Fiche de révision : Introduction aux variables aléatoires et lois de probabilité

📋 Plan du Cours

1. Variables aléatoires simples
2. Arbres de probabilités
3. Probabilités de Z
4. Espérance de X et Y
5. Variance de X et Y
6. Variance de Z
7. Espérance et variance de X (distributions continues)
8. Variable Y avec réduction
9. Distribution binomiale (épreuves répétées)
10. Calculs d'espérance et variance (binomiale)

📖 1. Variables aléatoires simples

🔑 Notions clés & Définitions

• Variables aléatoires simples : Variable aléatoire qui ne possède qu’un seul type de distribution, soit discrète, soit continue, et dont la loi est entièrement caractérisée par sa fonction de masse ou sa fonction de densité.

• Distribution discrète : Loi d’une variable aléatoire dont l’ensemble des valeurs possibles est dénombrable (finie ou infinie dénombrable). La loi est décrite par une fonction de masse.

• Distribution continue : Loi d’une variable aléatoire dont l’ensemble des valeurs possibles est un intervalle ou un ensemble non dénombrable. La loi est décrite par une fonction de densité.

• Fonction de masse : Fonction associée à une variable aléatoire discrète, qui à chaque valeur possible de la variable associe la probabilité que cette valeur soit prise.

• Fonction de densité : Fonction associée à une variable aléatoire continue, telle que la probabilité que la variable prenne une valeur dans un intervalle est donnée par l’intégrale de cette densité sur cet intervalle.

📝 Points essentiels

• La variable aléatoire simple peut être discrète ou continue, selon que ses valeurs possibles soient dénombrables ou non.
• La loi d’une variable discrète est entièrement déterminée par sa fonction de masse, qui doit satisfaire la condition : la somme de toutes ses valeurs de masse est égale à 1.
• La loi d’une variable continue est décrite par sa fonction de densité, qui doit être positive sur son domaine et dont l’intégrale sur tout le domaine est égale à 1.
• La fonction de densité ne donne pas directement la probabilité qu’une variable continue prenne une valeur précise, mais la probabilité qu’elle prenne une valeur dans un intervalle est donnée par l’intégrale de la densité sur cet intervalle.

💡 À retenir

Une variable aléatoire simple est caractérisée par sa loi, discrète ou continue, définie respectivement par une fonction de masse ou une fonction de densité, permettant de calculer ses probabilités ou espérances.

📖 2. Arbres de probabilités

🔑 Notions clés & Définitions

Arbres de probabilités : Représentation graphique permettant de visualiser l'ensemble des événements possibles d'une expérience aléatoire, en décomposant chaque étape en branches successives correspondant aux résultats possibles.

Représentation graphique : Schéma illustrant sous forme d'un arbre les différentes issues d'une expérience aléatoire, avec les branches représentant les choix ou résultats possibles à chaque étape.

Chemins de probabilités : Suites de branches successives dans un arbre de probabilités, correspondant à une réalisation complète d'une expérience, associant une probabilité à chaque chemin en multipliant les probabilités le long des branches.

📝 Points essentiels

• Les arbres de probabilités permettent de représenter visuellement la structure d'une expérience composée de plusieurs étapes, chacune ayant ses propres issues possibles.
• La représentation graphique facilite le calcul des probabilités d'événements complexes en décomposant l'ensemble en chemins précis.
• Chaque chemin dans l'arbre correspond à une issue complète de l'expérience, avec une probabilité donnée obtenue en multipliant les probabilités associées à chaque branche du chemin.
• La somme des probabilités de tous les chemins issus d'un même nœud est égale à 1.
• La construction d'un arbre commence par le nœud initial, puis se déploie en branches successives pour chaque étape, jusqu'à atteindre les issues finales.

💡 À retenir

Les arbres de probabilités sont un outil graphique essentiel pour visualiser et calculer les probabilités d'événements composés, en décomposant l'expérience en chemins successifs.

📖 3. Probabilités de Z

🔑 Notions clés & Définitions

• Variable aléatoire Z : une variable aléatoire qui associe à chaque réalisation d'une expérience un nombre réel, ici Z prend des valeurs dans l'ensemble {2, 3, 4} (voir section 2 pour la définition d'une variable aléatoire).
• Distribution de Z : l'ensemble des probabilités associées à chaque valeur possible de Z, c'est-à-dire P(Z=2), P(Z=3), P(Z=4). Elle décrit la loi de probabilité de la variable Z, c'est-à-dire comment se répartissent les probabilités sur ses valeurs possibles.

📝 Points essentiels

• La variable Z est définie comme étant la somme de deux autres variables aléatoires X et Y, Z = X + Y.
• La distribution de Z est donnée par ses probabilités :
  • P(Z=2) = 3/28
  • P(Z=3) = 15/28
  • P(Z=4) = 5/14
• La somme de variables aléatoires Z permet de déterminer la probabilité que Z prenne une valeur spécifique, en utilisant la distribution de Z.
• La distribution de Z est entièrement caractérisée par ses probabilités associées à chaque valeur.

💡 À retenir

La distribution de Z, en tant que variable aléatoire, est définie par ses probabilités sur ses valeurs possibles, permettant d'étudier la probabilité que Z prenne une certaine valeur.

📖 4. Espérance de X et Y

🔑 Notions clés & Définitions

• Espérance de X et Y : La moyenne ou valeur attendue d'une variable aléatoire, notée E(X) ou E(Y), représente la moyenne pondérée de ses valeurs possibles, selon leurs probabilités respectives.
• Calcul de l'espérance : Pour une variable discrète, elle se calcule en faisant la somme des produits de chaque valeur par sa probabilité :
  $E(X) = \sum x_i \times P(X = x_i)$
• Linéarité de l'espérance : La propriété fondamentale selon laquelle, pour deux variables aléatoires X et Y, on a :
  $E(X + Y) = E(X) + E(Y)$
  Cette propriété est valable même si X et Y ne sont pas indépendantes.

📝 Points essentiels

• L'espérance permet d'obtenir la moyenne théorique d'une variable aléatoire sur un grand nombre d'expériences répétées.
• Lorsqu'on considère deux variables X et Y, leur espérance conjointe ou espérance de leur somme peut se déduire en utilisant la linéarité :
  $E(Z) = E(X + Y) = E(X) + E(Y)$
• La formule de l'espérance se calcule en utilisant la distribution de la variable, en multipliant chaque valeur par sa probabilité, puis en sommant.
• La linéarité de l'espérance ne nécessite pas l'indépendance des variables.

💡 À retenir

L'espérance d'une somme de variables est la somme de leurs espérances, ce qui simplifie considérablement le calcul de valeurs attendues dans des situations complexes.

📖 5. Variance de X et Y

🔑 Notions clés & Définitions

• Variance de X et Y : La variance d'une variable aléatoire mesure la dispersion de ses valeurs autour de son espérance. Elle est notée V(X) ou V(Y) et se calcule généralement par la formule V(X) = E[(X - E[X])²].

• Calcul de la variance : La variance peut aussi s'exprimer par V(X) = E[X²] - (E[X])², où E[X²] est l'espérance du carré de la variable.

• Indépendance et variance : Si deux variables X et Y sont indépendantes, la variance de leur somme est la somme de leurs variances : V(X + Y) = V(X) + V(Y). Cette propriété est essentielle pour simplifier le calcul de la variance de variables combinées.

📝 Points essentiels

• La variance de X ou Y quantifie leur dispersion autour de leur espérance, ce qui permet d’évaluer la variabilité des résultats.

• Le calcul de la variance peut se faire à partir de E[X²] ou en utilisant la formule V(X) = E[X²] - (E[X])².

• Lorsqu’on considère la somme de deux variables indépendantes, la variance de la somme est la somme de leurs variances : V(X + Y) = V(X) + V(Y). Cette propriété est vérifiée uniquement si X et Y sont indépendantes.

• La variance de Z = X + Y, avec X et Y indépendantes, se calcule directement par V(Z) = V(X) + V(Y).

💡 À retenir

La variance de X et Y mesure leur dispersion, et si elles sont indépendantes, la variance de leur somme est la somme de leurs variances.

📖 6. Variance de Z

🔑 Notions clés & Définitions

• Variance de Z : La variance d'une variable aléatoire Z, notée V(Z), mesure la dispersion ou l'étalement de Z autour de son espérance. Elle est définie par V(Z) = E[(Z - E(Z))²].

• Variance de la somme de variables indépendantes : Si X et Y sont deux variables aléatoires indépendantes, alors la variance de leur somme est la somme de leurs variances : V(X + Y) = V(X) + V(Y). Cette propriété découle de la linéarité de l'espérance et de l'indépendance (voir section 4 et 5).

• Variance de Z (exemple spécifique) : Dans le contexte de Z, qui peut être la somme de variables aléatoires (par exemple, Z = X + Y), la variance se calcule en utilisant la propriété de la variance de la somme si les variables sont indépendantes.

📝 Points essentiels

• La variance de Z peut être calculée à partir de la variance de ses composantes si celles-ci sont indépendantes : V(Z) = V(X + Y) = V(X) + V(Y).

• La variance de Z dépend de la variance de chaque variable qui la compose, ainsi que de leur indépendance. Si X et Y ne sont pas indépendantes, d'autres méthodes de calcul sont nécessaires.

• La variance de Z est une mesure de la dispersion totale lorsque Z est une somme ou une combinaison de variables indépendantes.

• La propriété de la variance de la somme de variables indépendantes est essentielle pour simplifier les calculs de variance dans des situations complexes.

💡 À retenir

La variance de Z, lorsqu'elle est la somme de variables indépendantes, est la somme de leurs variances : V(Z) = V(X) + V(Y). Cette propriété facilite grandement le calcul de la dispersion totale dans des combinaisons de variables indépendantes.

📖 7. Espérance et variance de X (distributions continues)

🔑 Notions clés & Définitions

• Distribution continue : Une variable aléatoire X est dite à distribution continue si sa fonction de densité f(x) est une fonction positive et intégrable sur ℝ, permettant de définir la probabilité que X prenne une valeur dans un intervalle par l'intégrale de f(x) sur cet intervalle.

• Fonction de densité : Fonction f(x) associée à une variable aléatoire continue, telle que pour tout a < b, la probabilité que X ∈ [a, b] est donnée par P(a ≤ X ≤ b) = ∫a^b f(x) dx, avec f(x) ≥ 0 et ∫{-∞}^{+∞} f(x) dx = 1.

• Espérance (E(X)) : La moyenne ou valeur attendue d'une variable continue X, définie par E(X) = ∫_{-∞}^{+∞} x f(x) dx, si cette intégrale est convergente.

• Variance (V(X)) : La dispersion de X autour de son espérance, définie par V(X) = E[(X - E(X))²] = ∫_{-∞}^{+∞} (x - E(X))² f(x) dx, si cette intégrale est finie.

📝 Points essentiels

• La distribution continue permet de modéliser des phénomènes où les valeurs possibles sont infiniment nombreuses dans un intervalle, contrairement à la distribution discrète.

• L'espérance d'une variable continue est calculée via l'intégrale de x multiplié par la fonction de densité f(x).

• La variance se calcule à partir de l'espérance de X², en utilisant la formule V(X) = E(X²) - [E(X)]², où E(X²) = ∫_{-∞}^{+∞} x² f(x) dx.

• La somme de deux variables continues indépendantes X et Y a pour fonction de densité la convolution de leurs densités respectives, et leur variance s'additionne : V(X + Y) = V(X) + V(Y).

💡 À retenir

L'espérance et la variance d'une variable continue se déterminent par des intégrales de sa fonction de densité, permettant d'analyser la tendance centrale et la dispersion de la distribution.

📖 8. Variable Y avec réduction

🔑 Notions clés & Définitions

• Variable Y avec réduction : Variable aléatoire obtenue en appliquant une réduction ou une transformation à une variable initiale, souvent pour simplifier l’analyse ou la calculer plus facilement. Elle résulte d’une opération de réduction sur une variable Y, qui peut inclure une réduction par une variable réduite ou une variable transformée.

• Réduction de variable : Opération consistant à transformer ou à simplifier une variable Y en une variable plus simple ou plus adaptée à l’analyse, souvent par réduction de ses modalités ou par une transformation linéaire.

• Variable réduite : Variable obtenue après une réduction ou transformation de la variable initiale, permettant d’étudier plus aisément ses propriétés ou ses moments (espérance, variance).

📝 Points essentiels

• La variable Y peut être réduite en utilisant une transformation linéaire, par exemple Y = aX, où a est un coefficient, pour obtenir une nouvelle variable plus simple à analyser (exemple : Y = 0,8X).
• La réduction permet souvent de calculer plus facilement l’espérance et la variance de Y, en utilisant les propriétés de la variable initiale X.
• La réduction de variable est utile pour obtenir une variable réduite, qui conserve certaines propriétés essentielles tout en étant plus simple à manipuler.
• La réduction de variable peut aussi concerner la simplification de la distribution ou la réduction du nombre de modalités.

💡 À retenir

La réduction de variable consiste à transformer une variable Y en une variable réduite, facilitant ainsi le calcul de ses moments et l’analyse statistique, tout en conservant ses caractéristiques essentielles.

📖 9. Distribution binomiale (épreuves répétées)

🔑 Notions clés & Définitions

• Distribution binomiale : Loi de probabilité qui modélise le nombre de succès dans une série d’épreuves indépendantes identiques, chacune ayant deux issues possibles (succès ou échec).
• Épreuves répétées : Série d’expériences identiques, indépendantes, où chaque épreuve a deux issues possibles.
• Loi binomiale : Loi de probabilité associée à la distribution binomiale, caractérisée par deux paramètres : le nombre d’épreuves $n$ et la probabilité de succès $p$ lors d’une épreuve.

📝 Points essentiels

• La variable aléatoire $X$ qui suit une loi binomiale de paramètres $n$ et $p$ modélise le nombre de succès obtenus après $n$ épreuves indépendantes, chacune ayant une probabilité de succès $p$.
• La loi binomiale est utilisée pour modéliser des situations où l’on répète une expérience deux issues, de manière indépendante, plusieurs fois.
• La distribution est caractérisée par ses paramètres :
  • $n$ : nombre d’épreuves (ou répétitions).
  • $p$ : probabilité de succès lors d’une épreuve.
• La somme de variables aléatoires indépendantes suivant des lois binomiales est également une loi binomiale, avec des paramètres ajustés (voir référence à la variance de la somme).
• La moyenne (espérance) d’une loi binomiale est $E(X) = n \times p$.
• La variance d’une loi binomiale est $V(X) = n \times p \times (1 - p)$.

💡 À retenir

La loi binomiale modélise le nombre de succès dans une série d’épreuves indépendantes, chacune ayant deux issues, et est entièrement déterminée par le nombre d’épreuves $n$ et la probabilité de succès $p$.

📖 10. Calculs d'espérance et variance (binomiale)

🔑 Notions clés & Définitions

• Loi binomiale : La loi binomiale décrit la distribution de la variable aléatoire qui compte le nombre de succès dans une série d’épreuves indépendantes identiques, chacune ayant deux issues possibles (succès ou échec).
• Paramètres n et p :
  • n : le nombre d’épreuves ou de répétitions (entier naturel).
  • p : la probabilité de succès lors d’une seule épreuve (réel dans [0,1]).
• Calculs d'espérance et variance :
  • L’espérance d’une variable binomiale X(n,p) est donnée par :
    $E(X) = n \times p$
  • La variance d’une variable binomiale X(n,p) est donnée par :
    $V(X) = n \times p \times (1 - p)$

📝 Points essentiels

• La loi binomiale modélise le nombre de succès dans une série d’épreuves indépendantes, identiques, avec deux issues possibles.
• Pour une variable binomiale X(n,p), l’espérance est n × p, ce qui correspond à la moyenne attendue du nombre de succès.
• La variance, n × p × (1 - p), mesure la dispersion ou la variabilité du nombre de succès autour de l’espérance.
• La somme de deux variables binomiales indépendantes de mêmes paramètres est une variable binomiale dont le paramètre n est la somme des n de chaque variable, si p est identique.
• La loi binomiale est utilisée pour calculer l’espérance et la variance dans des situations d’épreuves répétées avec deux issues.

💡 À retenir

La loi binomiale, caractérisée par ses paramètres n et p, permet de calculer facilement l’espérance et la variance du nombre de succès dans une série d’épreuves indépendantes.

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre fonction de masse et fonction de densité : la première pour variable discrète, la seconde pour variable continue.
2. Oublier que la densité ne donne pas directement la probabilité d’une valeur précise, mais une probabilité dans un intervalle.
3. Confondre la somme des probabilités (∑ p(x)) et leur égalité à 1.
4. Ne pas appliquer la propriété de linéarité de l’espérance lorsque l’on calcule E(X+Y).
5. Confondre la variance de la somme avec la somme des variances sans vérifier l’indépendance.
6. Ne pas vérifier que la fonction de densité est positive et que son intégrale vaut 1.
7. Oublier que la variance V(X) = E[X²] - (E[X])².

✅ Checklist Examen

1. Connaître la définition d’une variable aléatoire simple et ses deux types (discrète et continue).
2. Savoir distinguer une fonction de masse d’une fonction de densité.
3. Être capable de calculer l’espérance d’une variable discrète et continue.
4. Connaître la propriété de linéarité de l’espérance : E(X+Y) = E(X) + E(Y).
5. Savoir calculer la variance à partir de E[X²] et (E[X])².
6. Comprendre la propriété V(X+Y) = V(X) + V(Y) si X et Y sont indépendantes.
7. Maîtriser la représentation graphique d’un arbre de probabilités.
8. Savoir décomposer un événement complexe en chemins dans un arbre.
9. Connaître la distribution de Z = X + Y, avec ses probabilités P(Z=k).
10. Être capable d’interpréter une distribution discrète ou continue.
11. Identifier les pièges liés à la densité et à la masse.
12. Vérifier que la fonction de densité ou de masse satisfait les conditions d’intégrale ou de somme égale à 1.