LCGMATHS
Épreuves indépendantes et loi de Bernoulli
Sommaire
Variable aléatoire discrète
Une variable aléatoire $X$ associe, à chaque issue d'une expérience aléatoire, un nombre réel. La loi de probabilité de $X$ est la donnée, pour chaque valeur possible $x_i$, de la probabilité $P(X=x_i)$.
L'espérance de $X$ est la moyenne des valeurs possibles, pondérées par leurs probabilités : \[ E(X) = \sum_i x_i \, P(X=x_i) \] Elle représente la valeur « moyenne » que l'on peut espérer si l'on répète l'expérience un grand nombre de fois.
On lance un dé équilibré ; si le résultat est pair on gagne 3 €, sinon on perd 2 €. Soit $X$ le gain (positif ou négatif). $P(X=3)=\dfrac12$ et $P(X=-2)=\dfrac12$. $E(X) = 3\times\dfrac12 + (-2)\times\dfrac12 = 1{,}5-1=0{,}5$ : le jeu rapporte en moyenne 0,50 € par partie.
Loi de Bernoulli
Une épreuve de Bernoulli est une expérience aléatoire à deux issues : « succès » (probabilité $p$) et « échec » (probabilité $1-p$). La variable aléatoire $X$ qui vaut $1$ en cas de succès et $0$ en cas d'échec suit la loi de Bernoulli de paramètre $p$.
Si $X$ suit la loi de Bernoulli de paramètre $p$, alors $E(X) = p$.
Répétition d'épreuves indépendantes
Lorsqu'on répète $n$ fois (avec $n\leqslant 4$) une même épreuve de Bernoulli, de façon identique et indépendante, on peut représenter la situation par un arbre de probabilités à $n$ niveaux. La probabilité d'une issue (un « chemin » dans l'arbre) est le produit des probabilités portées par les branches empruntées.
On lance 3 fois de suite une pièce truquée, pour laquelle $P(\text{Pile})=0{,}6$. La probabilité d'obtenir exactement la séquence Pile-Face-Pile est $0{,}6\times0{,}4\times0{,}6 = 0{,}144$ (produit des probabilités des trois branches successives).
Simulation et fluctuation d'échantillonnage
import random
def echantillon_bernoulli(p, n):
resultats = []
for i in range(n):
if random.random() < p:
resultats.append(1)
else:
resultats.append(0)
return resultats
def frequence(echantillon):
return sum(echantillon) / len(echantillon)
random.random() renvoie un nombre aléatoire entre 0 et 1 : la condition random.random() < p se réalise avec une probabilité $p$, ce qui simule une épreuve de Bernoulli de paramètre $p$.
Si l'on prélève un échantillon de taille $n$ d'une loi de Bernoulli de paramètre $p$, la fréquence observée des « 1 » varie d'un échantillon à l'autre : c'est la fluctuation d'échantillonnage. En répétant la simulation sur $N$ échantillons, on observe que la dispersion des fréquences observées autour de $p$ diminue quand $n$ augmente : l'écart-type des fréquences observées est de l'ordre de $\dfrac{1}{\sqrt{n}}$. Diviser la dispersion par $k$ nécessite donc de multiplier la taille de l'échantillon par $k^2$.