insight.Se connecter

Mathématiques · Terminale

Sommes de variables aléatoires : cours et fiche de révision (Mathématiques, Terminale)

Programme officiel, session 2027. Mis à jour le 12 novembre 2026. 9 min de lecture.

Ce que contient ce chapitre

  • Décomposer une variable aléatoire en somme
  • L'espérance est linéaire
  • Variance d'une somme de variables indépendantes
  • Espérance et variance de la loi binomiale
  • Somme d'un échantillon
  • Moyenne d'un échantillon

À quoi sert ce chapitre

En première, tu as étudié une variable aléatoire à la fois. Beaucoup de situations en font intervenir plusieurs : la somme de deux dés, le gain total après plusieurs tours d'une loterie, le nombre de succès dans une série d'épreuves.

Chercher la loi complète d'une somme est long, et tu n'en as presque jamais besoin : son espérance et sa variance se calculent à partir de celles de chaque terme. Toute l'idée du chapitre : décomposer une variable compliquée en somme de variables simples. Ces règles donnent d'un coup les formules de la loi binomiale, et expliquent pourquoi la moyenne de plusieurs mesures est plus fiable qu'une seule.

Somme de deux variables aléatoires

Définition

Soit XX et YY deux variables aléatoires définies sur le même univers (la même expérience aléatoire). La variable X+YX + Y associe à chaque issue la somme des valeurs prises par XX et par YY ; pour un réel aa, la variable aXaX associe la valeur de XX multipliée par aa.

Exemple : deux dés

On lance deux dés équilibrés à six faces. On note XX le résultat du premier dé, YY celui du second et S=X+YS = X + Y. Si le premier dé donne 2 et le second 5, alors X=2X = 2, Y=5Y = 5 et S=7S = 7.

La variable SS prend les valeurs entières de 2 à 12. Pour sa loi, il faut compter les issues parmi les 36 couples : P(S=4)=336P(S = 4) = \dfrac{3}{36}, car 4=1+3=2+2=3+14 = 1 + 3 = 2 + 2 = 3 + 1. Tu vas trouver son espérance et sa variance sans écrire cette loi.

Linéarité de l'espérance

La propriété

Pour toutes variables aléatoires XX et YY définies sur le même univers et tout réel aa :

E(X+Y)=E(X)+E(Y)etE(aX)=aE(X)\begin{gathered}E(X + Y) = E(X) + E(Y) \\ \text{et} \\ E(aX) = aE(X)\end{gathered}

Le point essentiel : aucune condition n'est exigée. La propriété est vraie pour des variables aléatoires quelconques, qu'elles soient indépendantes ou non. Elle est admise.

En combinant les deux relations, on obtient par exemple E(X−Y)=E(X)+E(−Y)=E(X)−E(Y)E(X - Y) = E(X) + E(-Y) = E(X) - E(Y) et E(2X+3Y)=2E(X)+3E(Y)E(2X + 3Y) = 2E(X) + 3E(Y).

Exemple 1 : la somme de deux dés

Pour un dé équilibré :

E(X)=1+2+3+4+5+66=216=3,5E(X) = \frac{1 + 2 + 3 + 4 + 5 + 6}{6} = \frac{21}{6} = 3{,}5

Le second dé suit la même loi, donc E(Y)=3,5E(Y) = 3{,}5. Par linéarité :

E(S)=E(X)+E(Y)=3,5+3,5=7E(S) = E(X) + E(Y) = 3{,}5 + 3{,}5 = 7

Exemple 2 : un tirage sans remise

Une urne contient trois boules numérotées 1, 2 et 3. On tire deux boules successivement, sans remise. On note XX le numéro de la première boule et YY celui de la seconde.

Les six tirages (1;2)(1;2), (1;3)(1;3), (2;1)(2;1), (2;3)(2;3), (3;1)(3;1), (3;2)(3;2) sont équiprobables : la seconde boule porte chaque numéro avec la probabilité 13\dfrac{1}{3}, comme la première. Ainsi :

E(X)=E(Y)=1+2+33=2E(X) = E(Y) = \frac{1 + 2 + 3}{3} = 2

Les deux tirages ne sont pas indépendants, puisque la seconde boule dépend de la première. Pourtant la linéarité s'applique : E(X+Y)=2+2=4E(X + Y) = 2 + 2 = 4.

Vérification : X+YX + Y vaut 3, 4 ou 5, chaque valeur avec la probabilité 13\dfrac{1}{3}, et 3+4+53=4\dfrac{3 + 4 + 5}{3} = 4.

Variance d'une somme et variables indépendantes

Variables aléatoires indépendantes

Les variables indépendantes apparaissent ici dans une succession d'épreuves indépendantes : lancers successifs, tirages avec remise. Si XX ne dépend que d'une épreuve et YY d'une autre, elles sont indépendantes. L'indépendance fait partie du modèle : l'énoncé la donne, tu n'as pas à la démontrer.

Les deux relations

Si XX et YY sont indépendantes, alors :

V(X+Y)=V(X)+V(Y)V(X + Y) = V(X) + V(Y)

C'est l'additivité de la variance, admise. Pour toute variable aléatoire XX et tout réel aa :

V(aX)=a2V(X)V(aX) = a^2 V(X)

Cette seconde relation ne demande aucune condition. Comme l'écart type est σ(X)=V(X)\sigma(X) = \sqrt{V(X)}, on en déduit σ(aX)=∣a∣ σ(X)\sigma(aX) = |a|\,\sigma(X).

Attention

ce sont les variances qui s'ajoutent, pas les écarts types. Pour l'écart type d'une somme, tu calcules d'abord la variance, puis tu prends la racine carrée.

Exemple 1 : variance de la somme de deux dés

Pour un dé, E(X)=3,5E(X) = 3{,}5. On calcule la variance avec la définition, moyenne des carrés des écarts à l'espérance :

V(X)=(−2,5)2+(−1,5)2+(−0,5)2+0,52+1,52+2,526=17,56=3512V(X) = \frac{(-2{,}5)^2 + (-1{,}5)^2 + (-0{,}5)^2 + 0{,}5^2 + 1{,}5^2 + 2{,}5^2}{6} = \frac{17{,}5}{6} = \frac{35}{12}

Les deux lancers sont indépendants, donc :

V(S)=V(X)+V(Y)=3512+3512=356etσ(S)=356≈2,42\begin{gathered}V(S) = V(X) + V(Y) = \frac{35}{12} + \frac{35}{12} = \frac{35}{6} \\ \text{et} \\ \sigma(S) = \sqrt{\frac{35}{6}} \approx 2{,}42\end{gathered}

Exemple 2 : ne pas confondre 2X2X et X+YX + Y

On compare deux jeux. Dans le premier, on lance un dé et on gagne le double du résultat : le gain est 2X2X. Dans le second, on lance deux dés et on gagne leur somme : le gain est X+YX + Y.

Les espérances sont égales : E(2X)=2×3,5=7E(2X) = 2 \times 3{,}5 = 7 et E(X+Y)=7E(X + Y) = 7. Mais les variances diffèrent :

V(2X)=22×3512=353alors queV(X+Y)=356\begin{gathered}V(2X) = 2^2 \times \frac{35}{12} = \frac{35}{3} \\ \text{alors que} \\ V(X + Y) = \frac{35}{6}\end{gathered}

Le premier jeu est plus dispersé : doubler un résultat amplifie les valeurs extrêmes, alors qu'avec deux dés un petit résultat peut être compensé par un grand.

Exemple 3 : sans indépendance, l'additivité peut être fausse

Reprends l'urne du tirage sans remise. On a V(X)=V(Y)=(1−2)2+(2−2)2+(3−2)23=23V(X) = V(Y) = \dfrac{(1-2)^2 + (2-2)^2 + (3-2)^2}{3} = \dfrac{2}{3}. Or X+YX + Y prend les valeurs 3, 4, 5 avec la probabilité 13\dfrac{1}{3} chacune, donc V(X+Y)=23V(X + Y) = \dfrac{2}{3}, ce qui n'est pas V(X)+V(Y)=43V(X) + V(Y) = \dfrac{4}{3}.

Application à la loi binomiale

Décomposer en variables de Bernoulli

On répète nn fois, de façon indépendante, une épreuve de Bernoulli de probabilité de succès pp. La variable XX qui compte le nombre de succès suit la loi binomiale B(n;p)\mathcal{B}(n ; p).

Pour chaque entier ii de 1 à nn, on note XiX_i la variable qui vaut 1 si la ii-ième épreuve est un succès et 0 sinon. Chaque XiX_i suit la loi de Bernoulli de paramètre pp, et compter les succès revient à additionner ces variables :

X=X1+X2+⋯+XnX = X_1 + X_2 + \dots + X_n

Démonstration des formules

Pour une variable de Bernoulli XiX_i :

E(Xi)=0×(1−p)+1×p=pE(X_i) = 0 \times (1 - p) + 1 \times p = p V(Xi)=(0−p)2(1−p)+(1−p)2p=p(1−p)(p+(1−p))=p(1−p)V(X_i) = (0 - p)^2 (1 - p) + (1 - p)^2 p = p(1 - p)\big(p + (1 - p)\big) = p(1 - p)

Par linéarité de l'espérance :

E(X)=E(X1)+⋯+E(Xn)=npE(X) = E(X_1) + \dots + E(X_n) = np

Les épreuves sont indépendantes, donc les variables X1,…,XnX_1, \dots, X_n le sont, et les variances s'ajoutent :

V(X)=V(X1)+⋯+V(Xn)=np(1−p)V(X) = V(X_1) + \dots + V(X_n) = np(1 - p)

Enfin σ(X)=np(1−p)\sigma(X) = \sqrt{np(1 - p)}.

Exemple

Une variable XX suit la loi B(50;0,2)\mathcal{B}(50 ; 0{,}2). Alors :

E(X)=50×0,2=10V(X)=50×0,2×0,8=8σ(X)=8≈2,83\begin{gathered}E(X) = 50 \times 0{,}2 = 10 \\ V(X) = 50 \times 0{,}2 \times 0{,}8 = 8 \\ \sigma(X) = \sqrt{8} \approx 2{,}83\end{gathered}

Échantillon d'une loi de probabilité

Définition

Un échantillon de taille nn d'une loi de probabilité est une liste (X1,…,Xn)(X_1, \dots, X_n) de variables aléatoires indépendantes qui suivent toutes cette loi. C'est le modèle d'une même expérience répétée nn fois dans les mêmes conditions.

On note μ\mu l'espérance, VV la variance et σ\sigma l'écart type communs à toutes les variables XiX_i. On définit :

  • la somme Sn=X1+⋯+XnS_n = X_1 + \dots + X_n ;
  • la moyenne Mn=SnnM_n = \dfrac{S_n}{n}.

Les formules

Pour la somme, la linéarité et l'additivité donnent :

E(Sn)=nμV(Sn)=nVσ(Sn)=n σ\begin{gathered}E(S_n) = n\mu \\ V(S_n) = nV \\ \sigma(S_n) = \sqrt{n}\,\sigma\end{gathered}

Pour la moyenne, on écrit Mn=1nSnM_n = \dfrac{1}{n} S_n et on applique E(aX)=aE(X)E(aX) = aE(X) et V(aX)=a2V(X)V(aX) = a^2V(X) avec a=1na = \dfrac{1}{n} :

E(Mn)=1n×nμ=μV(Mn)=1n2×nV=Vnσ(Mn)=σn\begin{gathered}E(M_n) = \frac{1}{n} \times n\mu = \mu \\ V(M_n) = \frac{1}{n^2} \times nV = \frac{V}{n} \\ \sigma(M_n) = \frac{\sigma}{\sqrt{n}}\end{gathered}

À retenir

la moyenne a la même espérance qu'une seule variable, mais son écart type diminue quand nn augmente. Plus l'échantillon est grand, plus la moyenne se concentre autour de μ\mu.

Exemple : 100 lancers d'un dé

On lance 100 fois un dé équilibré. Les résultats forment un échantillon de taille 100 avec μ=3,5\mu = 3{,}5 et V=3512V = \dfrac{35}{12}, donc σ=3512≈1,71\sigma = \sqrt{\dfrac{35}{12}} \approx 1{,}71.

Pour la somme des 100 résultats :

E(S100)=100×3,5=350V(S100)=100×3512≈291,7σ(S100)=10×σ≈17,1\begin{gathered}E(S_{100}) = 100 \times 3{,}5 = 350 \\ V(S_{100}) = 100 \times \frac{35}{12} \approx 291{,}7 \\ \sigma(S_{100}) = 10 \times \sigma \approx 17{,}1\end{gathered}

Pour la moyenne des 100 résultats :

E(M100)=3,5V(M100)=3512×100≈0,029σ(M100)=σ10≈0,17\begin{gathered}E(M_{100}) = 3{,}5 \\ V(M_{100}) = \frac{35}{12 \times 100} \approx 0{,}029 \\ \sigma(M_{100}) = \frac{\sigma}{10} \approx 0{,}17\end{gathered}

Un seul lancer s'écarte typiquement de 1,711{,}71 de 3,53{,}5 ; la moyenne de 100 lancers, de 0,170{,}17 seulement.

Les pièges

  • Additionner les écarts types. σ(X+Y)\sigma(X + Y) n'est pas σ(X)+σ(Y)\sigma(X) + \sigma(Y). Pour deux dés, 35/6≈2,42\sqrt{35/6} \approx 2{,}42 alors que 1,71+1,71=3,421{,}71 + 1{,}71 = 3{,}42. On additionne les variances, puis on prend la racine.
  • Oublier le carré dans V(aX)V(aX). V(3X)=9V(X)V(3X) = 9V(X), pas 3V(X)3V(X). Le carré vient du fait que la variance est une moyenne de carrés d'écarts.
  • Confondre 2X2X et X+YX + Y. X+YX + Y avec XX et YY indépendantes de même loi a pour variance 2V(X)2V(X) ; 2X2X a pour variance 4V(X)4V(X).
  • Soustraire les variances. Pour XX et YY indépendantes, V(X−Y)=V(X)+V(−Y)=V(X)+(−1)2V(Y)=V(X)+V(Y)V(X - Y) = V(X) + V(-Y) = V(X) + (-1)^2 V(Y) = V(X) + V(Y). Une variance ne se soustrait jamais.
  • Utiliser l'additivité de la variance sans indépendance. La linéarité de l'espérance est toujours vraie ; l'additivité de la variance exige l'indépendance. Avant d'ajouter des variances, cite toujours cette hypothèse.
  • Se tromper sur la moyenne. V(Mn)=VnV(M_n) = \dfrac{V}{n} et σ(Mn)=σn\sigma(M_n) = \dfrac{\sigma}{\sqrt{n}} : on divise la variance par nn, mais l'écart type par n\sqrt{n} seulement.
  • Confondre variance et écart type de la loi binomiale. np(1−p)np(1 - p) est la variance ; l'écart type est sa racine carrée.

Ce qu'il faut retenir

  • E(X+Y)=E(X)+E(Y)E(X + Y) = E(X) + E(Y) et E(aX)=aE(X)E(aX) = aE(X) : sans aucune condition, indépendance ou pas.
  • V(X+Y)=V(X)+V(Y)V(X + Y) = V(X) + V(Y) seulement si XX et YY sont indépendantes ; V(aX)=a2V(X)V(aX) = a^2V(X) toujours.
  • σ(X)=V(X)\sigma(X) = \sqrt{V(X)} : on ajoute des variances, jamais des écarts types.
  • Loi binomiale B(n;p)\mathcal{B}(n ; p), par décomposition en nn variables de Bernoulli : E(X)=npE(X) = np, V(X)=np(1−p)V(X) = np(1-p), σ(X)=np(1−p)\sigma(X) = \sqrt{np(1-p)}.
  • Pour une variable de Bernoulli de paramètre pp : E=pE = p et V=p(1−p)V = p(1-p).
  • Échantillon de taille nn d'espérance μ\mu, de variance VV : E(Sn)=nμE(S_n) = n\mu, V(Sn)=nVV(S_n) = nV, σ(Sn)=n σ\sigma(S_n) = \sqrt{n}\,\sigma.
  • Moyenne Mn=SnnM_n = \dfrac{S_n}{n} : E(Mn)=μE(M_n) = \mu, V(Mn)=VnV(M_n) = \dfrac{V}{n}, σ(Mn)=σn\sigma(M_n) = \dfrac{\sigma}{\sqrt{n}} — la moyenne se concentre quand nn grandit.

À l'épreuve

Les sujets de 2024 et de 2025 comptent quatre exercices sur 20 points ; la forme de 2027 n'est pas confirmée ici. Justifie chaque réponse : un résultat sans justification ne montre pas ta démarche.

Ce chapitre peut apparaître dans un exercice de probabilités, après une loi binomiale ou un arbre. Des consignes de ce genre peuvent se présenter : « déterminer la loi de XX », « calculer E(X)E(X) et V(X)V(X) », « montrer que X=X1+⋯+XnX = X_1 + \dots + X_n où XiX_i suit une loi de Bernoulli », « en déduire l'espérance et la variance », « on considère un échantillon de taille nn : exprimer E(Mn)E(M_n) et σ(Mn)\sigma(M_n) en fonction de nn », « interpréter ce résultat ».

Nomme la propriété utilisée et, pour la variance, cite l'indépendance avant d'ajouter : une variance ajoutée sans cette mention n'est pas justifiée, même si le résultat est juste. Écris la décomposition explicitement, prends l'écart type comme racine de la variance, et donne une interprétation en français quand elle est demandée.

À retenir

  • Décomposer une variable aléatoire en somme

    X+YX + Y associe à chaque issue la somme des valeurs prises par XX et par YY ; aXaX multiplie la valeur de XX par aa.Un total (points, gain, nombre de succès) se décompose épreuve par épreuve : X=X1+X2+⋯+XnX = X_1 + X_2 + \dots + X_n.Pour compter des succès, XiX_i vaut 1 si la ii-ième épreuve est un succès et 0 sinon.Attention : 2X2X (un seul résultat doublé) n'est pas la même variable que X+YX + Y (deux résultats ajoutés).
  • L'espérance est linéaire

    E(X+Y)=E(X)+E(Y)E(X + Y) = E(X) + E(Y) et E(aX)=aE(X)E(aX) = aE(X).Aucune condition : c'est vrai pour des variables aléatoires quelconques, indépendantes ou non.On combine les deux relations : E(2X+3Y)=2E(X)+3E(Y)E(2X + 3Y) = 2E(X) + 3E(Y), E(X−Y)=E(X)−E(Y)E(X - Y) = E(X) - E(Y).Méthode : décompose la variable en somme, calcule l'espérance de chaque terme, additionne.
  • Variance d'une somme de variables indépendantes

    Si XX et YY sont indépendantes (succession d'épreuves indépendantes) : V(X+Y)=V(X)+V(Y)V(X + Y) = V(X) + V(Y).Pour tout réel aa, sans condition : V(aX)=a2V(X)V(aX) = a^2 V(X), donc σ(aX)=∣a∣ σ(X)\sigma(aX) = |a|\,\sigma(X).Les écarts types ne s'ajoutent pas : calcule la variance de la somme, puis σ=V\sigma = \sqrt{V}.Pour XX et YY indépendantes, V(X−Y)=V(X)+V(Y)V(X - Y) = V(X) + V(Y) : une variance ne se soustrait jamais.
  • Espérance et variance de la loi binomiale

    Si XX suit B(n;p)\mathcal{B}(n ; p), alors X=X1+⋯+XnX = X_1 + \dots + X_n où les XiX_i sont des variables de Bernoulli indépendantes de paramètre pp.Pour chaque XiX_i : E(Xi)=pE(X_i) = p et V(Xi)=p(1−p)V(X_i) = p(1 - p).Donc E(X)=npE(X) = np (linéarité) et V(X)=np(1−p)V(X) = np(1 - p) (additivité, par indépendance).Écart type : σ(X)=np(1−p)\sigma(X) = \sqrt{np(1 - p)}.
  • Somme d'un échantillon

    Échantillon de taille nn d'une loi : liste (X1,…,Xn)(X_1, \dots, X_n) de variables indépendantes suivant toutes cette loi.Somme : Sn=X1+⋯+XnS_n = X_1 + \dots + X_n.Si chaque XiX_i a pour espérance μ\mu, pour variance VV et pour écart type σ\sigma :E(Sn)=nμE(S_n) = n\mu, V(Sn)=nVV(S_n) = nV, σ(Sn)=n σ\sigma(S_n) = \sqrt{n}\,\sigma.
  • Moyenne d'un échantillon

    Moyenne d'un échantillon de taille nn : Mn=SnnM_n = \dfrac{S_n}{n}, avec Sn=X1+⋯+XnS_n = X_1 + \dots + X_n.On applique E(aX)=aE(X)E(aX) = aE(X) et V(aX)=a2V(X)V(aX) = a^2 V(X) avec a=1na = \dfrac{1}{n}.E(Mn)=μE(M_n) = \mu, V(Mn)=VnV(M_n) = \dfrac{V}{n}, σ(Mn)=σn\sigma(M_n) = \dfrac{\sigma}{\sqrt{n}}.Plus nn est grand, plus l'écart type de la moyenne est petit : la moyenne se concentre autour de μ\mu.

Teste-toi

Trois questions. Réponds, la correction s’affiche.

Question 1 sur 3
On lance deux dés équilibrés à six faces. On note XX le résultat du premier dé et YY celui du second. Quelle variable aléatoire donne le total des points obtenus avec les deux dés ?

Correction

Le total des points est la somme des deux résultats : à chaque issue, X+YX + Y associe la valeur de XX plus celle de YY.Exemple : premier dé 2, second dé 5, alors X+Y=2+5=7X + Y = 2 + 5 = 7.Erreur classique : répondre 2X2X — 2X2X double un seul dé, alors que le second résultat n'est pas forcément égal au premier.
Question 2 sur 3
La variable aléatoire XX suit la loi binomiale B(20;0,3)\mathcal{B}(20 ; 0{,}3). Quelle est la valeur exacte de l'espérance E(X)E(X) ?

Correction

E(X)=np=20×0,3=6E(X) = np = 20 \times 0{,}3 = 6.Erreur classique : répondre 4,24{,}2 — c'est np(1−p)=20×0,3×0,7np(1-p) = 20 \times 0{,}3 \times 0{,}7, la variance, pas l'espérance.
Question 3 sur 3
Soit (X1,…,Xn)(X_1, \dots, X_n) un échantillon de taille nn d'une loi de variance VV, et Mn=SnnM_n = \dfrac{S_n}{n} la moyenne de cet échantillon, avec Sn=X1+⋯+XnS_n = X_1 + \dots + X_n. Quelle est la variance de MnM_n ?

Correction

V(Sn)=nVV(S_n) = nV car les XiX_i sont indépendantes.V(Mn)=V(1nSn)=1n2×nV=VnV(M_n) = V\left(\dfrac{1}{n} S_n\right) = \dfrac{1}{n^2} \times nV = \dfrac{V}{n}.Erreur classique : répondre Vn2\dfrac{V}{n^2} — le carré de 1n\dfrac{1}{n} s'applique à V(Sn)=nVV(S_n) = nV, pas à VV seul.

Dans Insight, ce chapitre a 121 questions, et l’app te les repose au bon moment pour que tu ne les oublies pas avant le bac.

Contenu préparé avec l’aide d’outils d’IA, vérifié.

Réviser ce chapitre gratuitement