22 juin 2014 Variables aléatoires sur un univers fini Dans tout le chapitre Ω est un ensemble fini. I Variable aléatoire I.A Définitions Définition 1 Une variable aléatoire X est une application de Ω dans un ensemble E . Lorsque E ⊂ R on dit que la variable aléatoire est réelle. Comme Ω est un ensemble fini, avec Ω = {ω1 , ω2 , . . . , ωn }, on notera X (Ω) = {x1 , x2 , . . . , xn } l’ensemble des valeures prises par X sur Ω. Exemples 1 : Déterminer X (Ω) dans les cas suivants : 1. Une urne contient 2 boules blanches et 4 boules noires. On tire, successivement et avec remise quatre boules. On note X la variable aléatoire égale au nombre de boules blanches tirées à l’issue de l’épreuve. X (Ω) = 0, 4 2. On lance trois fois un dé à 6 faces et l’on note le plus grand résultat obtenu. X (Ω) = 1, 6 3. On lance 50 fois une pièce de monnaie et l’on considère la variable aléatoire égale au rang du premier résultat "Pile". X (Ω) = 0, 50 Définitions 2 1. On note X −1 (A) = {X ∈ A} l’événement « X prend une valeur de A » 2. Dans le cas d’une variable aléatoire réelle, on note {X = xk } l’événement « X prend la valeur xk » 3. Dans le cas d’une variable aléatoire réelle, on note {X É xk } l’événement « X prend une valeur inférieure ou égale à xk » Remarque 1 : Exemples 2 : En fait on a {X = xk } = X −1 ({xk }) = {ω ∈ Ω, X (ω) = xk } Avec les mêmes exemples que ci-dessus : 1. Soit l’événement F k = {on obtient une boule rouge au k-ième tirage}, alors (X = 0) = F 1 ∩ F 2 ∩ F 3 ∩ F 4 (X = 4) = F¯1 ∩ F¯2 ∩ F¯3 ∩ F¯4 2. Soit l’événement A k = {on obtient 6 au k-ième tirage}, alors (X = 6) = A 1 ∪ A 2 ∪ A 3 3. Soit l’événement B k = {on obtient PILE au k-ième tirage}, alors (X É 3) = B 1 ∪ B 2 ∪ B 3 I.B Loi de probabilité et fonction de répartition d’une variable aléatoire I.B.1 Loi de probabilité sur un univers fini Proposition 1 Soit X une variable aléatoire sur l’univers fini Ω d’un espace probabilisé (Ω, P (Ω), P ). On pose P X : Ω → [0, 1] A 7→ P ({X ∈ A}) Alors l’application P X est une probabilité, appelée probabilité image de P par X Lycée Jean Perrin 2013/2014 1/7 I.B Loi de probabilité et fonction de répartition d’une variable aléatoire 22 juin 2014 Démonstration. En effet, P X (Ω) = P (X ∈ X (Ω)) = 1 et si A et B sont deux événements incompatibles, P X (A ∪ B ) = P ((X ∈ A) ∪ (X ∈ B )) = P (X ∈ A) + P (X ∈ B ) = P X (A) + P X (B ) puisque les événements {X ∈ A} et {X ∈ B } sont incompatibles. Définition 3 Donner la loi de probabilité de X c’est donner l’application P X c’est à dire donner : i) L’ensemble X (Ω) = {x1 , . . . , xn } des valeurs prises par X . ii) les probabilités P ({X = xi }) pour i ∈ 1, n. Remarque 2 : Exemples 3 : On a P X ({xk }) = P ({X = xk }). Toujours avec le même premier exemple : 1. X (Ω) = {0, 1, 2, 3, 4} On démontre à !: µ ¶ µ ¶ 4 2 k 5 4−k P (X = k) = k 7 7 D’où : xk P (X = xk ) 0 625 2401 1 1000 2401 2 600 2401 3 160 2401 4 16 2401 2. X (Ω) = 1, 6 µ ¶3 1 6 (b) pour k ∈ 2, 6, P (X = k) = (a) P (X = 1) = 3. I.B.2 Variable aléatoire Y = f (X ) Définition 4 Soient X une variable aléatoire finie et f : X (Ω) ← R une application. On note f ◦ X l’application composée. : f (X ) : Ω→ ω 7→ R f ({X (Ω)}) Exemple 4 : Si on considère la variable aléatoire définie par Y = 2X + 1 Si la loi de X est donnée par le tableau suivant (celui du dernier exemple) : xk P (X = xk ) 0 625 2401 1 1000 2401 2 600 2401 3 160 2401 4 1 625 2401 3 1000 2401 5 600 2401 7 160 2401 9 16 2401 Alors la loi de Y est : yk P (Y = y k ) De même pour la loi Z = X 2 ... Lycée Jean Perrin 2013/2014 2/7 16 2401 22 juin 2014 II Espérance Définition 5 (Espérance d’une variable aléatoire) Soit X une variable aléatoire, on note espérance de X le réel noté E (X ) définit par : X X (ω)P ({ω}) ω∈Ω Exemple 5 : Toujours avec la variable aléatoire X : xk P (X = xk ) 0 625 2401 1 1000 2401 2 600 2401 3 160 2401 4 16 2401 E (X ) = ... Proposition 2 (Propriétés de l’espérance) L’espérance vérifie les propriétés suivantes : 1. Linéarité : pour tout réel a et b on a E (aX + bY ) = aE (X ) + bE (Y ) 2. Positivité : Si X est à valeurs positives alors E (X ) Ê 0 Théorème 1 (Théorème de transfert) Soient X une variable aléatoire et f : X (Ω) → R une application alors l’espérance de la variable aléatoire f (X ) est : X E ( f (X )) = f (x)P (X = x) x∈X (Ω) Remarques 3 : 1. En particulier : E (aX + b) = aE (X ) + b 2. Donc il est inutile de connaître la loi de f (X ) pour déterminer son espérance, la loi de X suffit. 3. L’inégalité triangulaire usuelle fornit : 4. |E (X )| É E (|X |) III Variance et Écart type Définition 6 (Variance et écart-type) X étant une variable aléatoire, on appelle variance de X le réel : V (X ) = E ((X − E (X ))2 ) p On appelle écart-type de X le réel noté σ(X ) = V (X ) Remarque 4 : sion. La variance représente la moyenne des carrés des écarts à la moyenne, c’est u indicateur de disper- Proposition 3 (Formule de Kœnig-Huygens) V (X ) = E (X 2 ) − (E (X ))2 On en déduit (linéarité de l’espérance) que pour tout réel a et b : V (aX + b) = a 2V (X ) Lycée Jean Perrin 2013/2014 3/7 22 juin 2014 Définition 7 On dit qu’une variable aléatoire est : i) centrée si son espérance est nulle ii) réduite si sa variance est égale à 1 iii) centrée réduite si elle est centrée et réduite Théorème 2 (Inégalité de Bienaymé-Tchebytchev) Pour tout réel λ > 0. P (|X − E (X )| Ê λ) É V (X ) λ2 IV Lois usuelles IV.A Loi certaine Définition 8 On dit que X est une variable aléatoire certaine, égale à c, si X ne prend que la valeur c ∈ R. On a alors P (X = c) = 1. xk P (X = xk ) c 1 On a alors évidemment, E (X ) = c IV.B Loi uniforme Définition 9 On dit que X suit la loi uniforme sur 1, n et l’on note X ∼ U (1, n), si X (Ω) = 1, n et si : ∀k ∈ 1, n, P (X = k) = Exemple 6 : 1 n 1. dé à n faces 2. urne avec n boules numérotées Proposition 4 Soit X ∼ U (1, n), alors : E (X ) = Démonstration. E(X ) = n +1 n2 − 1 et V (X ) = 2 12 Xk par définition... une bonne occasion de revenir sur cette somme n et la suivante X k2 E(X 2 ) = n pour calculer V (X ) à l’aide de la formule de Kœnig-Huygens Lycée Jean Perrin 2013/2014 4/7 IV.C Loi de Bernoulli 22 juin 2014 IV.C Loi de Bernoulli Définition 10 On dit que X suit la loi de Bernoulli de paramètre p ∈ [0, 1], et on note X ∼ B(p) si X (Ω) = {0, 1} et : ½ P (X = 1) = p P (X = 0) = 1 − p xk P (X = xk ) 0 1−p 1 1 Proposition 5 ¡ ¢ Soit X ∼ B p , alors : E (X ) = p et V (X ) = p(1 − p) Démonstration. à faire Exemple 7 : 1. Une urne contient 5 boules blanches et 12 boules noires. On tire une boule au hasard. Soit X = 1 si la boule est noire, X = 0 sinon ... 2. On lance une pièce. X = 1 si face, et P ("F AC E ") = p. IV.D Loi Binomiale Définition 11 On dit que X suit la loi binomiale de paramètre n et p, et on note X ∼ B(n, p) si X (Ω) = 0, n r r br acket et : à ! n k ∀k ∈ 0, n P (X = k) = p (1 − p)nk k Remarques 5 : 1. X P (X = k) = 1 2. La Loi de Bernoulli est un cas particulier de la loi binomiale. La loi de Bernoulli de paramètre p est la loi binomiale de paramètres n = 1 et p = p Proposition 6 Une épreuve de Bernoulli est une expérience aléatoire à deux issues : succès et échec. Soit p ∈ [0, 1] la probabilité du succès. Si on réalise une succession de n épreuves de Bernoulli indépendantes de probabilités de succès p, alors, la variable aléatoire X égale au nombre de succès obtenus suit la loi binomiale B(n, p). Démonstration. L’événement {X = k} est la réunion d’événements deux à deux distincts correspondant à l’obtention de k succès et de n −k échecs. à ! n Il y a de tels événements (on choisit les k succès parmi n, c’est bien une combinaison. k Chaque événement de ce type a pour probabilité p k (1 − p)n−k d’où le résultat.. Exemples 8 : 1. urne contient 5 boules blanches et 15 boules noires. On tire successivement et¶ avec remise une µ 1 boule. Soit X la VA « nombre de boules blanches tirées » après 10 épreuves. Alors X ∼ B 10, . 4 2. On lance 5 fois une pièce de monnaie et on considère X = « nombre de FACE » alors X suit B(5; 0, 5). Lycée Jean Perrin 2013/2014 5/7 IV.D Loi Binomiale 22 juin 2014 3. Un joueur achète un billet de tombola par jour. Il a une chance sur 10000 de gagner chaque jour. Si on note T le 9999 nombre de billets gagnant et R le nombre de billets perdants achetés en une semaine alors : R ∼ B(7, ) et 10000 1 ). T ∼ B(7, 10000 Proposition 7 Si X ∼ B(n, p) alors : E (X ) = np et V (X ) = np(1 − p) Démonstration. à ! n k p (1 − p)( n − k) k k=0 à ! k=n X n −1 k = n p (1 − p)( n − k) k −1 k=1 à ! k=n X n −1 k =n p (1 − p)( n − k) k=1 k − 1 à ! k=n−1 X n − 1 k+1 =n p (1 − p)( n − k − 1) k k=0 à ! k=n−1 X n −1 k = np p (1 − p)k k=0 k − 1 E(X ) = k=n X k = np(p + (1 − p))n−1 = np De même à ! n k p (1 − p)( n − k) k k=0 à ! k=n X n −1 k =n k p (1 − p)( n − k) k −1 k=1 à à ! ! k=n k=n X X n −1 k n −1 k ( =n (k − 1) p (1 − p) n − k) + n p (1 − p)( n − k) k −1 k=1 k=1 k − 1 à ! à ! k=n−1 k=n−1 X X n −1 k n −1 k = np k p (1 − p)( n − k − 1) + np p (1 − p)( n − k − 1) k k k=0 k=0 E(X 2 ) = k=n X k2 = n(n − 1)p 2 + np Lycée Jean Perrin 2013/2014 6/7 TABLE DES MATIÈRES 22 juin 2014 Table des matières I Variable aléatoire I.A Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . I.B Loi de probabilité et fonction de répartition d’une variable aléatoire I.B.1 Loi de probabilité sur un univers fini . . . . . . . . . . . . . . I.B.2 Variable aléatoire Y = f (X ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 1 1 2 II Espérance 3 III Variance et Écart type 3 IV Lois usuelles IV.A Loi certaine . . IV.B Loi uniforme . . IV.C Loi de Bernoulli IV.D Loi Binomiale . Lycée Jean Perrin 2013/2014 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7/7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 4 4 5 5