Fiche de révision : Introduction aux variables aléatoires et leurs propriétés

📋 Plan du Cours

1. Variable aléatoire
2. Loi de probabilité
3. Calcul d'espérance
4. Calcul de variance
5. Calcul d'écart-type
6. Exemples jeux de hasard
7. Distribution de la plus grande valeur
8. Propriétés linéaires
9. Application mesures de diamètre

📖 1. Variable aléatoire

🔑 Notions clés & Définitions

• Blaise Pascal (1654) : La variable aléatoire est une fonction qui associe un nombre réel à chaque issue de l’univers des possibles lors d’une expérience aléatoire, permettant ainsi de quantifier les résultats de cette expérience.
• Définition : Une variable aléatoire $X$ associe un nombre réel à chaque issue de l’univers des possibles $E$. Par exemple, dans le jeu de hasard avec un dé à six faces, $X$ peut représenter le gain selon le résultat du dé.
• Exemple : Lors d’un tirage de carte dans un jeu de 32 cartes, si la carte est un cœur, $X=5$; si c’est un carreau, $X=2$; sinon, $X=-1$. La variable aléatoire permet d’attribuer ces valeurs numériques aux issues du tirage.
• Notion d’univers des possibles : L’ensemble de toutes les issues possibles d’une expérience aléatoire, noté $E$, par exemple $E = \{1, 2, 3, 4, 5, 6\}$ pour le lancer d’un dé.
• Utilisation pour calculer des probabilités : La variable aléatoire sert à déterminer la probabilité qu’un événement spécifique se produise, par exemple $P(X=5)$, la probabilité que la variable prenne la valeur 5.

📝 Points essentiels

• La notion de variable aléatoire remonte aux travaux de Blaise Pascal (1654), qui ont permis de formaliser le calcul des probabilités dans des jeux de hasard.
• La variable aléatoire est une fonction définie sur l’univers des possibles $E$, associant à chaque issue un nombre réel, ce qui facilite la quantification et l’analyse statistique des résultats.
• Elle permet de représenter graphiquement ou analytiquement la distribution des résultats d’une expérience aléatoire, en associant à chaque valeur une probabilité précise.
• Exemple concret : dans un tirage de carte, la variable $X$ permet de quantifier le gain ou la perte en fonction de la carte tirée, et de calculer des probabilités telles que $P(X \leq 2)$.
• La définition précise de la variable aléatoire est essentielle pour établir la loi de probabilité, qui décrit toutes les valeurs possibles et leurs probabilités associées (voir section 2).

💡 À retenir

Une variable aléatoire est une fonction qui associe un nombre réel à chaque issue d’une expérience aléatoire, permettant de quantifier et d’analyser les résultats pour calculer des probabilités spécifiques.

📖 2. Loi de probabilité

🔑 Notions clés & Définitions

• Loi de probabilité (voir section 1) : Ensemble des probabilités associant à chaque valeur possible d'une variable aléatoire 𝑋 la probabilité 𝑃(𝑋=𝑥𝑖). Elle est représentée par toutes les probabilités 𝑃(𝑋=𝑥𝑖) pour chaque valeur 𝑥𝑖 que peut prendre 𝑋.

• Définition : La loi de probabilité de 𝑋 est donnée par toutes les probabilités 𝑃(𝑋=𝑥𝑖), où 𝑥𝑖 sont toutes les valeurs prises par 𝑋.

• Méthode pour déterminer la loi (voir vidéos https://youtu.be/awtn6gsRwfs et https://youtu.be/2Ge_4hclPnI) : Identifier toutes les valeurs possibles que peut prendre la variable 𝑋, puis calculer la probabilité associée à chaque valeur en utilisant la définition de 𝑋 et la probabilité de l'événement correspondant.

• Exemple : Si 𝑋 est la plus grande valeur obtenue en lançant deux dés à 6 faces, la loi de 𝑋 est constituée des probabilités 𝑃(𝑋=𝑥𝑖) pour 𝑥𝑖 = 1, 2, 3, 4, 5, 6, calculées à partir des combinaisons possibles (voir correction).

• Vérification : La somme des probabilités de toutes les valeurs 𝑥𝑖 doit être égale à 1, c'est-à-dire :
  $\sum_{i} P(𝑋=𝑥𝑖) = 1$

📝 Points essentiels

• La loi de probabilité permet de décrire complètement le comportement d'une variable aléatoire discrète en précisant la probabilité de chaque valeur qu'elle peut prendre.

• La détermination de la loi repose sur le calcul précis de chaque probabilité 𝑃(𝑋=𝑥𝑖), en utilisant la définition de 𝑋 et la probabilité de l'événement associé.

• La somme des probabilités de toutes les valeurs possibles doit toujours être égale à 1, ce qui constitue une vérification fondamentale de la cohérence de la loi (voir exemple avec le lancer de deux dés).

• La loi de probabilité est essentielle pour calculer des espérances, variances, et autres mesures statistiques (voir sections suivantes).

💡 À retenir

La loi de probabilité d'une variable aléatoire est l'ensemble de toutes ses probabilités associées à ses valeurs possibles, et sa détermination repose sur le calcul précis de ces probabilités en fonction des événements de l'expérience aléatoire. La somme de ces probabilités doit toujours être égale à 1.

📖 3. Calcul d'espérance

🔑 Notions clés & Définitions

• ESPÉRANCE (ou valeur attendue) : Monka (voir source) : somme des valeurs possibles d'une variable aléatoire pondérée par leurs probabilités, représentant le gain moyen espéré sur un grand nombre de répétitions.

• SOMME PONDÉRÉE : La méthode de calcul de l'espérance consiste à multiplier chaque valeur possible de la variable par sa probabilité correspondante, puis à additionner tous ces produits.

• INTERPRÉTATION : Selon Monka (voir source), l'espérance peut être vue comme le gain moyen qu'on peut attendre si l'on répète une expérience aléatoire un grand nombre de fois.

• CALCUL À PARTIR DE LA LOI DE PROBABILITÉ : La loi de probabilité d'une variable aléatoire donne toutes les probabilités associées à ses valeurs possibles, permettant de calculer l'espérance par la formule $E(X) = \sum p_i x_i$.

📝 Points essentiels

• La formule de l'espérance d'une variable aléatoire discrète est :
  $E(X) = \sum_{i} p_i x_i$
  où $p_i = P(X = x_i)$ sont les probabilités associées aux valeurs $x_i$.

• La méthode consiste à déterminer la loi de probabilité de la variable, puis à effectuer la somme des produits de chaque valeur par sa probabilité (voir exemples avec le jeu de cartes ou le lancer de dés dans la source).

• L'espérance représente le gain moyen attendu après un grand nombre de répétitions, ce qui permet d'orienter les décisions dans des jeux ou des expériences aléatoires.

• Exemple dans la source : dans un jeu de cartes, l'espérance est calculée en multipliant chaque gain par sa probabilité, illustrant la notion de gain moyen espéré.

💡 À retenir

L'espérance d'une variable aléatoire est la somme de ses valeurs pondérées par leurs probabilités, représentant le gain moyen attendu sur une multitude de répétitions.

📖 4. Calcul de variance

🔑 Notions clés & Définitions

• Variance (V(X)) : Monka (date) : mesure de la dispersion d'une variable aléatoire autour de son espérance, calculée comme la moyenne des carrés des écarts à l'espérance.
• Formule de la variance à partir de la loi de probabilité : Monka (date) : $V(X) = \sum_{i} p_i (x_i - E(X))^2$, où $p_i$ est la probabilité que $X = x_i$.
• Lien entre variance et dispersion : La variance quantifie la dispersion des valeurs possibles d'une variable aléatoire autour de son espérance, plus la variance est grande, plus les valeurs sont dispersées.
• Exemple de calcul de variance dans un jeu de hasard : La variance se calcule en utilisant la loi de probabilité des gains et la formule de la variance, comme illustré dans les exemples avec tirage de cartes ou de dés.
• Notion d'écart à l'espérance : La différence $(x_i - E(X))$ représente l'écart d'une valeur $x_i$ par rapport à l'espérance, dont le carré est utilisé dans le calcul de la variance.

📝 Points essentiels

• La variance est définie comme la moyenne des carrés des écarts à l'espérance, ce qui permet de mesurer la dispersion des valeurs possibles d'une variable aléatoire autour de son gain moyen attendu.
• La formule de la variance à partir de la loi de probabilité s’écrit :
  $V(X) = \sum_{i} p_i (x_i - E(X))^2$
  où $p_i = P(X = x_i)$.
• La variance est liée à la dispersion : une variance élevée indique que les valeurs de la variable sont très dispersées autour de l'espérance, tandis qu'une variance faible indique une concentration autour de cette valeur.
• Dans un jeu de hasard, le calcul de la variance implique l’utilisation des probabilités associées à chaque gain et la différence entre chaque gain et l’espérance, au carré.
• La formule de la variance permet aussi d’évaluer la stabilité ou la volatilité d’un résultat attendu.

💡 À retenir

La variance d'une variable aléatoire est la moyenne des carrés des écarts à son espérance, ce qui en fait un indicateur clé de la dispersion des valeurs autour du gain moyen.

📖 5. Calcul d'écart-type

🔑 Notions clés & Définitions

• Écart-type (σ) : racine carrée de la variance, mesure de dispersion d'une variable aléatoire autour de son espérance. (source : Monka, 2023)
• Variance (V) : moyenne des carrés des écarts à l'espérance, indique la dispersion globale des valeurs d'une variable. (source : Monka, 2023)
• Relation entre écart-type et variance : l'écart-type est la racine carrée de la variance, soit σ = √V. (source : Monka, 2023)

📝 Points essentiels

• La variance V(X) se calcule en faisant la moyenne des carrés des écarts à l'espérance :
  $V(X) = \sum p_i (x_i - E(X))^2$ où $p_i$ est la probabilité de la valeur $x_i$.
• L'écart-type σ(X) est obtenu en prenant la racine carrée de la variance :
  $\sigma(X) = \sqrt{V(X)}$
• La relation entre ces deux notions permet d'interpréter la dispersion : une variance élevée ou un écart-type élevé indique une grande dispersion des valeurs autour de l'espérance.
• Exemple numérique : si la variance d'une variable est 4, alors son écart-type est $\sqrt{4} = 2$.
• La formule de l'écart-type facilite la compréhension de la dispersion en unités identiques à celles de la variable initiale, contrairement à la variance qui est en unités au carré.

💡 À retenir

L'écart-type, en étant la racine carrée de la variance, offre une mesure intuitive de la dispersion d'une variable autour de son espérance, permettant une comparaison aisée entre différentes distributions.

📖 6. Exemples jeux de hasard

🔑 Notions clés & Définitions

Variable aléatoire (selon Monka, 1654) : Fonction qui associe un nombre réel à chaque issue d’un univers de possibles dans une expérience de hasard, permettant de modéliser les gains ou pertes selon le résultat.

Lois de probabilité (selon Monka, 1654) : Ensemble des probabilités associées aux différentes valeurs possibles d’une variable aléatoire, permettant de décrire la distribution des résultats dans un jeu de hasard.

Calcul d’espérance (selon Monka, 1654) : Somme pondérée des valeurs possibles d’une variable aléatoire par leurs probabilités respectives, représentant le gain moyen attendu sur un grand nombre de répétitions.

Calcul de variance (selon Monka, 1654) : Moyenne des carrés des écarts à l’espérance, mesurant la dispersion ou la variabilité des gains autour de leur valeur moyenne.

📝 Points essentiels

• La variable aléatoire permet de modéliser concrètement les gains ou pertes dans un jeu, comme le tirage d’une carte ou le lancer d’un dé, en associant à chaque issue un nombre réel (exemples : gains de 2 €, -1 €, etc.).

• La loi de probabilité d’une variable aléatoire donne la probabilité que celle-ci prenne une valeur précise, en utilisant la méthode de dénombrement ou de calcul des probabilités conditionnelles (exemples : tirage de deux dés, jeu de cartes).

• La notion d’espérance, introduite par Monka (1654), est essentielle pour estimer le gain moyen attendu, ce qui permet d’évaluer la rentabilité d’un jeu ou d’un pari.

• La variance, également définie par Monka, mesure la dispersion des résultats, indiquant si les gains sont généralement proches ou très dispersés autour de l’espérance.

• Ces notions sont illustrées par des exemples concrets : tirage de cartes dans un jeu de 32 cartes, lancer de deux dés, ou mesure du diamètre de billes, permettant de calculer facilement l’espérance, la variance et l’écart-type.

💡 À retenir

Les jeux de hasard illustrent concrètement comment modéliser, analyser et prévoir les résultats grâce aux variables aléatoires, lois de probabilité, espérance, variance et écart-type, permettant une compréhension précise des risques et gains potentiels.

📖 7. Distribution de la plus grande valeur

🔑 Notions clés & Définitions

• Variable aléatoire (voir section 1) : Fonction qui associe un nombre réel à chaque issue de l’univers des possibles d’une expérience aléatoire.
• Loi de probabilité (voir section 2) : Ensemble des probabilités associées à chaque valeur possible d’une variable aléatoire, permettant de décrire la distribution des résultats.
• Distribution de la plus grande valeur (concept spécifique) : Loi de probabilité de la variable aléatoire qui représente la valeur maximale obtenue lors de plusieurs essais ou expériences, comme le lancement de deux dés.
• Méthode d’établissement à partir des combinaisons possibles : Processus consistant à déterminer la loi de probabilité en listant toutes les combinaisons d’issues et en comptant celles qui correspondent à chaque valeur maximale.

📝 Points essentiels

• La variable aléatoire considérée est la plus grande valeur obtenue lors du lancement de deux dés à six faces. Elle peut prendre les valeurs 1, 2, 3, 4, 5 ou 6.
• Pour chaque valeur possible, on détermine la probabilité en comptant le nombre de combinaisons favorables parmi les 36 issues possibles (car 6×6). Par exemple, pour 𝑋=5, on compte toutes les paires où la valeur maximale est 5.
• La loi de probabilité de 𝑋 est obtenue en calculant la fréquence relative de chaque valeur maximale :
  • 𝑃(𝑋=1) = 1/36 (seulement la combinaison (1,1))
  • 𝑃(𝑋=2) = 3/36 (combinations : (1,2), (2,1), (2,2))
  • 𝑃(𝑋=3) = 5/36, 𝑃(𝑋=4) = 7/36, 𝑃(𝑋=5) = 9/36, 𝑃(𝑋=6) = 11/36.
• La somme de toutes ces probabilités est égale à 1, vérifiant la cohérence de la loi.
• La méthode consiste à analyser toutes les combinaisons possibles pour chaque valeur maximale, puis à compter celles qui la réalisent.

💡 À retenir

La distribution de la plus grande valeur obtenue en lançant deux dés peut être déterminée en comptant systématiquement les combinaisons favorables pour chaque valeur maximale, ce qui permet d’établir la loi de probabilité correspondante.

📖 8. Propriétés linéaires

🔑 Notions clés & Définitions

• E(aX + b) = aE(X) + b : propriété de linéarité de l'espérance, selon laquelle l'espérance d'une variable aléatoire transformée linéairement par un facteur a et un décalage b est égale à la transformation de l'espérance initiale. (source : Yvan Monka, 2023)

• V(aX + b) = a²V(X) : propriété de la variance sous transformation linéaire, indiquant que la variance d'une variable aléatoire après une transformation affine est multipliée par le carré du coefficient a, la constante b n'ayant pas d'effet sur la dispersion. (source : Yvan Monka, 2023)

• Utilisation des propriétés linéaires : simplification des calculs d'espérance et de variance pour des variables transformées, permettant d'éviter des calculs complexes en décomposant la transformation en opérations linéaires. (source : Yvan Monka, 2023)

📝 Points essentiels

• La propriété E(aX + b) = aE(X) + b facilite le calcul de l'espérance d'une variable transformée, en utilisant simplement l'espérance de la variable initiale. Elle est particulièrement utile pour les changements d'échelle ou de décalage (ex : Y = 1000X - 1300).

• La propriété V(aX + b) = a²V(X) montre que la dispersion (variance) d'une variable transformée est uniquement affectée par le facteur multiplicatif a, la constante b n'ayant aucun impact. Cela permet de calculer rapidement la variance après une transformation affine.

• Ces propriétés sont essentielles pour simplifier les calculs dans des exemples concrets, comme l'estimation de diamètres de billes ou de gains dans des jeux de hasard, en évitant de recalculer intégralement l'espérance ou la variance.

• La méthode consiste à appliquer directement ces propriétés pour obtenir rapidement les résultats, notamment en utilisant des variables de transition (non exigible).

💡 À retenir

Les propriétés linéaires de l'espérance et de la variance permettent de simplifier considérablement le calcul des moments de variables transformées, en utilisant uniquement les moments de la variable initiale.

📖 9. Application mesures de diamètre

🔑 Notions clés & Définitions

• Variable aléatoire (voir section 1) : une fonction qui associe un nombre réel à chaque issue d'une expérience aléatoire. Dans ce contexte, elle représente la mesure du diamètre d'une bille tirée au hasard dans un lot de production.

• Application des mesures statistiques : utilisation de la variable aléatoire pour calculer des indicateurs comme l'espérance et l'écart-type, permettant d'analyser la qualité de la production de billes.

• Variable de transition (exemple : Y = 1000X - 1300) : transformation linéaire d'une variable aléatoire pour simplifier les calculs, notamment pour déterminer l'espérance et la variance, en évitant des calculs complexes directement sur la variable initiale.

• Calcul de l'espérance (voir section 3) : somme pondérée des valeurs possibles de la variable aléatoire par leurs probabilités, permettant d'estimer la moyenne du diamètre dans la production.

• Calcul de l'écart-type (voir section 5) : racine carrée de la variance, mesure de la dispersion des diamètres autour de la moyenne, essentielle pour évaluer la précision du processus de fabrication.

📝 Points essentiels

• La variable aléatoire $X$ représente le diamètre mesuré d'une bille, avec une loi de probabilité spécifique (exemple : valeurs possibles et leurs probabilités). La loi de probabilité est déterminée à partir de l'observation ou de l'échantillonnage dans la production.

• La transformation $Y = 1000X - 1300$ permet de simplifier le calcul de l'espérance et de la variance de $X$. En effet, cette variable de transition facilite les calculs en utilisant des propriétés linéaires :
  $E(Y) = 1000 \times E(X) - 1300$ $V(Y) = 1000^2 \times V(X)$

• La détermination de l'espérance de $X$ à partir de $Y$ est essentielle pour connaître la moyenne du diamètre dans la production, ce qui permet d'ajuster le processus si nécessaire.

• La variance et l'écart-type donnent une idée de la dispersion des diamètres, permettant d'évaluer la stabilité et la précision du procédé industriel.

• La méthode de calcul repose sur la loi de probabilité de la variable aléatoire et l'utilisation de propriétés linéaires pour simplifier les opérations.

💡 À retenir

L'utilisation de variables de transition permet de simplifier le calcul de l'espérance et de la variance du diamètre des billes, facilitant ainsi le contrôle qualité dans un contexte industriel.

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre la définition de variable aléatoire avec une simple variable numérique ; la variable aléatoire est une fonction de l’univers des possibles.
2. Oublier que la somme des probabilités $P(X=x_i)$ doit être égale à 1.
3. Confondre espérance et moyenne arithmétique simple : l’espérance est une moyenne pondérée par la loi de probabilité.
4. Négliger la différence entre variance et écart-type : l’écart-type est la racine carrée de la variance.
5. Utiliser la formule de la variance sans avoir calculé préalablement l’espérance.
6. Confondre la distribution de la plus grande valeur avec la distribution de X en général.
7. Mal appliquer la propriété de linéarité pour le calcul de l’espérance ou de la variance.

✅ Checklist Examen

1. Connaître la définition de Blaise Pascal sur la variable aléatoire.
2. Savoir identifier l’univers des possibles $E$ dans un contexte donné.
3. Être capable de déterminer la loi de probabilité d’une variable aléatoire discrète.
4. Vérifier que la somme des probabilités associées à la loi est égale à 1.
5. Savoir calculer l’espérance $E(X) = \sum p_i x_i$ à partir de la loi de probabilité.
6. Maîtriser la formule de la variance $V(X) = \sum p_i (x_i - E(X))^2$.
7. Comprendre l’interprétation de l’espérance comme gain moyen.
8. Connaître la formule de l’écart-type $\sigma = \sqrt{V(X)}$.
9. Savoir calculer la variance à partir d’un exemple de distribution de gains.
10. Être capable d’appliquer la propriété de linéarité pour l’espérance et la variance.
11. Maîtriser la distribution de la plus grande valeur dans un jeu de hasard.
12. Savoir appliquer ces notions pour le calcul de mesures de diamètre ou autres applications concrètes.