de probabilité uniforme p
Si c et d deux réels de [a,b] avec c < d alors :
d c
p( c < X  d) =p( c < X < d ) = p( c  X < d ) = car p( {c}) = 0 et p({d}) = 0
ba
Application :1
Le bus passe toutes les quinze minutes à un arrêt précis. Un usager se présente à cet arrêt entre 7 heures
et 7 heures 30. La variable aléatoire sera l'heure exacte de son arrivée à cet arrêt, uniformément répartie
sur l'intervalle [0 ; 30].
1. Quelle est la probabilité que l'usager attende moins de 5 minutes le prochain bus ?
2. Quelle est la probabilité qu'il attende plus de dix minutes ?
Correction

T - C  Page 11 sur 17  Avril-2020 


Cours : variables aléatoires  4 ème année 
1 1
La variable aléatoire est le temps uniformément réparti sur 30 minutes donc f(x) = 
30  0 30
1. L'attente n'est inférieure à cinq minutes que s'il arrive entre 7 h 10 et 7 h 15 ou entre 7 h 25 et 7 h 30.
30


1 1 1 1
On a donc p(10  X  15)  p(25  X  30)  dx  , soit la probabilité cherchée égale à 2.  .
25 30 6 6 3
1
2. De même on a : p( 0 < X <5 ) +p( 15< X < 20 )= p(0  X  5)  p(15  X  20)  .
3
Application :2
Un sèche-linge est muni d’u sonde qui permet de déterminer le temps nécessaire pour sécher la charge de
linge .
La durée de séchage est exprimée en minutes. On note X la variable aléatoire égale à la durée de
séchage
1-on suppose que la variable aléatoire X suit une loi uniforme sur l’intervalle [30,150]
1 1
La fonction de densité a pour expression : f(x) =  si x [30,150] et f(x)= 0 si x [30,150]
150  30 120
a-On met le linge à sécher à 11h .Calcul de la probabilité qu’il soit sec avant 12h
60  30 30 1
p( 30  X  60 ) =  
150  30 120 4
b-Il est 11h50 .Le linge n’est pas encore sec. Calcul de la probabilité qu’il soit sec avant 12h :
On reconnait une probabilité conditionnelle :p( X 60 ) sachant que p( X  50)
60  50
p(( X  60)  ( X  50)) p(50  X  60) 150  30
pX50 ( X  60) = p( X 60/ X  50) =   =
p( X  50) p(50  X  150) 150  50
150  30
10
120  10  1
100 100 10
120
Application :3
Fares vient tous les matins entre 7h et 7h45 chez Yessin prendre un café
1-Sachant que Fares ne vient jamais en dehors de la plage horaire indiquée et qu’il peut arriver à tout
instant avec les même chances ,quelle densité peut-on attribuer à la variable aléatoire « heure d’arrivée
de Fares » ?
2-Calculer la probabilité que Fares sonne chez Yessine
a-/ Après 7h30 ; b-/ Avant 7h10 ; c-/ Entre 7h20 et 7h22 ;d-/ A 7h30

correction :
1-On note X la variable aléatoire « heure d’arrivée de Fares ».X est une variable aléatoire uniformément
3
répartie sur [7 ; 7,75]ou [7 , 7 + ].On dit que X suit une loi uniforme sur cette intervalle
4
1 4
Dans ce cas la fonction densité de probabilité est f(x) =  , x [7 ; 7 ,75]
7,75  7 3
Remarque :

T - C  Page 12 sur 17  Avril-2020 


Cours : variables aléatoires  4 ème année 
Dans cet exercice, l’unité utilisée est l’heure .Les questions sont en minutes .On pourrait tout transformer
en minutes et définir une nouvelle variable aléatoire Y pour simplifier les calculs
1
Sinon écrire : 1minute = heure et traduire toutes les questions en fractions d’heures
60
Soit Y la variable aléatoire « le temps d’arrivée de Fares , exprimé en minutes ,après 7 heures »
Y est une variable aléatoire suit une loi uniforme sur l’intervalle [0 ;45]
1 1
Dans ce cas la fonction densité de probabilité est f(x) =  , x [0 , 45]
45  0 45

2-a-La probabilité que Fares sonne Yessine après 7h30 est donnée par :
*Calculs avec les heures :
7,75  7,5 0,25 1
P( Après 7h30) = p( 7,5  X  7,75)=  
7,75  7 0,75 3
**Calculs avec les minutes :
45  30 15 1
P( Après 7h30) = p( 30  Y 45)=  
45  0 45 3
2-b-La probabilité que Fares sonne chez Yessine avant 7h10 est donnée par

*Calculs avec les heures :


10 10 1
7 7
10 10 60 1 4 2
P( Avant 7h10) = p( 7  X < 7+ )= p( 7  X < 7+ )=  60  6   
60 60 3 3 3 6 3 9
7 7
4 4 4
*Calculs avec les minutes :
10  0 10 2
P( Après 7h10) = p( 0  Y< 10)= p( 0  Y 10)  
45  0 45 9
2-c-La probabilité que Fares sonne chez Yessine entre 7h20 et 7h22 est donnée par :
*Calculs avec les heures :
22 20 2
7  (7  )
P( Entre 7h20 et 7h22) = p( 7+
20 22
 X  7+ )= 60 60  60  2  4  2
60 60 3 3 60 3 45
7 7
4 4
*Calculs avec les minutes :
22  20 2
P( Entre 7h20et 7h22) = p( 20  Y 22) = 
45  0 45
2-d-La probabilité que Fares sonne chez Yessine à 7h30 exactement est donnée par :
*Calculs avec les heures :
P( A 7h30 exactement ) = p(X =7,5)= 0
*Calculs avec les minutes :
P( A 7h30 exactement ) = p(Y=30) =0

Fonction de répartition
Définition

T - C  Page 13 sur 17  Avril-2020 


Cours : variables aléatoires  4 ème année 
Soit X une variable aléatoire qui suit la loi uniforme p sur l’intervalle [a,b]
On appelle fonction de répartition de X ,l’application F :IR  [0,1] définie par :
0 , si x < a
 p(a X  x ) , si x  [a,b]

1 , si x >b

Représentation graphique

0 a b

La loi exponentielle
Définition
Soit  un réel strictement positif
La fonction f définie sur [0,+∞[ par f(t) = .e -.t est appelée densité de loi exponentielle
On appelle loi de probabilité exponentielle de paramètre  ,l’application p qui
d d
*A tout intervalle [c,d] inclus dans [0,+∞[ associe le réel p( [c,d]) =  f (t )dt =  .e  t dt =[-e -t] cd =
c c
- c -d
e -e
*A tout intervalle [c,+∞[ inclus dans [0,+∞[ associe le réel p([c,+∞[) = e -c

Conséquences
c
*Pour tout réel c > 0 , p({c}) =  f (t )dt =0
c
c
-c
*Pour tout réel c > 0 , p([0,c]) =  f (t )dt =1 - e
0

* p([c,+∞[) = 1 – p([0,c])

Variable aléatoire
Définition
On dit qu’une variable aléatoire X suit la loi exponentielle de paramètre 
d
Si p( c  X  d) =  .e  t dt = e- c- e -d et p( X ≥ c) = e -.c
c

Remarque :
T - C  Page 14 sur 17  Avril-2020 
Cours : variables aléatoires  4 ème année 
Si X est une variable aléatoire dans suit la loi exponentielle de paramètre 
Si c et d deux réels strictement positifs avec c < d alors :
p( c < X  d) =p( c < X < d ) = p( c  X < d ) = e- c- e -d , car p( {c}) = 0 et p({d}) = 0
p( X > c) = e -.c

Application :
On suppose que la durée d'une conversation téléphonique, mesurée en minutes, est la variable
1
exponentielle de paramètre . Vous arrivez à une cabine téléphonique et juste à ce moment précis, une
10
personne passe devant vous.
1- Quelle est la probabilité que vous attendiez plus de dix minutes ?
2- Quelle est la probabilité que vous attendiez entre dix et vingt minutes ?

Correction :
1
  10
1- L'attente est supérieure à dix minutes, on a p( X  10)  e 10  e1  0,37 .
x
20 1  10
2- De même on a p(10  X  20) = p(10  X  20)   10 10
e dx  e1  e2  0,23 .

Application : 2
On s’intéresse à la durée de vie, exprimée en semaines, d’un composant électronique. On modélise cette
situation par une loi de probabilité p de durée de vie sans vieillissement définie sur l’intervalle [0 ; +∞[ :
la probabilité que le composant ne soit plus en état de marche au bout de t semaines est p([0,t[)=
t

 .e
 x
.dx .
0

Une étude statistique, montrant qu’environ 50 % d’un lot important de ces composants sont encore en
état de marche au bout de 200 semaines, permet de poser p([0 ; 200[)  0,5 .
ln 2
1- Montrer que   .
200
2- Quelle est la probabilité qu’un de ces composants pris au hasard ait une durée de vie supérieure à 300
semaines ? On donnera la valeur exacte et une valeur approchée décimale au centième près.
3- On admet que la durée de vie moyenne dm de ces composants est la limite quand A tend vers  de
A

 0
 xe x dx .
A  Ae A  e A  1
a- Montrer que  0
 xe x dx 

.

b- En déduire dm ; on donnera la valeur exacte et une valeur approchée décimale à la semaine près.

Correction
200


200
1-/ p([0 ; 200[)   e x dx   e x   e200   1 ; il faut donc résoudre
0 0

1 1 ln 2
1  e200   0,5  e200    200  ln   ln 2    .
2 2 200
ln 2 3 3 3

 
300 300  ln 2  

1 1
2-/ p([300 ;  [)  1   e x dx  1  ( e300   1)  e 200 e2  eln 2 2 2 2    0,35 .
0 8 2 2

T - C  Page 15 sur 17  Avril-2020 


Cours : variables aléatoires  4 ème année 
1
-. On intègre par parties en posant u   x , v '  e x d’où u '   et v   e x :

1  Ae A  e A  1
A
A A
 1 
 
A 1
 xe x dx    xe x   e x dx   Ae A  0   e x    Ae A  e A   .
0 0 0   0   
4- L’exponentielle l’emporte sur toute fonction polynôme d’où Ae A tend vers 0 lorsque A tend vers  .
1
La limite dm est alors qui est la moyenne de la loi exponentielle. Dans l’exemple on a donc

200
dm   289 semaines.
ln 2

Application : Vrai-faux
La durée de vie d’un moteur est de 5 ans et suit une loi exponentielle de paramètre  . On utilisera pour
les calculs ln 2  0,7 .

a-La densité de probabilité associée à cette loi est la fonction f définie sur [0,+∞[ , par
 f ( t)  0 si t [0 ; 5]
 5 t
.
 f ( t)  5 e si t [0 ; 5]
b-On suppose que 50% des clients ont été dépannés durant la garantie. La durée de cette garantie est de
3 ans et demi environ.
c- On considère un lot de 10 moteurs fonctionnant de manière indépendante et on appelle X le nombre de
moteurs qui n’ont pas de panne pendant les deux premières années.
La probabilité d’avoir X  1 est p( X  1)  e4 .
2

d. On est dans les mêmes conditions qu’au c. L’espérance de la variable aléatoire X est E( X )  10 e 5 .

Correction
Question a b c d
Réponse F V F V
a-La densité de probabilité d’une loi exponentielle de paramètre  est f (t)   et pour t  0 et f (t)  0

 f ( t)  0 si t [0 ; 5]
a- pour t  0 . Si on suit le texte alors pour t > 5 la densité est nulle, soit   t
.
 f ( t)   e si t [0 ; 5]

 5

 
5
Par contre il faut alors que f ( t)dt  1   e t dt  1   e t   1  1  e5  1 ce qui est impossible.
 0 0

En fait l’énoncé est moyennement clair : il faut en fait lire « La durée de vie moyenne d’un moteur est de
1  f ( t)  0 si t  0

5 ans » auquel cas on a immédiatement  5    0,2 . La densité est alors  0,2 t
.
  f ( t)  0,2e
 si t  0

b- La traduction de l’énoncé est la suivante : on a 50% des moteurs qui vivent plus que T (T est la durée
de la garantie) ; si t est la durée de vie d’un moteur, la probabilité qu’il dure après T est
T 1
0 
p(t  T )  1  p(t  T )  1  0,2e0,2t dt  e0,2T ; on sait que cette probabilité est de 0,5 = ,et on cherche
2

T - C  Page 16 sur 17  Avril-2020 


Cours : variables aléatoires  4 ème année 
1 1  ln(2)
donc T. Il nous faut résoudre : e0,2T   0,2T  ln( )  T   3,5 .
2 2 0,2
c-La probabilité qu’un moteur ne tombe pas en panne avant deux ans est p(t  2)  1  p(t  2)  e0,2.2  e0,4
donc X suit une loi binomiale de paramètres n = 10 et p  e0,2.2  e0,4 .
On a alors :p( X ≥ 1) = 1 – p( X =0) = 1- C100 .(e0, 4 )0 .(1  e0, 4 )10 =1-( 1- e-0,4)10 =0,999
2

d- E(X) =n.p = 10.e -0,4 = 10 e 5

Fonction de répartition :

Soit X une variable aléatoire qui suit la loi de probabilité exponentielle p de paramètre 
On appelle fonction de répartition de X ,l’application F :IR  [0,1] définie par :

0 , si x < 0

p(0 X  x ) =1 - e  x , si x  [0,+∞[
Représentation graphique :

T - C  Page 17 sur 17  Avril-2020 