Rappels sur les variables aléatoires

Définition

Nous allons rappeler quelques notions vues en classe de Première sur les variables aléatoires.

Une variable aléatoire $X$ est une fonction qui, à chaque événement élémentaire de l'univers $\Omega$ y associe un nombre réel. C'est-à-dire : $X : \Omega \rightarrow \mathbb{R}$.

Loi de probabilité

Soit $X$ une variable aléatoire. La loi de probabilité de $X$ attribue à chaque valeur $x_i$ la probabilité $p_i = p(X = x_i)$ de l'événement $X = x_i$ constitué de tous les événements élémentaires dont l'image par $X$ est $x_i$.

On représente généralement les lois de probabilité par un tableau.

Soit $X$ une variable aléatoire.

$x_i$	$x_1$	$x_2$	...	$x_n$
$p_i$ $= p(X = x_i)$	$p_1$ $= p(X = x_1)$	$p_2$ $= p(X = x_2)$	...	$p_n$ $= p(X = x_n)$

On a $p_1 + p_2 + \text{ ... } + p_n = 1$.

Espérance, variance et écart-type

L'espérance $E(X)$ d'une variable aléatoire $X$ est le réel :

$E(X) = x_1 \times p_1 + x_2 \times p_2 + \text{ ... } + x_n \times p_n$.

La variance $V(X)$ et l'écart-type $\sigma(X)$ d'une variable aléatoire $X$ sont les réels positifs suivants :

• $V(X) = E(X^2) - E(X)^2$
• $\sigma(X) = \sqrt{V(X)}$

Chacun de ces paramètres a une utilité bien précise. En effet :

• L'espérance est la valeur moyenne prise par $X$.
• La variance et l'écart-type mesurent la dispersion des valeurs prises par $X$. Plus ces valeurs sont grandes, plus les valeurs sont dispersées autour de l'espérance.

Loi de Bernoulli

Succession d'épreuves indépendantes

Soit une succession de $n$ épreuves indépendantes (c'est-à-dire que le résultat de l'une n'a pas d'incidence sur le résultat de la suivante). On note les univers associés à chaque expérience respectivement par $\Omega_1$, $\Omega_2$, ... , $\Omega_n$.

Alors l'univers associé à cette succession d'épreuves indépendantes est le produit cartésien $\Omega_1 \times \Omega_2 \times \text{ ... } \times \Omega_n$.

Soit une succession de $n$ épreuves indépendantes et soit $(x_1, \text{ ... }, x_n)$ une issue de cette succession d'épreuves. Alors $p((x_1, \text{ ... }, x_n)) = p(x_1) \times \text{ ... } \times p(x_n)$.

Épreuve et schéma de Bernoulli

Derrière ces noms qui peuvent sembler compliquer, se cache une notion finalement simple, et que l'on rencontre souvent dans la vie quotidienne.

Une épreuve de Bernoulli est une expérience aléatoire qui n'admet que deux issues possibles : le succès et l'échec.

Il est souvent possible de répéter plusieurs fois une épreuve de Bernoulli. C'est ce qu'on appelle un schéma de Bernoulli.

Soit une succession d'épreuves de Bernoulli indépendantes. On appelle cette succession un schéma de Bernoulli.

Qu'est-ce qu'une loi de Bernoulli ?

Soient $X$ une variable aléatoire et $p \in ]0; 1[$. On dit que $X$ suit une \text{loi de Bernoulli} de paramètre $p$ (qui se note $\mathcal{B}(p)$) si la loi de $X$ est la suivante :

$x_i$	$0$	$1$
$p_i$	$1 - p$	$p$

C'est-à-dire, qu'on a une probabilité $p$ d'obtenir un succès (représenté par $1$) et une probabilité de $1-p$ d'obtenir un échec (représenté par $0$).

Il est possible de calculer facilement l'espérance, la variable et l'écart-type d'une variable aléatoire suivant ce type de loi.

Soit $X$ une variable aléatoire suivant une loi de Bernoulli $\mathcal{B}(p)$. Alors :

• $E(X) = p$.
• $V(X) = p(1-p)$.
• $\sigma(X) = \sqrt{p(1-p)}$.

Loi binomiale

Définition

Une loi de Bernoulli permet de modéliser ce qui se passe dans le cas d'une seule épreuve de Bernoulli. Cependant, il peut arriver que l'on souhaite voir ce qu'il se passe dans le cadre d'un schéma de Bernoulli (c'est-à-dire, en répétant indépendamment plusieurs fois une épreuve de Bernoulli).

Soient $n \in \mathbb{N}^*$ et $p \in ]0; 1[$. On se place dans le cadre d'un schéma de Bernoulli à $n$ répétitions et où la probabilité de succès des épreuves est $p$.

La loi de probabilité donnant le nombre de succès sur ces $n$ répétitions est la loi binomiale de paramètres $n$ et $p$ (notée $\mathcal{B}(n; p)$).

Calculs de probabilités

Soit $X$ une variable aléatoire suivant une loi $\mathcal{B}(n; p)$. Alors pour tout entier $k$ compris entre $0$ et $n$, on a $\displaystyle{p(X = k) = \binom{n}{k} p^k (1-p)^{n-k}}$.

Comme on l'a dit précédemment, il est tout-à-fait possible d'utiliser des arbres de probabilités pour répondre à ce genre de questions. Cependant, essayez de représenter la situation donnée dans l'exemple précédent à l'aide d'un tel arbre et vous vous rendrez vite compte qu'il est beaucoup plus facile d'utiliser les propriétés de la loi binomiale.

Espérance, variance et écart-type

Soit $X$ une variable aléatoire suivant $\mathcal{B}(n; p)$. Alors :

• $E(X) = np$.
• $V(X) = np(1-p)$.
• $\sigma(X) = \sqrt{np(1-p)}$.