Lessons and exercises follow the school system and stay in its language.Les leçons et les exercices suivent le système scolaire et restent dans sa langue.Lektionen und Übungen folgen dem Schulsystem und bleiben in seiner Sprache.

Sommes de variables aléatoires

Imprimer le chapitre

Toutes les leçons du chapitre, prêtes pour le papier. Les séries d'exercices sont notées A, B, C… et corrigées à la fin.

Pour obtenir un PDF, choisis « Enregistrer au format PDF » dans la fenêtre d'impression.

1. Combiner des variables aléatoires

Découvrir

Deux dés indépendants ont chacun un écart type d'environ 1,71{,}7. L'écart type de leur somme vaut-il environ 3,43{,}4 ?

  1. Non, moins : environ 2,42{,}4
  2. Oui

L'idée clé

L'espérance est toujours linéaire ; les variances s'additionnent quand les variables sont indépendantes.

E(X+Y)=E(X)+E(Y)E(X + Y) = E(X) + E(Y) et E(aX+b)=aE(X)+bE(aX + b) = aE(X) + b.

V(aX+b)=a2V(X)V(aX + b) = a^2V(X), donc σ(aX+b)=∣a∣σ(X)\sigma(aX + b) = |a|\sigma(X).

Si XX et YY sont indépendantes, V(X+Y)=V(X)+V(Y)V(X + Y) = V(X) + V(Y), et V(X−Y)=V(X)+V(Y)V(X - Y) = V(X) + V(Y) aussi.

Exemple corrigé

Trajet du matin : espérance 20 min, écart type 3 min ; du soir : espérance 25 min, écart type 4 min. Ils sont indépendants.

E(T)=45E(T) = 45
L'espérance est linéaire.
V(T)=9+16=25V(T) = 9 + 16 = 25
Les variances s'additionnent.
σ(T)=5\sigma(T) = 5
Racine carrée.

À toi, guidé

À toi : σ(X)=6\sigma(X) = 6, σ(Y)=8\sigma(Y) = 8, indépendantes. Calcule σ(X−Y)\sigma(X - Y).

1010
√(36 + 64).

Entraînement ★

  1. XX et YY sont indépendantes, avec σ(X)=3\sigma(X) = 3 et σ(Y)=4\sigma(Y) = 4. Calcule σ(X+Y)\sigma(X + Y).
  2. XX et YY sont indépendantes, avec σ(X)=81\sigma(X) = 81 et σ(Y)=108\sigma(Y) = 108. Calcule σ(X+Y)\sigma(X + Y).
  1. σ(X)=4\sigma(X) = 4. On pose Y=5+2XY = 5 + 2X. Calcule σ(Y)\sigma(Y).

Attention !

Entraînement ★★

  1. XX et YY sont indépendantes, avec σ(X)=12\sigma(X) = 12 et σ(Y)=5\sigma(Y) = 5. Calcule σ(X−Y)\sigma(X - Y).
  2. XX et YY sont indépendantes, avec σ(X)=288\sigma(X) = 288 et σ(Y)=120\sigma(Y) = 120. Calcule σ(X−Y)\sigma(X - Y).

Bilan

Trois questions pour vérifier que c'est acquis.

  1. XX et YY sont indépendantes, avec σ(X)=3\sigma(X) = 3 et σ(Y)=4\sigma(Y) = 4. Calcule σ(X+Y)\sigma(X + Y).
  2. XX et YY sont indépendantes, avec σ(X)=81\sigma(X) = 81 et σ(Y)=108\sigma(Y) = 108. Calcule σ(X+Y)\sigma(X + Y).
  3. XX et YY sont indépendantes, avec σ(X)=9\sigma(X) = 9 et σ(Y)=12\sigma(Y) = 12. Calcule σ(X+Y)\sigma(X + Y).

Fiche résumé

Somme de variables aléatoires

  • Espérance : toujours linéaire.
  • Indépendantes : les variances s'additionnent, pour une somme comme pour une différence.

Attention : n'additionne jamais directement les écarts types.

Il reste une étape facultative : un défi. Tente-le, ou termine la leçon maintenant.

Défi ★★★

  1. XX et YY sont indépendantes, V(X)=8V(X) = 8 et V(Y)=2V(Y) = 2. Calcule V(2X−3Y)V(2X - 3Y).

2. Échantillon d'une loi : somme Sₙ et moyenne Mₙ

Échauffement

Trois questions rapides sur des leçons déjà vues.

  1. XX et YY sont indépendantes, avec σ(X)=3\sigma(X) = 3 et σ(Y)=4\sigma(Y) = 4. Calcule σ(X+Y)\sigma(X + Y).
  2. XX et YY sont indépendantes, avec σ(X)=12\sigma(X) = 12 et σ(Y)=5\sigma(Y) = 5. Calcule σ(X−Y)\sigma(X - Y).
  3. σ(X)=4\sigma(X) = 4. On pose Y=5+2XY = 5 + 2X. Calcule σ(Y)\sigma(Y).

Découvrir

Une variable XX a pour écart type σ\sigma. On fait la moyenne de 100 répétitions indépendantes de XX. Cette moyenne est-elle plus ou moins dispersée que XX ?

  1. Moins
  2. Autant

L'idée clé

Un échantillon de taille nn de la loi de XX est une liste X1,…,XnX_1, \dots, X_n de variables indépendantes de même loi que XX.

Pour Sn=X1+⋯+XnS_n = X_1 + \dots + X_n : E(Sn)=nE(X)E(S_n) = nE(X) et V(Sn)=nV(X)V(S_n) = nV(X).

Pour Mn=SnnM_n = \dfrac{S_n}{n} : E(Mn)=E(X)E(M_n) = E(X), V(Mn)=V(X)nV(M_n) = \dfrac{V(X)}{n} et σ(Mn)=σ(X)n\sigma(M_n) = \dfrac{\sigma(X)}{\sqrt{n}}.

Exemple corrigé

E(X)=3E(X) = 3, V(X)=16V(X) = 16. Avec un échantillon de taille n=4n = 4, calcule E(M4)E(M_4) et σ(M4)\sigma(M_4).

E(M4)=3E(M_4) = 3
La moyenne garde l'espérance.
σ(M4)=2\sigma(M_4) = 2
V(M₄) = 16/4 = 4.

À toi, guidé

À toi : V(X)=5V(X) = 5. Calcule V(S10)V(S_{10}).

5050
10 × 5.

Entraînement ★

  1. XX a pour espérance 4. Calcule E(S2)E(S_{ 2 }) pour un échantillon de taille 2.
  2. XX a pour espérance 24. Calcule E(S63)E(S_{ 63 }) pour un échantillon de taille 63.
  3. XX a pour espérance 5. Calcule E(S2)E(S_{ 2 }) pour un échantillon de taille 2.

Attention !

Entraînement ★★

  1. V(X)=4V(X) = 4. Calcule V(M3)V(M_{ 3 }) pour un échantillon de taille 3.
  2. V(X)=39V(X) = 39. Calcule V(M30)V(M_{ 30 }) pour un échantillon de taille 30.
  1. V(X)=2V(X) = 2. Calcule V(S3)V(S_{ 3 }) pour un échantillon de taille 3.
  1. E(X)=3E(X) = 3. Calcule E(M3)E(M_{ 3 }) pour un échantillon de taille 3.

Bilan

Trois questions pour vérifier que c'est acquis.

  1. XX a pour espérance 4. Calcule E(S2)E(S_{ 2 }) pour un échantillon de taille 2.
  2. XX a pour espérance 24. Calcule E(S63)E(S_{ 63 }) pour un échantillon de taille 63.
  3. XX a pour espérance 5. Calcule E(S2)E(S_{ 2 }) pour un échantillon de taille 2.

Fiche résumé

Échantillon

  • E(Sn)=nE(X)E(S_n) = nE(X) et V(Sn)=nV(X)V(S_n) = nV(X).
  • E(Mn)=E(X)E(M_n) = E(X) et V(Mn)=V(X)nV(M_n) = \dfrac{V(X)}{n}.

Attention : σ\sigma est divisé par n\sqrt{n}, pas par nn.

Il reste une étape facultative : un défi. Tente-le, ou termine la leçon maintenant.

Défi ★★★

  1. Quelle taille nn d'échantillon divise l'écart type de la moyenne MnM_n par 10 par rapport à celui de XX ?

3. Attendre un premier succès

Découvrir

On lance un dé équilibré jusqu'à obtenir un six. En moyenne, combien de lancers faut-il ?

  1. 6 lancers
  2. 3,5 lancers

L'idée clé

Attendre un premier succès.

Si chaque essai réussit avec la probabilité pp, indépendamment, le nombre moyen d'essais jusqu'au premier succès est

E=1pE = \dfrac{1}{p}.

Exemple corrigé

Une roue tombe sur rouge avec la probabilité 14\tfrac{1}{4}. Combien de lancers attend-on jusqu'au premier rouge ?

E=11/4E = \dfrac{1}{1/4}
p=14p = \tfrac{1}{4}.
E=4E = 4 lancers
11/4=4\dfrac{1}{1/4} = 4.

À toi, guidé

À toi : chaque essai réussit avec la probabilité 110\tfrac{1}{10}. Combien d'essais attend-on ?

1010
11/10\dfrac{1}{1/10}.

Entraînement ★

  1. Chaque essai réussit avec la probabilité 111\tfrac{1}{ 11 }, indépendamment. Combien d'essais attend-on jusqu'au premier succès ?
  2. Chaque essai réussit avec la probabilité 115\tfrac{1}{ 15 }, indépendamment. Combien d'essais attend-on jusqu'au premier succès ?
  3. Chaque essai réussit avec la probabilité 12\tfrac{1}{ 2 }, indépendamment. Combien d'essais attend-on jusqu'au premier succès ?

Entraînement ★★

  1. Une pièce de machine tombe en panne un jour donné avec la probabilité 160\tfrac{1}{ 60 }. En moyenne, combien de jours jusqu'à la première panne ?
  2. Une pièce de machine tombe en panne un jour donné avec la probabilité 150\tfrac{1}{ 50 }. En moyenne, combien de jours jusqu'à la première panne ?

Bilan

Deux questions pour vérifier.

  1. Chaque essai réussit avec la probabilité 111\tfrac{1}{ 11 }, indépendamment. Combien d'essais attend-on jusqu'au premier succès ?
  2. Chaque essai réussit avec la probabilité 115\tfrac{1}{ 15 }, indépendamment. Combien d'essais attend-on jusqu'au premier succès ?

Fiche résumé

Temps d'attente

  • Temps d'attente moyen =1p= \dfrac{1}{p}.
  • Événements rares : attente longue en moyenne.

Les ingénieurs s'en servent pour le temps moyen entre deux pannes d'une machine.

4. Histoire : Bernoulli, de Moivre et la loi des grands nombres

Découvrir

Lance une pièce équilibrée 10 fois : tu peux très bien obtenir 7 piles. Lance-la 10 000 fois : la proportion de piles est presque toujours très proche de 12\tfrac{1}{2}. Qui a démontré le premier que cela doit arriver ?

  1. Jacques Bernoulli, avec sa loi des grands nombres
  2. Personne : c'est seulement une observation

L'idée clé

D'un lancer à beaucoup.

17001710172017301740175017601713Bernoulli1713Bernoulli
  1. Étape 117001710172017301740175017601713Bernoulli1713BernoulliJacques Bernoulli 1655–1705Niklaus Bernoulli (1662-1716), 1687. Domaine public1713 : l'Ars Conjectandi de Jacques Bernoulli est imprimé, huit ans après sa mort. Il démontre la loi des grands nombres.
  2. Étape 217001710172017301740175017601713Bernoulli1718de Moivre1713Bernoulli1718de MoivreAbraham de Moivre 1667–1754Joseph Highmore, 1736. Domaine public1718 : le livre de de Moivre, The Doctrine of Chances.
  3. Étape 317001710172017301740175017601713Bernoulli1718de Moivre1733de Moivre1713Bernoulli1718de Moivre1733de MoivreAbraham de Moivre 1667–1754Joseph Highmore, 1736. Domaine public13 novembre 1733 : de Moivre approche la loi binomiale par la courbe en cloche.

L'Ars Conjectandi de Jacques Bernoulli (imprimé en 1713, huit ans après sa mort) contient la loi des grands nombres. Le 13 novembre 1733, Abraham de Moivre montre que pour beaucoup d'épreuves, la loi binomiale ressemble à la courbe en cloche, notre loi normale.

Exemple corrigé

Avec nn lancers d'une pièce équilibrée, le nombre de piles XX a pour espérance n2\tfrac{n}{2} et pour écart type n2\tfrac{\sqrt{n}}{2}.

espérance 50, écart type 5
Pour n=100n = 100 :
0,0050{,}005 : très proche de 12\tfrac{1}{2}
Pour n=10 000n = 10\,000 : la proportion de piles a pour écart type 5010 000\tfrac{50}{10\,000}.

Entraînement ★

  1. Que dit la loi des grands nombres de Jacques Bernoulli (imprimée en 1713) ?
    1. Sur beaucoup d'épreuves, la fréquence se rapproche de la probabilité
    2. Après beaucoup de faces, pile devient plus probable
    3. Les grands nombres sont plus probables que les petits
  1. On lance 144 fois une pièce équilibrée. Avec σ=n2\sigma = \tfrac{\sqrt{n}}{2}, quel est l'écart type du nombre de piles ?
  2. On lance 196 fois une pièce équilibrée. Avec σ=n2\sigma = \tfrac{\sqrt{n}}{2}, quel est l'écart type du nombre de piles ?
  1. L'Ars Conjectandi est imprimé en 1713, huit ans après la mort de Jacques Bernoulli. En quelle année est-il mort ? Ajoute 4 à cette année.

Fiche résumé

Les variables aléatoires aujourd'hui

  • Sondages : un échantillon de 1 000 personnes donne une proportion proche de la vraie.
  • Assurances et casinos reposent sur la loi des grands nombres.
  • Le contrôle qualité compte les pièces défectueuses avec la loi binomiale.

Sources : biographies de Jacques Bernoulli et d'Abraham de Moivre sur MacTutor (voir « Sources et crédits »).