Académique Documents
Professionnel Documents
Culture Documents
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
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
0,5
O 1 2 3 4 5 6 x
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
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
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
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
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 :
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
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.
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 :
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
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.
;;;;;;;;
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.
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
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.
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
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
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