Mathématiques Terminale Spécialité
Mes Pages
Rappels de première
Algèbre et géométrie
Ch. 1
Combinatoire et dénombrement
Ch. 2
Vecteurs, droites et plans de l’espace
Ch. 3
Orthogonalité et distances dans l’espace
Analyse
Ch. 4
Suites
Ch. 5
Limites de fonctions
Ch. 6
Continuité
Ch. 7
Compléments sur la dérivation
Ch. 8
Logarithme népérien
Ch. 9
Fonctions trigonométriques
Ch. 10
Primitives - Équations différentielles
Ch. 11
Calcul intégral
Probabilités
Ch. 12
Loi binomiale
Ch. 13
Sommes de variables aléatoires
Ch. 14
Loi des grands nombres
Annexes
Exercices transversaux
Grand Oral
Apprendre à démontrer
Cahier d'algorithmique et de programmation
Chapitre 13
Cours 2
Espérance et variance d'une somme de variables aléatoires
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Dans cette partie, on considère une variable aléatoire \text{X} définie sur \Omega=\left\{\omega_{1}\:; \omega_{2}\:; \ldots\:; \omega_{r}\right\}
et on note \left\{x_{1}\:; x_{2}\:; \ldots ; x_{s}\right\} l'ensemble des valeurs prises par \text{X} où r et s sont des entiers
naturels non nuls.
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
AEspérance d'une somme de variables aléatoires
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Lemme (admis)
En reprenant les notations précédentes, on a \mathrm{E}(\mathrm{X})=\displaystyle\sum_{j=1}^{r} \mathrm{X}\left(\omega_{j}\right) \mathrm{P}\left(\left\{\omega_{j}\right\}\right).
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
On a \text{E(X)}=\displaystyle\sum_{i=1}^{s} x_{i} \times \mathrm{P}\left(\mathrm{X}=x_{i}\right).
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Dans le
lemme, l'espérance
s'écrit en fonction
des issues \omega_{j} de
l'expérience aléatoire
et non en fonction
des valeurs x_{i}.
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Exemple
Dans le cadre d'un lancer de dé cubique équilibré, on gagne 2 € si on obtient un
nombre pair et on perd 6 € si on obtient un nombre impair.
L'espérance de la variable aléatoire \text{X} correspondant au gain remporté s'élève à \mathrm{E}(\mathrm{X})=\mathrm{X}(1) \times \mathrm{P}(\{1\})+\ldots+\mathrm{X}(6) \times \mathrm{P}(\{6\})=(-6) \times \frac{1}{6}+\ldots+2 \times \frac{1}{6}=-2 €.
L'espérance de la variable aléatoire \text{X} correspondant au gain remporté s'élève à \mathrm{E}(\mathrm{X})=\mathrm{X}(1) \times \mathrm{P}(\{1\})+\ldots+\mathrm{X}(6) \times \mathrm{P}(\{6\})=(-6) \times \frac{1}{6}+\ldots+2 \times \frac{1}{6}=-2 €.
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Propriété
Soient \text{X} et \text{Y} deux variables aléatoires définies sur le même univers \Omega. Alors : \mathrm{E}(\mathrm{X}+\mathrm{Y})=\mathrm{E}(\mathrm{X})+\mathrm{E}(\mathrm{Y}).
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Cette
propriété permet
de déterminer
l'espérance de
\text{X + Y} simplement
à l'aide de celles de
\text{X} et \text{Y} (donc sans la
connaissance de la
loi de probabilité de
\text{X + Y}).
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Démonstration
Soient \text{X} et \text{Y} deux variables aléatoires définies sur \Omega. Soit \text{Z} la variable aléatoire
définie sur \Omega par \text{Z = X + Y}.
On a alors \mathrm{E}(\mathrm{X}+\mathrm{Y})=\mathrm{E}(\mathrm{Z})=\displaystyle\sum_{j=1}^{r} \mathrm{Z}\left(\omega_{j}\right) \mathrm{P}\left(\left\{\omega_{j}\right\}\right) (lemme précédent appliqué à \text{Z}) et donc \mathrm{E}(\mathrm{X}+\mathrm{Y})=\displaystyle\sum_{j=1}^{r}(\mathrm{X}+\mathrm{Y})\left(\omega_{j}\right) \mathrm{P}\left(\left\{\omega_{j}\right\}\right) en utilisant \text{Z = X + Y}.
On a par ailleurs X+Y\left(\omega_{j}\right)=X\left(\omega_{j}\right)+Y\left(\omega_{j}\right) (somme de fonctions).
Donc \mathrm{E}(\mathrm{X}+\mathrm{Y})=\displaystyle\sum_{j=1}^{r} \mathrm{X}\left(\omega_{j}\right) \mathrm{P}\left(\left\{\omega_{j}\right\}\right)+\displaystyle\sum_{j=1}^{r} \mathrm{Y}\left(\omega_{j}\right) \mathrm{P}\left(\left\{\omega_{j}\right\}\right).
D'où \text{E(X + Y) = E(X) + E(Y)} en identifiant les deux sommes précédentes à \text{E(X)} et \text{E(Y)}.
On a alors \mathrm{E}(\mathrm{X}+\mathrm{Y})=\mathrm{E}(\mathrm{Z})=\displaystyle\sum_{j=1}^{r} \mathrm{Z}\left(\omega_{j}\right) \mathrm{P}\left(\left\{\omega_{j}\right\}\right) (lemme précédent appliqué à \text{Z}) et donc \mathrm{E}(\mathrm{X}+\mathrm{Y})=\displaystyle\sum_{j=1}^{r}(\mathrm{X}+\mathrm{Y})\left(\omega_{j}\right) \mathrm{P}\left(\left\{\omega_{j}\right\}\right) en utilisant \text{Z = X + Y}.
On a par ailleurs X+Y\left(\omega_{j}\right)=X\left(\omega_{j}\right)+Y\left(\omega_{j}\right) (somme de fonctions).
Donc \mathrm{E}(\mathrm{X}+\mathrm{Y})=\displaystyle\sum_{j=1}^{r} \mathrm{X}\left(\omega_{j}\right) \mathrm{P}\left(\left\{\omega_{j}\right\}\right)+\displaystyle\sum_{j=1}^{r} \mathrm{Y}\left(\omega_{j}\right) \mathrm{P}\left(\left\{\omega_{j}\right\}\right).
D'où \text{E(X + Y) = E(X) + E(Y)} en identifiant les deux sommes précédentes à \text{E(X)} et \text{E(Y)}.
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
On a également
\mathrm{E}(\mathrm{X}-\mathrm{Y})=\mathrm{E}(\mathrm{X})-\mathrm{E}(\mathrm{Y}).
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Propriété
Soient \text{X} et \text{Y} deux variables aléatoires définies sur un même univers \Omega et a un nombre réel.
Alors \mathrm{E}(a \mathrm{X})=a \mathrm{E}(\mathrm{X}) \text { et } \mathrm{E}(a \mathrm{X}+\mathrm{Y})=a \mathrm{E}(\mathrm{X})+\mathrm{E}(\mathrm{Y}).
Alors \mathrm{E}(a \mathrm{X})=a \mathrm{E}(\mathrm{X}) \text { et } \mathrm{E}(a \mathrm{X}+\mathrm{Y})=a \mathrm{E}(\mathrm{X})+\mathrm{E}(\mathrm{Y}).
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Cette
propriété est
appelée linéarité de
l'espérance.
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Démonstration
Si a = 0, la propriété est évidente car \mathrm{E}(0 \mathrm{X})=0 \text { et } 0 \mathrm{E}(\mathrm{X})=0.
On suppose que a \neq 0.
On suppose que a \neq 0.
- En notant x_{1} ; \ldots ; x_{s}, les valeurs prises par \text{X}, alors a\text{X} prend les valeurs a x_{1} ; \ldots ; a x_{s}.
Par définition, \mathrm{E}(a \mathrm{X})=\displaystyle\sum_{i=1}^{s} a x_{i} \mathrm{P}\left(a \mathrm{X}=\alpha x_{i}\right).
Ainsi, \mathrm{E}(a \mathrm{X})=\displaystyle\sum_{i=1}^{s} a x_{i} \mathrm{P}\left(\mathrm{X}=x_{i}\right)=a \times \displaystyle\sum_{i=1}^{s} x_{i} \mathrm{P}\left(\mathrm{X}=x_{i}\right)=a \mathrm{E}(\mathrm{X}). - La deuxième égalité est démontrée dans l'exercice .
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Application et méthode - 2
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Énoncé
On joue à un jeu se déroulant en deux étapes.
Soit \text{X} la variable aléatoire correspondant au nombre total de points obtenus. Calculer \mathrm{E}(\mathrm{X}).
- Dans la phase 1, on lance un dé équilibré à six faces.
Si le résultat obtenu est 1 ou 6, on gagne 9 points. Sinon, on perd 6 points. - Dans la phase 2, on lance une pièce équilibrée.
Si on obtient face, on gagne 6 points. Sinon, on perd 2 points.
Soit \text{X} la variable aléatoire correspondant au nombre total de points obtenus. Calculer \mathrm{E}(\mathrm{X}).
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
- Lorsque l'énoncé fait état d'une
variable aléatoire \text{X} correspondant à
une somme, à une différence ou à un
produit par un réel, il est souvent préférable
de décomposer cette variable
aléatoire en variables aléatoires « plus
simples ».
On commence donc par écrire cette variable aléatoire en somme/différence de variables aléatoires \mathrm{X}_{1} et \mathrm{X}_{2}, plus faciles à étudier. - On étudie la loi de probabilité de chacune de ces variables aléatoires.
- On en déduit alors \mathrm{E}\left(\mathrm{X}_{1}\right) et \mathrm{E}\left(\mathrm{X}_{2}\right).
- On conclut grâce à la linéarité de l'espérance.
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Solution
- Soient \mathrm{X}_{1} la variable aléatoire correspondant au gain obtenu à la première étape et \mathrm{X}_{2} la variable aléatoire correspondant au gain obtenu à la seconde étape. Dans ces conditions, on a \mathrm{X}=\mathrm{X}_{1}+\mathrm{X}_{2}.
- On étudie ensuite les lois de probabilité de \mathrm{X}_{1} et \mathrm{X}_{2}.
Loi de probabilité de \mathbf{X}_{1}
\mathrm{X}_{1} correspond au gain obtenu à la première étape et ne prend donc que deux valeurs : 9 et -6. Il s'agit d'une situation d'équiprobabilité, donc on obtient \mathrm{P}\left(\mathrm{X}_{1}=-6\right)=\frac{2}{3} \text { et } \mathrm{P}\left(\mathrm{X}_{1}=9\right)=\frac{1}{3}.
Loi de probabilité de \mathbf{X}_{2}
\mathrm{X}_{2} correspond au gain obtenu à la seconde étape qui ne prend que deux valeurs : 6 et -2. Il s'agit aussi d'une situation d'équiprobabilité, donc on obtient \mathrm{P}\left(\mathrm{X}_{2}=-2\right)=\frac{1}{2} \text { et } \mathrm{P}\left(\mathrm{X}_{2}=6\right)=\frac{1}{2}. - On peut maintenant calculer les espérances de ces deux variables aléatoires : \mathrm{E}\left(\mathrm{X}_{1}\right)=-6 \times \frac{2}{3}+9 \times \frac{1}{3}=-1 \text { et } \mathrm{E}\left(\mathrm{X}_{2}\right)=-2 \times \frac{1}{2}+6 \times \frac{1}{2}=2.
- En conclusion, on a \mathrm{E}(\mathrm{X})=\mathrm{E}\left(\mathrm{X}_{1}\right)+\mathrm{E}\left(\mathrm{X}_{2}\right)=-1+2=1.
Pour s'entraîner
Exercices
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
BVariance d'une somme de variables aléatoires indépendantes
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Propriété
Soit \text{X} une variable aléatoire définie sur \Omega dont on note \mathrm{V}(\mathrm{X}) la variance.
Soit a \in \mathbb{R}. Alors \mathrm{V}(a \mathrm{X})=a^{2} \mathrm{V}(\mathrm{X}).
Soit a \in \mathbb{R}. Alors \mathrm{V}(a \mathrm{X})=a^{2} \mathrm{V}(\mathrm{X}).
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
En reprenant
les notations
précédentes, on a \mathrm{V}(\mathrm{X})=\displaystyle\sum_{i=1}^{s}\left(x_{i}-\mathrm{E}(\mathrm{X})\right)^{2}\times \mathrm{P}\left(\mathrm{X}=x_{i}\right).
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Démonstration
Si a = 0, la propriété est évidente car \mathrm{V}(0 \mathrm{X})=0 et 0^{2} \times V(X)=0.
On suppose que a \neq 0.
En notant x_{1} ; \ldots ; x_{s} les valeurs prises par \text{X}, alors a\text{X} prend les valeurs a x_{1} ; \ldots ; a x_{s}.
Par définition, \mathrm{V}(a \mathrm{X})=\displaystyle\sum_{i=1}^{s}\left(a x_{i}-\mathrm{E}(a \mathrm{X})\right)^{2} \mathrm{P}\left(a \mathrm{X}=a x_{i}\right).
Donc \mathrm{V}(a \mathrm{X})=\displaystyle\sum_{i=1}^{s}\left(a x_{i}-a \mathrm{E}(\mathrm{X})\right)^{2} \mathrm{P}\left(a \mathrm{X}=a x_{i}\right) par propriété de l'espérance.
D'où, V(a X)=\displaystyle\sum_{i=1}^{s} a^{2}\left(x_{i}-E(X)\right)^{2} P\left(X=x_{i}\right) car a \mathrm{X}=a x_{i} si, et seulement si, X=x_{i}.
Ainsi, \mathrm{V}(a \mathrm{X})=a^{2} \displaystyle\sum_{i=1}^{5}\left(x_{i}-\mathrm{E}(\mathrm{X})\right)^{2} \mathrm{P}\left(\mathrm{X}=x_{i}\right)=a^{2} \mathrm{V}(\mathrm{X}).
On suppose que a \neq 0.
En notant x_{1} ; \ldots ; x_{s} les valeurs prises par \text{X}, alors a\text{X} prend les valeurs a x_{1} ; \ldots ; a x_{s}.
Par définition, \mathrm{V}(a \mathrm{X})=\displaystyle\sum_{i=1}^{s}\left(a x_{i}-\mathrm{E}(a \mathrm{X})\right)^{2} \mathrm{P}\left(a \mathrm{X}=a x_{i}\right).
Donc \mathrm{V}(a \mathrm{X})=\displaystyle\sum_{i=1}^{s}\left(a x_{i}-a \mathrm{E}(\mathrm{X})\right)^{2} \mathrm{P}\left(a \mathrm{X}=a x_{i}\right) par propriété de l'espérance.
D'où, V(a X)=\displaystyle\sum_{i=1}^{s} a^{2}\left(x_{i}-E(X)\right)^{2} P\left(X=x_{i}\right) car a \mathrm{X}=a x_{i} si, et seulement si, X=x_{i}.
Ainsi, \mathrm{V}(a \mathrm{X})=a^{2} \displaystyle\sum_{i=1}^{5}\left(x_{i}-\mathrm{E}(\mathrm{X})\right)^{2} \mathrm{P}\left(\mathrm{X}=x_{i}\right)=a^{2} \mathrm{V}(\mathrm{X}).
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
L'écart type \sigma(a \mathrm{X}) vérifie \sigma(a \mathrm{X})=|a| \sigma(\mathrm{X}).
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Exemple
Si \text{X} est une variable aléatoire vérifiant \mathrm{V}(\mathrm{X})=5, alors \mathrm{V}(2 \mathrm{X})=2^{2} \mathrm{V}(\mathrm{X})=4 \times \mathrm{V}(\mathrm{X})=4 \times 5=20.
De plus, \sigma(2 \mathrm{X})=\sqrt{\mathrm{V}(2 \mathrm{X})}=\sqrt{20}=2 \sqrt{5}=2 \sqrt{\mathrm{V}(\mathrm{X})}=2 \sigma(\mathrm{X}).
De plus, \sigma(2 \mathrm{X})=\sqrt{\mathrm{V}(2 \mathrm{X})}=\sqrt{20}=2 \sqrt{5}=2 \sqrt{\mathrm{V}(\mathrm{X})}=2 \sigma(\mathrm{X}).
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Définition
Soient \mathrm{X}_{1}, \mathrm{X}_{2}, \ldots, \mathrm{X}_{n}, n variables aléatoires à valeurs respectivement dans E_{1}, E_{2}, \dots, E_{n}.
On dit que \mathrm{X}_{1}, \mathrm{X}_{2}, \ldots, \mathrm{X}_{n} sont indépendantes lorsque, pour tous x_{1} \in \mathrm{E}_{1}, x_{2} \in \mathrm{E}_{2}, \ldots, x_{n} \in \mathrm{E}_{n} :
\mathrm{P}\left(\mathrm{X}_{1}=x_{1} \cap \mathrm{X}_{2}=x_{2} \cap \ldots \cap \mathrm{X}_{n}=x_{n}\right)=\mathrm{P}\left(\mathrm{X}_{1}=x_{1}\right) \times \mathrm{P}\left(\mathrm{X}_{2}=x_{2}\right) \times \ldots \times \mathrm{P}\left(\mathrm{X}_{n}=x_{n}\right).
On dit que \mathrm{X}_{1}, \mathrm{X}_{2}, \ldots, \mathrm{X}_{n} sont indépendantes lorsque, pour tous x_{1} \in \mathrm{E}_{1}, x_{2} \in \mathrm{E}_{2}, \ldots, x_{n} \in \mathrm{E}_{n} :
\mathrm{P}\left(\mathrm{X}_{1}=x_{1} \cap \mathrm{X}_{2}=x_{2} \cap \ldots \cap \mathrm{X}_{n}=x_{n}\right)=\mathrm{P}\left(\mathrm{X}_{1}=x_{1}\right) \times \mathrm{P}\left(\mathrm{X}_{2}=x_{2}\right) \times \ldots \times \mathrm{P}\left(\mathrm{X}_{n}=x_{n}\right).
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
On
dit aussi que les
variables aléatoires
\mathrm{X}_{1} ; \ldots ; \mathrm{X}_{n} sont
mutuellement
indépendantes.
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Attention : Si les variables \mathrm{X}_{1} ; \ldots ; \mathrm{X}_{n} sont deux à deux indépendantes, on ne peut pas en
conclure que \mathrm{X}_{1} ; \ldots ; \mathrm{X}_{n} sont mutuellement indépendantes.
En effet, si on considère deux lancers de dés équilibrés indépendants et si on note :
On vérifie que \mathrm{X}_{1}, \mathrm{X}_{2} et \text{Y} sont deux à deux indépendantes mais pas mutuellement indépendantes.
En effet, si on considère deux lancers de dés équilibrés indépendants et si on note :
- \mathrm{X}_{1} (respectivement \mathrm{X}_{2}) la variable aléatoire valant 1 si le résultat du premier (second) dé est pair ;
- \text{Y} la variable aléatoire valant 1 si la somme des résultats des deux dés est paire et 0 sinon.
On vérifie que \mathrm{X}_{1}, \mathrm{X}_{2} et \text{Y} sont deux à deux indépendantes mais pas mutuellement indépendantes.
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Connaître
la parité de la somme
n'aide pas à deviner
celle d'un dé. De
même, connaître la
parité d'un dé n'aide
pas à déterminer celle
de la somme, ni de
l'autre dé. Mais, si l'on
sait la parité des deux
dés, alors on connaît
celle de la somme.
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Propriété
Si \text{X} et \text{Y} sont deux variables aléatoires indépendantes définies sur \Omega, alors :
\mathrm{V}(\mathrm{X}+\mathrm{Y})=\mathrm{V}(\mathrm{X})+\mathrm{V}(\mathrm{Y})
\mathrm{V}(\mathrm{X}+\mathrm{Y})=\mathrm{V}(\mathrm{X})+\mathrm{V}(\mathrm{Y})
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Si \mathrm{X}_{1} ; \ldots ; \mathrm{X}_{n} sont n
variables aléatoires
indépendantes définies
sur \Omega, alors \mathrm{V}\left(\mathrm{X}_{1}+\ldots+\mathrm{X}_{n}\right)=\mathrm{V}\left(\mathrm{X}_{1}\right)+\ldots+\mathrm{V}\left(\mathrm{X}_{n}\right).
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Démonstration
Voir exercice .
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Application et méthode - 3
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Énoncé
On reprend le jeu et la variable aléatoire de l'application précédente (partie A).
Calculer \text{V(X)}.
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
- Lorsqu'une variable aléatoire \text{X} correspond à une somme (différence) de variables aléatoires ou à un simple produit par un réel, il est souvent préférable de décomposer cette variable aléatoire en variables aléatoires « plus simples ».
- Ici, on commence donc par écrire \text{X} comme la somme de \mathrm{X}_{1} et \mathrm{X}_{2}.
- On précise que \mathrm{X}_{1} et \mathrm{X}_{2} sont indépendantes.
- On étudie la loi de probabilité de chacune de ces variables aléatoires \mathrm{X}_{1} et \mathrm{X}_{2}.
- On en déduit alors \mathrm{E}\left(\mathrm{X}_{1}\right) et \mathrm{E}\left(\mathrm{X}_{2}\right).
- On obtient alors \mathrm{V}\left(\mathrm{X}_{1}\right) et \mathrm{V}\left(\mathrm{X}_{2}\right).
- On conclut enfin grâce aux propriétés de la variance dans le cas de variables aléatoires indépendantes : on a \mathrm{V}(\mathrm{X})=\mathrm{V}\left(\mathrm{X}_{1}\right)+\mathrm{V}\left(\mathrm{X}_{2}\right).
Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.
Faites défiler pour voir la suite.
Solution
On avait obtenu les lois de probabilité suivantes.
Les variables aléatoires \mathrm{X}_{1} et \mathrm{X}_{2} sont indépendantes.
On a donc \mathrm{V}(\mathrm{X})=\mathrm{V}\left(\mathrm{X}_{1}\right)+\mathrm{V}\left(\mathrm{X}_{2}\right)=50+16=66.
| \boldsymbol{x}_{\boldsymbol{i}} | -6 | 9 |
| \mathrm{P}\left(\mathrm{X}_{1}=x_{i}\right) | \frac{2}{3} | \frac{1}{3} |
| \boldsymbol{y}_{\boldsymbol{i}} | -2 | 6 |
| \mathrm{P}\left(\mathrm{X}_{2}=y_{i}\right) | \frac{1}{2} | \frac{1}{2} |
- Dans un premier temps, on calcule \mathrm{V}\left(\mathrm{X}_{1}\right).
On avait obtenu \mathrm{E}\left(\mathrm{X}_{1}\right)=-1 donc
\mathrm{V}\left(\mathrm{X}_{1}\right)=\frac{2}{3}(-6-(-1))^{2}+\frac{1}{3}(9-(-1))^{2} \text { soit } \mathrm{V}\left(\mathrm{X}_{1}\right)=\frac{150}{3}=50. - On calcule ensuite \mathrm{V}\left(\mathrm{X}_{2}\right)
On avait obtenu \mathrm{E}\left(\mathrm{X}_{2}\right)=2 donc
\mathrm{V}\left(\mathrm{X}_{2}\right)=\frac{1}{2}(-2-2)^{2}+\frac{1}{2}(6-2)^{2} \text { soit } \mathrm{V}\left(\mathrm{X}_{2}\right)=16.
Les variables aléatoires \mathrm{X}_{1} et \mathrm{X}_{2} sont indépendantes.
On a donc \mathrm{V}(\mathrm{X})=\mathrm{V}\left(\mathrm{X}_{1}\right)+\mathrm{V}\left(\mathrm{X}_{2}\right)=50+16=66.
Pour s'entraîner
Exercices
Une erreur sur la page ? Une idée à proposer ?
Nos manuels sont collaboratifs, n'hésitez pas à nous en faire part.
j'ai une idée !
Oups, une coquille
