Exercices corrigés de

probabilités et statistique
Université Paris 1 Panthéon-Sorbonne

Cours de deuxième année de licence de sciences économiques

Fabrice Rossi

Cette œuvre est mise à disposition selon les termes de la licence Creative
Commons Paternité - Partage à l’Identique 3.0 non transposé.
Table des matières

Table des matières iii

1 Expériences aléatoires et dénombrement 1

2 Conditionnement et indépendance 11

3 Variables aléatoires discrètes 21

4 Lois discrètes classiques 29

5 Variables aléatoires continues 35

6 Lois continues classiques 43

7 Variable fonction d’une autre variable 49

8 Couples de variables aléatoires 55

Évolutions de ce document 63

iii
Introduction

Ce document propose des exercices corrigés illustrant le cours de probabilités

et statistique. Les corrections sont abondamment commentées pour faciliter la
compréhension et expliciter le raisonnement qui conduit à la bonne solution.
On trouve ainsi à la suite de l’énoncé d’un exercice une série de commentaires
encadrant des éléments de correction. La réponse attendue lors d’une évaluation
est constituée de l’ensemble des éléments de correction, à l’exclusion, bien
entendu, des commentaires. Pour faciliter la séparation entre correction et
commentaires, les éléments de correction sont présentés comme suit :
Correction
Un élément de correction.

Pour profiter au maximum de ce recueil, il est très vivement conseillé de lire

l’énoncé seulement, puis de rédiger une correction exhaustive (et pas seulement
un brouillon) en se mettant dans les conditions d’une évaluation, c’est-à-dire
en se chronométrant, en n’utilisant pas de calculatrice et, enfin, en s’abstenant
de consulter des notes de cours ou d’autres documents. Une fois la correction
rédigée, on pourra la confronter à la correction type, en repérant notamment les
justifications manquantes. On pourra aussi rechercher dans les commentaires
un éventuel raisonnement faux typique, si la correction rédigée est fortement
éloignée de la correction type.

v
Chapitre 1

Expériences aléatoires et
dénombrement

Exercice 1.1
Énoncé On étudie les connexions d’internautes à un site web. Celui-ci propose
six versions de son contenu, réparties en trois versions anglaises (notées en) et
trois versions françaises (notées f r). Pour chaque langue, les trois versions sont
les suivantes : une version normale (n), une version pour les petits écrans comme
ceux des téléphones (p) et une version pour les écrans de taille moyenne comme
ceux des tablettes (m). En étudiant l’historique des connexions, on constate que
les versions ne sont pas utilisées de façon uniforme. Plus précisément, si on
choisit un internaute connecté au hasard, la probabilité de tomber sur chacune
des versions est donnée par la table suivante :

version (f r,n) (f r,p) (f r,m) (en,n) (en,p) (en,m)

5 1 4 3
P({version}) a 21 21 21 b 21

Dans la table, chaque version est désignée par sa langue et son type. L’ensemble
des six versions forme l’univers Ω. Les lettres a et b désignent des paramètres
à déterminer.
Question 1 Quelles propriétés doivent vérifier a et b pour que P soit bien une
probabilité sur Ω ?
Question 2 On constate que le site a deux fois plus d’utilisateurs anglophones
que d’utilisateurs francophones. En déduite a et b.
Question 3 Quel pourcentage d’utilisateurs du site consultent la version pour
petit écran ?

Dans cet exercice, l’univers est déjà fixé et l’objectif est de construire une proba-
bilité sur cet univers. Les questions ont pour objectif de tester la connaissance
des propriétés d’une probabilité.

1
2 CHAPITRE 1. EXPÉRIENCES ALÉATOIRES ET DÉNOMBREMENT

Correction
Pour que P soit une probabilité sur Ω, il faut que P({version}) ∈ [0,1]
pour toute version du site web. En particulier, on doit donc avoir :

P({(f r,n)}) = a ∈ [0,1],

P({(en,p)}) = b ∈ [0,1].

De plus, on doit avoir P(Ω) = 1. Or, Ω est l’union disjointe de tous

les évènements élémentaires et P(Ω) est donc la somme des probabilités
indiquées dans le tableau. On a donc :
5 1 4 3
P(Ω) = a + + + +b+ = 1,
21 21 21 21
soit
8
a+b= .
21

Il est fréquent que la solution proposée ne soit pas aussi bien justifiée que ce qui
précède. Il est pourtant important de ne pas oublier les conditions de la forme
a ∈ [0,1] et surtout de justifier qu’on peut faire la somme des valeurs données
dans le tableau. Il se pourrait en effet que Ω ne soit pas couvert complètement
par les éléments du tableau (imaginons ici une version allemande du site pour
laquelle on ne donne pas de probabilités précises), et il faudrait donc connaître
la probabilité de l’ensemble des évènements élémentaires listés dans le tableau
pour remplacer l’analyse basée sur P(Ω) = 1.
Correction
Le site ayant deux fois plus d’utilisateurs anglophones que francophones, on
suppose que P({version anglaise}) = 2P({version française}). Or l’évène-
ment {version anglaise} est l’union disjointe des trois évènements {(en,n)},
{(en,p)} et {(en,m)} et donc la probabilité de l’évènement est la somme
des probabilités des trois évènements élémentaires. Donc, d’après le tableau,
on a
4 3
P({version anglaise}) = +b+ ,
21 21
7
=b+ .
21
De la même façon, on trouve que
5 1
P({version française}) = a + + ,
21 21
6
=a+ ,
21
 3

soit finalement  
7 6
b+ =2 a+ .
21 21
En combinant cette équation avec le résultat obtenu à la question précédent,
8
à savoir a + b = 21 , on trouve
 
7 8 6
b+ =2 −b+ ,
21 21 21

soit b = 13 et a = 21
1
. On constate que a et b sont bien des éléments de
[0,1] ce qui montre que cette solution est acceptable.
Comme pour la première question, il faut justifier les réponses en évoquant
au moins une fois la décomposition d’un évènement bien choisi en évènements
dont on connaît les probabilités. La dernière question se traite de cette façon
aussi.
Correction
L’évènement {petit écran} est l’union disjointe des évènements {(en,p)}
et {(f r,p)}, donc sa probabilité est la somme des probabilités de ces deux
évènements. On obtient ainsi :
5 12
P({petit écran}) = P({(en,p)}) + P({(f r,p)}) = +b= .
21 21

Exercice 1.2
Énoncé On place dans un sac 5 billets de 5 e, 7 billets de 10 e et 10 billets
de 20 e. On choisit au hasard une poignée de 8 billets, chaque billet ayant la
même probabilité d’être attrapé.
Question 1 Quelle est la probabilité de n’avoir choisi aucun billet de 5 e ?
Question 2 Quelle est la probabilité d’avoir obtenu uniquement des billets de
20 e ?
Question 3 Quelle est la probabilité d’avoir obtenu au moins un billet de
chaque valeur ?
Question 4 On recommence l’expérience en tirant les billets un par un et en
remettant le billet dans le sac après son tirage. Calculer les probabilités des
trois évènements ci-dessus dans cette nouvelle expérience.

Comme dans tout exercice de probabilité qui ne fait pas intervenir de variables
aléatoires, on doit commencer la résolution par la définition de l’univers Ω
associé à l’expérience. On rencontre ici une difficulté classique : les billets d’une
catégorie ne sont pas (facilement) discernables. On pourrait donc être tenté
4 CHAPITRE 1. EXPÉRIENCES ALÉATOIRES ET DÉNOMBREMENT

de tenir compte de ce fait dans Ω : c’est en général une mauvaise idée. On

suppose donc les billets discernables (numérotés, par exemple).
Correction
On suppose les billets discernables. On appelle c1 , . . . , c5 les 5 billets de 5
e, d1 , . . . , d7 les 7 billets de 10 e et v1 , . . . , v10 les 10 billets de 20 e. On
note l’ensemble des billets B, avec

B = {c1 , . . . , c5 , d1 , . . . , d7 , v1 , . . . , v10 } .

L’univers de l’expérience aléatoire, Ω, est constitué de tous les ensembles

de 8 billets distincts, soit donc

Ω = {{b1 , . . . , b8 } | ∀i, bi ∈ B et ∀j 6= i, bi 6= bj } .

La définition de l’univers est ici très formelle. On peut se contenter d’une

définition plus informelle, à condition de bien faire ressortir dans celle-ci deux
éléments cruciaux de l’énoncé : le nombre d’éléments choisis (ici 8) et la
nature du tirage. Ici, on indique qu’on tire une poignée de billets, ce qui
implique qu’il n’y a pas de remise et qu’il n’y a pas d’ordre. Ceci est traduit
mathématiquement par le fait qu’on considère un ensemble de billets (et pas
une liste) et que les billets sont distincts. Ces deux mots clé (ensemble et
distinct) doivent impérativement apparaître dans la réponse. Il faut aussi faire
apparaître l’ensemble des objets dans lequel les sous-ensembles sont choisis (ici,
B).
Il faut maintenant définir la probabilité sur Ω. Comme dans de nombreuses
situations, on fait une hypothèse naturelle d’équiprobabilité, ce qui transforme
le calcul d’une probabilité en celui de la taille d’un ensemble.
Correction
Les billets étant équiprobables, on suppose que la probabilité est uniforme
que Ω et donc que pour tout évènement A, sa probabilité P(A) est donnée
par
|A|
P(A) = .
|Ω|
On sait que |Ω| est donné par C228 car il s’agit de l’ensemble des sous-

ensembles de cardinal 8 de l’ensemble B qui est lui même de cardinal

22.

Notons qu’il est important de justifier brièvement le choix de la probabilité

uniforme (comme c’est fait ici) et de rappeler le mode de calcul des probabilités
dans cette situation.
Une fois l’expérience décrite par son univers et la probabilité associée,
on peut passer aux questions proprement dites. En général, les « solutions »
 5

obtenues en s’attaquant directement aux questions sans passer par la phase de

modélisation sont totalement fausses.
Correction
Soit l’évènement A = {n’avoir aucun billet de 5 e}. Il est clair que A peut
aussi s’exprimer

A = {avoir uniquement des billets de 10 e et de 20 e}.

On cherche donc les sous-ensembles de 8 billets distincts choisis dans B 0 ,

l’ensemble des 17 billets de 10 e et 20 e. On en déduit alors que |A| = C17
8 ,

puis que
8
C17 17! 14!8! 17 × 16 × · · · × 10
P(A) = 8 = = ' 0, 076
C22 9!8! 22! 22 × 21 × · · · × 15

Notons que le résultat attendu est simplement celui qui fait apparaître les
formules explicites pour les Cnp . La simplification du résultat et la valeur
numérique approchée ne doivent pas être fournies en général.
On peut interpréter le résultat sous forme d’un tirage séquentiel. Il est clair
en effet que la probabilité de tirer un unique billet qui ne soit pas de 5 e est
de 1722 . Si on tire ensuite un deuxième billet sans remettre le premier, il ne
reste plus que 21 billets, dont seulement 16 ne sont pas de 5 e. La probabilité
de ne pas tomber sur un billet de 5 e devient donc 16 15
21 , puis 20 et ainsi de
10
suite jusqu’à 15 pour le huitième billet. En formalisant ce raisonnement et en
s’appuyant sur la notion de probabilités conditionnelles, on peut retrouver le
résultat sur P(A). Il est cependant beaucoup plus simple de déterminer la taille
de A en s’appuyant sur des propriétés connues.
Notons qu’il ne faut surtout pas chercher à déterminer la composition de
la poignée de billets ne contenant pas de billets de 5 e au risque de perdre
beaucoup de temps. Cet exercice se différencie donc d’autres exercices dans
lesquels on étudie une partie complexe de Ω en la décomposant en parties
plus simples. Ici, on s’intéresse toujours à des sous-ensembles de taille huit,
mais on change l’ensemble dont ils sont des parties : on passe de B tout entier
(l’ensemble des 22 billets) à un sous-ensemble de B. On procède exactement de
la même façon pour la question suivante.
Correction
Soit l’évènement D = {obtenir uniquement des billets de 20 e}. On
cherche ainsi les sous-ensembles de taille 8 billets choisis dans l’ensemble
des 10 billets de 20 e. On donc |D| = C10 8 et

8
C10 10! 14!8!
P(D) = 8 = ' 1, 41 10−4 .
C22 8!8! 22!
6 CHAPITRE 1. EXPÉRIENCES ALÉATOIRES ET DÉNOMBREMENT

La troisième question se traite d’une façon assez différente car elle nécessite de
réécrire l’évènement.
Correction
Soit l’évènement

E = {obtenir au moins un billet de chaque valeur}.

On étudie son complémentaire F = E qu’on décompose en deux sous-

évènements disjoints :

F1 = {obtenir des billets d’une seule valeur}

F2 = {obtenir des billets de deux valeurs}.

F1 est en fait l’évènement

F1 = {obtenir uniquement des billets de 20 e} = D,

car il n’y a pas assez de billets de 5 e et de 10 e pour obtenir une poignée

de 8 billets composée uniquement de l’une ou l’autre des valeurs. On sait
déjà que |F1 | = C108 . On décompose F en trois sous-ensembles disjoints :
2

G5 = {obtenir des billets de 10 e et de 20 e, et pas de 5 e},

G10 = {obtenir des billets de 5 e et de 20 e, et pas de 10 e},
G20 = {obtenir des billets de 5 e et de 10 e, et pas de 20 e}.

On remarque que

G20 = {n’avoir aucun billet de 20 e}.

En effet, comme il y a strictement moins de 8 billets de 5 e et de 10 e, ne

pas obtenir de billet de 20 e implique d’obtenir au moins un billet de 5
e et au moins un billet de 10 e. D’après le raisonnement de la première
8 .
question, on a donc |G20 | = C12
On remarque aussi que

G5 = {aucun billet de 5 e} \ {uniquement des billets de 20 e}.

D’après la question 1, |{aucun billet de 5 e}| = C17

8 , alors que d’après la

question 2, |{uniquement des billets de 20 e}| = C10

8 . On a donc

8 8
|G5 | = C17 − C10 .
 7

Un raisonnement similaire conduit à

8 8
|G10 | = C15 − C10 .

Finalement, on a

|F | = |F1 | + |G5 | + |G10 | + |G20 |

8 8 8 8 8 8
= C10 + C17 − C10 + C15 − C10 + C12
8 8 8 8
= C17 + C15 + C12 − C10

On a donc
8 + C8 + C8 − C8
C17 15 12 10
P(E) = 1 − P(F ) = 1 − 8 ' 0, 902.
C22
Cette question est beaucoup plus complexe que les précédentes et peut conduire
à des solutions fausses de façon malheureusement assez naturelle. Il est fréquent
par exemple de confondre les évènements G5 et A. Or, dans G5 , on considère les
poignées qui ne contiennent pas de billet de 5 e mais qui contiennent aussi au
moins un billet de 10 e et au moins un billet de 20 e. L’évènement A est moins
restrictif car il demande seulement de ne pas avoir de billet de 5 e. On peut
donc obtenir une poignée ne contenant que des billets de 20 e. Pour trouver
|G5 |, on doit donc enlever de A les poignées ne contenant que des billets de 20
e.
Une autre erreur classique consiste à essayer de construire les résultats
de l’expérience qui constituent l’évènement étudié. Cette stratégie fonctionne
très bien dans certaines situations, mais elle est parfois délicate à mettre en
œuvre. Dans la question précédente, on étudie donc des sous-ensembles de
8 billets contenant au moins un billet de chaque valeur. Pour obtenir un tel
sous-ensemble, on peut donc choisir un billet de 5 e (soit 5 possibilités), un
billet de 10 e (7 possibilités), un billet de 20 e (10 possibilités) et enfin 5
billets quelconques parmi les 19 billets restants (soit donc C19 5 possibilités). Les

choix étant indépendants, on obtient 5 × 7 × 10 × C19 5 façons de construire une

poignée de 8 billets.
Le problème est qu’on construit de cette façon plusieurs fois les mêmes
poignées, ce qui revient à les compter plusieurs fois. Si on choisit par exemple les
billets (c1 , d1 , v1 ) puis la poignée {c2 , c3 , d2 , d3 , v2 }, on obtient la même poignée
que si on commence par choisir (c2 , d2 , v2 ) puis la poignée {c1 , c3 , d1 , d3 , v1 }.
En fait 5 × 7 × 10 × C19 5 = 4 069 800 alors que C 8 = 319 770 : on compte donc
22
de très nombreuses fois les mêmes poignées. Il faudrait ainsi trouver un moyen
d’éviter ces constructions redondantes, ce qui est assez complexe. La meilleure
solution reste alors la technique de décomposition utilisée dans la correction.
Le traitement de la question 4 nécessite l’introduction d’un nouvel univers.
Comme indiqué plus haut, cette étape est indispensable pour obtenir des
résultats corrects.
8 CHAPITRE 1. EXPÉRIENCES ALÉATOIRES ET DÉNOMBREMENT

Correction
Le tirage étant maintenant séquentiel, on obtient une liste de billets. De
plus, comme les billets sont remis dans le sac, on peut obtenir plusieurs
fois le même. L’univers est donc le produit cartésien B 8 , soit

Ω = {(b1 , . . . , b8 ) | ∀i, bi ∈ B}.

Comme dans la définition du premier univers, on attend ici des expressions clé
importantes : liste (par opposition à ensemble et pour tenir compte de l’ordre
dans le tirage) et plusieurs fois le même (par opposition à distinct et pour
traduire la remise entre chaque tirage).
On introduit ensuite la probabilité sur Ω.
Correction
Comme dans les questions précédents, on utilise la probabilité uniforme
sur Ω, ce qui demande le calcul du cardinal de cet ensemble. Comme c’est
un produit cartésien, on a

|Ω| = |B|8 = 228 .

Le calcul des trois probabilités se fait ensuite assez facilement en utilisant les
mêmes raisonnements que dans la première expérience, avec les adaptations
nécessaires au mode de tirage.
Correction
On considère l’évènement A = {n’avoir aucun billet de 5 e}. Comme pour
la question 1, il s’agit de trouver les tirages ne contenant que des billets
de 10 e et de 20 e. On cherche donc les listes de 8 billets choisis dans
B 0 , l’ensemble des billets de 10 e et de 20 e. On a donc clairement
|A| = |B 0 |8 = 178 . Donc

178
P(A) = ' 0, 127.
228
De même, l’évènement D = {obtenir uniquement des billets de 20 e} se
traite comme à la question : il s’agit de trouver des listes de 8 billets choisis
parmi les 10 billets de 20 e. On a clairement 108 listes de ce type, ce qui
conduit à
108
P(D) = 8 ' 1, 82 10−3 .
22
Enfin, l’évènement

E = {obtenir au moins un billet de chaque valeur},

 9

se traite par décomposition exactement comme dans la question 3. En utili-

sant les mêmes notations, on cherche donc la taille de son complémentaire
F en passant par F1 et F2 . Une différence avec la question 3 est qu’on
peut obtenir ici des listes de 8 billets contenant uniquement des billets
de 5 e, ou uniquement des billets de 10 e car on remet les billets. On
décompose donc F1 en trois sous-évènements disjoints :

H5 = {obtenir uniquement des billets de 5 e},

H10 = {obtenir uniquement des billets de 10 e},
H20 = {obtenir uniquement des billets de 20 e}.

Dans chaque cas, on cherche des listes constituées uniquement des billets
d’un catégorie, ce qui conduit à un ensemble contenant k 8 listes si on
considère k billets. On a donc

|H5 | = 58 ,
|H10 | = 78 ,
|H20 | = 108 .

Le calcul des cardinaux de G5 , G10 et G20 se fait selon les mêmes principes
que dans la question 3 : on compte d’abord le nombre de listes ne contenant
pas de billets de la valeur non souhaitée, puis on enlève au total le nombre
de listes composées uniquement d’un type de billet. On obtient ainsi :

|G5 | = (7 + 10)8 − 78
|{z} − 108
|{z} ,
| {z }
pas de 5 e uniquement des 10 e uniquement des 20 e
8 8 8
|G10 | = (5 + 10) − 5 − 10 ,
|G20 | = (5 + 7)8 − 58 − 78 .

Finalement, on a

|F | = |H5 | + |H10 | + |H20 | + |G5 | + |G10 | + |G20 |,

= 178 + 158 + 128 − 58 − 78 − 108 ,

ce qui donne

178 + 158 + 128 − 58 − 78 − 108

P(E) = 1 − P(F ) = 1 − ' 0, 820.
228
Chapitre 2

Conditionnement et
indépendance

Exercice 2.1
Énoncé On considère le jeu suivant : le joueur lance d’abord un dé non truqué.
Il tire ensuite un jeton dans une urne choisie en fonction du résultat du dé.
L’urne A est choisie quand le dé donne 1, 2 ou 3, l’urne B quand on obtient 4
ou 5 et l’urne C quand on obtient 6. Les urnes contiennent les jetons suivants :

urne A : deux jetons rouges, trois jetons bleus ;

urne B : deux jetons bleus, quatre jetons verts ;
urne C : un jeton vert, un jeton rouge.

Question 1 Quelle est la probabilité d’obtenir un jeton rouge par ce procédé ?

Question 2 On obtient un jeton vert. Quelle est la probabilité que ce jeton
soit issu de l’urne B ?
Question 3 On obtient un jeton bleu. Quelle est la probabilité que le lancer
du dé ait donné 3 ?
Question 4 Quelle est la probabilité de ne pas obtenir un jeton vert, sachant
que le lancer du dé a donné 3 ou 6 ?
Question 5 Est-ce que l’évènement « choisir dans l’urne C »et l’évènement
« obtenir un jeton rouge »sont indépendants ? Justifiez votre réponse.

La résolution de l’exercice passe comme toujours par une première phase

de modélisation dans laquelle on traduit l’énoncé sous forme d’hypothèses
mathématiques.

11
12 CHAPITRE 2. CONDITIONNEMENT ET INDÉPENDANCE

Correction
On considère les évènements R, Bl et V qui correspondent respectivement
à l’obtention d’un jeton rouge, bleu ou vert à la fin de l’expérience. On
considère aussi les évènements A, B et C correspondant respectivement à
l’utilisation des urnes désignées par les mêmes lettres.
Comme le dé utilisé n’est pas truqué, on suppose que la probabilité sur
l’ensemble des faces du dé {1, . . . , 6} est uniforme. D’après l’énoncé, on a

P(A|{le dé donne 1, 2 ou 3}) = 1,

P(A|{le dé donne 4, 5 ou 6}) = 0.

La probabilité conditionnelle sur P(A|{le dé donne 1, 2 ou 3}) est la traduction

naturelle de la relation déterministe (c’est-à-dire non aléatoire) entre résultat
du lancer de dé et le choix de l’urne. De façon générale, on traduit un énoncé
de la forme « si U alors V » en P(V |U ) = 1.
Correction
Comme les évènements {le dé donne 1, 2 ou 3} et {le dé donne 4, 5 ou 6}
sont disjoints et que leur union forme l’univers tout entier (du point de
vue du lancer du dé), on peut appliquer la loi des probabilités totales. On
a donc

P(A) =P(A|{le dé donne 1, 2 ou 3})P({le dé donne 1, 2 ou 3})

+ P(A|{le dé donne 4, 5 ou 6})P({le dé donne 4, 5 ou 6}).

On a donc après simplification

|{1, 2, 3}| 1
P(A) = P({le dé donne 1, 2 ou 3}) = = .
|{1, 2, 3, 4, 5, 6}| 2

De la même façon, on obtient

1
P(B) = ,
3
1
P(C) = .
6

On peut obtenir les probabilités des trois évènements A, B et C d’une autre

façon en s’appuyant sur la notion de variable aléatoire, voir le chapitre 3. Dans
tous les cas, il est indispensable de s’appuyer sur des propriétés connues et des
définitions précises. Ici, on utilise la loi des probabilités totales. On commence
donc par indiquer que les hypothèses de celle-ci sont remplies (évènements
disjoints et dont l’union est l’univers), puis on applique la loi. On ne peut pas
se contenter de donner directement le résultat de cette application.
 13

Correction
Considérons le tirage d’un jeton dans l’urne A. L’univers correspondant
ΩA s’écrit
ΩA = {r1 , r2 , b1 , b2 , b3 },
où r1 et r2 sont les jetons rouges, et b1 , b2 , et b3 les jetons bleus. Les
jetons sont supposés discernables pour faciliter l’analyse. En l’absence
d’hypothèse particulière sur les urnes et les jetons, on suppose que la
probabilité sur ΩA , PA , est uniforme. On a donc

|{r1 , r2 }| 2
PA (R) = PA ({r1 , r2 }) = = .
|{r1 , r2 , b1 , b2 , b3 }| 5

De la même façon, on trouve

3
PA (Bl) = ,
5
PA (V ) = 0.

On a donc
2
P(R|A) = ,
5
3
P(Bl|A) = ,
5
P(V |A) = 0.

Un raisonnement similaire permet de calculer les autres probabilités condi-

tionnelles comme par exemple P(Bl|B) que nous utiliserons pour répondre
aux questions.

On note ici un passage de PA à P(.|A) : il s’agit de l’utilisation directe de la

notion de probabilité conditionnelle. Quand on travaille dans l’urne A, on fait
implicitement l’hypothèse que l’évènement A a eu lieu. Toute l’analyse conduite
sur l’urne A, en particulier son univers ΩA et la probabilité associée PA , n’est
donc valide que conditionnellement à l’évènement A. Les probabilités qu’on
obtient sont donc des probabilités conditionnelles.
La modélisation étant terminée, on peut passer à la résolution des questions.
Correction
Pour obtenir la probabilité de R (obtention d’un jeton rouge), on utilise
d’abord la loi des probabilités totales relativement aux évènements A, B
et C. En effet, ces trois évènements sont disjoints et leur union forme
14 CHAPITRE 2. CONDITIONNEMENT ET INDÉPENDANCE

l’univers tout entier (puisqu’on choisit toujours une urne). On a donc

P(R) = P(R|A)P(A) + P(R|B)P(B) + P(R|C)P(C).

Il nous reste à calculer P(R|B) et P(R|C). Or l’urne B ne contient pas de

jeton rouge, ce qui donne P(R|B) = 0. En appliquant le même raisonnement
que celui appliqué à l’urne A, on obtient que P(R|C) = 12 , car il y a deux
jetons dans l’urne C dont un seul est rouge. On a donc
2 1 1 1 1 17
P(R) = × +0× + × = .
5 2 3 2 6 60
Comme dans la phase d’analyse, il est indispensable de bien s’appuyer sur
des propriétés connues des probabilités. En fait, c’est encore plus crucial ici
que dans le calcul de P(A) par exemple. En effet, le recours aux probabilités
conditionnelles dans le calcul des probabilités des trois urnes est très rigoureux,
mais on peut accepter une solution plus intuitive qui consiste simplement à
traduire l’évènement A en un évènement correspondant pour le lancer du dé.
On peut dire en effet que

{obtenir l’urne A} = {le dé donne 1, 2 ou 3},

puis calculer P(A) par simple dénombrement. Ce type de raisonnement n’est

pas applicable pour la question 1 qui nécessite au contraire l’utilisation de la
loi des probabilités totales.
Correction
On cherche donc à calculer P(B|V ). On applique la règle de Bayes qui
donne
P(V |B)P(B)
P(B|V ) = .
P(V )
En appliquant toujours le même raisonnement, on voit que P(V |B) = 46 = 23
car l’urne B contient 6 jetons dont 4 sont verts. Pour calculer enfin P(V ),
on applique de nouveau la loi des probabilités totales qui donne

P(V ) = P(V |A)P(A) + P(V |B)P(B) + P(V |C)P(C).

Comme l’urne A ne contient pas de jeton vert, on a P(V |A) = 0. On a

aussi P(V |C) = 12 car l’urne C contient 2 jetons dont un est vert. On a
donc
1 2 1 1 1 11
P(V ) = 0 × + × + × = ,
2 3 3 2 6 36
ce qui conduit à
2
×1 8
P(B|V ) = 3 11 3 = .
36
11
 15

On note deux points importants dans la solution. Il faut d’abord traduire

correctement l’énoncé : ici on sait que V a eu lieu puisqu’on a obtenu un jeton
vert. On demande alors la probabilité de B, ce qui sous-entend qu’on cherche
la probabilité conditionnelle de cet évènement ou, en d’autres termes, qu’on
cherche la probabilité de B sachant que V a eu lieu. On doit donc calculer
P(B|V ).
Cette grandeur étant inconnue, on utilise l’outil classique pour se ramener
à des grandeurs connues, à savoir la règle de Bayes (il faut impérativement
rappeler le nom de cette règle pour l’utiliser). Elle permet en effet de « renverser »
le conditionnement : on passe ici de P(B|V ) à P(V |B). Or, cette deuxième
grandeur est connue puisqu’elle se déduit du protocole suivi dans l’expérience.
La question suivante se traite exactement de la même manière : on utilise
la règle de Bayes et la loi des probabilités totales pour calculer les probabilités
conditionnelles recherchées.
Correction
On cherche à calculer P({le dé donne 3}|Bl). En notant {3} l’évènement
sur le dé, la règle de Bayes donne

P(Bl|{3})P({3})
P({3}|Bl) = .
P(Bl)

En appliquant à {3} le même raisonnement qu’à A, on a

3
P(Bl|{3}) = ,
5
car l’évènement {3} conduit à un tirage d’un jeton dans l’urne A qui en
contient 5 donc 3 sont bleus. D’autre part, comme le dé n’est pas truqué,
on a P({3}) = 16 . Enfin, on calcule P(Bl) par l’intermédiaire de la loi des
probabilités totales, ce qui donne

P(Bl) = P(Bl|A)P(A) + P(Bl|B)P(B) + P(Bl|C)P(C).

Or, P(Bl|C) = 0 car l’urne C ne contient pas de jeton bleu, et P(Bl|C) =

2 1
6 = 3 car l’urne B contient 6 jetons donc 2 bleus. On a donc

3 1 1 1 1 37
P(Bl) = × + × +0× = ,
5 2 3 3 6 90
ce qui conduit à
3 1
5 × 6 9
P({3}|Bl) = 37 = .
90
37

L’étude d’un évènement sur le dé plutôt que sur l’urne demande un peu
d’attention : il faut en effet justifier que P(Bl|{3}) = P(Bl|A) ce qui se fait
16 CHAPITRE 2. CONDITIONNEMENT ET INDÉPENDANCE

simplement en indiquant qu’on raisonne de la même façon dans les deux cas.
On sait en effet que l’obtention d’un 3 conduit à utiliser l’urne A et donc
aux probabilités conditionnelles déjà calculées. Il faut simplement bien faire
attention de considérer P(Bl|{3}) dans les calculs, et pas P(Bl|A), pour éviter
toute confusion.
La question suivante est un peu plus subtile. Elle est destinée à tester
les connaissance sur les probabilités conditionnelles. En effet, si U et V sont
deux évènements disjoints, on pourrait croire que pour un autre évènement W ,
P(W |U ou V ) est égal à la somme de P(W |U ) et P(W |V ), ce qui est faux en
général. En revanche, comme une probabilité conditionnelle est une probabilité,
on a bien
P(U ou V |W ) = P(U |W ) + P(U |V ),
quand U et V sont disjoints. En utilisant la règle de Bayes ou la définition des
probabilités conditionnelles, on peut donc calculer P(W |U ou V ), mais c’est
un peu plus complexe qu’on pourrait le croire de prime abord.
Correction
On cherche donc P(V |D) avec

D = {le dé a donné 3 ou 6}.

En utilisant le fait que P(V |D) = 1 − P(V |D), on se ramène au calcul de

P(V |D). Or, par définition des probabilités conditionnelles, on a

P(V ∩ D) P(V ∩ {3}) + P(V ∩ {6})

P(V |D) = = ,
P(D) P({3}) + P({6})

la deuxième égalité provenant du fait que D est l’union disjointe des deux
évènements {3} et {6} (qui désignent respectivement l’obtention d’un 3 et
d’un 6).
On sait que P(V ∩ {3}) = 0 puisque l’obtention d’un 3 conduit à utiliser
l’urne A qui ne contient pas de jeton vert. D’autre part, en appliquant de
nouveau la définition des probabilités conditionnelles, on a

P(V ∩ {6}) = P(V |{6})P({6}).

Or, l’obtention d’un 6 conduit à utiliser l’urne C et donc à choisir un jeton

parmi deux jetons (dont un est vert). On a donc P(V |{6}) = 12 . On en
déduit donc
0+ 1 × 1 1
P(V |D) = 1 2 1 6 = ,
6 + 6
4
et donc finalement que P(V |D) = 34 .

La dernière question est essentiellement une question de cours.

 17

Correction
Deux évènements U et V sont indépendants si et seulement si P(U ∩ V ) =
P(U )P(V ). On considère donc l’évènement C ∩ R. Par définition des
probabilités conditionnelles, on a
1 1
P(C ∩ R) = P(R|C)P(C) = × .
2 6
17
Or, d’après la question 1, P(R) = 60 , donc

17 1
P(R) × P(C) = × 6= P(C ∩ R).
60 6
De ce fait, les deux évènements considérés ne sont pas indépendants.

Exercice 2.2
Énoncé Un fabricant prépare des films de protection d’écran pour téléphones
portables. Il retient trois longueurs pour la diagonale des écrans (et donc pour
les films), 4 pouces, 4,7 pouces et 5 pouces. On se limite ici aux possesseurs
de téléphones avec ces trois tailles d’écran. Une étude de marché indique au
fabricant que les écrans de 4 pouces équipent 30 % des téléphones. Cette étude
lui indique aussi que 30 % des possesseurs d’écran 4 pouces ont une protection
d’écran. C’est aussi le cas de 25 % des possesseurs d’écran 4,7 pouces et de
40 % des possesseurs d’écran 5 pouces.

Question 1 Sachant que 34 % des possesseurs de téléphone possèdent une

protection d’écran, calculer le pourcentage de possesseurs d’écran de 4,7 pouces
et de 5 pouces.
Question 2 On considère un possesseur de protection d’écran. Calculer la
probabilité qu’il possède un téléphone avec un écran de 5 pouces.
Question 3 On considère maintenant une personne possédant une protection
d’écran et dont le téléphone n’a pas un écran de 4,7 pouces. Calculer la probabilité
qu’elle possède un téléphone avec un écran de 5 pouces.

Dans cet énoncé, on utilise volontairement un vocabulaire imprécis du point de

vue mathématique, en parlant de pourcentage plutôt que de probabilité. On
interprète alors ces pourcentages comme des probabilités afin de bénéficier des
résultats classiques comme la loi des probabilités totales et la règle de Bayes.
La résolution passe donc par une phase de modélisation mathématique avant
même de pouvoir songer à répondre aux questions.
18 CHAPITRE 2. CONDITIONNEMENT ET INDÉPENDANCE

Correction
On appelle Ω l’ensemble de tous les possesseurs de téléphone pris en
compte dans l’étude. L’expérience aléatoire consiste à choisir au hasard
une personne dans cet ensemble. L’énoncé se traduit alors comme suit :
– on note E4 l’évènement « la personne choisie possède un téléphone
avec un écran de 4 pouces » (idem pour E4,7 et E5 ) ;
– on note P E l’évènement « le téléphone de la personne choisie possède
une protection d’écran » ;
– on a

P(E4 ) = 0,3,
P(P E|E4 ) = 0,3,
P(P E|E4,7 ) = 0,25,
P(P E|E5 ) = 0,4.

Notons que sans la modélisation effectuée ci-dessus, la résolution de l’exercice

devient délicate et hasardeuse. Il faut aussi que la modélisation soit juste !
Il est ainsi fréquent d’inverser le conditionnement lors de la traduction de
l’énoncé. Ici, on parle par exemple des « possesseurs d’écran 4 pouces », ce qui
sous-entend que l’évènement E4 est réalisé de façon sûre. On est donc bien en
train de spécifier P(P E|E4 ) et non pas P(E4 |P E). Pour donner une indication
sur cette dernière probabilité, on aurait écrit quelque chose comme « parmi
les possesseurs de protection d’écran, x % possèdent un écran 4 pouces », soit
donc P(P E|E4 ) = x. Dans tous les cas, il faut impérativement identifier ce qui
est certain pour déterminer l’évènement de conditionnement.
Correction
L’énoncé précise que P(P E) = 0,34. Or, les évènements E4 , E4,7 et E5
forment une partition de Ω (d’après l’énoncé, le fabricant se limite à ces
tailles), on peut appliquer la loi des probabilités totales, ce qui donne :

P(P E) = 0,34,
= P(P E|E4 )P(E4 ) + P(P E|E4,7 )P(E4,7 ) + P(P E|E5 )P(E5 ),
= 0,9 + 0,25 × P(E4,7 ) + 0,4 × P(E5 ).

Pour la même raison, on a P(E4 ) + P(E4,7 ) + P(E5 ) = 1. On obtient ainsi

deux équations à deux inconnues :

0,25 = 0,25 × P(E4,7 ) + 0,4 × P(E5 ),

0,7 = P(E4,7 ) + P(E5 ).
 19

En soustrayant la deuxième équation à la première multipliée par 4, on

obtient :
0,3 = 0,6P(E5 ),
soit P(E5 ) = 0,5 et donc P(E4,7 ) = 0,2.
La résolution ci-dessus ne comporte pas de difficulté particulière. Il faut bien
entendu invoquer la loi des probabilités totales en précisant que ses conditions
d’application sont bien vérifiées. Attention, il faudrait en toute rigueur dire
qu’on suppose que les évènements E4,7 et E5 sont tous deux de probabilité non
nulle, car cette condition est nécessaire pour appliquer la loi.
Correction
On cherche ici P(E5 |P E). En appliquant la règle de Bayes, on obtient :

P(P E|E5 )P(E5 ) 0,4 × 0,5 10

P(E5 |P E) = = = ' 0,59.
P(P E) 0,34 17

De nouveau, ce calcul ne présente aucune difficulté, mais il faut justifier son

utilisation (application de la règle de Bayes). Comme pour la loi des probabilités
totales, il faudrait en toute rigueur rappeler que la résultat s’applique car
P(P E) > 0.
Correction
On cherche enfin la valeur de P(E5 |P E ∩ E4,7 ). On remarque que P E ∩
E4,7 ∩ E5 = P E ∩ E5 car E4,7 = E4 ∪ E5 et que cette dernière union est
disjointe. Donc, en appliquant la définition des probabilités conditionnelles,
on obtient :
P(P E ∩ E4,7 ∩ E5 ) P(P E ∩ E5 )
P(E5 |P E ∩ E4,7 ) = = .
P(P E ∩ E4,7 ) P(P E ∩ E4,7 )

Or, en appliquant de nouveau la définition des probabilités conditionnelles,

on obtient :

P(P E ∩ E5 ) = P(P E|E5 )P(E5 ) = 0,4 × 0,5 = 0,2.

De plus, d’après l’écriture de E4,7 comme l’union disjointe E4 ∪ E5 et en

appliquant encore la définition des probabilités conditionnelles, on a

P(P E ∩ E4,7 ) = P(P E ∩ E5 ) + P(P E ∩ E4 )

= P(P E|E5 )P(E5 ) + P(P E|E4 )P(E4 ),
= 0,2 + 0,3 × 0,3,
= 0,29.
20 CHAPITRE 2. CONDITIONNEMENT ET INDÉPENDANCE

Finalement, on obtient
0,2 20
P(E5 |P E ∩ E4,7 ) = = ' 0,69.
0,29 29
La dernière question ne comporte pas non plus de difficulté spécifique. Cepen-
dant, elle peut paraître surprenante, notamment parce qu’on n’utilise pas pour
sa résolution la règle de Bayes ou la loi des probabilités totales. Ceci vient
du fait que l’évènement de conditionnement P E ∩ E4,7 mélange une « cause »
(la taille de l’écran) et une « conséquence » (la possession d’une protection
d’écran). De ce fait, la probabilité associée à ce conditionnement est totalement
inconnue. En passant par la règle de Bayes, on obtiendrait :

P(P E ∩ E4,7 |E5 )P(E5 )

P(E5 |P E ∩ E4,7 ) = ,
P(P E ∩ E4,7 )

ce qui n’aide pas beaucoup, seule P(E5 ) étant connue. En particulier, le calcul
de P(P E ∩ E4,7 |E5 ) n’est pas plus facile que celui de la probabilité d’origine,
notamment parce qu’on ne sait rien de particulier sur l’évènement P E ∩ E4,7 .
Autrement dit, le passage pas la règle de Bayes ne fait ici que compliquer le
calcul.
Chapitre 3

Variables aléatoires discrètes

Exercice 3.1
Énoncé Pour les jeux suivants, on utilise un dé à quatre faces numérotées
0, 2, 3 et 5. On dispose aussi d’une urne contenant trois billes numérotées
respectivement 1, 3 et 5.
Dans premier jeu, on procède de la façon suivante : on lance le dé puis on
tire une bille. Si le dé donne 0, on ne gagne rien. Sinon, on gagne 5 e si le dé
et la bille portent le même numéro. Sinon, on gagne 1 e.
Question 1 Donner l’univers Ω1 et la probabilité associés à l’expérience aléa-
toire.
Soit X la variable aléatoire correspondant au gain du joueur.
Question 2 Donner la définition de X sous forme d’une fonction (on pourra
utiliser un tableau) et expliciter X(Ω1 ).
Question 3 Donner la loi de X et son espérance E(X).
Le second jeu est plus complexe. On lance un dé puis on place dans l’urne une
bille portant le numéro de la face obtenue lors du lancer du dé (par exemple,
on place une deuxième bille portant un 3 si on obtient 3). On tire ensuite une
bille dans l’urne ainsi modifiée. Le gain en euros est alors le montant indiqué
sur la bille obtenue. On note Y la variable aléatoire correspondante.
Question 4 Donner Y (Ω2 ) (il n’est pas nécessaire de décrire explicitement
Ω2 , même si cela peut être utile).
Question 5 Donner la loi de Y .
Question 6 Donner E(Y ). L’organisateur qui propose ce jeu demande de
payer 3 e pour jouer une fois. Quelle est sa rémunération moyenne ?

La première question est très classique et n’appelle pas de commentaire parti-

culier (il faut toujours une rédaction rigoureuse, bien entendu).

21
22 CHAPITRE 3. VARIABLES ALÉATOIRES DISCRÈTES

Correction
L’expérience consiste à lancer un dé dont les faces sont F = {0, 2, 3, 5}
puis à choisir une bille dans l’ensemble B = {1, 3, 5}. L’univers est alors
l’ensemble des couples obtenus, soit

Ω1 = F × B.

En absence d’indication particulière dans l’énoncé, on considère que le dé et

l’urne ne sont pas truqués et donc que la probabilité P sur Ω1 est uniforme.
|A|
Pour tout A ⊂ Ω1 , on a donc P(A) = |Ω 1|
. On a de plus |Ω1 | = 12.

Quand une variable aléatoire est définie explicitement comme c’est le cas ici,
il est très important de bien préciser son comportement, notamment quand
l’univers est suffisamment petit pour permettre un calcul exhaustif.
Correction
Le tableau suivant donne le résultat du dé en ligne, celui du tirage dans
l’urne en colonne et la valeur de X à chaque intersection :

F/B 1 3 5
0 0 0 0
2 1 1 1
3 1 5 1
5 1 1 5

D’après l’énoncé, les gains sont soit 0 e, soit 1 e, soit enfin 5 e. De ce

fait, on a clairement
X(Ω) = {0, 1, 5}.

Notons que X(Ω) est obtenu ici directement à partir de l’énoncé. Si la variable
aléatoire avait été plus complexe, on se serait basé sur le tableau donnant ses
valeurs en fonction de ω ∈ Ω.
Correction
Pour calculer la loi de X, il faut déterminer PX ({x} pour tout x ∈ X(Ω).
Par exemple ici, on constate que

PX ({0}) = P(X −1 ({0}) par définition de PX

= P({0} × {1, 3, 5}) par définition de X
|{0} × {1, 3, 5}|
= car P est uniforme
|Ω1 |
3 1
= = .
12 4
 23

En procédant de la même manière pour 1 et 5, on obtient la loi suivante

x 0 1 5
1 7 1
P(X = x) 4 12 6

L’espérance de X est alors

1 7 1
E(X) = 0 × +1× +5× ,
4 12 6
17
= .
12

On applique ici simplement les définitions. Comme toujours, il est important

de justifier les calculs. Ceci nécessite le rappel de la définition de PX (comme
ci-dessus, on peut se contenter d’expliciter un calcul) et celui de E(X) (comme
ci-dessus, il suffit de donner la formule appliquée au cas concret).
Correction
Commençons par expliciter Ω2 . Chaque tirage constitue une paire de deux
chiffres, la face du dé et le numéro de la bille. Cependant, il est important
de distinguer les billes qui portent le même numéro afin de pouvoir faire
l’hypothèse d’uniformité. Pour faciliter l’écriture, on décompte Ω2 en 4
sous ensembles, Of avec f ∈ F en fonction du résultat du dé. On obtient
ainsi :

O0 = {0} × {0, 1, 3, 5},

O2 = {2} × {1, 2, 3, 5},
O3 = {3} × {1, 31 , 32 , 5},
O5 = {5} × {1, 3, 51 , 52 },

et Ω2 = 00 ∪ O2 ∪ O3 ∪ O5 . On a noté 31 et 32 les deux billes portant la

valeur 3 (idem pour 51 et 52 ). Par symétrie du problème, et sans mention
spécifique dans l’énoncé, il est naturel de supposer que la probabilité est
uniforme sur Ω2 .

Cette partie de l’exercice est plus délicate en tant qu’expérience composée

et en raison des valeurs identiques sur certaines billes. Comme toujours dans
cette seconde situation, il faut supposer les billes discernables car c’est la
seule solution simple pour définir la probabilité. L’expérience se faisant en deux
temps, il serait plus rigoureux de passer par les probabilités conditionnelles pour
déterminer la probabilité sur Ω2 . On écrirait ainsi que P(f et b) = P(b|f )P(f )
où f désigne l’évènement « obtenir la face f par le lancer du dé » et b désigne
l’évènement « obtenir la bille b ». P(f ) vaut clairement 14 pour tout f car le
dé n’est pas truqué (pas de mention à ce sujet dans l’énoncé). Ensuite, pour
tout f , l’urne contient toujours 4 billes (discernables !) et donc P(b|f ) = 14 car
24 CHAPITRE 3. VARIABLES ALÉATOIRES DISCRÈTES

les billes sont à priori équiprobables. Donc tout évènement « f et b » est de

1
probabilité 16 ce qui revient exactement à dire que la probabilité est uniforme
sur Ω2 .
Notons pour finir que cette analyse n’est pas nécessaire pour déterminer
Y (Ω) car le texte de l’énoncé permet d’énumérer les valeurs possibles de façon
directe. Cependant, le calcul de PY est facilité par l’écriture explicite de Ω2 et
la détermination de P.
Correction
On constate dans Ω2 que Y peut prendre les valeurs 0, 1, 2, 3 et 5. On
obtient donc
Y (Ω2 ) = {0, 1, 2, 3, 5}.

Correction
Le calcul de PY se fait comme celui de PX ci-dessus. Par exemple on a

PY ({2}) = P(Y −1 ({2}) par définition de PY

= P({2} × {2}) par définition de Y
|{2} × {2}|
= car P est uniforme
|Ω2 |
1
= .
16
En procédant de la même manière pour les autres valeurs, on obtient la
loi suivante
y 0 1 2 3 5
1 4 1 5 5
P(Y = y) 16 16 16 16 16

Le rappel de définition proposé ci-dessus pour PY n’est pas nécessaire, puisque

nous avons déjà fait ce rappel pour PX . En revanche, tout le développement sur
l’univers Ω2 et sa probabilité doivent se trouver dans la réponse (soit donc dans
la réponse précédent, soit ici), faute de quoi le calcul de la loi de Y n’est pas
justifié. Une stratégie peut être par exemple de détailler le calcul de P(Y = y)
pour une valeur de y en revenant à des évènements sur Ω2 , comme dans la
remarque précédente qui s’appuyait sur le conditionnement. Quelle que soit la
solution choisie, il faut impérativement une justification !
Correction
On calcule E(Y ) comme suit
1 4 1 5 5
E(Y ) = 0 × +1× +2× +3× +5× ,
16 16 16 16 16
46 23
= = .
16 8
 25

La rémunération moyenne de l’organisation est de 3 − E(Y ), soit 1

8 e.

Exercice 3.2
Énoncé On considère le jeu suivant : le joueur lance d’abord un dé non truqué.
S’il obtient 1, 2 ou 3, il gagne l’équivalent en euros (c’est-à-dire 1 e s’il obtient 1,
par exemple). Sinon, il perd 2 e. On note X la variable aléatoire correspondant
au gain du joueur (négatif en cas de perte).
Question 1 Donnez la loi de X et sa fonction de répartition FX .
Question 2 Calculez l’espérance de X.
Question 3 Calculez la variance de X.
On modifie le jeu de la façon suivante : les gains restent les mêmes pour les
résultats 1, 2 ou 3, mais si le joueur obtient autre chose, il relance le dé. S’il
obtient 3 ou moins, il gagne 3 e, sinon il perd 5 e.
Question 4 Décrivez formellement l’univers du nouveau jeu.
Question 5 Donnez la loi de Y (qui désigne de nouveau le gain du joueur) et
calculez son espérance.
Question 6 Quelle variante du jeu est la plus avantageuse pour le joueur ?

Quand une variable aléatoire est définie de façon explicite, il est important
de bien définir l’univers de l’expérience aléatoire de départ afin d’éviter toute
confusion. Cela sera particulièrement important dans la deuxième partie de
l’exercice.
Correction
L’expérience aléatoire est un lancer de dé dont l’univers est donc

Ω = {1, 2, 3, 4, 5, 6},

muni d’une probabilité uniforme (car le dé n’est pas truqué). La variable

aléatoire X est donnée par le tableau suivant :

ω 1 2 3 4 5 6
X(ω) 1 2 3 −2 −2 −2

On en déduit donc que X(Ω) = {−2, 1, 2, 3}. La loi de X est donnée par
P({X(ω) = x}) = P(X −1 ({x})) pour les x ∈ X(Ω). En utilisant le fait
que la probabilité P est uniforme, on obtient les résultats résumés dans le
26 CHAPITRE 3. VARIABLES ALÉATOIRES DISCRÈTES

tableau suivant, dont la dernière ligne donne la loi de X :

x −2 1 2 3
X −1 ({x}) {4, 5, 6} {1} {2} {3}
1 1 1 1
PX (x) 2 6 6 6

Une fois la loi de X déterminée, les questions suivantes sont essentiellement

des questions de cours, associées à la réalisation de quelques calculs.
Correction
La fonction de répartition FX définie par FX (x) = P(X ≤ x) est alors

0 pour x < −2,


1
 2 pour −2 ≤ x < 1,



FX (x) = 23 pour 1 ≤ x < 2,
 5
pour 2 ≤ x < 3,




 6
1 pour x ≥ 3.


Pour calculer E(X), on applique la définition de l’espérance, à savoir

X
E(X) = xPX (x).
x∈X(Ω)

On obtient ainsi
1 1 1 1
E(X) = −2 × + 1 × + 2 × + 3 × = 0.
2 6 6 6
Pour calculer V (X), on utilise V (X) = E(X 2 ) − (E(X))2 . On a
1 1 1 1 13
E(X 2 ) = (−2)2 × + 12 × + 22 × + 32 × = ,
2 6 6 6 3
13
et donc V (X) = 3 ' 4,33.

Pour le calcul de la variance, il est rare que le passage par la formule de

définition, c’est-à-dire

V (X) = E (X − E(X))2 ,


soit très pratique. En général, il vaut mieux passer par la formule utilisée
ci-dessus. Dans le calcul de E(X 2 ), deux erreurs classiques sont à éviter. On
doit tout d’abord mettre au carré les valeurs prises par X, pas les probabilités
de ces valeurs. De plus, il faut être attentif au signe de ces valeurs : dans le
calcul ci-dessus, on a bien (−2)2 = 4 et non pas −(22 ) = −4, ce qui donnerait
un résultat complètement faux.
 27

La deuxième partie de l’exercice est plus délicate car l’expérience ne semple

pas symétrique. La solution la plus simple pour l’analyser est de faire comme si
elle était symétrique : on considère deux lancers de dé, le deuxième étant inutile
pour la définition de Y dans certaines situations. Cette approche s’apparente à
celle utilisée pour faciliter le traitement de certains problèmes dans lesquels on
fait comme si les objets étudiés (des jetons par exemple) étaient discernables
alors qu’ils ne le sont pas.
Correction
On choisit comme univers celui d’une expérience dans laquelle on lance
toujours deux fois le dé. On a donc

Ω = {1, 2, 3, 4, 5, 6} × {1, 2, 3, 4, 5, 6},

muni de la probabilité uniforme.

La variable aléatoire Y est alors donnée par le tableau suivant en
fonction du résultat de l’expérience ω = (u,v) :

(u,v) 1 2 3 4 5 6
1 1 1 1 1 1 1
2 2 2 2 2 2 2
3 3 3 3 3 3 3
4 3 3 3 −5 −5 −5
5 3 3 3 −5 −5 −5
6 3 3 3 −5 −5 −5

On constate que Y (Ω) = {−5, 1, 2, 3}. Pour tout y ∈ Y (Ω), on doit

déterminer Y −1 ({y}) pour calculer la probabilité de cet évènement et ainsi
la loi de Y . D’après le tableau, on a

Y −1 ({−5}) ={4, 5, 6} × {4, 5, 6},

Y −1 ({1}) ={1} × {1, 2, 3, 4, 5, 6},
Y −1 ({2}) ={2} × {1, 2, 3, 4, 5, 6},
Y −1 ({3}) = ({3} × {1, 2, 3, 4, 5, 6}) ∪ ({4, 5, 6} × {1, 2, 3}) .

En utilisant le fait que la probabilité sur Ω est uniforme, on obtient le

tableau suivant qui résume la loi de Y :

y −5 1 2 3
9 1 6 1 6 1 6 9 5
PY (y) 36 = 4 36 = 6 36 = 6 36 + 36 = 12

Comme dans la première partie de l’exercice, une fois la loi de Y déterminée,

le reste n’est que calcul...
28 CHAPITRE 3. VARIABLES ALÉATOIRES DISCRÈTES

Correction
On a
1 1 1 5 1
E(Y ) = −5 × +1× +2× +3× = .
4 6 6 12 2
Comme E(Y ) > E(X), on gagne en moyenne plus à la deuxième variante
qui est donc plus avantageuse pour le joueur.
Chapitre 4

Lois discrètes classiques

Exercice 4.1
Énoncé Pour améliorer la sûreté de fonctionnement d’un serveur informatique,
on envisage d’introduire de la redondance, c’est-à-dire d’avoir plusieurs exem-
plaires des composants importants. On peut réaliser les opérations suivantes :
– on utilise trois alimentations de 300 Watts chacune : le serveur peut
continuer à fonctionner avec une alimentation en panne car il consomme
au maximum 500 Watts.
– on place les quatre disques durs en configuration RAID 5 : le serveur peut
continuer à fonctionner avec un disque dur en panne.
On suppose que la probabilité de panne d’une alimentation est p et que celle
d’une panne de disque dur est q. On suppose en outre que tous les composants
sont indépendants.
Question 1 Soit un serveur avec alimentations redondantes : calculer la pro-
babilité de panne du serveur en supposant qu’aucun autre composant que les
alimentations ne peut tomber en panne.
Question 2 Soit un serveur avec disques durs RAID 5 : calculer la probabilité
de panne du serveur en supposant qu’aucun autre composant que les disques
dur ne peut tomber en panne.
Question 3 Si p = q, quelle solution de redondance est la plus intéressante ?

Cet exercice consiste avant tout en la modélisation d’un problème réel au

moyen d’outils probabilistes classiques. Il faut donc reconnaître dans l’énoncé
les hypothèses qui permettent de se ramener à des modèles connus.
Correction
Comme un composant possède ici deux états (en panne ou pas), on
considère cet état comme une variable de Bernoulli, l’état de panne corres-
pondant au « succès » de la variable.

29
30 CHAPITRE 4. LOIS DISCRÈTES CLASSIQUES

Donc, l’état de l’alimentation i est représenté par une variable Ai distri-

buée selon B(p) une variable aléatoire Bernoulli qui vaut 1 si l’alimentation
est en panne.
Cette modélisation est très fréquente et très classique. À chaque fois qu’on
rencontre une grandeur aléatoire qui peut prendre deux valeurs, on est en fait
en présence d’une variable de Bernoulli. La valeur à représenter par 1 dépend de
ce qu’on veut faire dans la suite. Ici, on doit compter le nombre de composants
en panne pour savoir si l’ordinateur continue de fonctionner. Il est donc naturel
de représenter par 1 la panne plutôt que le bon fonctionnement.
Correction
L’alimentation globale est constituée de trois alimentations A1 , A2 et A3 .
Comme les alimentations sont des variables de Bernoulli indépendantes de
même paramètre p, le nombre d’alimentation en panne, qui est la somme
A1 + A2 + A3 est une variable de loi Binomiale B(3, p).

De nouveau, nous utilisons ici une modélisation très classique. Pour justifier
l’utilisation d’une loi Binomiale, il faut rappeler les propriétés importantes
suivantes : on compte les succès de variables de Bernoulli indépendantes et de
même paramètre. Si les variables ne sont pas indépendantes ou si elles ont des
paramètres différents, le résultat n’est pas une loi Binomiale. Notons aussi que
compter les succès ou faire la somme des variables est exactement la même chose
et qu’on peut donc utiliser la justification la plus adaptée au contexte.
Correction
Le serveur est en panne si deux au moins des alimentations sont en panne.
On note A l’évènement « panne de l’alimentation globale ». On a donc

P(A) = P(A1 + A2 + A3 ≥ 2),

= P(A1 + A2 + A3 = 2) + P(A1 + A2 + A3 = 3),
= C32 p2 (1 − p) + C33 p3 ,
= p2 (3 − 2p),

en utilisant les propriétés de la loi Binomiale.

La deuxième question est exactement la même que la première mais avec des
paramètres numériques légèrement différents...
Correction
Comme pour les alimentations, on modélise les disques durs par des
variables Dj de Bernoulli B(q), indépendantes. Le nombre de disques en
panne est alors une variable de loi Binomiale B(4,q). Le serveur est en panne
 31

si au moins deux des disques sont en panne, l’évènement correspondant D

étant de probabilité
 
X 4
P(D) = P  Dj ≥ 2 ,
j=1
     
X4 X4 4
X
= P Dj = 2 + P  Dj = 3 + P  Dj = 4
j=1 j=1 j=1

= C42 q 2 (1 2
− q) + C43 q 3 (1 − q) + C44 q 4 ,
= q (6(1 − q) + 4q(1 − q) + q 2 ),
2 2

= q 2 (3q 2 − 8q + 6).

Pour choisir la meilleure solution, on compare les probabilités de panne en

supposant que p = q. On a ainsi

P(A) − P(D) = p2 (3 − 2p) − p2 (3p2 − 8p + 6),

= p2 (−3p2 + 6p − 3).

Le signe de cette différence est alors celui de f (p) = −3p2 + 6p − 3.

La dérivée de f est f 0 (p) = 6(1 − p) qui s’annule en p = 1 et qui est
donc positive sur l’intervalle [0, 1]. La fonction est donc croissante sur
cet intervalle. Or, f (1) = 0 (et f (0) = −3. Donc, sur l’intervalle [0, 1],
f (p) ≤ 0. La probabilité de défaillance des alimentations est donc toujours
inférieure à celle des disques durs et il est donc plus intéressante d’utiliser
une redondance sur les alimentations.
On pourrait considérer que l’approche choisie pour évaluer l’intérêt de la
redondance est un peu naïve. En effet, un ordinateur classique comprend
nécessairement une alimentation et un stockage pérenne de type disque dur.
De ce fait, on devrait normalement étudier l’ordinateur comme un ensemble
comportant un sous-système redondant (par exemple les disques durs) et un
sous-système non redondant (ici l’alimentation), puis calculer la probabilité de
panne et comparer les deux solutions.
Il s’avère en fait que l’approche proposée dans l’exercice donne un résultat
identique à celui de l’approche plus complexe. Considérons le cas d’un ordinateur
avec une alimentation redondante et un unique disque dur. On s’intéresse à
l’évènement « l’ordinateur ne tombe pas en panne », ce qui s’écrit A ∩ D avec
les notations de la correction. En supposant les sous-systèmes indépendants,
on a
P(A ∩ D) = P(A)P(D) = (1 − P(A))(1 − P(D)).
En utilisant les résultats de la correction pour A et les hypothèses pour D, on
a donc
P(A ∩ D) = (1 − p2 (3 − 2p))(1 − q).
32 CHAPITRE 4. LOIS DISCRÈTES CLASSIQUES

Un raisonnement similaire conduit la probabilité suivant dans le cas d’un serveur

aux disques durs redondants et à l’alimentation unique :

P(A ∩ D) = (1 − p)(1 − q 2 (3q 2 − 8q + 6)).

Si on suppose maintenant que p = q, on voit apparaître dans les deux expres-

sions un facteur (1 − p) commun qu’on peut donc supprimer dans l’analyse.
On se retrouve ainsi à comparer P(A) et P(D) dans le cas de redondance
pour les deux sous-systèmes. Or, il s’agit de la comparaison des probabilités
des complémentaires des évènements étudiés dans la correction. On obtient
donc exactement les mêmes conclusion que dans cette correction : il est plus
intéressant de rendre les alimentations redondantes.

Exercice 4.2
Énoncé Un magasin spécialisé reçoit en moyenne 4 clients par jour, le nombre
de clients étant distribué selon une loi de Poisson. Calculer la probabilité que
le magasin soit visité le mercredi par :
Question 1 aucun client ;
Question 2 5 clients ;
Question 3 au moins 6 clients.

Correction
On note C la variable aléatoire donnant le nombre de clients reçus par
jour dans le magasin. Par hypothèse, C est distribuée selon une loi de
Poisson de paramètre λ et telle que E(C) = 4. Or, on sait que si C ∼ P(λ),
E(C) = λ, donc λ = 4.

La phase de modélisation traditionnelle consiste ici à traduire les hypothèses de

l’énoncé exprimées en français en hypothèses mathématiques. Ici, l’énoncé fait
une hypothèse indirecte sur le paramètre de la loi de Poisson en indiquant l’es-
pérance de la variable. Une simple phrase de justification permet de transformer
cette hypothèse sur l’espérance en une hypothèse sur la valeur de λ. Le reste
l’exercice est alors très simple et consiste essentiellement en une application
des propriétés élémentaires de la loi de Poisson.
Correction
Comme C ∼ P(4), on a

40
P(C = 0) = e−4 = e−4 ' 0.0183.
0!
 33

En appliquant de nouveau la formule de la loi de Poisson, on a

45
P(C = 5) = e−4 ' 0.156.
5!
Enfin, pour calculer P(C ≥ 6), on note que
5
[
{C ≥ 6} = {C ≤ 5} = {C = k},
k=0

car C prend seulement des valeurs entières. On a donc

5 5
X
−4
X 4k
P(C ≥ 6) = 1 − P(C = k) = 1 − e ' 0.215.
k!
k=0 k=0

Seule la dernière question demande un peu de réflexion, puisqu’il faut écrire

l’évènement {C ≥ 6} en terme d’évènements de la forme {C = k} qui sont les
seuls dont on connaît les probabilités (grâce à la loi de la variable C). Comme
la variable aléatoire est discrète, un évènement de la forme {C ∈ A} s’écrit
sous forme de l’union disjointe des évènements {C = a} pour toutes les valeurs
a ∈ A. Pour éviter d’avoir à écrire une somme infinie pour {C ≥ 6}, on utilise
le complémentaire de cet évènement, ce qui donne la correction proposée.
Chapitre 5

Variables aléatoires continues

Exercice 5.1
Énoncé Soit la fonction f définie par
(
ax2 + b si x ∈ [0,1]
f (x) =
0 sinon

Question 1 À quelles conditions sur a et b la fonction f est-elle la densité

d’une variable aléatoire continue ?
Question 2 On suppose que a et b vérifient les conditions déterminées à la
question précédente. Soit X une variable aléatoire de densité f . On suppose
que P(X ≥ 0.5) = 18 . En déduire a et b.
Question 3 Calculer E(X) et V (X) en utilisant les valeurs de a et b obtenues
à la question précédente.

Correction

R ∞ que f soit une densité, il faut que pour tout x, f (x) ≥ 0 et que
Pour
−∞ f (x)dx = 1. On commence par la première condition. Comme f est
nulle en dehors de l’intervalle [0,1], il suffit de considérer le cas x ∈ [0,1]
pour lequel on doit avoir ax2 + b ≥ 0.

Pour les deux conditions, on peut en général se focaliser uniquement sur les
intervalles pour lesquels la fonction proposée n’est pas nulle.
Correction
On remarque que f (0) = b, et il faut donc que b ≥ 0. Si a = 0, il n’y a pas
d’autre condition nécessaire pour assurer la positivité.
La dérivée de f est donnée par f 0 (x) = 2ax. Sur l’intervalle [0,1], le
signe de f 0 est donc celui de a. Si a > 0, f est croissante sur [0,1] et on a

35
36 CHAPITRE 5. VARIABLES ALÉATOIRES CONTINUES

donc f (x) ≥ b pour tout x ∈ [0,1]. De ce fait, la condition b ≥ 0 est encore

suffisante pour assurer f (x) ≥ 0. Si a < 0, f est décroissante sur [0,1], et
donc a donc f (x) ≥ f (1) = a + b pour tout x ∈ [0,1]. On doit donc avoir
a + b ≥ 0.
En résumé si b ≥ 0 et si a ≥ −b, alors f est positive (le cas a ≥ −b
inclus en particulier le casR a ≥ 0).
∞
Calculons maintenant −∞ f (x)dx = 1. D’après les propriétés classiques
de l’intégrale, on a
Z ∞ Z 0 Z 1 Z ∞
f (x)dx = f (x)dx + f (x)dx + f (x)dx.
−∞ −∞ 0 1

Comme f est nulle en dehors de [0,1], on a donc

Z ∞ Z 1
f (x)dx = f (x)dx.
−∞ 0

Il faut toujours justifier (brièvement) la réduction de l’intervalle d’intégration.

On peut cependant se contenter d’écrire directement la deuxième égalité, avec
la justification qui la précède.
Correction
La fonction x 7→ ax2 + b admet comme primitive possible la fonction
x 7→ a3 x3 + bx. On a donc
Z 1 ha i1 a
ax2 + b dx = x3 + bx = + b.
0 3 0 3

On doit donc avoir a3 + b = 1 (en plus de b ≥ 0 et si a ≥ −b). Comme

b = 1 − a3 , on a doit donc avoir 1 − a3 ≥ 0, soit a ≤ 3. De plus a + b ≥ 0
devient a + 1 − a3 ≥ 0, soit a ≥ − 32 .
Finalement, f est une densité si et seulement si a ∈ − 32 , 3 et b = 1− a3 .
 

Il n’y a pas de difficulté majeure dans l’analyse qui précède, mais il faut tout de
même être attentif dans le calcul de la primitive (il faut bien faire la primitive
deux termes de la somme ax2 + b et ne pas écrire seulement 13 ax3 + b, par
exemple). De même, l’analyse des conditions sur a et b doit être réalisée avec
soin afin de ne pas oublier une condition lors des transformations. Ici, on a bien
conservé la condition qui donne une intégrale de 1, puis on a utiliser les deux
conditions d’inégalités pour obtenir deux bornes sur a. On a donc conservé
trois conditions, comme il le fallait.
Correction
R∞
On sait que P(X ≥ 0,5) = 0,5 f (x)dx. Comme f est nulle en dehors de
 37

[0,1], et en utilisant la primitive déterminée à la question précédente, on a

Z ∞
P(X ≥ 0,5) = f (x)dx,
0,5
Z 1
= f (x)dx,
0,5
ha i1
= x3 + bx ,
3 0,5
a a 1 1
= +b− × −b× ,
3 3 8 2
a b
=1− − .
24 2

Une erreur courante dans l’analyse précédente consiste à confondre densité

f et fonction de répartition F . On sait en effet que, par définition, si FX
est la fonction de répartition de X, P(X ≥ 0,5) = 1 − FX (0,5) (on a utilisé
la continuité de X pour s’affranchir de problèmes aux bornes de intervalles).
Si on confond f et F , on peut être tenté d’écrire (ce qui est faux !) que
P(X ≥ 0,5) = 1 − f (0,5) = 1 − a4 − b. On obtient alors un résultat totalement
différent dans la suite (et, insistons sur ce point, faux).
Correction
En utilisant les résultats de la première question, on a donc deux équations
à deux inconnues :
a
+ b = 1,
3
a b 1
1− − = .
24 2 8
a
En utilisant b = 1 − 3 dans la deuxième équation, on obtient

a 1 a 1
1− − + = ,
24 2 6 8
ce qui donne a = 3, puis b = 0 (et donc f (x) = 3x2 sur [0,1]). On remarque
que les valeurs de a et b sont compatibles avec les inégalités établies à la
question 1 et donc qu’on obtient bien une densité.

La dernière vérification est très importante. On pourrait en effet supposer

1
par exemple que P(X ≥ 0.5) = 16 . Des calculs similaires à ceux effectués
7
ci-dessus donnent a = 2 . Or, cette valeur n’est pas acceptable d’après les
1
contraintes obtenues à la question 1. L’hypothèse P(X ≥ 0.5) = 16 entre donc
en contradiction avec l’hypothèse sur la densité de X. Ce n’est pas le cas avec
l’hypothèse P(X ≥ 0.5) = 81 !
38 CHAPITRE 5. VARIABLES ALÉATOIRES CONTINUES

Correction
R∞
On sait que E(X) = −∞ xf (x)dx. ce qui donne ici (en tenant compte de
la nullité de f en dehors de [0,1]) :
Z 1
E(X) = x × 3x2 dx,
0
Z 1
= 3x3 dx,
0
3 4 1 3
 
= x = ,
4 0 4

en utilisant le fait que x 7→ 34 x4 est une primitive de x 7→ 3x3 .

Pour calculer V R∞(X), on utilise la relation V (X) = E(X 2 ) − (E(X))2 .
Comme E(X ) = −∞ x2 f (x)dx, on a
2

Z 1
E(X 2 ) = 3x4 dx,
0
3 5 1 3
 
= x = ,
5 0 5

en utilisant le fait que x 7→ 53 x5 est une primitive de x 7→ 3x4 . On a donc

3 9 3
V (X) = − = .
5 16 80

Exercice 5.2
Soit une fonction F définie de la façon suivante :



 0 si x ≤ −2
a(x + b)2

si x ∈] − 2,0]
F (x) =


 cx + d si x ∈]0,1]

e si x>1

Question 1 Donner les conditions que doivent vérifier les nombres réels a, b,
c, d et e pour que F soit la fonction de répartition d’une variable aléatoire
réelle absolument continue.
Question 2 On suppose que F est la fonction de répartition de X, une variable
aléatoire réelle absolument continue (et donc que les conditions établies à la
question précédente sont vérifiées). On suppose que P(X ≤ −1) = 0. En déduire
les valeurs des réels a, b, c, d et e. À quelle loi classique la fonction ainsi obtenue
correspond elle ?
 39

Question 3 On suppose maintenant que F est la fonction de répartition de

Y , une variable aléatoire réelle absolument continue (et donc que les conditions
établies à la première question sont vérifiées). On suppose de plus que P(Y ∈
[−1; 0,5]) = 58 . En déduire les valeurs des réels a, b, c, d et e.
Question 4 Calculer E(Y ) et V (Y ) pour la variable Y décrire à la question
précédente.

Correction
On vérifie dans un premier temps les conditions sur les limites. On constate
que limx→−∞ F (x) = 0, comme cela doit être le cas. On constate d’autre
part que limx→∞ F (x) = e, ce qui impose e = 1.

Le traitement des conditions limites est en général la partie la plus facile de

l’analyse d’une fonction de répartition. On conseille donc de commencer par
cette partie.
Correction
Comme F doit être la fonction de répartition d’une variable aléatoire
absolument continue, il faut que F soit continue sur R tout entier. On
constate que sur chaque intervalle de sa définition, F est continue, car elle
est soit constante, soit affine, soit quadratique. Il faut donc simplement
vérifier que F est continue aux bornes de ces intervalles.
Par continuité de x 7→ a(x + b)2 , on a limx→−2 a(x + b)2 = a(b − 2)2 .
Pour que F soit continue en −2, il faut donc que a(b − 2)2 = F (−2) = 0.
De même, par continuité de x 7→ cx + d, on a limx→0 cx + d = d. Pour
que F soit continue en 0, il faut donc que d = F (0) = ab2 .
Enfin, on a limx→1 e = e = 1. Pour que F soit continue en 1, il faut
donc que F (1) = c + d = 1.
En résumé, F est continue si et seulement si :

a(b − 2)2 = 0
d = ab2
c+d=1

Le raisonnement présenté au dessus est typique d’une démonstration de conti-

nuité pour une fonction définie par morceaux. Pour que la fonction soit continue,
il faut en effet qu’elle soit continue sur chaque morceau, mais aussi que tout
se passe bien à chaque transition entre deux morceaux. Pour analyser ces
points, on s’appuie sur la continuité de la fonction sur chaque intervalle, en
faisant comme si la définition sur l’intervalle s’appliquait aussi aux bornes.
Dans l’exemple ci-dessus, on considère par exemple qu’il y a deux définitions
pour la valeur de F en 0, la vraie définition (donnée par a(x + b)2 évalué en
0) et la « définition » obtenue en calculant la limite de la formule sur l’autre
40 CHAPITRE 5. VARIABLES ALÉATOIRES CONTINUES

intervalle (ici la limite en 0 de cx + d). La continuité est garantie si les deux

définitions ne sont pas contradictoires, c’est-à-dire si elles donnent la même
valeur.
Correction
On vérifie enfin que F est croissante. Comme F est continue (avec les
conditions établies ci-dessus), il suffit de vérifier que F est croissante sur
chaque intervalle. C’est évident pour les intervalles où elle est constante.
Pour l’intervalle ] − 2,0], F 0 (x) = 2a(x + b). Pour que F soit croissante
il faut donc que 2a(x + b) ≥ 0 pour tout x ∈] − 2,0]. Or, nous avons vu
que a(b − 2)2 = 0, ce qui implique soit a = 0, soit b = 2 (soit les deux).
Si a = 0, F est identiquement nulle sur ] − 2,0] et est donc croissante. Si
a 6= 0, alors b = 2. Dans ce cas, on ne peut pas avoir a < 0. En effet cela
impliquerait F (0) = 4a < 0 ce qui est impossible pour une fonction de
répartition. On doit donc avoir a > 0 et donc F 0 (x) = 2a(x + 2) ≥ 0 sur
] − 2,0], soit F croissante sur cet intervalle.
Sur l’intervalle ]0,1], F 0 (x) = c et F est donc croissante si et seulement
si c ≥ 0. En combinant toutes les conditions, on trouve que F est une
fonction de répartition si et seulement si :

a(b − 2)2 = 0
d = ab2
c+d=1
e=1
c≥0
a≥0

L’analyse de croissance est souvent la phase la plus délicate. La méthode

générale de résolution consiste à calculer les dérivées sur chaque intervalle
et à s’assurer de leur positivité. Il est important de s’appuyer sur l’analyse
de continuité à ce moment car une fonction peut très bien être croissante
(strictement) sur chacun de ses intervalles de définition sans être croissante
globale si elle n’est pas continue.
Correction
On suppose maintenant que P(X ≤ −1) = 0. Par définition de la fonction
de répartition, on a donc F (−1) = 0 = a(b − 1)2 . Ceci n’est possible que si
a = 0 ou b = 1. Or, si b = 1, la condition a(b − 2)2 = 0 devient a = 0. De
ce fait, on doit nécessairement avoir a = 0. Dans cette situation, la valeur
de b n’importe plus. En revanche, d = ab2 devient d = 0, ce qui implique
 41

c = 1. On obtient donc
a b c d e
0 quelconque 1 0 1

La fonction F devient alors beaucoup plus simple et est donnée par


0 si x ≤ 0

F (x) = x si x ∈]0,1]

1 si x > 1


On reconnaît la fonction de répartition de la loi uniforme sur l’intervalle

[0,1].

Correction
On suppose maintenant que P(Y ∈ [−1; 0,5]) = 58 . On a

5
= P(Y ∈ [−1; 0,5])
8
= P(Y ∈] − 1; 0,5]) car Y est une variable aléatoire continue
= F (0,5) − F (−1) par définition d’une fonction de répartition
c
= + d − a(b − 1)2
2
Comme dans la question précédente, on étudie d’abord la condition a(b −
2)2 = 0. Si a = 0, on a aussi d = ab2 = 0 (et la valeur de b n’importe plus).
D’après la condition c + d = 1, on a c = 1. L’équation sur P(Y ∈ [−1; 0,5])
ne peut alors pas être satisfaite car 2c + d − a(b − 1)2 = 12 .
Donc a > 0, ce qui impose b = 2 et d = 4a. En remplaçant dans
l’équation sur P(Y ∈ [−1; 0,5]), on obtient
5 c
= + 3a.
8 2
c 1
En utilisant c + d = 1 = c + 4a, on obtient 2 = 1 − 2a puis, a = 8 puis
d = 12 et c = 12 . En résumé

a b c d e
1 1 1
8 2 2 2 1

Correction
Pour calculer l’espérance et la variance de Y , on doit déterminer sa densité
42 CHAPITRE 5. VARIABLES ALÉATOIRES CONTINUES

fY , c’est-à-dire la dérivée de F . On obtient directement :




 0 si y ≤ −2
 1 (y + 2) si y ∈] − 2,0]

fY (y) = 41

2
 si y ∈]0,1]

0 si y > 1

On a alors
Z ∞
E(Y ) = yfY (y)dy
−∞
Z −2 Z 0 Z 1 Z ∞
= yfY (y)dy + yfY (y)dy + yfY (y)dy + yfY (y)dy
−∞ −2 0 1
Z 0 Z 1
y y
= (y + 2)dy + dy
−2 4 0 2
 3 0  2 1
y y2 y
= + +
12 4 −2 4 0
(−2)3 (−2)2 1
=− − +
12 4 4
1
=−
12
On calcule V (Y ) en utilisant la relation V (Y ) = E(Y 2 ) − E(Y )2 . On a
Z ∞
E(Y 2 ) = y 2 fY (y)dy
−∞
0 2 1
y2
Z Z
y
= (y + 2)dy + dy
−2 4 0 2
0 1
y4 y3 3
 
y
= + +
16 6 −2 6 0
(−2)4 (−2)3 1
=− − +
16 6 6
1
=
2
71
et donc V (Y ) = 144 .
Chapitre 6

Lois continues classiques

Exercice 6.1
Énoncé On remplit un verre de volume 20 cl d’une quantité aléatoire d’eau
choisie uniformément entre 0 et 20 cl :
Question 1 quelle est la probabilité d’obtenir moins de 5 cl d’eau ?
Question 2 on vide 5 verres ainsi remplis dans une très grande bassine. Quelle
quantité moyenne d’eau obtient-on dans la bassine ?

Correction
Soit V la variable aléatoire correspondant à la quantité d’eau dans un
verre. Par hypothèse, V suit une loi uniforme sur l’intervalle [0, 20].

La seule difficulté de modélisation est de bien comprendre qu’on travaille ici

avec une variable aléatoire continue et pas avec une variable discrète. En effet,
il n’y a pas de raison de supposer que la quantité d’eau est nécessairement un
entier, par exemple.
Correction
On cherche P(V ≤ 5). Par définition de la fonction de répartition, on a
P(V ≤ 5) = FV (5). Or, pour une variable uniforme sur [0, 20], on a
5−0 1
FV (5) = = ,
20 − 0 4
qui est donc la probabilité recherchée.
Quand on vide 5 verres remplis aléatoirement, V1 , . . . , V5 , on obtient
la quantité aléatoire V1 + · · · + V5 . Par linéarité de l’espérance, on a

E(V1 + · · · + V5 ) = E(V 1) + · · · + E(V5 ).

43
44 CHAPITRE 6. LOIS CONTINUES CLASSIQUES

Les variables étant toutes uniformes sur [0, 20], elles sont toutes d’espérance
0+20
2 = 10. La quantité moyenne d’eau obtenue dans la bassine est de donc
5 × 10 = 50 cl.
Il est important de rappeler la propriété utilisée ici pour calculer la quantité
moyenne d’eau, à savoir la linéarité de l’espérance. On note en particulier que
cette propriété ne nécessite pas l’indépendance entre les variables aléatoires.

Exercice 6.2
Énoncé On suppose que la durée de vie d’un disque dur est distribuée selon une
loi exponentielle. Le fabricant veut garantir que le disque dur a une probabilité
inférieure à 0.001 de tomber en panne sur un an. Quelle durée de vie moyenne
minimale doit avoir le disque dur ?

Correction
On appelle D la variable aléatoire donnant la durée de vie du disque dur.
D suit une loi exponentielle de paramètre λ. Le fabricant veut garantir
que
P(D ≤ 1) ≤ 0.001.
Comme P(D ≤ a) = FD (a) par définition, on obtient l’inégalité

1 − exp(−λ × 1) ≤ 0.001,

en appliquant la formule classique pour la fonction de répartition d’une

variable de loi exponentielle. On a alors

1 − exp(−λ) ≤ 0.001,
0.999 ≤ exp(−λ),
ln(0.999) ≤ −λ, en utilisant la croissance de ln
λ ≤ − ln(0.999),
−1 1 1
≤ , en utilisant la décroissance de
ln(0.999) λ x
1
999,5 ≤ .
λ
Or, comme D suit une loi exponentielle, son espérance est λ1 . La durée de
vie moyenne du disque dur doit donc être d’au moins 999,5 ans !

Cet exercice est une simple application des propriétés de la loi exponentielle et
de la définition de la fonction de répartition. Il faut simplement être attentif dans
la manipulation des inégalités pour bien obtenir une minoration de l’espérance
et donc de la durée de vie.
 45

Exercice 6.3
Énoncé D’après une étude récente, la taille des femmes françaises est distribuée
selon une loi normale de moyenne m = 1,58 et d’écart-type σ = 0,06. Pour
produire un stock de vêtements, un fabricant souhaite utiliser cette loi.
Question 1 Il commence par déterminer un intervalle de la forme [m−a, m+a]
(donc symétrique autour de la moyenne) contenant en moyenne 90 % (environ)
des tailles des femmes françaises : calculer a.
Question 2 Il en déduit trois tailles, S, M et L, correspondant respectivement
aux intervalles [m − a, m− a/3], [m − a/3, m + a/3] et [m + a/3, m+ a]. Calculer
le pourcentage de la production qui doit être affecté à chaque taille.

Correction
Soit T la variable aléatoire représentant la taille d’une femme. Par hy-
pothèse, T suit une loi normale N (1,58; 0,062 ). On cherche a > 0 tel
que
P(T ∈ [m − a,m + a]) = 0,9.

Dans cet exercice, il n’y pas d’étape de modélisation car la loi de la variable
d’intérêt est donnée explicitement, avec la valeur de ses paramètres. La tra-
duction de l’énoncé se limite donc à exprimer mathématiquement l’évènement
étudié et à donner les hypothèses sur cet évènement.
Correction
Soit la variable Y = T −m σ . On sait que Y suit une loi normale standard
N (0; 12 ). De plus, on a

m−a≤ T ≤ m + a,
−a ≤ T −m ≤ a,
a T −m a
− ≤ ≤ .
σ σ σ
Donc P(T ∈ [m − a, m + a]) = 0,9 est équivalent a P(Y ∈ [− σa , σa ]) = 0,9.
Cherchons donc λ tel que P(Y ∈ [−λ, λ]) = 0,9.

On utilise ci-dessus la manipulation classique permettant de se ramener à une

variable aléatoire distribuée selon une loi normale standard pour laquelle on
dispose d’une table. La technique consiste à appliquer à l’évènement défini sur la
variable d’origine (ici T ) les transformations qui conduisent à la variable centrée
et réduite (ici Y ). On transforme ainsi l’évènement sur T en un évènement sur
Y pour lequel on pourra appliquer la table.
46 CHAPITRE 6. LOIS CONTINUES CLASSIQUES

Correction
On sait que
P(Y ∈ [−λ, λ]) = FY (λ) − FY (−λ),
car Y est une variable aléatoire continue. De plus, par symétrie de la loi
normale standard, on FY (−λ) = 1 − FY (λ), et ainsi

P(Y ∈ [−λ, λ]) = 2FY (λ) − 1.

De ce fait, chercher λ tel que P(Y ∈ [−λ, λ]) = 0,9 est équivalent à chercher
λ tel que FY (λ) = 1+0,9
2 = 0,95.

La table ne donne que la fonction de répartition de la loi normale. Il faut donc

se ramener à une équation portant sur cette fonction. On utilise d’abord le
fait que pour toute variable aléatoire continue (c’est faux pour une variable
discrète), on a

P(X ∈ [a, b]) = FX (b) − FX (a).

Ensuite, on applique la propriété de symétrie de la loi normale pour se débar-

rasser du terme négatif (le terme FY (−λ)).
Correction
La lecture de la table de la loi normale donne :

FY (1,64) = 0,9495,
FY (1,65) = 0,9505.

Pour avoir un intervalle légèrement plus grand que celui recherché par le
fabricant, on choisit λ = 1,65. Si on pose a = σλ = 0,06 × 1,65 = 0,099,
on a donc

P(T ∈ [m − a, m + a]) = P(T ∈ [1,481; 1,679]) ' 0,9

Il faut être attentif à l’inversion de la relation dans le calcul final de a. On

a en effet trouvé λ grâce à la table, mais ce n’est pas la grandeur recherchée
puisque l’évènement étudié est Y ∈ [− σa , σa ] alors qu’on ajusté la probabilité de
Y ∈ [−λ, λ]. On doit donc faire σa = λ, ce qui donne a.
Le reste de l’exercice est une application de la même stratégie de centrage et
de réduction de T , mais avec une utilisation « inverse » de la table : l’évènement
étudié est fixé et on doit calculer sa probabilité. On a intérêt à conserver la
formule a = σλ pour simplifier les calculs.
 47

Correction
Étudions le premier intervalle. On a

m−a≤ T ≤ m − a3 ,
−a ≤ T −m ≤ − a3 ,
a T −m a
− ≤ ≤ ,
σ σ 3σ
λ
−λ ≤ Y ≤− ,
3
et donc
  
 h a i λ
P T ∈ m − a, m − = P Y ∈ −λ, − ,
3 3
 
λ
= FY − − FY (−λ),
3
 
λ
= 1 − FY − 1 + FY (λ), par symétrie
3
 
1,65
= 0,9505 − FY , selon l’analyse précédente
3
= 0,9505 − 0,7088, par lecture dans la table
= 0,2417.

On a de la même façon
  
 h a a i λ λ
P T ∈ m − ,m + =P Y ∈ − , ,
3 3 3 3
   
λ λ
= FY − FY − ,
3 3
 
λ
= 2FY − 1,
3
= 2 × 0,7088 − 1,
= 0,4176.

Enfin :
  
 h a i λ
P T ∈ m + ,m + a = P Y ∈ ,λ ,
3 3
 
λ
= FY (λ) − FY ,
3
= 0,9505 − 0,7088,
= 0,2417,
48 CHAPITRE 6. LOIS CONTINUES CLASSIQUES

ce dernier résultat étant évident par symétrie de la loi normale autour de

sa moyenne.
On calcule enfin les pourcentages à partir de ces probabilités. La
production totale correspond à 90% de la population et on doit donc
diviser les probabilités obtenues par cette valeur. On obtient alors
0,2417
% de S = 0,90 ' 27%
0,4176
% de M = 0,90 ' 46%
0,2417
% de L = 0,90 ' 27%

L’exercice se termine par un piège classique : comme le fabricant se contente

de cibler 90 % de la population, les probabilités d’obtenir les différentes tailles
ne donnent pas directement les pourcentages de la production. On doit passer
par un ratio pour obtenir ces pourcentages.
Chapitre 7

Variable fonction d’une autre

variable

Exercice 7.1
Énoncé On suppose que la variable aléatoire X suit la loi uniforme sur l’en-
semble
X(Ω) = {−3, −2, 1, 4}.
Question 1 Donner la loi de X.
Question 2 Calculer E(X) et V (X).
On définit la variable aléatoire Y = 2X + 1.
Question 3 Donner Y (Ω) et la loi de Y .
Question 4 Calculer E(Y ) de deux façons différentes.
Reprendre les deux questions précédentes pour la variable Z = (X + 1)2 .

Correction
Par hypothèse, la loi de X est uniforme et la probabilité d’avoir X = x pour
tout élément x de X(Ω) est donc constante. De ce fait, cette probabilité
1
est de |X(Ω)| = 14 . La loi de X est donc résumée par le tableau suivant

x −3 −2 1 4
PX (x) 14 1
4
1
4
1
4

On applique ici directement les résultats de cours sur la loi uniforme pour une
variable aléatoire discrète (à ne pas confondre avec le cas continu).
Correction

49
50 CHAPITRE 7. VARIABLE FONCTION D’UNE AUTRE VARIABLE

L’espérance de X est donnée par

X
E(X) = xPX (x),
x∈X(Ω)
1 X
= x,
4
x∈X(Ω)
1
= (−3 − 2 + 1 + 4),
4
= 0.
Il faut toujours mentionner au moins une fois la formule qui définit l’espérance
pour pouvoir l’utiliser dans une solution.
Correction
Pour calculer la variance, on utilise la formule V (X) = E(X 2 ) − (E(X))2
dont le deuxième terme est nul. On sait aussi que pour toute fonction φ,
X
E(φ(X)) = φ(x)PX (x).
x∈X(Ω)

On a donc

V (X) = E(X 2 ),
X
= x2 PX (x),
x∈X(Ω)
1
= ((−3)2 + (−2)2 + 12 + 42 ),
4
= 7.

Le rappel de la propriété générale qui permet de calculer E(φ(X)) n’est pas

nécessaire pour le calcul de E(X 2 ) mais il est conseillé car il permet de ne pas
faire l’erreur fréquente qui consiste à mettre les probabilités au carré plutôt
que les valeurs de x.
Correction
Considérons Y = 2X + 1. Le tableau suivant donne la valeur de Y pour
toutes les valeurs possibles de X :

x −3 −2 1 4
2x + 1 −5 −3 3 9

On a donc Y (Ω) = {5, −3, 3, 9}.

Comme Y est une variable discrète, sa loi est déterminée par les
 51

 
y−1
probabilités PY (y) pour tout y ∈ Y (Ω). Or, PY (y) = PX 2 car
Y = 2X + 1 et donc X = Y 2−1 . De plus, pour tout y ∈ Ω, y−1
2 puisqu’on a
dans Y (Ω)les images
 par Y des valeurs de X(Ω). De ce fait, pour tout
y−1 1
y ∈ Ω, PX 2 = 4 . Donc la loi de Y est la loi uniforme sur Y (Ω).

On applique ci-dessus les propriétés classiques pour la loi d’une variable aléatoire
obtenue comme fonction d’une autre variable, Y = f (X). On sait en effet que
pour sous-ensemble A de Y (Ω),

PY (A) = PX (Y −1 (A)),

où Y −1 est défini par

Y −1 (A) = {x ∈ X(Ω) | f (x) ∈ A}.

Dans le cas d’une variable aléatoire discrète qui nous intéresse ici, il suffit de
considérer les ensembles A réduits à une seule valeur, ce qui conduit à la solution
proposée. Notons que celle-ci est simple car la transformation Y = 2X + 1 est
bijective. La variable Z sera légèrement plus complexe à étudier.
Correction
Pour calculer E(Y ), on peut appliquer en fait trois résultats différents.
On sait que pour tout α et β déterministes, et toute variable aléatoire X,
E(αX + β) = αE(X) + β. Ici on a donc

E(Y ) = 2E(X) + 1 = 1.

On peut aussi appliquer le résultat rappelé ci-dessus à la fonction φ(x) =

2x + 1. On a donc

E(Y ) = E(φ(X)),
X
= φ(x)PX (x),
x∈X(Ω)
1 X
= (2x + 1),
4
x∈X(Ω)
1
= (−5 − 3 + 3 + 9),
4
= 1.
52 CHAPITRE 7. VARIABLE FONCTION D’UNE AUTRE VARIABLE

Enfin, on peut appliquer la définition de l’espérance à Y , ce qui donne

X
E(Y ) = yPY (y),
y∈Y (Ω)
1 X
= y,
4
y∈Y (Ω)
1
= (−5 − 3 + 3 + 9),
4
= 1.
Quand on demande d’obtenir une espérance par deux méthodes différentes,
c’est en général qu’on veut que le calcul soit réalisé une fois avec la définition de
l’espérance (troisième calcul ci-dessus) et une autre fois en s’appuyant sur une
propriété classique de l’espérance comme sa linéarité (utilisée dans le premier
calcul) ou la formule pour E(φ(X)), appliquée très régulièrement (deuxième
calcul dans la correction).
Correction
On étudie maintenant Z = (X +1)2 . On calcule Z(Ω) au moyen du tableau
suivant qui donne les valeurs de Z en fonction des valeurs de X :

x −3 −2 1 4
(x + 1)2 4 1 4 25

On constate que Z(Ω) = {1, 4, 25}. Pour calculer la loi de Z on doit

déterminer Z −1 (z) pour tout z ∈ Z(Ω). Le tableau suivant résume ce
calcul et la loi de Z obtenue ainsi, en appliquant la propriété PZ (z) =
PX (Z −1 (z)) :

z 1 4 25
Z −1 (z) {−2} {−3, 1} {4}
PZ (z) = PX (Z −1 (z)) 1
4
1
2
1
4

On utilise ici le fait que la loi de X sur X(Ω) est uniforme et donc que la
probabilité d’un ensemble A est donnée par le ratio entre le cardinal de A et
celui de X(Ω). On remarque que le calcul est légèrement plus complexe que
celui de Y car la fonction x 7→ (x + 1)2 n’est pas injective : les deux valeurs
distinctes −3 et 1 que peut prendre X sont toutes deux transformées en la
valeur 4 pour Z. De ce fait, la loi de Z sur Z(Ω) n’est pas uniforme.
Correction
Pour calculer E(Z), on peut appliquer le résultat classique à Z = φ(X)
 53

avec φ(x) = (x + 1)2 , ce qui donne

E(Z) = E(φ(X)),
X
= φ(x)PX (x),
x∈X(Ω)
1 X
= (x + 1)2 ,
4
x∈X(Ω)
1
= (4 + 1 + 4 + 25),
4
17
= .
2
On peut aussi utiliser la définition de l’espérance, ce qui donne
X
E(Z) = zPZ (z),
z∈Z(Ω)
1 1 1
= × 1 + × 4 + × 25,
4 2 4
17
= .
2
Contrairement au cas de la variable Y , les deux approches utilisées ci-dessus
conduisent à des calculs légèrement différents. Dans le deuxième calcul, on a
déjà « factorisé » les valeurs identiques de Z, c’est pourquoi la probabilité de
4 est de 12 . Dans le premier cas, on travaille du point de vue de X et tous les
probabilités sont de 12 . Mais comme on transforme les valeurs de X en valeurs
de Z, on obtient deux fois la valeur 4, ce qui conduit bien entendu au même
résultat final.
Chapitre 8

Couples de variables aléatoires

Exercice 8.1
Énoncé Soit un couple de variables aléatoires (X, Y ) tel que X(Ω) = {−2, 0, 1}
et Y (Ω) = {−1, 1, 2} dont la loi jointe est donnée par le tableau suivant :

P(X = x, Y = y) y = −1 y = 1 y = 2
x = −2 0,2 0,2 α
x=0 0,1 0,1 0,05
x=1 0,2 0 0,1

Question 1 Donner l’unique valeur possible pour α en justifiant brièvement

la réponse.
Question 2 Calculer les lois marginales de X et de Y .
Question 3 Montrer que X et Y ne sont pas indépendantes.
Question 4 Calculer la loi conditionnelle de X sachant Y = 1. En déduire
E(X|Y = 1).
Question 5 Calculer l’espérance conditionnelle de X sachant que Y 6= 2.
Question 6 Calculer E(XY ) et en déduire Cov(X,Y ).
Question 7 On pose Z = X + Y . Calculer la loi de Z, puis E(Z) et V (Z).

Correction
On sait que P(X ∈ X(Ω), Y ∈ Y (Ω)) = 1 et que
X X
P(X ∈ X(Ω), Y ∈ Y (Ω)) = P(X = x, Y = y).
x∈X(Ω) y∈Y (Ω)

Donc la somme des probabilités contenues dans le tableau doit être égale
à 1. On constate que la somme est ici 0,95 + α. Donc α = 0,05.

55
56 CHAPITRE 8. COUPLES DE VARIABLES ALÉATOIRES

La justification proposée est assez détaillée. On peut se contenter de dire que la

somme des probabilités doit être égale à 1, puisque c’est une propriété majeure
des tableaux utilisés pour donner les lois de couple de variables aléatoires
discrètes.
Correction
La loi marginale de X est donnée par
X
P(X = x) = P(X = x, Y = y).
y∈Y (Ω)

Un simple calcul donne les résultats résumés dans le tableau suivant

x −2 0 1
P(X = x) 0,45 0,25 0,3

De la même façon, on obtient la loi de Y donnée par

y −1 1 2
P(Y = y) 0,5 0,3 0,2

On se contente ici de justifier les calculs dans un des deux cas, par symétrie. Il
est utile de vérifier que la somme des probabilités de la loi obtenue pour chaque
variable est bien 1.
Correction
Les variables X et Y sont indépendantes si et seulement si pour tout x et y,
P(X = x, Y = y) = P(X = x)×P(Y = y). Or, on remarque dans le tableau
que P(X = 1, Y = 1) = 0, alors que P(X = 1) × P(Y = 1) = 0,3 × 0,3 6= 0.
Les deux variables ne sont donc pas indépendantes.

Pour les questions d’indépendance, on doit toujours rappeler la définition

puis essayer de l’appliquer. Quand on cherche comme ici à montrer que les
variables ne sont pas indépendantes, il suffit de trouver un contre-exemple,
c’est-à-dire une valeur pour chaque variable telles que la probabilité du couple
soit différente du produit des probabilités de chaque variable. Si on cherche à
montrer l’indépendance, on doit au contraire vérifier que toutes les paires de
valeurs satisfont l’égalité demandée.
Correction
On utilise la définition de la loi conditionnelle, P(X = x|Y = 1) =
P(X=x,Y =1)
P(Y =1) , ce qui conduit immédiatement à la loi résumée dans le tableau
 57

suivant
x −2 0 1
0,2 2 0,1 1 0
P(X = x|Y = 1) 0,3= 3 0,3 = 3 0,3 =0
L’espérance conditionnelle est obtenue en appliquant la définition, c’est-à-
dire
X
E(X|Y = 1) = xP(X = x|Y = 1),
x∈X(Ω)
2 1
= −2 × + 0 × + 1 × 0,
3 3
4
=− .
3
On se contente ici d’appliquer les définitions et de faire des calculs élémentaires.
La question suivante est légèrement plus complexe puisqu’il faut considérer un
conditionnement qui ne s’exprime pas sous la forme Y = y.
Correction
6=2)
6 2) = P(X=x,Y
On doit d’abord calculer P(X = x|Y = P(Y 6=2) . Or, {Y =
6 2} =
{Y = −1} ∪ {Y = 1}, avec une union disjointe. Donc

P(X = x, Y 6= 2) = P(X = x, Y = −1) + P(X = x, Y = 1),

ainsi que P(Y 6= 2) = P(Y = −1) + P(Y = 1), c’est-à-dire

P(X = x, Y = −1) + P(X = x, Y = 1)

P(X = x|Y 6= 2) = .
P(Y = −1) + P(Y = 1)

En appliquant cette formule, on obtient la loi conditionnelle résumée dans

le tableau suivant
x −2 0 1
0,4 1 0,2 1 0,2 1
6 2)
P(X = x|Y = 0,8= 2 0,8 = 4 0,8 = 4

On en déduit l’espérance conditionnelle souhaitée par le calcul suivant

X
E(X|Y 6= 2) = xP(X = x|Y 6= 2),
x∈X(Ω)
1 1 1
= −2 × +0× +1× ,
2 4 4
3
=− .
4

Comme dans l’exercice 2.1, la difficulté de l’analyse vient essentiellement de la

tentation d’inventer des propriétés fausses en « généralisant » des propriétés
vraies. En particulier, ici, on pourrait être tenter de croire que la probabilité
58 CHAPITRE 8. COUPLES DE VARIABLES ALÉATOIRES

P(X = x|Y = 6 2) est égale à la probabilité 1 − P(X = x|Y = 2). Or, c’est en
général faux. Dans le cas présent, si on considère par exemple x = −2, on a

P(X = −2, Y = 2)
1 − P(X = −2|Y = 2) = 1 − ,
P(Y = 2)
0,05
=1− ,
0,2
3
= ,
4
alors que P(X = −2|Y 6= 2) = 21 . En fait, on a bien

1 − P(X = x|Y = 2) = P(X 6= x|Y = 2),

mais ce n’est pas utile pour calculer P(X = −2|Y 6= 2) !

Correction
On calcule E(XY ) en appliquant la propriété classique : pour toute fonction
φ, on a
X X
E(φ(X,Y )) = φ(x,y)P(X = x, Y = y).
x∈X(Ω) y∈Y (Ω)

Le tableau suivant donne les calculs intermédiaires xyP(X = x, Y = y) :

P(X = x, Y = y) y = −1 y=1 y=2

x = −2 0,2 × 2 = 0,4 0,2 × −2 = −0,4 0,05 × −4 = −0,2
x=0 0,1 × 0 = 0 0,1 × 0 = 0 0,05 × 0 = 0
x=1 0,2 × −1 = −0,2 0×1=0 0,1 × 2 = 0,2

On obtient ainsi E(XY ) = −0,2.

Comme dans la plupart des questions de calcul, il est important de rappeler la

définition de ce qu’on calcule et les propriétés utilisées, comme nous l’avons
fait ci-dessus. On procède de la même façon pour la suite de la question, en
rappelant la définition de la covariance et de l’espérance d’une variable seule.
Correction
On sait que Cov(X, Y ) = E(XY ) − E(X)E(Y ). On calcule donc E(X) et
E(Y ) en utilisant les définitions de ces espérances :
X
E(X) = xP(X = x)
x∈X(Ω)

= −2 × 0,45 + 0 × 0,25 + 1 × 0,3

= −0,6.
 59

De la même façon

E(Y ) = −1 × 0,5 + 1 × 0,3 + 2 × 0,2

= 0,2.

On obtient finalement Cov(X, Y ) = −0,2 − (−0,6) × 0,2 = −0,08.

Correction
Étudions maintenant Z = X + Y . Le tableau suivant donne les valeurs
prises par Z en fonction de celles de X et Y :

z = x + y y = −1 y = 1 y = 2
x = −2 −3 −1 0
x=0 −1 1 2
x=1 0 2 3

On a donc Z(Ω) = {−3, −1, 0, 1, 2, 3}. Pour calculer la loi de Z = f (X,Y ),

on doit déterminer f −1 (z) pour tout z ∈ Z(Ω) puis calculer la probabilité
de f −1 (z) à partir de la loi jointe de X et Y , en utilisant la propriété
P(Z = z) = P((X,Y ) ∈ f −1 (z)). On obtient les résultats suivants :

P(Z = −3) = P(X = −2, Y = −1) = 0,2

P(Z = −1) = P((X,Y ) ∈ {(−2, 1), (0, −1)}) = 0,1 + 0,2 = 0,3
P(Z = 0) = P((X,Y ) ∈ {(−2, 0), (1, −1)}) = 0,05 + 0,2 = 0,25
P(Z = 1) = P(X = 0, Y = 1) = 0,1
P(Z = 2) = P((X,Y ) ∈ {(0, 2), (1, 1)}) = 0,05 + 0 = 0,05
P(Z = 3) = P(X = 1, Y = 2) = 0,1

On utilise la propriété classique qui caractérise la loi d’une variable définie

comme fonction d’autres variables à partir de la fonction réciproque (ici f −1 )
et de la loi jointe des autres variables.
Correction
Comme Z = X + Y et que l’espérance est linéaire, on a

E(Z) = E(X) + E(Y ) = −0,6 + 0,2 = −0,4.

De plus, on sait que

V (X + Y ) = V (X) + V (Y ) + 2Cov(X,Y ).
60 CHAPITRE 8. COUPLES DE VARIABLES ALÉATOIRES

On calcule donc les variances de X et Y . On a

E(X 2 ) = (−2)2 × 0,45 + 02 × 0,25 + 12 × 0,3

= 2,1,

et

E(Y 2 ) = (−1)2 × 0,5 + 12 × 0,3 + 22 × 0,2

= 1.6.

Donc V (X) = E(X 2 ) − (E(X))2 = 1,74 et V (Y ) = 1,56. On obtient

finalement
V (Z) = 1,74 + 1,56 + 2 × (−0,08) = 3,14.
Notons que l’espérance et la variance de Z qui sont obtenues ici au moyen de
propriétés de ces deux grandeurs pourraient aussi être calculées directement
à partir de la loi de Z. Quelle que soit l’option choisie, il faut rappeler les
propriétés et définitions utilisées.
Annexes

61
Évolutions de ce document

La dernière version de ce document se trouve sur la page [Link]

org/teaching/statistics/[Link].
23/04/2012 : version 0.0.1
première version diffusée avec deux exercices corrigés
26/04/2012 : version 0.0.2
– ajout d’un exercice sur les variables aléatoires discrètes ;
– ajout d’un exercice sur les lois Bernoulli et Binomiale.
27/04/2012 : version 0.0.3
– ajout d’un exercice sur la loi de Poisson ;
– ajout d’un exercice sur la loi uniforme ;
– ajout d’un exercice sur la loi exponentielle ;
– ajout d’un exercice sur la loi normale.
28/04/2012 : version 0.0.4
– ajout d’un exercice sur les variables fonction d’autres variables ;
– ajout d’un exercice sur les couples de variables.
05/04/2013 : version 0.0.5
ajout d’un exercice sur les variables aléatoires continues (densité).
05/04/2013 : version 0.0.6
ajout d’un exercice sur les variables aléatoires continues (fonction de
répartition).
02/03/2014 : version 0.0.7
ajout d’un exercice sur une probabilité non uniforme.
07/03/2014 : version 0.0.8
ajout d’un exercice de conditionnement.
12/03/2014 : version 0.0.9
– amélioration de la présentation ;
– ajout d’un « mode d’emploi » ;
– ajout d’un exercice sur les variables aléatoires discrètes.

63