Variables aléatoires

Notion Exercices Durée estimée

TD Problème des partis ?

définition v.a. et loi de probabilité 1, 2, 30, 31, 32, 37 et 38

espérance, variance et écart-type 3, 4, 54, 79 et 80 (bilan 4)
TP paramètres v.a.
TP simuler v.a.

2 semaines

1
I Notion de variable aléatoire
Dans tout ce paragraphe, on considère une expérience aléatoire associé à un univers Ω fini.

1) Variable aléatoire

Définition

Une variable aléatoire X est une fonction définie sur Ω et à valeurs dans R qui à tout élément de Ω fait correspondre un réel.

Exemple :
On s’intéresse à l’expérience suivante : on lance un dé à six faces et on regarde le
chiffre qui apparaît sur la face supérieure. Issues Images par X
1 1
L’univers de cette expérience est Ω = {1, 2, 3, 4, 5, 6}. 2 1
On définit la règle suivante : si on fait 1, 2 ou 3, on gagne 1(. Si on fait 4, on gagne 3 1
3(. Enfin, si on fait 5 ou 6, on perd 2(. 4 3
5 −2
On note X la variable aléatoire qui compte les gains ou pertes en euros. Elle est 6 −2
définie par le tableau ci-contre :

Remarques :

• Comme Ω est fini, l’ensemble des valeurs prises par X l’est aussi. On dit que X est une variable aléatoire discrète.

• Pour une même expérience aléatoire, on peut définir plusieurs variables aléatoires.

Définitions

a est un nombre réel. On note :

• {X = a} l’évènement « X prend la valeur a ».

• {X ⩾ a} l’évènement « X prend une valeur supérieure ou égale à a ».

Remarque : On définit de manière similaire les évènements {X ⩽ a}, {X > a} et {X < a}.

Exemple : On reprend l’exemple précédent.

• L’évènement {X = −2} représente l’évènement « X prend la valeur −2 ». Donc {X = −2} = {5, 6}.

• L’évènement {X ⩾ 1} représente l’évènement « X prend une valeur supérieure ou égale à 1 ».

Donc {X ⩾ 1} = {1, 2, 3, 4}.

2) Loi de probabilité d’une variable aléatoire

Définition

X est une variable aléatoire définie sur Ω.

Définir la loi de probabilité de X c’est associer à chaque valeurs de X sa probabilité.
Si on note x 1 , x 2 , ..., x n les valeurs prises par X, c’est donner les valeurs des probabilités P(X = x i ) pour tout entier i où 1 ⩽ i ⩽ n.

On présente en général une loi de probabilité sous la forme d’un tableau :

Valeurs x i prises par X x1 x2 ... xn

P(X = x i ) p1 p2 ... pn

2 1ère
Exemple :

xi 1 3 −2
On reprend l’exemple du lancer de dé.
La loi de probabilité de X peut être résumée par le tableau ci-contre :
1 1 1
p i = P(X = x i )
2 6 3

Propriété

Dans un tableau qui donne la loi de probabilité d’une variable aléatoire, la somme des probabilités est égale à 1.
Autrement dit, P(X = x 1 ) + P(X = x 2 ) + ... + P(X = x n ) = p 1 + p 2 + ... + p n = 1.

n
X
Remarque : P(X = x 1 ) + P(X = x 2 ) + ... + P(X = x n ) s’écrit P(X = x i ).
i =1

1 1 1 3 1 2 6
Exemple : Pour l’expérience du lancer de dé, on a bien + + = + + = = 1.
2 6 3 6 6 6 6

Méthode

Déterminer la loi de probabilité d’une variable aléatoire.

Une urne contient 15 boules numérotées de 1 à 5 indiscernables au toucher. On tire au hasard une boule.
Si on obtient un multiple de 2, on gagne 2(. Si on obtient un multiple de 7, on gagne 7(. Dans les autres cas, on perd 10(.
On note Y la variable aléatoire qui le gain algébrique du joueur. Déterminer la loi de probabilité de Y.
L’univers associé à cette expérience est Ω = {1, 2, ..., 15}.
La variable aléatoire Y peut prendre 4 valeurs : 2, 7, 9 et −10. yi 2 7 9 −10
On a {Y = 2} = {2, 4, 6, 8, 10, 12}.
De même {Y = 7} = {7}, {Y = 9} = {14} et {Y = −10} = {1, 3, 5, 9, 11, 13}. 6 1 1 7
p i = P(Y = y i )
La loi de probabilité de Y peut être résumée par le tableau ci-contre : 15 15 15 15

Exercices : 1,2 p 345, 30, 31, 32, 37 et 38 p 354-355

3 1ère
II Espérance, variance et écart-type
Dans ce paragraphe, on considère une variable aléatoire X définie sur un univers Ω fini et dont la loi de probabilité est donnée par
le tableau suivant :
Valeurs x i prises par X x1 x2 ... xn
P(X = x i ) p1 p2 ... pn

1) Espérance

Définition

L’espérance de la variable aléatoire X est le réel défini par :

E(X) = p 1 × x 1 + p 2 × x 2 + ... + p n × x n
n
X
On peut noter E(X) = p i × xi .
i =1

L’espérance s’interprète comme la valeur moyenne prise par la variable aléatoire X lorsqu’on répète l’expérience un grand nombre
de fois.
Dans le cadre d’un jeu, l’espérance représente le gain moyen du joueur sur un grand nombre de parties :

• Si E(X) = 0, on dit que le jeu est équitable.

• Si E(X) < 0, on dit que le jeu est défavorable au joueur.

• Si E(X) > 0, on dit que le jeu est favorable au joueur.

Méthode

Calculer l’espérance d’une variable aléatoire.

On reprend l’exemple de l’urne. La loi de probabilité de Y est résumée par le tableau suivant :

yi 2 7 9 −10

6 1 1 7
p i = P(Y = y i )
15 15 15 15
6 1 1 7 42 14
E(X) = ×2+ ×7+ ×9+ × (−10) = − =− .
15 15 15 15 15 5
14
Si on effectue un grand nombre de parties, le joueur peut espérer un « gain » moyen de − = −2, 8(.
5
E(X) < 0 donc le jeu est défavorable au joueur.

4 1ère
2) Variance et écart-type

Définitions

• La variance de la variable aléatoire X est le réel positif défini par :

V(X) = p 1 × (x 1 − E(X))2 + p 2 × (x 2 − E(X))2 + ... + p n × (x n − E(X))2

n
p i × (x i − E(X))2 .
X
On peut noter V(X) =
i =1

• L’écart-type de la variable aléatoire X est le réelpositif défini par :

p
σ(X) = V(X)

La variance mesure la moyenne des carrés des écarts à l’espérance. Elle mesure la dispersion des valeurs prises par la variable
aléatoire X autour de son espérance E(X).
Méthode

Calculer la variance et l’écart-type d’une variable aléatoire.

On reprend l’exemple de l’urne. La loi de probabilité de Y est résumée par le yi 2 7 9 −10

tableau ci-contre :
14
On rappelle que E(X) = − . 6 1 1 7
5 p i = P(Y = y i )
15 15 15 15
6 14 1 14 1 14 7 14 3682
V(X) = × (2 − (− ))2 + × (7 − (− ))2 + × (9 − (− ))2 + × (−10 − (− ))2 = .
15 5 15 5 15 5 15 5 75
r
p 3682
σ(X) = V(X) = ≈ 7.
75
Le joueur peut espérer un « gain » moyen de −2, 8( avec une fluctuation d’environ 7(.

Preuve (facultatif ) :
n
p i × (x i − E(X))2
X
Propriété (formule de König-Huygens) V(X) =
i =1
n n
p i x i2 − E(X)2
X
V(X) = p i x i2 − 2p i x i E(X) + p i E(X)2
X
=
i =1 i =1
n n n
p i x i2 + p i E(X)2
X X X
= −2p i x i E(X) +
i =1 i =1 i =1
Exemple : n n n
p i x i2 − 2E(X) p i x i +E(X)2
X X X
= pi
6 1 1 7 14
V(X) = × 22 + × 72 + × 92 + × (−10)2 − (− )2 i =1 i =1 i =1
15 15 15 15 5
| {z } | {z }
=E(X) =1
3682 n
=
p i x i2 − 2E(X)2 + E(X)2
X
75 =
i =1
n
p i x i2 − E(X)2
X
=
i =1

Exercices : 3, 4 p 347, 79 p 362 + bilan 4 p 373

5 1ère
3) Linéarité de l’espérance
a et b sont deux réels. On définit sur Ω une nouvelle variable aléatoire Y = aX +b dont les images sont y i = a × x i +b pour tout entier
naturel i de 1 à n.
Propriété

a et b sont deux réels. Y est une variable aléatoire définie par Y = aX + b.

1. E(Y) = aE(X) + b

2. V(Y) = a 2 V(X)

Preuve (facultatif ) :

V(Y) = V(aX + b)
n
p i (ax i + b − E(aX + b))2
X
E(Y) = E(aX + b) =
n i =1
X
= p i (ax i + b) n
p i (ax i + b − (aE(X) + b))2
X
i =1 =
n n i =1
X X
=a p i x i +b pi n
p i (ax i − aE(X))2
X
i =1 i =1 =
| {z } | {z } i =1
=E(X) =1 n
= a2 p i (x i − E(X))2
X
= aE(X) + b
i =1
= a 2 V(X)

Conséquence
σ(Y) = |a|σ(X)

p
Preuve : C’est une conséquence de la propriété précédente et du fait que, pour tout réel a, a 2 = |a|.

6 1ère
 Méthode

Utiliser la propriété de linéarité de l’espérance pour simplifier des calculs.

Une entreprise qui fabrique des roulements à bille fait une étude sur une gamme de billes produites. Le diamètre théorique
doit être égal à 1,3 cm mais cette mesure peut être légèrement erronée. L’expérience consiste à tirer au hasard une bille d’un lot
de la production et à mesurer son diamètre. On considère la variable aléatoire X qui, à une bille choisie au hasard, associe son
diamètre. La loi de probabilité de X est résumée dans le tableau suivant :

xi 1,298 1,299 1,3 1,301 1,302

p i = P(X = x i ) 0,2 0,1 0,2 0,4 0,1

Calculer l’espérance et l’écart-type de la variable aléatoire X.

Pour simplifier les calculs, on pose Y = 1000X − 1300.
La loi de probabilité de Y est alors :

yi −2 −1 0 1 2

p i = P(YX = y i ) 0,2 0,1 0,2 0,4 0,1

E(Y) = −2 × 0, 2 + (−1) × 0, 1 + 1 × 0, 4 + 2 × 0, 1 = 0, 1.
V(Y) = 0, 2 × (−2)2 + 0, 1 × (−1)2 + 0, 2 × 02 + 0, 4 × 12 + 0, 1 × 22 − 0, 12 = 1, 69.
E(Y) + 1300 0, 1 + 1300
Or on a : E(Y) = E(1000X − 1300) = 1000E(X) − 1300 donc E(X) = = = 1, 3001cm.
1000 1000
V(Y) 1, 69
V(Y) = V(1000X − 1300) = 10002 V(X) donc V(X) = = = 1, 69 × 10−6 .
10002 10002

Méthode

Modéliser une situation à l’aide d’une variable aléatoire.

Voir exercices

Exercices : 48 et 49 p 356, 57 p 357, 80 p 362

Approfondissement

• TP boules papier

• TP fréquance lettres

7 1ère