VARIABLES ALÉATOIRES 29

3. Variables aléatoires
3.1. Un peu d'histoire
Les origines de la notion d'espérance mathématique remontent au problème des
parties de Pascal : « Deux joueurs A et B jouent une partie en plusieurs coups ; à
chaque coup, chaque joueur a la même probabilité de gagner. Le premier qui a gagné
trois coups ramasse l'enjeu qui est de 64 pistoles, chaque joueur ayant misé 32 pistoles
au début du jeu. Soudain, les joueurs aperçoivent la police et doivent interrompre le jeu
avant la fin de la partie. Comment faut-il partager l'enjeu ? »
Supposons que le joueur A ait gagné deux coups et le joueur B un coup au moment où la
police arrive. Pour partager l'enjeu, on raisonnera ainsi : si le coup suivant était joué, A
pourrait le gagner et empocherait donc les 64 pistoles. Il pourrait aussi le perdre : A et B
auraient alors gagné deux coups chacun et il serait légitime de partager l'enjeu de
manière égale. A peut donc espérer avec des chances égales gagner 64 pistoles ou 32.
Blaise Pascal Donc, 32 pistoles lui sont assurées et ce sont les 32 pistoles restantes qui sont le
(1623 - 1662) véritable enjeu du coup suivant. Il est légitime de les partager également entre A et B.
Donc finalement A va toucher 32 + 16 = 48 pistoles et B 16 pistoles.

Exercice 3.1 À l'aide d'un arbre d'épreuves successives, calculez la probabilité de gain des deux
joueurs de l'introduction historique et vérifiez que la répartition de Pascal (3/4, 1/4) est
juste.

3.2. Variables aléatoires discrètes

On désigne une variable Il arrive souvent qu'à propos d'une épreuve, on soit amené à attribuer des valeurs
aléatoire par une lettre numériques à ses issues.
majuscule.
Les valeurs qu'elle prend sont D'un point de vue formel, une variable aléatoire est une fonction X :   ℝ , où 
écrites en minuscules (x1, x2, est l'univers des résultats. Si l'ensemble des valeurs de cette fonction est fini ou
etc.) dénombrable, on dit que cette variable aléatoire est discrète.

Prenons tout de suite un exemple : on lance deux pièces de monnaie et on compte le

Exemple nombre de côtés pile, nombre que l'on désignera par la variable aléatoire X. Trois
résultats sont possibles : 0, 1 ou 2. À chacun de ces trois résultats possibles, on associe
une probabilité :

On remarque que la somme de P{X=0} = P{(F, F)} = 1/4

des probabilités est égale à 1. P{X=1} = P{(F, P), (P, F)} = 1/2
P{X=2} = P{(P, P)} = 1/4

On obtient ce qu'on appelle une loi de probabilité ou distribution, que l'on peut
représenter sous la forme d'un diagramme en bâtons :

0.5

On remarque que si la largeur

d'un rectangle vaut 1, la
0.25
somme des aires des
rectangles est égale à 1.

0
0 1 2

Didier Müller, 2021 Probabilités

30 CHAPITRE 3

L'espérance d'une variable aléatoire est l'un des concepts les plus importants en
Espérance
théorie des probabilités. Pour une variable aléatoire discrète X, on définit l'espérance de
X, notée E[X], par l'expression :
C'est en fait une moyenne
E [ X ]= ∑ p i xi
pondérée ! i

L'espérance est aussi notée . où la variable aléatoire discrète X peut prendre les valeurs x1, x2, x3, ... avec les
probabilités respectives p1, p2, p3, ...

Pour y voir plus clair, reprenons l'exemple des deux pièces de monnaie. L'espérance de
1 1 1
la variable aléatoire X est E [ X ]= ⋅0+ ⋅1+ ⋅2=1 .
4 2 4

Soit X une variable aléatoire discrète d'espérance , prenant les valeurs x1, x2, x3, ...,
Variance et écart- avec les probabilités respectives p1, p2, p3, ... On appelle variance de X le nombre V(X)
type
défini par :
V ( X )= E [( X – μ )2 ]= ∑ ( x i – μ )2 pi
i

Johann Samuel König,

On utilise souvent la formule de König : V ( X )=∑ pi x 2i – μ 2= E [ X 2 ] – ( E [ X ])2
mathématicien allemand, 1712- i
1757. Sa formule facilite les
calculs. On appelle écart-type de X le nombre  défini par σ = √ V ( X ) .

En reprenant une dernière fois l'exemple des deux pièces de monnaie, la variance de la
variable aléatoire X est (avec la formule de König) : V ( X )= 1⋅0 2 + 1 ⋅12 + 1⋅2 2 −1 2= 1
⏟4 2 4 2
E [X 2 ]

Exercice 3.2 On lance trois pièces équilibrées. On désigne par X le nombre de piles.
a. Dessinez le diagramme en bâtons de la loi de probabilité de X.
b. Calculez E[X].
c. Calculez V(X).

Exercice 3.3 On jette deux dés équilibrés. On désigne par X le plus grand des deux chiffres montrés.
a. Dessinez le diagramme en bâtons de la loi de probabilité de X.
b. Calculez E[X].
c. Calculez V(X).

Exercice 3.4 Un dé est pipé de sorte que la probabilité d'apparition d'une face est proportionnelle à ce
nombre. Soit X la variable aléatoire attachée au nombre de points qui apparaissent
lorsqu'on lance ce dé.
a. Dessinez le diagramme en bâtons de la loi de probabilité de X.
b. Calculez E[X].
c. Calculez V(X).

3.3. Espérance de gain

Un lascar nous propose le jeu suivant : « Je lance deux pièces en l'air. Si on voit deux
piles, je vous donne 3 francs, dans les autres cas, vous me donnez un franc. »
Ce jeu est-il équitable ?
Pour le savoir, on va calculer notre espérance de gain. Les deux côtés pile apparaîtront
1 fois sur 4. Nous gagnerons donc en moyenne 3 francs une fois sur quatre, et nous
perdrons 1 franc trois fois sur quatre.

Probabilités Didier Müller, 2021

 VARIABLES ALÉATOIRES 31

Notre espérance de gain est l'espérance mathématique de la variable aléatoire Y, Y étant

une fonction de la variable aléatoire X. On a :

E [Y ]=E [ g ( X )]= ∑ pi g ( xi )=∑ p i yi

i i

C'est plus simple qu'il n'y paraît. Les yi sont :

y1 = g(x1) = g[X=0] = –1
y2 = g(x2) = g[X=1] = –1
y3 = g(x3) = g[X=2] = 3

Les probabilités respectives étant les mêmes que dans l'exemple du § 3.2, l'espérance de
gain est :
1 1 1
E [Y ]= ⋅(⏟ –1) + ⋅3⏟ =0
–1 ) + ⋅(⏟
⏟4 ⏟2
y1 ⏟4
y2 y3
p1 p2 p3

Le jeu est équitable. Si notre lascar nous avait proposé plus de 3 francs, le jeu nous
aurait favorisés, car notre espérance de gain aurait été positive. Inversement, s'il nous
avait proposé moins de 3 francs, le jeu nous aurait été défavorable, car notre espérance
aurait été négative.

Exercice 3.5 Un sac contient 5 jetons numérotés 1, 1, 2, 2, 3. On vous propose le jeu suivant :
Vous tirez un jeton au hasard et vous recevez alors une somme d'argent (positive ou
négative !) égale au carré du nombre tiré, diminué de 4 francs.
Cette proposition est-elle avantageuse ?

Exercice 3.6 On vous propose un jeu qui se joue en lançant 3 dés. Pour jouer, il faut verser 1 franc.
Pour 3 six je reçois 36 francs ; pour 2 six, 7 francs et pour 1 six, 1 franc.
Est-ce équitable ?

Exercice 3.7 On vous propose le jeu qui se joue en lançant 2 dés. Pour pouvoir jouer, il faut d'abord
verser 1 franc. Si l'un des dés au moins présente un chiffre impair, on ne gagne rien. Si
les dés présentent deux chiffres pairs différents, on gagne 1 franc. Enfin, si les dés
présentent le même chiffre pair, on gagne une somme égale au total des points des deux
dés. Est-ce équitable ?

Exercice 3.8 Bob et Bobette jouent aux dés. Ils lancent tour à tour 2 dés et observent les chiffres
sortis. Quand la somme est 7 ou le produit 6, Bob marque 1 point ; quand la somme est
6 ou le produit 4, Bobette marque 1 point. Ce jeu est-il équitable ?

Exercice 3.9 Calculez l'espérance de gain d'un billet de « Tribolo », dont le prix est de 2 francs. Pour
info, 400'000 billets ont été imprimés. Les gains sont répartis ainsi :

Didier Müller, 2021 Probabilités

32 CHAPITRE 3

Exercice 3.10 Swiss Lotto

Jouer une grille coûte 1 franc. On doit cocher 6 numéros sur 45.
Le tirage au sort comprend 6 numéros. Un numéro complémentaire est encore tiré mais
celui-ci n'entre en ligne de compte que si 5 des 6 premiers numéros tirés sont exacts.
Si on a 3 numéros cochés exacts, on gagne 6 francs.
Si on a 4 numéros cochés exacts, on gagne 50 francs.
Si on a 5 numéros cochés exacts, on gagne 4'000 francs.
Si on a 5 numéros cochés exacts plus le numéro complémentaire, on gagne 100'000
Avec 5 numéros gagnants et francs.
plus, les gains dépendent du Si on a 6 numéros cochés exacts, on gagne 2 millions de francs.
nombre de gagnants et de la
cagnotte. On a donné ci-contre Calculez l'espérance de gain au Swiss Lotto en ne remplissant qu'une seule grille
des dotations réalistes. (n'oubliez pas de soustraire le prix de la grille).

Exercice 3.11* Demandez à un de vos amis de jouer avec vous au jeu suivant : asseyez-vous autour
d'une table. Chacun des deux joueurs doit initialement cacher ses mains sous la table,
Indication puis, brusquement, montrer l'une des deux.
Vous devez maximiser votre Si chacun a montré la main droite, votre partenaire vous donne 3 francs. Qu'il vous en
espérance de gain… en priant donne 2 si chacun a montré la main gauche. Si, par contre, vous montrez la main droite
pour qu'elle soit positive ! et lui la gauche, donnez-lui 1 franc ; et si enfin, vous montrez la main gauche alors qu'il
montre la droite, donnez-lui 4 francs.
Si vous jouez de nombreuses fois à ce jeu avec astuce (mais sans tricher), vous pouvez
être sûr de gagner de l'argent.
Comment procéder ?

3.4. Loi de Poisson

Une variable aléatoire discrète X pouvant prendre pour valeur 0, 1, 2, … est dite de
Poisson avec paramètre  s'il existe un réel  > 0 tel que

k
pk =Pr ( X =k )=e – λ λ
k!

Dans la loi de Poisson E[X] =  et V(X) = .

Le domaine d'application de la loi de Poisson a été longtemps limité à celui des

événements rares comme les suicides d'enfants, les arrivées de bateaux dans un port ou
Siméon Denis Poisson
les accidents dus aux coups de pied de cheval dans les armées (étude de Ladislaus
(1781 - 1840)
Bortkiewicz).
Depuis quelques décennies, son champ d'application s'est considérablement élargi.
Il introduisit cette distribution Actuellement, on l'utilise beaucoup dans les télécommunications (pour compter le
dans Recherches sur la nombre de communications dans un intervalle de temps donné), le contrôle de qualité
probabilité des jugements en statistique, la description de certains phénomènes liés à la désintégration des noyaux
matière criminelle et en matière radioactifs, la biologie, la météorologie, la finance pour modéliser la probabilité de
civile (1837). défaut d'un crédit, ...

Exercice 3.12 Démontrez que la loi de poisson est bien une loi de probabilité.
∞
Montrez pour cela que ∑ pk =1 et que p k ≥0 , pour tout k.
k =0

Exercice 3.13* Démontrez que, dans la loi de Poisson, E[X] =  et V(X) = .

Probabilités Didier Müller, 2021

 VARIABLES ALÉATOIRES 33

Les variables aléatoires de Poisson peuvent être utilisées pour approcher des variables
Approximation de
aléatoires binomiales de paramètre (n, p) pour autant que n soit grand et p assez petit
la loi binomiale par pour que np soit d'ordre de grandeur moyen (environ 5).
la loi de Poisson Pour s'en convaincre, admettons que X soit une variable aléatoire binomiale de
paramètre (n, p) et posons  = np.
k n– k
n! n!
k n–k λ
Pr(X = k) = k ! (n – k )! p (1 – p) = k !( n – k )! n
⏟ ( ) (1 – λn )
C nk
n
1– λ
n⋅( n – 1)⋅…⋅( n – k +1) λ ( n)
k
= k k! k
n
(1 – λn )
Maintenant, pour n grand et  modéré, on a :
n⋅( n – 1)⋅…⋅( n – k +1) n k

n
k ≈1 (1 – λn ) ≈e –λ
(1 – λn ) ≈1
k
–λ λ
Donc, pour n grand et  modéré : pk =Pr ( X =k )≈ e
k!

En bleu, la loi binomiale

(n = 100, p = 0.08) et en
rouge la loi de Poisson de
paramètre  = 8.

Un certain vaccin provoque chez un individu sur 800 environ une réaction dangereuse.
Exemple
Quelle probabilité y a-t-il, en vaccinant 3000 personnes, qu'il y ait
a. trois réactions dangereuses ?
b. plus de deux réactions dangereuses ?
Soit X la variable aléatoire indiquant le nombre total de réactions dangereuses. On a une
1
distribution binomiale avec p= ; n = 3000 ;  = 3.75.
800

( )( )
3 2997 3 – 3.75
3000 ! 1 799 3.75 e
a. Pr ( X =3)= ≈ =0.2067
3 ! 2997 ! 800 800 3!
Les valeurs exactes données Loi binomiale Loi de Poisson
par la loi binomiale sont :
On voit que le calcul est grandement facilité par le recours à la loi de Poisson.
a. 0.20678
b. 0.7231
b. Pr ( X >2)=1– Pr ( X ⩽2 )=1 – (Pr ( X =0)+Pr ( X =1 )+Pr ( X =2))

 1–  3.75 0 e– 3.75 3.751 e – 3.75 3.75 2 e– 3.75

0!

1!

2!
=0.7229 
Didier Müller, 2021 Probabilités
34 CHAPITRE 3

Exercice p Admettons que le nombre de fautes de frappe par page suive une loi de Poisson de
moyenne 0.75. On ouvre un livre à une page au hasard.
Calculez la probabilité qu'il y ait au moins une faute de frappe sur cette page.

D'une manière générale, lorsqu'un phénomène permet de supposer que

Processus de
• un seul événement arrive à la fois,
Poisson • le nombre d'événements se produisant pendant un intervalle de durée t ne
dépend que de la durée de cette période,
• les événements sont indépendants,
on dit que ce phénomène suit un processus de Poisson.
Si le nombre d'événements par unité de temps est égal à , on démontre que la
probabilité d'obtenir k événements pendant un temps t est :
k
(λ t)
Pr ( X =k )≈e – λt
k!

Le nombre de tremblements de terre par semaine sur la côte ouest américaine suit une
Exemple
loi de Poisson de moyenne 2.
Quelle est la probabilité qu'il y ait 6 secousses pendant le prochain mois ?

6
( 2⋅4 )
On a  = 2, et t = 4 (semaines). Pr ( X =6)≈ e– (2⋅4 ) =0.122 .
6!

Exercice 3.15 Le nombre moyen de chiens abandonnés chaque semaine au bord d'une route cantonale
au mois de juillet est 2.5.
a. Calculez la probabilité qu'aucun chien ne soit abandonné entre le 7 et le 14 juillet.
b. Quelle est la probabilité que plus de 5 chiens soient abandonnés entre le 14 et le 21
juillet ?

Exercice 3.16 En moyenne, 5 clients par heure entrent dans un magasin. La vendeuse ferme boutique
pendant 5 minutes.
Quelle est la probabilité que plus d'un client trouve porte close ?

3.5. Variables aléatoires continues

Imaginons une expérience où toutes les issues ont une probabilité 0. Un exemple simple
est une girouette parfaite que l'on fait tourner à la main : à l'arrêt, elle peut indiquer
n'importe quelle direction, et donc n'importe quel angle réel entre 0 et 360°. Il y a un
nombre infini de valeurs possibles.
Certaines probabilités sont faciles à trouver, par exemple la probabilité d'indiquer un
angle X compris entre 0 et 90° : Pr(0° X 90°) = 1/4.
Mais qu'en est-il pour calculer la probabilité Pr(X = 90°) ? Comme il y a un nombre
infini de valeurs possibles, la probabilité d'indiquer précisément 90° est nulle (!).
Par analogie avec les variables aléatoires discrètes, on peut représenter cette situation
comme l'aire sous une courbe. Pour la girouette, cette courbe ressemble à ceci :

Remarquez que l'aire sous la

courbe vaut 1.

Probabilités Didier Müller, 2021

 VARIABLES ALÉATOIRES 35

La probabilité que la girouette indique un angle compris entre a et b est précisément

l'aire orange sous la courbe, entre a et b.

Ici, l'aire orange, qui est

la probabilité, vaut
b− a
p=
360

La courbe y = f (x) est appelée densité de probabilité de la variable aléatoire continue

X. Chaque variable aléatoire continue a sa propre fonction de densité. La probabilité
Pr(a X b) est l'aire sous la courbe entre a et b.

Autrement dit, le calcul

de cette probabilité
revient au calcul d'une
intégrale :

Pr (a⩽ X ⩽b )=∫ f ( x) dx
a

La courbe de densité f (x) doit avoir certaines propriétés pour être compatible avec les
Propriétés de f (x)
axiomes des probabilités :
+∞
f ( x)⩾0 ∫ f ( x) dx=1
–∞

V. A. continues à comparer avec V. A. discrètes

Moyenne et
variance +∞
μ= ∫ x f ( x) dx μ= ∑ x p ( x)
–∞ tout x
+∞
σ = ∫ ( x−μ ) f ( x) dx
2 2
σ = ∑ ( x−μ) 2 p ( x)
2

–∞ tout x

On appelle fonction de répartition l'aire sous la courbe de densité de probabilité entre

Fonction de –∞ et x.
répartition F(x) x

F ( x)=Pr ( X ⩽x)= ∫ f (t) dt

–∞

3.6. La loi normale de Gauss-Laplace

La loi normale (ou loi gaussienne, ou loi de Gauss-Laplace) est une des principales
distributions de probabilité. Elle a été introduite par le mathématicien Abraham de
Moivre en 1733 et utilisée par lui afin d'approcher des probabilités associées à des
variables aléatoires binomiales possédant un paramètre n très grand. Cette loi a été mise
en évidence par Gauss au 19ème siècle et permet de modéliser de nombreuses études
biométriques.
Le théorème de Moivre-Laplace affirme la convergence d'une loi binomiale vers une loi
de Gauss quand le nombre d'épreuves augmente.
Abraham de Moivre
(1667-1754)

Didier Müller, 2021 Probabilités

36 CHAPITRE 3

Une variable aléatoire X est dite normale, avec paramètres (;) si la densité de
probabilité de X est donnée par
2
– ( )
1 x –μ
1 σ
– < x < 
f ( x)= e 2
σ √ 2π

Le graphe de cette densité est une courbe en forme de cloche avec un axe de symétrie
vertical en .

On recalculera ces
pourcentages à
l'exercice 3.21

2
On voit ci-dessous l'influence de la moyenne  et de la variance  sur la forme de la
courbe.

Une variable normale N(0 ; 1), c'est-à-dire de moyenne 0 et d'écart-type 1, est dite
Loi centrée réduite
standard ou centrée réduite.
C'est la courbe verte sur le
graphe ci-dessus. On note habituellement la fonction de répartition d'une variable normale centrée réduite
par le symbole  :
2
x t
1 –
Φ( x)= ∫
√2 π –∞
e 2 dt

Cette fonction de répartition (x) n'ayant pas de forme analytique, on se réfère à une
table numérique où elle est tabulée pour différentes valeurs de x.

Probabilités Didier Müller, 2021

 VARIABLES ALÉATOIRES 37

Exercice 3.17 Esquissez la fonction de répartition de la loi normale N(0 ;1).

Fonction de répartition de la loi normale N(0 ;1)

0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7703 0.7734 0.7764 0.7793 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8906 0.8925 0.8943 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9986 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
3.6 0.9998 0.9998 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.7 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.8 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.9 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

2
x t
1 –
La table ci-dessus contient les valeurs de Φ( x)= ∫
√2 π –∞
e 2 dt .

On lit les décimales dans les lignes, et les centièmes dans les colonnes. Par exemple, la valeur de (1.65) se trouve à
l'intersection de la ligne 1.6 et de la colonne 0.05 ; on trouve (1.65) = 0.9505, à 10-4 près.
Si on a plus de chiffres après la virgule, la réponse n’est pas dans la table, mais peut se trouver par interpolation. Par
exemple, la valeur (1.652) se trouve entre (1.65) = 0.9505 et (1.66) = 0.9515. Par la règle de trois, on trouve la
valeur (1.652) = 0.9507.

Didier Müller, 2021 Probabilités

38 CHAPITRE 3

Le tableau donne la valeur de l'aire sous la courbe entre – et a.

Ainsi, Pr(X a) = (a).

Le tableau ne comprend pas les valeurs de a négatives, mais, vu que la courbe de Gauss
est symétrique, on utilise la relation (a) = 1 (a) pour les valeurs négatives de a (il
faut se souvenir que l'aire sous la courbe entre – et +vaut 1).

Pour déterminer la probabilité de se situer entre a et b, on utilise la formule :

Pr ( a< X⩽b)=Φ(b) –Φ (a)

Probabilités Didier Müller, 2021

 VARIABLES ALÉATOIRES 39

Exercice 3.18 On considère une variable aléatoire X suivant une loi normale N(0 ;1). Calculez
a. Pr(0  X  1.42) b. Pr(1.37  X  2.01)
c. Pr(X  1.13) d. Pr(0.5  X  0.5)
e. Pr(1  X  1)

Exercice 3.19 Soit une variable aléatoire X suivant une loi normale N(0 ; 1). Trouvez t pour que
a. Pr(0  X  t) 0.4236 b. Pr(X  t) 0.7967
c. Pr(X  t) 0.0655 d. Pr(t  X  2) 0.1

Si une variable aléatoire X suit une loi N( ; ), la variable aléatoire centrée réduite
Propriétés * X – μ suit une loi N(0 ; 1).
X = σ
a–μ
(
Pr (a < X ⩽b)= Pr σ < X * ⩽ σ
b –μ
)
En effet, si on effectue la substitution t = x – μ , les bornes d'intégration deviennent
σ
a – μ et b – μ . On a d'autre part 1
σ σ dt = σ dx .
b–μ
σ – 1 t2
1
D'où Pr (a < X ⩽b)=
√2 π
∫e 2
dt
a–μ
σ

1. Pr (a< X ⩽b)= Pr ( a –σ μ < X ⩽ b σ– μ )=Φ ( b σ– μ ) – Φ ( a σ– μ )

*

*
2. Pr ( X ⩽– x)=Φ( – x)=1 – Φ( x)
*
3. Pr (− x≤ X ⩽x)=2 Φ( x)−1

Exercice 3.20 On considère une variable aléatoire X suivant une loi normale N(5 ; 5). Calculez
a. Pr(0  X  1) b. Pr(1  X  2)
c. Pr(X  7) d. Pr(  X  7)

Exercice 3.21 On considère une variable aléatoire X suivant une loi normale N(; ). Calculez la
probabilité que X soit compris a. entre  et 
b. entre 2 et 2
c. entre 3 et 3

Exercice 3.22 La taille des conscrits suit une loi normale de moyenne 173 cm et d'écart-type 8 cm.
Quelle est la probabilité qu'un conscrit pris au hasard mesure entre 160 cm et 175 cm ?

Exercice 3.23 La température en Suisse au mois de mai suit une loi normale de moyenne 20°C et
d'écart-type 3°C. Calculez la probabilité que la température un jour donné de mai soit
comprise entre 21°C et 26°C.

Exercice 3.24 Les résultats d'un examen (exprimés en points) suivent une loi normale N(76 ; 15).
Calculez le nombre minimal de points à exiger pour faire réussir au moins 90 % des
candidats.

Exercice 3.25 Une machine permet de remplir automatiquement des paquets de farine. La masse M
désirée est réglable. En réalité, la masse de farine effectivement versée est une variable
aléatoire X qui suit une loi normale de moyenne M et d'écart-type égal à 3 % de M.
Sur quelle valeur de M faut-il régler la machine pour que 95 % des paquets contiennent
au moins 1 kg ?

Didier Müller, 2021 Probabilités

40 CHAPITRE 3

Exercice 3.26 Des élections législatives ont eu lieu en Russie le 4 décembre 2011, remportées
largement et sans surprise par le parti de Vladimir Poutine. Le 10 décembre, des
dizaines de milliers de manifestants se sont réunis dans le centre de Moscou pour
dénoncer les résultats. Parmi les banderoles, des symboles mathématiques ! Sur celle ci-
dessous, on peut lire « Pour la loi normale ! ».
Parmi les autres slogans : « Nous croyons Gauss, nous ne croyons pas Churov ! »
(Vladimir Churov est le président de la commission électorale centrale). « On ne peut
pas tromper Gauss ».

Pour chaque élection, on peut tracer une courbe avec en abscisse un pourcentage de
participation et en ordonnée le nombre de bureaux de vote qui ont enregistré ce
pourcentage. Sur le graphique de gauche ci-dessous, on a tracé les quatre courbes (de
gauche à droite) pour les élections législatives au Mexique en 2009, au deuxième tour
des élections présidentielles polonaises en 2010, aux élections législatives bulgares en
2009 et suédoises en 2010. On y observe des courbes en cloche de Gauss. Voici à droite
la courbe correspondant aux élections législatives de 2011 en Russie.

Comment peut-on expliquer cette anomalie ?

On note T = X 1 + X 2 +…+ X n la somme de n variables aléatoires indépendantes de

Théorème central
même moyenne  et de même écart-type .
limite * T – nμ
La variable aléatoire centré réduite T = suit approximativement la loi normale
σ √n
N(0 ; 1) si n →∞ .

Voici ci-après une illustration du théorème central limite pour les quatre lois que nous
connaissons : uniforme, gaussienne, binomiale, Poisson.

Probabilités Didier Müller, 2021

 VARIABLES ALÉATOIRES 41

Exercice 3.27 On lance 10 dés équilibrés. Utilisez le théorème central limite pour évaluer la
probabilité que la somme des dix résultats soit comprise entre 30 et 40 (bornes
comprises).

Le théorème central limite, un des piliers de la théorie des probabilités, fournit une
méthode simple pour calculer des probabilités liées à une somme de variables
aléatoires. Il explique également le fait remarquable que beaucoup de phénomènes
naturels suivent une distribution ayant la forme d'une courbe en cloche, c'est-à-dire une
distribution normale.

En 1733, Abraham de Moivre, mathématicien anglais, le démontra dans le cas des

variables de Bernoulli avec p = 0.5. Laplace l'étendit à un p quelconque en 1812. Il
fallut ensuite attendre jusqu'en 1902 pour que le mathématicien russe Alexandre
Alexandre Mikhailovitch Liapounov le démontre rigoureusement dans tous les cas.
Liapounov (1857-1918)

Pour le cas de la loi binomiale, on peut énoncer le théorème suivant.

Approximation de
la loi binomiale par Si X suit une loi binomiale B(n ; p) avec n grand (dans la pratique, on exige np 5 et
la loi normale n(1p) 5), on peut estimer Pr(a X b) avec la loi normale N( np ; √ np (1 – p ) ).
n : nombre d'épreuves

( ) ( )
p : probabilité de succès 1 1
b + – np a – – np
2 2
Pr (a⩽ X ⩽b )≈Φ –Φ
√ np(1 – p) √ (1 – p )
np

En bleu, la loi binomiale

B(100, 0.15) et
en rouge la loi normale
N(15, 3.57071).

Note :
√100⋅0.15⋅0.85=3.57071

Didier Müller, 2021 Probabilités

42 CHAPITRE 3

Exercice 3.28 On lance 100 fois une pièce de monnaie. Estimez la probabilité d'observer...
a. moins de 60 fois pile.
b. moins de 36 fois pile.
c. un nombre de fois pile strictement compris entre 35 et 60.

Exercice 3.29 On lance 90 fois un dé. Estimez la probabilité d'observer...

a. moins de 10 fois un six.
b. un nombre de six strictement compris entre 20 et 50.

Exercice 3.30 On considère 10'000 chiffres (de 0 à 9) pris au hasard. Calculez la probabilité que le
chiffre 3 apparaisse plus de 850 fois.

Exercice 3.31 Au jass, après chaque donne, on a neuf cartes en main. Il y a quatre couleurs (pique,
cœur, trèfle et carreau) et neuf cartes par couleur (6, 7, 8, 9, 10, valet, dame, roi, as).
Quelle est la probabilité...
a. d'avoir quatre valets lors d'une donne ?
b. d'avoir cinq fois les quatre valets en recevant 935 donnes ? Donnez le résultat
exact et les approximations avec la loi de Poisson et la loi normale.

3.7 Ce qu'il faut absolument savoir

Connaître la définition d'une variable aléatoire discrète  ok
Savoir calculer l'espérance et la variance d'une variable aléatoire discrète  ok
Connaître la définition d'une loi de probabilité  ok
Savoir calculer et interpréter l'espérance de gain  ok
Connaître et savoir appliquer la loi de Poisson et le processus de Poisson  ok
Savoir approcher la loi binomiale avec la loi de Poisson  ok
Connaître la définition d'une variable aléatoire continue  ok
Savoir calculer l'espérance et la variance d'une variable aléatoire continue  ok
Connaître et savoir appliquer la loi normale  ok
Savoir approcher la loi binomiale avec la loi normale  ok

Probabilités Didier Müller, 2021