Chapitre 13

Sommes de variables aléatoires

I Produit par un réel et somme de variables aléatoires

Définition 1
Soient Ω = {e1 ; . . . ; em } et Ω′ = {e′1 ; . . . ; e′n } deux univers finis. Soient X et Y deux variables aléatoires défi-
nies sur Ω (respectivement Ω′ ) qui à chaque issue ei (respectivement e′j ) associent un réel xi (respectivement
x′j ).
• Soit a ∈ R. La variable aléatoire Z = aX est la variable aléatoire qui à chaque issue ei de Ω associe
le réel a × xi , avec des probabilités inchangées : P (Z = axi ) = P (X = xi ).
• La somme des variables X et Y est la variable aléatoire S = X + Y qui à chaque couple d’issues
(ei ; e′j ) associe xi + yj . Pour chaque valeur de la somme sk prise par S, la probabilité P (S = sk ) est
la somme de toutes les probabilités P ({X = xi } ∩ {Y = yj }) telles que xi + yj = sk .

Définition 2 (Variables aléatoires indépendantes)

• Deux épreuves aléatoires successives sont dites indépendantes si le résultat de l’une n’a aucune
influence sur le résultat de l’autre.
• Deux variables aléatoires X et Y sont dites indépendantes si elles sont associées à deux épreuves
indépendantes. Dans ce cas, on a l’égalité :

P ({X = xi } ∩ {Y = yj }) = P (X = xi ) × P (Y = yj )

Exemple 1
On jette un jeton mal équilibré marqué 0 ou 1, où la probabilité de tomber sur 0 est 0, 7. On lance ensuite suivi
d’un dé bien équilibré à 4 faces. Soit X la variables aléatoire qui associe le numéro du jeton obtenu, et Y la
variable aléatoire qui associe le numéro du dé.
Donner la loi de probabilité de Z = 3Y et de S = X + Y .

1
T SPÉ MATHS Chapitre 13 : Sommes de variables aléatoires 2023-2024

Exemple 2 (cas indépendant, cas dépendant)

Une urne contient trois jetons marqués "0" et deux jetons marqués "1". Soit X la variable aléatoire qui associe
le numéro obtenu au premier tirage et Y celle qui associe le numéro du deuxième tirage.
Déterminer la loi de S = X + Y dans le cas :
1. où le tirage se fait avec remise
2. où le tirage se fait sans remise

II Propriétés de l’espérance et de la variance

Propriété 1 (linéarité de l’espérance)

• Soit X une variable aléatoire, et a ∈ R. Alors on a :

E(aX) = aE(X) ; V (aX) = a2 V (X) ; σ(aX) = |a|σ(X)

• Soient X et Y deux variables aléatoires. Alors on a :

E(X + Y ) = E(X) + E(Y )

• Plus généralement, si X1 , . . . , Xn sont n variables aléatoires, on a :

E(X1 + · · · + Xn ) = E(X1 ) + · · · + E(Xn )

Exemple 3
Une entreprise fabrique des machines. Soit X la variable aléatoire qui, pour un mois choisi au hasard, associe
le nombre de machines vendues pendant cette période. Une étude statistique permet d’obtenir la loi de X :

xi 0 1 2 3 4 5 6
P (X = xi ) 0, 04 0, 08 0, 12 0, 28 0, 25 0, 17 0, 06

2
T SPÉ MATHS Chapitre 13 : Sommes de variables aléatoires 2023-2024

1. Calculer E(X).
2. La vente de chaque machine rapporte 5000 e. On note Y la variable aléatoire qui à un mois pris au hasard
associe le résultat de l’entreprise, en euros. Calculer l’espérance de Y et interpréter le résultat.
3. Un second atelier ouvre et on note Z la variable aléatoire qui à un mois pris au hasard associe le résultat
en euros du second atelier durant cette période. On donne E(Z) = 20000 et on suppose que les deux
ateliers ne se font pas concurrence et que leurs chiffres d’affaires sont indépendants.
Calculer le gain mensuel moyen total de l’entreprise.

Propriété 2 (variance, cas indépendant)

Soient X et Y deux variables aléatoires indépendantes. Alors :

V (X + Y ) = V (X) + V (Y )

III Échantillon d’une loi de probabilité

1) Échantillon de taille n d’une loi de probabilité

Définition 3
Soit X une variable aléatoire définie sur l’univers Ω associé à une expérience aléatoire. On appelle échan-
tillon de taille n de la loi de X, une liste (X1 , X2 , . . . , Xn ) de variables aléatoires indépendantes et
identiques, de même loi que X.

Exemple 4
Proposer un contexte et un échantillon de taille 8 de la loi de X ∼ B(5; 0, 1).

3
T SPÉ MATHS Chapitre 13 : Sommes de variables aléatoires 2023-2024

2) Somme et moyenne d’un échantillon

Définition 4
Soit (X1 , . . . , Xn ) un échantillon de taille n de la loi de X.
• La variable aléatoire somme de l’échantillon est la variable aléatoire Sn = X1 + · · · + Xn .
1
• La variable aléatoire moyenne de l’échantillon est la variable aléatoire Mn = Sn .
n

Propriété 3
• Soit Sn la variable aléatoire somme d’un échantillon de taille n de la variable aléatoire X. Alors :
√
E(Sn ) = nE(X) ; V (Sn ) = nV (X) ; σ(Sn ) = nσ(X)

• Soit Mn la variable aléatoire moyenne d’un échantillon de taille n de la variable aléatoire X. Alors :
1 1
E(Mn ) = E(X) ; V (Mn ) = V (X) ; σ(Mn ) = √ σ(X)
n n

Démonstration

Remarque
1
Le fait que V (Mn ) = V (X) montre que la variance d’un échantillon diminue quand la taille de l’échantillon
n
augmente. Elle quantifie la fluctuation d’échantillonnage, c’est-à-dire l’écart moyen entre les valeurs prises
par la variable aléatoire et son espérance.

4
T SPÉ MATHS Chapitre 13 : Sommes de variables aléatoires 2023-2024

Exemple 5 (représenter une variable aléatoire comme somme de variables plus simples)
On étudie la marche aléatoire d’une particule se déplaçant sur les points d’abscisses entières d’un axe gradué
d’origine O. La particule est à l’origine au temps 0 et se déplace à chaque unité de temps d’une unité, soit vers
1
la droite soit vers la gauche, avec probabilité pour chacune.
2
Soit n ∈ N et on note Sn la position de la particule à l’instant n.
1. Écrire Sn comme la somme de variables aléatoires identiques et indépendantes. Calculer l’espérance et la
variance de chacune de ces variables aléatoires.
2. En déduire E(Sn ), V (Sn ) et σ(Sn ).

3) Cas de la loi binomiale comme somme d’un échantillon de loi de Bernoulli

Propriété 4
Soit X une variable aléatoire suivant une loi binomiale de paramètres n et p. Alors
»
E(X) = np ; V (X) = np(1 − p) ; σ(X) = np(1 − p)

Démonstration (au programme !)

5
T SPÉ MATHS Chapitre 13 : Sommes de variables aléatoires 2023-2024

Exemple 6 (utiliser la somme et la moyenne d’un échantillon)

Une étude a été réalisée sur le temps d’attente, en secondes, subi par la clientèle avant d’être prise en commu-
nication avec un standardiste.
La variable aléatoire T , qui associe à tout client son temps d’attente, a pour espérance E(T ) = 18 et pour
écart-type σ(T ) = 7.
On estime que la probabilité qu’un client ait une attente de plus de 20 secondes est égale à 0, 4.
1. Au cours d’une même semaine, un même client passe cinq appels, indépendants les uns des autres. On
note X la variable aléatoire exprimant le nombre de fois où, au cours de ces cinq appels, le client a attendu
plus de 20 secondes. Calculer E(X) et σ(X).
2. Dans le but de diminuer le temps d’attente, on effectue une enquête sur 100 clients. Soit Y la variable
aléatoire mesurant le temps d’attente moyen, exprimé en secondes, pour un échantillon de 100 clients pris
au hasard. Calculer E(Y ) et σ(Y ).