Académique Documents
Professionnel Documents
Culture Documents
Chapitre 10
Variables aléatoires réelles
Adrien Fontaine
Année scolaire 2020–2021
Cours de mathématiques ECT1
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).
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}
[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
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)}
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.
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
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
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 :
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
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
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
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.
2.1. 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
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 :
6
Cours de mathématiques ECT1
6
X 1X 6 7
E(X) = kP(X = k) = k= .
k=1 6 k=1 2
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
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
Remarque : La variance mesure la dispersion de la variable aléatoire par rapport à son espé-
rance.
pour la calculer.
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) .
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
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).
9
Cours de mathématiques ECT1
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
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 :
10
Cours de mathématiques ECT1
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
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}
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
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
12
Cours de mathématiques ECT1
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
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 :
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 note X la variable aléatoire qui associe le nombre de bons portant la mention « Livraison
Express ».
E(x) = 30 × 0, 4 = 12
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.
10.3 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.
10.10 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 ?
211
E(Z) =
81
17
Cours de mathématiques ECT1
P(A ∩ D) , P(A ∩ D)
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
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