Variables aléatoires
Cours
Un jeu de fête foraine est-il rentable pour le joueur ? Combien un fabricant doit-il prévoir, en moyenne, pour les réparations sous garantie ? Combien d'éoliennes d'un parc seront en maintenance un jour donné ? Pour répondre, on associe un nombre (un gain, un coût, un nombre de pannes) au résultat d'une expérience aléatoire, puis on calcule sa valeur moyenne. Avec ce chapitre, tu sauras :
- définir une variable aléatoire et donner sa loi de probabilité ;
- calculer et interpréter une espérance ;
- décider si un jeu est équitable ;
- utiliser la loi de Bernoulli et compter les succès sur deux, trois ou quatre épreuves.
1 Variable aléatoire et loi de probabilité
Dans un jeu, ce qui intéresse le joueur n'est pas la face du dé, mais ce qu'il gagne. On remplace donc chaque issue par un nombre.
On lance un dé. Faire \(1\), \(2\) ou \(3\) fait perdre \(2\) € ; faire \(4\) ou \(5\) fait gagner \(1\) € ; faire \(6\) fait gagner \(5\) €. Six issues, mais seulement trois gains possibles : \(-2\), \(1\) et \(5\).
Une variable aléatoire \(X\) associe un nombre réel à chaque issue d'une expérience aléatoire. Sa loi de probabilité donne chaque valeur \(x_i\) que peut prendre \(X\), avec la probabilité \(p_i = P(X = x_i)\).
En symboles : on présente la loi dans un tableau ; les probabilités sont positives et \(p_1 + p_2 + \dots + p_n = 1\).
\(X\) est le gain (en euros) du jeu de l'intuition.
Étape 1 — Les valeurs de \(X\). \(X\) peut valoir \(-2\), \(1\) ou \(5\).
Étape 2 — Les probabilités. Le dé est équilibré : chaque face a la probabilité \(\dfrac{1}{6}\).
- \(X = -2\) pour les faces \(1\), \(2\), \(3\) : \(P(X = -2) = \dfrac{3}{6} = \dfrac{1}{2}\) ;
- \(X = 1\) pour les faces \(4\), \(5\) : \(P(X = 1) = \dfrac{2}{6} = \dfrac{1}{3}\) ;
- \(X = 5\) pour la face \(6\) : \(P(X = 5) = \dfrac{1}{6}\).
Étape 3 — Le tableau de la loi.
| \(x_i\) | \(-2\) | \(1\) | \(5\) |
|---|---|---|---|
| \(P(X = x_i)\) | \(\dfrac{1}{2}\) | \(\dfrac{1}{3}\) | \(\dfrac{1}{6}\) |
🔍 Vérification : \(\dfrac{1}{2} + \dfrac{1}{3} + \dfrac{1}{6} = \dfrac{3}{6} + \dfrac{2}{6} + \dfrac{1}{6} = 1\) ✓.
- ❌ Écrire les six faces du dé dans le tableau de la loi. ✅ On écrit les valeurs de \(X\) (ici trois gains), chacune une seule fois.
- ❌ Oublier de vérifier que la somme des probabilités vaut \(1\). ✅ C'est le premier contrôle à faire.
Avec le jeu de dé, calcule \(P(X \ge 1)\).
Voir la réponseMasquer la réponse
\(X \ge 1\) signifie \(X = 1\) ou \(X = 5\) : \(P(X \ge 1) = \dfrac{1}{3} + \dfrac{1}{6} = \dfrac{1}{2}\).
Une variable aléatoire associe un nombre à chaque issue ; sa loi est un tableau de valeurs et de probabilités, de somme \(1\).
2 L'espérance
Le joueur gagne parfois, perd parfois : que gagne-t-il « en moyenne » ? C'est l'espérance qui répond.
L'espérance de \(X\) est la moyenne de ses valeurs, chacune pondérée par sa probabilité.
En symboles : \(E(X) = x_1 p_1 + x_2 p_2 + \dots + x_n p_n\).
L'idée en une phrase : sur un grand nombre de parties, chaque valeur sort à peu près dans la proportion donnée par sa probabilité.
Voir la démonstration pas à pasMasquer la démonstration
Étape 1 — Imaginer \(600\) parties du jeu de dé. On obtient environ \(600 \times \dfrac{1}{2} = 300\) fois \(-2\) €, \(600 \times \dfrac{1}{3} = 200\) fois \(1\) € et \(600 \times \dfrac{1}{6} = 100\) fois \(5\) €.
Étape 2 — Le gain total. \(300 \times (-2) + 200 \times 1 + 100 \times 5 = -600 + 200 + 500 = 100\) €.
Étape 3 — Le gain moyen par partie. \(\dfrac{100}{600} = \dfrac{1}{6}\) € : c'est exactement \((-2) \times \dfrac{1}{2} + 1 \times \dfrac{1}{3} + 5 \times \dfrac{1}{6}\), car diviser chaque effectif par \(600\) redonne la probabilité.
Étape 1 — Les produits. \((-2) \times \dfrac{1}{2} = -1\) ; \(1 \times \dfrac{1}{3} = \dfrac{1}{3}\) ; \(5 \times \dfrac{1}{6} = \dfrac{5}{6}\).
Étape 2 — La somme. \(E(X) = -1 + \dfrac{1}{3} + \dfrac{5}{6} = -\dfrac{6}{6} + \dfrac{2}{6} + \dfrac{5}{6} = \dfrac{1}{6}\).
Conclusion : \(E(X) = \dfrac{1}{6} \approx 0{,}17\) € : en moyenne, le joueur gagne environ \(17\) centimes par partie.
🔍 Vérification : l'espérance est comprise entre la plus petite valeur (\(-2\)) et la plus grande (\(5\)) ✓, et on retrouve le calcul des \(600\) parties ✓.
- ❌ Faire la moyenne simple des valeurs : \(\dfrac{-2 + 1 + 5}{3} \approx 1{,}33\). ✅ Chaque valeur est pondérée par sa probabilité.
- ❌ Croire que \(X\) peut prendre la valeur \(E(X)\). ✅ Ici, on ne gagne jamais exactement \(0{,}17\) € : c'est une moyenne sur beaucoup de parties.
Calcule l'espérance de \(X\), de loi : \(x_i\) : \(0\), \(2\), \(10\) avec les probabilités \(0{,}7\) ; \(0{,}2\) ; \(0{,}1\).
Voir la réponseMasquer la réponse
\(E(X) = 0 \times 0{,}7 + 2 \times 0{,}2 + 10 \times 0{,}1 = 0 + 0{,}4 + 1 = 1{,}4\).
\(E(X) = \sum x_i p_i\) ; c'est la valeur moyenne de \(X\) sur un très grand nombre de répétitions.
3 Interpréter l'espérance : jeu équitable
Le signe de l'espérance d'un gain dit qui, du joueur ou de l'organisateur, est avantagé.
\(X\) est le gain algébrique du joueur (positif s'il gagne, négatif s'il perd).
- si \(E(X) > 0\), le jeu est favorable au joueur ;
- si \(E(X) = 0\), le jeu est équitable ;
- si \(E(X) < 0\), le jeu est défavorable au joueur.
Dans le jeu de dé, l'organisateur veut changer le gain \(g\) de la face \(6\) pour que le jeu devienne équitable.
Étape 1 — L'espérance en fonction de \(g\). \(E(X) = (-2) \times \dfrac{1}{2} + 1 \times \dfrac{1}{3} + g \times \dfrac{1}{6} = -1 + \dfrac{1}{3} + \dfrac{g}{6}\).
Étape 2 — Simplifier. \(-1 + \dfrac{1}{3} = -\dfrac{2}{3}\), donc \(E(X) = -\dfrac{2}{3} + \dfrac{g}{6}\).
Étape 3 — Résoudre \(E(X) = 0\). \(\dfrac{g}{6} = \dfrac{2}{3}\), donc \(g = 6 \times \dfrac{2}{3} = 4\).
Conclusion : avec un gain de \(4\) € pour le \(6\), le jeu est équitable.
🔍 Vérification : \(-1 + \dfrac{1}{3} + \dfrac{4}{6} = -\dfrac{6}{6} + \dfrac{2}{6} + \dfrac{4}{6} = 0\) ✓.
- ❌ Oublier la mise : si l'on paie \(1\) € pour jouer, le gain net est le gain annoncé moins \(1\). ✅ On écrit la loi du gain net.
- ❌ « Jeu équitable » = « on gagne une fois sur deux ». ✅ Équitable signifie que le gain moyen est nul.
Un jeu a une espérance de gain de \(-0{,}25\) €. Que peut-on prévoir pour un joueur qui fait \(200\) parties ?
Voir la réponseMasquer la réponse
Il perd environ \(200 \times 0{,}25 = 50\) € au total ; le jeu lui est défavorable.
\(E(X) > 0\) favorable, \(E(X) = 0\) équitable, \(E(X) < 0\) défavorable ; sur \(N\) parties, le gain total est proche de \(N \times E(X)\).
4 La loi de Bernoulli
Beaucoup d'expériences n'ont que deux issues : une pièce est conforme ou non, un tir est réussi ou non.
Une épreuve de Bernoulli est une expérience à deux issues : le succès, de probabilité \(p\), et l'échec, de probabilité \(1 - p\). La variable aléatoire \(X\) qui vaut \(1\) en cas de succès et \(0\) en cas d'échec suit la loi de Bernoulli de paramètre \(p\).
| \(x_i\) | \(0\) | \(1\) |
|---|---|---|
| \(P(X = x_i)\) | \(1 - p\) | \(p\) |
Si \(X\) suit la loi de Bernoulli de paramètre \(p\), alors \(E(X) = p\).
En français : en moyenne, une épreuve de Bernoulli rapporte \(p\) succès.
L'idée en une phrase : on applique la définition de l'espérance au tableau.
Voir la démonstration pas à pasMasquer la démonstration
Étape 1 — Les deux produits. \(0 \times (1 - p) = 0\) et \(1 \times p = p\).
Étape 2 — La somme. \(E(X) = 0 + p = p\).
Une pièce est défectueuse avec la probabilité \(0{,}03\). On appelle « succès » le fait qu'elle soit défectueuse (c'est ce qu'on cherche à repérer), et \(X\) vaut \(1\) si la pièce est défectueuse, \(0\) sinon.
Étape 1 — Le paramètre. \(p = 0{,}03\) : \(X\) suit la loi de Bernoulli de paramètre \(0{,}03\).
Étape 2 — La loi. \(P(X = 1) = 0{,}03\) et \(P(X = 0) = 1 - 0{,}03 = 0{,}97\).
Étape 3 — L'espérance. \(E(X) = 0{,}03\).
🔍 Vérification : \(0{,}03 + 0{,}97 = 1\) ✓ ; sur \(1\,000\) pièces contrôlées, on attend environ \(1\,000 \times 0{,}03 = 30\) pièces défectueuses ✓.
- ❌ « Succès » veut forcément dire « bonne nouvelle ». ✅ Le succès est simplement l'issue qu'on choisit de compter ; il faut le dire clairement.
- ❌ \(P(X = 0) = p\). ✅ \(P(X = 1) = p\) : \(X\) vaut \(1\) pour le succès.
On tire une carte dans un jeu de \(32\) cartes, dont \(8\) cœurs. \(X\) vaut \(1\) si la carte est un cœur. Quelle loi suit \(X\) ?
Voir la réponseMasquer la réponse
La loi de Bernoulli de paramètre \(p = \dfrac{8}{32} = 0{,}25\), avec \(E(X) = 0{,}25\).
Deux issues ; \(X = 1\) pour le succès (\(p\)), \(X = 0\) pour l'échec (\(1 - p\)) ; \(E(X) = p\).
5 Répéter une épreuve de Bernoulli : le nombre de succès
On répète maintenant la même épreuve de Bernoulli deux, trois ou quatre fois, de façon indépendante, et on compte les succès.
Avec trois épreuves, « exactement un succès » peut arriver de trois façons : succès au premier, au deuxième ou au troisième essai. On compte ces chemins dans l'arbre.
On note \(S\) le succès (\(p\)) et \(E\) l'échec (\(1 - p\)).
- On construit l'arbre, avec les mêmes probabilités à chaque niveau.
- Pour chaque nombre de succès \(k\), on compte les chemins qui contiennent exactement \(k\) fois \(S\).
- Ces chemins ont tous la même probabilité (produit des branches) : on multiplie cette probabilité par le nombre de chemins.
Un jour donné, chaque éolienne d'un petit parc est à l'arrêt pour maintenance avec la probabilité \(0{,}2\), indépendamment des autres. Le parc compte \(3\) éoliennes ; \(X\) est le nombre d'éoliennes à l'arrêt.
Étape 1 — \(X = 0\). Un chemin, \(EEE\) : \(0{,}8^3 = 0{,}512\).
Étape 2 — \(X = 1\). Trois chemins (\(SEE\), \(ESE\), \(EES\)), chacun de probabilité \(0{,}2 \times 0{,}8^2 = 0{,}128\) : \(3 \times 0{,}128 = 0{,}384\).
Étape 3 — \(X = 2\). Trois chemins (\(SSE\), \(SES\), \(ESS\)), chacun de probabilité \(0{,}2^2 \times 0{,}8 = 0{,}032\) : \(3 \times 0{,}032 = 0{,}096\).
Étape 4 — \(X = 3\). Un chemin, \(SSS\) : \(0{,}2^3 = 0{,}008\).
| \(k\) | \(0\) | \(1\) | \(2\) | \(3\) |
|---|---|---|---|---|
| \(P(X = k)\) | \(0{,}512\) | \(0{,}384\) | \(0{,}096\) | \(0{,}008\) |
Étape 5 — L'espérance. \(E(X) = 0 \times 0{,}512 + 1 \times 0{,}384 + 2 \times 0{,}096 + 3 \times 0{,}008 = 0{,}384 + 0{,}192 + 0{,}024 = 0{,}6\).
🔍 Vérification : \(0{,}512 + 0{,}384 + 0{,}096 + 0{,}008 = 1\) ✓. Et \(0{,}6 = 3 \times 0{,}2\) : en moyenne, \(0{,}2\) éolienne à l'arrêt par éolienne, donc \(0{,}6\) pour trois ✓.
- ❌ \(P(X = 1) = 0{,}2 \times 0{,}8^2\). ✅ Il y a trois chemins avec un seul succès : on multiplie par \(3\).
- ❌ Utiliser cette méthode pour des tirages sans remise. ✅ Elle demande des épreuves indépendantes, avec la même probabilité de succès à chaque fois.
On lance deux fois une pièce équilibrée ; \(X\) est le nombre de « pile ». Donne la loi de \(X\).
Voir la réponseMasquer la réponse
\(P(X = 0) = \dfrac{1}{2} \times \dfrac{1}{2} = \dfrac{1}{4}\) ; \(X = 1\) a deux chemins (PF et FP), donc \(P(X = 1) = 2 \times \dfrac{1}{4} = \dfrac{1}{2}\) ; \(P(X = 2) = \dfrac{1}{4}\).
Épreuves indépendantes : on compte les chemins à \(k\) succès et on multiplie par la probabilité d'un chemin ; on vérifie que la somme vaut \(1\).
Pour aller plus loin
Contenu facultatif, non exigible.
(hors programme de 1ère) : en Terminale, on étudie la loi binomiale, qui donne directement \(P(X = k)\) pour \(n\) épreuves, même nombreuses, et on montre que \(E(X) = n \times p\), comme le suggère l'exemple des éoliennes (\(3 \times 0{,}2 = 0{,}6\)).
Quiz du cours
Tu as lu le cours ? Vérifie en 8 questions que tu as retenu l’essentiel. Chaque réponse est corrigée tout de suite, sans chronomètre.
\(X\) prend les valeurs \(1\), \(2\), \(3\) avec \(P(X = 1) = 0{,}5\) et \(P(X = 2) = 0{,}1\). Combien vaut \(P(X = 3)\) ?
La somme des probabilités vaut \(1\) : \(1 - 0{,}5 - 0{,}1 = 0{,}4\).
Revoir dans le cours : 1. Variable aléatoire et loi de probabilité
\(X\) vaut \(-1\) avec la probabilité \(0{,}6\) et \(4\) avec la probabilité \(0{,}4\). Combien vaut \(E(X)\) ?
Réponse attendue : \(1\)
\(E(X) = -1 \times 0{,}6 + 4 \times 0{,}4 = -0{,}6 + 1{,}6\).
Pour calculer une espérance, on :
\(E(X) = x_1 p_1 + \dots + x_n p_n\) : chaque valeur est pondérée par sa probabilité.
Vrai ou faux : un jeu dont l'espérance de gain vaut \(0{,}3\) € est défavorable au joueur.
L'espérance est positive : le jeu est favorable au joueur, qui gagne en moyenne \(0{,}30\) € par partie.
Revoir dans le cours : 3. Interpréter l'espérance : jeu équitable
L'espérance de gain d'un jeu vaut \(-0{,}2\) €. Quel gain total (en euros) peut-on prévoir sur \(500\) parties ?
Réponse attendue : \(-100\)
Sur \(N\) parties, gain total \(\approx N \times E(X) = 500 \times (-0{,}2)\).
Revoir dans le cours : 3. Interpréter l'espérance : jeu équitable
\(X\) suit la loi de Bernoulli de paramètre \(0{,}15\). Combien vaut \(E(X)\) ?
Réponse attendue : \(0{,}15\)
Pour une loi de Bernoulli, \(E(X) = p\).
On répète \(3\) fois une épreuve de Bernoulli de paramètre \(p\). Combien de chemins de l'arbre contiennent exactement \(2\) succès ?
L'échec est au premier, au deuxième ou au troisième essai : \(SSE\), \(SES\), \(ESS\).
Revoir dans le cours : 5. Répéter une épreuve de Bernoulli : le nombre de succès
On répète \(2\) fois une épreuve de Bernoulli de paramètre \(0{,}3\). Quelle est la probabilité d'obtenir exactement un succès ?
Réponse attendue : \(0{,}42\)
Deux chemins (\(SE\) et \(ES\)), chacun de probabilité \(0{,}3 \times 0{,}7 = 0{,}21\).
Revoir dans le cours : 5. Répéter une épreuve de Bernoulli : le nombre de succès
À revoir dans le cours :
Questions fréquentes
Comment trouver la loi de probabilité d'une variable aléatoire ?
On liste toutes les valeurs que peut prendre la variable, puis on calcule la probabilité de chacune en regroupant les issues qui donnent la même valeur. On présente le tout dans un tableau et on vérifie que la somme des probabilités vaut \(1\).
Voir dans le cours : 1. Variable aléatoire et loi de probabilité
Comment calculer une espérance ?
On multiplie chaque valeur par sa probabilité, puis on additionne tous ces produits. Le résultat est la valeur moyenne de la variable sur un très grand nombre de répétitions.
Comment savoir si un jeu est équitable ?
On calcule l'espérance du gain net du joueur, mise déduite. Le jeu est équitable si elle vaut \(0\), favorable au joueur si elle est positive, défavorable si elle est négative.
Voir dans le cours : 3. Interpréter l'espérance : jeu équitable
C'est quoi une loi de Bernoulli ?
C'est la loi d'une variable qui vaut \(1\) en cas de succès et \(0\) en cas d'échec, pour une expérience à deux issues. Si le succès a la probabilité \(p\), l'espérance vaut \(p\).
Comment compter les succès sur plusieurs épreuves ?
On construit l'arbre des épreuves indépendantes, puis on compte les chemins qui contiennent exactement le nombre de succès voulu. On multiplie ce nombre de chemins par la probabilité d'un seul chemin.
Voir dans le cours : 5. Répéter une épreuve de Bernoulli : le nombre de succès
Fiche mémo
L’essentiel du chapitre, à relire avant un contrôle.
L'essentiel
| Notion | À savoir |
|---|---|
| Variable aléatoire | un nombre associé à chaque issue |
| Loi de probabilité | tableau des valeurs \(x_i\) et des \(P(X = x_i)\) ; somme \(= 1\) |
| Espérance | \(E(X) = x_1 p_1 + x_2 p_2 + \dots + x_n p_n\) : valeur moyenne |
| Jeu | \(E(X) > 0\) favorable, \(E(X) = 0\) équitable, \(E(X) < 0\) défavorable |
| Loi de Bernoulli | \(P(X = 1) = p\), \(P(X = 0) = 1 - p\) ; \(E(X) = p\) |
| Nombre de succès | arbre ; compter les chemins à \(k\) succès ; multiplier par la probabilité d'un chemin |
Pièges à éviter
- Pondérer chaque valeur par sa probabilité : pas de moyenne simple.
- Tenir compte de la mise dans le gain net.
- \(X\) ne prend pas forcément la valeur \(E(X)\).
- Exactement un succès sur trois épreuves : trois chemins.
Contrôle demain ? Prépare ton plan de révision de 30 minutes sur ce chapitre →
Niveau 1Facile (Exercices 1 à 11)
Complète la loi de probabilité de \(X\).
| \(x_i\) | \(0\) | \(1\) | \(2\) |
|---|---|---|---|
| \(P(X = x_i)\) | \(0{,}2\) | \(0{,}5\) | \(\dots\) |
Voir la correction›
une loi de probabilité a toujours une somme de probabilités égale à \(1\) : la case manquante s'obtient par soustraction.
\(p_1 + p_2 + \dots + p_n = 1\).
Le calcul :
On écrit que la somme vaut \(1\) :
\[0{,}2 + 0{,}5 + P(X = 2) = 1\]
On soustrait \(0{,}7\) des deux membres :
\[P(X = 2) = 1 - 0{,}7\]
\[P(X = 2) = 0{,}3\]
Conclusion : \(\boxed{P(X = 2) = 0{,}3}\).
🔍 Vérification : \(0{,}2 + 0{,}5 + 0{,}3 = 1\) ✓, et \(0{,}3\) est bien compris entre \(0\) et \(1\) ✓.
Écrire \(1 - 0{,}5 = 0{,}5\) en oubliant la première case.
Calcule l'espérance de \(X\).
| \(x_i\) | \(-1\) | \(0\) | \(3\) |
|---|---|---|---|
| \(P(X = x_i)\) | \(0{,}5\) | \(0{,}3\) | \(0{,}2\) |
Voir la correction›
on applique la définition de l'espérance : chaque valeur multipliée par sa probabilité, puis la somme.
\(E(X) = x_1 p_1 + x_2 p_2 + x_3 p_3\).
Étape 1 — Les produits :
\[(-1) \times 0{,}5 = -0{,}5\]
\[0 \times 0{,}3 = 0\]
\[3 \times 0{,}2 = 0{,}6\]
Étape 2 — La somme :
\[E(X) = -0{,}5 + 0 + 0{,}6\]
\[E(X) = 0{,}1\]
Conclusion : \(\boxed{E(X) = 0{,}1}\).
🔍 Vérification : \(E(X)\) est entre la plus petite valeur, \(-1\), et la plus grande, \(3\) ✓. Et la loi est valide : \(0{,}5 + 0{,}3 + 0{,}2 = 1\) ✓.
Oublier le signe moins de \(-1\) et trouver \(0{,}5 + 0{,}6 = 1{,}1\).
On lance un dé équilibré à six faces ; \(X\) est le numéro obtenu. Donne la loi de \(X\) et calcule \(E(X)\).
Voir la correction›
le dé est équilibré : les six valeurs ont la même probabilité, \(\dfrac{1}{6}\). On écrit la loi, puis on calcule l'espérance en mettant \(\dfrac{1}{6}\) en facteur.
\(E(X) = \sum x_i p_i\).
Étape 1 — La loi :
| \(x_i\) | \(1\) | \(2\) | \(3\) | \(4\) | \(5\) | \(6\) |
|---|---|---|---|---|---|---|
| \(P(X = x_i)\) | \(\dfrac{1}{6}\) | \(\dfrac{1}{6}\) | \(\dfrac{1}{6}\) | \(\dfrac{1}{6}\) | \(\dfrac{1}{6}\) | \(\dfrac{1}{6}\) |
Étape 2 — L'espérance :
Chaque valeur est multipliée par \(\dfrac{1}{6}\) :
\[E(X) = 1 \times \dfrac{1}{6} + 2 \times \dfrac{1}{6} + 3 \times \dfrac{1}{6} + 4 \times \dfrac{1}{6} + 5 \times \dfrac{1}{6} + 6 \times \dfrac{1}{6}\]
On met \(\dfrac{1}{6}\) en facteur :
\[E(X) = \dfrac{1 + 2 + 3 + 4 + 5 + 6}{6}\]
\[E(X) = \dfrac{21}{6}\]
\[E(X) = 3{,}5\]
Conclusion : loi uniforme sur \(\{1, 2, 3, 4, 5, 6\}\), et \(\boxed{E(X) = 3{,}5}\).
🔍 Vérification : \(3{,}5\) est au milieu de \(1\) et \(6\), ce qui est logique puisque toutes les faces sont aussi probables ✓.
Penser que \(3{,}5\) est un résultat possible du dé. C'est une moyenne, pas une valeur de \(X\).
Voici la loi de \(X\). Calcule \(P(X \ge 2)\) et \(P(X < 2)\).
| \(x_i\) | \(0\) | \(1\) | \(2\) | \(3\) |
|---|---|---|---|---|
| \(P(X = x_i)\) | \(0{,}1\) | \(0{,}3\) | \(0{,}4\) | \(0{,}2\) |
Voir la correction›
un événement comme \(X \ge 2\) regroupe plusieurs valeurs : on additionne leurs probabilités. \(X < 2\) est l'événement contraire.
\(P(X \ge 2) = P(X = 2) + P(X = 3)\) ; \(P(X < 2) = 1 - P(X \ge 2)\).
Étape 1 — \(X \ge 2\) :
\(X \ge 2\) signifie \(X = 2\) ou \(X = 3\) :
\[P(X \ge 2) = 0{,}4 + 0{,}2\]
\[P(X \ge 2) = 0{,}6\]
Étape 2 — \(X < 2\) :
C'est l'événement contraire :
\[P(X < 2) = 1 - 0{,}6\]
\[P(X < 2) = 0{,}4\]
Conclusion : \(\boxed{P(X \ge 2) = 0{,}6}\) et \(\boxed{P(X < 2) = 0{,}4}\).
🔍 Vérification : directement, \(X < 2\) signifie \(X = 0\) ou \(X = 1\) : \(0{,}1 + 0{,}3 = 0{,}4\) ✓.
Oublier la valeur \(2\) elle-même dans \(X \ge 2\) (« supérieur ou égal »).
Une ampoule est défectueuse avec la probabilité \(0{,}02\). \(X\) vaut \(1\) si l'ampoule est défectueuse, \(0\) sinon. Quelle est la loi de \(X\) ? Donne \(E(X)\).
Voir la correction›
deux issues seulement (défectueuse ou non), et \(X\) vaut \(1\) pour l'issue qu'on compte : c'est une loi de Bernoulli. Son paramètre est la probabilité de cette issue.
Loi de Bernoulli de paramètre \(p\) : \(P(X = 1) = p\), \(P(X = 0) = 1 - p\), \(E(X) = p\).
Étape 1 — Le paramètre :
« Succès » : l'ampoule est défectueuse, donc \(p = 0{,}02\).
Étape 2 — La loi :
\[P(X = 1) = 0{,}02\]
\[P(X = 0) = 1 - 0{,}02 = 0{,}98\]
Étape 3 — L'espérance :
\[E(X) = 0 \times 0{,}98 + 1 \times 0{,}02 = 0{,}02\]
Conclusion : \(X\) suit la loi de Bernoulli de paramètre \(0{,}02\), et \(\boxed{E(X) = 0{,}02}\).
🔍 Vérification : sur \(1\,000\) ampoules, on attend environ \(1\,000 \times 0{,}02 = 20\) ampoules défectueuses ✓.
Écrire \(P(X = 0) = 0{,}02\) : \(X = 0\) correspond à une ampoule non défectueuse.
Une roue est partagée en \(8\) secteurs égaux : \(1\) rouge, \(3\) bleus et \(4\) blancs. On gagne \(10\) € sur le rouge, \(2\) € sur un bleu et rien sur un blanc. \(X\) est le gain. Donne la loi de \(X\) et calcule \(E(X)\).
Voir la correction›
les \(8\) secteurs sont égaux, donc équiprobables. La probabilité de chaque gain est le nombre de secteurs correspondants divisé par \(8\). Puis on applique la définition de l'espérance.
En situation d'équiprobabilité, \(P = \dfrac{\text{nombre de cas favorables}}{\text{nombre de cas}}\) ; \(E(X) = \sum x_i p_i\).
Étape 1 — La loi :
- \(X = 10\) : \(1\) secteur rouge sur \(8\), \(P = \dfrac{1}{8}\) ;
- \(X = 2\) : \(3\) secteurs bleus sur \(8\), \(P = \dfrac{3}{8}\) ;
- \(X = 0\) : \(4\) secteurs blancs sur \(8\), \(P = \dfrac{4}{8}\).
| \(x_i\) | \(0\) | \(2\) | \(10\) |
|---|---|---|---|
| \(P(X = x_i)\) | \(\dfrac{4}{8}\) | \(\dfrac{3}{8}\) | \(\dfrac{1}{8}\) |
Étape 2 — L'espérance :
\[E(X) = 0 \times \dfrac{4}{8} + 2 \times \dfrac{3}{8} + 10 \times \dfrac{1}{8}\]
\[E(X) = 0 + \dfrac{6}{8} + \dfrac{10}{8}\]
\[E(X) = \dfrac{16}{8}\]
\[E(X) = 2\]
Conclusion : \(\boxed{E(X) = 2}\) € : en moyenne, la roue rapporte \(2\) € par tour.
🔍 Vérification : \(\dfrac{4}{8} + \dfrac{3}{8} + \dfrac{1}{8} = 1\) ✓. Sur \(8\) tours « idéaux » : \(10 + 3 \times 2 + 4 \times 0 = 16\) €, soit \(2\) € par tour ✓.
Faire la moyenne des gains, \(\dfrac{0 + 2 + 10}{3} = 4\) €, sans tenir compte du nombre de secteurs.
On paie maintenant \(3\) € pour faire tourner la roue de l'exercice 6. \(Y\) est le gain net (gain moins mise). Donne la loi de \(Y\) et calcule \(E(Y)\).
Voir la correction›
le gain net est le gain de la roue moins la mise de \(3\) €. On retire \(3\) à chaque valeur ; les probabilités ne changent pas.
\(E(Y) = \sum y_i p_i\).
Étape 1 — Les valeurs de \(Y\) :
\[10 - 3 = 7\]
\[2 - 3 = -1\]
\[0 - 3 = -3\]
| \(y_i\) | \(-3\) | \(-1\) | \(7\) |
|---|---|---|---|
| \(P(Y = y_i)\) | \(\dfrac{4}{8}\) | \(\dfrac{3}{8}\) | \(\dfrac{1}{8}\) |
Étape 2 — L'espérance :
\[E(Y) = (-3) \times \dfrac{4}{8} + (-1) \times \dfrac{3}{8} + 7 \times \dfrac{1}{8}\]
\[E(Y) = \dfrac{-12 - 3 + 7}{8}\]
\[E(Y) = \dfrac{-8}{8}\]
\[E(Y) = -1\]
Conclusion : \(\boxed{E(Y) = -1}\) € : le joueur perd en moyenne \(1\) € par partie ; le jeu lui est défavorable.
🔍 Vérification : on retire la mise à l'espérance de l'exercice 6 : \(2 - 3 = -1\) ✓.
Oublier de retirer la mise sur le secteur gagnant (\(10\) au lieu de \(7\)).
L'espérance du gain d'un jeu est \(E(X) = -0{,}4\) €. Le jeu est-il favorable au joueur ? Que peut-on prévoir pour \(100\) parties ?
Voir la correction›
le signe de l'espérance dit si le jeu est favorable ; sur un grand nombre de parties, le gain total est proche de « nombre de parties \(\times\) espérance ».
\(E(X) < 0\) : jeu défavorable au joueur ; sur \(N\) parties, gain total \(\approx N \times E(X)\).
Étape 1 — Le signe :
\(E(X) = -0{,}4 < 0\) : le jeu est défavorable au joueur.
Étape 2 — Sur \(100\) parties :
\[100 \times (-0{,}4) = -40\]
Conclusion : \(\boxed{\text{défavorable ; perte d'environ } 40 \text{ € sur } 100 \text{ parties}}\).
🔍 Vérification : \(40\) € pour \(100\) parties, c'est bien \(40\) centimes perdus par partie ✓.
Affirmer qu'on perdra exactement \(40\) € : c'est une valeur moyenne, le résultat réel varie.
Trouve \(p\), puis calcule \(E(X)\).
| \(x_i\) | \(1\) | \(2\) | \(3\) | \(4\) |
|---|---|---|---|---|
| \(P(X = x_i)\) | \(0{,}1\) | \(2p\) | \(p\) | \(0{,}3\) |
Voir la correction›
la somme des probabilités vaut \(1\), ce qui donne une équation du premier degré en \(p\). Une fois \(p\) connu, on calcule l'espérance.
\(p_1 + \dots + p_n = 1\) ; \(E(X) = \sum x_i p_i\).
Étape 1 — L'équation :
\[0{,}1 + 2p + p + 0{,}3 = 1\]
On regroupe les termes :
\[3p + 0{,}4 = 1\]
On soustrait \(0{,}4\) :
\[3p = 0{,}6\]
On divise par \(3\) :
\[p = 0{,}2\]
Étape 2 — La loi :
\(P(X = 2) = 2p = 0{,}4\) et \(P(X = 3) = p = 0{,}2\).
| \(x_i\) | \(1\) | \(2\) | \(3\) | \(4\) |
|---|---|---|---|---|
| \(P(X = x_i)\) | \(0{,}1\) | \(0{,}4\) | \(0{,}2\) | \(0{,}3\) |
Étape 3 — L'espérance :
\[E(X) = 1 \times 0{,}1 + 2 \times 0{,}4 + 3 \times 0{,}2 + 4 \times 0{,}3\]
\[E(X) = 0{,}1 + 0{,}8 + 0{,}6 + 1{,}2\]
\[E(X) = 2{,}7\]
Conclusion : \(\boxed{p = 0{,}2}\) et \(\boxed{E(X) = 2{,}7}\).
🔍 Vérification : \(0{,}1 + 0{,}4 + 0{,}2 + 0{,}3 = 1\) ✓.
Écrire \(P(X = 2) = 0{,}2\) en oubliant que la case vaut \(2p\).
Une urne contient \(10\) jetons : \(5\) portent le nombre \(0\), \(3\) portent le nombre \(1\) et \(2\) portent le nombre \(5\). On tire un jeton au hasard ; \(X\) est le nombre inscrit. Donne la loi de \(X\) et calcule \(E(X)\).
Voir la correction›
les \(10\) jetons ont la même chance d'être tirés : la probabilité d'un nombre est le nombre de jetons qui le portent, divisé par \(10\). Puis on calcule l'espérance.
\(E(X) = \sum x_i p_i\).
Étape 1 — La loi :
| \(x_i\) | \(0\) | \(1\) | \(5\) |
|---|---|---|---|
| \(P(X = x_i)\) | \(\dfrac{5}{10} = 0{,}5\) | \(\dfrac{3}{10} = 0{,}3\) | \(\dfrac{2}{10} = 0{,}2\) |
Étape 2 — L'espérance :
\[E(X) = 0 \times 0{,}5 + 1 \times 0{,}3 + 5 \times 0{,}2\]
\[E(X) = 0 + 0{,}3 + 1\]
\[E(X) = 1{,}3\]
Conclusion : \(\boxed{E(X) = 1{,}3}\).
🔍 Vérification : la somme des nombres inscrits sur les \(10\) jetons est \(5 \times 0 + 3 \times 1 + 2 \times 5 = 13\), et \(\dfrac{13}{10} = 1{,}3\) ✓.
Prendre \(P(X = 5) = 0{,}5\) en confondant le nombre inscrit et le nombre de jetons.
Une archère touche la cible avec la probabilité \(0{,}7\). \(X\) vaut \(1\) si elle touche, \(0\) sinon. Donne la loi de \(X\), son nom et son espérance.
Voir la correction›
deux issues (toucher ou non) et \(X\) vaut \(1\) en cas de succès : c'est une loi de Bernoulli, de paramètre la probabilité de toucher.
Loi de Bernoulli de paramètre \(p\) : \(E(X) = p\).
Étape 1 — La loi :
\[P(X = 1) = 0{,}7\]
\[P(X = 0) = 1 - 0{,}7 = 0{,}3\]
Étape 2 — L'espérance :
\[E(X) = 0 \times 0{,}3 + 1 \times 0{,}7 = 0{,}7\]
Conclusion : \(X\) suit la loi de Bernoulli de paramètre \(0{,}7\), et \(\boxed{E(X) = 0{,}7}\).
🔍 Vérification : sur \(100\) flèches, l'archère touche environ \(70\) fois la cible, soit \(0{,}7\) succès par flèche en moyenne ✓.
Confondre le paramètre (\(0{,}7\), probabilité de toucher) avec \(P(X = 0)\).
Niveau 2Intermédiaire (Exercices 12 à 24)
On lance deux fois une pièce équilibrée ; \(X\) est le nombre de « pile ». Construis l'arbre, donne la loi de \(X\) et calcule \(E(X)\).
Voir la correction›
deux lancers indépendants, chacun avec \(P(\text{pile}) = \dfrac{1}{2}\). On fait l'arbre, on regroupe les chemins selon le nombre de « pile », puis on calcule l'espérance.
Épreuves indépendantes : produit le long d'un chemin ; on additionne les chemins qui donnent la même valeur de \(X\).
Étape 1 — L'arbre :
- P (\(\frac{1}{2}\)) : P (\(\frac{1}{2}\)) → PP, F (\(\frac{1}{2}\)) → PF ;
- F (\(\frac{1}{2}\)) : P (\(\frac{1}{2}\)) → FP, F (\(\frac{1}{2}\)) → FF.
Chaque chemin a la probabilité \(\dfrac{1}{2} \times \dfrac{1}{2} = \dfrac{1}{4}\).
Étape 2 — La loi :
- \(X = 0\) : FF, \(P = \dfrac{1}{4}\) ;
- \(X = 1\) : PF et FP, \(P = \dfrac{1}{4} + \dfrac{1}{4} = \dfrac{1}{2}\) ;
- \(X = 2\) : PP, \(P = \dfrac{1}{4}\).
Étape 3 — L'espérance :
\[E(X) = 0 \times \dfrac{1}{4} + 1 \times \dfrac{1}{2} + 2 \times \dfrac{1}{4}\]
\[E(X) = 0 + \dfrac{1}{2} + \dfrac{1}{2}\]
\[E(X) = 1\]
Conclusion : loi \(\left(\dfrac{1}{4} \,;\, \dfrac{1}{2} \,;\, \dfrac{1}{4}\right)\) pour \(X = 0, 1, 2\), et \(\boxed{E(X) = 1}\).
🔍 Vérification : \(\dfrac{1}{4} + \dfrac{1}{2} + \dfrac{1}{4} = 1\) ✓ ; en moyenne un « pile » sur deux lancers, c'est logique ✓.
Croire que \(0\), \(1\) et \(2\) « pile » sont équiprobables (\(\dfrac{1}{3}\) chacun) : \(X = 1\) a deux chemins.
Un magasin a noté le nombre d'articles achetés par \(50\) clients : \(10\) clients ont acheté \(1\) article, \(20\) en ont acheté \(2\), \(15\) en ont acheté \(3\) et \(5\) en ont acheté \(4\). On choisit un de ces clients au hasard ; \(X\) est son nombre d'articles. Donne la loi de \(X\) et calcule \(E(X)\).
Voir la correction›
le client est choisi au hasard parmi \(50\) : la probabilité de chaque valeur est la fréquence, effectif divisé par \(50\). L'espérance est alors le nombre moyen d'articles.
\(P(X = x_i) = \dfrac{\text{effectif}}{\text{effectif total}}\) ; \(E(X) = \sum x_i p_i\).
Étape 1 — La loi :
\[P(X = 1) = \dfrac{10}{50} = 0{,}2 \qquad P(X = 2) = \dfrac{20}{50} = 0{,}4\]
\[P(X = 3) = \dfrac{15}{50} = 0{,}3 \qquad P(X = 4) = \dfrac{5}{50} = 0{,}1\]
Étape 2 — L'espérance :
\[E(X) = 1 \times 0{,}2 + 2 \times 0{,}4 + 3 \times 0{,}3 + 4 \times 0{,}1\]
\[E(X) = 0{,}2 + 0{,}8 + 0{,}9 + 0{,}4\]
\[E(X) = 2{,}3\]
Conclusion : \(\boxed{E(X) = 2{,}3}\) articles par client en moyenne.
La loi dans un tableau :
| \(x_i\) | \(1\) | \(2\) | \(3\) | \(4\) |
|---|---|---|---|---|
| \(P(X = x_i)\) | \(0{,}2\) | \(0{,}4\) | \(0{,}3\) | \(0{,}1\) |
La valeur la plus probable est \(2\), mais la moyenne vaut \(2{,}3\) : l'espérance n'est pas forcément la valeur la plus fréquente.
Dans cette situation, le magasin peut prévoir environ \(230\) articles vendus pour \(100\) clients.
🔍 Vérification : nombre total d'articles : \(10 \times 1 + 20 \times 2 + 15 \times 3 + 5 \times 4 = 10 + 40 + 45 + 20 = 115\), et \(\dfrac{115}{50} = 2{,}3\) ✓.
Diviser par \(4\) (le nombre de valeurs) au lieu de pondérer par les fréquences.
On lance un dé équilibré. Avec un \(6\), on gagne \(g\) euros ; avec un \(5\), on gagne \(1\) € ; sinon, on perd \(1\) €. Écris la loi du gain, puis trouve \(g\) pour que le jeu soit équitable.
Voir la correction›
on écrit la loi du gain avec l'inconnue \(g\), on exprime l'espérance en fonction de \(g\), et on résout l'équation \(E(X) = 0\) (jeu équitable).
Jeu équitable \(\iff E(X) = 0\).
Étape 1 — La loi :
- \(X = g\) avec un \(6\) : \(P = \dfrac{1}{6}\) ;
- \(X = 1\) avec un \(5\) : \(P = \dfrac{1}{6}\) ;
- \(X = -1\) avec \(1\), \(2\), \(3\) ou \(4\) : \(P = \dfrac{4}{6}\).
Étape 2 — L'espérance en fonction de \(g\) :
\[E(X) = g \times \dfrac{1}{6} + 1 \times \dfrac{1}{6} + (-1) \times \dfrac{4}{6}\]
\[E(X) = \dfrac{g + 1 - 4}{6}\]
\[E(X) = \dfrac{g - 3}{6}\]
Étape 3 — Résoudre \(E(X) = 0\) :
Une fraction est nulle quand son numérateur est nul :
\[g - 3 = 0\]
\[g = 3\]
Conclusion : \(\boxed{g = 3}\) € rend le jeu équitable.
🔍 Vérification : \(\dfrac{3}{6} + \dfrac{1}{6} - \dfrac{4}{6} = 0\) ✓.
Compter seulement trois faces perdantes : les faces \(1\), \(2\), \(3\) et \(4\) font perdre, soit \(4\) faces.
Un appareil tombe en panne \(0\) fois dans l'année avec la probabilité \(0{,}6\), \(1\) fois avec la probabilité \(0{,}3\) et \(2\) fois avec la probabilité \(0{,}1\). Chaque panne coûte \(80\) € de réparation.
a) \(C\) est le coût annuel des réparations. Donne la loi de \(C\) et calcule \(E(C)\).
b) Un contrat d'entretien coûte \(50\) € par an et couvre toutes les pannes. Est-il intéressant en moyenne ?
Voir la correction›
le coût est \(80\) € multiplié par le nombre de pannes : on obtient ses valeurs, avec les mêmes probabilités. On compare ensuite le coût moyen avec le prix du contrat.
\(E(C) = \sum c_i p_i\) ; un contrat est intéressant en moyenne s'il coûte moins que le coût moyen qu'il évite.
a) La loi et l'espérance de \(C\).
Étape 1 — Les valeurs de \(C\) :
\[0 \times 80 = 0 \qquad 1 \times 80 = 80 \qquad 2 \times 80 = 160\]
| \(c_i\) | \(0\) | \(80\) | \(160\) |
|---|---|---|---|
| \(P(C = c_i)\) | \(0{,}6\) | \(0{,}3\) | \(0{,}1\) |
Étape 2 — L'espérance :
\[E(C) = 0 \times 0{,}6 + 80 \times 0{,}3 + 160 \times 0{,}1\]
\[E(C) = 0 + 24 + 16\]
\[E(C) = 40\]
b) Le contrat.
Le contrat coûte \(50\) €, plus que le coût moyen des réparations (\(40\) €).
Conclusion : \(\boxed{E(C) = 40 \text{ €}}\) ; en moyenne, le contrat fait perdre \(10\) € par an : il n'est pas intéressant, sauf pour se protéger d'une année à \(160\) €.
Comparer sur plusieurs années :
| Coût possible | Coût moyen par an | |
|---|---|---|
| Sans contrat | \(0\), \(80\) ou \(160\) € | \(40\) € |
| Avec contrat | toujours \(50\) € | \(50\) € |
Sur \(10\) ans, on dépense en moyenne environ \(400\) € sans contrat, contre \(500\) € avec. Le contrat sert à éviter une mauvaise année, à \(160\) € (probabilité \(0{,}1\)), pas à faire des économies.
Le contrat coûterait autant que les réparations moyennes s'il valait \(40\) € par an.
🔍 Vérification : nombre moyen de pannes \(0 \times 0{,}6 + 1 \times 0{,}3 + 2 \times 0{,}1 = 0{,}5\), et \(0{,}5 \times 80 = 40\) ✓.
Comparer \(50\) € avec le coût d'une seule panne (\(80\) €) : il faut tenir compte des probabilités.
Deux composants fonctionnent chacun avec la probabilité \(0{,}9\), indépendamment l'un de l'autre. \(X\) est le nombre de composants qui fonctionnent. Donne la loi de \(X\) et calcule \(E(X)\).
Voir la correction›
deux épreuves de Bernoulli indépendantes de paramètre \(0{,}9\) (« succès » : le composant fonctionne). On compte les chemins pour chaque nombre de succès.
Produit le long d'un chemin ; nombre de chemins \(\times\) probabilité d'un chemin.
On note \(S\) « fonctionne » (\(0{,}9\)) et \(E\) « en panne » (\(0{,}1\)).
Étape 1 — \(X = 0\) :
Un chemin, \(EE\) :
\[P(X = 0) = 0{,}1 \times 0{,}1 = 0{,}01\]
Étape 2 — \(X = 1\) :
Deux chemins, \(SE\) et \(ES\), chacun de probabilité \(0{,}9 \times 0{,}1 = 0{,}09\) :
\[P(X = 1) = 2 \times 0{,}09 = 0{,}18\]
Étape 3 — \(X = 2\) :
Un chemin, \(SS\) :
\[P(X = 2) = 0{,}9 \times 0{,}9 = 0{,}81\]
Étape 4 — L'espérance :
\[E(X) = 0 \times 0{,}01 + 1 \times 0{,}18 + 2 \times 0{,}81\]
\[E(X) = 0{,}18 + 1{,}62\]
\[E(X) = 1{,}8\]
Conclusion : loi \((0{,}01 \,;\, 0{,}18 \,;\, 0{,}81)\) et \(\boxed{E(X) = 1{,}8}\).
🔍 Vérification : \(0{,}01 + 0{,}18 + 0{,}81 = 1\) ✓, et \(1{,}8 = 2 \times 0{,}9\) ✓.
\(P(X = 1) = 0{,}09\) : il y a deux chemins (le premier ou le second composant en panne).
On lance trois fois une pièce équilibrée ; \(X\) est le nombre de « pile ». Donne la loi de \(X\), calcule \(E(X)\) et \(P(X \ge 1)\).
Voir la correction›
trois épreuves indépendantes de paramètre \(\dfrac{1}{2}\) : chacun des \(8\) chemins a la probabilité \(\dfrac{1}{8}\). Il suffit de compter les chemins pour chaque nombre de « pile ».
\(P(X \ge 1) = 1 - P(X = 0)\).
Étape 1 — Probabilité d'un chemin :
\[\dfrac{1}{2} \times \dfrac{1}{2} \times \dfrac{1}{2} = \dfrac{1}{8}\]
Étape 2 — Compter les chemins :
- \(X = 0\) : FFF, \(1\) chemin ;
- \(X = 1\) : PFF, FPF, FFP, \(3\) chemins ;
- \(X = 2\) : PPF, PFP, FPP, \(3\) chemins ;
- \(X = 3\) : PPP, \(1\) chemin.
| \(k\) | \(0\) | \(1\) | \(2\) | \(3\) |
|---|---|---|---|---|
| \(P(X = k)\) | \(\dfrac{1}{8}\) | \(\dfrac{3}{8}\) | \(\dfrac{3}{8}\) | \(\dfrac{1}{8}\) |
Étape 3 — L'espérance :
\[E(X) = 0 \times \dfrac{1}{8} + 1 \times \dfrac{3}{8} + 2 \times \dfrac{3}{8} + 3 \times \dfrac{1}{8}\]
\[E(X) = \dfrac{0 + 3 + 6 + 3}{8}\]
\[E(X) = \dfrac{12}{8} = 1{,}5\]
Étape 4 — Au moins un « pile » :
\[P(X \ge 1) = 1 - \dfrac{1}{8} = \dfrac{7}{8}\]
Conclusion : \(\boxed{E(X) = 1{,}5}\) et \(\boxed{P(X \ge 1) = \dfrac{7}{8}}\).
🔍 Vérification : \(1 + 3 + 3 + 1 = 8\) chemins ✓ ; et \(1{,}5 = 3 \times \dfrac{1}{2}\) ✓.
Oublier un des trois chemins à un seul « pile » (le « pile » peut être en première, deuxième ou troisième position).
Une loterie vend \(1\,000\) billets à \(2\) € chacun. Il y a \(1\) lot de \(500\) €, \(10\) lots de \(50\) € et \(100\) lots de \(5\) €. On achète un billet ; \(X\) est le gain net (lot moins prix du billet).
a) Donne la loi de \(X\).
b) Calcule \(E(X)\) et interprète.
Voir la correction›
on retire le prix du billet (\(2\) €) à chaque lot pour avoir le gain net ; la probabilité de chaque lot est le nombre de billets correspondants divisé par \(1\,000\). Sans oublier les billets perdants !
\(E(X) = \sum x_i p_i\) ; la somme des probabilités vaut \(1\).
a) La loi de \(X\).
Étape 1 — Les gains nets :
\[500 - 2 = 498 \qquad 50 - 2 = 48 \qquad 5 - 2 = 3 \qquad 0 - 2 = -2\]
Étape 2 — Les billets perdants :
\[1\,000 - 1 - 10 - 100 = 889\]
| \(x_i\) | \(-2\) | \(3\) | \(48\) | \(498\) |
|---|---|---|---|---|
| \(P(X = x_i)\) | \(0{,}889\) | \(0{,}1\) | \(0{,}01\) | \(0{,}001\) |
b) L'espérance.
Étape 1 — Les produits :
\[(-2) \times 0{,}889 = -1{,}778\]
\[3 \times 0{,}1 = 0{,}3\]
\[48 \times 0{,}01 = 0{,}48\]
\[498 \times 0{,}001 = 0{,}498\]
Étape 2 — La somme :
\[E(X) = -1{,}778 + 0{,}3 + 0{,}48 + 0{,}498\]
\[E(X) = -0{,}5\]
Conclusion : \(\boxed{E(X) = -0{,}5}\) € : en moyenne, un billet fait perdre \(50\) centimes ; la loterie est défavorable au joueur.
🔍 Vérification : l'organisateur encaisse \(1\,000 \times 2 = 2\,000\) € et distribue \(500 + 10 \times 50 + 100 \times 5 = 1\,500\) €. Il garde \(500\) €, soit \(0{,}50\) € par billet ✓.
Oublier les \(889\) billets perdants, ou oublier de retirer le prix du billet aux billets gagnants.
Un assureur vend un contrat à \(120\) € par an. Dans l'année, il rembourse \(1\,000\) € avec la probabilité \(0{,}05\), \(5\,000\) € avec la probabilité \(0{,}01\), et rien sinon. \(Y\) est le gain de l'assureur sur un contrat (prime moins remboursement). Donne la loi de \(Y\) et calcule \(E(Y)\).
Voir la correction›
l'assureur encaisse toujours \(120\) € et rembourse parfois. Son gain vaut \(120\) moins le remboursement ; la probabilité de « ne rien rembourser » s'obtient par soustraction.
\(E(Y) = \sum y_i p_i\).
Étape 1 — Les valeurs de \(Y\) :
\[120 - 0 = 120 \qquad 120 - 1\,000 = -880 \qquad 120 - 5\,000 = -4\,880\]
Étape 2 — La probabilité de ne rien rembourser :
\[1 - 0{,}05 - 0{,}01 = 0{,}94\]
| \(y_i\) | \(-4\,880\) | \(-880\) | \(120\) |
|---|---|---|---|
| \(P(Y = y_i)\) | \(0{,}01\) | \(0{,}05\) | \(0{,}94\) |
Étape 3 — L'espérance :
\[E(Y) = (-4\,880) \times 0{,}01 + (-880) \times 0{,}05 + 120 \times 0{,}94\]
\[E(Y) = -48{,}8 - 44 + 112{,}8\]
\[E(Y) = 20\]
Conclusion : \(\boxed{E(Y) = 20}\) € : l'assureur gagne en moyenne \(20\) € par contrat.
Interprétation :
L'assureur perd de l'argent sur un contrat avec la probabilité \(0{,}05 + 0{,}01 = 0{,}06\). Mais sur \(10\,000\) contrats, il gagne environ \(10\,000 \times 20 = 200\,000\) € : c'est le grand nombre de contrats qui rend son activité rentable.
🔍 Vérification : remboursement moyen \(1\,000 \times 0{,}05 + 5\,000 \times 0{,}01 = 50 + 50 = 100\) €, et \(120 - 100 = 20\) ✓.
Prendre \(0{,}95\) pour « rien à rembourser » en oubliant le cas à \(5\,000\) €.
Jeu A : on gagne \(10\) € avec la probabilité \(0{,}1\), sinon rien. Jeu B : on gagne \(2\) € avec la probabilité \(0{,}6\), sinon on perd \(1\) €. Calcule l'espérance du gain de chaque jeu. Lequel est le plus intéressant en moyenne ? Lequel est le plus risqué ?
Voir la correction›
on calcule l'espérance de chaque jeu pour comparer les gains moyens ; pour le risque, on regarde les valeurs possibles et leurs probabilités.
L'espérance est le gain moyen ; elle ne dit pas tout du risque.
Étape 1 — Jeu A :
\[E(A) = 10 \times 0{,}1 + 0 \times 0{,}9\]
\[E(A) = 1\]
Étape 2 — Jeu B :
La probabilité de perdre est \(1 - 0{,}6 = 0{,}4\).
\[E(B) = 2 \times 0{,}6 + (-1) \times 0{,}4\]
\[E(B) = 1{,}2 - 0{,}4\]
\[E(B) = 0{,}8\]
Étape 3 — Comparer :
En moyenne, A rapporte plus (\(1\) € contre \(0{,}80\) €). Mais avec A, on ne gagne rien \(9\) fois sur \(10\) ; avec B, on gagne \(6\) fois sur \(10\), et on ne perd jamais plus de \(1\) €.
Conclusion : \(\boxed{E(A) = 1 \text{ €}}\) et \(\boxed{E(B) = 0{,}8 \text{ €}}\) : A est plus intéressant en moyenne, mais ses résultats sont plus irréguliers ; B donne plus souvent un gain.
🔍 Vérification : sur \(10\) parties « idéales », A rapporte \(10\) € (\(1\) gain) et B rapporte \(6 \times 2 - 4 \times 1 = 8\) € ✓.
Choisir B « parce qu'on gagne plus souvent ». L'espérance mesure le gain moyen, pas la fréquence des gains.
\(X\) prend les valeurs \(0\), \(10\) et \(20\), avec \(P(X = 20) = 0{,}2\). On sait que \(E(X) = 9\). Calcule \(P(X = 0)\) et \(P(X = 10)\).
Voir la correction›
deux inconnues, \(a = P(X = 0)\) et \(b = P(X = 10)\), et deux informations : la somme des probabilités vaut \(1\), et l'espérance vaut \(9\). L'équation de l'espérance ne contient que \(b\) : on la résout d'abord.
\(\sum p_i = 1\) et \(E(X) = \sum x_i p_i\).
Étape 1 — L'équation de l'espérance :
\[0 \times a + 10 \times b + 20 \times 0{,}2 = 9\]
\[10b + 4 = 9\]
On soustrait \(4\) :
\[10b = 5\]
On divise par \(10\) :
\[b = 0{,}5\]
Étape 2 — La somme des probabilités :
\[a + 0{,}5 + 0{,}2 = 1\]
\[a = 1 - 0{,}7\]
\[a = 0{,}3\]
Conclusion : \(\boxed{P(X = 0) = 0{,}3}\) et \(\boxed{P(X = 10) = 0{,}5}\).
🔍 Vérification : \(0 \times 0{,}3 + 10 \times 0{,}5 + 20 \times 0{,}2 = 0 + 5 + 4 = 9\) ✓ et \(0{,}3 + 0{,}5 + 0{,}2 = 1\) ✓.
Oublier le terme \(20 \times 0{,}2 = 4\) dans l'espérance.
Quatre composants fonctionnent chacun avec la probabilité \(0{,}9\), indépendamment. \(X\) est le nombre de composants qui fonctionnent. Calcule \(P(X = 4)\), \(P(X = 0)\), puis \(P(X \ge 1)\).
Voir la correction›
quatre épreuves de Bernoulli indépendantes de paramètre \(0{,}9\). \(X = 4\) et \(X = 0\) correspondent chacun à un seul chemin ; \(X \ge 1\) est le contraire de \(X = 0\).
Produit le long d'un chemin ; \(P(X \ge 1) = 1 - P(X = 0)\).
Étape 1 — \(X = 4\) :
Les quatre composants fonctionnent :
\[P(X = 4) = 0{,}9^4\]
\[P(X = 4) = 0{,}6561\]
Étape 2 — \(X = 0\) :
Les quatre sont en panne, chacun avec la probabilité \(1 - 0{,}9 = 0{,}1\) :
\[P(X = 0) = 0{,}1^4\]
\[P(X = 0) = 0{,}0001\]
Étape 3 — \(X \ge 1\) :
\[P(X \ge 1) = 1 - 0{,}0001\]
\[P(X \ge 1) = 0{,}9999\]
Conclusion : \(\boxed{0{,}6561}\), \(\boxed{0{,}0001}\) et \(\boxed{0{,}9999}\).
🔍 Vérification : \(0{,}9^2 = 0{,}81\) et \(0{,}81^2 = 0{,}6561\) ✓ ; \(0{,}1^4 = \dfrac{1}{10\,000}\) ✓.
\(P(X = 0) = 1 - 0{,}6561\) : c'est \(P(X \le 3)\), pas « aucun ne fonctionne ».
On répète \(3\) fois, de façon indépendante, une épreuve de Bernoulli de paramètre \(0{,}3\) ; \(X\) est le nombre de succès. Donne la loi de \(X\) et calcule \(E(X)\).
Voir la correction›
trois épreuves indépendantes, \(p = 0{,}3\) : pour chaque nombre de succès \(k\), on compte les chemins et on multiplie par la probabilité d'un chemin. Puis l'espérance.
Chemin à \(k\) succès sur \(3\) : \(0{,}3^k \times 0{,}7^{3-k}\).
Étape 1 — \(X = 0\) :
Un chemin :
\[P(X = 0) = 0{,}7^3 = 0{,}343\]
Étape 2 — \(X = 1\) :
Trois chemins, chacun de probabilité \(0{,}3 \times 0{,}7^2 = 0{,}147\) :
\[P(X = 1) = 3 \times 0{,}147 = 0{,}441\]
Étape 3 — \(X = 2\) :
Trois chemins, chacun de probabilité \(0{,}3^2 \times 0{,}7 = 0{,}063\) :
\[P(X = 2) = 3 \times 0{,}063 = 0{,}189\]
Étape 4 — \(X = 3\) :
Un chemin :
\[P(X = 3) = 0{,}3^3 = 0{,}027\]
Étape 5 — L'espérance :
\[E(X) = 0 \times 0{,}343 + 1 \times 0{,}441 + 2 \times 0{,}189 + 3 \times 0{,}027\]
\[E(X) = 0{,}441 + 0{,}378 + 0{,}081\]
\[E(X) = 0{,}9\]
Conclusion : loi \((0{,}343 \,;\, 0{,}441 \,;\, 0{,}189 \,;\, 0{,}027)\) et \(\boxed{E(X) = 0{,}9}\).
🔍 Vérification : \(0{,}343 + 0{,}441 + 0{,}189 + 0{,}027 = 1\) ✓, et \(0{,}9 = 3 \times 0{,}3\) ✓.
\(0{,}3^2 \times 0{,}7\) sans le facteur \(3\) pour \(X = 2\).
Une urne contient \(3\) boules rouges et \(2\) boules bleues. On tire successivement \(2\) boules sans remise ; \(X\) est le nombre de boules rouges tirées. Donne la loi de \(X\) et calcule \(E(X)\).
Voir la correction›
sans remise, le second tirage dépend du premier : on fait l'arbre avec les compositions de l'urne mises à jour (il reste \(4\) boules). Puis on regroupe les chemins selon le nombre de rouges.
Chemin = produit ; au second niveau, les probabilités tiennent compte de la boule déjà tirée.
Étape 1 — L'arbre :
Premier tirage : \(P(R) = \dfrac{3}{5}\), \(P(B) = \dfrac{2}{5}\).
Après une rouge (reste \(2\) R, \(2\) B) : \(\dfrac{2}{4}\) et \(\dfrac{2}{4}\). Après une bleue (reste \(3\) R, \(1\) B) : \(\dfrac{3}{4}\) et \(\dfrac{1}{4}\).
Étape 2 — \(X = 2\) :
\[P(RR) = \dfrac{3}{5} \times \dfrac{2}{4} = \dfrac{6}{20} = \dfrac{3}{10}\]
Étape 3 — \(X = 0\) :
\[P(BB) = \dfrac{2}{5} \times \dfrac{1}{4} = \dfrac{2}{20} = \dfrac{1}{10}\]
Étape 4 — \(X = 1\) :
Deux chemins, RB et BR :
\[P(RB) = \dfrac{3}{5} \times \dfrac{2}{4} = \dfrac{6}{20}\]
\[P(BR) = \dfrac{2}{5} \times \dfrac{3}{4} = \dfrac{6}{20}\]
\[P(X = 1) = \dfrac{12}{20} = \dfrac{6}{10}\]
Étape 5 — L'espérance :
\[E(X) = 0 \times \dfrac{1}{10} + 1 \times \dfrac{6}{10} + 2 \times \dfrac{3}{10}\]
\[E(X) = \dfrac{6}{10} + \dfrac{6}{10}\]
\[E(X) = 1{,}2\]
Conclusion : loi \((0{,}1 \,;\, 0{,}6 \,;\, 0{,}3)\) pour \(X = 0, 1, 2\), et \(\boxed{E(X) = 1{,}2}\).
🔍 Vérification : \(0{,}1 + 0{,}6 + 0{,}3 = 1\) ✓ ; la proportion de rouges est \(\dfrac{3}{5}\), et \(2 \times \dfrac{3}{5} = 1{,}2\) ✓.
Utiliser la méthode des épreuves indépendantes avec \(p = 0{,}6\) : sans remise, les tirages ne sont pas indépendants.
Niveau 3Difficile/Expert (Exercices 25 à 30)
On lance deux dés équilibrés. Si on obtient un double, on gagne \(8\) € ; si la somme vaut \(7\), on gagne \(3\) € ; sinon, on perd \(2\) €.
a) Donne la loi du gain \(X\).
b) Calcule \(E(X)\). Le jeu est-il favorable au joueur ?
c) L'organisateur garde les gains de \(8\) € et \(3\) €, mais change la perte \(d\) (en euros) des autres cas. Pour quelle valeur de \(d\) l'espérance du gain du joueur vaut-elle \(-0{,}5\) € ?
Voir la correction›
deux dés donnent \(6 \times 6 = 36\) issues équiprobables : on compte celles de chaque cas. On en déduit la loi, puis l'espérance. En c), l'espérance dépend de \(d\) : on résout une équation du premier degré.
\(P = \dfrac{\text{cas favorables}}{36}\) ; \(E(X) = \sum x_i p_i\).
a) La loi.
Étape 1 — Les doubles :
\((1,1)\), \((2,2)\), …, \((6,6)\) : \(6\) issues, \(P = \dfrac{6}{36} = \dfrac{1}{6}\).
Étape 2 — Somme égale à \(7\) :
\((1,6)\), \((2,5)\), \((3,4)\), \((4,3)\), \((5,2)\), \((6,1)\) : \(6\) issues, \(P = \dfrac{1}{6}\). Aucun double n'a pour somme \(7\) (la somme d'un double est paire) : les deux cas ne se chevauchent pas.
Étape 3 — Les autres cas :
\[36 - 6 - 6 = 24 \text{ issues, soit } P = \dfrac{24}{36} = \dfrac{4}{6}\]
| \(x_i\) | \(-2\) | \(3\) | \(8\) |
|---|---|---|---|
| \(P(X = x_i)\) | \(\dfrac{4}{6}\) | \(\dfrac{1}{6}\) | \(\dfrac{1}{6}\) |
b) L'espérance.
\[E(X) = (-2) \times \dfrac{4}{6} + 3 \times \dfrac{1}{6} + 8 \times \dfrac{1}{6}\]
\[E(X) = \dfrac{-8 + 3 + 8}{6}\]
\[E(X) = \dfrac{3}{6} = 0{,}5\]
\(E(X) > 0\) : le jeu est favorable au joueur.
c) La nouvelle perte \(d\).
Étape 1 — L'espérance en fonction de \(d\) :
\[E(X) = (-d) \times \dfrac{4}{6} + 3 \times \dfrac{1}{6} + 8 \times \dfrac{1}{6}\]
\[E(X) = \dfrac{11 - 4d}{6}\]
Étape 2 — Résoudre \(E(X) = -0{,}5\) :
\[\dfrac{11 - 4d}{6} = -0{,}5\]
On multiplie les deux membres par \(6\) :
\[11 - 4d = -3\]
On soustrait \(11\) :
\[-4d = -14\]
On divise par \(-4\) :
\[d = 3{,}5\]
Conclusion : \(\boxed{E(X) = 0{,}5 \text{ €}}\), jeu favorable ; avec une perte de \(\boxed{d = 3{,}50 \text{ €}}\), l'organisateur gagne en moyenne \(0{,}50\) € par partie.
Interprétation de b) :
Sur \(100\) parties, le joueur gagne en moyenne environ \(100 \times 0{,}5 = 50\) € : l'organisateur perdrait de l'argent, d'où la question c).
On contrôle que la loi est valide : \(\dfrac{4}{6} + \dfrac{1}{6} + \dfrac{1}{6} = 1\).
🔍 Vérification : \(\dfrac{-4 \times 3{,}5 + 3 + 8}{6} = \dfrac{-14 + 11}{6} = \dfrac{-3}{6} = -0{,}5\) ✓.
Compter les doubles dans « somme égale à \(7\) » ou les oublier dans « les autres cas » : on vérifie que \(6 + 6 + 24 = 36\).
Un vendeur propose avec chaque appareil une extension de garantie à \(20\) €. Pendant la période couverte, l'appareil tombe en panne avec la probabilité \(0{,}08\) ; la réparation coûte alors \(150\) € au vendeur.
a) \(Y\) est le gain du vendeur sur une extension vendue. Donne la loi de \(Y\) et calcule \(E(Y)\).
b) Pour le client, quel est le coût moyen des réparations sans extension ? L'extension est-elle intéressante pour lui en moyenne ?
c) À partir de quel prix l'extension n'est-elle plus perdante, en moyenne, pour le vendeur ?
Voir la correction›
le vendeur encaisse \(20\) € et paie \(150\) € en cas de panne : on écrit la loi de son gain et on calcule l'espérance. Pour le client, le coût moyen sans extension est l'espérance du coût de réparation. Le prix « juste » est celui qui annule l'espérance du vendeur.
\(E(Y) = \sum y_i p_i\) ; « pas perdant en moyenne » : \(E(Y) \ge 0\).
a) Le gain du vendeur.
Étape 1 — La loi :
Sans panne (\(0{,}92\)) : \(Y = 20\). Avec panne (\(0{,}08\)) : \(Y = 20 - 150 = -130\).
Étape 2 — L'espérance :
\[E(Y) = 20 \times 0{,}92 + (-130) \times 0{,}08\]
\[E(Y) = 18{,}4 - 10{,}4\]
\[E(Y) = 8\]
b) Le point de vue du client.
Sans extension, il paie \(150\) € avec la probabilité \(0{,}08\) :
\[E(\text{coût}) = 150 \times 0{,}08 = 12\]
En moyenne, la réparation lui coûte \(12\) €, moins que les \(20\) € de l'extension.
c) Le prix minimal.
On note \(x\) le prix de l'extension. Le vendeur n'est pas perdant si :
\[x - 150 \times 0{,}08 \ge 0\]
\[x \ge 12\]
Conclusion : \(\boxed{E(Y) = 8 \text{ €}}\) ; l'extension n'est pas intéressante en moyenne pour le client (\(12\) € de réparations moyennes contre \(20\) €), sauf pour se protéger d'une grosse dépense ; le vendeur n'est pas perdant dès \(\boxed{12 \text{ €}}\).
La loi de \(Y\) dans un tableau :
| \(y_i\) | \(-130\) | \(20\) |
|---|---|---|
| \(P(Y = y_i)\) | \(0{,}08\) | \(0{,}92\) |
Le coût du client sans extension, comme variable aléatoire :
On note \(C\) ce coût : \(C = 150\) avec la probabilité \(0{,}08\) et \(C = 0\) avec la probabilité \(0{,}92\).
\[E(C) = 150 \times 0{,}08 + 0 \times 0{,}92 = 12\]
Vérifier le prix minimal :
Avec \(x = 12\) €, le gain moyen du vendeur vaut :
\[12 \times 0{,}92 + (12 - 150) \times 0{,}08 = 11{,}04 - 11{,}04 = 0\]
Sur \(1\,000\) extensions vendues à \(20\) € :
Le vendeur encaisse \(20\,000\) € ; environ \(80\) appareils tombent en panne, ce qui lui coûte \(80 \times 150 = 12\,000\) €. Il garde environ \(8\,000\) €, soit \(8\) € par extension.
Le gain du vendeur sur une extension est « prix encaissé moins réparation payée ». Il encaisse le prix dans tous les cas, mais ne paie la réparation qu'en cas de panne.
Le gain moyen pour un prix quelconque \(x\) :
\[E(Y) = x \times 0{,}92 + (x - 150) \times 0{,}08\]
On développe :
\[E(Y) = 0{,}92x + 0{,}08x - 12\]
On regroupe les termes en \(x\) :
\[E(Y) = x - 12\]
Pour \(x = 20\), on retrouve \(E(Y) = 8\) ; pour \(x = 12\), \(E(Y) = 0\). Chaque euro ajouté au prix augmente le gain moyen du vendeur d'un euro.
À \(20\) €, le gain moyen de \(8\) € représente \(\dfrac{8}{20} = 40\,\%\) du prix de l'extension.
Pour le client, l'extension revient à payer \(20\) € à coup sûr pour éviter une dépense de \(150\) € qui n'arrive qu'avec la probabilité \(0{,}08\).
🔍 Vérification : le gain du vendeur et le coût moyen du client se compensent : \(20 - 12 = 8\) ✓.
En a), écrire \(-150\) au lieu de \(-130\) : le vendeur a déjà encaissé les \(20\) €.
Une pièce est défectueuse avec la probabilité \(0{,}05\), indépendamment des autres. On contrôle un lot de \(3\) pièces ; \(X\) est le nombre de pièces défectueuses.
a) Donne la loi de \(X\) (valeurs exactes).
b) Calcule \(E(X)\).
c) Le lot est refusé s'il contient au moins une pièce défectueuse. Calcule la probabilité qu'il soit refusé.
Voir la correction›
trois épreuves de Bernoulli indépendantes de paramètre \(0{,}05\) (« succès » : pièce défectueuse). On compte les chemins pour chaque valeur de \(X\) et on garde les valeurs exactes. « Au moins une défectueuse » est le contraire de \(X = 0\).
Chemin à \(k\) défectueuses : \(0{,}05^k \times 0{,}95^{3-k}\) ; \(P(X \ge 1) = 1 - P(X = 0)\).
a) La loi.
Étape 1 — \(X = 0\) :
\[P(X = 0) = 0{,}95^3 = 0{,}857375\]
Étape 2 — \(X = 1\) :
Trois chemins, chacun de probabilité \(0{,}05 \times 0{,}95^2 = 0{,}045125\) :
\[P(X = 1) = 3 \times 0{,}045125 = 0{,}135375\]
Étape 3 — \(X = 2\) :
Trois chemins, chacun de probabilité \(0{,}05^2 \times 0{,}95 = 0{,}002375\) :
\[P(X = 2) = 3 \times 0{,}002375 = 0{,}007125\]
Étape 4 — \(X = 3\) :
\[P(X = 3) = 0{,}05^3 = 0{,}000125\]
b) L'espérance.
\[E(X) = 1 \times 0{,}135375 + 2 \times 0{,}007125 + 3 \times 0{,}000125\]
\[E(X) = 0{,}135375 + 0{,}01425 + 0{,}000375\]
\[E(X) = 0{,}15\]
c) Le lot refusé.
\[P(X \ge 1) = 1 - 0{,}857375\]
\[P(X \ge 1) = 0{,}142625\]
Conclusion : \(\boxed{E(X) = 0{,}15}\) et \(\boxed{P(\text{refus}) = 0{,}142625 \approx 14{,}3\,\%}\).
La loi dans un tableau :
| \(k\) | \(0\) | \(1\) | \(2\) | \(3\) |
|---|---|---|---|---|
| \(P(X = k)\) | \(0{,}857375\) | \(0{,}135375\) | \(0{,}007125\) | \(0{,}000125\) |
Seulement \(5\,\%\) des pièces sont défectueuses, mais environ \(14\,\%\) des lots de \(3\) pièces sont refusés.
Le refus d'un lot est donc assez fréquent : environ un lot sur sept.
🔍 Vérification : \(0{,}857375 + 0{,}135375 + 0{,}007125 + 0{,}000125 = 1\) ✓ ; \(E(X) = 3 \times 0{,}05\) ✓ ; et \(P(X \ge 1) = 0{,}135375 + 0{,}007125 + 0{,}000125 = 0{,}142625\) ✓.
\(P(\text{refus}) = 3 \times 0{,}05 = 0{,}15\) : c'est l'espérance, pas une probabilité.
On tire une carte dans un jeu : elle est rouge avec la probabilité \(\dfrac{1}{2}\). Si elle est rouge, on lance un dé équilibré : un \(6\) fait gagner \(10\) €, les autres faces ne rapportent rien. Si elle est noire, on perd \(2\) €.
a) Construis l'arbre et donne la loi du gain \(X\).
b) Calcule \(E(X)\).
c) Quel gain \(g\) faudrait-il à la place des \(10\) € pour que le jeu soit équitable ?
Voir la correction›
l'expérience a deux étapes (la carte, puis éventuellement le dé) : on fait l'arbre, on calcule la probabilité de chaque chemin, puis la loi du gain et son espérance. En c), on remplace \(10\) par \(g\) et on résout \(E(X) = 0\).
Chemin = produit ; jeu équitable \(\iff E(X) = 0\).
a) L'arbre et la loi.
- rouge (\(\frac{1}{2}\)) : \(6\) (\(\frac{1}{6}\)) → \(+10\) € ; autre (\(\frac{5}{6}\)) → \(0\) € ;
- noire (\(\frac{1}{2}\)) → \(-2\) €.
\[P(X = 10) = \dfrac{1}{2} \times \dfrac{1}{6} = \dfrac{1}{12}\]
\[P(X = 0) = \dfrac{1}{2} \times \dfrac{5}{6} = \dfrac{5}{12}\]
\[P(X = -2) = \dfrac{1}{2} = \dfrac{6}{12}\]
b) L'espérance.
\[E(X) = 10 \times \dfrac{1}{12} + 0 \times \dfrac{5}{12} + (-2) \times \dfrac{6}{12}\]
\[E(X) = \dfrac{10 - 12}{12}\]
\[E(X) = -\dfrac{2}{12} = -\dfrac{1}{6} \approx -0{,}17\]
c) Le gain qui rend le jeu équitable.
\[g \times \dfrac{1}{12} - 2 \times \dfrac{6}{12} = 0\]
\[\dfrac{g - 12}{12} = 0\]
\[g = 12\]
Conclusion : \(\boxed{E(X) = -\dfrac{1}{6} \approx -0{,}17 \text{ €}}\), jeu défavorable ; il faudrait \(\boxed{g = 12 \text{ €}}\) pour qu'il soit équitable.
La loi dans un tableau :
| \(x_i\) | \(-2\) | \(0\) | \(10\) |
|---|---|---|---|
| \(P(X = x_i)\) | \(\dfrac{6}{12}\) | \(\dfrac{5}{12}\) | \(\dfrac{1}{12}\) |
Interprétation :
Sur \(1\,200\) parties, on attend environ \(600\) cartes noires (\(-1\,200\) €) et \(100\) fois « rouge puis \(6\) » (\(+1\,000\) €) : le joueur perd environ \(200\) €, soit \(\dfrac{200}{1\,200} = \dfrac{1}{6}\) € par partie.
Avec \(g = 12\), les \(100\) gains rapportent \(1\,200\) €, ce qui compense exactement les \(1\,200\) € perdus.
On contrôle la loi : \(\dfrac{6}{12} + \dfrac{5}{12} + \dfrac{1}{12} = \dfrac{12}{12} = 1\).
Le joueur ne gagne quelque chose qu'avec la probabilité \(\dfrac{1}{12} \approx 8\,\%\).
Dans l'arbre, les branches issues de chaque nœud ont bien une somme égale à \(1\) : \(\dfrac{1}{2} + \dfrac{1}{2} = 1\) et \(\dfrac{1}{6} + \dfrac{5}{6} = 1\).
🔍 Vérification : \(\dfrac{1}{12} + \dfrac{5}{12} + \dfrac{6}{12} = 1\) ✓ ; avec \(g = 12\), \(\dfrac{12}{12} - 1 = 0\) ✓.
Prendre \(P(X = 10) = \dfrac{1}{6}\) en oubliant qu'il faut d'abord tirer une carte rouge.
Un livreur hésite entre deux routes. Route A : \(20\) minutes avec la probabilité \(0{,}7\), \(40\) minutes (bouchon) avec la probabilité \(0{,}3\). Route B : \(25\) minutes avec la probabilité \(0{,}9\), \(35\) minutes avec la probabilité \(0{,}1\).
a) Calcule la durée moyenne de chaque trajet.
b) Le livreur est pénalisé s'il met plus de \(30\) minutes. Quelle route doit-il choisir ? Justifie.
Voir la correction›
la durée moyenne est l'espérance de la durée. Comme les deux moyennes sont égales, on départage les routes par le risque de dépasser \(30\) minutes.
\(E(X) = \sum x_i p_i\) ; l'espérance ne dit pas tout : on regarde aussi la probabilité d'un résultat gênant.
a) Les durées moyennes.
Étape 1 — Route A :
\[E(A) = 20 \times 0{,}7 + 40 \times 0{,}3\]
\[E(A) = 14 + 12\]
\[E(A) = 26\]
Étape 2 — Route B :
\[E(B) = 25 \times 0{,}9 + 35 \times 0{,}1\]
\[E(B) = 22{,}5 + 3{,}5\]
\[E(B) = 26\]
b) Le risque de pénalité.
Route A : plus de \(30\) minutes seulement en cas de bouchon (\(40\) min), probabilité \(0{,}3\).
Route B : plus de \(30\) minutes seulement avec \(35\) min, probabilité \(0{,}1\).
Conclusion : \(\boxed{26 \text{ minutes en moyenne pour chaque route}}\) ; le livreur doit choisir la route B, trois fois moins souvent pénalisée (\(0{,}1\) contre \(0{,}3\)).
Deux variables peuvent avoir la même espérance et des risques très différents ; on compare alors les probabilités des résultats gênants.
Le tableau comparatif :
| Durée la plus courte | Durée la plus longue | Durée moyenne | \(P(\text{plus de } 30 \text{ min})\) | |
|---|---|---|---|---|
| Route A | \(20\) min | \(40\) min | \(26\) min | \(0{,}3\) |
| Route B | \(25\) min | \(35\) min | \(26\) min | \(0{,}1\) |
Sur \(100\) livraisons :
Avec A, environ \(30\) pénalités ; avec B, environ \(10\). La route B est aussi plus régulière : ses durées ne varient que de \(10\) minutes, contre \(20\) pour A.
Si les pénalités ne comptaient pas, les deux routes se vaudraient en moyenne : c'est le critère choisi qui fait la différence.
Avec A, le livreur arrive en \(20\) minutes \(7\) fois sur \(10\) : c'est la plus rapide dans le cas le plus fréquent, mais aussi la plus risquée.
🔍 Vérification : sur \(10\) trajets « idéaux », A dure \(7 \times 20 + 3 \times 40 = 260\) min et B \(9 \times 25 + 1 \times 35 = 260\) min ✓.
Conclure « les deux routes se valent » au vu des espérances : le critère de la pénalité les départage.
Un réseau compte \(4\) capteurs. Chacun tombe en panne dans le mois avec la probabilité \(0{,}1\), indépendamment des autres. \(X\) est le nombre de capteurs en panne dans le mois.
a) Donne la loi de \(X\).
b) Calcule \(E(X)\).
c) Chaque capteur en panne coûte \(200\) € à remplacer. Quel est le coût moyen mensuel ?
d) Le réseau devient inutilisable si au moins \(2\) capteurs sont en panne. Calcule cette probabilité.
Voir la correction›
quatre épreuves de Bernoulli indépendantes de paramètre \(0{,}1\) (« succès » : le capteur tombe en panne). Pour chaque \(k\), on compte les chemins à \(k\) pannes en les listant, puis on multiplie par la probabilité d'un chemin. Le coût moyen est \(200\) fois le nombre moyen de pannes.
Chemin à \(k\) pannes sur \(4\) : \(0{,}1^k \times 0{,}9^{4-k}\) ; \(E(aX) = a \times E(X)\), car chaque valeur est multipliée par \(a\).
On note \(P\) « en panne » (\(0{,}1\)) et \(F\) « fonctionne » (\(0{,}9\)).
a) La loi.
Étape 1 — Compter les chemins :
- \(k = 0\) : FFFF, \(1\) chemin ;
- \(k = 1\) : la panne est sur le capteur \(1\), \(2\), \(3\) ou \(4\) : \(4\) chemins ;
- \(k = 2\) : PPFF, PFPF, PFFP, FPPF, FPFP, FFPP : \(6\) chemins ;
- \(k = 3\) : le seul capteur qui fonctionne est le \(1\), \(2\), \(3\) ou \(4\) : \(4\) chemins ;
- \(k = 4\) : PPPP, \(1\) chemin.
Étape 2 — Les probabilités :
\[P(X = 0) = 0{,}9^4 = 0{,}6561\]
\[P(X = 1) = 4 \times 0{,}1 \times 0{,}9^3 = 4 \times 0{,}0729 = 0{,}2916\]
\[P(X = 2) = 6 \times 0{,}1^2 \times 0{,}9^2 = 6 \times 0{,}0081 = 0{,}0486\]
\[P(X = 3) = 4 \times 0{,}1^3 \times 0{,}9 = 4 \times 0{,}0009 = 0{,}0036\]
\[P(X = 4) = 0{,}1^4 = 0{,}0001\]
b) L'espérance.
\[E(X) = 1 \times 0{,}2916 + 2 \times 0{,}0486 + 3 \times 0{,}0036 + 4 \times 0{,}0001\]
\[E(X) = 0{,}2916 + 0{,}0972 + 0{,}0108 + 0{,}0004\]
\[E(X) = 0{,}4\]
c) Le coût moyen.
Le coût vaut \(200X\) :
\[E(200X) = 200 \times 0{,}4 = 80\]
d) Au moins deux pannes.
\[P(X \ge 2) = 0{,}0486 + 0{,}0036 + 0{,}0001\]
\[P(X \ge 2) = 0{,}0523\]
Conclusion : \(\boxed{E(X) = 0{,}4}\) ; coût moyen \(\boxed{80 \text{ € par mois}}\) ; \(\boxed{P(X \ge 2) = 0{,}0523}\), environ \(5\,\%\).
Interprétation :
Le réseau est inutilisable environ \(5\) mois sur \(100\) ; les autres mois, au plus un capteur est en panne et le réseau fonctionne.
Le coût moyen se vérifie aussi directement : \(0{,}2916 \times 200 + 0{,}0486 \times 400 + 0{,}0036 \times 600 + 0{,}0001 \times 800 = 58{,}32 + 19{,}44 + 2{,}16 + 0{,}08 = 80\) €.
🔍 Vérification : \(0{,}6561 + 0{,}2916 + 0{,}0486 + 0{,}0036 + 0{,}0001 = 1\) ✓ ; \(E(X) = 4 \times 0{,}1\) ✓ ; et \(P(X \ge 2) = 1 - 0{,}6561 - 0{,}2916 = 0{,}0523\) ✓.
Oublier des chemins pour \(k = 2\) : il y en a \(6\), à lister méthodiquement (on choisit les deux capteurs en panne parmi quatre).
Un avis sur ce chapitre ? Donne-le en quelques mots