Chapitre 14 - Somme de Variables Aléatoires et Loi des Grands Nombres

I) Variables aléatoires

Définition
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

X : Ω → R
ωi 7→ X(ωi ) = xi

Définition : Loi de probabilité

Définir la loi de probabilité de X, c’est associé à chaque valeur xi (1 ≤ i ≤ n) prise par une variable aléatoire
X, la probabilité de l’événement X = xi On représente généralement cette loi à l’aide d’un tableau :

Valeur xi prises par X x1 x2 · · · xn

P (X = xi ) p1 p2 · · · pn

Propriété
Avec les notations précédentes,
p1 + p2 + · · · + pn = 1

II) Espérance et variance

1) Espérance

Définition
L’espérance mathématique de la variable aléatoire X est le nombre réel noté E(X) défini par :
n
X
E(X) = pi xi = p1 x1 + p2 x2 + · · · + pn xn
i=1

avec pour tout entier i compris entre 1 et n, pi = 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.

2) Variance et écart-type

Définition
La variance de la loi de probabilité de X est le nombre réel positif noté V (X) défini par :
n
X
V (X) = pi (xi − E(X))2
i=1

avec, pour tout entier i compris entre 1 et n, pi = P (X = xi ).

M. Gressier - Term Spé Page 1/11 Lycée Richelieu 2025-2026

 Théorème : Théorème de transfert
Pour une variable aléatoire discrète X et f une fonction.
X
E(f (X)) = f (xi )pi

En particulier, E(X 2 ) = x2i pi

P

Propriété : Formule de Koenig-Huygens

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

V (X) = E(X 2 ) − E(X)2

Démonstration
n
X n
X  
V (X) = pi (xi − E(X))2 = pi x2i − 2xi E(X) + (E(X))2
i=1 i=1
n
X n
X n
X
= pi x2i − 2E(X) pi xi + (E(X))2 pi .
i=1 i=1 i=1

Or
n n n
et
X X X
pi x2i = E(X 2 ), pi xi = E(X) pi = 1.
i=1 i=1 i=1

Donc
V (X) = E(X 2 ) − 2 (E(X))2 + (E(X))2 = E(X 2 ) − (E(X))2 . 

Définition
L’écart-type de la loi de probabilité de X est le nombre réel positif noté σ(X) défini par :
p
σ(X) = V (X).

Un jeu consiste à tirer au hasard une boule dans une urne contenant 5 boules bleues, 3 boules vertes
PEN
1
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
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).

III) Transformation de variables aléatoires

Définition : Variable aléatoire réelle

On appelle variable aléatoire réelle toute fonction définie sur l’univers Ω d’une expérience aléatoire et à
valeurs dans R. Les variables aléatoires sont en général notées X.
La loi de probabilité de X est la fonction qui, à chaque réel k associe la probabilité de l’événement P (X = k).

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.

M. Gressier - Term Spé Page 2/11 Lycée Richelieu 2025-2026

1) Transformation affine d’une variable aléatoire aX + b

Définition
La variable aléatoire aX + b prend toutes les valeurs possibles {axi + b = yi , 1 ≤ i ≤ n}.
La loi de probabilité de Y = aX + b : pour toute valeur yi prise par Y , on a

P (Y = yi ) = P (aX + b = axi + b) = P (X = xi )

La loi de probabilité de la transformée affine d’une variable aléatoire est la même que celle de la
Lightbulb variable aléatoire.

On lance un dé équilibré à 4 faces, numérotées de 1 à 4, et on note X la variable aléatoire qui donne

PEN2
le numéro porté par la face du dessous. La loi de X peut être résumée ci-dessous.

k 1 2 3 4
1 1 1 1
P (X = k)
4 4 4 4
On note Y la variable aléatoire qui donne le numéro porté par la face du dessous multiplié par 2
auquel on retire 3. On a alors Y = 3X − 2. Ainsi,
1
P (Y = 10) = P (3X − 2 = 10) = P (X = 4) =
4
On peut alors résumer la loi de Y dans un tableau.

k 1 4 7 10
1 1 1 1
P (Y = k)
4 4 4 4

Théorème : Espérance et variance

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

Démonstration

n
X n
X n
X n
X n
X n
X
E(aX + b) = (axi + b)P (aX + b = axi + b) = (axi + b)pi = axi pi + bpi = a p i xi + b pi .
i=1 i=1 i=1 i=1 i=1 i=1

M. Gressier - Term Spé Page 3/11 Lycée Richelieu 2025-2026

 n p
X
2 σ(aX + b) = V (aX + b)
V (aX + b) = pi axi + b − E(aX + b) p
i=1 = a2 V (X)
n p

2 = |a| V (X)
X
= pi axi + b − (aE(X) + b)
i=1 = |a| σ(X)
n
X
2
= pi axi − aE(X)
i=1
n
X
2
= pi a2 xi − E(X)
i=1
n
X
2
= a2 pi xi − E(X)
i=1
2
= a V (X)

Soit un dé non truqué à 6 faces. On associe la variable aléatoire X au gain que l’on touche :
PEN
3
• 1 ou 6 −→ 3 €
• 2, 3, 4 −→ −1 €
• 5 −→ 10 €
1. Donner la loi de X.
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
son gain contre une prime d’argent. A combien doit-il fixer celle-ci au minimum ?
Solution : Loi de X :
xi −1 3 10
1 1 1
P (X = xi )
2 3 6
1 1 1 13
E(X) = (−1) × + 3 × + 10 × = >0
2 3 6 6
Calcul de la variance à l’aide de la formule König-Huygens : V (X) = E(X 2 ) − (E(X))2 et x2i prend
les valeurs {1, 9, 100}
121 169 557
V = − =
6 36 36
Soit G = 6X + k et le bookmaker souhaite que E(G) ≤ 0 ⇐⇒ k ≤ −13
V (G) = 36 × V (X) = 557

2) Somme de deux variables aléatoires

Définition
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 .

Propriété : Loi de X + Y
Soit X et Y deux variables aléatoires réelles définies sur Ω. X(Ω) = {x1 , · · · , xn } et Y (Ω) = {y1 , · · · , ym }.
La variable aléatoire Z = X + Y est définie par :

∀ω ∈ Ω, Z(ω) = X(ω) + Y (ω)

M. Gressier - Term Spé Page 4/11 Lycée Richelieu 2025-2026

 X

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

Soient X et Y deux variables aléatoires associées à deux expériences aléatoires dont les conditions de réalisations
sont indépendantes. On dit que les deux variables X et Y sont indépendantes.

Propriété : Indépendance
Si X et Y sont indépendantes, on a alors :


P (X = xi ) ∩ (Y = Yj ) = P (X = xi ) · P (Y = yj )

Deux pièces dont une truquée. Lancers indépendants.

PEN
4
Loi de X :
xi 0P 1F yi 0P 1F
P (X = xi ) 0,3 0,7 P (Y = yi ) 0,5 0,5
Loi de X + Y :
xi + yi 0 1 2
P (X + Y = xi + yi ) 0,15 0,5 0,35
• P ((X = 0) ∩ (Y = 0)) = 0,3 × 0,5 = 0,15
• P (X + Y = 1) = P ((X = 0) ∩ (Y = 1)) + P ((X = 1) ∩ (Y = 0)) = P (X = 0)P (Y =
1) + P (X = 1)P (Y = 0) = 0,5
• P ((X = 1) ∩ (Y = 1)) = 0,7 × 0,5 = 0,35

Théorème : Espérance et variance

Soit X et Y deux variables aléatoires sur Ω.
1. E(X + Y ) = E(X) + E(Y )
2. Si X et Y sont indépendantes, alors V (X + Y ) = V (X) + V (Y )

3) Applications

Propriété : Loi binomiale

Si X est une variable aléatoire qui suit une loi binomiale B(n, p) alors
p
E(X) = np V (X) = np(1 − p) σ(X) = np(1 − p)

Démonstration
Succession de n épreuves indépendantes à deux issues : succès ou échec. On note Xi pour i ∈ {1, · · · , n} la
variable aléatoire qui prend la valeur 1 en cas de succès à la ième épreuve et 0 sinon.
On a P (Xi = 0) = 1 − p et P (Xi = 1) = p
E(Xi ) = (1 − p) × 0 + p × 1 = p
V (Xi ) = (1 − p) × (0 − p)2 + p × (1 − p)2 = p(1 − p)
Or X = X1 +· · ·+Xn et en généralisant les propriétés précédentes pour les variables aléatoires indépendantes,
on obtient :
E(X) = E(X1 ) + · · · E(Xn ) = np
V (X) = V (X1 ) + · · · V (Xn ) = np(1 − p) 

M. Gressier - Term Spé Page 5/11 Lycée Richelieu 2025-2026

IV) Loi des grands nombres
1) Echantillon de variables aléatoires indépendantes

Définition
Un échantillon d’une loi de probabilité est un ensemble de variables aléatoires réelles (X1 , . . . , Xn ) indépen-
dantes et de même loi.

Propriété : Définition et propriété

Soit (X1 , · · · , Xn ) un échantillon de taille n de la loi de probabilité suivie par une variable aléatoire X. La
somme de cet échantillon est la variable aléatoire Sn = X1 + · · · + Xn . On a :

E(Sn ) = nE(X) V (Sn ) = nV (X)

Propriété : Définition et propriété

La variable aléatoire moyenne de cet échantillon est la variable aléatoire notée Mn ou X, définie par
1
Mn = (X1 + X2 + · · · + Xn )
n
On a alors :
1 1
E(Mn ) = E(X1 ) Var(Mn ) = Var(X1 ) σ(Mn ) = √ σ(X1 )
n n

Sn
On appelle aussi Mn = la fréquence empirique.
Lightbulb n

1
On considère une variable aléatoire X qui suit une loi binomiale de paramètres 3 et . On rappelle
PEN5
1
que E(X) = 3 × = 1 et Var(X) = 3 × × 1 −
1

1

2
= .
3

3 3 3 3
On considère un échantillon (X1 , . . . , X100 ) de variables aléatoires indépendantes de même loi que
1
X et on note Mn = (X1 + X2 + · · · + Xn ).
n
2
On a alors E(Mn ) = E(X) = 1 et Var(Mn ) = .
300

Adrien veut jouer 10 parties d’un jeu de fléchettes où l’on peut gagner un certain nombre de points,
PEN6
noté X. La loi de probabilité est la suivante :

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.

Solution : Les 10 parties sont indépendantes les unes des autres, donc elles constituent un échantillon
(X1 , · · · , X10 ) de taille 10 de la loi de probabilité de X. La variable aléatoire M10 moyenne de cet
échantillon modélise le gain :
X1 + · · · + X10
M10 =
10
On obtient E(X) = 2,45 et σ(X) ≈ 4,96
4,96
Donc E(M10 ) = 2,45 et σ(M10 ) ≈ √ ≈ 1,57
10

M. Gressier - Term Spé Page 6/11 Lycée Richelieu 2025-2026

2) Inégalités de concentration
a) Rappels sur la valeur absolue

Inégalité Ensemble solution Intervalle Schéma

|x| < a −a < x < a ]−a ; a[

−a 0 a

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

−a 0 a

b
|x − b| < a b−a<x<b+a ]b − a ; b + a[
b−a b+a

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

Déterminer les ensembles décrit par les inégalités suivantes :

PEN
7 1. |x| ≤ 2 2. |x| > 6 3. |x − 1| < 2 4. |x + 1| ≥ 2 5. |x − 8| > 10

Traduire les phrases suivantes avec des valeurs absolues et écrire les intervalles correspondants.
PEN
8
1. x est à un distance inférieure à 5 de 0.
2. x est à une distance strictement supérieur à 2 de 0
3. x est compris entre -2 et 2.
4. x est à une distance inférieure à 10 de 5.

b) Inégalité de Markov

Théorème : Inégalité de Markov

Soit X une variable aléatoire à valeurs positives (X ≥ 0). ∀a ∈ R∗+

E(X)
P (X ≥ a) ≤
a

Interprétation : La probabilité que X prenne des valeurs plus grandes que a est d’autant plus petite que a
est grand.

Démonstration
a > 0, on définit la variable aléatoire Y telle que Y = a si X ≥ a et Y = 0 sinon.
Donc Y (Ω) = {0; a}
Y − X = a − X si X ≥ a donc Y − X ≤ 0 si X ≥ a

M. Gressier - Term Spé Page 7/11 Lycée Richelieu 2025-2026

 Sinon Y − X = −X ≤ 0 car X ≥ 0.
On a donc Y − X ≤ 0. En passant à l’espérance, E(Y ) − E(X) ≤ 0 ⇐⇒ E(Y ) ≤ E(X). Avec la loi de
probabilité de Y :
yi 0 a
P (Y = yi ) 1 − P (X ≥ a) P (X ≥ a)
E(X)
Ainsi E(Y ) = 0 × (1 − P (X ≥ a)) + a × P (X ≥ a) = a × P (X ≥ a) ≤ E(X) ⇐⇒ P (X ≥ a) ≤ 
a

c) Inégalité de Bienaymé-Tchebychev

Théorème : Inégalité de Bienaymé-Tchebychev

Soit X une variable aléatoire réelle. Pour tout réel t strictement positif, on a :

Var(X)
P (|X − E(X)| ≥ t) ≤
t2

Interprétation :
1. Cette inégalité traduit le fait que la variance permet de mesurer l’écart d’une variable aléatoire par rapport à
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.

Démonstration
Soit t > 0, posons Y = (X − E(X))2 . D’après la formule de Koenig-Huygens, E(Y ) = V (X).
De plus, (X − E(X))2 = (|X − E(X)|)2 . Donc si |X − E(X)| ≥ t ⇐⇒ |X − E(X)|2 ≥ t2 car x 7→ x2
croissante. Donc on a Y ≥ t2 et on pose a = t2 .
En appliquant l’inégalité de Markov,

E(Y ) V (X)
P (Y ≥ a) ≤ ⇐⇒ P (Y ≥ t2 ) ≤
a t2
On obtient
Y ≥ t2 ⇐⇒ |X − E(X)| ≥ t =⇒ P (Y ≥ t2 ) = P (|X − E(X)|)
Var(X)
On obtient donc P (|X − E(X)| ≥ t) ≤ 
t2

On lance 180 fois un dé équilibré à 6 faces, numérotées de 1 à 6. On appelle X la variable

PEN9
1
aléatoire qui donne le nombre de 1 obtenus. X suit une loi binomiale de paramètres 180 et .
6
1 1 5
Ainsi, E(X) = 180 × = 30 et Var(X) = 180 × × = 25. On souhaite minorer la probabilité
6 6 6
que X soit compris entre 21 et 39, c’est-à-dire 21 ≤ X ≤ 39 donc |X − 30| < 10 soit calculer
P (|X − E(X)| < 10).
D’après l’inégalité de Bienaymé-Tchebychev,

Var(X) 25 1
P (|X − E(X)| ≥ 10) ≤ 2
= =
10 100 4
Ainsi, puisque P (|X − E(X)| < 10) + P (|X − E(X)| ≥ 10) = 1, on a P (|X − E(X)| < 10) =
3
1 − P (|X − E(X)| ≥ 10) ≥ .
4

V (X)
Si t = 2σ(X), alors P (|X − E(X)| ≥ 2σ(X)) ≤ = 0,25
Lightbulb (2σ(X))2

M. Gressier - Term Spé Page 8/11 Lycée Richelieu 2025-2026

3 Inégalité de concentration

Propriété : Inégalité de concentration

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

Var(X1 )
P (|Mn − E(X1 )| ≥ t) ≤
nt2

Démonstration
On applique simplement l’inégalité de Bienaymé-Tchebychev àla variable aléatoire Mn . Son espérance vaut
Var(X1 )

X1 + · · · Xn 1 V (X)
E(X1 ) et sa variance car V (Mn ) = V = 2 × n × V (X1 ) = . 
n n n n

Soit X une variable aléatoire d’espérance 3 et de variance 100. On considère un échantillon

PEN
10
1
(X1 , . . . , Xn ) de variables aléatoires indépendantes de même loi que X et on note Mn = (X1 +
n
X2 + · · · + Xn ).
Pour tout entier naturel non nul n et tout réel δ strictement positif, on a alors

Var(X1 )
P (|Mn − E(X1 )| ≥ t) ≤
nt2
C’est-à-dire,
100
P (|Mn − 3| ≥ t) ≤
nt2
En particulier, pour n = 100000 et t = 0,1,
100
P (|Mn − 3| ≥ 0,1) ≤
100000 × 0,12

c’est-à-dire P (|Mn − 3| ≥ 0,1) ≤ 0,1.

Bien que la variable aléatoire X ait une grande variance, si l’on répète un grand nombre de fois
l’expérience aléatoire, la moyenne des résultats est très proche de l’espérance de X : avec probabilité
0,9 la moyenne est entre 2,9 et 3,1.

Théorème : Application à la loi binomiale

On a
np(1 − p)
P (|Sn − np| ≥ t) ≤
t2
p(1 − p)
P (|Mn − p| ≥ t) ≤
nt2

M. Gressier - Term Spé Page 9/11 Lycée Richelieu 2025-2026

 Soit une variable aléatoire X qui suit la loi de Bernoulli de paramètre 0,2. On considère un échantillon
PEN
11
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.
Solution : On cherche n tel que P (0,03 < Mn < 0,37) ≥ 0,95.
Dans l’idée d’appliquer l’inégalité de concentration, on fait apparaître l’espérance de Mn dans
l’inégalité. Or E(X) = p = 0,2. Ainsi, on cherche n tel que :

P (0,03 − 0,2 < Mn − 0,2 < 0,37 − 0,2) ≥ 0,95

Soit :
P (−0,17 < Mn − 0,2 < 0,17) ≥ 0,95
Soit encore :
P (|Mn − 0,2| < 0,17) ≥ 0,95
Et donc, en considérant l’événement contraire :

1 − P (|Mn − 0,2| ≥ 0,17) ≥ 0,95 =⇒ P (|Mn − 0,2| ≥ 0,17) ≤ 0,05

En prenant t = 0,17 dans l’inégalité de concentration, avec Var(X) = p(1 − p) = 0,2 × 0,8 = 0,16,
on cherche donc n tel que :
0,16
≤ 0,05
n × (0,17)2
Et donc :
0,16
n≥ ≈ 110,7
0,05 × (0,17)2
Pour n ≥ 111, la probabilité que la moyenne Mn appartienne à l’intervalle ]0,03; 0,37[ est 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
On applique l’inégalité de concentration à cet échantillon :

Var(X1 )
P (|Mn − E(X1 )| ≥ t) ≤
nt2
Var(X1 )
Or lim = 0. De plus, P (|Mn − E(X1 )| ≥ t) ≥ 0. Par théorème d’encadrement, on a donc
n→+∞ nt2
lim P (|Mn − E(X1 )| ≥ t) = 0
n→+∞

M. Gressier - Term Spé Page 10/11 Lycée Richelieu 2025-2026

 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.
12 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.
Solution :
1. D’après l’inégalité de concentration :

Var(X)
P (|Mn − E(X)| ≥ t) ≤
nt2
Soit, dans le contexte de l’exercice :
0,2 20
P (|Mn − 3| ≥ 0,1) ≤ =
n × 0,12 n

• Pour n = 100 : P (|Mn − 3| ≥ 0,1) ≤ 0,2

• Pour n = 1000 : P (|Mn − 3| ≥ 0,1) ≤ 0,02
• Pour n = 10000 : P (|Mn − 3| ≥ 0,1) ≤ 0,002
On constate que plus n augmente, plus le majorant de la probabilité se rapproche de 0.
2. D’après la loi des grands nombres :

lim P (|Mn − E(X)| ≥ t) = 0

n→+∞

Soit, dans le contexte de l’exercice :

lim P (|Mn − 3| ≥ 0,1) = 0

n→+∞

Plus la taille de l’échantillon est grande, plus l’écart entre la moyenne et l’espérance est faible.

M. Gressier - Term Spé Page 11/11 Lycée Richelieu 2025-2026