• Aucun résultat trouvé

SOMMES DE VARIABLES ALÉATOIRESSOMMES DE VARIABLES ALÉATOIRES

N/A
N/A
Protected

Academic year: 2022

Partager "SOMMES DE VARIABLES ALÉATOIRESSOMMES DE VARIABLES ALÉATOIRES"

Copied!
3
0
0

Texte intégral

(1)

SOMMES DE VARIABLES ALÉATOIRES SOMMES DE VARIABLES ALÉATOIRES

On considère une expérience aléatoire et on notera Ω l’univers des possibles (supposé fini).

I. Définitions et propriétés I. Définitions et propriétés

D É F I N I T I O N D É F I N I T I O N

Une variable aléatoire réelle X définie sur un univers Ω est une fonction définie sur Ω et à valeurs dans ℝ.

D É F I N I T I O N D É F I N I T I O N

Deux variables aléatoires X et Y sont indépendantes si pour tous réels i et j, les événements {X=i}

et {Y=j} sont indépendants.

P R O P R I É T É

P R O P R I É T É ( A D M I S E )( A D M I S E )

Si X et Y sont deux variables aléatoires indépendantes, la loi de probabilité de la variable aléatoire somme X+Y est donnée par : p(X+Y=k)=

i+j=k

p(X=i)p(Y=j)

II. Indicateurs d’une combinaison linéaire de variables aléatoires II. Indicateurs d’une combinaison linéaire de variables aléatoires

P R O P R I É T É

P R O P R I É T É SS L I N É A R I T É D E L ’ E S P É R A N C EL I N É A R I T É D E L ’ E S P É R A N C E Soient X et Y des variables aléatoires et a un réel :

E(aX)=aE(X) et E(X+Y)=E(X)+E(Y). En particulier : E(X+a)=E(X)+a.

Démonstrations :

On note Ω={ω12;r} et X(Ω)={x1;x2;;xs}.

• Si a=0, E(aX)=aE(X) est évident. Supposons donc a≠0. E(aX)=

i=1 s

a xip(aX=a xi)=

i=1 s

a xip(X=xi)=a

i=1 s

xip(X=xi)=aE(X).

• E(X+Y)=

i=1 r

(X+Y)(ωi)p({ωi}) =

i=1 r

(X(ωi)+Y(ωi))p({ωi}) g =

i=1 r

X(ωi)p({ωi})+Y(ωi)p({ωi})

g =

i=1 r

X(ωi)p({ωi})+

i=1 t

Y(ωi)p({ωi}) g =E(X)+E(Y)

Tle spé maths – SVA – www.mathemathieu.fr – Johan Mathieu Page 1 sur 3

Tle spé

(2)

P R O P R I É T É P R O P R I É T É SS

Soient X et Y des variables aléatoires et a un réel.

Alors : V(aX)=a2V(X).

De plus, si X et Y sont indépendantes, alors : V(X+Y)=V(X)+V(Y)

et en particulier : V(X+a)=V(X). Démonstrations :

On note Ω={ω12;r} et X(Ω)={x1;x2;;xs}.

• Si a=0, V(aX)=a2V(X) est évident. Supposons donc a≠0. V(aX)=

i=1 s

(a xi−E(aX))2p(aX=a xi)

g =

i=1 s

a2(xi−E(X))2p(X=xi)

g =a2

i=1 s

(xi−E(X))2p(X=xi) =a2V(X)

• Rappelons que : V(X)=E(X2)−E(X)2.

Alors : V(X+Y)=E((X+Y)2)−E(X+Y)2=E(X2+2 XY+Y2)−(E(X)+E(Y))2 g =E(X2)+2 E(XY)+E(Y2)−E(X)2−2 E(X)E(Y)−E(Y)2 g =E(X2)−E(X)2+E(Y2)−E(Y)2+2 E(XY)−2 E(X)E(Y) g =V(X)+V(Y)+2 E(XY)−2 E(X)E(Y).

On admet ici1 que E(XY)=E(X)E(Y) lorsque X et Y sont indépendantes, d’où le résultat.

Sauriez-vous le démontrer ? C’est ce qu’on appelle la formule de König-Huygens

III.

III. Application à la loi binomiale Application à la loi binomiale

D É F I N I T I O N D É F I N I T I O N

Soit n ∈ ℕ*. Un échantillon de taille n d’une loi de probabilité est une liste de n variables indépendantes suivant cette loi.

Remarque : la loi binomiale de paramètres n et p est la somme de n variables indépendantes suivant la même loi de Bernoulli de paramètre p.

P R O P R I É T É P R O P R I É T É

Soit X ~ B(n ; p). Alors : E(X)=n p et V(X)=n p(1−p).

Cette propriété a déjà été démontrée au chapitre Succession d’épreuves indépendantes et loi binomiale, mais nous allons ici la démontrer d’une autre manière.

Démonstration :

Commençons par rappeler que l’espérance d’une loi de Bernoulli de paramètre p est p, et que sa variance est p(1−p).

1 Nous pourrons le démontrer en approfondissement.

Tle spé maths – SVA – www.mathemathieu.fr – Johan Mathieu Page 2 sur 3

(3)

• X=

i=1 n

YiYi suit une loi de Bernoulli de paramètre p d’où : E(X)=E

(

i=1n Yi

)

=

i=1n E

(

Yi

)

=

i=1n p=n p.

• De même, puisque les Yi sont indépendantes :

V(X)=V

(

i=1n Yi

)

=

i=1n V

(

Yi

)

=

i=1n p(1−p)=n p(1−p).

P R O P R I É T É P R O P R I É T É

Soient deux variables X1 et X2 suivant une loi binomiale avec : X1 ~ B(n;p) et X2 ~ B(m;p). Alors : X1+X2 ~ B(n+m;p).

Démonstration :

X1 est la somme d’un échantillon de taille n de la loi de Bernoulli de paramètre p et X2 est la somme d’un échantillon de taille p de la loi de Bernoulli de paramètre p, donc X1+X2 est la somme d’un échantillon de taille n+m de la loi de Bernoulli de paramètre p

d’où le résultat.

B I L A N D U C H A P I T R E & T R A V A I L E N A U T O N O M I E

• Fiche bilan → p.444

• QCM 11 questions corrigées → p.445

• Exercices corrigés → 30 à 35 p.446

• Exercice type Bac guidé & corrigé → 110 p.458

• Méthodes et exercices corrigés en vidéo : → maths-et-tiques : tsm-sva-ym

Tle spé maths – SVA – www.mathemathieu.fr – Johan Mathieu Page 3 sur 3

Références

Documents relatifs

Un joueur joue une partie du jeu suivant : il mise un euro, puis on tire une première boule dans l’urne (notons son numéro a), puis une deuxième (avec remise), dont on note le

Le point C étant sur l’axe des abscisses, on peut noter ses coordonnées sous la forme C(c, 0) (avec accessoirement c ∈ [0, 1]).. Pour déterminer les coordonnées du point M, on

• Variance et écart-type : définition, formule pour V(aX+b), théorème de König-Huygens, variables réduites, variable centrée réduite associée à une variable X. • Loi usuelles

On pourra introduire la variable aléatoire U égale au numéro de l’urne dans laquelle on a tiré la boule.. Un tirage consiste à extraire une boule de l’urne, la boule tirée

Une variable aléatoire X sur Ω est une fonction, qui à chaque issue de Ω, associe un nombre réel Exemples: Un joueur lance un dé a

(, P) est un espace probabilisé. Une variable aléatoire réelle est une fonction X définie sur l’univers  qui à chaque résultat possible associe un réel.. constituent

L’espérance mathématique d’une variable aléatoire peut être interprétée comme la moyenne des valeurs prises par lors d’un grand nombre de répétitions de la même

On considère une urne contenant n boules blanches et n boules noires dans laquelle on effectue des tirages successifs d’une boule, sans remise2. On désigne par T la variable