Chapitre 14 : Somme de Variables Aléatoires et Loi des Grands Nombres Théorème : Théorème de transfert

Pour une variable aléatoire discrète X et f une fonction continue à valeurs positives.
I) Variables aléatoires
X
E(f (X)) = pi f (xi )
Définition
En particulier, E(X 2 ) = pi x2i
P
On considère une expérience aléatoire associée à un univers Ω. Une variable aléatoire X est une fonction
définie sur Ω = {ω1 ; ω2 ; ... ; ωn } et à valeurs dans R ; autrement dit, X est une fonction qui, à tout
élément ωi de Ω, associe un unique réel Propriété : Formule de Koenig-Huygens

X : Ω → R Soit X une variable aléatoire. Alors on a la formule de König-Huygens :

ωi 7→ X(ωi ) = xi
V (X) = E(X 2 ) − E(X)2

Définition : Loi de probabilité Définition

Définir la loi de probabilité de X, c’est associé à chaque valeur xi (1 ≤ i ≤ n) prise par une variable aléatoire L’écart-type de la loi de probabilité de X est le nombre réel positif noté σ(X) défini par :
X, la probabilité de l’événement X = xi On représente généralement cette loi à l’aide d’un tableau : p
σ(X) = V (X).
Valeur xi prises par X x1 x2 · · · xn
P (X = xi ) p1 p2 · · · pn
Un jeu consiste à tirer au hasard une boule dans une urne contenant 5 boules bleues, 3 boules vertes
Propriété PEN1
et 10 boules rouges. Le joueur gagne 1 euro s’il tire une boule bleue, 2 euros s’il tire une boule verte
et il perd 3 euros s’il tire une boule rouge. Soit G la variable aléatoire égale au gain algébrique (en
Avec les notations précédentes,
p1 + p2 + · · · + pn = 1 comptant la mise) du joueur à l’issue d’une partie. Déterminer la loi de probabilité de G, calculer
E(G), V (G) et σ(X).

II) Espérance et variance III) Transformation de variables aléatoires

1) Espérance Dans la suite, on prend X et Y deux variables aléatoires définies sur l’univers Ω d’une expérience aléatoire. X
prend les valeurs x1 , x2 , · · · , xn et Y prend les valeurs y1 , y2 , · · · , ym (avec n et m ∈ N∗ ). Soient a et b deux réels.
Définition
L’espérance mathématique de la variable aléatoire X est le nombre réel noté E(X) défini par : 1) Transformation affine d’une variable aléatoire aX + b
n
X Définition
E(X) = pi xi = p1 x1 + p2 x2 + · · · + pn xn
La variable aléatoire aX + b prend toutes les valeurs possibles {axi + b = yi , 1 ≤ i ≤ n}.
i=1
La loi de probabilité de Y = aX + b : pour toute valeur yi prise par Y , on a
avec pour tout entier i compris entre 1 et n, pi = P (X = xi ).
P (Y = yi ) = P (aX + b = axi + b) = P (X = xi )

L’espérance mathématique peut être interprétée comme une valeur moyenne de X dans le cas d’un
Lightbulb grand nombre de répétitions de l’expérience aléatoire.
Lightbulb
La loi de probabilité de la transformée affine d’une variable aléatoire est la même que celle de la
variable aléatoire.
2) Variance et écart-type

Définition On lance un dé équilibré à 4 faces, numérotées de 1 à 4, et on note X la variable aléatoire qui donne
La variance de la loi de probabilité de X est le nombre réel positif noté V (X) défini par : PEN2
le numéro porté par la face du dessous.
On note Y la variable aléatoire qui donne le numéro porté par la face du dessous multiplié par 2
n
X auquel on retire 3. On a alors Y = 3X − 2. Ainsi, Déterminer la loi de Y .
2
V (X) = pi (xi − E(X))
Théorème : Espérance et variance
i=1

avec, pour tout entier i compris entre 1 et n, pi = P (X = xi ). • E(aX + b) = aE(X) + b (linéarité)

• V (aX + b) = a2 V (X)
• σ(aX + b) = |a|σ(X)

M. Gressier - Term Spé Page 1/7 Lycée Richelieu 2025-2026 M. Gressier - Term Spé Page 2/7 Lycée Richelieu 2025-2026
 Soit un dé non truqué à 6 faces. On associe la variable aléatoire X au gain que l’on touche : 3) Application à la loi binomiale
PEN
3
• Tomber sur 1 ou 6 fait gagner 3 €
Propriété : Loi binomiale
• Tomber sur 2, 3, 4 fait perdre −1 €
Si X est une variable aléatoire qui suit une loi binomiale B(n, p) alors
• Tomber sur 5 fait gagner 10 €
1. Donner la loi de X.
p
E(X) = np V (X) = np(1 − p) σ(X) = np(1 − p)
2. Calculer son espérance et sa variance.
3. Un bookmaker souhaite créer un jeu qui lui rapporte. Il propose de donner au joueur 6 fois Démonstration
son gain contre une prime d’argent. A combien doit-il fixer celle-ci au minimum ? A faire à part.

2) Somme de deux variables aléatoires IV) Loi des grands nombres

Définition 1) Echantillon de variables aléatoires indépendantes
Soit X et Y variables aléatoires sur le même univers Ω.
X + Y est une variable aléatoire qui prend la somme des valeurs possibles de X et de Y . Définition
Un échantillon d’une loi de probabilité est un ensemble de variables aléatoires réelles (X1 , . . . , Xn ) indépen-
Propriété : Loi de X + Y dantes et de même loi.

Soit X et Y deux variables aléatoires réelles définies sur Ω. X(Ω) = {x1 , · · · , xn } et Y (Ω) = {y1 , · · · , ym }. Propriété : Définition et propriété
La variable aléatoire Z = X + Y est définie par :
Soit (X1 , · · · , Xn ) un échantillon de taille n de la loi de probabilité suivie par une variable aléatoire X. La
∀ω ∈ Ω, Z(ω) = X(ω) + Y (ω) somme de cet échantillon est la variable aléatoire Sn = X1 + · · · + Xn . On a :
X
E(Sn ) = nE(X) V (Sn ) = nV (X)


P (Z = k) = P (X = xi ) ∩ (Y = yj )
xi +yj =k

Propriété : Définition et propriété

Soient X et Y deux variables aléatoires associées à deux expériences aléatoires dont les conditions de réalisations
La variable aléatoire moyenne de cet échantillon est la variable aléatoire notée Mn ou X, définie par
sont indépendantes. On dit que les deux variables X et Y sont indépendantes.
1
Propriété : Indépendance Mn = (X1 + X2 + · · · + Xn )
n
Si X et Y sont indépendantes, on a alors : P (X = xi ) ∩ (Y = Yj ) = P (X = xi ) × P (Y = yj )


On a alors :
1 1
E(Mn ) = E(X1 ) Var(Mn ) = Var(X1 ) σ(Mn ) = √ σ(X1 )
n n
On lance de façon indépendante deux pièces dont une truquée de la façon suivante
PEN
4 xi 0 (P) 1 (F) yi 0 (P) 1 (F) Sn
On appelle aussi Mn = la fréquence empirique.
P (X = xi ) 0,3
Déterminer la loi de X + Y .
0,7 P (Y = yi ) 0,5 0,5
Lightbulb n

Théorème : Espérance et variance 1

On considère une variable aléatoire X qui suit une loi binomiale de paramètres 3 et .
Soit X et Y deux variables aléatoires sur Ω. PEN 3
On considère un échantillon (X1 , . . . , X100 ) de variables aléatoires indépendantes de même loi que
1. E(X + Y ) = E(X) + E(Y ) 6 1
X et on note Mn = (X1 + X2 + · · · + Xn ).
2. Si X et Y sont indépendantes, alors V (X + Y ) = V (X) + V (Y ) n
Déterminer E(Mn ) et V (Mn ).

Déterminer E(X + Y ) et V (X + Y ) de l’exemple précédent. Adrien veut jouer 10 parties d’un jeu de fléchettes où l’on peut gagner un certain nombre de points,
PEN
5
PEN noté X. La loi de probabilité est la suivante :
7
a 0 1 2 10 20
P (X = a) 0,5 0,25 0,1 0,1 0,05

Calculer l’espérance et l’écart-type du gain de points moyen par partie.

M. Gressier - Term Spé Page 3/7 Lycée Richelieu 2025-2026 M. Gressier - Term Spé Page 4/7 Lycée Richelieu 2025-2026
2) Inégalités de concentration c) Inégalité de Bienaymé-Tchebychev
a) Rappels sur la valeur absolue Théorème : Inégalité de Bienaymé-Tchebychev
Soit X une variable aléatoire réelle. Pour tout réel t strictement positif, on a :

Var(X)
Inégalité Ensemble solution Intervalle Schéma P (|X − E(X)| ≥ t) ≤
t2

Interprétation :
|x| < a −a < x < a ]−a ; a[ 1. Cette inégalité traduit le fait que la variance permet de mesurer l’écart d’une variable aléatoire par rapport à
−a 0 a son espérance.
2. La probabilité que X s’écarte d’au moins t de E(X) est d’autant plus petite que t est grand.

|x| > a x < −a ou x > a ]−∞ ; −a[ ∪ ]a ; +∞[ Démonstration

−a 0 a
A faire à part

b
|x − b| < a b−a<x<b+a ]b − a ; b + a[ On lance 180 fois un dé équilibré à 6 faces, numérotées de 1 à 6. On appelle X la variable aléatoire
b−a b+a
PEN
10
qui donne le nombre de 1 obtenus.
1. Déterminer la loi de X.
|x − b| > a x < b − a ou x > b + a ]−∞ ; b − a[ ∪ ]b + a ; +∞[
b 2. Déterminer E(X) et V (X).
b−a b+a
3. Traduire avec une valeur absolue ”X est compris entre 21 et 39”.
4. En déduire une minoration de la probabilité que X soit compris entre 21 et 39.
Déterminer les ensembles décrit par les inégalités suivantes :
PEN
8 1. |x| ≤ 2 2. |x| > 6 3. |x − 1| < 2 4. |x + 1| ≥ 2 5. |x − 8| > 10 d) Inégalité de concentration

Propriété : Inégalité de concentration

Soit (X1 , . . . , Xn ) un échantillon de n variables aléatoires indépendantes, et Mn la variable aléatoire moyenne
Traduire les phrases suivantes avec des valeurs absolues et écrire les intervalles correspondants. de cet échantillon. Alors, pour tout réel t strictement positif,
PEN
9
1. x est à un distance inférieure à 5 de 0.
P (|Mn − E(X1 )| ≥ t) ≤
Var(X1 )
2. x est à une distance strictement supérieur à 2 de 0 nt2
3. x est compris entre -2 et 2.
Démonstration
4. x est à une distance inférieure à 10 de 5.
À faire à part.

b) Inégalité de Markov
Soit X une variable aléatoire d’espérance 3 et de variance 100.
Théorème : Inégalité de Markov PEN
11
On considère un échantillon (X1 , . . . , Xn ) de variables aléatoires indépendantes de même loi que X
1
Soit X une variable aléatoire à valeurs positives (X ≥ 0). ∀a ∈ R∗+ et on note Mn = (X1 + X2 + · · · + Xn ).
n
Démontrer que pour un échantillon de taille n = 100 000, la probabilité que la moyenne des résultats
E(X)
P (X ≥ a) ≤ soit comprise entre 2,9 et 3,1 est supérieure à 0.9.
a

Interprétation : La probabilité que X prenne des valeurs plus grandes que a est d’autant plus petite que a Théorème : Application à la loi binomiale
est grand. Dans le cas où les Xi suivent une loi de Bernoulli,

Démonstration np(1 − p)
P (|Sn − np| ≥ t) ≤
A faire à part. t2
p(1 − p)
P (|Mn − p| ≥ t) ≤
nt2

M. Gressier - Term Spé Page 5/7 Lycée Richelieu 2025-2026 M. Gressier - Term Spé Page 6/7 Lycée Richelieu 2025-2026
 Soit une variable aléatoire X qui suit la loi de Bernoulli de paramètre 0,2. On considère un échantillon
PEN
12
de n variables aléatoires suivant la loi de X. On appelle Mn la variable aléatoire moyenne associée
à cet échantillon.
Déterminer la taille n de l’échantillon tel que la probabilité que la moyenne Mn appartienne à
l’intervalle ]0,03; 0,37[ soit supérieure à 0,95.

3) Loi faible des grands nombres

Théorème : Loi faible des grands nombres

Soit (X1 , . . . , Xn ) un échantillon de n variables aléatoires indépendantes et Mn la variable aléatoire moyenne
de cet échantillon. Pour tout réel t strictement positif,

lim P (|Mn − E(X1 )| ≥ t) = 0

n→+∞

On dit que Mn converge en probabilité vers E(X1 ) quand n tend vers +∞.
Lightbulb
Démonstration
A faire à part.

Soit une variable aléatoire X d’espérance 3 et de variance 0,2. Soit Mn la variable aléatoire moyenne
PEN d’un échantillon de taille n de la variable aléatoire X.
13 1. Déterminer un majorant de P (|Mn − 3| ≥ 0,1) pour n = 100, pour n = 1000, puis pour
n = 10 000. Que constate-t-on ?
2. Démontrer et interpréter le résultat précédent.

M. Gressier - Term Spé Page 7/7 Lycée Richelieu 2025-2026