∑ Spécialité Mathématiques Terminale Générale · Chapitre 12

Sommes de variables aléatoires et concentration

Linéarité de l'espérance, variance d'une somme de variables indépendantes, loi binomiale vue comme somme de Bernoulli, échantillons et moyenne, inégalités de Bienaymé-Tchebychev et de concentration, loi des grands nombres et simulations en Python.

Dans ce chapitre, on additionne des variables aléatoires : gains de plusieurs jeux, durées de plusieurs étapes, résultats d'un sondage… On apprend à calculer l'espérance et la variance d'une somme sans connaître sa loi, puis à contrôler les écarts d'une variable à son espérance. On démontre enfin la loi des grands nombres : la moyenne de nombreuses observations indépendantes se rapproche de l'espérance.

Activités

Activité · Découvrir la linéarité de l'espérance

Consigne

On lance un dé équilibré à six faces. Deux jeux utilisent le même lancer :

  • premier jeu : on gagne $8$ € si la face est un multiple de $3$ (face $3$ ou $6$), et $2$ € sinon ; on note $X$ ce gain ;
  • second jeu : on gagne $6$ € avec la face $1$, $3$ € avec la face $2$ ou $3$, rien sinon ; on note $Y$ ce gain.

On note $Z = X + Y$ le gain total. Déterminer les lois de $X$, $Y$ et $Z$, puis comparer $E(Z)$ à $E(X) + E(Y)$. On double ensuite les gains du second jeu : que devient l'espérance ?

faceX228228Y633000Z = X + Y8511228faces 3 et 6 (multiples de 3) : 8 € au premier jeu
Pour chaque face, on lit le gain X du premier jeu, le gain Y du second et leur somme Z.
01234567891011122/61/62/61/6E(Z) = 6 = 4 + 2gain total (€)
Loi de Z = X + Y : son espérance 6 est exactement la somme E(X) + E(Y) = 4 + 2.
Résultat

Lois de $X$ et $Y$. $X$ vaut $8$ pour $2$ faces sur $6$ et $2$ pour les $4$ autres :

$x_i$$2$$8$
$P(X = x_i)$$\frac{4}{6}$$\frac{2}{6}$

donc $E(X) = 2 \times \frac{4}{6} + 8 \times \frac{2}{6} = \frac{8 + 16}{6} = 4$.

$x_i$$0$$3$$6$
$P(Y = x_i)$$\frac{3}{6}$$\frac{2}{6}$$\frac{1}{6}$

donc $E(Y) = 0 + 3 \times \frac{2}{6} + 6 \times \frac{1}{6} = \frac{6 + 6}{6} = 2$.

Loi de $Z$. On additionne les gains face par face (troisième ligne de la figure) : face $1 \to 8$, face $2 \to 5$, face $3 \to 11$, faces $4$ et $5 \to 2$, face $6 \to 8$.

$x_i$$2$$5$$8$$11$
$P(Z = x_i)$$\frac{2}{6}$$\frac{1}{6}$$\frac{2}{6}$$\frac{1}{6}$

$E(Z) = \frac{2 \times 2 + 5 + 8 \times 2 + 11}{6} = \frac{36}{6} = 6$, et l'on constate que $E(Z) = 4 + 2 = E(X) + E(Y)$.

Gains doublés. $D = 2Y$ prend les valeurs $0$, $6$, $12$ avec les mêmes probabilités que $Y$ : $E(D) = 6 \times \frac{2}{6} + 12 \times \frac{1}{6} = 4 = 2E(Y)$.

Bilan

L'espérance « passe à travers » les sommes et les multiplications par un nombre : $E(X + Y) = E(X) + E(Y)$ et $E(2Y) = 2E(Y)$. Pas besoin de connaître la loi de $X + Y$ pour calculer son espérance !

Activité · Variance d'une somme : deux dés ou un seul ?

Consigne

On lance deux dés tétraédriques équilibrés (faces $1$, $2$, $3$, $4$) de couleurs différentes ; $X$ et $Y$ sont leurs résultats : ces deux variables sont indépendantes.

  1. Calculer $E(X)$ et $V(X)$ (c'est pareil pour $Y$).
  2. À l'aide du tableau à double entrée, donner la loi de $X + Y$ puis calculer $E(X+Y)$ et $V(X+Y)$.
  3. Comparer avec la variable $2X$ (on lance un seul dé et on double son résultat). Conclure.
X = 1X = 2X = 3X = 4Y = 1Y = 2Y = 3Y = 4X + Y2345345645675678
Les 16 issues équiprobables (X ; Y) : chaque case contient X + Y. La diagonale violette (somme 5) est la plus fournie.
1234567891/162/163/164/163/162/161/16E = 5 ; V = 2,5Loi de X + Y (deux dés différents)1234567894/164/164/164/16E = 5 ; V = 5Loi de 2X (le même dé compté deux fois)
Même espérance 5, mais la variance de 2X est deux fois plus grande : les valeurs extrêmes 2 et 8 y sont quatre fois plus probables.
Résultat
  1. $E(X) = \frac{1 + 2 + 3 + 4}{4} = 2{,}5$ ; $E(X^2) = \frac{1 + 4 + 9 + 16}{4} = 7{,}5$ donc $V(X) = 7{,}5 - 2{,}5^2 = 1{,}25$.
  2. Le tableau compte les cases : la somme $s$ apparaît $1, 2, 3, 4, 3, 2, 1$ fois pour $s = 2, 3, \dots, 8$.
    $s$$2$$3$$4$$5$$6$$7$$8$
    $P(X+Y = s)$$\frac{1}{16}$$\frac{2}{16}$$\frac{3}{16}$$\frac{4}{16}$$\frac{3}{16}$$\frac{2}{16}$$\frac{1}{16}$
    Par symétrie $E(X+Y) = 5$, et $V(X+Y) = \frac{1 \times 9 + 2 \times 4 + 3 \times 1 + 4 \times 0 + 3 \times 1 + 2 \times 4 + 1 \times 9}{16} = \frac{40}{16} = 2{,}5$.
    On retrouve $E(X+Y) = 2{,}5 + 2{,}5$ et $V(X+Y) = 1{,}25 + 1{,}25$.
  3. $2X$ vaut $2, 4, 6, 8$ avec probabilité $\frac{1}{4}$ chacune : $E(2X) = 5$ mais $V(2X) = \frac{9 + 1 + 1 + 9}{4} = 5 = 2^2 \times V(X)$.
Bilan

Pour deux variables indépendantes, les variances s'additionnent : $V(X+Y) = V(X) + V(Y)$. En revanche $X + X = 2X$ n'est pas une somme de variables indépendantes (le même dé compte deux fois) : sa variance est $4V(X)$, deux fois plus grande. Deux dés différents « compensent » souvent leurs écarts, un seul dé doublé jamais.

Activité · Une binomiale, c'est une somme de Bernoulli

Matériel

Un ordinateur avec Python (console ou bloc-notes).

Consigne

On saisit les deux fonctions suivantes.

from random import random

def bernoulli(p):
    # renvoie 1 avec la probabilité p, 0 sinon
    if random() < p:
        return 1
    return 0

def binomiale(n, p):
    s = 0
    for i in range(n):
        s = s + bernoulli(p)
    return s
  1. Expliquer pourquoi bernoulli(p) simule une variable de Bernoulli de paramètre $p$.
  2. Lancer plusieurs fois binomiale(40, 0.3). Autour de quelle valeur tombent les résultats ?
  3. Expliquer pourquoi la valeur renvoyée par binomiale(n, p) suit la loi $\mathcal{B}(n\,;\,p)$.
0X₁1X₂0X₃0X₄1X₅0X₆0X₇0X₈1X₉0X₁₀S = X₁ + X₂ + … + X₁₀ = 3 succèschaque Xᵢ suit la loi de Bernoulli de paramètre p ; S suit la loi binomiale B(10 ; p)
Une répétition de 10 épreuves de Bernoulli indépendantes : chaque case vaut 1 (succès) ou 0 (échec) ; la somme des cases est le nombre de succès.
Résultat
  1. random() renvoie un réel uniformément réparti dans $[0\,;\,1[$ : il est inférieur à $p$ avec la probabilité $p$. La fonction renvoie donc $1$ avec la probabilité $p$ et $0$ avec la probabilité $1 - p$.
  2. On obtient par exemple $11$, $14$, $12$, $9$, $13$… La moyenne de nombreux appels est proche de $12 = 40 \times 0{,}3$.
  3. La boucle répète $n$ fois, de façon indépendante, une même épreuve de Bernoulli de paramètre $p$ et additionne les résultats : $s$ compte les $1$, c'est-à-dire le nombre de succès. C'est la définition de la loi binomiale $\mathcal{B}(n\,;\,p)$.
Bilan

Si $X_1, \dots, X_n$ sont indépendantes et suivent toutes la loi de Bernoulli de paramètre $p$, alors $X_1 + \dots + X_n$ suit $\mathcal{B}(n\,;\,p)$. Ce point de vue permet de retrouver $E = np$ et $V = np(1-p)$ par simple addition.

Activité · Découvrir l'inégalité de Bienaymé-Tchebychev

Consigne

Un ticket à gratter rapporte un gain $X$ (en euros) dont voici la loi.

$x_i$$0$$2$$5$$20$$100$$1000$
$P(X = x_i)$$0{,}70$$0{,}18$$0{,}08$$0{,}035$$0{,}0045$$0{,}0005$
  1. Calculer $E(X)$. On admet que $V(X) \approx 556$.
  2. Calculer $P(|X - E(X)| \geq \delta)$ pour $\delta = 10$, $\delta = 50$ et $\delta = 500$.
  3. Calculer à chaque fois le quotient $\dfrac{V(X)}{\delta^2}$ et le comparer à la probabilité précédente.
00,250,50,751δ = 10P(écart ≥ δ) = 0,04V/δ² ≈ 5,56 : dépasse 1 !δ = 50P(écart ≥ δ) = 0,005V/δ² ≈ 0,222δ = 500P(écart ≥ δ) = 0,0005V/δ² ≈ 0,0022vert : probabilité exacte · orange : majorant V/δ²
Pour chaque δ, la barre orange (V/δ²) est toujours plus longue que la verte : V/δ² majore bien la probabilité. Pour δ = 10, le majorant dépasse 1 et n'apprend rien.
Résultat
  1. $E(X) = 2 \times 0{,}18 + 5 \times 0{,}08 + 20 \times 0{,}035 + 100 \times 0{,}0045 + 1000 \times 0{,}0005 = 0{,}36 + 0{,}4 + 0{,}7 + 0{,}45 + 0{,}5 = 2{,}41$.
  2. $|X - 2{,}41| \geq 10$ signifie $X \leq -7{,}59$ ou $X \geq 12{,}41$, c'est-à-dire $X \in \{20\,;\,100\,;\,1000\}$ : probabilité $0{,}035 + 0{,}0045 + 0{,}0005 = 0{,}04$.
    Pour $\delta = 50$ : $X \geq 52{,}41$, soit $X \in \{100\,;\,1000\}$ : probabilité $0{,}005$.
    Pour $\delta = 500$ : $X \geq 502{,}41$, soit $X = 1000$ : probabilité $0{,}0005$.
  3. $\frac{556}{10^2} = 5{,}56$ ; $\frac{556}{50^2} \approx 0{,}222$ ; $\frac{556}{500^2} \approx 0{,}0022$. À chaque fois, le quotient est supérieur à la probabilité (voir la figure). Pour $\delta = 10$, il dépasse même $1$ : il ne donne alors aucune information.
Bilan

Il semble que l'on ait toujours $P(|X - E(X)| \geq \delta) \leq \dfrac{V(X)}{\delta^2}$ : plus la variance est petite, moins $X$ a de chances de s'éloigner de son espérance. C'est l'inégalité de Bienaymé-Tchebychev, valable pour toute variable aléatoire.

Activité · Découvrir la loi des grands nombres

Consigne

Une roue est partagée en $10$ secteurs égaux dont $3$ sont rouges. On la fait tourner $n$ fois. Pour $1 \leq i \leq n$, $X_i$ vaut $1$ si le $i$-ème lancer donne rouge et $0$ sinon. On pose $M_n = \dfrac{X_1 + \dots + X_n}{n}$.

  1. Donner $E(X_i)$ et $V(X_i)$, puis $E(M_n)$ et $V(M_n)$.
  2. Que représente concrètement $M_n$ ? Observer la figure.
  3. On admet (voir le cours) que $P(|M_n - 0{,}3| \geq \delta) \leq \dfrac{V(M_n)}{\delta^2}$. Pour $\delta = 0{,}1$, à partir de quel $n$ cette probabilité est-elle sûrement inférieure à $0{,}01$ ? à $0{,}001$ ?
  4. Que vaut $\lim\limits_{n \to +\infty} P(|M_n - 0{,}3| \geq 0{,}1)$ ?
00,10,20,30,40,50,60,702004006008001000p = 0,3bande 0,3 ± 0,05fréquence de rougenombre de lancers
Trois séries de 1 000 lancers de la roue : au début les fréquences varient beaucoup, puis elles restent dans la bande verte autour de 0,3.
Résultat
  1. $X_i$ suit la loi de Bernoulli de paramètre $0{,}3$ : $E(X_i) = 0{,}3$ et $V(X_i) = 0{,}3 \times 0{,}7 = 0{,}21$. Par linéarité $E(M_n) = \frac{n \times 0{,}3}{n} = 0{,}3$ et, les lancers étant indépendants, $V(M_n) = \frac{n \times 0{,}21}{n^2} = \frac{0{,}21}{n}$.
  2. $M_n$ est la fréquence de rouge sur les $n$ lancers. Sur la figure, les trois séries finissent toutes dans la bande verte autour de $0{,}3$.
  3. $P(|M_n - 0{,}3| \geq 0{,}1) \leq \frac{0{,}21}{n \times 0{,}01} = \frac{21}{n}$. On a $\frac{21}{n} \leq 0{,}01 \iff n \geq 2\,100$ et $\frac{21}{n} \leq 0{,}001 \iff n \geq 21\,000$.
  4. $0 \leq P(|M_n - 0{,}3| \geq 0{,}1) \leq \frac{21}{n}$ et $\frac{21}{n} \to 0$ : par le théorème des gendarmes, la limite vaut $0$. Le même raisonnement marche pour tout $\delta > 0$ avec le majorant $\frac{0{,}21}{n\delta^2}$.
Bilan

Quand $n$ devient grand, la fréquence observée $M_n$ se rapproche de la probabilité $0{,}3$ : c'est la loi des grands nombres, déjà observée en Seconde par simulation, et que l'on sait maintenant démontrer.

Activité · Voir la moyenne se concentrer

Consigne

On reprend la roue précédente ($p = 0{,}3$). La figure montre la loi de la fréquence $M_n$ pour $n = 20$, $n = 100$ et $n = 500$ (ce sont les lois $\mathcal{B}(n\,;\,0{,}3)$ divisées par $n$). En violet : les valeurs telles que l'écart entre $M_n$ et $0{,}3$ est strictement inférieur à $0{,}1$.

  1. Décrire l'évolution des diagrammes quand $n$ augmente.
  2. Comparer les probabilités lues dans les titres aux minorants $1 - \dfrac{0{,}21}{n \times 0{,}1^2}$.
0,20,400,10,20,30,40,50,60,70,80,91p = 0,3n = 20 : P(écart entre Mₙ et 0,3 inférieur à 0,1) ≈ 0,5350,20,400,10,20,30,40,50,60,70,80,91p = 0,3n = 100 : P(écart entre Mₙ et 0,3 inférieur à 0,1) ≈ 0,9630,20,400,10,20,30,40,50,60,70,80,91p = 0,3n = 500 : P(écart entre Mₙ et 0,3 inférieur à 0,1) ≈ 1
Loi de la fréquence Mₙ de succès (p = 0,3) pour n = 20, 100 puis 500 : les bâtons se resserrent autour de 0,3 et la part violette (écart inférieur à 0,1) tend vers 1.
Résultat
  1. Les bâtons restent centrés sur $0{,}3$ (car $E(M_n) = 0{,}3$) mais se resserrent : l'écart type $\sigma(M_n) = \sqrt{0{,}21/n}$ vaut environ $0{,}102$, puis $0{,}046$, puis $0{,}020$. La part violette passe d'environ $0{,}53$ à $0{,}96$ puis à presque $1$.
  2. Les minorants valent $1 - \frac{21}{20} = -0{,}05$ (inutile !), $1 - \frac{21}{100} = 0{,}79$ et $1 - \frac{21}{500} = 0{,}958$. Ils sont bien inférieurs aux vraies probabilités $0{,}53$ ; $0{,}96$ ; $0{,}999$ : l'inégalité est juste, mais prudente.
Bilan

La moyenne d'un échantillon se concentre autour de l'espérance : sa variance est divisée par $n$. L'inégalité de concentration donne une garantie chiffrée, souvent pessimiste, qui suffit pour choisir une taille d'échantillon.

1. Rappels : loi, espérance, variance

Dans tout le chapitre, les variables aléatoires sont définies sur un univers fini $\Omega$. Une variable aléatoire $X$ prend les valeurs $x_1, \dots, x_r$ avec les probabilités $p_i = P(X = x_i)$, de somme $1$.

Définition · Espérance, variance, écart type

  • $E(X) = p_1 x_1 + p_2 x_2 + \dots + p_r x_r$ : c'est la valeur moyenne de $X$ sur un très grand nombre de répétitions. On la note souvent $\mu$.
  • $V(X) = p_1 (x_1 - \mu)^2 + \dots + p_r (x_r - \mu)^2$ : c'est la moyenne des carrés des écarts à l'espérance.
  • $\sigma(X) = \sqrt{V(X)}$ : l'écart type, exprimé dans la même unité que $X$.

Formule de König-Huygens, souvent plus rapide : $V(X) = E(X^2) - E(X)^2$.

Exemple · Nombre de pannes

Le nombre $X$ de pannes d'une machine en une semaine suit la loi suivante.

$x_i$$0$$1$$2$$3$
$P(X = x_i)$$0{,}1$$0{,}3$$0{,}4$$0{,}2$

$E(X) = 0 \times 0{,}1 + 1 \times 0{,}3 + 2 \times 0{,}4 + 3 \times 0{,}2 = 1{,}7$ ;
$E(X^2) = 0{,}3 + 4 \times 0{,}4 + 9 \times 0{,}2 = 3{,}7$, donc $V(X) = 3{,}7 - 1{,}7^2 = 0{,}81$ et $\sigma(X) = 0{,}9$.

μ − σ = 0,8μ + σ = 2,601230,10,30,40,2E(X) = 1,7pannes
Loi de X en bâtons : l'espérance 1,7 est le « centre de gravité » des bâtons ; l'écart type σ = 0,9 mesure leur dispersion autour de 1,7.

2. Transformation affine aX + b

Propriété · Espérance et variance de aX + b

Pour tous réels $a$ et $b$ :

$$E(aX + b) = aE(X) + b \qquad V(aX + b) = a^2\,V(X) \qquad \sigma(aX + b) = |a|\,\sigma(X).$$

Interprétation : ajouter $b$ décale toutes les valeurs (et la moyenne) sans changer la dispersion ; multiplier par $a$ multiplie tous les écarts par $|a|$, donc leurs carrés par $a^2$.

Exemple · Temps d'intervention

Avec la machine précédente, un technicien compte $2$ heures par panne plus $1$ heure de déplacement : son temps de travail hebdomadaire est $Y = 2X + 1$.

$E(Y) = 2 \times 1{,}7 + 1 = 4{,}4$ h ; $V(Y) = 2^2 \times 0{,}81 = 3{,}24$ ; $\sigma(Y) = 2 \times 0{,}9 = 1{,}8$ h.

0,82,6−10123456780,10,30,40,2E(X) = 1,7Loi de X2,66,2−10123456780,10,30,40,2E(Y) = 4,4Loi de Y = 2X + 1
Multiplier par 2 écarte les bâtons deux fois plus (l'écart type double, la variance est multipliée par 4) ; ajouter 1 décale tout le diagramme sans changer la dispersion.

Attention

Une constante ajoutée ne change pas la variance : $V(X + 5) = V(X)$. Et un coefficient négatif donne une variance positive : $V(-3X) = 9V(X)$, jamais $-3V(X)$.

3. Somme de deux variables aléatoires

Définition · Somme et produit par un réel

Soient $X$ et $Y$ deux variables aléatoires définies sur le même univers $\Omega$ et $a$ un réel.

  • $X + Y$ est la variable qui associe à chaque issue $\omega$ le nombre $X(\omega) + Y(\omega)$.
  • $aX$ est la variable qui associe à chaque issue $\omega$ le nombre $a \times X(\omega)$.

Exemple

  • On lance un dé rouge et un dé bleu ; $X$ et $Y$ sont les résultats affichés. $X + Y$ est la somme des deux dés.
  • Dans un immeuble tiré au hasard, $A$ est le nombre d'adultes et $J$ le nombre d'enfants : $A + J$ est le nombre total d'habitants de l'immeuble.
  • On peut additionner plus de deux variables : avec trois dés, $X + Y + Z$ est la somme des trois résultats.

Propriété · Linéarité de l'espérance

Pour toutes variables aléatoires $X$ et $Y$ sur $\Omega$ et tout réel $a$ :

$$E(X + Y) = E(X) + E(Y) \qquad\text{et}\qquad E(aX) = aE(X).$$

Plus généralement $E(aX + bY) = aE(X) + bE(Y)$, en particulier $E(X - Y) = E(X) - E(Y)$, et $E(X_1 + \dots + X_n) = E(X_1) + \dots + E(X_n)$.

Cette propriété est vraie sans aucune hypothèse d'indépendance. Démonstration : $E(X + Y) = \sum_{\omega} P(\{\omega\})\,\big(X(\omega) + Y(\omega)\big)$ se coupe en deux sommes, qui valent $E(X)$ et $E(Y)$.

Deux variables sont indépendantes lorsque, intuitivement, la valeur prise par l'une n'influence pas les probabilités de l'autre (par exemple, deux dés distincts, deux tirages avec remise). Formellement : $P(\{X = x\} \cap \{Y = y\}) = P(X = x) \times P(Y = y)$ pour toutes valeurs $x$ et $y$.

Propriété · Variance d'une somme de variables indépendantes

Si $X$ et $Y$ sont indépendantes :

$$V(X + Y) = V(X) + V(Y).$$

Plus généralement, si $X_1, \dots, X_n$ sont indépendantes, $V(X_1 + \dots + X_n) = V(X_1) + \dots + V(X_n)$. Par ailleurs, pour tout réel $a$, $V(aX) = a^2 V(X)$ et $\sigma(aX) = |a|\,\sigma(X)$.

Exemple · Deux dés à six faces

Pour un dé équilibré, $E(X) = 3{,}5$ et $V(X) = \frac{35}{12}$. Avec deux dés distincts (indépendants) : $E(X + Y) = 7$ et $V(X + Y) = \frac{35}{12} + \frac{35}{12} = \frac{35}{6} \approx 5{,}83$, donc $\sigma(X + Y) \approx 2{,}42$.

En revanche $V(2X) = 4 \times \frac{35}{12} = \frac{35}{3} \approx 11{,}67$ : « doubler un dé » est deux fois plus dispersé que « lancer deux dés » (voir l'activité 2).

Attention · Les écarts types ne s'additionnent pas

Même pour des variables indépendantes, $\sigma(X + Y) = \sqrt{V(X) + V(Y)}$, qui est en général strictement inférieur à $\sigma(X) + \sigma(Y)$. Et pour une différence : $V(X - Y) = V(X) + V(-Y) = V(X) + V(Y)$ ; les variances s'ajoutent aussi !

Méthode · Calculer l'espérance et la variance d'une somme

$X$ prend la valeur $0$ avec la probabilité $0{,}4$ et $5$ avec la probabilité $0{,}6$ ; $Y$ est indépendante de $X$ avec $E(Y) = 1{,}5$ et $V(Y) = 2{,}25$.

  1. Calculer ce qui manque : $E(X) = 5 \times 0{,}6 = 3$ ; $V(X) = 0{,}4 \times (0 - 3)^2 + 0{,}6 \times (5 - 3)^2 = 3{,}6 + 2{,}4 = 6$.
  2. Espérance (toujours) : $E(X + Y) = 3 + 1{,}5 = 4{,}5$ et $E(3Y) = 3 \times 1{,}5 = 4{,}5$.
  3. Variance (vérifier l'indépendance !) : $V(X + Y) = 6 + 2{,}25 = 8{,}25$ et $V(3Y) = 9 \times 2{,}25 = 20{,}25$.

Méthode · Modéliser par une somme

Une expérience se déroule en plusieurs étapes (plusieurs tirages, plusieurs jeux, plusieurs trajets…) : on définit une variable par étape, puis la variable étudiée est leur somme.

Exemple : on tire une boule dans une urne $A$ (boules marquées $10$, $10$, $-4$), puis une dans une urne $B$ (boules marquées $2$ ou $0$) et l'on additionne les nombres. Avec $X$ = nombre lu dans $A$ et $Y$ = nombre lu dans $B$, le total est $X + Y$, et $E(X + Y) = E(X) + E(Y)$ se calcule urne par urne.

4. Somme de variables de Bernoulli et loi binomiale

Propriété · Somme de Bernoulli indépendantes

Si $X_1, X_2, \dots, X_n$ sont indépendantes et suivent toutes la loi de Bernoulli de paramètre $p$, alors $X_1 + X_2 + \dots + X_n$ suit la loi binomiale $\mathcal{B}(n\,;\,p)$.

En effet, chaque $X_i$ vaut $1$ en cas de succès à la $i$-ème épreuve : la somme compte les succès d'une répétition de $n$ épreuves de Bernoulli identiques et indépendantes.

0X₁1X₂0X₃0X₄1X₅0X₆0X₇0X₈1X₉0X₁₀S = X₁ + X₂ + … + X₁₀ = 3 succèschaque Xᵢ suit la loi de Bernoulli de paramètre p ; S suit la loi binomiale B(10 ; p)
Une répétition de 10 épreuves de Bernoulli indépendantes : chaque case vaut 1 (succès) ou 0 (échec) ; la somme des cases est le nombre de succès.

Propriété · Décomposition d'une variable binomiale

Réciproquement, si $X$ suit $\mathcal{B}(n\,;\,p)$, on peut écrire $X = X_1 + \dots + X_n$ où les $X_i$ sont indépendantes de loi de Bernoulli de paramètre $p$ ($X_i$ vaut $1$ si la $i$-ème épreuve est un succès).

On en déduit : $$E(X) = np \qquad\text{et}\qquad V(X) = np(1 - p).$$

Démonstration. $E(X_i) = 1 \times p + 0 \times (1 - p) = p$ et $V(X_i) = E(X_i^2) - p^2 = p - p^2 = p(1-p)$ (car $X_i^2 = X_i$). Par linéarité, $E(X) = p + \dots + p = np$ ; par indépendance, $V(X) = p(1-p) + \dots + p(1-p) = np(1-p)$.

Exemple

Pour $1 \leq i \leq 16$, $X_i$ suit la loi de Bernoulli de paramètre $0{,}15$ et les $X_i$ sont indépendantes : $X_1 + \dots + X_{16}$ suit $\mathcal{B}(16\,;\,0{,}15)$, d'espérance $16 \times 0{,}15 = 2{,}4$ et de variance $16 \times 0{,}15 \times 0{,}85 = 2{,}04$.

Méthode · Reconnaître une loi binomiale dans une somme

$X_1, \dots, X_{250}$ sont indépendantes de loi de Bernoulli de paramètre $0{,}32$. Que dire de $S = X_1 + \dots + X_{250}$ ?

  1. Vérifier les deux conditions : variables indépendantes et de même loi de Bernoulli.
  2. Conclure : $S$ suit $\mathcal{B}(250\,;\,0{,}32)$.
  3. Appliquer les formules : $E(S) = 250 \times 0{,}32 = 80$ et $V(S) = 80 \times 0{,}68 = 54{,}4$.

5. Échantillon d'une loi, somme et moyenne

Définition · Échantillon

Un échantillon de taille $n$ d'une loi (ou d'une variable $X$) est une liste $(X_1\,;\,X_2\,;\,\dots\,;\,X_n)$ de variables aléatoires indépendantes qui suivent toutes cette même loi.

On lui associe la somme $S_n = X_1 + \dots + X_n$ et la moyenne $M_n = \dfrac{S_n}{n} = \dfrac{X_1 + \dots + X_n}{n}$.

Exemple

Une roue donne $1$ avec probabilité $\frac{1}{2}$, $2$ avec probabilité $\frac{1}{4}$ et $4$ avec probabilité $\frac{1}{4}$. Faire tourner la roue $6$ fois fournit un échantillon $(X_1\,;\,\dots\,;\,X_6)$ de cette loi : $X_i$ est le $i$-ème résultat.

loi de X : μ, VX₁X₂X₃…XₙSₙ = X₁ + … + XₙE = nμ ; V = nVMₙ = Sₙ / nE = μ ; V = V / n
Un échantillon de taille n : n variables indépendantes qui suivent toutes la loi de X. La somme a une variance n fois plus grande, la moyenne une variance n fois plus petite.

Propriété · Espérance et variance de la somme et de la moyenne

Si $(X_1\,;\,\dots\,;\,X_n)$ est un échantillon d'une loi d'espérance $\mu$ et de variance $V$ :

$$E(S_n) = n\mu \qquad V(S_n) = nV \qquad E(M_n) = \mu \qquad V(M_n) = \frac{V}{n} \qquad \sigma(M_n) = \frac{\sigma}{\sqrt{n}}.$$

Démonstration. La linéarité donne $E(S_n) = n\mu$, l'indépendance donne $V(S_n) = nV$. Puis $E(M_n) = \frac{1}{n}E(S_n) = \mu$ et $V(M_n) = \frac{1}{n^2}V(S_n) = \frac{V}{n}$.

Exemple · La roue, suite

$\mu = \frac{1}{2} + \frac{2}{4} + \frac{4}{4} = 2$ ; $E(X^2) = \frac{1}{2} + \frac{4}{4} + \frac{16}{4} = 5{,}5$ donc $V = 5{,}5 - 4 = 1{,}5$.
Pour $n = 6$ : $E(S_6) = 12$, $V(S_6) = 9$ ($\sigma = 3$) ; $E(M_6) = 2$, $V(M_6) = 0{,}25$ ($\sigma = 0{,}5$).

Méthode · Sommer des variables indépendantes de même loi

À un jeu de pince, une partie rapporte $20$ points (probabilité $0{,}1$), $5$ points ($0{,}3$) ou fait perdre $2$ points ($0{,}6$). On joue $5$ parties indépendantes ; $T$ est le total.

  1. Décomposer : $T = G_1 + \dots + G_5$ où $G_i$ est le gain de la $i$-ème partie ; les $G_i$ sont indépendantes et de même loi.
  2. Une seule loi à étudier : $E(G) = 2 + 1{,}5 - 1{,}2 = 2{,}3$.
  3. Conclure : $E(T) = 5 \times 2{,}3 = 11{,}5$ points.

Méthode · Prélèvement dans une grande population

On suppose que $38\,\%$ des habitants d'une grande ville utilisent chaque jour les transports en commun et l'on interroge $400$ habitants au hasard. $X_i$ vaut $1$ si la $i$-ème personne les utilise.

  1. La population étant très grande, le prélèvement est assimilé à un tirage avec remise : les $X_i$ sont indépendantes et suivent la même loi de Bernoulli de paramètre $0{,}38$. C'est un échantillon.
  2. $S = X_1 + \dots + X_{400}$ suit $\mathcal{B}(400\,;\,0{,}38)$ : $E(S) = 152$ et $V(S) = 400 \times 0{,}38 \times 0{,}62 = 94{,}24$.

6. Inégalité de Bienaymé-Tchebychev

Propriété · Inégalité de Bienaymé-Tchebychev

Soit $X$ une variable aléatoire d'espérance $\mu$ et de variance $V$. Pour tout réel $\delta \gt 0$ :

$$P\big(|X - \mu| \geq \delta\big) \leq \frac{V}{\delta^2}.$$

De façon équivalente (événement contraire) : $P\big(|X - \mu| \lt \delta\big) = P\big(X \in \,]\mu - \delta\,;\,\mu + \delta[\,\big) \geq 1 - \dfrac{V}{\delta^2}$.

μμ − δμ + δδδécart à μ inférieur à δ : probabilité ≥ 1 − V/δ²écart ≥ δécart ≥ δzones rouges réunies : probabilité ≤ V/δ²
L'inégalité majore la probabilité des deux zones rouges réunies (X loin de μ) et minore celle de la zone verte (X proche de μ).

Traduction des écarts : $|X - \mu| \geq \delta \iff X \leq \mu - \delta$ ou $X \geq \mu + \delta$, et $|X - \mu| \lt \delta \iff \mu - \delta \lt X \lt \mu + \delta$.

Exemple · Paquets de pâtes

La masse $M$ (en g) d'un paquet a pour espérance $500$ et pour variance $16$. Avec $\delta = 10$ : $P(|M - 500| \geq 10) \leq \frac{16}{100} = 0{,}16$.

Conclusion : la probabilité qu'un paquet pèse $490$ g ou moins, ou bien $510$ g ou plus, est au plus $0{,}16$.

Propriété · Écarts mesurés en écarts types

Avec $\sigma = \sigma(X)$ et $k$ un entier naturel non nul, en prenant $\delta = k\sigma$ :

$$P\big(|X - \mu| \geq k\sigma\big) \leq \frac{1}{k^2} \qquad\text{et}\qquad P\big(|X - \mu| \lt k\sigma\big) \geq 1 - \frac{1}{k^2}.$$

En effet $\frac{V}{(k\sigma)^2} = \frac{\sigma^2}{k^2\sigma^2} = \frac{1}{k^2}$. Ainsi, quelle que soit la loi, une variable s'écarte d'au moins $2$ écarts types de son espérance avec une probabilité au plus $\frac{1}{4}$, et d'au moins $3$ écarts types avec une probabilité au plus $\frac{1}{9} \approx 0{,}11$.

Exemple · Une majoration loin d'être optimale

$X$ suit $\mathcal{B}(30\,;\,0{,}4)$ : $\mu = 12$ et $\sigma = \sqrt{7{,}2} \approx 2{,}68$. L'inégalité donne $P(|X - 12| \geq 2\sigma) \leq 0{,}25$.

Or $|X - 12| \geq 2\sigma \approx 5{,}37$ équivaut ($X$ entier) à $X \leq 6$ ou $X \geq 18$, et la calculatrice donne $P(X \leq 6) + P(X \geq 18) \approx 0{,}038$. La majoration est vraie mais grossière : elle a l'avantage de marcher pour toutes les lois.

μ − 2σ ≈ 6,6μ + 2σ ≈ 17,4051015202530μ = 12k
Loi B(30 ; 0,4) : les bâtons rouges sont à au moins 2σ de μ. L'inégalité garantit que leur probabilité totale est au plus 1/4 ; en réalité elle vaut environ 0,038.

Méthode · Majorer ou minorer une probabilité

Le nombre $N$ de visiteurs quotidiens d'un musée a pour espérance $1\,200$ et pour variance $40\,000$.

  1. Majorer $P(|N - 1\,200| \geq 500)$ : $\delta = 500$, donc $P \leq \frac{40\,000}{500^2} = 0{,}16$. Interprétation : la probabilité d'avoir au plus $700$ ou au moins $1\,700$ visiteurs est au plus $0{,}16$.
  2. Minorer $P(800 \lt N \lt 1\,600)$ : on repère le centre $1\,200 = \mu$ et le rayon $\delta = 400$. Donc $P(800 \lt N \lt 1\,600) = P(|N - 1\,200| \lt 400) \geq 1 - \frac{40\,000}{400^2} = 0{,}75$.

Si l'intervalle n'est pas centré sur $\mu$, on se ramène au plus grand intervalle centré sur $\mu$ qu'il contient (ou au plus petit qui le contient).

Attention

Si $\delta \leq \sigma$, le majorant $\frac{V}{\delta^2}$ est supérieur ou égal à $1$ : l'inégalité est vraie mais n'apprend rien. Elle ne sert que pour des écarts plus grands que l'écart type.

7. Inégalité de concentration

Propriété · Inégalité de concentration

Soit $(X_1\,;\,\dots\,;\,X_n)$ un échantillon d'une loi d'espérance $\mu$ et de variance $V$, et $M_n = \dfrac{X_1 + \dots + X_n}{n}$. Pour tout réel $\delta \gt 0$ :

$$P\big(|M_n - \mu| \geq \delta\big) \leq \frac{V}{n\delta^2} \qquad\text{et}\qquad P\big(|M_n - \mu| \lt \delta\big) \geq 1 - \frac{V}{n\delta^2}.$$

Démonstration. On applique l'inégalité de Bienaymé-Tchebychev à la variable $M_n$, d'espérance $\mu$ et de variance $\frac{V}{n}$ : $P(|M_n - \mu| \geq \delta) \leq \frac{V/n}{\delta^2} = \frac{V}{n\delta^2}$.

Exemple · Dé à douze faces

On lance $200$ fois un dé équilibré à $12$ faces numérotées de $1$ à $12$ : $\mu = 6{,}5$ et $V = \frac{12^2 - 1}{12} = \frac{143}{12}$. Avec $\delta = 0{,}5$ :

$P(|M_{200} - 6{,}5| \geq 0{,}5) \leq \dfrac{143/12}{200 \times 0{,}25} = \dfrac{143}{600} \approx 0{,}24$.

La probabilité que la moyenne des $200$ résultats soit à $0{,}5$ ou plus de $6{,}5$ est au plus $0{,}24$.

Méthode · Utiliser l'inégalité de concentration

$(X_1\,;\,\dots\,;\,X_{50})$ est un échantillon de la loi $\mathcal{B}(12\,;\,0{,}25)$ et $M$ sa moyenne. Majorer $P(|M - 3| \geq 0{,}5)$.

  1. Identifier : $\mu = 12 \times 0{,}25 = 3$, $V = 3 \times 0{,}75 = 2{,}25$, $n = 50$, $\delta = 0{,}5$.
  2. Appliquer : $P(|M - 3| \geq 0{,}5) \leq \dfrac{2{,}25}{50 \times 0{,}25} = 0{,}18$.

Méthode · Trouver une taille d'échantillon

Une urne contient trois jetons marqués $2$, un jeton marqué $6$ et un jeton marqué $10$. On effectue $n$ tirages avec remise. Combien en faut-il pour que, avec une probabilité d'au moins $0{,}95$, la moyenne $M$ des résultats soit dans $]4\,;\,4{,}8[$ ?

  1. Loi d'un tirage : $\mu = \frac{3 \times 2 + 6 + 10}{5} = 4{,}4$ ; $E(X^2) = \frac{12 + 36 + 100}{5} = 29{,}6$ ; $V = 29{,}6 - 4{,}4^2 = 10{,}24$.
  2. L'intervalle $]4\,;\,4{,}8[$ est centré en $4{,}4$ de rayon $\delta = 0{,}4$ : on veut $P(|M - 4{,}4| \geq 0{,}4) \leq 0{,}05$.
  3. Par concentration, $P(|M - 4{,}4| \geq 0{,}4) \leq \frac{10{,}24}{n \times 0{,}16} = \frac{64}{n}$. Il suffit donc que $\frac{64}{n} \leq 0{,}05$, c'est-à-dire $n \geq 1\,280$.

Avec au moins $1\,280$ tirages, on est sûr « au risque de $5\,\%$ » que la moyenne est dans $]4\,;\,4{,}8[$. Le nombre $0{,}4$ s'appelle la précision.

Attention · Condition suffisante

L'inégalité de concentration donne une taille suffisante, pas forcément la plus petite possible : comme le majorant est grossier, une taille plus petite convient souvent en réalité.

8. Loi (faible) des grands nombres

Propriété · Loi faible des grands nombres

Soit $(X_1\,;\,\dots\,;\,X_n)$ un échantillon d'une loi d'espérance $\mu$ et $M_n$ sa moyenne. Pour tout réel $\delta \gt 0$ fixé :

$$\lim_{n \to +\infty} P\big(|M_n - \mu| \geq \delta\big) = 0.$$

Démonstration. D'après l'inégalité de concentration, $0 \leq P(|M_n - \mu| \geq \delta) \leq \frac{V}{n\delta^2}$, et $\frac{V}{n\delta^2} \to 0$ quand $n \to +\infty$. On conclut par le théorème des gendarmes.

Interprétation. Aussi petite que soit la marge $\delta$, la probabilité que la moyenne de l'échantillon tombe hors de $]\mu - \delta\,;\,\mu + \delta[$ devient aussi petite qu'on veut quand la taille augmente : la moyenne observée se rapproche de l'espérance. Pour un échantillon de Bernoulli, la fréquence observée se rapproche de la probabilité $p$ : c'est ce qui justifie l'estimation d'une probabilité par une fréquence.

Exemple

Avec le dé à $12$ faces et $\delta = 0{,}1$ : $P(|M_n - 6{,}5| \geq 0{,}1) \leq \frac{143/12}{0{,}01\,n} \approx \frac{1\,192}{n}$, qui tend vers $0$. Ainsi $P(6{,}4 \lt M_n \lt 6{,}6)$ tend vers $1$.

Méthode · Estimer une espérance avec une simulation

On simule un échantillon de taille $300$ d'une loi d'espérance $\mu$ inconnue et l'on trace les points $(k\,;\,M_k)$, où $M_k$ est la moyenne des $k$ premières valeurs.

02468050100150200250300stabilisation vers 4Mₖk
Nuage de points (k ; Mₖ) : après une phase agitée, les points se tassent autour de 4.

D'après la loi des grands nombres, $M_k$ se rapproche de $\mu$ quand $k$ grandit : on lit la valeur de stabilisation, ici $\mu \approx 4$. (La loi simulée valait $1$, $4$, $10$ avec probabilités $0{,}4$ ; $0{,}4$ ; $0{,}2$, d'espérance exactement $4$.)

9. Simuler avec Python

Les fonctions suivantes simulent une variable de Bernoulli, une variable binomiale, puis la moyenne d'un échantillon de taille $n$ du lancer d'un dé à six faces.

from random import random, randint

def bernoulli(p):
    return 1 if random() < p else 0

def binomiale(n, p):
    return sum([bernoulli(p) for i in range(n)])

def moyenne_de(n):
    # moyenne de n lancers d'un dé équilibré à 6 faces
    return sum([randint(1, 6) for i in range(n)]) / n

En exécutant moyenne_de(10), moyenne_de(1000) puis moyenne_de(100000), on observe des valeurs de plus en plus proches de $3{,}5$, comme l'annonce la loi des grands nombres.

Attention · Bien simuler une loi

randint(a, b) renvoie un entier entre $a$ et $b$ inclus ; random() renvoie un réel de $[0\,;\,1[$. Pour simuler une valeur de probabilité $p$, on teste random() < p. Une erreur de seuil (par exemple random() < 0.2 pour un dé à quatre faces) fausse la loi simulée : la moyenne d'un grand nombre de simulations se stabilise alors vers une autre valeur, ce qui permet de détecter l'erreur.

10. L'essentiel

Somme X + YE(X + Y) = E(X) + E(Y)E(aX + b) = aE(X) + bSi X et Y indépendantesV(X + Y) = V(X) + V(Y)V(aX + b) = a²V(X)Échantillon de taille nE(Sₙ) = nμ ; V(Sₙ) = nVE(Mₙ) = μ ; V(Mₙ) = V/nBienaymé-TchebychevP(écart de X à μ ≥ δ) ≤ V/δ²P(écart ≥ kσ) ≤ 1/k²ConcentrationP(écart de Mₙ à μ ≥ δ) ≤ V/(nδ²)sert à choisir la taille nLoi des grands nombresP(écart de Mₙ à μ ≥ δ) → 0Mₙ se rapproche de μ
Les grandes idées du chapitre et leur enchaînement.
SituationEspéranceVariance
$aX + b$$aE(X) + b$$a^2 V(X)$
$X + Y$$E(X) + E(Y)$ (toujours)$V(X) + V(Y)$ (si indépendantes)
$X \sim \mathcal{B}(n\,;\,p)$$np$$np(1 - p)$
Somme $S_n$ d'un échantillon$n\mu$$nV$
Moyenne $M_n$ d'un échantillon$\mu$$\frac{V}{n}$
  • Bienaymé-Tchebychev : $P(|X - \mu| \geq \delta) \leq \frac{V}{\delta^2}$ ; concentration : $P(|M_n - \mu| \geq \delta) \leq \frac{V}{n\delta^2}$.
  • Loi des grands nombres : $P(|M_n - \mu| \geq \delta) \to 0$ quand $n \to +\infty$.

⚠️ Une erreur dans ce cours ? Signalez-la

S'entraîner

Exercices corrigés

🎓 55 exercices corrigés et un quiz vous attendent dans ce chapitre.

Créez votre compte gratuit pour voir les corrections, faire les quiz et suivre votre progression.

7

Moyenne d'un échantillon

★★☆

Une loi a pour espérance $50$ et écart type $10$. Pour un échantillon de taille $100$, donner l'espérance et l'écart type de la moyenne.

🔒 Correction réservée aux membres Créer un compte gratuit →
9

Minorer une probabilité

★★☆

$X$ est une variable aléatoire telle que $E(X) = 20$ et $V(X) = 4$. À l'aide de l'inégalité de Bienaymé-Tchebychev appliquée à $P(|X - 20| \geq 5)$, minorer $P(15 \lt X \lt 25)$.

🔒 Correction réservée aux membres Créer un compte gratuit →
10

Inégalité grossière

★★★

$X \sim \mathcal{B}(100\,;\,0{,}5)$. Majorer $P(|X - 50| \geq 10)$ par Bienaymé-Tchebychev, et comparer à la valeur donnée par la calculatrice (environ $0{,}057$).

🔒 Correction réservée aux membres Créer un compte gratuit →
12

Taille d'un sondage

★★★

On estime une proportion $p$ par la fréquence $M_n$ d'un échantillon ($\sigma^2 = p(1 - p) \leq 0{,}25$). Quelle taille $n$ garantit $P(|M_n - p| \geq 0{,}05) \leq 0{,}05$ ?

🔒 Correction réservée aux membres Créer un compte gratuit →
14

Fréquence et probabilité

★☆☆

On lance $10\,000$ fois un dé et l'on obtient $1\,689$ fois « 6 ». Quel résultat justifie que $0{,}1689$ est proche de $\dfrac{1}{6}$ ?

🔒 Correction réservée aux membres Créer un compte gratuit →
15

Simulation en Python

★★☆

Que calcule cette fonction ? Que constate-t-on quand $n$ devient grand ?

from random import randint
def moyenne(n):
    s = 0
    for k in range(n):
        s = s + randint(1, 6)
    return s / n
🔒 Correction réservée aux membres Créer un compte gratuit →
17

Durée totale de trois tâches

★★☆

Trois tâches indépendantes durent en moyenne $10$, $15$ et $20$ min, avec des écarts types $2$, $3$ et $6$ min. Espérance et écart type de la durée totale ?

🔒 Correction réservée aux membres Créer un compte gratuit →
18

Portefeuille d'assurance

★★★

Un contrat rapporte en moyenne $15$ € à l'assureur, avec un écart type de $200$ €. Pour $1\,000$ contrats indépendants, espérance et écart type du gain total ?

🔒 Correction réservée aux membres Créer un compte gratuit →
21

Premiers calculs d'espérance

★☆☆

$X$ et $Y$ sont deux variables aléatoires sur un même univers fini telles que $E(X) = 4$ et $E(Y) = -3$. Calculer :

  1. $E(X + Y)$ ;
  2. $E(5X)$ ;
  3. $E(X - Y)$ ;
  4. $E(2X - 3Y + 1)$.
🔒 Correction réservée aux membres Créer un compte gratuit →
22

Additionner des variances

★☆☆

$X$ et $Y$ sont indépendantes, avec $V(X) = 6$ et $V(Y) = 1{,}5$.

  1. Calculer $V(X + Y)$ et $\sigma(X + Y)$.
  2. Calculer $V(4X)$.
  3. Calculer $V(X - Y)$.
  4. Calculer $V(2X + 3Y)$.
  5. Comparer $\sigma(X + Y)$ et $\sigma(X) + \sigma(Y)$.
🔒 Correction réservée aux membres Créer un compte gratuit →
23

Deux lois données par des tableaux

★☆☆

$X$ et $Y$ sont deux variables aléatoires indépendantes dont les lois sont données ci-dessous.

$x_i$$-1$$0$$3$
$P(X = x_i)$$0{,}2$$0{,}5$$0{,}3$
$y_j$$2$$5$
$P(Y = y_j)$$0{,}4$$0{,}6$
−2−101234560,20,50,3Loi de X−2−101234560,40,6Loi de Y
Les lois de X et de Y en bâtons.
  1. Calculer $E(X)$, $V(X)$, $E(Y)$ et $V(Y)$.
  2. En déduire $E(X + Y)$, $V(X + Y)$ et $\sigma(X + Y)$ à $0{,}01$ près.
🔒 Correction réservée aux membres Créer un compte gratuit →
24

Deux urnes, une somme

★☆☆

On tire au hasard une boule dans l'urne A puis une boule dans l'urne B et l'on additionne les deux nombres obtenus.

44−2urne A11166urne B+
On tire une boule dans chaque urne et l'on additionne les deux nombres.
  1. Définir deux variables aléatoires $X$ et $Y$ dont la somme modélise le résultat.
  2. Calculer $E(X)$ et $E(Y)$, puis $E(X + Y)$.
  3. Déterminer la loi de $X + Y$ et vérifier le résultat précédent.
🔒 Correction réservée aux membres Créer un compte gratuit →
25

Binomiale et Bernoulli : aller-retour

★☆☆
  1. $X_1, \dots, X_{20}$ sont indépendantes et suivent la loi de Bernoulli de paramètre $0{,}35$. Quelle est la loi de $X_1 + \dots + X_{20}$ ? Son espérance ?
  2. Une variable suit $\mathcal{B}(400\,;\,0{,}05)$. En quelle somme de variables de Bernoulli peut-on la décomposer ?
  3. $Y$ suit une loi binomiale d'espérance $45$ ; elle se décompose en une somme de $n$ variables de Bernoulli indépendantes de paramètre $\frac{3}{5}$. Déterminer $n$, puis $V(Y)$.
🔒 Correction réservée aux membres Créer un compte gratuit →
26

Traduire des écarts en intervalles

★☆☆
  1. Écrire à l'aide d'intervalles : a) $|X - 7| \lt 3$ ; b) $|X - 2| \geq 4$.
  2. Écrire à l'aide d'une valeur absolue : c) $Y \in [18\,;\,30]$ ; d) $Y \in \,]-\infty\,;\,-1[\, \cup \,]9\,;\,+\infty[$.
🔒 Correction réservée aux membres Créer un compte gratuit →
27

Événements contraires et écarts

★☆☆
  1. On sait que $P(|A - 5| \geq 2) = 0{,}18$. Calculer $P(3 \lt A \lt 7)$.
  2. On sait que $P(10 \lt B \lt 16) = 0{,}9$. Calculer $P(|B - 13| \geq 3)$.
  3. On sait que $P(Z \in [2\,;\,5[) = 0{,}3$ et $P(Z \in [5\,;\,8]) = 0{,}45$. Calculer $P(|Z - 5| \leq 3)$ puis $P(|Z - 5| \gt 3)$.
🔒 Correction réservée aux membres Créer un compte gratuit →
28

Lire une simulation

★☆☆

On a simulé $400$ valeurs d'une variable aléatoire $X$ d'espérance $\mu$ inconnue, et tracé la moyenne $M_k$ des $k$ premières valeurs en fonction de $k$.

01020304050050100150200250300350400Mₖk
Évolution de la moyenne Mₖ des k premières valeurs simulées.

Estimer $\mu$ en justifiant.

🔒 Correction réservée aux membres Créer un compte gratuit →
29

Changer les montants d'une roue

★★☆

Une roue équilibrée comporte quatre secteurs égaux. On note $X$ le gain algébrique (en euros) obtenu en la faisant tourner une fois.

12 €2 €−3 €−5 €
Roue à quatre secteurs égaux : on gagne ou on perd le montant indiqué.
  1. Calculer $E(X)$, $V(X)$ et $\sigma(X)$ ; interpréter $E(X)$.
  2. On triple tous les montants ($12$ devient $36$, $-5$ devient $-15$…) ; $Z$ est le nouveau gain. Exprimer $Z$ en fonction de $X$, puis donner $E(Z)$ et $\sigma(Z)$.
  3. On ajoute plutôt $2$ € à chaque montant ; $Y$ est le nouveau gain. Exprimer $Y$ en fonction de $X$, puis donner $E(Y)$ et $\sigma(Y)$.
🔒 Correction réservée aux membres Créer un compte gratuit →
30

Trajet en deux étapes

★★☆

Pour aller au lycée, Inès roule à vélo jusqu'à la gare puis prend le train.

domicilevélo : T₁garetrain : T₂lycée6, 9 ou 12 min15, 20 ou 25 min
Le trajet total dure T = T₁ + T₂.

La durée $T_1$ (en minutes) du trajet à vélo vaut $6$, $9$ ou $12$ avec les probabilités $\frac{1}{2}$, $\frac{1}{3}$ et $\frac{1}{6}$. Indépendamment, la durée $T_2$ du trajet en train (attente comprise) vaut $15$, $20$ ou $25$ avec les probabilités $0{,}25$ ; $0{,}5$ et $0{,}25$.

  1. Que représente $T = T_1 + T_2$ ?
  2. Calculer $E(T_1)$ et $E(T_2)$, puis $E(T)$. Interpréter.
  3. Calculer $V(T_1)$, $V(T_2)$, puis $\sigma(T)$.
🔒 Correction réservée aux membres Créer un compte gratuit →
31

Lancers francs du matin et du soir

★★☆

Nora s'entraîne aux lancers francs : $40$ tirs le matin, réussis chacun avec la probabilité $0{,}55$, puis $60$ tirs le soir, réussis chacun avec la probabilité $0{,}7$. Tous les tirs sont indépendants. $X$ (resp. $Y$) est le nombre de tirs réussis le matin (resp. le soir).

  1. Donner la loi de $X$ et celle de $Y$.
  2. Que représente $X + Y$ ? Suit-elle une loi binomiale ?
  3. Calculer $E(X + Y)$ et $\sigma(X + Y)$ ; interpréter l'espérance.
🔒 Correction réservée aux membres Créer un compte gratuit →
32

Compter les 4 sur des dés tétraédriques

★★☆

On lance $24$ dés tétraédriques équilibrés (faces $1$ à $4$). $Z$ est le nombre de dés qui affichent $4$.

  1. Écrire $Z$ comme une somme de $24$ variables aléatoires indépendantes de même loi, que l'on précisera.
  2. En déduire la loi de $Z$, puis $E(Z)$ et $V(Z)$. Interpréter $E(Z)$.
🔒 Correction réservée aux membres Créer un compte gratuit →
33

Somme de douze binomiales

★★☆

Pour $1 \leq i \leq 12$, $X_i$ suit la loi $\mathcal{B}(15\,;\,0{,}2)$ et les $X_i$ sont indépendantes. On pose $S = X_1 + \dots + X_{12}$.

  1. Calculer $E(S)$, $V(S)$ et $\sigma(S)$.
  2. Expliquer pourquoi $S$ suit une loi binomiale dont on précisera les paramètres. Vérifier la cohérence avec la question 1.
🔒 Correction réservée aux membres Créer un compte gratuit →
34

Roue à cinq secteurs, trois tours

★★☆

On fait tourner trois fois de suite une roue à cinq secteurs égaux ; à chaque tour on gagne ou on perd le nombre de points indiqué. $Z$ est le total de points après les trois tours.

20020050−150−150
Roue à cinq secteurs égaux (points gagnés ou perdus).
  1. Décomposer $Z$ en une somme de variables aléatoires indépendantes de même loi.
  2. Calculer $E(Z)$ et interpréter.
  3. Calculer $V(Z)$ puis $\sigma(Z)$.
🔒 Correction réservée aux membres Créer un compte gratuit →
35

Cafés de la semaine

★★☆

Chaque jour, Hugo boit $1$, $2$ ou $3$ cafés avec les probabilités respectives $0{,}3$ ; $0{,}5$ et $0{,}2$, indépendamment des autres jours. $S$ est le nombre de cafés bus en une semaine ($7$ jours).

  1. Décomposer $S$ en une somme de variables aléatoires indépendantes de même loi.
  2. Calculer $E(S)$ et $\sigma(S)$.
🔒 Correction réservée aux membres Créer un compte gratuit →
36

Somme et moyenne en fonction de n

★★☆

$X$ a pour espérance $7{,}2$ et pour écart type $0{,}6$. $(X_1\,;\,\dots\,;\,X_n)$ est un échantillon de la loi de $X$, de somme $S_n$ et de moyenne $M_n$.

  1. Exprimer $E(S_n)$, $\sigma(S_n)$, $E(M_n)$ et $\sigma(M_n)$ en fonction de $n$.
  2. Calculer ces quatre valeurs pour $n = 50$. Que remarque-t-on ?
🔒 Correction réservée aux membres Créer un compte gratuit →
37

Choisir n pour un écart type donné

★★☆

Une variable $X$ a pour espérance $1\,450$ et pour écart type $24$. $M_n$ est la moyenne d'un échantillon de taille $n$ de la loi de $X$.

  1. Comment choisir $n$ pour que $\sigma(M_n) \leq 2$ ?
  2. Et pour que $V(M_n) \leq 1$ ?
🔒 Correction réservée aux membres Créer un compte gratuit →
38

Taille des sapins d'une pépinière

★★☆

La hauteur $H$ (en cm) d'un sapin prêt à la vente a pour espérance $180$ et pour variance $64$.

  1. Majorer $P(|H - 180| \geq 20)$ et interpréter.
  2. Minorer la probabilité qu'un sapin mesure strictement entre $165$ et $195$ cm.
🔒 Correction réservée aux membres Créer un compte gratuit →
39

Électricité d'un foyer

★★☆

La consommation électrique quotidienne $C$ (en kWh) d'un foyer a pour espérance $12$ et pour écart type $2$.

  1. Minorer la probabilité que la consommation soit à moins de trois écarts types de sa moyenne. Traduire par un intervalle.
  2. Majorer la probabilité que $C \leq 4$ ou $C \geq 20$.
  3. On sait de plus que $P(C \leq 4) = 0{,}01$. Majorer $P(C \geq 20)$.
🔒 Correction réservée aux membres Créer un compte gratuit →
40

Une majoration sans intérêt

★★☆

La distance $D$ (en km) parcourue par Yanis lors d'une sortie à vélo a pour espérance $40$ et pour écart type $6$.

  1. Que donne l'inégalité de Bienaymé-Tchebychev pour $P(|D - 40| \geq 5)$ ? Est-ce utile ?
  2. Majorer la probabilité qu'il parcoure au plus $25$ km ou au moins $55$ km.
  3. Yanis parie qu'il roulera strictement entre $28$ et $52$ km. Prend-il un grand risque ?
🔒 Correction réservée aux membres Créer un compte gratuit →
41

Deux stands à la fête

★★☆

À la fête du village, deux stands distribuent des jetons. Au premier, le nombre de jetons gagnés $G_1$ a pour espérance $0{,}4$ et pour variance $0{,}3$ ; au second, $G_2$ a pour espérance $0{,}35$ et pour variance $0{,}5$. Les deux jeux sont indépendants et $G = G_1 + G_2$.

  1. Calculer $E(G)$ et $V(G)$.
  2. Majorer $P(|G - 0{,}75| \geq 2)$.
  3. Sachant que les gains sont positifs, en déduire un majorant de $P(G \geq 2{,}75)$.
🔒 Correction réservée aux membres Créer un compte gratuit →
42

Deux tours de piste

★★☆

Lors d'un test, Camille court deux tours de piste. Les durées $T_1$ et $T_2$ (en secondes) de chaque tour sont indépendantes, d'espérance $95$ et d'écart type $4$. L'objectif est un temps total $T = T_1 + T_2$ strictement compris entre $180$ et $200$ secondes.

  1. Calculer $E(T)$ et $V(T)$.
  2. Minorer la probabilité que Camille atteigne l'objectif.
🔒 Correction réservée aux membres Créer un compte gratuit →
43

Mesurer une table au laser

★★☆

On mesure la longueur d'une table avec un télémètre laser. Une mesure $X$ (en cm) a pour espérance $240$ et pour variance $0{,}09$. Trente élèves font chacun une mesure, de façon indépendante ; $M$ est la moyenne des $30$ mesures.

  1. Majorer la probabilité que $M$ s'écarte de $240$ de $0{,}2$ cm ou plus.
  2. Minorer $P(|M - 240| \lt 0{,}25)$.
🔒 Correction réservée aux membres Créer un compte gratuit →
44

Buts par match en championnat

★★☆

Le nombre $B$ de buts marqués par une équipe en un match suit la loi suivante.

01230,30,40,20,1E(B) = 1,1buts
Loi du nombre de buts marqués par l'équipe en un match.
$b_i$$0$$1$$2$$3$
$P(B = b_i)$$0{,}3$$0{,}4$$0{,}2$$0{,}1$
  1. Calculer $E(B)$ et $V(B)$.
  2. Sur une saison de $38$ matchs (supposés indépendants), $M$ est le nombre moyen de buts par match. Majorer $P(|M - 1{,}1| \geq 0{,}4)$ et interpréter.
🔒 Correction réservée aux membres Créer un compte gratuit →
45

Combien de jours de distribution ?

★★☆

Léna distribue des journaux gratuits. Le nombre $X_i$ de journaux distribués le $i$-ème jour a pour espérance $180$ et pour variance $144$ ; les jours sont indépendants. Au bout de combien de jours peut-elle être sûre, au risque de $5\,\%$, d'avoir distribué en moyenne strictement entre $175$ et $185$ journaux par jour ?

🔒 Correction réservée aux membres Créer un compte gratuit →
46

Quelle loi a été simulée ?

★★☆

Un échantillon de taille $500$ d'une loi inconnue a été simulé ; voici l'évolution de la moyenne $M_k$ des $k$ premières valeurs.

468101214160100200300400500Mₖk
Nuage de points (k ; Mₖ) obtenu par simulation.

Laquelle des deux lois suivantes a été simulée ?

$a_i$$4$$10$$20$
$P(A = a_i)$$0{,}5$$0{,}3$$0{,}2$
$b_i$$6$$10$$15$
$P(B = b_i)$$0{,}2$$0{,}5$$0{,}3$
🔒 Correction réservée aux membres Créer un compte gratuit →
47

Quatre billets de tombola

★★☆

Un billet de tombola coûte $1$ €. Parmi un très grand nombre de billets, $0{,}1\,\%$ font gagner $100$ €, $1\,\%$ font gagner $20$ €, $3\,\%$ font gagner $5$ € et les autres rien. $X$ est le gain algébrique (mise déduite) d'un billet.

  1. Donner la loi de $X$, puis $E(X)$ et $\sigma(X)$.
  2. Manon achète $4$ billets ; le nombre de billets étant très grand, on assimile l'achat à un tirage avec remise. $S$ est son gain algébrique total. Calculer $E(S)$ et $\sigma(S)$.
🔒 Correction réservée aux membres Créer un compte gratuit →
48

Inégalité face au calcul exact

★★★

On sème $50$ graines ; chacune germe avec la probabilité $0{,}8$, indépendamment des autres. $X$ est le nombre de graines qui germent.

  1. Donner la loi de $X$, son espérance et sa variance.
  2. À l'aide de l'inégalité de Bienaymé-Tchebychev, minorer la probabilité que le nombre de graines germées soit compris strictement entre $34$ et $46$.
  3. Calculer cette probabilité avec la calculatrice et commenter.
🔒 Correction réservée aux membres Créer un compte gratuit →
49

Intervalle non centré

★★★

$X$ a pour espérance $10$ et pour variance $1{,}5$.

  1. Pourquoi ne peut-on pas appliquer directement l'inégalité de Bienaymé-Tchebychev à $P(7 \lt X \lt 14)$ ?
  2. Montrer que $P(7 \lt X \lt 14) \geq P(|X - 10| \lt 3)$ et en déduire un minorant.
  3. Majorer $P(X \leq 6 \text{ ou } X \geq 15)$.
🔒 Correction réservée aux membres Créer un compte gratuit →
50

Pièce truquée : combien de lancers ?

★★★

Une pièce truquée tombe sur PILE avec la probabilité $0{,}65$. On la lance $n$ fois ; $X_i$ vaut $1$ si le $i$-ème lancer donne PILE, $0$ sinon, et $M_n$ est la moyenne des $X_i$.

  1. Donner la loi des $X_i$, leur espérance et leur variance.
  2. Quel est le plus grand intervalle de la forme $]0{,}65 - \delta\,;\,0{,}65 + \delta[$ tel que « $M_n$ appartient à cet intervalle » implique « il y a eu plus de PILE que de FACE » ?
  3. À l'aide de l'inégalité de concentration, déterminer un nombre $n_0$ de lancers à partir duquel on est sûr, au risque de $5\,\%$, d'obtenir plus de PILE que de FACE.
  4. Avec la loi binomiale, calculer la probabilité d'obtenir plus de PILE que de FACE en $n_0$ lancers. Commenter.
🔒 Correction réservée aux membres Créer un compte gratuit →
51

Une pièce mal simulée

★★★

Un élève veut simuler une pièce équilibrée (PILE = $1$, FACE = $0$).

from random import randint

def piece():
    if randint(0, 2) == 0:
        return 1
    return 0

def moyenne(n):
    return sum([piece() for i in range(n)]) / n

L'appel moyenne(5000) renvoie $0{,}3352$.

  1. Si la pièce était bien simulée, que vaudraient l'espérance $\mu$ et la variance $V$ d'un appel piece() ?
  2. Dans ce cas, majorer la probabilité que la moyenne de $5\,000$ appels s'écarte de $0{,}5$ d'au moins $0{,}05$.
  3. Que penser du résultat $0{,}3352$ ? Trouver l'erreur et la loi réellement simulée.
🔒 Correction réservée aux membres Créer un compte gratuit →
52

Bagages en soute

★★★

Dans un avion de $400$ passagers, la masse $B_i$ (en kg) du bagage du passager $i$ a pour espérance $18$ et pour écart type $3$ ; les masses sont indépendantes. $S$ est la masse totale des bagages et $M$ la masse moyenne.

  1. Exprimer $M$ en fonction de $S$ et calculer $E(S)$.
  2. Minorer $P(17{,}5 \lt M \lt 18{,}5)$.
  3. Si la masse totale est au plus $6{,}8$ tonnes, la compagnie ajoute du fret ; si elle atteint $7{,}6$ tonnes ou plus, une partie des bagages part par un autre vol. Majorer la probabilité que l'une de ces deux situations se produise.
🔒 Correction réservée aux membres Créer un compte gratuit →
53

Démontrer les formules pour aX + b

★★★

$X$ prend les valeurs $x_1, \dots, x_r$ avec les probabilités $p_1, \dots, p_r$. Soient $a$ et $b$ deux réels et $Z = aX + b$.

  1. Donner la loi de $Z$ (on suppose $a \neq 0$).
  2. Démontrer que $E(Z) = aE(X) + b$.
  3. Démontrer que $V(Z) = a^2 V(X)$.
🔒 Correction réservée aux membres Créer un compte gratuit →
54

Produit de deux dés tétraédriques

★★★

On lance deux dés tétraédriques équilibrés (faces $1$ à $4$) ; $X$ et $Y$ sont leurs résultats, indépendants. On s'intéresse au produit $XY$.

X = 1X = 2X = 3X = 4Y = 1Y = 2Y = 3Y = 4X × Y1234246836912481216
Les 16 issues équiprobables et le produit X × Y dans chaque case.
  1. Donner la loi de $XY$.
  2. Calculer $E(XY)$.
  3. Comparer avec $E(X) \times E(Y)$.
🔒 Correction réservée aux membres Créer un compte gratuit →
55

Chiffres d'un nombre tiré entre 1 et 20

★★★

On tire au hasard un entier entre $1$ et $20$. $U$ est son chiffre des unités et $D$ son chiffre des dizaines (par exemple, pour $7$ : $U = 7$ et $D = 0$ ; pour $20$ : $U = 0$ et $D = 2$).

  1. Calculer $P(D = 2)$, $P(U = 0)$ et $P(\{D = 2\} \cap \{U = 0\})$. $U$ et $D$ sont-elles indépendantes ?
  2. Donner les lois de $U$ et $D$, puis $V(U)$ et $V(D)$.
  3. On admet que $V(U + D) = 7{,}69$. Comparer à $V(U) + V(D)$. Et l'espérance ?
🔒 Correction réservée aux membres Créer un compte gratuit →

Vérifier

Avez-vous bien compris ?

Répondez au quiz : la correction s'affiche immédiatement.