Académique Documents
Professionnel Documents
Culture Documents
Remarque
L’espérance peut être pensée comme une généralisation de la notion de
moyenne. Illustrons ce point avec l’exemple suivant.
I. Espérance d’une variable aléatoire discrète
• Expérience aléatoire : on effectue 1 lancer d’un dé à 6 faces.
I.1. Définition • Univers : Ω = J1, 6K.
Définition • Notons X la v.a.r. égale au résultat du lancer.
Soit (Ω, A , P) un espace probabilisé. • X(Ω) = J1, 6K donc X est donc une v.a.r. discrète finie.
Soit X une v.a. discrète sur (Ω, A ). 1) Dans un premier temps, munissons Ω de la probabilité uniforme P1 .
La v.a.r. X étant finie, elle admet une espérance donnée par :
1) Si X est finie : et que X(Ω) = {x1 , . . . , xn }.
6
Dans ce cas, on appelle espérance de la v.a. X et on note E(X) : E(X) =
P
x P1 ({X = x}) =
P
k P1 ([X = k])
x∈X(Ω) k=1
n
P 1 P6 1 6(6 + 1)
E(X) = xi P({X = xi }) = k = = 3, 5
i=1 6 k=1 6 2
Le réel 3, 5 est la moyenne des résultats du lancer d’un dé équilibré
2) Si X est infinie : et que X(Ω) = {xi | i ∈ N}. (probabilité P1 prise en compte).
P
Dans ce cas, si la série xn P([X = xn ]) est absolument conver- 2) On munit maintenant Ω de la probabilité P2 telle que :
gente, on appelle espérance de la v.a. X et on note E(X) :
1
P({4}) = P({5}) = P({6}) =
+∞
P 3
E(X) = xi P({X = xi })
i=0 La v.a.r. X étant finie, elle admet une espérance donnée par :
P 6
P
3) De manière générale, si on écrit X(Ω) = {xi | i ∈ I} (avec I ⊂ N) alors, E(X) = x P2 ({X = x}) = k P2 ([X = k])
x∈X(Ω) k=1
sous réserve d’existence : P6 1P 6 1 3(4 + 6)
= k P2 ([X = k]) = k = = 5
P P k=4 3 k=4 3 2
E(X) = x P({X = x}) = xi P({X = xi })
x∈X(Ω) i∈I Le réel 5 est la moyenne des résultats du lancer dans le cas de notre dé
truqué (probabilité P1 prise en compte).
1
PSI 2022-2023
2
PSI 2022-2023
3
PSI 2022-2023
• En travaillant dans [0, +∞], on opère un changement de point de vue. I.2.c) Propriétés de manipulation
+∞
P 1
Prenons par exemple la somme . Théorème 2. (sommation par paquets)
i=1 i
Soit I un ensemble au plus dénombrable.
1) Point de vue séries
P 1 Soit (In )n∈N une partition de l’ensemble I.
La série est divergente. On ne peut donc pas pas considérer sa Autrement dit, I s’écrit comme une réunion disjointe : I = S I .
n n
somme et l’écriture ci-dessus n’est donc pas autorisée. n∈N
Soit (xi )i∈I une famille d’éléments de [0, +∞].
2) Point de vue manipulation dans [0, +∞]
Cette somme a tout son sens lorsqu’on travaille dans [0, +∞]. Plus pré-
!
P +∞
P P
+∞ xi = xi
P 1 1
cisément, = +∞. La famille n’est donc pas sommable. i∈I n=0 i∈In
i=1 i i i∈N∗
• Illustrons le point précédent avec un autre exemple. Remarque
Remarquons : ∀x ⩾ 0, ex − 1 ⩾ x. On en déduit : • La sommation par paquets peut être considérée comme un réarrangement
4
PSI 2022-2023
On en déduit : Remarque
+∞
! ! • Découpage, calcul et majoration de sommes sont autorisés dans [0, +∞].
1 +∞
La finitude de la somme vaut alors preuve de sommabilité.
P P P P
ui = uj
n=0 i∈In 2 n=0 j∈Jn 1 1
Par exemple, comme : ∀n ∈ N∗ , ⩽ 2 . On peut alors écrire :
n(n + 1) n
ce qui démontre que les sommes :
+∞
P 1 +∞
P 1
+∞
!
+∞
! ⩽ 2
< +∞
P P P P n=1 n(n + 1) n=1 n
ui et uj
n=0 i∈In n=0 j∈Jn
1
Ainsi, la famille est sommable.
n(n + 1)
+∞
P (−1)k+1
ne peuvent toutes les deux coïncider avec (ce devrait être le • Lorsqu’on travaille dans [0, +∞], on peut aussi utiliser le théorème de
k=1 k
Fubini ou sommer par paquets. On peut ajouter que dans [0, +∞] :
cas si on pouvait sommer par paquets).
× il y a invariance d’une somme par permutation (on peut sommer dans
P P P
! Soit I un ensemble au plus dénombrable.
ai × bj = ai × bj Soit (xi )i∈I une famille d’éléments de C.
(i,j)∈I×J i∈I j∈J
• La famille (xi )i∈I est dite sommable si (|xi |)i∈I l’est.
!
P
=
P
ai
P
bj Autrement dit : La famille (xi )i∈I est sommable ⇔ | xi | < +∞
i∈I
i∈I j∈J
! ! • En particulier, si I = N :
P P P P
= bj × ai = ai × bj P
La famille (xi )i∈N est La série xn est
j∈J i∈I i∈I j∈J ⇔
sommable absolument convergente
5
PSI 2022-2023
Remarque Remarque
• Dans cette définition, on étend la sommabilité à des familles d’éléments • Si (xi )i∈I est une famille d’éléments de C, alors :
de C (et plus seulement des familles d’éléments de [0, +∞]). Évidemment, ∀i ∈ I, Re(xi ) ⩽ | xi | et Im(xi ) ⩽ | xi |
cette définition est valide quand on considère une famille (xi )i∈I d’éléments
dans R (puisque R ⊂ C). Ainsi, si (xi )i∈I est sommable (ce qui signifie | xi | i∈I sommable), alors,
par domination, les familles Re(xi ) i∈I et Im(xi ) i∈I sont sommables.
• Dans [0, +∞], il n’y a que deux modes : les familles sont sommables ou
P P P
sont de somme +∞. Cette propriété s’exprime de manière pratique par la • Dans ce cas : xk = Re(xk ) + i Im(xk ).
k∈I k∈I k∈I
notation : P P
xi < +∞ et xi = +∞ Théorème 5. (linéarité pour les familles sommables)
i∈I i∈I
Soit I un ensemble au plus dénombrable.
• Dans C, une telle disjonction n’existe pas. On peut ne pas pouvoir sommer Soient (xi )i∈I et (yi )i∈I deux familles d’éléments de C.
(−1)n est Soit (λ, µ) ∈ C × C.
P
pour beaucoup de raisons différentes. Par exemple, la série
divergente et la suite (Sn ) de ses sommes partielles n’admet même pas de
On suppose que (xi )i∈I et (yi )i∈I sont sommables.
limite. En effet :
Alors (λ xi + µ yi )i∈I est une famille sommable et :
∀n ∈ N, S2n = 1 et S2n+1 = 0 P P P
(λ xi + µ yi ) = λ xi + µ yi
(si la suite (Sn ) admettait une limite finie ℓ, alors ℓ serait la limite com- i∈I i∈I i∈I
Théorème 4. (sommabilité par domination) les sommes se manipulent naturellement grâce aux propriétés suivante :
croissance, linéarité, sommation par paquets, théorème de Fubini.
Soit I un ensemble au plus dénombrable.
• Il ne faut pas surinterpréter ce résultat. Il ne permet pas d’écrire :
Soit (xi )i∈I une famille d’éléments de C.
+∞
P +∞
P +∞
P
Soit (yi )i∈I une famille d’éléments de [0, +∞]. (n + 1) − n = (n + 1) − n
n=1 n=1 n=1
+∞ +∞
∀i ∈ I, | xi | ⩽ yi
P P
•
La famille (xi )i∈I = n− n
• La famille (yi )i∈I est sommable ⇒ est sommable
n=2
+∞
n=1
+∞
P P
= n− 1+ n = −1
n=2 n=2
6
PSI 2022-2023
Ce calcul est manifestement faux puisque : I.3. Une « nouvelle » définition de l’espérance
+∞
P I.3.a) Notion d’espérance finie
1 = −1
n=1 Définition
L’erreur provient de l’étape de linéarité. Celle-ci n’est autorisée que sous Soit (Ω, A , P) un espace probabilisé.
l’hypothèse de sommabilité des familles étudiées. Ce n’est pas le cas ici Soit X une v.a. discrète sur (Ω, A , P).
+∞
P +∞
P
puisque : n = +∞ et n = +∞. 1) Cas où X est à valeurs dans [0, +∞]
n=2 n=1
• Dans ce cas, on peut toujours calculer E(X) à l’aide de la définition
• On retiendra qu’obtenir un résultat fini à l’issue d’une manipulation de
suivante :
sommes NE permet PAS de justifier après coup de la sommabilité dans le P
E(X) = x P {X = x}
cas général. x∈X(Ω)
(plus précisément, obtenir un résultat fini justifie la sommabilité seulement
Le résultat obtenu est un élément de [0, +∞].
lorsque toutes les manipulations s’opèrent dans [0, +∞])
• On notera alors E(X) < +∞ pour signifer que le calcul de E(X) a
• De la même manière, on ne peut écrire : fourni un résultat fini.
+∞ +∞ 2) Cas où X est à valeurs dans C
P 1 P 1 1
= −
n=2 n(n − 1) n=2 n−1 n • On dit que la variable X est d’espérance finie si la famille x P {X = x}
x∈X(Ω)
+∞
P 1 +∞
P 1 est sommable.
= − • Dans ce cas, on appelle espérance de X la quantité finie définie par :
n=2 n − 1 n=2 n
P
E(X) = x P {X = x}
+∞ 1 +∞
P 1 +∞
P 1 +∞ P 1
P x∈X(Ω)
= − = 1+ −
n=1 n n=2 n n=2 n n=2 n Remarque
L’étape problématique est, une nouvelle fois, la linéarité. • Comme déjà mentionné auparavant, le cas X est à valeurs dans C permet
Celle-ci exige la sommabilité des familles étudiées ce qui n’est pas le cas de couvrir aussi le cas où X est à valeurs réelles (mais pas toutes positives).
+∞
P 1 +∞
P 1
puisque = +∞ et = +∞. • Rappelons par ailleurs que si X est à valeurs dans C, la famille x P {X = x}
n=2 n − 1 n=2 n x∈X(Ω)
est
aussi à valeursdans C. Par définition, cette famille est sommable si
Remarquons quand même que le résultat obtenu (la somme initiale vaut 1)
| x | P {X = x} l’est.
est juste ! Cela provient de l’extension de la sommation télescopique dans x∈X(Ω)
le cas d’une somme infinie : • Cela démontre au passsage :
+∞
P
(an+1 − an ) = −a1 sous l’hypothèse an −→ +∞ La v.a. X est d’espérance finie ⇔ E | X | < +∞
n=1 n→+∞
7
PSI 2022-2023
Remarque
À RETENIR • De manière générale, si l’on veut connaître l’espérance d’une variable aléa-
On retiendra notamment que la somme de v.a. discrètes d’espérances finies toire discrète Y, il faut connaître sa loi, c’est-à-dire la donnée de la famille
est d’espérance finie. P {Y = y} .
y∈Y (Ω)
• Le théorème de transfert stipule que si Y est une transformée d’une variable
aléatoire X alors son espérance peut être déterminée par la loi de X et plus
par celle de Y .
8
PSI 2022-2023
9
PSI 2022-2023
II.3. Détermination pratique de la variance Supposons maintenant que X est de variance finie et démontrons la formule.
Théorème 10. (formule de Kœnig-Huygens)
V(X) = E((X − E(X))2 )
Soit X une v.a. discrète à valeurs dans C.
= E(X 2 − 2 E(X) X + (E(X))2 )
La v.a. X est de La v.a. X est de moment (par linéarité de
⇔ = E(X 2 ) − 2E(E(X) X) + E((E(X))2 )
variance finie d’ordre 2 fini l’espérance)
De plus, si X admet une variance, on a : = E(X 2 ) − 2E(X) E(X) + (E(X))2
= E(X 2 ) − (E(X))2
V(X) = E(X 2 ) − (E(X))2
Démonstration.
Remarquons tout d’abord, que dans le cas où X est d’espérance finie : II.4. Propriétés de la variance
2 Théorème 11.
X − E(X) = X 2 − 2 E(X) X + (E(X))2 (∗)
Soit X et Y deux v.a. discrètes à valeurs dans C.
Et ainsi : On suppose que X et Y sont de variances finies.
X 2 = (X − E(X))2 + 2 E(X) X − (E(X))2 (∗∗) L’opérateur variance vérifie les propriétés suivantes.
1) Soit λ ∈ C. Les v.a. X + Y et λX admettent une variance. De plus :
(⇒) Supposons que X est de variance finie.
Par définition de variance, X et (X − E(X))2 sont donc d’espérances
V(X + Y ) = V(X) + 2 (E(XY ) − E(X)E(Y )) + V(Y )
finies.
Or, d’après l’égalité (∗∗), la v.a. X 2 s’écrit comme la somme de v.a.
d’espérances finies. Elle est donc d’espérance finie. et V(λX) = λ2 V(X)
(⇐) Supposons que X est de moment d’ordre 2 fini.
Alors X est d’espérance finie. 2) Pour tout (a, b) ∈ C2 , la v.a. aX +b admet est de variance finie. De plus :
L’égalité (∗) démontre alors que la v.a. (X − E(X))2 est d’espérance
finie car est la somme de v.a. d’espérances finies. V(a) = 0 et V(aX + b) = a2 V(X)
V(X) ⩾ 0
10
PSI 2022-2023
= E(X 2 ) + 2 E(XY ) + E(Y 2 ) − ((E(X))2 + 2 E(X)E(Y ) + (E(Y ))2 ) V(X) = E((X − E(X))2 ) ⩾ 0
= (a (X − E(X)) + b − b)2
= a2 (X − E(X))2
11
PSI 2022-2023
12
PSI 2022-2023
1. a) ∀k ∈ N∗ , {X > k − 1} = {X = k} ∪ {X > k} N
P N
P
= k P({X > k − 1}) − k P({X > k})
k=1 k=1
∀k ∈ N∗ , P {X = k} = P {X > k − 1} − P {X > k}
b) −1
NP N
P
= (k + 1) P({X > k}) − k P({X > k})
+∞ k=0 k=1
P
2. E(X) = P {X > k} −1
NP −1
NP N
P
k=0 = k P({X > k}) + P({X > k}) − k P({X > k})
k=0 k=0 k=1
Démonstration. −1
NP −1
NP
1. Soit k ∈ N∗ . = 0 × P({X > 0}) + k P({X > k}) + P({X > k})
k=1 k=0
a) Tout d’abord, comme la variable X est à valeurs entières : −1
NP
!
− k P({X > k} + N P({X > N })
{X > k − 1} = {X ⩾ k} k=1
= {X = k} ∪ {X > k} −1
NP
= P({X > k}) − N P({X > N })
k=0
b) Les événements {X = k} et {X > k} sont incompatibles. On en dé-
duit : Ce que l’on peut écrire :
P({X > k − 1}) = P({X = k}) + P({X > k}) −1
NP N
P
P {X > k} = k P {X = k} − N P {X > N } (∗)
et ainsi : P({X = k}) = P({X > k − 1}) − P({X > k}). k=0 k=1
2. Démonstration en passant par des sommes finies
Or, comme X est à valeurs entières, alors :
On ne considère ici que le cas où X est d’espérance finie. +∞
+∞ S
Autrement dit, la somme
P
k P {X = k} est finie ou encore la série {X > N } = {X = k}
k=N +1
P k=1
n P {X = n} est (absolument) convergente. Démontrons qu’il en est +∞
P +∞
P
et : N P {X > N } = N P {X = k} = N P {X = k} .
k=N +1 k=N +1
13
PSI 2022-2023
En remarquant que k ⩾ N + 1 dès que N ⩽ k, on obtient : Démonstration qui tire partie des calculs de somme dans [0, +∞]
+∞
P !
N P {X > N } = N P {X = k} +∞
P +∞
P +∞ P (car X est à
k=N +1 P {X ⩾ k} = P {X = j}
k=1 k=1 j=k valeurs entières)
+∞
P
⩽ k P {X = k} =
P
P {X = j}
k=N +1
1⩽k⩽j⩽+∞
P
La série nP {X = n} est convergente par hypothèse (X est d’espé- +∞ j
!
P P
rance finie) ce qui justifie l’utilisation de son reste d’ordre N en dernière = P {X = j}
j=1 k=1
ligne.
+∞
Finalement, on a démontré : P
= j P {X = j} = E(X)
+∞
P j=1
0 ⩽ N P {X > N } ⩽ k P {X = k}
k=N +1 Remarque
Or : • Dans cette démonstration, on utilise la possibilité d’intervertir des sym-
× 0 −→ 0 boles de sommation, possibilité offerte par les calculs de sommes dans
N →+∞
+∞
[0, +∞]. Chacune des sommes présentes dans ce calcul peut prendre la
P +∞
× k P {X = k} −→ 0 en tant que reste d’ordre N d’une série valeur +∞. En particulier si
P
P {X = j} = +∞ alors la somme
k=N +1 N →+∞
j=k
convergente. !
P +∞
+∞
Ainsi, par théorème d’encadrement : N P {X > N } −→ 0. P
N →+∞ P {X = j} vaut elle-même +∞.
P k=1 j=k
On en conclut par (∗) que la série P {X > n} est convergente (car
• On utilise dans le calcul la possibilité d’intervertir les symboles de som-
sa somme partielle s’écrit comme somme de deux quantités qui admettent mation. On a vu plus tôt dans le cours l’interversion de sommes lorsqu’il
une limite finie en +∞). Enfin : y a indépendance des indices de sommation. Plus précisément :
+∞
P !
P {X > k} P P P
k=0 xi,j = xi,j
−1
NP (i,j)∈I×J i∈I j∈J
= lim P {X > k}
N →+∞ k=0
On peut aussi procéder à l’interversion en présence de sommes qui pré-
N
=
P
lim k P {X = k} − lim
N P {X > N }
sentent des dépendances d’indices. Rappelons les formules correspon-
N →+∞ k=1 N →+∞ dantes.
+∞
P
= k P {X = k}
k=1
14
PSI 2022-2023
Dans le cas des sommes finies • Dans le cas des sommes infinies d’éléments de [0, +∞]
! ! ! !
P n
P n
P n
P j
P P +∞
P +∞
P +∞
P j
P
ui,j = ui,j = ui,j ui,j = ui,j = ui,j
1⩽i⩽j⩽n i=1 j=i j=1 i=1 1⩽i⩽j⩽+∞ i=1 j=i j=1 i=1
! ! ! !
P n−1
P n
P n
P j−1
P P +∞
P +∞
P +∞
P j−1
P
ui,j = ui,j = ui,j ui,j = ui,j = ui,j
1⩽i<j⩽n i=1 j=i+1 j=2 i=1 1⩽i<j⩽n i=1 j=i+1 j=2 i=1
15
PSI 2022-2023
III.2.b) Les fonctions génératrices des lois usuelles finies III.2.c) Les fonctions génératrices des lois usuelles infinies
Dans le Pcas où X est une
v.a. à valeurs entières qui suit une loi discrète finie, Dans le cas où X
la série P {X = n} tn est de rayon de convergence R = +∞.
•
P est une v.a. à valeurs entières qui suit une loi discrète
infinie, la série P {X = n} tn est de rayon de convergence R ⩾ 1
• Cas de la loi uniforme (résultat à venir).
× Si X ∼ U(J1, nK) • Le rayon de convergence s’obtient par applicaiton de la règle de d’Alembert.
n+1 • Cas de la loi géométrique : X ∼ G (p)
1 t−t
si t ̸= 1
∀t ∈ ] − ∞, +∞[, GX (t) = n 1−t 1 1 pt
∀t ∈ ] − , [, GX (t) =
1−p 1−p 1 − (1 − p) t
1 si t = 1
16
PSI 2022-2023
Démonstration. Démonstration.
Dans la suite, pour tout n ∈ N∗ , on note : 1. a) Soit n ∈ N.
t 7→ P {X = n} tn
fn : ∀t ∈ [−1, 1], | P {X = n} tn | = P {X = n} | t |n
R → R
(par croissance
n
⩽ P {X = n} de la fonction
1. La suite | P {X = n} | 1 est bornée puisque pour tout n ∈ N :
t 7→ |t|n sur R)
0 ⩽ P {X = n} ⩽ 1 On en conclut :
P {X = n} tn
P
Ainsi, le rayon de convergence R de la série entière ∀n ∈ N, 0 ⩽ ∥fn ∥∞,[−1,1] ⩽ P {X = n}
vérifie R ⩾ 1.
P
2. Ce résultat provient du fait que comme GX est développable en série Or la série P {X = n} est convergente. En effet :
entière sur ] − 1, 1[ alors GX coïncide avec la somme de sa série de Taylor
+∞
sur ] − 1, 1[. P
P {X = n} =
P
P {X = x} = 1
n=0 x∈X(Ω)
3. Les fonctions GX et GY sont développables en série entière sur ] − 1, 1[
et sont donc égales à la même somme série de Taylor sur ] − 1, 1[. Ainsi,
Par théorème
P de comparaison des séries à termes positifs, la série nu-
elles ont les mêmes coefficients.
mérique ∥fn ∥∞,[−1,1] est convergente.
b) Remarquons :
III.2.e) Continuité de la fonction génératrice d’une v.a. discrète
× ∀n ∈ N, la fonction fn est continue sur (au moins) [−1, 1] car poly-
Théorème 14. nomiale.
Soit X une variable aléatoire discrète à valeurs dans N.
P
× fn converge normalement (donc uniformément) sur [−1, 1].
P {X = n} tn converge normalement (au moins) +∞
P
1. a) La série entière P
On en conclut que la somme GX = fn est continue sur [−1, 1].
sur le segment [−1, 1]. n=0
b) La fonction GX est continue (au moins) sur [−1, 1] et GX = 1.
17
PSI 2022-2023
III.2.f ) Lien entre fonction génératrice et calcul de moments (⇐) Supposons GX dérivable en 1. P
La v.a. X est d’espérance finie si et seulement si la série n pn
Théorème 15.
converge absolument. Cela revient à démontrer sa convergence car
Soit X une v.a. à valeurs dans N de fonction génératrice GX . c’est une série à termes positifs.
1) X est d’espérance finie ⇔ GX dérivable en 1 • Tout d’abord, on remarque: ∀n ∈ N, n pn ⩾ 0.
N
P
On en déduit que la suite n pn est croissante.
Dans ce cas : E(X) = G′X (1) . n=0 N ∈N
Il suffit donc de démontrer qu’elle est majorée pour en déduire sa
2) X est de variance finie ⇔ GX deux fois dérivable en 1 convergence.
n pn tn−1 .
P
Démonstration. On cherche donc à étudier
Pour tout n ∈ N, on note : pn = P {X = n} . n pn tn−1 converge
P
• D’après les résultats du cours, la série dérivée
1) On procède par double implication. normalement sur tout segment inclus dans [0, 1[.
Ainsi, pour tout t ∈ [0, 1[ :
(⇒) Supposons queP X est d’espérance finie.
Alors la série n pn est (absolument) convergente. On en déduit +∞
G′X (t) = n pn tn−1
P
n pn tn−1 converge normalement sur [0, 1]. La fonction
P
que la série
n=0
GX est donc de classe C 1 sur [0, 1] de dérivée, pour tout t ∈ [0, 1] :
D’où, comme GX est dérivable en 1 :
+∞
G′X (t) n−1
P
= n pn t +∞
n=0
n pn tn−1 −→ G′X (1)
P
n=0 t→1−
En particulier :
+∞ +∞
G′X (1) =
P P
n pn = n P {X = n} = E(X)
n=0 n=0
18
PSI 2022-2023
• On obtient, pour tout t ∈ [0, 1[, pour tout N ∈ N∗ : III.2.g) Conséquence : calcul d’espérance et de variance pour les
N +∞ lois usuelles
n pn tn−1 ⩽ n pn tn−1
P P
n=0 n=0 • Les fonctions génératrices étant connues, on peut retrouver les valeurs d’es-
pérance et de variance de chacune de ces lois par un calcul de dérivée
t→1−
t→1−
−→
−→
premières / seconde et à l’aide des formules présentées dans le théorème
N précédent.
G′X (1)
P
n pn
n=0 • On place en page suivante un formulaire concernant les lois usuelles.
N
P
Ainsi, la suite n pn est :
n=0
croissante,
×
′
× majorée par GX (1).
Exercice 1
1. Lorsqu’elle existe, exprimer la variance de X en fonction de G′X (1) et
G′′X (1).
2. Reprendre les exemples concernant les lois classiques.
19
PSI 2022-2023
Notation et
Loi de X Fonction génératrice E(X) V(X)
paramètres
∀t ∈ ] − ∞, +∞[,
U(J1, nK) X(Ω) = J1, nK n+1
1 1 t−t
si t ̸= 1
n+1 (n − 1)(n + 1)
n∈ N∗ ∀k ∈ J1, nK, P {X = k} = GX (t) = n 1−t 2 12
n
1 si t = 1
Loi uniforme
∀t ∈ ] − ∞, +∞[,
U(Ja, bK) X(Ω) = Ja, bK
1 ta − tb+1 a+b (b − a)(b − a + 2)
(a, b) ∈ N2 1 si t ̸= 1
∀k ∈ Ja, bK, P {X = k} = GX (t) = b−a+1 1−t 2 12
b⩾a b−a+1
1 si t = 1
20
PSI 2022-2023
Soit X une v.a. qui est d’espérance finie. Démonstration adaptée à toute variable aléatoire (CULTURE)
On suppose de plus : X(Ω) ⊂ [0, +∞[. Soit a > 0. Considérons la v.a. Y définie par :
(autrement dit, X est à valeurs positives)
Y : Ω → R
E(X) (
∀a > 0, P {X ⩾ a} ⩽ a si X(ω) ⩾ a
a ω 7→
0 si X(ω) < a
Démonstration.
Démonstration adaptée au programme Listons quelques propriétés de Y :
Soit a > 0. • Y (Ω) = {0, a} (Y est donc une v.a. finie).
S
• Comme X est une variable discrète : {X ⩾ a} = {X = x}. • {Y = a} = {X ⩾ a} (puisque : ∀ω ∈ Ω, Y (ω) = a ⇔ X(ω) ⩾ a).
x ∈ X(Ω)
• {Y = 0} = {X < a} (puisque : ∀ω ∈ Ω, Y (ω) = 0 ⇔ X(ω) < a).
x⩾a
On en déduit : 1) Comme Y est finie, Y est d’espérance finie. De plus :
S
P {X ⩾ a} = P {X = x} E(Y ) = 0 × P({Y = 0}) + a × P({Y = a}) = a × P({X ⩾ a})
x ∈ X(Ω) q q
x⩾a
P({X < a}) P({X ⩾ a})
P
= P {X = x}
x ∈ X(Ω)
2) On remarque aussi : Y ⩽ X (c’est-à-dire : ∀ω ∈ Ω, Y (ω) ⩽ X(ω)).
x⩾a Démontrons-le. Soit ω ∈ Ω.
Deux cas se présentent.
• Comme X est une variable positive, E(X) ∈ [0, +∞] et :
× si X(ω) ⩾ a alors Y (ω) = a ⩽ X(ω).
P
E(X) = x P {X = x} × si X(ω) < a alors Y (ω) = 0 ⩽ X(ω).
x∈X(Ω)
P P 3) Par croissance de l’espérance, on déduit des deux points précédents :
= x P {X = x} + x P {X = x}
x ∈ X(Ω) x ∈ X(Ω) E(Y ) ⩽ E(X)
x⩾a x<a q
P (car X est à a P({X ⩾ a})
⩾ x P {X = x}
x ∈ X(Ω)
valeurs positives)
On conclut en divisant de part et d’autre par a > 0.
x⩾a
21
PSI 2022-2023
22
PSI 2022-2023
• L’inégalité de Bienaymé-Tchebychev est peu précise. L’une des raisons est × De plus :
qu’elle s’applique à toute v.a. . On peut évidemment obtenir de meilleures
n
majorations en tirant parti des propriétés (i.e. de la loi) des v.a. étudiées. 1 P
E(Xn ) = E Xk
n k=1
IV.3. La loi faible des grands nombres 1 Pn (par linéarité
= E(Xk )
IV.3.a) Énoncé et convergence en probabilité n k=1 de l’espérance)
1 Pn 1
Théorème 19 (Loi faible des grands nombres). = m = n×m = m
n k=1 n
Soit (Xn )n∈N∗ une suite de v.a. (discrètes) à valeurs réelles.
On suppose que les v.a. de la suite (Xn )n∈N∗ : × Et :
n
sont indépendantes, 1 P
× V(Xn ) = V Xk
n k=1
× admettent toutes la même espérance m,
n
× admettent toutes la même variance σ 2 . 1 P
= V Xk
1 Pn n2 k=1
On pose, pour tout n ∈ N∗ , Xn = Xk (moyenne empirique).
n k=1 n (car les v.a. de la
1 P
= V(Xk ) suite (Xn ) sont
n2 k=1
∀ε > 0, lim P Xn − m ⩾ ε =0 indépendantes)
n→+∞
1 Pn 1 1 2
Démonstration. = 2
σ2 = 2 n × σ2 = σ
n k=1 n n
• Rappelons tout d’abord l’inégalité de Bienaymé-Tchebychev.
Pour toute v.a. Y admettant une variance V(Y ), on a : • Soit ε > 0. D’après l’inégalité de Bienaymé-Tchebychev :
V(Y ) σ2 1
∀λ > 0, P {|Y − E(Y )| ⩾ λ}
⩽ P Xn − m ⩾ ε ⩽ −→ 0
λ2 ε2 n n→+∞
1 Pn
• Soit n ∈ N∗ . Considérons la v.a. Y = Xn = Xk .
n k=1
× La v.a. Xn est d’espérance finie (resp. variance) car elle est la CL de v.a.
qui admettent une espérance (resp. variance).
23
PSI 2022-2023
Remarque
• Il est fréquent de considérer (notamment pour les simulations informa-
tiques) une suite (Xn )n∈N∗ de v.a. :
× indépendantes,
× de même loi,
× d’espérances finies et de variance finie.
Ces hypothèses sont plus strictes que celles énoncés par la LfGN.
On peut donc bien évidemment utiliser la LfGN dans ce cadre.
(des variables indépendantes et de même loi sont dites indépendantes et
identiquement distribuées)
• On dit qu’une suite de v.a. (Xn )n∈N∗ converge en probabilté vers une
v.a. X si :
∀ε > 0, lim P Xn − X ⩾ ε =0
n→+∞
P
Dans ce cas, on note : Xn −→ X.
n→+∞
• Via cette définition, on comprend que la LfGN établit
un résultat de conver-
gence d’une suite de v.a. : la suite de v.a. Xn n∈N∗ converge en pro-
babilité vers la v.a. certaine égale à m.
• Il existe une loi forte des grands nombres. Sous
des hypothèses plus exi-
geantes, on établit que la suite de v.a. Xn n∈N∗ converge vers la v.a.
certaine égale à m. On retrouve le résultat précédent, à ceci près que le
mode de convergence (appelé convergence presque sûre) est un mode plus
exigeant que la convergence en probabilité (la convergence presque sûre
implique la convergence en probabilité).
24
PSI 2022-2023
IV.3.b) Intuition derrière cet énoncé • La suite (Zn )n∈N∗ est une suite de variables :
Exemple (classique) × indépendantes (le résultat d’un lancer ne dépend pas des précédents),
• On considère un dé à 6 faces (truqué ou non). × de même espérance p,
- Expérience : on effectue un lancer de ce dé et on note X la v.a. égale au × de même variance σ 2 = p (1 − p).
résultat obtenu lors de ce lancer. On en déduit, par la loi faible des grands nombres que, pour tout ε > 0 :
- But : on souhaite, à l’aide d’expériences, savoir si le dé peut être considéré
Z1 + Z2 + · · · + Zn
comme équilibré. Autrement dit, on souhaite connaître la loide X. lim P −p ⩾ε =0
n→+∞ n
Plus particulièrement, on souhaiterait connaître P {X = 6} .
• Pour obtenir une approximation de cette probabilité P {X = 6} , il est P
ce que l’on préférera noter : Zn −→ p.
naturel de procéder comme suit : n→+∞
× on effectue un grand nombre N de tirages. • La v.a. Zn donne la fréquence d’apparition de la face 6 au cours des n
premiers lancers. La loi faible des grands nombres affirme que, plus n est
× on compte le nombre d’apparitions de la face 6 au cours de ce N tirages.
grand, plus la fréquence d’apparition du 6au cours des n lancers est proche
On observe alors la fréquence d’apparition de cette face : de la fréquence théorique (= P {X = 6} ) avec une forte probabilité.
fréquence d’apparition nombre de 6 obtenus en N tirages
=
observée de la face 6 N
25