Centre International de Valbonne ECG1 Année 2023-24

Chapitre 18

Variables aléatoires finies

Sommaire
1 Variables aléatoires . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Définitions et exemples . . . . . . . . . . . . . . . . . 1
1.2 Loi d’une variable aléatoire . . . . . . . . . . . . . . . 3
2 Espérance et moments . . . . . . . . . . . . . . . . . . . . . . 6
2.1 Définition et propriétés . . . . . . . . . . . . . . . . . 6
2.2 Théorème de transfert et moments . . . . . . . . . . 8
3 Lois usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.1 Loi certaine . . . . . . . . . . . . . . . . . . . . . . . . 11
3.2 Loi de Bernoulli . . . . . . . . . . . . . . . . . . . . . 11
3.3 Loi Binomiale . . . . . . . . . . . . . . . . . . . . . . . 12
3.4 Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . 13


Dans tout ce chapitre, Ω, P(Ω), P désignera un espace probabilisé fini.

1 Variables aléatoires

1.1 Définitions et exemples

Motivation. Bien souvent, lorsque l’on considère une expérience aléatoire, on n’est intéressés
que par une partie de l’information. Par exemple :
− Si l’on tire cinq cartes dans un jeu de 52 cartes, combien de piques tire-t-on ?
− Si l’on lance deux dés, quelle est la somme des deux lancers ?
− Si l’on joue au Loto, quel est notre gain ?
Dans toutes ces situations, on ne s’intéresse pas à la totalité du résultat de l’expérience aléatoire
mais seulement à une grandeur associée audit résultat : c’est ce qu’on appelle une variable aléatoire.

Définition 18.1 (Variable aléatoire)

Une variable aléatoire (réelle) sur Ω est une application

X : Ω −→ R.

1
Centre International de Valbonne ECG1 Année 2023-24

Remarque 18.1. − Les variables aléatoires sont toujours notées avec des lettres majuscules.
− Bien que l’on définisse formellement les variables aléatoires comme des fonctions définies
sur un espace probabilisé, dans la pratique, on considérera plutôt ces quantités comme de
simples nombres (qui sont aléatoires).
− On s’intéresse souvent à des fonctions de ces quantités aléatoires qui jouent alors le rôle de
variables. C’est pour cette raison qu’on utilise le terme de variable aléatoire.
− L’ensemble Ω étant fini, son image par l’application X a un cardinal fini. En d’autres termes,
l’ensemble X (Ω) est fini.
,→ L’ensemble X (Ω) contient toutes les valeurs que la variable aléatoire X peut prendre.

Exemple 18.1. On lance trois fois successivement une pièce de monnaie et on veut compter le
nombre X de piles. Si l’on représente face par 0 et pile par 1,
− L’univers Ω associé à cette expérience est alors Ω = {0, 1}3 .
− La variable aléatoire X est donnée par X : Ω −→ R,
− On a X (Ω) = [[0, 3]]. (i, j, k) 7−→ i + j + k.

Exercice 18.1. On lance un dé à six faces deux fois successivement.

(a) Décrire l’univers Ω associé à cette expérience.
(b) On note X la somme des deux lancers. Décrire la variable aléatoire X et donner X (Ω).

Événements et variables aléatoires. Considérons X une variable aléatoire réelle définie sur Ω. Alors
pour tout t ∈ R, on notera 
[X = t] = ω ∈ Ω : X (ω) = t
= “X prend la valeur t”.
De même, on utilisera les notations
[X ≤ t], [X < t], [X ≥ t] et [X > t].

Si A ⊂ R, on pourra également noter

[X ∈ A] = “X prend une valeur dans A”,
et [X ∈
/ A] = “X ne prend pas une valeur dans A”.

Proposition 18.1 (SCE associé à une variable aléatoire)

Soit X une variable aléatoire définie sur Ω. Notons de plus n = Card[X (Ω)] et

X (Ω) = x 1 , x 2 , . . . , x n .


Alors la famille d’événements [X = x i ] i=1,...,n est un SCE.

2
Centre International de Valbonne ECG1 Année 2023-24

Remarque 18.2. − En d’autres termes, en regroupant les éventualités de l’univers selon les
valeurs prises par X , on crée un SCE.
− Ce SCE est appelé le SCE associé à X .

Exemple 18.2. Reprenons les notations de l’Exemple 18.1. La famille d’événements

[X = 0], [X = 1], [X = 2], [X = 3]

est le SCE associé à la variable aléatoire X . De plus, on a par exemple

¦ ©
[X = 1] = (1, 0, 0) ; (0, 1, 0) ; (0, 0, 1) .

Exercice 18.2. Reprenons les notations de l’Exercice 18.1.

(a) Donner le SCE associé à X .
(b) Décrire les événements [X = 4] et [X > 9].

1.2 Loi d’une variable aléatoire

Puisqu’une variable aléatoire est associée à une expérience dont on ne peut, par essence,
prédire le résultat, on cherchera rarement à décrire précisément le comportement de ladite
variable. À l’inverse, on cherchera souvent à décrire les probabilités des événements associés à
une variable aléatoire : c’est ce que l’on appellera la loi d’une variable.

Définition 18.2 (Loi d’une variable aléatoire)

Considérons X une variable aléatoire définie sur l’espace probabilisé Ω, P(Ω), P . La loi
de la variable aléatoire X est l’application notée PX définie par :
PX : X (Ω) −→ [0, 1]


x 7−→ P [X = x] .

Remarque 18.3. Rappelons que la famille d’événements [X = x] x∈X (Ω)
est un SCE. De ce fait,
la propriété d’additivité de P assure que


PX (x) = P [X = x] = P(Ω) = 1.
P P
x∈X (Ω) x∈X (Ω)

Pour déterminer la loi PX d’une variable aléatoire X donnée :

3 (1) On détermine l’ensemble X (Ω) des valeurs que peut prendre X ,

(2) Pour toute valeur possible x ∈ X (Ω), on calcule PX (x) = P [X = x] .

3
Centre International de Valbonne ECG1 Année 2023-24

Exemple 18.3. Revenons à l’Exemple 18.1 où la variable aléatoire X compte le nombre de piles
dans une suite de trois lancers de pièce. On a vu que X (Ω) = [[0, 3]] et on peut calculer :



PX (0) = P [X = 0] = 1/8, PX (1) = P [X = 1] = 3/8,



PX (2) = P [X = 2] = 3/8 et PX (3) = P [X = 3] = 1/8.

On peut alors représenter PX sous la forme d’un tableau :

x 0 1 2 3
PX (x) 1/8 3/8 3/8 1/8

On remarque que la somme des coefficients dans la seconde ligne vaut 1.

Exercice 18.3. Déterminer la loi de la variable X de l’Exercice 18.1.

Exercice 18.4. Soit X une variable aléatoire réelle dont la loi est donnée par le tableau suivant :
x −1 0 1 2
PX (x) 1/4 1/6 1/3 1/4

Donner (sous forme d’un tableau) la loi des deux variables aléatoires suivantes :
Y = 2X − 1 et Z = X 2.

Dire que deux variables X et Y ont la même loi ne signifie pas que X et Y sont
égales, simplement qu’elles ont le même comportement aléatoire.
,→ Dans l’Exemple 18.1, si X compte le nombre de piles et Y , le nombre de
faces, alors PX = PY mais X ̸= Y .

Fonction de répartition. Lorsque l’on veut comparer deux variables aléatoires X et Y , ou plutôt
leurs comportements, on va chercher à comparer leurs lois PX et PY . Or cette comparaison n’est
pas toujours naturelle car les applications PX et PY ne sont pas nécessairement définies sur les
mêmes ensembles. On va alors introduire un objet qui “encode” toute l’information contenue dans
la loi : la fonction de répartition.

Définition 18.3 (Fonction de répartition)

Soit X une variable aléatoire réelle. On définit sa fonction de répartition FX par

FX : R −→ [0, 1], t 7−→ P [X ≤ t] .

4
Centre International de Valbonne ECG1 Année 2023-24

Exemple 18.4. La fonction de répartition de la variable X de l’Exemple 18.1 est donnée par :


 0 si t < 0,

si 0 ≤ t < 1,



 1/8

∀t ∈ R, FX (t) = 1/2 si 1 ≤ t < 2,

si 2 ≤ t < 3,

7/8





1 si 3 ≤ t.

Son graphe est donné par :
FX (t)
1

0 t

Exercice 18.5. On lance un dé à six faces et on note X le numéro obtenu. Donner la loi de X
ainsi que sa fonction de répartition.

Proposition 18.2 (Prorpriétés des fonctions de répartition)

Soit X une variable aléatoire et FX sa fonction de répartition.

Croissance : La fonction FX est croissante.

Valeurs en ±∞ : − Si t < min X (Ω), alors FX (t) = 0.

− Si t ≥ max X (Ω), alors FX (t) = 1.

Continuité à droite : Si (un )n est une suite positive qui tend vers 0, alors pour tout t ∈ R,
FX (t + un ) −−−→ FX (t).
n→∞

Limite à gauche : Si (un )n est une suite positive qui tend vers 0, alors pour tout t ∈ R,

noté
FX (t − un ) −−−→ P [X < t] = FX (t − ).
n→∞

Théorème 18.1 (Caractérisation de la loi)

Soient X et Y deux variables aléatoires réelles. Alors on a :

FX = FY ⇐⇒ PX = PY .

Remarque 18.4. En d’autres termes, la fonction de répartition caractérise la loi, i.e. si l’on connaît
la fonction de répartition d’une variable aléatoire, alors on sait retrouver sa loi.

5
Centre International de Valbonne ECG1 Année 2023-24

2 Espérance et moments

Dans cette section, on s’intéressera à des quantités qui donnent des informations partielles sur
le comportement d’une variable aléatoire comme la valeur prise en moyenne, l’écart typique entre
la variable et sa moyenne, etc...

2.1 Définition et propriétés

Définition 18.4 (Espérance)

Soit X une variable aléatoire réelle définie sur l’espace probabilisé fini Ω, P(Ω), P .
L’espérance de X est le nombre réel noté E(X ) et défini par
E(X ) = x · PX (x).
P
x∈X (Ω)

Remarque 18.5. − Observons que l’espérance est un nombre réel qui n’a rien d’aléatoire.


− Rappelons que si x ∈ X (Ω), PX (x) = P [X = k] est la probabilité que X prenne la valeur x.
− L’espérance d’une variable aléatoire est donc en quelque sorte une “moyenne pondérée” :
c’est la moyenne de toutes les valeurs prises par la variable respectivement pondérées par la
probabilité que ladite variable prenne chacune des valeurs.
− En particulier, si X est une variable aléatoire à valeurs dans un intervalle discret [[0, n]]
avec n ∈ N, alors on peut réécrire l’espérance de X comme suit :
n
E(X ) = k · PX (k).
P
k=0

Cette formule est importante car dans la pratique, la plupart des variables aléatoires que
l’on étudiera seront à valeurs dans de tels intervalles discrets.
− On dira que X est centrée si son espérance est nulle.

Exemple 18.5. Reprenons les notations de l’Exemple 18.1 et rappelons que l’on a déterminé la
loi de la variable X dans l’Exemple 18.3. On peut alors écrire que
3 1 3 3 1 12 3
E(X ) = k PX (k) = 0 × + 1 × + 2 × + 3 × = = .
P
k=0 8 8 8 8 8 2
En moyenne, on fait donc 1.5 fois pile sur trois lancers.

Exercice 18.6. Calculer l’espérance de la variable X définie dans l’Exercice 18.1.

Exercice 18.7. Calculer l’espérance des variables X , Y et Z de l’Exercice 18.4.

6
Centre International de Valbonne ECG1 Année 2023-24

Corollaire 18.1 (La loi caractérise l’espérance)

Soient X et Y deux variables aléatoires. Alors

X et Y ont la même loi =⇒ E(X ) = E(Y ).

La réciproque est en général fausse :

,→ Si X est la variable de l’Exemple 18.1 et si Y est la variable aléatoire constante
égale à 3/2, on a E(X ) = E(Y ) = 3/2 mais X et Y n’ont pas la même loi.

Proposition 18.3 (Propriétés de l’espérance)

Soient X et Y deux variables aléatoires.

Constante : Si X est constante égale à un réel a fixé, alors
E(X ) = a.

Linéarité : Pour tous réels λ et µ, on a

E λX + µY = λ E(X ) + µ E(Y ).

Croissance : Si X ≤ Y , i.e. si pour tout ω ∈ Ω on a X (ω) ≤ Y (ω), alors

E(X ) ≤ E(Y ).

Remarque 18.6. − Si a ∈ R est une constante, on écrira simplement E(a) = a.

− La propriété de linéarité peut être “coupée en deux” :
+ Si X et Y sont deux variables aléatoires, E(X + Y ) = E(X ) + E(Y ).
+ Si X est une variable aléatoire et λ ∈ R, E(λ X ) = λ E(X ).
− En vertu des propriétés de croissance et d’espérance d’une constante, on en déduit que
l’espérance conserve la positivité :
X ≥0 =⇒ E(X ) ≥ 0.

Exercice 18.8. Soit A ⊂ Ω un événement. On note 1A, l’indicatrice de l’événement A, i.e. 1A est
l’application (
0 si ω ∈ / A,
1A : Ω −→ {0, 1}, ω 7−→
1 si ω ∈ A.
Calculer l’espérance de 1A.

7
Centre International de Valbonne ECG1 Année 2023-24

2.2 Théorème de transfert et moments

Fonction d’une variable aléatoire. Quand on considère une variable aléatoire X , on est souvent
intéressés par une fonction de ladite variable.
,→ Par exemple, si X est le nombre de numéros corrects qu’on a joués dans un tirage du Loto,
on s’intéresse à la somme que l’on a remportée, qui est une fonction de X .
Pour cette raison, on est souvent amenés à vouloir calculer la valeur moyenne prise par une
fonction de X .


Remarque 18.7. − Considérons X une variable aléatoire définie sur Ω, P(Ω), P ainsi qu’une
fonction f définie sur l’ensemble X (Ω). Observons que f ◦ X est une application définie
sur Ω et à valeurs dans R, i.e. une variable aléatoire.
− Par soucis de légèreté, on préférera noter f (X ) plutôt que f ◦ X . Remarquons que lorsque
l’on écrit f (X ), X est notée comme la variable (aléatoire) de la fonction f .
− Le théorème suivant donne une formule simple à manipuler pour calculer l’espérance
d’une fonction de X lorsque l’on connaît la loi PX de X sans avoir besoin de déterminer
explicitement la loi de la variable f (X ).

Théorème 18.2 (Formule de transfert)

Soient X une variable aléatoire réelle de loi PX et f une fonction définie sur X (Ω). Alors on a


E f (X ) = f (x) PX (x).
P
x∈X (Ω)

Remarque 18.8. − À nouveau, on voit que la quantité E f (X ) est entièrement déterminée
par la loi de la variable X . Ainsi, si X et Y sont deux variables aléatoires de même loi, alors



quelle que soit la fonction f considérée, on aura E f (X ) = E f (Y ) .
− Si X (Ω) = [[0, n]], alors on peut réécrire la formule de transfert :

P n
E f (X ) = f (k) PX (k).
k=0

Exercice 18.9. Calculer l’espérance des variables Y et Z définies dans l’Exercice 18.4 en utilisant
la formule de transfert.

Exercice 18.10. Comme dans l’Exemple 18.1, on lance trois fois successivement une pièce de
monnaie et on note X le nombre de piles obtenu. Initialement, on mise 1€ et notre gain est
doublé à chaque fois qu l’on fait pile. Calculer le gain moyen.

8
Centre International de Valbonne ECG1 Année 2023-24

Moments et variance. Dans ce paragraphe, nous allons définir des quantités donnant des infor-
mations sur la répartition des valeurs possibles d’une variable aléatoire.

Définition 18.5 (Moments d’une variable aléatoire)

Soient X une variable aléatoire et p un entier naturel non nul. Le moment d’ordre p de la
variable X est défini par


E Xp = x p PX (x).
P
x∈X (Ω)

Remarque 18.9. Le moment d’ordre 1 est simplement l’espérance de X .

Exemple 18.6. Le moment d’ordre 2 de la variable X de l’Exemple 18.1 est donné par

1 3 3 1 24
E X 2 = × 02 + × 12 + × 22 + × 32 = = 3.
8 8 8 8 8

Exercice 18.11. On lance un dé à six faces et on note X le numéro obtenu. Calculer les moments
d’ordres 1, 2 et 3 de la variable aléatoire X .

Définition 18.6 (Variance)

Soit X une variable aléatoire. On définit la variance de X , notée Var(X ), par :

”
2 —
Var(X ) = E X − E(X ) .

Remarque 18.10. − En d’autres termes, la variance de X est le moment d’ordre 2 de la diffé-

rence entre X et sa moyenne.
− La variance donne des informations sur la tendance qu’a X à s’éloigner de sa moyenne :
+ Si X a une variance faible, alors typiquement, X est proche de sa valeur moyenne,
+ Sinon, si X a une grande variance, alors typiquement, X est éloigné de sa valeur
moyenne.
− On peut aussi définir l’écart-type σ(X ) d’une variable aléatoire X par
Æ
σ(X ) = Var(X ).

L’intérêt de l’écart-type par rapport à la variance est que c’est une grandeur de la même
dimension (au sens physique) que X .
,→ Par exemple, si X est une longueur aléatoire mesurée en mètres, alors la variance sera
exprimée en m2 mais l’écart-type sera, tout comme X , exprimée en m.

9
Centre International de Valbonne ECG1 Année 2023-24

Proposition 18.4 (Propriétés de la variance)

Soit X une variable aléatoire.

Positivité : La variance de X est positive, i.e.
Var(X ) ≥ 0.

Combinaison affine : Si a et b sont deux constantes, alors

Var(aX + b) = a2 Var(X ).

Exercice 18.12. Montrer que Var(X ) = 0 si et seulement si X est constante.

− La variance n’est donc pas linéaire.

− En général, on n’a pas non plus Var(X + Y ) = Var(X ) + Var(Y ).
,→ Si X = Y , on a Var(X + Y ) = Var(2X ) = 4 Var(X ) ̸= Var(X ) + Var(Y )
d’après la Proposition précédente.

Théorème 18.3 (Formule de Huygens)

Soit X une variable aléatoire. Alors

Var(X ) = E X 2 − E(X )2 .

Remarque 18.11. Dans la pratique, on utilisera surtout cette dernière formule car il est souvent
plus facile de calculer l’espérance puis le moment d’ordre 2 que de calculer la variance directement.

Exemple 18.7. La variance de la variable X de l’Exemple 18.1 est égale à

 ‹2
2

2 3 3
Var(X ) = E X − E(X ) = 3 − = .
2 4

10
Centre International de Valbonne ECG1 Année 2023-24

3 Lois usuelles

Dans cette section, nous allons voir les lois usuelles pour des variables aléatoires finies.

3.1 Loi certaine

Définition 18.7 (Loi certaine)

On dit qu’une variable aléatoire X suit la loi certaine si X ne prend qu’une valeur.

Remarque 18.12. En d’autres termes, X suit la loi certaine si X vue comme une application de Ω
dans R est constante.

Proposition 18.5 (Propriétés de la loi certaine)

Soit X une variable aléatoire constante égale à a ∈ R. Alors :

X (Ω) = {a}, P [X = a] = 1, E(X ) = a et Var(X ) = 0.

3.2 Loi de Bernoulli

Définition 18.8 (Loi de Bernoulli)

On dit qu’une variable aléatoire X suit la loi de Bernoulli de paramètre p ∈ [0, 1] si

X (Ω) = {0, 1} et P [X = 1] = p.

On notera alors X ⇝ B(p).

Remarque 18.13. − Puisque X (Ω) = {0, 1}, on a P [X = 0] + P [X = 1] = 1 d’où



P [X = 0] = 1 − P [X = 1] = 1 − p.

− La fonction de répartition d’une variable de Bernoulli est de la forme suivante :

1
p

0 1

11
Centre International de Valbonne ECG1 Année 2023-24

− La loi de Bernoulli est utilisée pour modéliser des expériences aléatoires avec deux issues
possibles : “réussite” (représentée par 1) et “échec” (représenté par 0).
,→ Une expérience de ce type est appelée expérience de Bernoulli.
− Si p = 0 ou p = 1, alors avec probabilité 1, X sera égale à 0 ou 1 respectivement.

Exemple 18.8. On lance une pièce de monnaie et on note X la variable aléatoire qui vaut 0 si on
fait face et 1 si on fait pile. Alors X ⇝ B(1/2).

Exercice 18.13. Considérons un événement A et, comme dans l’Exercice 18.8, notons 1A son
indicatrice. Montrer que 1A suit une loi de Bernoulli dont on donnera le paramètre.

Proposition 18.6 (Moments de la loi de Bernoulli)

Soit X une variable aléatoire de loi B(p). Alors :

E(X ) = p et Var(X ) = p(1 − p).

3.3 Loi Binomiale

Définition 18.9 (Loi binomiale)

On dit qu’une variable aléatoire X suit la loi binomiale de paramètres n ∈ N∗ et p ∈ [0, 1]

si X (Ω) = [[0, n]] et si pour tout k ∈ [[0, n]], on a

 n‹ k
P [X = k] = p (1 − p)n−k .
k
On note alors X ⇝ B(n, p).

Remarque 18.14. − On peut observer que dans la loi d’une variable binomiale, il y a des
coefficients binomiaux.
− La loi de Bernoulli est un cas particulier de la loi binomiale (avec n = 1).
− La loi binomiale de paramètres n et p est utilisée pour compter le nombre de succès dans
une suite de n expériences de Bernoulli identiques, mutuellement indépendantes et ayant
une probabilité de succès égale à p.
− En d’autres termes, une variable de loi B(n, p) est la somme de n variables mutuellement
indépendantes de Bernoulli de paramètre p.
(La notion d’indépendance entre variables aléatoires sera abordée en 2ème année.)

12
Centre International de Valbonne ECG1 Année 2023-24

Exemple 18.9. La variable X de l’Exemple 18.1 compte le nombre de succès (quand la pièce
donne pile) dans une suite de trois lancers : c’est donc une variable de loi B(3, 1/2). Alors, pour
tout k ∈ [[0, 3]], on a
1 3−k
 ‹  ‹k 
3 1 3 1

‹  ‹
P [X = k] = 1− = .
k 2 2 k 8
En particulier, on retrouve bien la loi que l’on avait déterminée dans l’Exemple 18.3 (où on a
également représenté le graphe de sa fonction de répartition).

Proposition 18.7 (Moments de la loi binomiale)

Soit X une variable aléatoire de loi B(n, p). Alors :

E(X ) = np et Var(X ) = n p(1 − p).

Remarque 18.15. L’espérance d’une variable de loi B(n, p) est donc n fois l’espérance d’une variable
de Bernoulli. De même pour la variance.

Exemple 18.10. On a vu que la variable X de l’Exemple 18.1 suit la loi B(3, 1/2). On a donc
3 3
E(X ) = et Var(X ) =
2 4
ce qui coïncide avec ce que l’on a déjà calculé.

Exercice 18.14. (a) Calculer le moment d’ordre 2 d’une variable aléatoire X ⇝ B(n, p).
(b) En déduire la valeur de la somme suivante :
n  n‹  ‹k  ‹n−k
2 2 3
P
k .
k=0 k 5 5

3.4 Loi uniforme

Définition 18.10 (Loi uniforme)

Soit E un sous-ensemble fini et non vide de R. On dit qu’une variable aléatoire X suit la
loi uniforme sur E si X (Ω) = E et si

1
∀x ∈ E, P [X = x] = .
Card E
On notera alors X ⇝ U(E).

13
Centre International de Valbonne ECG1 Année 2023-24

Remarque 18.16. − Cette loi s’appelle la loi uniforme car si l’on répète un grand nombre de
fois l’expérience donnant X , les différents résultats obtenus seront uniformément répartis
sur tous les éléments de l’ensemble E.
− On utilisera très souvent cette loi avec des ensembles E de la forme E = [[a, b]] avec des
entiers a et b tels que a ≤ b.
− Si E = [[0, 3]] et X ⇝ U(E), voilà le graphe de la fonction de répartition de X :
FX (t)
1

0 t

Proposition 18.8 (Moments de la loi uniforme)

Soient n ∈ N∗ et X ⇝ U [[1, n]] . Alors :

n+1 n2 − 1
E(X ) = et Var(X ) = .
2 12

Exercice 18.15. On lance un dé à six faces et on note X le numéro obtenu. Déterminer la loi de
la variable aléatoire X et en déduire son espérance et sa variance.

Lorsque l’on cherche à déterminer la loi d’une variable aléatoire X donnée, deux
cas se présentent suivant si la situation modélisée
Loi usuelle. Soit la situation modélisée est classique et X suit alors une loi usuelle :
Loi binomiale : X compte un nombre de “succès” lors de répétitions indépen-
dantes d’une même expérience.
,→ On détermine le nombre n de répétitions et la probabilité de succès p.

3 On conclut que X ⇝ B(n, p).

Loi uniforme : X est issue d’un tirage d’une boule numérotée dans une urne du
lancer d’un dé, ou d’un autre type de tirage uniforme.
,→ On s’assure que les tirages sont bien uniformes, on détermine l’ensemble
des valeurs possibles E et on conclut que X ⇝ U(E).
Autre loi. Sinon, alors on doit déterminer la loi de X “à la main” :


(1) On explicite X (Ω), (2) ∀x ∈ X (Ω), on calcule PX (x) = P [X = x] .

14