Leçon 231 Espérance, Variance, Covariance, Loi faible des grands nombres ... I. Espérance d'une v.a.r : E(X) Définition : v.a.r discrète Si ∑ x k p X =x k CA alors E(X) = k 1 v.a.r continue à densité f Si ∫ tf t dt CA alors E(X) = ℝ ∑ x k p X =x k k 1 ∫ tf t dt ℝ Interprétation : Moyenne des valeurs prises pndérée par leurs proba. Ex : Si X représente un gain au jeu alors E(X) représente le gain moyen que l'on peut espérer. E(X)=0 ( Equilibré ) E(X)<0 On peut espérer perdre plus que l'on gagne. Exemples d'espérances : Loi de Bernouilli : E(X) = p Loi de poisson : E(X) = ab Loi uniforme : E(X) = 2 1 Loi exponentielle : E(X) = Propriétés : 1) v.a.r discrète : Si est une application de ℝ dans ℝ telle que (X) admet une espérance alors E((x))= ∑ x k p X =x k k 1 v.a.r continue à densité f Si est une application de ℝ dans ℝ continue sur Y() telle que (X) admet une espérance alors E((X))= ∫ t f t dx ℝ Ex : Si X admet une espérance E(aX+b) = aE(X)+b 2 ) Si X et Y admettent une espérance alors E( X + Y ) = E( X ) + E ( Y ) 3 ) Si X et Y sont indépendantes E(XY)=E(X)E(Y) II. Variance et écart-type Définition : Si X est une v.a.r, si X² ( et par suite X ) admet une espérance alors X admet : Une variance V(X) = E [ (X – E(X))² ] Formule de Huyghens : V(X) = E(X²) – E²(X) Un écart-type (X) = V X © Vincent Obaton, 2005 ( Préparation à l'Agrégation Interne ) Page 1/3 v.a.r discrète V(X) = ∑ x k −E X ²p X =x k k 1 v.a.r continue à densité f V(X) = ∫ t−E X ²f t dt ℝ Interprétation : Deux v.a.r peuvent avoir la même espérance tout en présentant des caractéristiques de dispersion différentes. On mesure la dispersion grâce à la variance et l'écart-type. Exemples de variances : Loi de Bernouilli V(X) = pq Loi de Poisson V(X) = b−a ² Loi uniforme V(X) = 12 1 Loi exponentielle V(X) = ² Propriétés : 1 ) Si X admet une variance V(aX+b)=a²V(X) 2 ) Si X et Y indépendants V(X+Y)=V(X)+V(Y) III.Covariance Définition : Si X et Y admettent une variance ( XY admet une espérance ), on définit la covariance comme : Cov(X,Y) = E[(X-E(X))(Y-E(Y))] = E(XY) – E(X)E(Y) Propriétés : 1 ) Cov(X,Y) = Cov(Y,X) ( Symétrique ) 2 ) Cov est bilinéaire ( linéaire par rapport à X et Y ) 3 ) Si X et Y indépendantes Cov(X,Y)=0 ( récip fausse ) 4 ) Si X 1, ... , X n v.a.r admettent une espérance alors i=n V X 1... X n =∑ V X i 2 i=1 ∑ 1 i jn Cov X i , X j Conséquence si X i et X j indépendants ∀ i ≠j alors V ∑ X i =∑ V X i IV.Loi faible des grands nombres Définition : On dit que X n n1 cv en probabilité vers X si ∀ 0 lim p∣X n− X ∣=0 ∞ Inégalité de Biénaymé-Tchebychev Soit X une v.a.r admettant une variance V x ∀ 0 p∣X −E X ∣ ² Théorème : Loi faible des grands nombres Soit X n n1 suite de v.a.r de même loi, deux à deux indépendantes et admettant une variance. n Posons ∑ Xi S n= i=1 n alors S n cv en probabilité vers la v.a.r égale à © Vincent Obaton, 2005 ( Préparation à l'Agrégation Interne ) E X n Page 2/3 donc ∀ 0 lim p ∣S n−E∣=0 ∞ V. Application : On lance une pièce n fois. S Trouver n tq p0,46 n 0,540,95 n Développements possibles 1. Démonstratin du théorème de la loi faible des grands nombres et de l'inégalité de Biénaymé-Tchebychev 2. Les propriétés de l'espérance : - Si X admet une espérance E(aX+b) = aE(X)+b - Si X et Y admettent une espérance alors E( X + Y ) = E( X ) + E ( Y ) - Si X et Y sont indépendantes E(XY)=E(X)E(Y) © Vincent Obaton, 2005 ( Préparation à l'Agrégation Interne ) Page 3/3