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
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 ?
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 $Y$ : $E(D) = 6 \times \frac{2}{6} + 12 \times \frac{1}{6} = 4 = 2E(Y)$.
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 ?
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.
- Calculer $E(X)$ et $V(X)$ (c'est pareil pour $Y$).
- À l'aide du tableau à double entrée, donner la loi de $X + Y$ puis calculer $E(X+Y)$ et $V(X+Y)$.
- Comparer avec la variable $2X$ (on lance un seul dé et on double son résultat). Conclure.
- $E(X) = \frac{1 + 2 + 3 + 4}{4} = 2{,}5$ ; $E(X^2) = \frac{1 + 4 + 9 + 16}{4} = 7{,}5$ donc $V(X) = 7{,}5 - 2{,}5^2 = 1{,}25$.
- Le tableau compte les cases : la somme $s$ apparaît $1, 2, 3, 4, 3, 2, 1$ fois pour $s = 2, 3, \dots, 8$.
Par symétrie $E(X+Y) = 5$, et $V(X+Y) = \frac{1 \times 9 + 2 \times 4 + 3 \times 1 + 4 \times 0 + 3 \times 1 + 2 \times 4 + 1 \times 9}{16} = \frac{40}{16} = 2{,}5$.$s$ $2$ $3$ $4$ $5$ $6$ $7$ $8$ $P(X+Y = s)$ $\frac{1}{16}$ $\frac{2}{16}$ $\frac{3}{16}$ $\frac{4}{16}$ $\frac{3}{16}$ $\frac{2}{16}$ $\frac{1}{16}$
On retrouve $E(X+Y) = 2{,}5 + 2{,}5$ et $V(X+Y) = 1{,}25 + 1{,}25$. - $2X$ vaut $2, 4, 6, 8$ avec probabilité $\frac{1}{4}$ chacune : $E(2X) = 5$ mais $V(2X) = \frac{9 + 1 + 1 + 9}{4} = 5 = 2^2 \times V(X)$.
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
Un ordinateur avec Python (console ou bloc-notes).
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
- Expliquer pourquoi
bernoulli(p)simule une variable de Bernoulli de paramètre $p$. - Lancer plusieurs fois
binomiale(40, 0.3). Autour de quelle valeur tombent les résultats ? - Expliquer pourquoi la valeur renvoyée par
binomiale(n, p)suit la loi $\mathcal{B}(n\,;\,p)$.
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 $1 - p$.- On obtient par exemple $11$, $14$, $12$, $9$, $13$… La moyenne de nombreux appels est proche de $12 = 40 \times 0{,}3$.
- 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 $\mathcal{B}(n\,;\,p)$.
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
Un ticket à gratter rapporte un gain $X$ (en euros) dont voici la loi.
| $x_i$ | $0$ | $2$ | $5$ | $20$ | $100$ | $1000$ |
|---|---|---|---|---|---|---|
| $P(X = x_i)$ | $0{,}70$ | $0{,}18$ | $0{,}08$ | $0{,}035$ | $0{,}0045$ | $0{,}0005$ |
- Calculer $E(X)$. On admet que $V(X) \approx 556$.
- Calculer $P(|X - E(X)| \geq \delta)$ pour $\delta = 10$, $\delta = 50$ et $\delta = 500$.
- Calculer à chaque fois le quotient $\dfrac{V(X)}{\delta^2}$ et le comparer à la probabilité précédente.
- $E(X) = 2 \times 0{,}18 + 5 \times 0{,}08 + 20 \times 0{,}035 + 100 \times 0{,}0045 + 1000 \times 0{,}0005 = 0{,}36 + 0{,}4 + 0{,}7 + 0{,}45 + 0{,}5 = 2{,}41$.
- $|X - 2{,}41| \geq 10$ 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 $0{,}0005$. - $\frac{556}{10^2} = 5{,}56$ ; $\frac{556}{50^2} \approx 0{,}222$ ; $\frac{556}{500^2} \approx 0{,}0022$. 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.
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
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 $M_n = \dfrac{X_1 + \dots + X_n}{n}$.
- Donner $E(X_i)$ et $V(X_i)$, puis $E(M_n)$ et $V(M_n)$.
- Que représente concrètement $M_n$ ? Observer la figure.
- 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 $0{,}001$ ?
- Que vaut $\lim\limits_{n \to +\infty} P(|M_n - 0{,}3| \geq 0{,}1)$ ?
- $X_i$ 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, $V(M_n) = \frac{n \times 0{,}21}{n^2} = \frac{0{,}21}{n}$.
- $M_n$ est la fréquence de rouge sur les $n$ lancers. Sur la figure, les trois séries finissent toutes dans la bande verte autour de $0{,}3$.
- $P(|M_n - 0{,}3| \geq 0{,}1) \leq \frac{0{,}21}{n \times 0{,}01} = \frac{21}{n}$. On a $\frac{21}{n} \leq 0{,}01 \iff n \geq 2\,100$ et $\frac{21}{n} \leq 0{,}001 \iff n \geq 21\,000$.
- $0 \leq P(|M_n - 0{,}3| \geq 0{,}1) \leq \frac{21}{n}$ 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 $\frac{0{,}21}{n\delta^2}$.
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
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 $0{,}1$.
- Décrire l'évolution des diagrammes quand $n$ augmente.
- Comparer les probabilités lues dans les titres aux minorants $1 - \dfrac{0{,}21}{n \times 0{,}1^2}$.
- 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 $1$.
- 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.
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 $\sigma(X) = 0{,}9$.
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.
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 $V(Y) = 2{,}25$.
- Calculer ce qui manque : $E(X) = 5 \times 0{,}6 = 3$ ; $V(X) = 0{,}4 \times (0 - 3)^2 + 0{,}6 \times (5 - 3)^2 = 3{,}6 + 2{,}4 = 6$.
- Espérance (toujours) : $E(X + Y) = 3 + 1{,}5 = 4{,}5$ et $E(3Y) = 3 \times 1{,}5 = 4{,}5$.
- 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.
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 $S = X_1 + \dots + X_{250}$ ?
- Vérifier les deux conditions : variables indépendantes et de même loi de Bernoulli.
- Conclure : $S$ suit $\mathcal{B}(250\,;\,0{,}32)$.
- 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.
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.
- 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.
- Une seule loi à étudier : $E(G) = 2 + 1{,}5 - 1{,}2 = 2{,}3$.
- 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.
- 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.
- $S = X_1 + \dots + X_{400}$ 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) : $P\big(|X - \mu| \lt \delta\big) = P\big(X \in \,]\mu - \delta\,;\,\mu + \delta[\,\big) \geq 1 - \dfrac{V}{\delta^2}$.
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.
Méthode · Majorer ou minorer une probabilité
Le nombre $N$ de visiteurs quotidiens d'un musée a pour espérance $1\,200$ et pour variance $40\,000$.
- 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 $0{,}16$.
- 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 $P(|M - 3| \geq 0{,}5)$.
- Identifier : $\mu = 12 \times 0{,}25 = 3$, $V = 3 \times 0{,}75 = 2{,}25$, $n = 50$, $\delta = 0{,}5$.
- 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 $]4\,;\,4{,}8[$ ?
- Loi d'un tirage : $\mu = \frac{3 \times 2 + 6 + 10}{5} = 4{,}4$ ; $E(X^2) = \frac{12 + 36 + 100}{5} = 29{,}6$ ; $V = 29{,}6 - 4{,}4^2 = 10{,}24$.
- L'intervalle $]4\,;\,4{,}8[$ est centré en $4{,}4$ de rayon $\delta = 0{,}4$ : on veut $P(|M - 4{,}4| \geq 0{,}4) \leq 0{,}05$.
- 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.
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
| Situation | Espérance | Variance |
|---|---|---|
| $aX + b$ | $aE(X) + b$ | $a^2 V(X)$ |
| $X + Y$ | $E(X) + E(Y)$ (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.
Espérance d'une transformée
★☆☆$E(X) = 3$. Calculer $E(2X + 5)$ et $E(-X)$.
Variance d'une transformée
★☆☆$V(X) = 4$. Calculer $V(-3X + 1)$ et $\sigma(-3X + 1)$.
Somme de deux dés
★★☆Pour un dé, $E = 3{,}5$ et $V = \dfrac{35}{12}$. Calculer l'espérance et la variance de la somme de deux dés indépendants.
Gain sur dix parties
★★☆Le gain d'une partie a pour espérance $-0{,}5$ €. Espérance du gain total sur $10$ parties ?
Retrouver E et V de la binomiale
★★☆Expliquer pourquoi $V(X) = np(1 - p)$ pour $X \sim \mathcal{B}(n\,;\,p)$.
Variance d'une Bernoulli
★☆☆$X$ vaut $1$ avec la probabilité $p$, $0$ sinon. Calculer $E(X)$ et $V(X)$.
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.
Appliquer Bienaymé-Tchebychev
★★☆$E(X) = 20$, $V(X) = 4$. Majorer $P(|X - 20| \geq 5)$.
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 $P(15 \lt X \lt 25)$.
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 $0{,}057$).
Inégalité de concentration
★★☆$\sigma^2 = 4$, $n = 400$, $\delta = 0{,}5$. Majorer $P(|M_n - \mu| \geq 0{,}5)$.
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 $P(|M_n - p| \geq 0{,}05) \leq 0{,}05$ ?
Interpréter un sondage
★★☆Pourquoi un sondage sur $2\,000$ personnes est-il plus fiable qu'un sondage sur $200$ personnes ?
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 $\dfrac{1}{6}$ ?
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 / nIndépendance indispensable
★★☆Comparer $V(X + X)$ et $V(X) + V(X)$. Pourquoi la formule d'additivité ne s'applique-t-elle pas ?
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 ?
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 ?
Écart type de la moyenne
★☆☆Par combien l'écart type de la moyenne est-il divisé quand on multiplie la taille de l'échantillon par $4$ ?
Vrai ou faux
★★☆a) $E(X + Y) = E(X) + E(Y)$ toujours. b) $V(X + Y) = V(X) + V(Y)$ toujours. c) $V(3X) = 3V(X)$.
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 :
- $E(X + Y)$ ;
- $E(5X)$ ;
- $E(X - Y)$ ;
- $E(2X - 3Y + 1)$.
Additionner des variances
★☆☆$X$ et $Y$ sont indépendantes, avec $V(X) = 6$ et $V(Y) = 1{,}5$.
- Calculer $V(X + Y)$ et $\sigma(X + Y)$.
- Calculer $V(4X)$.
- Calculer $V(X - Y)$.
- Calculer $V(2X + 3Y)$.
- Comparer $\sigma(X + Y)$ et $\sigma(X) + \sigma(Y)$.
Deux lois données par des tableaux
★☆☆$X$ et $Y$ sont deux variables aléatoires indépendantes dont les lois sont données ci-dessous.
| $x_i$ | $-1$ | $0$ | $3$ |
|---|---|---|---|
| $P(X = x_i)$ | $0{,}2$ | $0{,}5$ | $0{,}3$ |
| $y_j$ | $2$ | $5$ |
|---|---|---|
| $P(Y = y_j)$ | $0{,}4$ | $0{,}6$ |
- Calculer $E(X)$, $V(X)$, $E(Y)$ et $V(Y)$.
- En déduire $E(X + Y)$, $V(X + Y)$ et $\sigma(X + Y)$ à $0{,}01$ près.
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.
- Définir deux variables aléatoires $X$ et $Y$ dont la somme modélise le résultat.
- Calculer $E(X)$ et $E(Y)$, puis $E(X + Y)$.
- Déterminer la loi de $X + Y$ et vérifier le résultat précédent.
Binomiale et Bernoulli : aller-retour
★☆☆- $X_1, \dots, X_{20}$ sont indépendantes et suivent la loi de Bernoulli de paramètre $0{,}35$. Quelle est la loi de $X_1 + \dots + X_{20}$ ? Son espérance ?
- Une variable suit $\mathcal{B}(400\,;\,0{,}05)$. En quelle somme de variables de Bernoulli peut-on la décomposer ?
- $Y$ 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 $V(Y)$.
Traduire des écarts en intervalles
★☆☆- Écrire à l'aide d'intervalles : a) $|X - 7| \lt 3$ ; b) $|X - 2| \geq 4$.
- Écrire à l'aide d'une valeur absolue : c) $Y \in [18\,;\,30]$ ; d) $Y \in \,]-\infty\,;\,-1[\, \cup \,]9\,;\,+\infty[$.
Événements contraires et écarts
★☆☆- On sait que $P(|A - 5| \geq 2) = 0{,}18$. Calculer $P(3 \lt A \lt 7)$.
- On sait que $P(10 \lt B \lt 16) = 0{,}9$. Calculer $P(|B - 13| \geq 3)$.
- 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 $P(|Z - 5| \gt 3)$.
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 $k$.
Estimer $\mu$ en justifiant.
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.
- Calculer $E(X)$, $V(X)$ et $\sigma(X)$ ; interpréter $E(X)$.
- 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 $\sigma(Z)$.
- On ajoute plutôt $2$ € à chaque montant ; $Y$ est le nouveau gain. Exprimer $Y$ en fonction de $X$, puis donner $E(Y)$ et $\sigma(Y)$.
Trajet en deux étapes
★★☆Pour aller au lycée, Inès roule à vélo jusqu'à la gare puis prend le train.
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 $0{,}25$.
- Que représente $T = T_1 + T_2$ ?
- Calculer $E(T_1)$ et $E(T_2)$, puis $E(T)$. Interpréter.
- Calculer $V(T_1)$, $V(T_2)$, puis $\sigma(T)$.
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).
- Donner la loi de $X$ et celle de $Y$.
- Que représente $X + Y$ ? Suit-elle une loi binomiale ?
- Calculer $E(X + Y)$ et $\sigma(X + Y)$ ; interpréter l'espérance.
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 $4$.
- Écrire $Z$ comme une somme de $24$ variables aléatoires indépendantes de même loi, que l'on précisera.
- En déduire la loi de $Z$, puis $E(Z)$ et $V(Z)$. Interpréter $E(Z)$.
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 $S = X_1 + \dots + X_{12}$.
- Calculer $E(S)$, $V(S)$ et $\sigma(S)$.
- Expliquer pourquoi $S$ suit une loi binomiale dont on précisera les paramètres. Vérifier la cohérence avec la question 1.
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.
- Décomposer $Z$ en une somme de variables aléatoires indépendantes de même loi.
- Calculer $E(Z)$ et interpréter.
- Calculer $V(Z)$ puis $\sigma(Z)$.
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).
- Décomposer $S$ en une somme de variables aléatoires indépendantes de même loi.
- Calculer $E(S)$ et $\sigma(S)$.
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 $M_n$.
- Exprimer $E(S_n)$, $\sigma(S_n)$, $E(M_n)$ et $\sigma(M_n)$ en fonction de $n$.
- Calculer ces quatre valeurs pour $n = 50$. Que remarque-t-on ?
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 $X$.
- Comment choisir $n$ pour que $\sigma(M_n) \leq 2$ ?
- Et pour que $V(M_n) \leq 1$ ?
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 $64$.
- Majorer $P(|H - 180| \geq 20)$ et interpréter.
- Minorer la probabilité qu'un sapin mesure strictement entre $165$ et $195$ cm.
Électricité d'un foyer
★★☆La consommation électrique quotidienne $C$ (en kWh) d'un foyer a pour espérance $12$ et pour écart type $2$.
- Minorer la probabilité que la consommation soit à moins de trois écarts types de sa moyenne. Traduire par un intervalle.
- Majorer la probabilité que $C \leq 4$ ou $C \geq 20$.
- On sait de plus que $P(C \leq 4) = 0{,}01$. Majorer $P(C \geq 20)$.
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 $6$.
- Que donne l'inégalité de Bienaymé-Tchebychev pour $P(|D - 40| \geq 5)$ ? Est-ce utile ?
- Majorer la probabilité qu'il parcoure au plus $25$ km ou au moins $55$ km.
- Yanis parie qu'il roulera strictement entre $28$ et $52$ km. Prend-il un grand risque ?
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 $G = G_1 + G_2$.
- Calculer $E(G)$ et $V(G)$.
- Majorer $P(|G - 0{,}75| \geq 2)$.
- Sachant que les gains sont positifs, en déduire un majorant de $P(G \geq 2{,}75)$.
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.
- Calculer $E(T)$ et $V(T)$.
- Minorer la probabilité que Camille atteigne l'objectif.
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.
- Majorer la probabilité que $M$ s'écarte de $240$ de $0{,}2$ cm ou plus.
- Minorer $P(|M - 240| \lt 0{,}25)$.
Buts par match en championnat
★★☆Le nombre $B$ de buts marqués par une équipe en un match suit la loi suivante.
| $b_i$ | $0$ | $1$ | $2$ | $3$ |
|---|---|---|---|---|
| $P(B = b_i)$ | $0{,}3$ | $0{,}4$ | $0{,}2$ | $0{,}1$ |
- Calculer $E(B)$ et $V(B)$.
- 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.
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 ?
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.
Laquelle des deux lois suivantes a été simulée ?
| $a_i$ | $4$ | $10$ | $20$ |
|---|---|---|---|
| $P(A = a_i)$ | $0{,}5$ | $0{,}3$ | $0{,}2$ |
| $b_i$ | $6$ | $10$ | $15$ |
|---|---|---|---|
| $P(B = b_i)$ | $0{,}2$ | $0{,}5$ | $0{,}3$ |
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.
- Donner la loi de $X$, puis $E(X)$ et $\sigma(X)$.
- 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 $\sigma(S)$.
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.
- Donner la loi de $X$, son espérance et sa variance.
- À l'aide de l'inégalité de Bienaymé-Tchebychev, minorer la probabilité que le nombre de graines germées soit compris strictement entre $34$ et $46$.
- Calculer cette probabilité avec la calculatrice et commenter.
Intervalle non centré
★★★$X$ a pour espérance $10$ et pour variance $1{,}5$.
- Pourquoi ne peut-on pas appliquer directement l'inégalité de Bienaymé-Tchebychev à $P(7 \lt X \lt 14)$ ?
- Montrer que $P(7 \lt X \lt 14) \geq P(|X - 10| \lt 3)$ et en déduire un minorant.
- Majorer $P(X \leq 6 \text{ ou } X \geq 15)$.
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 $X_i$.
- Donner la loi des $X_i$, leur espérance et leur variance.
- 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 » ?
- 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.
- Avec la loi binomiale, calculer la probabilité d'obtenir plus de PILE que de FACE en $n_0$ lancers. Commenter.
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 $0{,}3352$.
- Si la pièce était bien simulée, que vaudraient l'espérance $\mu$ et la variance $V$ d'un appel
piece()? - Dans ce cas, majorer la probabilité que la moyenne de $5\,000$ appels s'écarte de $0{,}5$ d'au moins $0{,}05$.
- Que penser du résultat $0{,}3352$ ? Trouver l'erreur et la loi réellement simulée.
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.
- Exprimer $M$ en fonction de $S$ et calculer $E(S)$.
- Minorer $P(17{,}5 \lt M \lt 18{,}5)$.
- 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.
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 $Z = aX + b$.
- Donner la loi de $Z$ (on suppose $a \neq 0$).
- Démontrer que $E(Z) = aE(X) + b$.
- Démontrer que $V(Z) = a^2 V(X)$.
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 $XY$.
- Donner la loi de $XY$.
- Calculer $E(XY)$.
- Comparer avec $E(X) \times E(Y)$.
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 $D = 2$).
- Calculer $P(D = 2)$, $P(U = 0)$ et $P(\{D = 2\} \cap \{U = 0\})$. $U$ et $D$ sont-elles indépendantes ?
- Donner les lois de $U$ et $D$, puis $V(U)$ et $V(D)$.
- On admet que $V(U + D) = 7{,}69$. Comparer à $V(U) + V(D)$. Et l'espérance ?
Vérifier
Avez-vous bien compris ?
Répondez au quiz : la correction s'affiche immédiatement.