Introduction aux Probabilités - Université Rennes 2
Introduction aux Probabilités - Université Rennes 2 Introduction aux Probabilités - Université Rennes 2
74 Chapitre 2. Variables aléatoires discrètes 2.5.1 Loi uniforme On parle de loi uniforme dès lors qu’il y a équiprobabilité pour les valeurs prises par la variable aléatoire. Définition 2.10 (Loi uniforme) On dit que X suit une loi uniforme sur l’ensemble {1,...,n}, noté X ∼ U {1,...,n}, si : ∀k ∈ {1,...,n} È(X = k) = 1 n . Exemple. On lance un dé équilibré et on note X le résultat obtenu. On a alors X ∼ U {1,...,6} (voir figure 2.4 à gauche). Remarque. On parle plus généralement de loi uniforme sur l’ensemble {a1,...,an} si : ∀k ∈ {1,...,n} È(X = ak) = 1 n . Par exemple, la variable X valant +1 si le résultat du lancer d’un dé équilibré est pair, −1 sinon, suit une loi uniforme sur {−1,+1} (voir figure 2.4 à droite). 1 6 1 2 3 4 5 6 −1 0 1 = 1 2 = E[X] E[X] Figure 2.4 – A gauche : loi uniforme U {1,...,6}. A droite : loi uniforme U {−1,+1}. Proposition 2.6 (Moments d’une loi uniforme) Si X suit une loi uniforme sur l’ensemble {1,...,n}, alors : E[X] = n+1 2 & Var(X) = n2 −1 12 . Preuve. Pour l’espérance, elle est basée sur la formule de la somme des termes d’une suite arithmétique : n 1+···+n = k = n(n+1) . 2 k=1 Pour plus de détails, se reporter au corrigé de l’exercice 2.7. Pour la variance, on se sert de la formule de la somme des carrés : 1 2 +···+n 2 n = k 2 = n(n+1)(2n+1) , 6 k=1 Arnaud Guyader - Rennes 2 Probabilités
2.5. Lois usuelles 75 laquelle se prouve en développant successivement (1+1) 3 ,...,(n+1) 3 , en sommant le tout et en simplifiant. Pour ce qui nous concerne, elle s’applique comme suit : d’où : E[X 2 ] = n k=1 k 2 n = 1 n n k=1 Var(X) = E[X 2 ]−E[X] 2 = (n+1)(2n+1) 6 k 2 = (n+1)(2n+1) , 6 n+1 − 2 2 = n2 −1 12 . Exemple. Pour le lancer d’un dé équilibré où X ∼ U {1,...,6}, on a ainsi E[X] = 3,5 (milieu de l’intervalle [1,6]) et Var(X) = 35 12 représentée figure 2.5. 1 1/6 donc σ(X) = 35 12 1 2 3 4 5 ≈ 1,7. La fonction de répartition de X est Figure 2.5 – Fonction de répartition d’une loi uniforme U {1,...,6}. Remarque. Il va de soi que ces formules ne sont plus valables lorsque X suit une loi uniforme sur l’ensemble {a1,...,an}. Dans ce cas général, on n’a rien de mieux que les définitions de l’espérance et de la variance : E[X] = 1 n n k=1 ak & Var(X) = 1 n Par exemple, la variable X valant +1 si le résultat du lancer d’un dé équilibré est pair, −1 sinon, a pour moyenne 0 et pour variance 1. 2.5.2 Loi de Bernoulli 6 n k=1 a 2 k − On parle de loi de Bernoulli lorsque la variable d’intérêt est binaire. Définition 2.11 (Loi de Bernoulli) On dit que X suit une loi de Bernoulli de paramètre p ∈]0,1[, noté X ∼ B(p), si X ne peut prendre que les valeurs 0 et 1, avecÈ(X = 1) = p etÈ(X = 0) = 1−p = q. Exemple. On lance une pièce déséquilibrée dont la probabilité d’apparition de Pile est 3/4. En notant X la variable aléatoire valant 0 pour Face et 1 pour Pile, on a donc X ∼ B(3/4). Probabilités Arnaud Guyader - Rennes 2 1 n n k=1 ak 2 .
- Page 27 and 28: 1.4. Exercices 23 Exercice 1.43 (Le
- Page 29 and 30: 1.5. Corrigés 25 Exercice 1.53 (Ut
- Page 31 and 32: 1.5. Corrigés 27 1.0 0.9 0.8 0.7 0
- Page 33 and 34: 1.5. Corrigés 29 2. Le triangle de
- Page 35 and 36: 1.5. Corrigés 31 L’hypothèse de
- Page 37 and 38: 1.5. Corrigés 33 et on peut donc u
- Page 39 and 40: 1.5. Corrigés 35 2. Soit A et B de
- Page 41 and 42: 1.5. Corrigés 37 - Concernant la l
- Page 43 and 44: 1.5. Corrigés 39 q Figure 1.9 - Un
- Page 45 and 46: 1.5. Corrigés 41 et pour l’Europ
- Page 47 and 48: 1.5. Corrigés 43 3. On cherche cet
- Page 49 and 50: 1.5. Corrigés 45 Exercice 1.27 (La
- Page 51 and 52: 1.5. Corrigés 47 Exercice 1.31 (Le
- Page 53 and 54: 1.5. Corrigés 49 qui se calcule à
- Page 55 and 56: 1.5. Corrigés 51 2. Cette fois la
- Page 57 and 58: 1.5. Corrigés 53 Figure 1.11 - Pro
- Page 59: 1.5. Corrigés 55 3. Nous voulons c
- Page 62 and 63: 58 Chapitre 2. Variables aléatoire
- Page 64 and 65: 60 Chapitre 2. Variables aléatoire
- Page 66 and 67: 62 Chapitre 2. Variables aléatoire
- Page 68 and 69: 64 Chapitre 2. Variables aléatoire
- Page 70 and 71: 66 Chapitre 2. Variables aléatoire
- Page 72 and 73: 68 Chapitre 2. Variables aléatoire
- Page 74 and 75: 70 Chapitre 2. Variables aléatoire
- Page 76 and 77: 72 Chapitre 2. Variables aléatoire
- Page 80 and 81: 76 Chapitre 2. Variables aléatoire
- Page 82 and 83: 78 Chapitre 2. Variables aléatoire
- Page 84 and 85: 80 Chapitre 2. Variables aléatoire
- Page 86 and 87: 82 Chapitre 2. Variables aléatoire
- Page 88 and 89: 84 Chapitre 2. Variables aléatoire
- Page 90 and 91: 86 Chapitre 2. Variables aléatoire
- Page 92 and 93: 88 Chapitre 2. Variables aléatoire
- Page 94 and 95: 90 Chapitre 2. Variables aléatoire
- Page 96 and 97: 92 Chapitre 2. Variables aléatoire
- Page 98 and 99: 94 Chapitre 2. Variables aléatoire
- Page 100 and 101: 96 Chapitre 2. Variables aléatoire
- Page 102 and 103: 98 Chapitre 2. Variables aléatoire
- Page 104 and 105: 100 Chapitre 2. Variables aléatoir
- Page 106 and 107: 102 Chapitre 2. Variables aléatoir
- Page 108 and 109: 104 Chapitre 2. Variables aléatoir
- Page 110 and 111: 106 Chapitre 2. Variables aléatoir
- Page 112 and 113: 108 Chapitre 2. Variables aléatoir
- Page 114 and 115: 110 Chapitre 2. Variables aléatoir
- Page 116 and 117: 112 Chapitre 2. Variables aléatoir
- Page 118 and 119: 114 Chapitre 2. Variables aléatoir
- Page 120 and 121: 116 Chapitre 3. Variables aléatoir
- Page 122 and 123: 118 Chapitre 3. Variables aléatoir
- Page 124 and 125: 120 Chapitre 3. Variables aléatoir
- Page 126 and 127: 122 Chapitre 3. Variables aléatoir
2.5. Lois usuelles 75<br />
laquelle se prouve en développant successivement (1+1) 3 ,...,(n+1) 3 , en sommant le tout et en<br />
simplifiant. Pour ce qui nous concerne, elle s’applique comme suit :<br />
d’où :<br />
E[X 2 ] =<br />
n<br />
k=1<br />
k 2<br />
n<br />
= 1<br />
n<br />
n<br />
k=1<br />
Var(X) = E[X 2 ]−E[X] 2 = (n+1)(2n+1)<br />
6<br />
k 2 = (n+1)(2n+1)<br />
,<br />
6<br />
<br />
n+1<br />
−<br />
2<br />
2<br />
= n2 −1<br />
12 .<br />
Exemple. Pour le lancer d’un dé équilibré où X ∼ U {1,...,6}, on a ainsi E[X] = 3,5 (milieu de<br />
l’intervalle [1,6]) et Var(X) = 35<br />
12<br />
représentée figure 2.5.<br />
1<br />
1/6<br />
donc σ(X) =<br />
35<br />
12<br />
1 2 3 4 5<br />
≈ 1,7. La fonction de répartition de X est<br />
Figure 2.5 – Fonction de répartition d’une loi uniforme U {1,...,6}.<br />
Remarque. Il va de soi que ces formules ne sont plus valables lorsque X suit une loi uniforme sur<br />
l’ensemble {a1,...,an}. Dans ce cas général, on n’a rien de mieux que les définitions de l’espérance<br />
et de la variance :<br />
E[X] = 1<br />
n<br />
n<br />
k=1<br />
ak & Var(X) = 1<br />
n<br />
Par exemple, la variable X valant +1 si le résultat du lancer d’un dé équilibré est pair, −1 sinon,<br />
a pour moyenne 0 et pour variance 1.<br />
2.5.2 Loi de Bernoulli<br />
6<br />
n<br />
k=1<br />
a 2 k −<br />
On parle de loi de Bernoulli lorsque la variable d’intérêt est binaire.<br />
Définition 2.11 (Loi de Bernoulli)<br />
On dit que X suit une loi de Bernoulli de paramètre p ∈]0,1[, noté X ∼ B(p), si X ne peut prendre<br />
que les valeurs 0 et 1, avecÈ(X = 1) = p etÈ(X = 0) = 1−p = q.<br />
Exemple. On lance une pièce déséquilibrée dont la probabilité d’apparition de Pile est 3/4. En<br />
notant X la variable aléatoire valant 0 pour Face et 1 pour Pile, on a donc X ∼ B(3/4).<br />
<strong>Probabilités</strong> Arnaud Guyader - <strong>Rennes</strong> 2<br />
<br />
1<br />
n<br />
n<br />
k=1<br />
ak<br />
2<br />
.