3 Généralités sur

les variables
aléatoires
● Exercice 1 - Variable aléatoire discrète : espérance ; écart type.
● Exercice 2 - Variable aléatoire discrète : détermination de sa fonction de
répartition à partir de sa loi ; espérance ; écart type.
Espérance et écart type d’une fonction affine d’une variable aléatoire.
● Exercice 3 - Variable aléatoire discrète : détermination de sa fonction de
distribution (ou loi) à partir de sa fonction de répartition ; espérance ; écart
type.
Probabilités conditionnelles ; utilisation d’un arbre.
● Exercice 4 - Variables aléatoires discrètes et continues : propriétés de l’es-
pérance, la variance, l’écart type, la covariance.
●Exercice 5 - Variables aléatoires discrètes : loi, espérance, variance.
Couple de variables aléatoires discrètes : indépendance.
Calculs de probabilités, probabilités conditionnelles.
● Exercice 6 - Variables aléatoires continues, fonction de répartition, densité,
espérance, variance, écart type.
Calculs de probabilités, indépendance.
● Exercice 7 - Variable aléatoire continue dont la densité de probabilité est
donnée ; utilisation de la représentation graphique de cette fonction de den-
sité ; calculs de probabilités ; fonction de répartition.
● Exercice 8 - Variable aléatoire continue dont la fonction de répartition est
donnée ; calculs de probabilités ; espérance.

EXERCICE
03-1
Variable aléatoire discrète : espérance ; écart type
Une entreprise, qui produit des jus de fruits, emploie trois goûteurs : Jacques, Luc et Laure. Lors de
chaque test, chacun d’eux doit attribuer une note (1, 2, 3, 4 ou 5) à la boisson goûtée. On note X
(respectivement Y et Z) la variable aléatoire qui, à tout essai de Jacques (respectivement Luc et Laure)
associe la note atribuée au jus de fruits goûté. Des statistiques effectuées sur une longue période ont
permis d’établir que les lois suivies par X, Y et Z sont les suivantes :
Note : k 1 2 3 4 5 Total
P (X = k) 0,25 0,2 0,1 0,2 0,25 1
P (Y = k) 0 0 1 0 0 1
P (Z = k) 0,01 0,1 0,78 0,1 0,01 1

Calculer l’espérance et l’écart type des trois variables X, Y et Z et commenter les résultats.
 3 ● GÉNÉRALITÉS SUR LES VARIABLES ALÉATOIRES 25

CORRIGÉ Notons E(X), V(X) et s(X) l’espérance, la variance et l’écart type de X.

03-1 5 5
On sait que : E(X) = ∑ k ¥ P(X = k), V(X) = ∑ k 2 ¥ P(X = k) – [E(X )] 2
k=1 k=1
et s(X) = ÷⁄V(X).
On obtient : E(X) = 3, V(X) = 2,4 et s(X) ª 1,55.
En moyenne, Jacques attribue la note 3 avec un écart type de 1,55.
Avec des notations et des formules analogues, on obtient :
E(Y) = 3, V(Y) = 0, s(Y) = 0 et E(Z) = 3, V(Z) = 0,28 , s(Z) ª 0,53.
Luc attribue en moyenne la note 3 avec un écart type nul,
et Laure attribue en moyenne la note 3 avec un écart type de 0,53.
Conclusion : la note moyenne des trois employés est la même, mais la dispersion des notes autour de
cette moyenne varie d’un goûteur à l’autre.
Luc donne la même note à tous les jus de fruits (la note 3) : dispersion nulle. Ce goûteur est donc inutile.
Les notes qu’attribue Jacques sont beaucoup plus dispersées autour de la moyenne que celles de Laure,
c’est pourquoi l’écart type de X est plus grand que celui de Z.

EXERCICE Variable aléatoire discrète : détermination de sa fonction de répar-

03-2 tition à partir de sa loi ; espérance ; écart type. Espérance et écart
type d’une fonction affine d’une variable aléatoire
Un magasin d’électroménager propose le remplacement gratuit des pièces défectueuses des lave-
linge en panne, et cela pendant toute la durée de vie de l’appareil. On note X la variable aléatoire
qui, à tout lave-linge vendu dans ce magasin, associe le nombre de pièces qui seront ainsi rempla-
cées gratuitement. Des statistiques effectuées sur une longue période permettent de supposer que :
P(X = 0) = 0,5 P(X = 1) = 0,1 P(X = 2) = 0,25
P(X = 3) = 0,11 P(X = 4) = 0,03 P(X = 5) = 0,01.
1- Pour un appareil donné, déterminer la probabilité qu’il y ait :
a- plus de 5 pièces à changer,
b- au moins une pièce à changer,
c- au plus deux pièces à changer.
2- Représenter graphiquement la loi de probabilité de X.
3- Déterminer et représenter la fonction de répartition de X.
4- Calculer l’espérance et l’écart type de X.
5- Pour le magasin, le coût C (exprimé en euros), par appareil, de cette garantie, s’élève à
35 X + 30. Déterminer l’espérance et l’écart type de C.

CORRIGÉ On a : P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) + P(X = 4) + P(X = 5)

03-2 = 0,5 + 0,1 + 0,25 + 0,11 + 0,03 + 0,01 = 1
les seules valeurs prises par X sont donc les entiers 0, 1, 2, 3, 4, et 5.
1- a- On cherche P(X > 5).
Compte tenu de la remarque faite ci-dessus, X ne dépasse jamais 5, l’événement (X > 5) est donc impos-
sible. Il en résulte que P(X > 5) = 0.
Pour un appareil donné, la probabilité qu’il y ait plus de 5 pièces à changer est nulle.
26 STATISTIQUE ET PROBABILITÉS

b- On cherche P(X ≥ 1). On a :

P(X ≥ 1) = P(X = 1) + P(X = 2) + P(X = 3) + P(X = 4) + P(X = 5)
= 0,1 + 0,25 + 0,11 + 0,03 + 0,01 = 0,5
ou, plus rapidement :
P(X ≥ 1) = 1 – P(X = 0) = 1 – 0,5 = 0,5.
Pour un appareil donné, la probabilité qu’il y ait au moins 1 pièce à changer vaut 0,5.

c- On cherche P(X ≤ 2). On a :

P(X ≤ 2) = P(X = 0) + P(X = 1) + P(X = 2) = 0,5 + 0,1 + 0,25 = 0,85.
Pour un appareil donné, la probabilité qu’il y ait au plus 2 pièces à changer vaut 0,85.

2- La représentation graphique de la loi de probabilité (ou distribution) d’une variable aléa-

toire discrète se fait par un diagramme en bâtons :
P(X = x)
0,5

0,4

0,3

0,2

0,1

0 1 2 3 4 5 x

3- Par définition, la fonction de répartition, notée F, de la variable aléatoire X est définie par :
F(x) = P(X ≤ x) pour tout x.
Il est commode, mais insuffisant, de calculer d’abord les valeurs de F, en 0, 1, 2, 3, 4, et 5.
F(0) = P(X ≤ 0) = P(X = 0) = 0,5
F(1) = P(X ≤ 1) = P(X = 0) + P(X = 1) = 0,5 + 0,1 = 0,6
F(2) = P(X ≤ 2) = P(X = 0) + P(X = 1) + P(X = 2) = 0,6 + 0,25 = 0,85
F(3) = P(X ≤ 3) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) = 0,85 + 0,11 = 0,96
F(4) = P(X ≤ 4) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) + P(X = 4) = 0,96 + 0,03 = 0,99
F(5) = P(X ≤ 5) = 1.
Déterminons maintenant l’expression de F sur l’ensemble des réels.
Si x est négatif, l’événement (X ≤ x) est évidemment impossible : pour tout x < 0, P(X ≤ x) = 0.
Si x = 0,1 par exemple, P(X ≤ 0,1) = P(X = 0) puisque 0 est la seule valeur possible de X qui soit infé-
rieure ou égale à 0,1. On a donc F(0,1) = F(0) = 0,5.
Il en va de même si x = 0,12 ou pour tout x de l’intervalle [0, 1[. On peut donc écrire :
- pour tout x tel que 0 ≤ x < 1 F(x) = 0,5
et, de manière analogue :
- pour tout x tel que 1 ≤ x < 2 F(x) = 0,6 et ainsi de suite…
Enfin, si x est supérieur ou égal à 5, l’événement (X ≤ x) est toujours réalisé puisque, d’après les données,
le nombre de pièces à changer sur un appareil ne dépasse jamais 5.
 3 ● GÉNÉRALITÉS SUR LES VARIABLES ALÉATOIRES 27

En résumé, l’expression de F sur l’ensemble des réels est donnée par :

"x < 0 F(x) = 0
"x œ[0, 1[ F(x) = 0,5 "x œ[3, 4[ F(x) = 0,96
"x œ[1, 2[ F(x) = 0,6 "x œ[4, 5[ F(x) = 0,99
"x œ[2, 3[ F(x) = 0,85 "x ≥ 5 F(x) = 1.
Représentation graphique de F : on pourra représenter d’abord les images par F de 0, 1, 2, 3, 4, et 5 puis
compléter ensuite.
F(x)
1

0,5

O 1 2 3 4 5 6 x

4- Notons E(X), V(X) et s(X) l’espérance, la variance et l’écart type de X.

5 5
On sait que : E(X) = ∑ k ¥ P(X = k), V(X) = ∑ k 2 ¥ P(X = k) – [E(X)] 2 et s(X) = ÷⁄V(X).
k=0 k=0

d’où : E(X) = (0 ¥ 0,5) + (1 ¥ 0,1) + (2 ¥ 0,25) + (3 ¥ 0,11) + (4 ¥ 0,03) + (5 ¥ 0,01) = 1,1

et : V(X) = (0 2 ¥ 0,5) + (12 ¥ 0,1) + (2 2 ¥ 0,25) + (3 2 ¥ 0,11) + (4 2 ¥ 0,03) + (5 2 ¥ 0,01) – 1,12
V(X) = 1,61
ce qui donne : s(X) ª 1,27.
Le nombre moyen, par appareil, de pièces remplacées gratuitement est 1,1 avec un écart type de
1,27 pièce.
5- Notons E(C ),V(C ) et s(C ) l’espérance, la variance et l’écart type de C.
On a C = 35X + 30, la variable aléatoire C est donc une fonction affine de X.
D’après les propriétés de l’espérance et de la variance, on peut écrire :
E(C ) = E(35X + 30) = 35E(X) + 30 = 35 ¥ 1,1 + 30 = 68,5
et : V(C ) = V(35X + 30) = 35 2 V(X) = 35 2 ¥ 1,61 = 1 972,25 , d’où s(C ) ª 44,41.
Pour le magasin, le coût moyen par appareil de la garantie est de 68,5 euros avec un écart type voisin de
44,41 euros.

EXERCICE Variable aléatoire discrète : détermination de sa fonction de distri-

03-3 bution (ou loi) à partir de sa fonction de répartition ; espérance ;
écart type. Probabilités conditionnelles ; utilisation d’un arbre
On note X le nombre d’arrivées de blessés ou malades au cours d’une nuit au service des urgences
de la clinique voisine. Il a été établi que la fonction de répartition F de la variable aléatoire X peut
être donnée par :
"x < 0 F(x) = 0
"x œ[0, 1[ F(x) = 0,1 "x œ[3, 4[ F(x) = 0,95
"x œ[1, 2[ F(x) = 0,35 "x œ[4, 5[ F(x) = 0,98
"x œ[2, 3[ F(x) = 0,9 "x ≥ 5 F(x) = 1.
28 STATISTIQUE ET PROBABILITÉS

1- Déterminer la probabilité qu’au cours de la nuit prochaine, il y ait au service des

urgences :
a- moins de 3 arrivées ; b- 2, 3 ou 4 arrivées ; c- plus de 2 arrivées.
2- Déterminer la loi de probabilité de X, son espérance et sa variance.
3- Chaque nuit, un seul interne est de garde au service des urgences. Mais en cas de
nécessité, il peut appeler à la rescousse un chirurgien. Lorsqu’il y a une ou deux arrivées
au cours d’une nuit, la probabilité qu’il soit nécessaire de faire appel à un chirurgien est
0,4. S’il y a 3 arrivées, cette probabilité est de 0,85. Et s’il y a plus de 3 arrivées, le règle-
ment impose qu’un chirurgien soit systématiquement appelé.
a- Utiliser un arbre pour schématiser les données.
b- Si l’on constate, à la fin d’une nuit, qu’aucun chirurgien n’a été dérangé, quelle est la
probabilité que personne ne se soit présenté au service des urgences ?

CORRIGÉ X désigne le nombre d’arrivées de blessés ou malades au cours d’une nuit au service des
03-3 urgences.
1- a- La probabilité qu’il y ait moins de 3 arrivées la nuit prochaine est P(X < 3).
Or X ne prend que des valeurs entières, on a donc : P(X < 3) = P(X ≤ 2),
et par définition de la fonction de répartition : P(X ≤ 2) = F ( 2).
D’après les données, et puisque 2 appartient à l’intervalle [2, 3 [, on a : F ( 2) = 0,9.
La probabilité qu’il y ait moins de 3 arrivées la nuit prochaine vaut 0,9.
b- La probabilité qu’il y ait 2, 3 ou 4 arrivées la nuit prochaine est :
P(X = 2 ou X = 3 ou X = 4).
Or P(X = 2 ou X = 3 ou X = 4) = P(1 < X ≤ 4),
et P(1 < X ≤ 4) = F ( 4) – F (1) = 0,98 – 0,35 = 0,63.
La probabilité qu’il y ait 2, 3 ou 4 arrivées la nuit prochaine vaut 0,63.
c- La probabilité qu’il y ait plus de 2 arrivées la nuit prochaine est P(X > 2).
Utilisons l’événement contraire de l’événement (X > 2).
On obtient : P(X > 2) = 1 – P(X ≤ 2) = 1 – F ( 2) = 1 – 0,9 = 0,1.
La probabilité qu’il y ait plus de 2 arrivées la nuit prochaine vaut 0,1.
2- Déterminons les valeurs de P(X = k) pour toutes les valeurs possibles de X.
Le nombre d’arrivées au service des urgences vaut au minimum 0, ne prend que des valeurs entières, et
vaut au maximum 5 puisque F ( 5) = 1, ce qui signifie que l’événement (X ≤ 5) est l’événement certain.
Les valeurs possibles de X sont donc 0, 1, 2, 3, 4 et 5.
On a : P(X = 0) = P(X ≤ 0) = F(0) = 0,1
P(X = 1) = P(0 < X ≤ 1) = F(1) – F(0) = 0,35 – 0,1 = 0,25
P(X = 2) = P(1 < X ≤ 2) = F(2) – F(1) = 0,9 – 0,35 = 0,55
P(X = 3) = P(2 < X ≤ 3) = F(3) – F(2) = 0,95 – 0,9 = 0,05
P(X = 4) = P(3 < X ≤ 4) = F(4) – F(3) = 0,98 – 0,95 = 0,03
P(X = 5) = P(4 < X ≤ 5) = F ( 5) – F(4) = 1 – 0,98 = 0,02.
 3 ● GÉNÉRALITÉS SUR LES VARIABLES ALÉATOIRES 29

k=5
À titre de vérification, on contrôle que l’on a bien : ∑ P(X = k) = 1,
k=0
soit 0,1 + 0,25 + 0,55 + 0,05 + 0,03 + 0,02 = 1.
En résumé, la loi de probabilité de X est donnée par le tableau suivant :
k 0 1 2 3 4 5
P (X = k) 0,1 0,25 0,55 0,05 0,03 0,02

Notons E(X), V(X) et s(X) l’espérance, la variance et l’écart type de X.

5 5
On sait que : E(X) = ∑ k ¥ P(X = k), V(X) = ∑ k 2 ¥ P(X = k) – [E(X)] 2 et s(X) = ÷⁄V(X),
k=0 k=0

d’où : E(X) = (0 ¥ 0,1) + (1 ¥ 0,25) + (2 ¥ 0,55) + (3 ¥ 0,05) + (4 ¥ 0,03) + (5 ¥ 0,02) ª 1,72

et : V(X) = (0 2 ¥ 0,1) + (12 ¥ 0,25) + (2 2 ¥ 0,55) + (3 2 ¥ 0,05) + (4 2 ¥ 0,03) + (5 2 ¥ 0,02) – 1,722
V(X) = 0,9216
ce qui donne : s(X) = 0,96.
Le nombre moyen d’arrivées de blessés ou malades au cours d’une nuit au service des urgences est 1,72
avec un écart type de 0,96 personne.
3- Notons A l’événement : « un chirurgien est appelé à la rescousse ».
a- On peut schématiser les données par l’arbre suivant :
0 A
(X = 0)
1 ⁄A
0,1 0,4 A
0,8 (X = 1 ou X = 2)
0,6 ⁄A
0,05 0,85 A
0,05 (X = 3)
0,15 ⁄A
1 A
(X > 3)
0 ⁄A

b- On cherche ici la probabilité de l’événement (X = 0) sachant que l’événement A ne s’est

pas réalisé.
Il s’agit donc de la probabilité conditionnelle P ((X = 0) /⁄ A ) .
P ((X = 0) «⁄ A )
Or P ((X = 0) /⁄ A ) = .
P (⁄ A )
Calculons au préalable P (⁄ A ) .
On peut écrire, en s’aidant éventuellement de l’arbre :
P (⁄ A ) = P ((X = 0) « ⁄ A ) + P ((X = 1 ou X = 2) « ⁄ A ) + P ((X = 3) « ⁄ A ) + P ((X > 3) « ⁄ A ),
ce qui donne :
P (⁄ A ) = P(X = 0) ¥ P (⁄ A /(X = 0) ) + P ((X = 1 ou X = 2) ) ¥ P (⁄ A /(X = 1 ou X = 2) )
+ P(X = 3) ¥ P (⁄ A /(X = 3) ) + P(X > 3) ¥ P (⁄ A /(X > 3) )
soit : P (⁄ A ) = (0,1 ¥ 1) + (0,8 ¥ 0,6) + (0,05 ¥ 0,15) + (0,05 ¥ 0) = 0,5875.
0,1 ¥ 1
On en déduit : P ((X = 0) /⁄ A ) = ª 0,17.
0,5875
Si l’on constate à la fin d’une nuit qu’aucun chirurgien n’a été dérangé, la probabilité que personne ne se
soit présenté au cours de cette nuit au service des urgences vaut environ 0,17.
30 STATISTIQUE ET PROBABILITÉS

EXERCICE
03-4 Variables aléatoires discrètes et continues : propriétés de l’espé-
rance, la variance, l’écart type, la covariance
Au service « livraisons » d’un hypermarché, un employé décharge deux types de cartons : on note
X le nombre total de cartons de type I qu’il décharge au cours d’une période donnée et Y le nombre
de cartons de type II. L’espérance et l’écart type de X et de Y sont donnés par :
E(X) = 1 000 ; s(X) = 55 ; E(Y ) = 580 ; s(Y ) = 100,
et la covariance de X et de Y vaut : cov (X, Y ) = 172.
Un carton de type I pèse 36 400 grammes et un carton de type II pèse 12 kilogrammes.
1- Déterminer l’espérance et l’écart type du nombre total de cartons déchargés par cet
employé au cours de la période considérée.
On suppose par la suite X et Y indépendantes, les paramètres de X et Y restant inchan-
gés.
2- Que vaut alors la covariance de X et Y ?
3- Déterminer l’espérance et l’écart type du poids total (en kilogrammes) soulevé par cet
employé pour décharger les cartons au cours de la période considérée.
4- Pour cette période, l’employé touche un salaire fixe auquel s’ajoute une prime P (en
euros) fonction du nombre de colis déchargés suivant la relation : P = 0,002X 2 + 0,3Y.
Déterminer l’espérance de la prime que peut obtenir l’employé pendant cette période.

CORRIGÉ 1- Notons N le nombre total de cartons déchargés par cet employé au cours de la période
03-4 considérée.
On a N = X + Y,
et d’après les propriétés de l’espérance et de la variance d’une somme de variables aléatoires, on peut
écrire : E(N ) = E(X + Y ) = E(X) + E(Y ) = 1 000 + 580 = 1 580,
et : V(N ) = V(X + Y ) = V(X) + V(Y ) + 2 cov (X, Y ) = 55 2 + 100 2 + 2 ¥ 172 = 13 369.
L’écart type de N est donc s(N ) = ÷⁄V(N ) = ÷⁄13 369 ª 115,62.
L’espérance du nombre total de cartons déchargés par cet employé au cours de la période considérée
est égale à 1 580 cartons, et l’écart type de ce nombre est environ de 116 cartons.
2- On sait que la covariance de deux variables aléatoires indépendantes est nulle, donc
X et Y étant désormais supposées indépendantes, on a cov (X, Y ) = 0.
3- Notons Z le poids total (en kilogrammes) soulevé par cet employé pour décharger les
cartons au cours de la période considérée.
D’après les données, on a : Z = 36,4X + 12Y (attention aux unités).
L’espérance de Z est donc : E(Z ) = 36,4E(X) + 12E(Y ),
ce qui donne : E(Z ) = 36,4 ¥ 1 000 + 12 ¥ 580 = 43 360,
et, X et Y étant indépendantes, la variance de Z est :
V(Z ) = V(36,4X) + V(12Y )
V(Z ) = 36,4 2 ¥ V(X) + 12 2 ¥ V(Y ),
on obtient donc : V(Z ) = 36,4 2 ¥ 55 2 + 12 2 ¥ 100 2 = 5 448 004,
 3 ● GÉNÉRALITÉS SUR LES VARIABLES ALÉATOIRES 31

ce qui donne pour l’écart type de Z : s(Z ) ª 2 334,10.

L’espérance du poids total (en kilogrammes) soulevé par cet employé pour décharger les cartons au
cours de la période considérée est de 43 360 kg, et l’écart type de ce poids est environ de 2 334 kg.
4- P désignant la prime (en euros) de l’employé pour la période considérée, on a :
P = 0,002 X 2 + 0,3Y.
L’espérance de P est donc : E(P) = 0,002 E(X 2) + 0,3E(Y ) ,
mais, attention, E(X 2) n’est pas égal au carré de E(X).
On peut calculer, à partir des données, la valeur de E(X 2) en utilisant la formule :
V(X) = E(X 2) – [E(X)] 2,
d’où l’on déduit que : E(X ) = V(X) + [E(X)] 2, ce qui donne ici : E(X 2) = 55 2 + 1 000 2 = 1 003 025.
2

On a donc finalement : E(P) = 0,002 ¥ 1 003 025 + 0,3 ¥ 580 = 2 180,05.

L’espérance de la prime que peut obtenir l’employé pendant la période considérée vaut 2 180,05 euros.

EXERCICE Variables aléatoires discrètes : loi, espérance, variance

03-5 Couple de variables aléatoires discrètes : indépendance
Calculs de probabilités, probabilités conditionnelles
Une petite entreprise loue à la journée des camionnettes de déménagement (ne nécessitant pas le
permis poids lourds). Le nombre de véhicules disponibles chaque matin est une variable aléatoire X
et le nombre de demandes quotidiennes une variable aléatoire Y. Des études statistiques ont permis
d’évaluer les probabilités P(X = x et Y = y) suivantes :
Nombre de camionnettes disponibles
1 2 3
Nombre de demandes

0 0,015 0,060 0,075

1 0,020 0,080 0,100
2 0,045 0,180 0,225
3 0,019 0,076 0,095 On lit par exemple : P(X = 2 et Y = 3) = 0,076.
4 0,001 0,004 0,005

1- Déterminer la loi de probabilité de la demande, son espérance et sa variance.

2- Déterminer les probabilités P ( (Y = y ) / (X = 2) ) .
En déduire la loi de probabilité de la demande sur l’ensemble des journées où 2 camion-
nettes sont disponibles le matin.
3- Si deux clients se présentent un matin, quelle est la probabilité que l’on puisse les satis-
faire ?
4- Quelle est la probabilité qu’un jour donné quelconque, la demande coïncide exacte-
ment avec le nombre de véhicules disponibles ?
5- Quelle est la probabilité qu’un jour donné quelconque, on ne puisse satisfaire toutes
les demandes ?
6- Les variables aléatoires X et Y sont-elles indépendantes ? Quelle analyse peut-on faire
de ce résultat ?
32 STATISTIQUE ET PROBABILITÉS

CORRIGÉ 1- Déterminons la loi de la variable aléatoire Y (la demande).

03-5 D’après le tableau donné, Y peut prendre toutes les valeurs entières de 0 à 4. On a :
P(Y = 0) = P ( (Y = 0 et X = 1) ou (Y = 0 et X = 2) ou (Y = 0 et X = 3))
= P(Y = 0 et X = 1) + P(Y = 0 et X = 2) + P(Y = 0 et X = 3)
0,015 0,060 0,075
= Somme des valeurs de la première ligne du tableau de contingence
= 0,15.
De même :
P(Y = 1) = 0,020 + 0,080 + 0,100 = 0,2
P(Y = 2) = 0,045 + 0,180 + 0,225 = 0,45
P(Y = 3) = 0,019 + 0,076 + 0,095 = 0,19
P(Y = 4) = 0,001 + 0,004 + 0,005 = 0,01.
La loi de probabilité de la demande est donnée par le tableau suivant :
y 0 1 2 3 4
P (Y = y ) 0,15 0,2 0,45 0,19 0,01

L’espérance de Y est :
y=4
E(Y ) = ∑ y ¥ P(Y = y) = (0 ¥ 0,15) + (1 ¥ 0,2) + (2 ¥ 0,45) + (3 ¥ 0,19) + (4 ¥ 0,01) = 1,71
y=0

et sa variance :
y=4
V(Y ) = ∑ y 2 ¥ P(Y = y) – [E(Y )] 2
y=0

V(Y ) = (0 2 ¥ 0,15) + (12 ¥ 0,2) + (2 2 ¥ 0,45) + (3 2 ¥ 0,19) + (4 2 ¥ 0,01) – 1,71 2

V(Y ) = 0,9459.
L’espérance de la demande quotidienne est de 1,71 véhicule et sa variance vaut 0,9459.
P ((Y = y) «(X = 2))
2- On a P ((Y = y) /(X = 2)) = ,
P(X = 2)
or : P(X = 2) = somme des valeurs de la deuxième colonne du tableau de contingence
soit : P(X = 2) = 0,060 + 0,080 + 0,180 + 0,076 + 0,004 = 0,4.
On obtient donc :
P ((Y = 0) «(X = 2)) 0,060
P ((Y = 0) /(X = 2)) = = = 0,15
P(X = 2) 0,4
0,080 0,180
et de même : P ((Y = 1) /(X = 2)) = = 0,2 P ((Y = 2) /(X = 2)) = = 0,45
0,4 0,4
0,076 0,004
P ((Y = 3) /(X = 2)) = = 0,19 P ((Y = 4) /(X = 2)) = = 0,01.
0,4 0,4
La loi de probabilité de la demande sur l’ensemble des journées où 2 camionnettes sont disponibles le
matin est donnée par le tableau suivant :
y 0 1 2 3 4
P ((Y = y ) / (X = 2)) 0,15 0,2 0,45 0,19 0,01

On peut remarquer que cette loi est la même que celle de Y, ce que nous justifierons plus loin.
 3 ● GÉNÉRALITÉS SUR LES VARIABLES ALÉATOIRES 33

3- On cherche dans cette question la probabilité que le nombre de camionnettes dispo-

nibles ait été au moins égal à la demande, sachant que cette demande a été de deux véhicules. Il s’agit donc
de calculer la probabilité conditionnelle : P ((X ≥ Y ) /(Y = 2)).
P ((X ≥ Y ) «(Y = 2)) P(X = 2 et Y = 2) + P(X = 3 et Y = 2)
On a : P ((X ≥ Y ) /(Y = 2)) = =
P(Y = 2) P(Y = 2)
0,180 + 0,225
P ((X ≥ Y ) /(Y = 2)) = = 0,9.
0,45
Si 2 clients se présentent un matin, la probabilité que l’on puisse les satisfaire vaut 0,9.

4- La demande coïncide exactement avec le nombre de véhicules disponibles si et seulement

si l’événement (X = Y ) est réalisé.
Or P(X = Y ) = P(X = 1 et Y = 1) + P(X = 2 et Y = 2) + P(X = 3 et Y = 3)
P(X = Y ) = 0,020 + 0,180 + 0,095 = 0,295.
La probabilité qu’un jour donné quelconque la demande coïncide exactement avec le nombre de véhi-
cules disponibles vaut 0,295.

5- On ne peut satisfaire toutes les demandes si et seulement si l’événement (X < Y ) est réa-
lisé. Dans le tableau des données, grisons toutes les situations qui réalisent cet événement :

Nombre de camionnettes disponibles

1 2 3
Nombre de demandes

0 0,015 0,060 0,075

1 0,020 0,080 0,100
2 0,045 0,180 0,225
3 0,019 0,076 0,095
4 0,001 0,004 0,005

On obtient ainsi rapidement P(X < Y ) = 0,045 + 0,019 + 0,001 + 0,076 + 0,004 + 0,005 = 0,15.
La probabilité qu’un jour donné quelconque on ne puisse satisfaire toutes les demandes vaut 0,15.

6- On constate aisément que les colonnes du tableau de contingence du couple (X, Y ) sont
proportionnelles deux à deux.
En effet : (2e colonne) = 4 ¥ (1re colonne)
et : (3e colonne) = 5 ¥ (1re colonne).
Il en résulte que les variables aléatoires X et Y sont indépendantes.
On peut également justifier ce résultat en montrant que les lignes du tableau de contingence sont propor-
tionnelles deux à deux. Cette démonstration est tout aussi valable mais plus longue puisqu’il y a 5 lignes
(alors qu’il n’y avait que 3 colonnes) et par ailleurs les coefficients de proportionnalité sautent moins aux
yeux.
Une dernière méthode, plus longue encore, serait d’utiliser l’une des définitions de l’indépendance de deux
variables aléatoires discrètes, et d’établir que la relation P(X = x et Y = y) = P(X = x) ¥ P(Y = y) est
vérifiée pour tous les couples (x, y) possibles.
Par exemple, on constate que : P(X = 2 et Y = 1) = 0,08
et que : P(X = 2) ¥ P(Y = 1) = 0,4 ¥ 0,2 = 0,08 aussi.
Mais cela ne suffit pas. La démonstration complète nécessiterait d’étudier 15 égalités et serait fastidieuse.
34 STATISTIQUE ET PROBABILITÉS

Les variables aléatoires X et Y sont indépendantes.

Analysons ce résultat.
Considérons d’abord l’ensemble des jours où une seule camionnette est disponible. On peut alors établir,
comme cela a été fait à la deuxième question, que la loi de probabilité de la demande (sachant que X = 1)
est exactement la même que la loi de probabilité de Y (déterminée à la première question).
De même, la loi de probabilité de la demande sachant que X = 2 coïncide avec la loi de probabilité de Y,
et la loi de probabilité de la demande sachant que X = 3 coïncide avec la loi de probabilité de Y.
En d’autres termes, le nombre de véhicules disponibles le matin n’a pas d’influence sur la demande en cours
de journée.

EXERCICE Variables aléatoires continues, fonction de répartition, densité,

03-6 espérance, variance, écart type
Calculs de probabilités, indépendance
À titre expérimental, une cabine téléphonique publique a été équipée d’un système qui coupe auto-
matiquement toute communication au bout de 6 minutes.
On note X la durée (en minutes) d’une communication téléphonique dans cette cabine.
On suppose que X admet pour fonction de répartition la fonction F définie par :
F(x) = 0 si x < 0
x
F(x) = si 0 ≤ x ≤ 6
6
F(x) = 1 si x > 6.
1- Déterminer la probabilité qu’une communication téléphonique dans cette cabine dure :
a- moins de 5 minutes, b- moins de 8 minutes,
c- plus de 10 minutes, d- plus de 2 minutes mais au plus 4 minutes,
e- plus de 4 minutes, f- exactement 3 minutes.
2- Déterminer la densité de probabilité, l’espérance, la variance et l’écart type de X.
Représenter la densité de probabilité f de X.
Représenter les probabilités demandées aux questions 1-a, 1-b, 1-d et 1-e sur la repré-
sentation graphique de f.
3- On considère 10 communications successives indépendantes.
a- Quelle est la probabilité que ces 10 communications durent toutes moins de
5 minutes ?
b- Quelle est la probabilité que l’une au moins de ces 10 communications dure moins
de 5 minutes ?
c- Quelle est la probabilité que la durée totale de ces 10 communications dépasse une
heure ?

CORRIGÉ 1- On cherche la probabilité des événements suivants :

03-6 a- (X < 5), b- (X < 8), c- (X > 10), d- (2 < X ≤ 4), e- (X > 4), f- (X = 3).
Rappelons que, dans le cas d’une variable aléatoire continue, on a pour tout x :
P(X = x) = 0 et P(X ≤ x) = P(X < x),
et, par définition de la fonction de répartition, F(x) = P(X ≤ x).
 3 ● GÉNÉRALITÉS SUR LES VARIABLES ALÉATOIRES 35

5
a- P(X < 5) = F(5) = ª 0,83 puisque 5 est compris entre 0 et 6.
6
b- L’événement (X < 8) est l’événement certain puisque toute communication est coupée
au bout de 6 minutes, donc P(X < 8) = 1.
On peut également justifier ce résultat en écrivant : P(X < 8) = F(8) = 1 puisque 8 est supérieur à 6.

c- L’événement (X > 10) est l’événement impossible puisque toute communication est cou-
pée au bout de 6 minutes, donc P(X > 10) = 0.
On peut également justifier ce résultat en écrivant : P(X > 10) = 1 – P(X ≤ 10) = 1 – F(10) = 1 – 1 = 0
puisque 10 est supérieur à 6.
4 2 1
d- P(2 < X ≤ 4) = F(4) – F(2) = – = ª 0,33.
6 6 3
4 1
e- P(X > 4) = 1 – P(X ≤ 4) = 1 – F(4) = 1 – = ª 0,33.
6 3
f- P(X = 3) = 0 puisque X est une variable aléatoire continue.
En résumé, on a :
a- P(X < 5) ª 0,83 b- P(X < 8) = 1 c- P(X > 10) = 0
d- P(2 < X ≤ 4) ª 0,33 e- P(X > 4) ª 0,33 f- P(X = 3) = 0.

2- On sait que la densité de probabilité d’une variable aléatoire continue est la dérivée de
sa fonction de répartition.
f, densité de probabilité de X est donc la fonction définie par :
1
f (x) = sur [0, 6[ et f (x) = 0 ailleurs.
6
6 6 6
1 t2
Espérance de X : E(X) = # t f (t)d t =
# t ¥
6
dt =
12 3 4 0 = 36
12
–
0
12
= 3.
0 0

6 6 6
1 t3 63 0
Variance de X : V(X) =
# 0
t 2 f (t)d t – [E(X )] 2 =
#
0
t2 ¥
6
dt – 9 =
183 40 –9= –
18 18
– 9 = 3.

Écart type de X : s(X) = ÷⁄V(X) = ÷ÿ3 ª 1,732 , soit environ 1 min 44 s.

La durée d’une communication téléphonique dans cette cabine a pour espérance 3 minutes, pour
variance 3, et pour écart type 1 minute et 44 secondes.
Représentation graphique de la densité de probabilité f de X.

f (x)

1
6

O 1 2 3 4 5 6 7 x
36 STATISTIQUE ET PROBABILITÉS

Les probabilités demandées aux questions 1-a, 1-b, 1-d et 1-e sont égales aux aires des portions de plan
grisées sur les schémas suivants :

P(X < 5) P(X < 8) P(2 < X ≤ 4) P(X > 4)

1 1 1 1
6 6 6 6

O 1 2 3 4 5 6 O 1 2 3 4 5 6 7 8 O 1 2 3 4 5 6 O 1 2 3 4 5 6

3- Notons X1 , X2 , … et X10 les durées respectives des 10 communications.

Les variables aléatoires X1 , X2 , … et X10 sont indépendantes et suivent toutes la même loi que X.
a- Notons B l’événement : « les 10 communications durent toutes moins de 5 minutes ».
On a :
P(B) = P(X1 < 5 et X2 < 5 et … et X10 < 5)
10
5
P(B) = P(X1 < 5) ¥ P(X2 < 5) ¥ … ¥ P(X10 < 5) = [F(5)]10 = 162 ª 0,1615.

La probabilité que 10 communications successives indépendantes durent toutes moins de 5 minutes vaut
environ 0,1615.
b- Notons A l’événement : « l’une au moins des 10 communications dure moins de
5 minutes ». On peut écrire : P(A) = P(X1 < 5 ou X2 < 5 ou … ou X10 < 5) mais on ne sait pas calculer
directement cette probabilité. On utilise donc l’événement contraire :
⁄ A = « toutes les communications durent 5 minutes ou plus ». On a alors :
P(A) = 1 – P(⁄ A ) = 1 – P(X1 ≥ 5 et X2 ≥ 5 et … et X10 ≥ 5)
= 1 – P(X1 ≥ 5) ¥ P(X2 ≥ 5) ¥ … ¥ P(X10 ≥ 5)
puisque les variables sont indépendantes.
5 1
Or : P(X i ≥ 5) = 1 – P(X i < 5) = 1 – F(5) = 1 – = .
6 6
1 10
On en déduit : P(A) = 1 –
6 1 2
ª 1.

Sur 10 communications successives indépendantes, il est quasi certain que l’une d’entre elles au moins
dure moins de 5 minutes.

c- Il n’est pas possible que la durée totale de 10 communications successives dépasse

1 heure (c’est-à-dire 60 minutes) puisque la durée d’une communication ne peut pas être supérieure à
6 minutes.
La probabilité que la durée totale de 10 communications successives dépasse une heure est nulle.

EXERCICE Variable aléatoire continue dont la densité de probabilité est don-

03-7 née ; utilisation de la représentation graphique de cette fonction de
densité ; calculs de probabilités ; fonction de répartition
La demande mensuelle d’un certain produit, exprimée en tonnes, est une variable aléatoire X conti-
nue qui prend ses valeurs dans l’intervalle [0, 700]. La densité de probabilité de X est donnée par
la fonction f définie par :
3
f(t) = a (700t – t 2 ) sur l’intervalle [0, 700] avec a = ¥ 10 – 6, et f(t) = 0 ailleurs.
171,5
 3 ● GÉNÉRALITÉS SUR LES VARIABLES ALÉATOIRES 37

;;;;;;;;
La représentation graphique de f est donnée ci-dessous sur la figure 1.

0,0020

;;;;;;;;
0,0015

;;;;;;;;
0,0010

;;;;;;;;
0,0005

O
;;;;;;;; 100 200 300 400
Figure 1
500 600 700

100
On admettra que
#
0
f (t)dt ª 0,0554.

1- En utilisant ce résultat et la représentation graphique de f, déterminer la probabilité

que la demande mensuelle X soit :
a- inférieure à 100 tonnes ;
b- inférieure à 350 tonnes ;
c- supérieure à 600 tonnes ;
d- comprise entre 100 et 350 tonnes ;
e- inférieure à 800 tonnes ;
f- supérieure à 1 000 tonnes ;
g- égale à 350 tonnes ;
h- inférieure à 350 tonnes sachant qu’elle est supérieure à 100 tonnes.
2- On note F la fonction de répartition de X.
a- Donner F(100).
b- Déterminer F.

CORRIGÉ 1- On cherche la probabilité des événements suivants :

03-7 a- (X < 100), b- (X < 350), c- (X > 600), d- (100 ≤ X ≤ 350), e- (X < 800),
f- (X > 1 000), g- (X = 350), h- (X < 350) sachant (X > 100).
100
a- On sait que : P(X < 100) =
#
–•
f (t)d t,
100 0 100
or
#
–•
f (t)d t =
#
–•
0d t +
#
0
f (t)d t ª 0 + 0,0554.

100
Notons par ailleurs que #0
f (t)d t est l’aire de la portion de plan hachurée sur la figure 2 ci-après.
 ;;;;;;;;
38 STATISTIQUE ET PROBABILITÉS

0,0020

;;;;;;;;
0,0015

;;;;;;;;
;;;;; 0,0010

;;;;;;;;
;;;;;;;;
;; 0,0005

O 100 200 300 350 400 500 600 700

P(X < 100) P(X > 600)

Figure 2

350 350
b- De manière analogue, P(X < 350) =
# –•
f (t)d t =
#0
f (t)d t.

350

#0
f (t)d t est l’aire de la portion de plan gris clair sur la figure 2.

Compte tenu de la symétrie de la courbe représentative de f par rapport à la droite verticale d’équation
t = 350, et sachant que l’aire de la portion de plan délimitée par la courbe, d’une part, et par l’axe des
350
abscisses, d’autre part, est égale à 1, on a :
#0
f (t)d t = 0,5.

On a donc P(X < 350) = 0,5.

+∞ 700 +∞
c- On a : P(X > 600) = #600
f (t)d t =
#
600
f (t)d t +
# 700
0d t.

0
700

#600
f (t)d t est l’aire de la portion de plan gris foncé sur la figure 2. Compte tenu de la symétrie, cette aire

est égale à celle de la portion de plan hachurée, c’est-à-dire environ à 0,0554.

On a donc : P(X > 600) = 0,0554.
d- On cherche P(100 ≤ X ≤ 350).
Notons F la fonction de répartition de X.
On a : P(100 ≤ X ≤ 350) = F(350) – F(100) ª 0,5 – 0,0554 , soit P(100 ≤ X ≤ 350) ª 0,4446.
e- et f- La demande mensuelle est toujours comprise entre 0 et 700, l’événement (X < 800)
est donc l’événement certain, et l’événement (X > 1 000) l’événement impossible.
Il en résulte que P(X < 800) = 1 et P(X > 1 000) = 0.
g- X est une variable aléatoire continue, on a donc : P(X = 350) = 0.
h- On cherche la probabilité conditionnelle P ((X < 350) /(X > 100)).
P ((X < 350) «(X > 100)) P(100 < X < 350) 0,4446
On a : P ((X < 350) /(X > 100)) = = ª ,
P(X > 100) P(X > 100) 1 – 0,0554
ce qui donne : P ((X < 350) /(X > 100)) ª 0,4707.
 3 ● GÉNÉRALITÉS SUR LES VARIABLES ALÉATOIRES 39

En résumé, on a :
a- P(X < 100) ª 0,0554 b- P(X < 350) = 0,5 c- P(X > 600) = ª 0,0554
d- P(100 < X < 350) ª 0,4446 e- P(X < 800) = 1 f- P(X > 1 000) = 0
g- P(X = 350) = 0 h- P ( (X < 350)/(X > 100)) ª 0,4707.
2- a- On a : F(100) = P(X ≤ 100) par définition de F,
= P(X < 100) car X est continue,
= 0,0554 d’après 1- a-.
F(100) = 0,0554.
b- Déterminons la fonction de répartition F de la variable aléatoire X.
x
On sait que F(x ) =
# f (t)d t, donc, compte tenu de l’expression de la densité de probabilité f, il faut
–•
distinguer trois cas :
x
• si x < 0 : F(x ) = #
–•
0d t = 0 ;

0 x
• si 0 ≤ x ≤ 700 : F(x ) =
#
–•
0d t +
# a(700 t – t )d t
0
2

x
t3 x3 3
3 1
F(x ) = a 350t 2 –
3 2 4 0 = a 1 350x 2
–
3 2 avec a =
171,5
¥ 10 – 6 ;

0 700 x
• si x > 700 : F(x ) =
#
–•
0d t +
#0
f (t)d t +
# 700
0d t = 1.

1
Récapitulation :
• si x < 0 : F(x ) = 0 ;
x3 3
1
• si 0 ≤ x ≤ 700 : F(x ) = a 350x 2 –
3 2 avec a =
171,5
¥ 10 – 6 ;
• si x > 700 : F(x ) = 1.

EXERCICE
03-8 Variable aléatoire continue dont la fonction de répartition est don-
née ; calculs de probabilités ; espérance
On a étudié sur une certaine population de salariés, la distribution des revenus mensuels, exprimés
en euros. La variable aléatoire X qui, à chaque personne de cette population, associe son revenu
mensuel en euros, admet pour fonction de répartition la fonction F définie par :
456,533
F(x) = 1 – pour x > 770, et F(x) = 0 ailleurs.
(0,01x) 3
X suit une loi dite de Pareto.
1- On tire au hasard un élément de cette population. Déterminer la probabilité que le
revenu mensuel de cette personne soit :
a- inférieur à 1 500 euros ;
b- supérieur à 770 euros ;
40 STATISTIQUE ET PROBABILITÉS

c- supérieur à 1 250 euros ;

d- compris entre 1 500 et 2 000 euros.
2- Déterminer le salaire mensuel en dessous duquel se situe 95 % de cette population.
3- Déterminer le salaire mensuel moyen.

CORRIGÉ 1- Rappelons que, par définition de la fonction de répartition, F(x) est la probabilité que X
03-8 prenne une valeur inférieure ou égale à x.
a- On cherche P(X < 1 500) soit, puisque X est une variable aléatoire continue, P(X ≤ 1 500).
456,533
P(X ≤ 1 500) = F(1 500) = 1 – puisque 1 500 > 770,
(0,01 ¥ 1 500) 3
P(X ≤ 1 500) = 0,8647.
La probabilité de tirer une personne dont le revenu mensuel est inférieur à 1 500 euros vaut
environ 0,865.
b- On cherche P(X > 770).
P(X > 770) = 1 – P(X ≤ 770) = 1 – F(770) = 1 – 0 = 1.
La probabilité de tirer une personne dont le revenu mensuel est supérieur à 770 euros est égale à 1, ce
qui signifie que tous les individus de cette population ont un revenu mensuel supérieur à 770 euros.
c- On cherche P(X > 1 250).
456,533
P(X > 1 250) = 1 – P(X ≤ 1 250) = 1 – F(1 250) = 1 – 1 – 1 (0,01 ¥ 1 250) 3 2 ª 0,2337.
La probabilité de tirer une personne dont le revenu mensuel est supérieur à 1 250 euros vaut
environ 0,234.
d- On cherche P(1 500 ≤ X ≤ 2 000).
456,533 456,533
P(1 500 ≤ X ≤ 2 000) = F(2 000) – F(1 500) = 1 – 1 (0,01 ¥ 2 000) 3 2 – 11 – (0,01 ¥ 1 500) 3 2
1 1
P(1 500 ≤ X ≤ 2 000) = 456,533 1 15 3
–
203 2 = 0,0782.
La probabilité de tirer une personne dont le revenu mensuel est compris entre 1 500 et 2 000 euros
vaut environ 0,078.
2- On cherche x tel que P(X < x) = 0,95.
L’égalité P(X < x) = 0,95 suppose x > 770, et est équivalente aux égalités suivantes :
456,533
1– = 0,95
(0,01x) 3
456,533
= 0,05
(0,01x) 3
1
456,533
0,01x = 1 0,05 2 3 , ce qui donne x = 2 090,10.

95 % des individus de cette population ont un revenu mensuel inférieur à 2 090 euros.
 3 ● GÉNÉRALITÉS SUR LES VARIABLES ALÉATOIRES 41

3- Déterminons l’espérance de X.
On sait que la densité de probabilité d’une variable aléatoire continue est la dérivée de sa fonction de répar-
tition.
Pour dériver plus aisément F, on peut, pour x > 770, écrire F(x) sous la forme :
F(x) = 1 – 456,533 ¥ (0,01x) –3.
La densité de probabilité de X est donc la fonction f définie par :
f (x) = – 456,533 ¥ 0,01 ¥ (–3) ¥ (0,01x) –4 soit : f (x) = 1 369 599 000 x –4 pour x > 770
et f (x) = 0 pour x ≤ 770.
Notons k la constante 1 369 599 000.
Espérance de X :
+∞ 770 +∞ +∞ –2 +∞ +∞
E(X) = # t f (t)d t =
# 0d t + k
# t ¥ t –4 dt = k
# t –3 dt = k
t
3 –2 4 770 = k 3 –2t1 4 770
2
–• –• 770 770

1 1
E(X) = k 1 lim
xÆ+•
–
–2x 2 –2 ¥ 770 2 2
0

1 369 599 000

soit E(X) = = 1 155.
2 ¥ 770 2
Le salaire mensuel moyen sur la population considérée est de 1 155 euros.