M. Wissem Fligène Variables aléatoires 4Sc.

Exp – Cours

I. Notion de variable aléatoire – Loi de probabilité associée

 Activité 1 page 83
Définition 1 :
Soit E l’univers d’une expérience aléatoire
Définir une variable aléatoire ou aléa numérique sur E c’est associer un réel à chaque éventualité de
E
Une variable aléatoire ou aléa numérique est donc une application X : E  ℝ
 Activité 2 page 83
Définition 2 :
Soit (E, P (E), p) un espace probabilisé fini et X une variable aléatoire définie sur E
Notons X  E    x1 , x2 ,..., xn  l’ensemble des valeurs prises par X
L’événement " X prend la valeur xi " est noté  X  xi 
Définir la loi de probabilité de X c’est associer à chaque valeur xi prise par X, la probabilité
p  X  xi 
La loi de probabilité de X est donc l’application :
p X : X  E    0,1
x i ֏ pX  x i   p  X  x i 
On la présente généralement dans un tableau tel que celui-ci :
xi x1 x2 … xn
p  X  xi  p1 p2 …. pn
Et on a : p1  p2  ...  pn  1
Notation et propriété :
La probabilité pour que X prenne une valeur inférieure à un réel a est notée p  X  a  et la probabilité
pour que X prenne une valeur strictement supérieure à un réel a est notée p  X  a 
Et on a : p  X  a   p  X  a   1

II. Paramètres d’une variable aléatoire

1) Espérance mathématique :
Définition :
Soit (  , P (  ), p) un espace probabilisé fini et X une variable aléatoire définie sur 
L’espérance mathématique de X est le réel noté E(X) tel que E ( x)   X ( ) p( )


Si X      x1 , x2 ,..., xn  et la loi de probabilité de X est

xi x1 x2 … xn
p  X  xi  p1 p2 …. pn
Alors
n
E ( x)   xi pi  x1 p1  x2 p2  ...  xn pn
i 1

© M. Wissem Fligène p. 1
M. Wissem Fligène Variables aléatoires 4Sc.Exp – Cours

Propriétés :
X et Y sont deux variables aléatoires définies sur  et a un réel
 E (X + a) = E(X) + a
 E(aX) = aE(X)
 E (X + Y) = E(X) + E(Y)
2) Variance V ( X ) – Ecart type  ( X ) :
Définitions :
n
1) V ( X )  E  X 2    E ( X )    xi 2 pi   E ( X ) 
2 2

i 1

2)  ( X )  V ( X )
Propriétés :
 V (X + a) = V(X)  (X + a) =  (X)
2
 V(aX) = a V(X)  (aX) = |a|  (X)
3) Espérance mathématique et jeu de hasard :
Supposons lors d’un jeu, les valeurs d’une variable aléatoire traduisant des gains (valeurs positives) et des
pertes (valeurs négatives), avec une probabilité pi pour un gain algébrique xi
L’espérance mathématique E traduit l’espérance des gains (ou perte) après un grand nombre de parties
 E > 0 signifie que le jeu est avantageux
 E < 0 signifie que le jeu est désavantageux
 E = 0 signifie que le jeu est équitable
Application : Activité 3 page 85

III- Fonction de répartition d’une variable aléatoire

Définition :
X est une variable aléatoire définie sur un ensemble fini 
La fonction de répartition de X est la fonction définie sur ℝ par : F ( x)  p  X  x 
Propriété :
 Si X      x1 , x2 ,..., xn  avec x1  x2  ...  xn et la loi de probabilité de X est
xi x1 x2 … xn 0 si x  , x1 

p  X  xi  p1 p2 …. pn  p1 si x   x1 , x2 

 p  p2 si x   x2 , x3 
Alors F ( x)   1
 p1  p2  p3 si x   x3 , x4 
 ⋮

1 si x   xn , 
 p  a  X  b   F (b)  F (a )
Remarques :
 F est une fonction de ℝ dans [0,1]
 En chaque point xi , le "saut" de la fonction F est égal à pi  p  X  xi 
Application : exercice 3 page 94

© M. Wissem Fligène p. 2
M. Wissem Fligène Variables aléatoires 4Sc.Exp – Cours

IV- Loi binomiale

1) Epreuve de Bernoulli
Lorsque, dans une expérience aléatoire, on s’intéresse uniquement à la réalisation d’un certain événement
S précisé (on l’appelle "succès") ou à sa non-réalisation (appelé "Echec"), on dit que cette expérience
correspond à une épreuve de Bernoulli
Exemple :
Un jeu de dé tel que le joueur gagne lorsque la face n° 6 apparaît et perd dans le cas contraire
Appelons succès l’événement S : « la face n° 6 apparaît » alors l’échec S est l’événement contraire : « la
face n° 6 n’apparaît pas »

2) Schéma de Bernoulli
Imaginons que l’on répète n fois une épreuve de Bernoulli (où S désigne le succès) de façon que ces
épreuves répétées sont indépendantes les unes des autres
L’expérience aléatoire ainsi décrite est appelée schéma de Bernoulli
Une issue de cette expérience est un n - uplet d’éléments S et/ou S
Les paramètres d’un schéma de Bernoulli sont le nombre d’expériences n et la probabilité p du succès S
d’une épreuve de Bernoulli

3) Loi binomiale
On considère la variable aléatoire X associant à cette expérience le nombre k de succès avec
k  0,1, 2,..., n
Alors la probabilité d’avoir k succès au cours de cette expérience est égale à :
p ( X  k )  Cnk p k (1  p ) n  k avec k  0,1, 2,..., n
On dit que la loi de probabilité de X est la loi binomiale de paramètre n et p

Propriétés
n
1)  p( X  k )  1
k 0

2) l’espérance mathématique de cette variable aléatoire X est E ( X )  np et sa variance est

V ( X )  np (1  p )

Applications :
Exercice 1 : (Pièce de monnaie)
On jette une pièce de monnaie non truquée 10 fois de suite, les lancers étant indépendants
Quelle est la probabilité d’obtenir exactement 6 fois pile ?
Exercice 2 : (Nombre de garçons)
Des études statistiques montrent que lors d’une naissance, la probabilité d’avoir un garçon est d’environ
51
Considérons une famille de 4 enfants sans jumeaux. On suppose que les fécondations sont indépendantes
Quelle est la probabilité pour que dans cette famille, il y ait exactement 3 garçons ?
A faire : Act 3 p 88

© M. Wissem Fligène p. 3
M. Wissem Fligène Variables aléatoires 4Sc.Exp – Cours

V- Exemples de lois continues

- Les variables aléatoires qu’on a étudiées précédemment sont définies sur un ensemble fini et
prenant un nombre fini de valeurs. Ce sont des variables aléatoires discrètes.
- Cependant certaines variables aléatoires peuvent prendre n’importe quelle valeur dans un
intervalle donné. On les appelle variables aléatoires continues
- Pour une variable aléatoire continue il n’est pas possible de représenter sa loi de probabilité par un
tableau analogue à celui d’une loi discrète

Définition : " Variable aléatoire continue"

- Une variable aléatoire continue est une variable aléatoire X qui peut prendre n’importe quelle
valeur dans un intervalle donné
- On s’intéresse alors à des événements du type : « La valeur de X est comprise entre x1 et x2 où x1
et x2 sont deux réels donnés »

Définition :" Densité de probabilité"

X étant une variable aléatoire prenant des valeurs dans l’intervalle  a, b
- On appelle densité de probabilité de X la fonction f positive et continue sur  a, b telle que :
b
a
f (t )dt  1

- La loi de probabilité p de X est l’application qui, à tout sous intervalle  x1 , x2  de  a, b associe

le réel p  x1 , x2   p  x1  X  x2   
x2
f (t ) dt
x1

1) La loi uniforme
 Activité 1 p 88
Définition :
On appelle loi uniforme sur  a, b  a  b  la loi de probabilité dont la densité f est la fonction constante
1
égale à sur  a, b
ba
Conséquences :
i) x1 et x2 étant deux réels de l’intervalle  a, b et X une variable aléatoire qui suit une loi uniforme
x2  x1
sur  a, b , on a : p  x1 , x2   p  x1  X  x2  
ba
ii) pour tout réel c de  a, b , p c   0

 
iii) p  x1 , x2   1  p  x1 , x2  où  x1 , x2  désigne le complémentaire de  x1 , x2  dans  a, b

0 si x  , a

 xa
iv) la fonction de répartition de X est définie sur ℝ par : F ( x)   p  a  X  x   si x   a, b
 ba

1 si x  b, 

© M. Wissem Fligène p. 4
M. Wissem Fligène Variables aléatoires 4Sc.Exp – Cours

Applications : ex 15 p 96

2) La loi exponentielle
 Activité 1 p 90
Définition :
Soit  un réel strictement positif.
On appelle loi exponentielle de paramètre  la loi de probabilité dont la densité f est la fonction
définie sur  0,  par f ( x)   e  x

Conséquences :
i) si X est une variable aléatoire qui suit une loi exponentielle de paramètre  , alors
- pour tout réels positifs c et d tels que c  d : p c , d   p c  X  d   e  c  e  d

- pour tout réel positif c : p c ,    p  X  c   e  c

ii) pour tout réel c  0 , p c   0
iii) pour tout réel c  0 , p  0, c   p  0  X  c   1  e   c et p  c,    1  p  0, c 
0 si x  , 0
iv) la fonction de répartition de X est définie sur ℝ par : F ( x)  
 p  0  X  x   1  e
 x
si x   0, 

Applications : ex 18 p 96

© M. Wissem Fligène p. 5