Chapitre 2

Variables Alatoires
Aprs avoir ralis une exprience, on ne sintresse bien souvent une certaine fonction
du rsultat et non au rsultat en lui-mme. Lorsquon regarde une portion dADN, au lieu
de vouloir connaitre tout la suite de nuclotides, on peut vouloir juste connaitre le nombre
dapparition dun mot. Ces grandeurs (ou fonctions) auxquelles on sintresse sont en
fait des fonctions relles dfinies sur lensemble fondamental et sont appeles variables
alatoires.
On considre un ensemble muni dune probabilit IP.
Dfinition 0.1 Une variable alatoire X est une fonction de lensemble fondamental
valeurs dans R, X : R.
Lorsque la variable X ne prend que des valeurs discrtes, on parle de variable alatoire
discrte.
Un vecteur alatoire X : Rd est une fonction X = (X1 , . . . , Xd ) valeurs dans Rd
telle que les coordonnes Xi soient des variables alatoires.
Pour tout intervalle [a, b] R, lensemble {X [a, b]} = { : X() [a, b]} est un
vnement.
Exemple 0.2
1. On jette deux ds distincts et on sintresse la somme des points. On
note X cette variable alatoire, elle est dfinie par
X:

avec = {(1, 1), (1, 2), . . . , (6, 5), (6, 6)}

(1 , 2 ) $ 1 + 2 .

Lensemble des valeurs possibles de X est {2, 3, . . . , 12}.

2. On lance toujours deux ds, mais cette fois on sintresse au plus grand chiffre Y
obtenu. On a alors
Y :

avec = {(1, 1), (1, 2), . . . , (6, 5), (6, 6)}

(1 , 2 ) $ max(1 , 2 ).

La variable Y est valeurs dans {1, 2, . . . , 6}.

17

18

CHAPITRE 2. VARIABLES ALATOIRES

3. On observe deux bactries et on sintresse la dure de vie T de la bactrie qui
disparatra la premire. Lensemble fondamental est = [0, +[[0, +[. La variable
T scrit alors
T :

(1 , 2 ) $ inf{1 , 2 }.

Seul le dernier exemple nest pas une variable discrte.

Loi de probabilit, Fonction de rpartition

La loi de probabilit dune variable alatoire permet de connaitre les chances dapparition
des diffrentes valeurs de cette variable.
On se place sur lespace de probabilit (, IP).
Dfinition 1.1 Soit X une variable alatoire. La loi de probabilit de X est dfinie par
la fonction FX , appele fonction de rpartition de la variable X, dfinie par
FX : R [0, 1]
x

$ IP(X x).

On dit que deux variables alatoires X et Y ont la mme loi si elles ont la mme fonction
de rpartition FX = FY .
Remarque 1.2 Soit I un intervalle de R. Lvnement {X x} reprsente lensemble des
valeurs telles que X() soit infrieur x, i.e.{X x} = { : X() x}.
La loi de X est en gnrale note L(X) ou Loi(X).

Remarque 1.3 On a IP(X R) = 1, car IP(X R) = IP({ : X() R}) = IP() = 1.

Proprits 1.4 La fonction de rpartition est une fonction croissante valeur dans [0, 1]
telle que lim FX (x) = 0 et lim FX (x) = 1, mais elle nest pas forcment continue.
x

x+

Remarque 1.5 Soit a b, on a IP(X [a, b]) = IP(X b) IP(X < a).

1.1

Loi dune variable discrte

La fonction de rpartition dune variable discrte est constante par morceaux. Si X est une
variable discrte valeurs dans {x1 , . . . , xn } avec x1 < . . . < xn alors pour x R
FX (x) =

k
!
i=1

IP(X = xi )

avec k tel que xk x < xk+1 .

De mme, si X prend une infinit de valeurs {x1 , . . . , xn , . . .} avec x1 < . . . < xn . . ., on a

pour x R
k
!
FX (x) =
IP(X = xi ) avec k tel que xk x < xk+1 .
i=1

Les sauts de la fonction de rpartition FX ont lieu en les points xi et la hauteur du saut
au point xi est gale IP(X = xi ). Il suffit donc de calculer la fonction de rpartition aux
points xi .

1. LOI DE PROBABILIT, FONCTION DE RPARTITION

19

Proposition 1.6 Si X est valeurs discrtes dans {x1 , . . . , xn } (ou {x1 , . . . , xn , . . .}), la
loi de X est entirement caractrise par {IP(X = xi ) : i 1}. (En effet, voir p. 8)
On remarque que
1. pour tout i 1, IP(X = xi ) [0, 1],
!
P
2.
IP(X = xi ) = 1. (En effet, 1=IP(X R) = i1 IP(X = xi ).)
i1

Exemple 1.7 Reprennons les deux premiers exemples prcdents, qui dcrivent effectivement des variables discrtes. Pour trouver la loi de ces variables on utilise la proposition 1.6.
1. X est valeurs dans {2, 3, . . . , 12}, donc IP(X = k) = 0 pour k
/ {2, 3, . . . , 12}.
k
2
3
4
5
6
7
8
9
10
11
12
IP(X = k) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
2. Y est valeurs dans {1, 2, . . . , 6}, donc IP(Y = k) = 0 pour k
/ {1, 2, . . . , 6}.
k
1
2
3
4
5
6
IP(Y = k) 1/36 3/36 5/36 7/36 9/36 11/36
FY (k)
1/36 4/36 9/36 16/36 25/36
1
La fonction de rpartition de Y est
Fonction de Repartition de Y
1.1
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
1

0.1

1.2

Lois discrtes usuelles

Loi de Bernoulli, B (p), avec p ]0, 1[.

Une variable alatoire X de Bernoulli est une variable qui ne prend que deux valeurs : lchec
(au quel on associe la valeur 0) et le succs (auquel on associe la valeur 1) dune exprience.
Cette exprience est appele preuve de Bernoulli. Par exemple, on souhaite savoir si
une cellule est atteinte par un virus. On associe la valeur 1 si elle est atteinte (succs) et la
valeur 0 si elle est saine (chec).
La loi est donne par : P (X = 1) = p P (X = 0) = 1 p.
Loi Binomiale, B (n, p), avec p ]0, 1[, n N, n 1.
Exemple 1.8 On tudie les msanges bleues parmi la population de msange en Ille et
Vilaine. La msange nest pas un oiseau migrateur et vit en groupes forms de plusieurs
espces de msanges. On poste alors des observateurs diffrents endroits dans le dpartement. On note p la proportion de msanges bleues parmi la population de msange. Quelle
est la probabilit que le nombre de msanges bleues sur 1000 msanges tudies soit gal
k?

20

CHAPITRE 2. VARIABLES ALATOIRES

La loi Binomiale est utilise pour modliser un sondage avec remise. Cest la loi du nombre
de succs lorsquon renouvelle n fois de manire indpendante une preuve de Bernoulli de
paramtre p. On note X le nombre de succs obtenus lissue des n preuves. Sa loi sappelle
loi Binomiale de paramtres n et p. On a
P (X = k) =

"

n
k

pk (1 p)nk avec k {0, 1, .., n} .

On peut crire le nombre de succs X laide des rsultats de chaque preuve de Bernoulli.
On note Xi le rsultat de la ime exprience :
$
1 si la ime exprience est russie
Xi =
0 si la ime exprience est un chec
On a alors X = X1 + . . . + Xn . Toute variable de Bernoulli peut scrire de cette faon.
Loi Hypergomtrique H(N, m, n), avec N 1, (m, n) {1, .., N }2 .
Exemple 1.9 Un lac contient N poissons. On en pche m quon marque et quon remet
leau. On pche nouveau n poissons. Quelle est la probabilit de pcher k poissons
marqus ?
La loi hypergomtrique est utilise pour modliser un sondage sans remise. Cest le cas
de pratiquement tous les sondages (notamment lorsquon veut tudier la conformit dun
lot de mdicaments, tudier le nombre de cellules atteintes par un virus, etc. . .).
La loi est donne par : P (X = k) =

0
@

m
k

10
A@
0
@

N m
nk

N
n

1
A

1
A

si k {0, .., min (m, n)}.

Remarque 1.10 Reprenons, lexemple des poissons. Lorsque la taille N de la population

de poissons dans le lac est trs grande, le fait denlever 1 poisson ne changera quasiment
pas la proportion p = m/N de poissons marqus. De mme, si on en enlve un nombre fini
n. Par consquent, chaque poisson pch a peu prs la mme probabilit p dtre marqu.
On peut donc approcher la loi Hypergomtrique par la loi binomiale B(n, p) o p est la
proportion de poissons marqus.
De manire gnrale, lorsque la taille de la population est grande, on utilise souvent la
binomiale mme pour un sondage sans remise.
Loi Gomtrique, G (p), avec p ]0, 1[.

La loi gomtrique est la loi du premier succs.

Exemple 1.11 On lance une pice truque jusqu ce quon obtienne une fois "Pile". On
note p la probabilit de tomber sur Pile. On veut connaitre la probabilit davoir Pile
au premier lancer, au deuxime, . . ., au k ime lancer, . . .. On note X le nombre de lancers
ncessaires pour avoir un succs.

1. LOI DE PROBABILIT, FONCTION DE RPARTITION

21

La loi est donne par : P (X = k) = p (1 p)k1 avec k N, k 1.

Une formule utile quand on veut faire des calculs avec la loi gomtrique :
1 + x2 + . . . + xn =

1 xn+1
.
1x

On peut calculer explicitement la fonction de rpartition : F (i) = 1 (1 p)i

avec i 1.

Loi de Poisson, P (), avec > 0 un rel.

La loi de Poisson est utilise pour modliser le comptage dvnements rares, cest dire
des vnements ayant une faible probabilit de ralisation : maladies rares, accidents mortels rares, le titrage dune solution virale, mutations ou recombinaisons dans une squence
gntique, pannes, radioactivit...
Exemple 1.12 Une plaque dAgar est une bote de Ptri strile qui contient un milieu de
culture utilise pour la culture des micro-organismes. Elles sont traites avec un antibiotique. Les bactries qui sont rparties sur les plaques ne peuvent se multiplier sauf les rares
rsistantes aux antibiotiques. Elles forment des colonies. Le dcompte des colonies suit la
loi de Poisson.
La loi est donne par P (X = k) =
Une formule utile :

k
k! e

avec k N.

! xk
x2 x3
e =1+x+
+
+ ... =
2
3!
k!
x

k=0

1.3

Loi dune variable alatoire densit (ou continues)

Considrons la dure de vie dune bactrie. On conoit facilement que la probabilit que cette
dure de vie vaille exactement une certaine valeur est nulle. Par exemple, il est quasiment
impossible quune bactrie vive exactement 1 an 0 mois, 0 heure, 0 minute, . . .. La fonction de
rpartition dune telle variable est par consquent continue. On peut par contre sintresser
la probabilit que la bactrie vive moins dun an.
On ne verra dans ce cours que des variables qui sont soit discrtes soit continues mme sil
existe des variables plus complexes.
Dfinition 1.13 Une variable alatoire X est densit, ou continue, sil existe une
fonction f dfinie sur R telle que la fonction de rpartition de X scrit
% x
x R FX (x) =
f (t)dt

o f est une fonction intgrable sur R satisfaisant les conditions suivantes :

1. f (t) 0 pour tout t R,
% +
f (t)dt = 1.
2.

Une fonction qui vrifie les conditions 1. et 2. est appele densit de probabilit.
Proprits 1.14 Soit X une variable alatoire densit.
Alors pour tout x R, IP(X = x) = 0.

22

CHAPITRE 2. VARIABLES ALATOIRES

Preuve. Soit x R. On considre lintervalle rduit un point I = {x}. On a

Z x
IP(X = x) = IP(X I) =
f (t)dt = 0.
x

"

&b
Remarque 1.15
1. La probabilit IP(X [a, b]) = a f (t)dt correspond laire de la
surface comprise entre la courbe de f et laxe des abcisses sur lintervalle [a, b].
2. La fonction de rpartition dune variable densit est continue.

Proposition 1.16 Soit X une variable alatoire de fonction de rpartition FX . Si FX est

continue sur R et drivable sur R (sauf peut-tre en un nombre fini de points), alors X est
une variable densit f donne par f (x) = FX& (x).

1.4

Lois densit usuelles

Loi Uniforme, U ([a, b]), avec a, b R, a < b.

Cette loi est lanalogue continu de lquiprobabilit dans le cas discret. Elle permet de
modliser le tirage dun nombre alatoire dans lintervalle [a, b].
Exemple 1.17 Lors dune tude du comportement animal, on a relach des oiseaux dont
lorientation a t rendue trs difficile. On sattend alors ce que les oiseaux choisissent
au hasard leur direction. On peut modliser la direction prise par un oiseau de la faon
suivante. On considre X langle entre le nord et la direction prise par loiseau (selon le sens
des aiguilles dune montre). La variable X suit une loi uniforme entre 0 et 360 degrs.
Densit :
1
si x [a, b]
ba
= 0 sinon

f (x) =

Fonction de rpartition :
F (x) = 0
xa
=
ba
= 1

si x < a
si x [a, b]
si x > b

Loi Exponentielle, E (), avec > 0 un rel.

Cette densit de probabilit permet en gnral de modliser des dures de vie dtres non
soumis au vieillissement (par exemple, la dure de vie dune bactrie) ou des temps dattente
(par exemple, le temps dattente entre deux signaux synaptiques).
Exemple 1.18 Dans une substance radioactive, la dsintegration des noyaux se fait de
faon spontane. Le nombre de dsintegration sur un intervalle de temps fix suit une loi de
Poisson. Par contre le temps dattente entre deux dsintgrations est modlis par une loi
exponentielle.

1. LOI DE PROBABILIT, FONCTION DE RPARTITION

23

Densit :
f (x) = ex

si x 0

= 0

si x < 0

1.5

0.5

x
Exponentielle(1)
Exponentielle(2)

Densit de lois exponentielles

Fonction de rpartition :
F (x) = 0

si x < 0
x

= 1e

si x 0

La loi exponentielle est la seule loi continue qui vrifie la proprit dabsence de mmoire :
Si X E (), alors pour tout s, t > 0 IP(X > t + s|X > t) = IP(X > s).
La loi exponentielle est celle de la mortalit des tres qui ne seraient pas soumis au veillissement : chaque moment ils ont la mme probabilit de mourrir dans lunit de temps quil
leur reste, quelque soit leur ge.
'
(
Loi Normale (ou loi Gaussienne), N m, 2 , avec m R, > 0 rel.
La loi Normale est une loi centrale dans la thorie des probabilits. Elle est notamment
trs utilise en statistique. Une grandeur influence par un grand nombre de paramtres
indpendants est souvent modlise par une loi normale (par exemple, les erreurs de mesures
lors dune exprience).
Densit :
(x m)2

1
2 2
f (x) = e
avec x R.
2
0.4

0.3

0.2

0.1

x
Normale(0,1)
Normale(0,4)

Densit de lois normales

24

CHAPITRE 2. VARIABLES ALATOIRES

'
(
Loi Log-Normale, LN m, 2 , avec m R, > 0 rel.
'
(
'
(
Une variable X suit une loi Log-Normale LN m, 2 si ln(X) suit une loi normale N m, 2 .
Cette loi permet de modliser par exemple le temps de survie des bactries en prsence de
dsinfectant, le dosage de certains mdicaments . . .
Densit :
(ln(x) m)2

1
2 2
e
f (x) =
avec x > 0.
x 2
0.40

0.35

0.30

0.25

0.20

0.15

0.10

0.05

0.00
0

10

Densit dune loi Log-Normale

Loi de Weibull, W (a, b), avec a > 0, b > 0 rels.
La loi de Weibull est utilise en dmographie pour modliser le veillissement et en pidmiologie pour modliser la distribution de probabilit de la dure dincubation dune maladie
infectieuse.
Densit :
) ) x *a *
a ) x *a1
f (x) =
exp
avec x > 0.
b b
b
Fonction de rpartition :
) ) x *a *
F (x) = 1 exp
avec x > 0.
b
1.8

1.6
a=2 et b=0.5
a=2 et b=1
a=3 et b=1.5
a=4 et b=3

1.4

1.2

1.0

0.8

0.6

0.4

0.2

0.0
0.0

0.5

1.0

1.5

2.0

2.5

3.0

3.5

4.0

4.5

5.0

Densit de lois de Weibull

On constate que pour a = 1, on retrouve la loi exponentielle. La loi exponentielle est celle de
la mortalit des tre vivants qui ne seraient pas soumis au veillissement : chaque moment
ils ont la mme probabilit de mourrir dans lunit de temps quil leur reste, quelque soit
leur ge. Plus a est grand plus le veillissement se fait pesant (la mortalit augmente avec
lge). Le cas a < 1 correspond un monde dans lequel plus on veillirait, moins forte serait
la probabilit de mourir dans lunit de temps qui vient.
On va maintenant dfinir les paramtres de position et de dispersion dune loi.

2. ESPRANCE ET VARIANCE DUNE VARIABLE ALATOIRE

25

Esprance et variance dune variable alatoire

2.1

Valeur moyenne dune variable : lesprance

Lide intuitive de lesprance puise son origine dans les jeux de hasard. Considrons le jeu
suivant : on lance un d plusieurs fois de suite. Supposons que pour une mise de 1 euro, on
gagne 1 euro si le rsultat obtenu est pair, 2 euros si le rsultat est 1 ou 3, et on perd 3
euros si le rsultat est 5. Est-il intressant de jouer ce jeu ? Quel peut-tre le gain moyen ?
Soit X la variable alatoire correspondant au nombre deuros gagns ou perdus. La loi de
X est
k
3
1
2
IP(X = k) 1/6 1/2 1/3
Lesprance de gain, not E[X], est alors E[X] = 3 1/6 + 1 1/2 + 2 1/3 = 2/3. Le joueur
gagne donc en moyenne 2/3 deuros pour une mise de 1 euro. . .
Dfinition 2.1 Lesprance dune variable alatoire X est note E[X]. Elle reprsente la
valeur moyenne prise par la variable X.
1. Si X est une variable discrte valeurs dans D = {x1 , . . . , xn }, son esprance est
E[X] = x1 IP(X = x1 ) + . . . + xn IP(X = xn ) =

n
!

xi IP(X = xi ).

i=1

2. Si X est une variable discrte valeurs dans lensemble infini D = {xi : i 1}, lorsque
la somme est bien dfinie, son esprance est
E[X] =

+
!

xi IP(X = xi ).

i=1

3. Si X est une variable densit f , lorsque lintgrale est bien dfinie, son esprance est
E[X] =

xf (x)dx.

Lorsquune variable X vrifie E[X] = 0, on dit que la variable est centre.

Proprits 2.2
1. Lesprance est linaire :
soient a et b R, deux variables alatoires X et Y desprance finie alors
E[aX + bY ] = aE[X] + bE[Y ].
2. Si X 0, alors E[X] 0.

3. Si X Y , alors E[X] E[Y ].

Exemple 2.3 Supposons que la dure de vie T dune bactrie est modlise par la loi
exponentielle de densit f (t) = exp(t) pour t 0 pour une certaine valeur de . Alors
sa dure de vie moyenne est E(T ) = 1/.

26

CHAPITRE 2. VARIABLES ALATOIRES

2.2

Esprance dune fonction

On considre une variable alatoire X et une fonction h. On aimerait connaitre lesprance

de la nouvelle variable Y = h(X).
Proposition 2.4 Soit X une variable alatoire, h une fonction dfinie sur R. Alors :
1. si X est une variable discrte valeurs dans D = {x1 , . . . , xn }, on a
E [h(X)] = h(x1 )IP(X = x1 ) + . . . + h(xn )IP(X = xn ) =

n
!

h(xi )IP(X = xi ).

i=1

2. si X est une variable discrte valeurs dans lensemble infini D = {xi : i 1}, lorsque
la somme est bien dfinie, on a
E [h(X)] =

+
!

h(xi )IP(X = xi ).

i=1

3. si X est une variable densit f , lorsque lintgrale est bien dfinie, on a

%
E [h(X)] =
h(x)f (x)dx.
R

2.3

Mesurer la diffusion dune variable : variance et cart type

On a vu que lesprance correspondait la valeur moyenne dune variable alatoire. Lcart

type reprsente lcart moyen (la distance moyenne) entre la variable et sa moyenne. Elle
mesure la dispersion dune variable, plus lcart-type est grand plus la variable prend des
valeurs qui peuvent tre loignes les unes des autres, plus lcart-type est petit plus la
variable prend des valeurs proches de sa moyenne.
Dfinition 2.5 La variance dune variable alatoire X, note V ar(X), est dfinie par
+
,
V ar(X) = E (X E(X))2
Lcart type est la racine carre de la variance :
(X) = V ar(X).

Lorsquune variable X vrifie V ar(X) = 1, on dit que la variable est rduite.

+ ,
Remarque 2.6 La variance scrit aussi V ar(X) = E X 2 E[X]2 .
Preuve. Il suffit de dvelopper le carr et dutiliser la linarit de lesprance.

Proprits 2.7

"

1. V ar(X) = 0 ssi X est constante.

2. Soient a et b R, alors V ar(aX + b) = a2 V ar(X).

Preuve. Comme E[aX +b] = aE[X]+b, on a par dfinition V ar(aX +b) = E[(aX aE[X])2 ] = a2 V ar(X). "

Exemple 2.8 Supposons que la dure de vie T dune bactrie est modlise par la loi
exponentielle de densit f (t) = exp(t) pour t 0 pour une certaine valeur de . La
variance de la dure de vie de la bactrie tudie est V ar(T ) = 1/2 .

3. UNE FONCTION REMARQUABLE : LA TRANSFORME DE LAPLACE

27

Une fonction remarquable : la transforme de Laplace

Cette fonction est surtout utile en volution des populations. En effet, si on considre une
population dont chaque gnration volue de faon indpendante de la prcdente mais selon
la mme loi, pour connatre sil y a un risque dextinction de la population, on utilise la
transforme de Laplace.
Dfinition 3.1 Soit X une variable alatoire valeurs dans R. Pour t R, sa transforme de Laplace est dfinie par
LX (t) = E[etX ]
pour t R.
Proposition 3.2 La transforme de Laplace LX dune variable X vrifie les proprits
suivantes
1. LX est valeurs dans [0, +], LX (0) = 1,
2. LX caractrise la loi de X (i.e., si deux variables ont la mme transforme de Laplace, alors
elles ont la mme loi),
3. si E[|X|k ] < alors LX est drivable k fois en 0 et la drive k ime en zro vaut
(k)
LX (0) = E[X k ].

28

CHAPITRE 2. VARIABLES ALATOIRES

Rcapitulatif des lois usuelles

4.1

Lois de probabilit discrtes

Loi de Bernoulli, B (p), avec p ]0, 1[ :

P (X = 1) = p P (X = 0) = 1 p.

Loi Binomiale, B (n, p), avec p ]0, 1[, n N :

"
#
n
P (X = k) =
pk (1 p)nk avec k {0, 1, .., n}.
k
Loi Gomtrique, G (p), avec p ]0, 1[ :

P (X = k) = p (1 p)k1 avec k N .

Loi de Poisson, P (), avec > 0 :

P (X = k) =

4.2

k
k! e

avec k N.

Loi

Notation

Esprance

Variance

Transforme
de Laplace

Bernoulli

B(p)

p(1 p)

1 p + pet

Binomiale

B(n, p)

np

np(1 p)

(1 p + pet )n

Gomtrique

G(p)

1
p

1p
p2

Poisson

P()

pet
1 (1 p)et
t
e(e 1)

Lois de probabilit densit

Loi

Notation

Densit

Esprance

Variance

Transforme
de Laplace

Uniforme

U([a, b])

Exponentielle

E(), > 0

1
pour x [a, b]
ba

a+b
2
1

(b a)2
12
1
2

etb eta
ba

si t <
t

Normale

N (m, 2 ), 2 > 0

ex pour x 0

1
e
2

(x m)2
2 2

etm+

Remarque 4.1 Dans Mthodes statistiques de P. Tassi (Ed. Economica), on retrouve les
principales lois de probabilit ainsi que leurs caractristiques (esprance, variance, etc. . . ).

2 t2
2

5. EXERCICES SUR LE CHAPITRE 2

29

Exercices sur le chapitre 2

Exercice 2.7.
Dans les expriences suivantes, dfinir la variable alatoire considre et chercher la loi (ou
les lois) la mieux adapte au problme. Essayez dexpliquer do vient lala.
1. Sur une plaque de verre quadrille, on verse de faon homogne un liquide contenant
des cellules simples. On fait attention ce que le liquide ait une paisseur constante
sur la plaque. Sous le microscope nous comptons le nombre de carrs sans cellules,
avec une cellule, avec deux cellules, etc. . .
2. Une plaque dAgar est une bote de Ptri strile qui contient un milieu de culture
utilise pour la culture des micro-organismes. Elles sont traites avec un antibiotique.
Les bactries qui sont rparties sur les plaques ne peuvent se multiplier sauf les rares
rsistantes aux antibiotiques. Elles forment des colonies. On dcompte le nombre de
colonies.
3. Dans une substance radioactive, la dsintegration des noyaux se fait de faon spontane. On note la constante radioactive du noyau, i.e. la probabilit de dsintgration
par unit de temps : entre les instants t + h et t la probabilit de dsintgration du
noyau est h. On sintresse au nombre de dsintegration sur un intervalle de temps
fix et au temps dattente entre deux dsintgrations.
Exercice 2.8.
Une urne contient 3 sortes de boules de poids diffrents : 7 boules de poids 1kg, 5 boules de
poids 3kg et 3 boules de poids 5kg.
On tire au hasard une boule de lurne et on note X son poids.
1. Dterminer la loi de la variable X.
2. Calculer lesprance et la variance de X.
Exercice 2.9.
Considrons deux parents htrozygotes de gntopye Aa tels que leur enfants peuvent avoir
les gnotypes AA, Aa ou aa avec probabilit
IP(AA) = 1/4 IP(Aa) = 1/2 IP(aa) = 1/4.
Supposons quils aient 4 enfants.
1. Quelle est la probabilit quexactement lun deux aient le gnotype aa ?
2. Quelle est la probabilit quau moins lun deux ait le gnotype aa ?
Exercice 2.10.
La proportion des groupes sanguins en France est environ :
A = 44% B = 13% AB = 3% O = 40%
On considre la rpartition de ces diffrents groupes sur 50 tudiants.
1. Donner la loi de la variable X gale au nombre dtudiants de groupe O.
2. Donner la loi de la variable Y gale au nombre dtudiants de groupe AB.
3. Calculer IP(Y 5), lesprance et la variance de Y .

30

CHAPITRE 2. VARIABLES ALATOIRES

Exercice 2.11.
Considrons les enfants de parents htrozygotes de gntopye Aa. La distribution des enfants est
IP(AA) = 1/4 IP(Aa) = 1/2 IP(aa) = 1/4.
On choisit de faon alatoire 240 de ces enfants. On dfinit N1 , N2 , N3 le nombre denfants
de gnotype AA,Aa et aa respectivement.
1. Quelle est la loi de N1 ? N2 ? N3 ? Calculer lesprance et la variance pour chaque
gnotype.
2. Quel est le lien entre ces diffrentes variables ?
3. Vrifier que pour k1 , k2 , k3 N,
IP(N1 = k1 , N2 = k2 , N3 = k3 ) -= IP(N1 = k1 )IP(N2 = k2 )IP(N3 = k3 ).
Exercice 2.12. Loi de Hardy-Weinberg
En 1908, un mathmaticien anglais G.H. Hardy et un mdecin allemand W. Weinberg ont
formul une loi, connue sous le nom de loi de Hardy-Weinberg, qui concerne les frquence
allliques pour un gne pouvant sexprimer sous la forme de deux allles A et a dans une
population diplode idale. Une population diplode est dite idale si : la population est
de grande taille (idalement de taille infinie), panmictique (pas de choix du conjoint en
fonction de son gnotype), sans mutation, migration, ni slection et dont les gnrations ne
se chevauchent pas.
La loi de Hardy-Weinberg snonce de la faon suivante : dans une population idale, les frquences allliques dun gne sexprimant sous la forme de deux allles A et a sont constantes
au cours du temps.
La distribution gnotypique la gnration 0 est
P (AA) = r

P (Aa) = s P (aa) = t.

1. Donner un exemple de population idale (ou presque).

2. Montrer que les frquences des gnotypes AA, Aa et aa la gnration 1 sont R =
(r + s/2)2 , S = 2(r + s/2)(t + s/2) et T = (t + s/2)2 .
3. On pose = r + s/2. Rexprimer les frquences des gnotypes AA, Aa et aa la
gnration 1 en fonction de . En dduire que S 2 = 4T R.
4. Quelles sont les frquences des gnotypes AA, Aa et aa la gnration 2 ? la gnration n, pour n 2 ?
Exercice 2.13.
2
Soit X une v.a. de densit f dfinie par f (x) = 0 si x < 0 et f (x) = xex /2 sinon.
A-1 Vrifier que f est bien une densit de probabilit.
A-2 Chercher la loi et lesprance de Y = X 2 .
On sintresse maintenant aux prcipitations Brest. On suppose que la dure (en heure) T
entre deux prcipitations vrifie la relation T = Y , o est une constante. En consultant
les relevs mto, on se rend compte quil scoule au moins 24h conscutives sans pluie avec
une probabilit 0.09.
B-1 Dterminer .

5. EXERCICES SUR LE CHAPITRE 2

31

B-2 Combien de temps scoule-t-il en moyenne entre deux averses ?

B-3 Il est midi. La pluie vient de sarrter. Quelle est la probabilite quil pleuve avant 14h ?
Exercice 2.14.
Soit X une variable alatoire valeurs dans N de loi de Poisson P() :
P (X = k) =

k
e avec k N
k!

Donner lexpression de la transforme de Laplace de X.

32

CHAPITRE 2. VARIABLES ALATOIRES