Terminale ∼ Spécialité mathématique Sommes de variables aléatoires 1Opération sur les variables aléatoires1.1DéfinitionsDefinition 1
Une variable
aléatoire
réelle
X définie sur un univers probabilisé Ω est une
fonction
définie sur Ω à valeurs dans
R.
On peut noter :
X:Ωω⟶⟼RX(ω)
Definition 2
Soit X une variable aléatoire prenant les valeurs
xi,
pour 0≤i≤n, et soient
pi
∈
[0;1]
les probabilités associées à ces événements.
L'espérance
de la variable aléatoire X, notée
E(X),
est la
moyenne
des valeurs xi
pondérées
par leurs probabilités
pi.
E(X)=x1×p1+x2×p2+⋯+xn×pn
ou encore
E(X)=i=0∑nxi×pi.
Exercice 1
Voici un jeu de hasard : on lance un dé à six faces équilibré. Si le joueur obtient un 6 il remporte 30 euros. Sinon, s'il obtient un 1, il perd 9 euros et dans les autres cas, il perd 6 euros.
Est-il avantageux de jouer à ce jeu ?
Definition 3
Soit n un entier naturel non nul.
Soit X une variable aléatoire prenant les valeurs xi, pour 0≤i≤n, et soient pi∈[0;1] les probabilités associées à ces événements. Soit E(X)
Remark 1
Soit X une variable aléatoire correspondant au gain lors d'une partie d'un jeu d'argent. Alors E(X) représente le
gain moyen
et σ(X) représente
l'écart moyen
par rapport à
E(X).
Voici un autre jeu : on lance une pièce de monnaie, si on obtient pile on gagne 10 euros et si on obtient face on perd 10 euros. En notant X la variable aléatoire associé au gain, on représente la loi de probabilité de X à l'aide du tableau ci-dessous :
xi
10
−10
P(X=xi)
21
21
Nous avons alors :
•
E(X)
=
21×10+21×(−10)
=
0,
•
V(X)
=
21(10−0)2+21(−10−0)2
=
100,
donc
σ(X)
=
10.
Ce que l'on peut interpréter en disant que le gain moyen est
situé en moyenne,
à plus ou moins 10 euros de 0 euro.
2 0
Property 1
Soient p∈[0;1] et X une variable aléatoire suivant la loi de
Bernoulli
de paramètre
p.
On a alors :
E(X)
=
p
et
V(X)
=
p(1−p).
Preuve
On peut représenter la loi X par le tableau suivant :
xi
0
1
P(X=xi)
1−p
p
Ainsi :
E(X)=
0×(1−p)+1×p
=
p
et
V(X)
=
(1−p)(0−E(X))2+p(1−E(X))2
=
(1−p)(0−p)2+p(1−p)2
=
(1−p)((−p)2+p(1−p))
=
(1−p)(p2+p−p2)
=
p(1−p).
1 0
1.2AdditionExemple 1
Voici les notes d'un élève à ses quatre DST trimestriels : 8 - 11 - 7 - 6.
Sa moyenne m est donc : m=
41(8+11+7+6)
=
8.
L'enseignant de cet élève décide d'augmenter toutes les notes de 3 points.
La nouvelle moyenne m′ vaut alors : m′=
41(11+14+10+9)
=
11.
Ainsi, nous voyons que le fait d'augmenter chacune des notes de 3 points a pour conséquence de faire augmenter la moyenne de
3 points également.
Ce qui nous amène à la propriété suivante :
Property 2
Soit X une variable aléatoire d'espérance E(X). Soit a un réel. Alors X+a est également une
variable aléatoire
et son espérance vérifie :
E(X+a)
=
E(X)+a.
Preuve
Soit X une variable aléatoire prenant les valeurs xi, pour 0≤i≤n, et soient pi∈[0;1] les probabilités associées à ces événements.
Pour tout entier i compris entre 1 et n, on a :
X=xi
⟺
X+a=xi+a.
Et donc : P(X=xi)=
P(X+a=xi+a).
On a alors les deux tableaux suivants:
k
x1
x2
⋯
xn
P(X=k)
p1
p2
⋯
pn
l
x1+a
x2+a
⋯
xn+a
P(X+a=l)
p1
p2
⋯
pn
Ainsi :
E(X+a)
=
p1×(x1+a)+p2×(x2+a)+⋯+pn(xn+a)
=
p1x1+p1a+p2x2+p2a+⋯+pnxn+pna
=
(p1x1+p2x2+⋯+pnxn)+(p1+p2+⋯+pn)a
=
E(X)+1×a
=
E(X)+a.
Exemple 2
Considérons maintenant un élève qui a eu deux notes : 8 et 12.
Sa moyenne est
10,
et l'écart-type est de
2
(chacune des notes étant situées à
2
points de la moyenne
10
).
Imaginons maintenant que chacune de ces deux notes sont diminuées de 5 points. Elles deviennent alors : 3 et 7.
La nouvelle moyenne est donc de 5 points inférieures à la précédente, mais nous voyons que les écarts par rapport à la moyenne sont toujours égaux à 2.
Il est intuitif que si toutes les notes sont toutes décalées d'un même nombre alors les écarts restent
identiques.
Property 3
Soit X une variable aléatoire de variance V(X). Soit a un réel. Alors X+a est également une variable aléatoire et sa
variance
vérifie :
V(X+a)
=
V(X).
Et donc :
σ(X+a)
=
σ(X).
Preuve
Soit X une variable aléatoire prenant les valeurs xi, pour 0≤i≤n, et soient pi∈[0;1] les probabilités associées à ces événements. En reprenant les deux tableaux de la preuve précédente, on a :
Definition 4
Soient X et Y deux variables aléatoires définies sur un même univers probabilisé Ω.
On définit la variable aléatoire Z pour tout élément ω∈Ω par
Z(ω)
=
X(ω)+Y(ω).
La variable aléatoire Z s'appelle alors la
somme
des variables aléatoires X et Y et on la note
Z
=
X+Y.
Property 4
Soient X et Y deux variables aléatoires définies sur un même univers probabilisé Ω. On a :
E(X+Y)
=
E(X)+E(Y).
Si X et Y sont
indépendantes
alors :
V(X+Y)
=
V(X)+V(Y).
Remark 2
Pour n variables aléatoires X1, X2, …, Xn on peut définir la variable aléatoire somme
X1+X2+⋯+Xn,
et par
récurrence
on obtient la propriété suivante :
Property 5
Soient n un entier naturel non nul et X1, X2, …, Xn des variables aléatoires définies sur un même univers probabilisé Ω. On a alors :
E(X1+X2+⋯+Xn)
=
E(X1)+E(X2)+⋯+E(Xn).
V(X1+X2+⋯+Xn)
=
V(X1)+V(X2)+⋯+V(Xn).
Remark 3
On peut noter également :
E(i=1∑nXi)
=
i=1∑nE(Xi)
et
V(i=1∑nXi)
=
i=1∑nV(Xi).
1.3MultiplicationExemple 3
Si un élève possède une moyenne de 8/10 il semble évident que sa moyenne sur 20 est de
16,
ou encore de
80
/100, ou bien de
4
/5.
Property 6
Soit X une variable aléatoire d'espérance E(X). Soit a un réel non nul. Alors a×X est également une
variable aléatoire
et son espérance vérifie :
E(aX)
=
aE(X).
Preuve
Soit X une variable aléatoire prenant les valeurs xi, pour 0≤i≤n, et soient pi∈[0;1] les probabilités associées à ces événements.
Pour tout entier i compris entre 0 et n, puisque a≠0, on a :
X=xi⟺
aX=axi.
et donc : P(X=xi)=
P(aX=axi).
On obtient le tableau suivant :
k
ax1
ax2
⋯
axn
P(aX=k)
p1
p2
⋯
pn
Ainsi :
E(aX)
=
p1×(ax1)+p2×(ax2)+⋯+pn×(axn)
=
a(p1x1)+a(p2x2)+⋯+a(pnxn)
=
a(p1x1+p2x2+⋯+pnxn)
=
aE(X).
Exemple 4
Si deux notes sur 10 ont un écart de 3 points, par exemple 4 et 7, alors ces notes calculées sur 20, c'est à dire 8 et 14, ont un écart de
6
points.
Property 7
Soit X une variable aléatoire de variance V(X). Soit a un réel non nul. Alors a×X est également une variable aléatoire et sa variance vérifie :
V(aX)
=
a2V(X).
Et donc :
σ(aX)
=
∣a∣σ(X).
Preuve
Soit X une variable aléatoire prenant les valeurs xi, pour 0≤i≤n, et soient pi∈[0;1] les probabilités associées à ces événements.
En reprenant le tableau de la preuve précédente.
2Échantillon d'une loi de probabilitéDefinition 5
Soient n un entier naturel non nul et X une variable aléatoire définie sur un univers probabilisé Ω.
Un
échantillon
de taille n de la loi de X est une
liste
(X1;X2;⋯;Xn)
de variables aléatoires
identiques et indépendantes
suivant la même
loi
que X.
Exemple 5
Une usine d'emboutillage remplie des bouteilles d'eau pétillante avec un certain volume. On considère la variable aléatoire V qui a toute bouteille lui associe la quantité
versée par la chaîne de production en mL.
On s'intéresse à 100 bouteilles à remplir que l'on numérote de 1 jusqu'à 100. On note Vi la variable aléatoire qui associe à la bouteille n°i la quantité
de boisson qu'elle va recevoir.
Les réglages de la ligne de production font que l'on peut considérer que les variables aléatoires Vi sont
identiques et indépendantes
et suivent toutes la loi de
V.
Ainsi, (V1;V2;⋯;Vn) est un
échantillon
de la loi de V.
Definition 6
Soient n un entier naturel non nul, X une variable aléatoire et (X1;X2;⋯;Xn) un
échantillon
de taille n de
la loi de X.
La variable aléatoire
somme
de l'échantillon (X1;X2;⋯;Xn) est définie par
Sn
=
X1+X2+⋯+Xn.
La variable aléatoire
moyenne
de l'échantillon (X1;X2;⋯;Xn) est définie par
Mn
=
nX1+X2+⋯+Xn.
Exemple 6
En reprenant l'exemple de l'embouteillage précédent on peut s'intéresser à la variable somme qui modélise la quantité totale de boisson versée pour l'échantillon, ou à la variable
moyenne qui modélise la moyenne de boisson versée dans une bouteille.
Si on veut utiliser concrétement ces variables aléatoires (pour le responsable de production par exemple) il faut connaître leur
espérance et leur variance.
0 0
Property 8
Soient un entier naturel non nul et Sn la variable aléatoire
somme
associée à un échantillon et de taille n d'une variable aléatoire X. On a alors :
E(Sn)
=
nE(X),
V(Sn)
=
nV(X)
et
σ(Sn)
=
nσ(X).
Preuve
On applique les formules suivantes :
E(i=1∑nXi)=
i=1∑nE(Xi)
et V(i=1∑nXi)=
i=1∑nV(Xi).
En effet, en notant (X1;X2;⋯;Xn) l'échantillon de la loi de X on a :
E(Sn)=
E(i=1∑nXi)
=
i=1∑nE(Xi)
=
i=1∑nE(X)
=
nE(X).
V(Sn)=
V(i=1∑n)
=
i=1∑nV(Xi)
=
i=1∑nV(X)
=
nV(X).
Et puisque σ(Sn)=
V(Sn),
on a bien Sn=
nV(X)
=
nV(X)
=
nσ(X).
0 0
Property 9
Soient un entier naturel non nul et Mn la variable aléatoire
moyenne
associée à un échantillon et de taille n d'une variable aléatoire X. On a alors :
E(Mn)
=
E(X),
V(Mn)
=
nV(X)
et
σ(Vn)
=
nσ(X).
Preuve
On applique les formules E(aX)=
aE(X)
et V(aX)=
a2V(X)
aux résultats de la propriété précédente.
En notant Sn la variable aléatoire
somme
associée au même échantillon on a Mn=
n1Sn
et :
E(Mn)=
E(n1Sn)
=
n1E(Sn)
=
n1×nE(X)
=
E(X).
V(Mn)=
V(n1Sn)
=
n21V(Sn)
=
n21×nV(X)
=
n1V(X).
On conclut sur l'écart-type en appliquant la fonction
racine carrée
à l'égalité précédente.
0 0
3Application à la loi binomialeProperty 10ROC
Soient n un entier naturel non nul, p∈[0;1] et X une variable aléatoire suivant la loi binomiale de paramètres