LCGMATHS
Chapitre 7
Variables aléatoires réelles
Sommaire
Notion de variable aléatoire
Soit $\Omega$ un univers fini associé à une expérience aléatoire. Une variable aléatoire réelle $X$ est une fonction qui, à chaque issue de $\Omega$, associe un nombre réel.
$X$ modélise ainsi un résultat numérique d'une expérience aléatoire : gain à un jeu, nombre de succès dans une répétition d'épreuves, durée, etc.
On lance deux dés équilibrés à $6$ faces. Si $X$ désigne la somme des deux résultats, alors $X$ prend ses valeurs dans $\{2,3,\dots,12\}$.
Pour un réel $a$, on note :
- $\{X=a\}$ l'évènement « $X$ prend la valeur $a$ », et $P(X=a)$ sa probabilité ;
- $\{X\leqslant a\}$ l'évènement « $X$ prend une valeur inférieure ou égale à $a$ », et $P(X\leqslant a)$ sa probabilité.
Loi de probabilité d'une variable aléatoire
Soit $X$ une variable aléatoire prenant les valeurs $x_1,\dots,x_n$. Déterminer la loi de $X$, c'est donner, pour chaque valeur $x_i$, la probabilité $P(X=x_i)$. On présente souvent cette loi sous forme d'un tableau.
La somme des probabilités $P(X=x_i)$, pour toutes les valeurs possibles $x_i$, vaut $1$.
- Lister toutes les valeurs possibles prises par $X$.
- Pour chaque valeur, dénombrer (ou calculer par arbre) les issues qui lui correspondent, puis calculer la probabilité associée.
- Vérifier que la somme des probabilités obtenues vaut $1$.
On lance une pièce truquée, avec probabilité de « pile » égale à $0{,}4$. On gagne $10$ € si on obtient pile, on perd $5$ € sinon. Si $X$ est le gain algébrique :
| $x_i$ | $-5$ | $10$ |
| $P(X=x_i)$ | $0{,}6$ | $0{,}4$ |
Espérance, variance, écart type
Soit $X$ une variable aléatoire prenant les valeurs $x_1,\dots,x_n$ avec les probabilités $p_1,\dots,p_n$. L'espérance de $X$ est le nombre \[ E(X) = \sum_{i=1}^n p_i x_i = p_1x_1+p_2x_2+\dots+p_nx_n. \]
$E(X)$ s'interprète comme la valeur « moyenne » prise par $X$ si l'on répète un très grand nombre de fois l'expérience aléatoire (moyenne pondérée par les probabilités).
Un jeu de hasard, où $X$ désigne le gain algébrique d'un joueur, est dit équitable lorsque $E(X)=0$ : en moyenne, sur un grand nombre de parties, le joueur ne gagne ni ne perd d'argent.
Pour tous réels $a$ et $b$ : \[ E(aX+b) = a\,E(X)+b. \]
La variance de $X$ est le nombre \[ V(X) = \sum_{i=1}^n p_i \big(x_i-E(X)\big)^2, \] et l'écart type de $X$ est $\sigma(X) = \sqrt{V(X)}$.
La variance (et l'écart type) mesure la dispersion des valeurs de $X$ autour de sa moyenne $E(X)$ : plus $V(X)$ est grand, plus les valeurs prises par $X$ sont éloignées de l'espérance en moyenne.
\[ V(X) = \left(\sum_{i=1}^n p_ix_i^2\right) - \big(E(X)\big)^2 = E(X^2)-\big(E(X)\big)^2. \]
\begin{align*} V(X) &= \sum_i p_i(x_i-E(X))^2 = \sum_i p_i\big(x_i^2-2x_iE(X)+E(X)^2\big)\\ &= \sum_i p_ix_i^2 - 2E(X)\sum_i p_ix_i + E(X)^2\sum_i p_i \\ &= E(X^2) - 2E(X)\times E(X) + E(X)^2\times1 \qquad (\text{car } \textstyle\sum p_i=1)\\ &= E(X^2)-E(X)^2. \end{align*}
En pratique, la formule de König-Huygens est souvent plus rapide à utiliser que la définition directe de la variance, car elle évite de calculer $E(X)$ deux fois.
Méthode – résoudre un problème avec une variable aléatoire
- Identifier clairement la variable aléatoire $X$ étudiée et ses valeurs possibles.
- Déterminer sa loi de probabilité (tableau).
- Calculer $E(X)$ (et $V(X)$, $\sigma(X)$ si besoin) à l'aide des formules du cours.
- Interpréter le résultat dans le contexte (gain moyen, jeu équitable, dispersion des résultats, etc.).
On reprend l'exemple du jeu précédent ($X=-5$ avec $p=0{,}6$, $X=10$ avec $p=0{,}4$) : \[ E(X) = 0{,}6\times(-5)+0{,}4\times10 = -3+4=1.\] Comme $E(X)=1\neq0$, ce jeu n'est pas équitable : en moyenne, le joueur gagne $1$ € par partie.
def esperance(valeurs, probas):
E = 0
for i in range(len(valeurs)):
E = E + probas[i] * valeurs[i]
return E
def variance(valeurs, probas):
EX = esperance(valeurs, probas)
EX2 = esperance([v**2 for v in valeurs], probas)
return EX2 - EX**2 # formule de König-Huygens
def ecart_type(valeurs, probas):
return variance(valeurs, probas) ** 0.5Simulation et échantillonnage
Un échantillon de taille $n$ d'une variable aléatoire $X$ est une liste de $n$ valeurs obtenues en simulant (ou en observant) $n$ fois l'expérience aléatoire associée à $X$.
Lorsque la taille $n$ de l'échantillon devient grande, la moyenne observée sur l'échantillon se rapproche généralement de l'espérance théorique $E(X)$. Cette idée fonde l'estimation statistique d'une espérance inconnue par une moyenne d'échantillon.
from random import random
def simulation_jeu():
if random() < 0.4:
return 10
else:
return -5
def moyenne_echantillon(n):
total = 0
for k in range(n):
total = total + simulation_jeu()
return total / n
On peut ensuite étudier, pour plusieurs valeurs de $n$, l'écart entre moyenne_echantillon(n) et l'espérance théorique $E(X)$ calculée au paragraphe précédent.