Pour étudier une somme de variables aléatoires, on cherche souvent son espérance et sa variance. La linéarité de l’espérance n’exige pas l’indépendance. Pour additionner les variances, l’indépendance est une condition suffisante ; en prépa, la covariance précise le cas général. Voici les formules, leurs hypothèses et six exercices corrigés.
📘 Au programme
🔵 Terminale (spécialité maths) : espérance d’une somme (linéarité), variance d’une somme de variables indépendantes, échantillon de taille \(n\), loi binomiale comme somme de Bernoulli.
🟢🟠 Prépa (CPGE, ECG) : loi de \(X+Y\) par la formule de convolution, stabilités binomiale et Poisson, fonction génératrice d’une somme.
Besoin d’une vue d’ensemble ? Consulte notre cours complet sur les couples de variables aléatoires.
I. La somme de deux variables aléatoires
Si \(X\) et \(Y\) sont deux variables aléatoires définies sur un même univers, leur somme \(S = X + Y\) est la variable aléatoire qui, à chaque issue, associe la somme des deux valeurs obtenues. Pour connaître la loi de probabilité de \(S\), on liste toutes les façons d’atteindre chaque total, puis on additionne les probabilités.
Définition : Somme de deux variables
Pour tout réel \(s\), on a \(P(S = s)\) égal à la somme des probabilités \(P(X = x,\ Y = y)\) pour tous les couples \((x, y)\) tels que \(x + y = s\).
Lorsque \(X\) et \(Y\) sont indépendantes, cela se simplifie : \(P(X = x,\ Y = y) = P(X = x)\times P(Y = y)\).
Prenons l’exemple le plus classique : on lance deux dés équilibrés indépendants à six faces et on note \(S\) le total obtenu. Chaque dé donne un entier de 1 à 6, donc \(S\) prend ses valeurs entre 2 et 12. Il y a \(36\) couples possibles, tous de probabilité \(\displaystyle\frac{1}{36}\). Le total 7 est le plus fréquent : on l’obtient de six manières (1+6, 2+5, …, 6+1), donc .
Erreur classique : croire que tous les totaux de 2 à 12 sont équiprobables. Obtenir 2 (un seul couple : 1+1) est six fois moins probable qu’obtenir 7. La somme de deux variables uniformes n’est pas uniforme.
II. L’espérance d’une somme : la linéarité
L’espérance d’une somme est la somme des espérances dès que celles-ci sont finies. C’est automatique pour les variables à valeurs finies étudiées ici au lycée ; l’indépendance n’est pas nécessaire.
Propriété : Linéarité de l’espérance
Pour deux variables \(X\) et \(Y\) admettant une espérance finie, et pour tous réels \(a,b\) :
\(E(X + Y) = E(X) + E(Y)\)
\(E(aX + b) = a\,E(X) + b\)
Cette égalité reste vraie même si \(X\) et \(Y\) ne sont pas indépendantes.
Pour nos deux dés, chaque dé a une espérance \(E(X) = E(Y) = \displaystyle\frac{1+2+3+4+5+6}{6} = 3{,}5\). On en déduit immédiatement \(E(S) = 3{,}5 + 3{,}5 = 7\), sans avoir besoin de la loi complète de \(S\). C’est tout l’intérêt de la linéarité : elle évite les calculs lourds. Pour revoir le calcul d’une espérance sur une seule variable, consulte notre cours sur l’espérance.
Exemple : Un jeu rapporte \(X\) au premier tour et \(Y\) au second, avec \(E(X) = 2\) € et \(E(Y) = 3\) €. Le gain moyen total vaut \(E(X + Y) = 2 + 3 = 5\) €, que les deux tours soient liés ou non.
Fiche PDF à imprimer
Le support de révision est reçu gratuitement par e-mail.
📄 Télécharger la fiche de révisionReçois gratuitement le PDF par e-mail.
III. La variance d’une somme (variables indépendantes)
Pour des variables de variances finies, l’indépendance garantit \(V(X+Y)=V(X)+V(Y)\). Elle n’est pas nécessaire : la condition exacte est \(\mathrm{Cov}(X,Y)=0\). La covariance est le prolongement de prépa présenté plus bas.
Propriété : Variance d’une somme et effet d’un coefficient
Si \(X\) et \(Y\) ont des variances finies et sont indépendantes :
\(V(X + Y) = V(X) + V(Y)\)
Pour tous réels \(a\) et \(b\) (sans condition d’indépendance) :
\(V(aX + b) = a^2\,V(X)\)
L’écart type suit : \(\sigma(X + Y) = \sqrt{V(X) + V(Y)}\) pour des variables indépendantes.
Deux points à retenir. D’abord, le \(+b\) disparaît : ajouter une constante décale les valeurs mais n’augmente pas la dispersion. Ensuite, le coefficient \(a\) sort au carré : doubler une variable quadruple sa variance. Pour approfondir la variance d’une variable seule, vois notre cours sur la variance.
Pour les deux dés indépendants, chaque dé a une variance \(V(X) = V(Y) = \displaystyle\frac{35}{12}\). Donc .
Piège : additionner les variances sans justification. Pour des variances finies, \(V(X+Y)=V(X)+V(Y)+2\mathrm{Cov}(X,Y)\). L’indépendance annule la covariance ; des variables dépendantes peuvent aussi avoir une covariance nulle.
IV. Quelle formule choisir ?
Avant tout calcul, pose-toi une seule question : as-tu besoin d’une moyenne, d’une dispersion ou de la loi complète ? Le tableau ci-dessous te dit quelle règle appliquer et à quelle condition.
| Ce que tu cherches | Formule | Hypothèses utiles | Outil de secours sinon |
|---|---|---|---|
| Moyenne de \(X + Y\) | \(E(X+Y)=E(X)+E(Y)\) | Espérances finies ; indépendance inutile | Sans objet |
| Dispersion de \(X + Y\) | \(V(X+Y)=V(X)+V(Y)\) | Variances finies ; covariance nulle (indépendance suffisante) | Ajouter \(2\,\mathrm{Cov}(X,Y)\) |
| Effet d’un coefficient | \(E(aX+b)=aE(X)+b\) ; \(V(aX+b)=a^2V(X)\) | Moment concerné fini | Sans objet |
| Loi complète de \(X + Y\) | Somme des \(P(X=x,Y=y)\) sur \(x+y=s\) | Simplifie le calcul si indépendance | Tableau de la loi conjointe |
À retenir : vérifier l’existence des moments, puis distinguer linéarité de l’espérance et variance d’une somme. L’indépendance est une justification suffisante pour l’additivité des variances ; en prépa, une covariance nulle suffit également.
V. La loi binomiale vue comme une somme de Bernoulli
L’application reine de ce chapitre, c’est la décomposition d’une loi binomiale. Elle donne instantanément l’espérance et la variance sans aucun calcul fastidieux.
Idée clé : une variable \(S_n\) qui suit la loi binomiale \(\mathcal{B}(n, p)\) compte le nombre de succès au cours de \(n\) épreuves identiques et indépendantes. On peut donc l’écrire \(S_n = X_1 + X_2 + \cdots + X_n\), où chaque \(X_i\) suit une loi de Bernoulli de paramètre \(p\) (elle vaut 1 en cas de succès, 0 sinon).
Chaque \(X_i\) a pour espérance \(E(X_i) = p\) et pour variance \(V(X_i) = p(1-p)\). Par linéarité de l’espérance :
Les \(X_i\) étant indépendantes, la variance est additive :
Ce raisonnement : exigible au bac : est bien plus rapide que la définition directe. Retrouve tous les détails dans notre cours sur la loi binomiale.
VI. Échantillon : somme et moyenne de n variables
Un échantillon de taille \(n\) est une liste de \(n\) variables aléatoires \(X_1, \ldots, X_n\) indépendantes et de même loi, chacune d’espérance \(\mu\) et de variance \(\sigma^2\). On s’intéresse à deux grandeurs : la somme \(S_n\) et la moyenne \(M_n\).
| Grandeur | Définition | Espérance | Variance |
|---|---|---|---|
| Somme \(S_n\) | \(X_1 + \cdots + X_n\) | \(n\mu\) | \(n\sigma^2\) |
| Moyenne \(M_n\) | \(\displaystyle\frac{S_n}{n}\) | \(\mu\) | \(\displaystyle\frac{\sigma^2}{n}\) |
Le résultat spectaculaire concerne la moyenne : \(V(M_n) = \displaystyle\frac{\sigma^2}{n}\). Comme \(V(aX) = a^2 V(X)\) avec \(a = \displaystyle\frac{1}{n}\), la variance de la moyenne diminue quand \(n\) grandit. Autrement dit, plus l’échantillon est grand, plus la moyenne se concentre autour de \(\mu\).
C’est exactement le principe derrière la loi des grands nombres, que l’on quantifie grâce à l’inégalité de Bienaymé-Tchebychev.
VII. Méthode : écrire une variable comme une somme
La technique centrale du chapitre consiste à décomposer une variable compliquée en somme de variables simples. Voici la démarche en 4 étapes.
- Repérer la structure répétée. Y a-t-il une épreuve, un tirage, un lancer qui se répète ? Chaque répétition fournira une variable élémentaire.
- Définir les variables élémentaires. Nomme \(X_i\) la contribution de la \(i\)-ème répétition (souvent une Bernoulli : 1 si l’événement se produit, 0 sinon).
- Écrire la somme. Pose \(X = X_1 + X_2 + \cdots + X_n\).
- Appliquer la bonne formule. Espérance par linéarité si les espérances sont finies ; variance additive si l’indépendance, ou une covariance nulle, est justifiée.
Exemple : on effectue 10 tirages uniformes, indépendants, avec remise et mélange dans un jeu de 32 cartes. Le nombre \(X\) compte les cœurs, de probabilité \(p=8/32=1/4\) à chaque tirage.
On pose \(X_i=1\) si le tirage \(i\) donne un cœur, et 0 sinon. Le protocole rend ces indicatrices indépendantes de loi \(\mathcal{B}(p)\). Ainsi \(X=\sum_{i=1}^{10}X_i\sim\mathcal{B}(10,0{,}25)\).
Donc \(E(X) = 10 \times 0{,}25 = 2{,}5\) et \(V(X) = 10 \times 0{,}25 \times 0{,}75 = 1{,}875\).
Attention : sans remise, les tirages ne seraient plus indépendants et la variance changerait.
VIII. 🟠 En prépa : la loi de X + Y et au-delà
En Terminale, on calcule l’espérance et la variance d’une somme, mais on cherche rarement la loi complète de \(X+Y\). En prépa (CPGE, ECG), c’est au cœur du programme.
🟢🟠 Formule de convolution. Si \(X\) et \(Y\) sont indépendantes à valeurs entières, la loi de \(S = X + Y\) est donnée par :
\(P(S = n) = \displaystyle\sum_{k} P(X = k)\,P(Y = n- k)\)🟠 Stabilités. Certaines lois sont « stables par somme » lorsque les variables sont indépendantes :
- Si \(X \sim \mathcal{B}(n, p)\) et \(Y \sim \mathcal{B}(m, p)\) (même \(p\)), alors \(X + Y \sim \mathcal{B}(n+m, p)\).
- Si \(X \sim \mathcal{P}(\lambda)\) et \(Y \sim \mathcal{P}(\mu)\), alors \(X + Y \sim \mathcal{P}(\lambda + \mu)\). Voir le cours sur la loi de Poisson.
🟠 Fonctions génératrices (MP, MPI, PC, PSI). Pour des variables à valeurs dans \(\mathbb{N}\), elles transforment une somme indépendante en produit, sur le domaine de convergence commun. Voir le cours sur la fonction génératrice. Cet outil ne fait pas partie des attendus d’ECG.
IX. Erreurs fréquentes
❌ Copie fautive : « \(X\) et \(Y\) représentent deux notes, donc \(V(X+Y) = V(X)+V(Y)\). »
Diagnostic : rien ne permet de supprimer le terme de covariance. Le fait que les variables représentent deux notes ne prouve ni leur indépendance ni une covariance nulle.
✅ Correction : en l’absence d’indépendance, \(V(X+Y) = V(X) + V(Y) + 2\,\mathrm{Cov}(X, Y)\).
❌ Copie fautive : « \(V(2X) = 2V(X)\). »
Diagnostic : on confond \(2X\) (une variable multipliée par 2) et \(X_1 + X_2\) (deux variables indépendantes de même loi).
✅ Correction : \(V(2X) = 4\,V(X)\), tandis que \(V(X_1 + X_2) = 2\,V(X)\) si \(X_1\) et \(X_2\) sont indépendantes.
❌ Copie fautive : « Ajouter 5 points à toutes les copies augmente la variance de 25. »
Diagnostic : ajouter une constante décale les valeurs mais ne change pas leur dispersion.
✅ Correction : \(V(X + 5) = V(X)\), le \(+b\) disparaît dans la variance.
X. Exercices corrigés
Exercice 1 : Deux dés et le total ★
On lance deux dés équilibrés indépendants et on note \(S\) le total. Calcule \(P(S = 4)\), puis \(E(S)\) et \(V(S)\).
Voir la correction de l’exercice 1
On obtient 4 avec les couples (1,3), (2,2), (3,1), soit 3 cas sur 36 : .
Chaque dé a pour espérance 3,5, donc par linéarité \(E(S) = 3{,}5 + 3{,}5 = 7\).
Les dés étant indépendants, .
Total : \(P(S=4)=\displaystyle\frac{1}{12}\), \(E(S)=7\), \(V(S)=\displaystyle\frac{35}{6}\).
Exercice 2 : Gain moyen à un jeu ★
Un jeu se déroule en deux manches de gains \(X\) et \(Y\) avec \(E(X) = 4\) € et \(E(Y) = 6\) €. On soustrait une mise fixe de 3 € au total. Quel est le gain net moyen ?
Voir la correction de l’exercice 2
Le gain net est \(G = X + Y- 3\). Par linéarité de l’espérance :
\(E(G) = E(X) + E(Y)- 3 = 4 + 6- 3 = 7\)Aucune hypothèse d’indépendance n’est nécessaire ici.
Le gain net moyen vaut 7 €.
Exercice 3 : Effet d’un coefficient ★★
Une variable \(X\) vérifie \(E(X) = 5\) et \(V(X) = 2\). Calcule l’espérance et la variance de \(T = 3X- 4\).
Voir la correction de l’exercice 3
Espérance : \(E(T) = 3\,E(X)- 4 = 3\times 5- 4 = 11\).
Variance : le \(-4\) disparaît et le 3 sort au carré :
\(V(T) = 3^2\,V(X) = 9 \times 2 = 18\)\(E(T) = 11\) et \(V(T) = 18\).
Exercice 4 : Binomiale par décomposition ★★
Un QCM comporte 20 questions, chacune ayant une probabilité \(0{,}3\) d’être réussie, indépendamment des autres. Soit \(X\) le nombre de réussites. Donne la loi de \(X\), puis \(E(X)\) et \(V(X)\) en utilisant une décomposition en somme.
Voir la correction de l’exercice 4
On pose \(X_i = 1\) si la question \(i\) est réussie, 0 sinon. Les \(X_i\) sont indépendantes de même loi de Bernoulli de paramètre \(0{,}3\), et \(X = X_1 + \cdots + X_{20}\) suit \(\mathcal{B}(20,\ 0{,}3)\).
\(E(X) = 20 \times 0{,}3 = 6\) \(V(X) = 20 \times 0{,}3 \times 0{,}7 = 4{,}2\)\(X \sim \mathcal{B}(20,\ 0{,}3)\), \(E(X) = 6\), \(V(X) = 4{,}2\).
Exercice 5 : Moyenne d’un échantillon ★★
On prélève un échantillon de \(n = 100\) mesures indépendantes d’une même grandeur, chacune d’espérance \(\mu = 50\) et d’écart type \(\sigma = 5\). Soit \(M_{100}\) la moyenne de l’échantillon. Calcule \(E(M_{100})\) et \(\sigma(M_{100})\).
Voir la correction de l’exercice 5
L’espérance de la moyenne est celle d’une mesure : \(E(M_{100}) = \mu = 50\).
La variance est divisée par \(n\) : .
Donc \(\sigma(M_{100}) = \sqrt{0{,}25} = 0{,}5\).
La moyenne se concentre : son écart type (0,5) est dix fois plus petit que celui d’une mesure isolée (5).
Exercice 6 : covariance et indépendance (prolongement prépa) ★★★
Deux variables \(X\) et \(Y\) vérifient \(V(X) = 3\), \(V(Y) = 4\). On mesure \(V(X + Y) = 11\). Les variables peuvent-elles être indépendantes ? Que vaut \(\mathrm{Cov}(X, Y)\) ?
Voir la correction de l’exercice 6
Si les variables étaient indépendantes, on aurait \(V(X+Y) = V(X) + V(Y) = 3 + 4 = 7\). Or on mesure 11, donc elles ne peuvent pas être indépendantes.
On utilise la formule générale :
\(V(X+Y) = V(X) + V(Y) + 2\,\mathrm{Cov}(X,Y)\)\(11 = 7 + 2\,\mathrm{Cov}(X,Y)\), d’où \(\mathrm{Cov}(X,Y) = 2\).
La covariance vaut 2 : les variables sont positivement corrélées, donc dépendantes.
XI. Questions fréquentes
Comment calculer l’espérance d’une somme de variables aléatoires ?
Lorsque les espérances sont finies, \(E(X_1+\cdots+X_n)=E(X_1)+\cdots+E(X_n)\), sans hypothèse d’indépendance. Pour des variables à valeurs finies, l’existence des espérances est automatique.
La variance d’une somme est-elle toujours la somme des variances ?
Pas toujours. Pour des variances finies, \(V(X+Y)=V(X)+V(Y)\) équivaut à \(\mathrm{Cov}(X,Y)=0\). L’indépendance suffit à assurer cette égalité, mais n’est pas nécessaire.
Qu’est-ce qu’un échantillon de taille n ?
C’est une liste de \(n\) variables aléatoires indépendantes et de même loi, chacune d’espérance \(\mu\) et de variance \(\sigma^2\). La somme \(S_n\) a pour espérance \(n\mu\) et variance \(n\sigma^2\) ; la moyenne \(M_n\) a pour espérance \(\mu\) et variance \(\displaystyle\frac{\sigma^2}{n}\), qui tend vers 0 quand \(n\) augmente.
Quelle différence entre V(2X) et V(X1 + X2) ?
Ces deux expressions ne sont pas égales. \(V(2X) = 4\,V(X)\) car le coefficient 2 sort au carré. En revanche, si \(X_1\) et \(X_2\) sont indépendantes de même loi que \(X\), alors \(V(X_1 + X_2) = 2\,V(X)\). Multiplier une variable par 2 n’équivaut pas à additionner deux copies indépendantes.
Pour aller plus loin
Tu maîtrises maintenant l’espérance et la variance d’une somme. Pour consolider les briques de base de ce chapitre :