Cours de mathématiques

ECT 1ère année

Chapitre 10
Variables aléatoires réelles

Adrien Fontaine
Année scolaire 2020–2021
 Cours de mathématiques ECT1

1. G ÉNÉRALITÉS SUR LES VARIABLES ALÉATOIRES

1.1. Définitions et exemples

Il arrive souvent quà chaque résultat d’une expérience aléatoire, on associe un nombre réel.
On définit ainsi une fonction de l’univers Ω (l’ensemble des résultats possibles) dans R.
On peut par exemple considérer le gain obtenu à l’issu d’un jeu de hasard ou encore le temps
d’attente d’un bus.

Définition 1 :
Une variable aléatoire X est une application X : Ω −→ R.
On appelle support de X, et on note X(Ω), l’ensemble des valeurs prises par X.

Exemple : Tout au long de ce chapitre, on s’appuiera sur les deux exemples suivants pour
illustrer les différentes notions rencontrées.
1. Un sac contient 5 jetons numérotés de 1 à 5. Pour jouer une partie, on doit miser 1 e.
On tire au hasard un jeton. Si on a le numéro 1, on gagne 4 e, si on a un numéro pair
on reçoit 2 e et rien sinon. On note X le gain (algébrique). X est une variable aléatoire
et X(Ω) = {−1; 1; 3}.
2. On lance deux dés équilibré et on note X la somme des deux résultats obtenus. X est
une variable aléatoire et X(Ω) = J2; 12K (on obtient au minimum 2 et au maximum 12).

1.2. Évènements associés à une variable aléatoire

Définition 2 :
Soit X une variable aléatoire sur (Ω, T , P) et x ∈ R. On note

[X = x] = {ω ∈ Ω , X(ω) = x}
[X < x] = {ω ∈ Ω , X(ω) < x}
[X É x] = {ω ∈ Ω , X(ω) É x}
[X > x] = {ω ∈ Ω , X(ω) > x}
[X Ê x] = {ω ∈ Ω , X(ω) Ê x}

Si x et y sont deux réels tels que x < y alors on note

£ ¤
x É X É y = {ω ∈ Ω ; x É X(ω) É y}

Plus généralement, si I désigne une partie de R, on note :

[X ∈ I] = {ω ∈ Ω ; X(ω) ∈ I} .

Exemple : Calculer P([X = 3]) et P([X É 2]) dans les deux exemples de la partie 1.1.

2
Cours de mathématiques ECT1

1. On gagne 3 edans le cas où l’on obtient le tirage 1. Ainsi,

1
P(X = 3) = P({1}) =
5
Par ailleurs, on gagne moins de 2 edans le cas où l’on obtient n’importe quel tirage
différent de 1. Autrement dit, si l’on obtient un 2 ; 3 ; 4 ou 5. Ainsi,
4
P(X É 2) = P({2; 3; 4; 5}) =
5

2. La somme des deux dés vaut 3 si l’on a obtenu (1; 2) ou (2; 1) avec les deux dés. Puisqu’il
y a au total 36 issues possibles lorsque l’on lance les deux dés (tous les tirages (1; 1),
(1; 2), . . . , (1; 6), . . . , (6; 1), (6; 2), . . . , (6; 6)), on a :
2 1
P(X = 3) = P({(1; 2); (2; 1)}) = =
36 18
Par ailleurs, la somme des deux dés est inférieure ou égale à 2 seulement lorsque l’on
obtient (1; 1) avec les deux dés. Ainsi,
1
P(X É 2) = P({(1; 1)}) =
36

Proposition 1 :
Soit X une variable aléatoire définie sur (Ω, T , P). Alors,

{[X = x] ; x ∈ X(Ω)}

forme un système complet d’évènements. En particulier, on a :

X
P([X = x]) = 1 .
x∈X(Ω)

Exemple : On reprend les deux exemples de la partie 1.1.

1. {[X = −1] ; [X = 1] ; [X = 3]} forme un système complet d’évènements.
2. {[X = 2]; [X = 3]; [X = 4]; . . . ; [X = 12]}forme un système complet d’évènements.

Remarque : Dans toute la suite, on convient d’alléger la notation P([X = x]) en P(X = x), et de
même pour les autres ensembles.

1.3. Loi d’une variable aléatoire discrète

Définition 3 :
Soit X une variable aléatoire sur (Ω, T , P). On appelle loi de la variable aléatoire X, la donnée des
P(X = x) pour tout réel x.

3
Cours de mathématiques ECT1

Méthode 1 : Donner la loi de probabilité d’une variable aléatoire discrète

• On donne l’ensemble des valeurs X(Ω) des valeurs prises par X.
• On calcule P(X = x) pour tout x ∈ X(Ω).
On résume souvent la loi sous la forme d’un tableau avec, sur la 1ère ligne, les valeurs prises par X,
et sur la 2ème ligne les probabilité correspondantes.

Exemple : On reprend les deux exemples de la partie 1.1.

1. La loi de la variable aléatoire X est donnée par :

2 2 1
P(X = −1) = , P(X = 1) = , P(X = 3) = .
5 5 5
Ce que l’on peut résumer par le tableau suivant :
x −1 1 3 Total
2 2 1
P(X = x) 5 5 5 1
2. On a :
1 2
P(X = 2) = P({(1; 1)} = et P(X = 3) = P({(1; 2); (2; 1)}) =
36 36
3
et P(X = 4) = P({(1; 3); (2; 2); (3; 1)}) = etc
36
De manière générale, on a :

x 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
P(X = x)
36 36 36 36 36 36 36 36 36 36 36

1.4. Fonction de répartition d’une variable aléatoire

Définition 4 :
Soit X une variable aléatoire définie sur (Ω, T , P). On appelle fonction de répartition de la variable
aléatoire X, et on note FX la fonction définie sur R par :

FX (x) = P(X É x) ∈ [0; 1]

Proposition 2 :
Soit X une variable aléatoire discrète. On note X(Ω) = {x 1 ; x 2 ; · · · ; x n } avec x 1 < x 2 < · · · < x n . Alors :

0 si

 x < x1
FX (x) = P(X = x 1 ) + · · · + P(X = x k ) si x k É x < x k+1 .
1 si

x Ê xn

En particulier, FX est constante sur [x k ; x k+1[.

Exemple : Calculer la fonction de répartition de X dans les deux exemples de la partie 1.1.
1. On a vu que X(Ω) = {−1; 1; 3}. Dès lors,

4
Cours de mathématiques ECT1

• Si x < −1, alors FX (x) = 0.

2
• Si −1 É x < 1, alors FX (x) = P(X = −1) = .
5
2 2 4
• Si 1 É x < 3, alors FX (x) = P(X = −1) + P(X = 1) = + = .
5 5 5
• Si x Ê 3, alors FX (x) = 1.
Ce que l’on peut résumer par


 0 si x < −1
 2
si −1 É x < 1

FX (x) = 5 .
4

 5 si 1Éx <3
 1

si x Ê3

1
0.8
0.6
0.4
0.2

−9 −8 −7 −6 −5 −4 −3 −2 −1 0 1 2 3 4 5 6 7 8 9

2. On a vu que X(Ω) = J2; 12K. Dès lors,

• Si x < 2, alors FX (x) = 0.
1
• Si 2 É x < 3, alors FX (x) = P(X = 2) = .
36
1 2 3
• Si 3 É x < 4, alors FX (x) = P(X = 2) + P(X = 3) = + = .
36 36 36
1 2 3 6
• Si 4 É x < 5, alors FX (x) = P(X = 2) + P(X = 3) + P(X = 4) = + + = .
36 36 36 36
10
• Si 5 É x < 6, alors FX (x) = .
36
• etc
Ce que l’on peut résumer par

0 si x <2


1

si 2Éx <3


 36
3

si 3Éx <4


 36


6
si 4Éx <5

FX (x) = 36 .
10

 36
si 5Éx <6
etc




35

si 11 É x < 12


 36


1 si x Ê 12

1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
−4 −3 −2 −1 0 2 3 4 5 6 7 8 9 10 11 12 13 14

5
 Cours de mathématiques ECT1

Proposition 3 :
La fonction de répartition d’une variable aléatoire X détermine parfaitement la loi de X. Autrement
dit, si deux variables aléatoires ont la même fonction de répartition alors elles suivent la même loi.

2. M OMENTS D ’ UNE VARIABLE ALÉATOIRE DISCRÈTE

2.1. Espérance

Définition 5 :
Soit X une variable aléatoire définie sur Ω, qui prend les valeurs x 1 , x 2 , . . . , x k

X x1 x2 ··· xk
P(X = x i ) p1 p2 ··· pk

On appelle espérance mathématique de X, le réel noté E(X) défini par :

k
X
E(X) = x i p(X = x i ) = x 1 × p 1 + x 2 × p 2 + · · · + x k × p k
i =1

Remarque :
• L’espérance E(X) correspond à la moyenne des valeurs xi affectées des fréquences p i .
• Dans le cas particulier d’un jeu, l’espérance E(X) est le gain moyen par partie qu’un
joueur peut espérer obtenir s’il joue un grand nombre de fois. Le signe de E(X) permet
de savoir si le joueur a plus de chances de gagner que de perdre. Si E(X) = 0, on dit que
le jeu est équitable.

Exemple : Calculer E(X) pour chacun des deux exemples de la partie 1.1.
1. On a :
2 2 1 3
E(X) = −1 × +1× +3× =
5 5 5 5

2. On a :
1 2 3 2 1 252
E(X) = 2 × +3× +4× + · · · + 11 × + 12 × =
36 36 36 36 36 36

Proposition 4 : Linéarité
Soient X et Y deux variables aléatoires discrètes définies sur (Ω, T , P) et admettant une espérance.
Soit a et b ∈ R. Alors, X + Y et aX + b admettent une espérance et :

E(X + Y) = E(X) + E(Y) et E(aX + b) = a E(X) + b .

6
Cours de mathématiques ECT1

Exemple : On lance un dé non truqué et on note X le numéro obtenu. Soit g la fonction

définie par g (x) = 2x + 3 et Y = g (X) = 2X + 3.
Alors X(Ω) = J1; 6K et le dé étant non truqué, on est en situation d’équiprobabilité : ∀k ∈
1
J1; 6K , P(X = k) = .
6
X(Ω) est fini, donc X admet une espérance et

6
X 1X 6 7
E(X) = kP(X = k) = k= .
k=1 6 k=1 2

Y = 2X + 3 est aussi une variable finie, elle admet un espérance et

E(Y) = E(2X + 3) = 2E(X) + 3 = 7 + 3 = 10 .

Théorème 1 : de transfert
Soit X une variable aléatoire discrète. On note X(Ω) = {x 1 ; . . . ; x n }. Soit g une application de X(Ω)
dans R. Alors, l’espérance de g (X) est donnée par :
X
E(g (X)) = g (x i )P(X = x i ) .
i ∈I

Exemple : On considère la fonction g (x) = x 2 . Calculer E(g (X)) pour chacun des deux exemples
de la partie 1.1.
1. D’après le théorème de transfert, on a :

2 2 1 13
E(g (X)) = E(X 2 ) = (−1)2 × + 12 × + 32 × =
5 5 5 5

2. D’après le théorème de transfert, on a :

1 2 3 2 1 1999
E(g (X)) = E(X 2 ) = 22 × + 32 × + 42 × + · · · + 112 × + 122 × =
36 36 36 36 36 36

Remarque :
• Si X est une variable aléatoire discrète finie, alors I est finie, donc l’espérance de g (X)
existe et la somme intervenant dans sa définition est une somme finie.
• Le théorème de transfert montre que pour calculer l’espérance de g (X), il est inutile
de déterminer la loi de g (X) : il suffit de connaître la loi de X.

7
Cours de mathématiques ECT1

2.2. Variance

Définition 6 :
Soit X une variable aléatoire discrète.
• On appelle variance de X le réel , notée V(X), et définie par :
n
(x i − E(X))2 P(X = x i ) .
X
V(X) =
i =1

• On appelle écart-type de X, et on note σ(X) le réel :

p
σ(X) = V(X) .

Remarque : La variance mesure la dispersion de la variable aléatoire par rapport à son espé-
rance.

Théorème 2 : Formule de König-Huygens

Soit X une variable aléatoire discrète. On a :

V(X) = E(X 2 ) − E(X)2 .

Méthode 2 : Calculer la variance d’une variable aléatoire

• On calcule E(X 2 ) grâce au théorème de transfert.
• Puis on utilise la formule de König-Huygens

V(X) = E(X 2 ) − E(X)2 ,

pour la calculer.

Exemple : Calculer V(X) pour les deux exemples de la partie 1.1.

13
1. On a déjà calculé E(X 2 ) dans la partie précédente. On a E(X 2 ) = . Par ailleurs, E(X) =
5
3 9
donc E(X)2 = . Dès lors, d’après la formule de König-Huygens, on a :
5 25
13 9 65 9 56
V(X) = E(X 2 ) − E(X)2 = − = − =
5 25 25 25 25

1999
2. On a déjà calculé E(X 2 ) dans la partie précédente. On a E(X 2 ) = . Par ailleurs,
36
252 63504
E(X) = donc E(X)2 = . Dès lors, d’après la formule de König-Huygens, on a :
36 1296
1999 63504 71964 63504 8460 235
V(X) = E(X 2 ) − E(X)2 = − = − = =
36 1296 1296 1296 1296 36

8
 Cours de mathématiques ECT1

Proposition 5 :
Soit X une variable aléatoire discrète admettant un moment d’ordre 2 et soient a et b dans R. Alors :

V(aX + b) = a 2 V(X) .

En particulier,
V(X + b) = V(X) .

Remarque : Contrairement à l’espérance, la variance n’est pas linéaire.

Exemple : On lance un dé non truqué et on note X le numéro obtenu. Soit Y = 2X+3. Calculer
la variance de X puis celle de Y.
X(Ω) = J1; 6K et le dé étant non truqué, on est en situation d’équiprobabilité : ∀k ∈ J1; 6K , P(X =
1
k) = . Dès lors,
6
X6 1X 6 7
E(X) = kP(X = k) = k= .
k=1 6 k=1 2
De même,
6 1X 6 91
2 2
k2 =
X
E(X ) = k P(X = k) =
k=1 6 k=1 6
Dès lors, d’après la formule de König-Huygens,
µ ¶2
2 2 91 7 91 49 182 147 35
V(X) = E(X ) − E(X) = − = − = − =
6 2 6 4 12 12 12
On a donc, d’après la Proposition 5 :
35 35
V(Y) = V(2X + 3) = 22 V(X) = 4 × =
12 3

3. L OIS USUELLES

3.1. Loi uniforme

Définition 7 :
Soit (a, b) ∈ Z2 avec a < b. Une variable aléatoire X suit une loi uniforme sur Ja; b K lorsque X(Ω) =
Ja; b K et que :
1
∀k ∈ Ja; b K , P(X = k) = .
b −a +1
On note : X ,→ U (Ja; b K).

Exemple : Deux exemples classiques :

9
Cours de mathématiques ECT1

1. On lance un dé non truqué et on note X le numéro obtenu. On a X ,→ U (J1; 6K) car

1
X(Ω) = J1; 6K et pour tout k ∈ J1; 6K, P(X = k) = .
6
2. On tire au hasard une boule dans une urne contenant n boules numérotées de 1 à
n, et on note X le numéro obtenu. On a X ,→ U (J1; n K) car X(Ω) = J1; n K et pour tout
1
k ∈ J1; n K, P(X = k) = .
n
Proposition 6 :
Soit n ∈ N∗ . Si X ,→ U (J1; n K) alors X admet une espérance et une variance et :

n +1 n2 − 1
E(X) = et V(X) = .
2 12

Proposition 7 :
Soit (a; b) ∈ Z2 avec a < b. Si X ,→ U (Ja; b K) alors X − a + 1 ,→ U (J1; b − a + 1K) et donc :

a +b (b − a + 1)2 − 1
E(X) = et V(X) = .
2 12

3.2. Loi de Bernoulli

Définition 8 :
Une variable aléatoire X suit une loi de Bernoulli de paramètre p ∈]0; 1[ lorsque X(Ω) = {0; 1} et :

P(X = 0) = 1 − p et P(X = 1) = p .

On note : X ,→ B(p).

Une épreuve de Bernoulli est une épreuve aléatoire qui comporte exactement deux issues :
une que l’on qualifie de « succès » de probabilité p et l’autre que l’on qualifie « d’échec » de
probabilité 1 − p. On réalise une fois cette épreuve de Bernoulli et si l’issue est un « succès »,
la variable aléatoire prend la valeur X = 1, et sinon X = 0.

Exemple : On lance une pièce équilibré et on noteµ X¶la variable aléatoire qui prend la valeur
1
1 si le résultat est « Pile » et 0 sinon. Alors, X ,→ B .
2

Proposition 8 :
Soit X une variable aléatoire suivant une loi de Bernoulli de paramètre p ∈]0; 1[. Alors, X admet une
espérance et une variance et on a :

E(X) = p et V(X) = p(1 − p) .

10
Cours de mathématiques ECT1

3.3. Loi binomiale

Définition 9 :
L’expérience aléaroire qui consiste à répéter n fois une épreuve de Bernoulli de paramètre p de
manière indépendante, est appelée un schéma de Bernoulli de paramètres n et p.
La variable aléatoire X égale au nombre de succès obtenus au cours de n épreuves de ce schéma
de Bernoulli, suit une loi binomiale de paramètres n et p.
On note : X ,→ B(n, p).

Exemple : On lance 10 fois de suite une pièce équilibrée et on note X le nombre de « Piles »
1
obtenus. On a alors X ,→ B(10, )
2

Dans le cas où n = 2 ou n = 3, on peut modéliser la situation à l’aide d’un arbre.

1. Cas n = 2
On répète deux fois une épreuve de Bernoulli de paramètre p successivement et de
façon indépendante.
p S
p S
q S

p S
q = 1−p S
q S

¡ ¢
Soit X la variable aléatoire égale au nombre de succès. X suit la loi binomiale B 2; p
de paramètres n = 2 et p :

Nombre de succès k 0 1 2
P (X = k) q2 2×p ×q p2
2. Cas n = 3
On répète trois fois une épreuve de Bernoulli de paramètre p successivement et de
façon indépendante.
L’expérience comporte 23 = 8 issues, chacune de ces issues pouvant être schématisée
à l’aide d’un mot de trois lettres :

{S S S ; S S S ; S S S ; S S S ; S S S ; S S S ; S S S ; S S S}

Pour obtenir la loi de probabilité de la variable aléatoire X égale au nombre de succès,

on dresse un arbre et compte le nombre d’issues contenant k succès.

11
Cours de mathématiques ECT1

p ISSUES
S SSS
p S
q S SSS
S
p p
S SSS
q S
q S SSS
p
S SSS
p S
q S SSS
q = 1−p S
p
S SSS
q S
q S SSS

¡ ¢
La variable aléatoire X suit la loi binomiale B 3; p de paramètres n = 3 et p :

Nombre de succès k 0 1 2 3
P (X = k) q3 3 × p × q2 3 × p2 × q p3

Définition 10 : Coefficient binomial

Soit n un entier naturel non nul et k un entier tel que 0 É k É n.
ÃSi on
! représente par un arbre une série de n épreuves de Bernoulli, le coefficient binomial, noté
n
, est le nombre de chemins réalisant k succès parmi n épreuves répétées.
k

Remarque : Ã ! Ã !
n n
• Un seul chemin permet d’obtenir 0 succès ou n succès consécutifs : = 1 et = 1.
0 n
à !
n
• Il y a n chemins différents qui permettent d’obtenir un seul succès : = n.
1

Proposition 9 :
Pour tout entier n Ê 1 et pour tout k ∈ J0; n K, on a :
à !
n n! n(n − 1) . . . (n − (k + 1))
= = .
k k!(n − k)! k!

Proposition 10 :
Pour tout n ∈ N et pour tout k ∈ J0; n K, on a

• (relation de symétrie des coefficients) : • (formule du triangle de Pascal) :

à ! à ! à ! à ! à !
n n n −1 n −1 n
= . + = .
n −k k k −1 k k

12
Cours de mathématiques ECT1

Remarque : La formule du triangle de Pascal permet de déterminer les coefficients bino-

miaux de proche en proche.

p
n 0 1 2 3 4 5 6 7 8
0 1
1 1 1
2 1 2 1
3 1 3 3 1
4 1 4 6 4 1
5 1 5 10 10 5 1
6 1 6 15 20 15 6 1
7 1 7 21 35 35 21 7 1
8 1 8 28 56 70 56 28 8 1

Exemple : Calculer les coefficients binomiaux suivants :

à ! à !
4 4! 5 5!
• = =6 • = = 10
2 2!(4 − 2)! 2 2!(5 − 2)!
à ! à !
11 3
• = 11 • =1
1 0

Proposition 11 :
¡ ¢
Soit X la variable aléatoire qui suit la loi binomiale B n; p de paramètres n et p.
Pour tout entier k tel que 0 É k É n :
à !
n k n−k
P (X = k) = p q , où q = 1 − p
k

Proposition 12 :
Soit X une variable aléatoire suivant une loi binomiale de paramètres n ∈ N∗ et p ∈]0; 1[. Alors X
admet une espérance et une variance et on a :

E(X) = np et V(X) = np(1 − p) .

Exemple : Dans une entreprise de vente par correspondance, une étude statistique a montré
que 40 % des clients choisissent l’option « Livraison Express ».

13
Cours de mathématiques ECT1

On prélève au hasard 30 bons de commande. On considère que le nombre de bons de com-

mande est suffisamment important pour que l’on puisse assimiler ce prélèvement à un tirage
avec remise de 30 bons.

On note X la variable aléatoire qui associe le nombre de bons portant la mention « Livraison
Express ».

1. Déterminer la loi de X en justifiant soigneusement.

X compte le nombre de réalisations de l’évènement succès « le bon de commande
comprend la mention « Livraison Express » » de probabilités 0, 4 lors de la répétition
de 30 expériences identiques et indépendantes. Donc, X suit la loi binomiale de para-
mètres n = 30 et p = 0, 4
2. Calculer l’espérance mathématique E(X), interpréter le résultat.
Puisque X ,→ B(30; 0, 4), on a d’après le cours

E(x) = 30 × 0, 4 = 12

Sur un grand nombre de prélèvements de 30 bons on trouve en moyenne 12 bons de

commande avec la mention « Livraison Express ».

3.4. Formule du binôme de Newton

Théorème 3 : Formule du binôme de Newton

Soient a et b dans R et soit n ∈ N. Alors :
à !
n n
n
a k b n−k .
X
(a + b) =
k=0 k

Exemple : (2 + x)3 = 23 + 3 × 22 × x + 3 × 2 × x 2 + x 3 = 8 + 12x + 6x 2 + x 3

14
 Cours de mathématiques ECT1

4. E XERCICES

10.1 On considère une variable aléatoire X prenant les valeurs 0, 1, 2 et 3. On donne P(X =
1 1 1
0) = , P(X = 1) = et P(X = 2) = .
10 8 5
1. Déterminer P(X = 3).
2. Calculer l’espérance de X.

10.2 On considère une variable aléatoire X prenant les valeurs 0, 1, 2, 3 et 4. On donne

1 1 1
P(X = 0) = , P(X = 1) = et P(X = 2) = .
10 4 2
1. Sachant que les évènements [X = 3] et [X = 4] sont équiprobables, déterminer P(X =
3).
2. Calculer l’espérance de X.

10.3 Pour jouer à ce jeu, on mise 0,50 euro. On lance deux dés non truqués. Si on obtient
deux nombres 1, on reçoit 2 euros. Si on obtient deux nombres identiques autres que 1, on
reçoit 1 euro et sinon on ne reçoit rien. X est la gain algébrique.
1. Déterminer la loi de X.
2. Calculer E(X).

10.4 Soit X une variable aléatoire dont la loi est donnée par : X(Ω) = {−1; 0; 2} et
1 1 1
P(X = −1) = P(X = 0) = P(X = 2) =
6 3 2
Déterminer la fonction de répartition F de X.

10.5 Le nombre de pannes journalières d’une machine est une variable aléatoire X dont la
loi de probabilité est donnée par :

x 0 1 2 3 4 5 6
P(X = x) 0, 30 0, 20 0, 15 0, 15 0, 10 0, 05 0, 05
1. Quelle est la fonction de répartition de X ? En donner une représentation graphique.
2. Quelle est la probabilité que la machine ait plus de 3 pannes ?
3. Trouver x0 tel que P(X Ê x0 ) = 0, 5.
4. Trouver x1 tel que P(X É x1 ) = 0, 7.
5. Calculer E(X).

10.6 On considère une variable aléatoire X dont la loi est donnée par :
1 1 1 1
P(X = −2) = P(X = −1) = P(X = 1) = P(X = 2) =
4 8 2 8
Calculer l’espérance et la variance de X.

15
Cours de mathématiques ECT1

10.7 On considère une variable aléatoire X dont la loi est donnée par :
1 1 1
P(X = −1) = P(X = 0) = P(X = 1) =
4 2 4
Calculer l’espérance et la variance de X.

10.8 Une urne contient 4 boules blanches et 5 boules noires. Les boules sont indiscernables
au toucher. On prend au hasard et simultanément trois boules de l’urne. On appelle X la
variable aléatoire égale au nombre de boules blanches obtenues lors du tirage.
1. Déterminer le support de X.
2. Donner la loi de probabilité de X.
3. Calculer l’espérance et l’écart-type de X.

10.9 On dispose de deux urnes U et V. L’urne U contient 3 boules noires et 2 boules

blanches et l’urne V contient 4 boules noires et 1 boule blanche.
1. On choisit une urne au hasard et on en extrait successivement 3 boules, avec remise
à chaque fois de la boule tirée. On note
• U l’évènement « le tirage s’effectue dans l’urne U »
• V l’évènement « le tirage s’effectue dans l’urne V »
On note X la variable aléatoire égale au nombre de boules noires tirées.
a. Déterminer PU (X = 0) et PV (X = 0).
b. En déduire la probabilité P(X = 0).
2. On choisit encore une urne au hasard et on en extrait successivement 3 boules, sans
remise de la boule tirée. On note Y la variable aléatoire égale au nombre de boules
noires tirées.
a. Déterminer PU (Y = 3) et PV (Y = 3).
b. En déduire la probabilité P(Y = 3).

10.10 On tire une boule au hasard dans une urne contenant n boules blanches et m boules
noires. On note X la variable aléatoire qui vaut 1 si l’on obtient une boule blanche et 0 si l’on
obtient une boule noire. Quelle est la loi de X ?

10.11 On procède à n lancers d’un dé dont les six faces sont numérotées de 1 à 6. On note
X la variable aléatoire égale au nombre de fois où l’on obtient un numéro pair. Quelle est la
loi de X ?

10.12 Une urne contient a boules blanches et b boules noires. On effectue deux tirages
successifs, en remettant à chaque fois la boule tirée.
1. Soit X 1 la variable aléatoire égale au rang de tirage de la première boule blanche. Re-
connaître la loi de X 1 et donner sans calculs E(X 1 ) et V(X 1 ).
2. Soit X 2 la variable aléatoire égale au rang de tirage de la deuxième boule blanche. Don-
ner la loi de X 2 et calculer son espérance.
3. Comparer E(X 1 ) et E(X 2 ). Commentaire ?

16
Cours de mathématiques ECT1

10.13 On considère une pièce dont la probabilité d’avoir pile est de 0,3. On lance la pièce
10 fois. Quelle est la probabilité d’obtenir 3 piles ?

10.14 A chaque balade à cheval qu’il effectue, la probabilité que le cavalier soit désarçonné
1
est égale à .
4
1. Quelle est la probabilité qu’il ait fait 2 chutes au terme de 10 balades ?
2. Sachant que 3 chutes entraînent obligatoirement une blessure grave, quelle est la pro-
babilité qu’il ne soit pas blessé après ces 10 balades ?

10.15 Extrait de ESC 2014

Un immeuble est constitué de 3 étages. Dans le hall de l’immeuble on peut accéder à un

ascenseur qui distribue chaque étage. 5 personnes montent ensemble dans l’ascenseur. On
suppose que chacune d’elles souhaite monter à l’un des trois étages de manière équipro-
bable et indépendamment des 4 autres. On suppose également que l’ascenseur dessert les
étages demandés dans l’ordre et qu’il ne revient pas en arrière.
On note X 1 la variable aléatoire égale au nombre de personnes s’arrêtant à l’étage numéro
1, X 2 la variable aléatoire égale au nombre de personnes s’arrêtant à l’étage numéro 2 et X 3
celle égale au nombre de personnes s’arrêtant à l’étage numéro 3.
1. a. Reconnaître la loi de X 1 . Décrire l’ensemnle X 1 (Ω) des valeurs prises par X 1 . Don-
ner P(X 1 = k) pour chaque k appartenant à X 1 (Ω).
b. Donner E(X 1 ) et V(X 1 ).
c. Expliquer pourquoi X 2 et X 2 suivent la même loi que X 1 .
2. a. Justifier que X 1 + X 2 + X 3 = 5.
b. En déduire la probabilité P((X 1 = 0) ∩ (X 2 = 0)).
1
c. Montrer que la probabilité que l’ascenseur ne s’arrête qu’une fois est .
81
3. On considère la variable aléatoire Z égale au nombre d’arrêts de l’ascenseur. D’après
1
2.c), on a P(Z = 1) = . Déterminer l’ensemble Z(Ω) des valeurs prises par Z.
81
4. Soit Y1 la variable aléatoire de Bernoulli égale à 1 si l’ascenseur s’arrête au premier
étage et à 0 sinon. On définit de même les variables aléatoires Y2 et Y3 pour les étages
2 et 3.
a. Justifier que P(Y1 = 0) = P(X 1 = 0).
b. En déduire P(Y1 = 0) puis E(Y1 ). On admet que Y2 et Y3 suivent la même loi que Y1
et qu’elles ont donc la même espérance.
c. Exprimer Z en fonction de Y1 , Y2 et Y3 . Calculer E(Z) et vérifier que

211
E(Z) =
81

17
Cours de mathématiques ECT1

10.16 Extrait de ECRICOME 2013

Une entreprise fabrique des appareils électriques en grande quantité.

Partie I - Probabilités conditionnelles

On admet que 5% des appareils présentent un défaut.

On contrôle les appareils d’un lot. Ce contrôle refuse 90% des appareils avec défaut et ac-
cepte 80% des appareils sans défaut. On prélève au hasard dans le lot.

On considère les évènements suivants :

• D : « l’appareil a un défaut » ;
• A : « l’appareil est accepté à l’issue du contrôle ».

1. Donner la valeur des probabilités et probabilités conditionnelles suivantes :

P(D) , P(D) , PD (A) , PD (A) , PD (A) .

2. Calculer à 0,01 près les probabilités suivantes :

P(A ∩ D) , P(A ∩ D)

3. Déduire de ce qui précède la probabilité P(A) à 0,001 près.

4. Calculer à 0,001 près la probabilité qu’un appareil soit défectueux sachant qu’il a été
accepté par le contrôle.

Partie II - Loi binomiale

On prélève au hasard 10 appareils électriques d’une livraison pour vérification. La livraison

étant suffisamment importante pour que l’on puisse assimiler ce prélèvement à un tirage
avec remise des appareils. On rappelle que 5% des appareils présentent un défaut.
On considère la variable aléatoire X qui, à tout prélèvement de 10 appareils, associe le nombre
d’appareils sans défaut de ce prélèvement.
1. Justifier que X suit une loi binomiale dont on déterminera les paramètres. Préciser
X(Ω) et, pour tout k ∈ X(Ω), donner la valeur de P(X = k).
2. Donner la probabilité que, dans un tel prélèvement, tous les appareils soient sans dé-
faut.
3. Donner la probabilité que, dans un tel prélèvement, au moins un appareil ait un dé-
faut.

10.17 Extrait de ESC 2012

Un professeur interroge ses élèves en posant une liste de 20 questions. Pour chaque ques-
tion, il y a trois réponses possibles, une seule étant la bonne réponse. L’élève A répond au
questionnaire. On suppose que :

18
Cours de mathématiques ECT1

• l’élève A ne connaît que 60% de son cours, c’est-à-dire que, pour chaque question, la
60
probabilité qu’il connaisse la réponse est 100 ;
• Lorsqu’il ne connait pas une réponse à une question, il répond au hasard ;
• les questions posées sont mutuellement indépendantes.
On considère les évènements :
• R : « l’élève A connaît la réponse à la première question ».
• J : « l’élève A répond juste à la première question ».

11
1. Montrer en utilisant la formule des probabilités totales que P(J) = 15 .
Soit X la variable aléatoire égale au nombre de réponses exactes données par l’élève
aux vingt questions.
2. Reconnaître la loi de X. On donnera les valeurs prises par X et, pour chacune de ces
valeurs k, la valeur de P(X = k).
3. Donner E(X) et V(X) l’espérance et la variance de X.
4. Pour sanctionner les choix faits au hasard, le professeur décide d’accorder un point
par réponse exacte et de retirer deux points par réponse fausse.
Soit N la variable aléatoire égale à la note obtenue par l’élève A.
a. Justifier l’égalité : N = 3X − 40.
b. En déduire l’espérance de N ainsi que sa variance.
L’élève B répond lui aussi au questionnaire. On suppose que comme l’élève A, il ne
connaît que 60% de son cours. Mais il choisit de ne répondre qu’aux questions dont il
connaît la réponse.
5. Soit Y la variable aléatoire égale au nombre de bonnes réponses de l’élève B.
a. Déterminer la loi de Y.
b. En déduire la note que l’élève B obtient en moyenne.
c. En moyenne, entre l’élève A et l’élève B, quelle est la meilleure stratégie pour ob-
tenir une bonne note ?

19
 5. TABLE DES MATIÈRES
1 Généralités sur les variables aléatoires 2
1.1 Définitions et exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Évènements associés à une variable aléatoire . . . . . . . . . . . . . . . . . . . . 2
1.3 Loi d’une variable aléatoire discrète . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Fonction de répartition d’une variable aléatoire . . . . . . . . . . . . . . . . . . . 4

2 Moments d’une variable aléatoire discrète 6

2.1 Espérance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2 Variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

3 Lois usuelles 9
3.1 Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2 Loi de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.3 Loi binomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.4 Formule du binôme de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

4 Exercices 15