Revision sheet: Introduction aux lois de Bernoulli et binomiale

📋 Plan du Cours

1. Loi de Bernoulli
2. Loi Binomiale
3. Inégalité de Bienaymé-Tchebychev
4. Espérance simple
5. Variance et Écart-type
6. Propriétés de l’Espérance
7. Propriétés de la Variance
8. Sommes S_n
9. Moyenne M_n
10. Encadrements

📖 1. Loi de Bernoulli

🔑 Notions clés & Définitions

• Variable aléatoire X de Bernoulli : variable qui prend la valeur 1 (succès) avec probabilité p, et 0 (échec) avec probabilité 1-p.
• Espérance de la loi de Bernoulli : E(X) = p (selon la définition de la variable de Bernoulli).
• Variance de la loi de Bernoulli : V(X) = p(1 - p), qui mesure la dispersion autour de l'espérance.
• Écart-type de la loi de Bernoulli : σ(X) = √(p(1 - p)), racine carrée de la variance, indicateur de la dispersion standard.

📝 Points essentiels

• La variable de Bernoulli est une variable binaire, représentant un succès ou un échec.
• Son espérance est directement liée à la probabilité p de succès.
• La variance, donnée par V(X) = p(1 - p), indique que la dispersion est maximale pour p = 0,5 et nulle pour p = 0 ou 1.
• L'écart-type, σ(X) = √(p(1 - p)), permet d'évaluer la dispersion en unités de la variable.
• Ces notions sont fondamentales pour modéliser des expériences simples à deux issues (succès/échec).

💡 À retenir

La loi de Bernoulli modélise un événement binaire dont l'espérance est p, avec une dispersion mesurée par la variance p(1-p) et l'écart-type √(p(1-p)).

📖 2. Loi Binomiale

🔑 Notions clés & Définitions

• Variable aléatoire X suivant une loi binomiale B(n,p) : Variable aléatoire discrète qui compte le nombre de succès dans n essais indépendants, chaque essai ayant une probabilité p de succès.
• Formule de probabilité :
  $P(X=k) = \binom{n}{k} p^k (1-p)^{n-k}$
  où $\binom{n}{k}$ est le coefficient binomial, représentant le nombre de façons de choisir k succès parmi n essais.
• Espérance de la loi binomiale :
  $E(X) = np$ (voir section 6 pour propriétés de l’espérance)
• Variance de la loi binomiale :
  $V(X) = np(1-p)$ (voir section 7 pour propriétés de la variance)
• Écart-type de la loi binomiale :
  $\sigma(X) = \sqrt{np(1-p)}$

📝 Points essentiels

• La loi binomiale modélise le nombre de succès dans une série d’essais indépendants identiques.
• La formule de probabilité repose sur le coefficient binomial, qui indique le nombre de combinaisons possibles.
• L’espérance $E(X) = np$ donne la moyenne attendue du nombre de succès.
• La variance $V(X) = np(1-p)$ mesure la dispersion autour de cette moyenne.
• L’écart-type $\sigma(X) = \sqrt{np(1-p)}$ est la racine carrée de la variance, exprimant la dispersion dans la même unité que X.
• La loi binomiale est une distribution discrète, souvent utilisée pour modéliser des événements binaires répétés.

💡 À retenir

La loi binomiale caractérise le nombre de succès dans une série d’essais indépendants, avec une formule de probabilité précise et des moments (espérance, variance, écart-type) directement liés à n et p.

📖 3. Inégalité de Bienaymé-Tchebychev

🔑 Notions clés & Définitions

• Inégalité de Bienaymé-Tchebychev : P(|X - E(X)| ≥ λ) ≤ V(X)/λ²
  (voir section 10). Elle fournit un encadrement de la probabilité qu'une variable aléatoire s'écarte de son espérance d'au moins λ, en fonction de sa variance.

• Variance (V(X)) : V(X) = σ(X)²
  Mesure la dispersion ou la variabilité d'une variable aléatoire autour de son espérance.

• Encadrement de probabilité : Utilisation d'inégalités pour limiter la probabilité que X s'écarte d'une certaine valeur, ici par l'inégalité de Bienaymé-Tchebychev.

📝 Points essentiels

L'inégalité de Bienaymé-Tchebychev est fondamentale en probabilités pour estimer la probabilité d'écarts importants par rapport à l'espérance, en utilisant uniquement la variance. Elle est valable pour toute variable aléatoire (discrète ou continue) avec une variance finie, sans hypothèse sur la distribution précise de X. Elle permet notamment de montrer que la probabilité que X s'écarte de son espérance de plus de λ est au plus V(X)/λ², ce qui est utile pour la convergence en moyenne et la gestion des risques.

Elle encadre la probabilité d'écart à l'espérance, ce qui est crucial pour la stabilité et la concentration des valeurs autour de la moyenne. La formule est :
P(|X - E(X)| ≥ λ) ≤ V(X)/λ².

💡 À retenir

L'inégalité de Bienaymé-Tchebychev permet d'estimer la probabilité d'écarts importants à partir de la variance, même sans connaître la distribution exacte de la variable.

📖 4. Espérance simple

🔑 Notions clés & Définitions

• Espérance (E(X)) : "E(X) = Σ x_i P(X=x_i)". C'est la somme des valeurs possibles de la variable aléatoire, pondérée par leur probabilité. Elle représente la moyenne pondérée des résultats possibles.
• Interprétation intuitive : L'espérance peut être vue comme la moyenne pondérée des valeurs possibles de la variable aléatoire, en tenant compte de leur probabilité d'occurrence, ce qui donne une idée de la valeur "moyenne" attendue à long terme.

📝 Points essentiels

• La formule E(X) = Σ x_i P(X=x_i) est la définition de l'espérance pour une variable discrète, où x_i désigne chaque valeur possible et P(X=x_i) sa probabilité.
• L'espérance est une mesure centrale qui indique la tendance moyenne d'une variable aléatoire.
• Elle est fondamentale pour comprendre le comportement attendu d'une variable dans un contexte probabiliste, notamment dans la loi de Bernoulli, la loi binomiale, etc.
• La notion d'espérance est liée à l'idée de moyenne pondérée, ce qui permet d'interpréter la valeur attendue comme une moyenne "théorique" sur un grand nombre d'expériences répétées.

💡 À retenir

L'espérance d'une variable aléatoire est la moyenne pondérée de ses valeurs possibles, reflétant la valeur "attendue" à long terme.

📖 5. Variance et Écart-type

🔑 Notions clés & Définitions

• Variance (V(X)) : mesure de la dispersion d'une variable aléatoire X autour de son espérance, définie par V(X) = σ(X)².
• Écart-type (σ(X)) : racine carrée de la variance, représentant l'écart moyen à l'espérance, défini par σ(X) = √(V(X)).
• Propriétés de la Variance : pour une constante a, V(aX) = a² V(X) (voir section 7).
• Propriétés de l’Écart-type : lié à la variance par la relation σ(X) = √(V(X)).

📝 Points essentiels

• La variance est une mesure quantitative de la dispersion d'une variable aléatoire autour de son espérance, et son unité est le carré de celle de la variable.
• L'écart-type est souvent préféré pour interpréter la dispersion car il est dans la même unité que la variable.
• La variance et l'écart-type sont liés par la formule V(X) = σ(X)².
• La variance est invariante par translation : V(X + b) = V(X), mais elle est affectée par la multiplication par une constante : V(aX) = a² V(X) (voir section 7).
• La connaissance de la variance permet d’évaluer la stabilité ou la variabilité d’une distribution.

💡 À retenir

La variance quantifie la dispersion d'une variable, et l'écart-type en est la racine carrée, facilitant l'interprétation dans la même unité que la variable.

📖 6. Propriétés de l’Espérance

🔑 Notions clés & Définitions

• Linéarité de l’espérance : E(aX) = aE(X) (voir section 4)
  La propriété qui indique que l’espérance d’une variable aléatoire multipliée par une constante est égale à cette constante multipliée par l’espérance de la variable.

• Translation : E(X + b) = E(X) + b (voir section 4)
  L’espérance d’une variable aléatoire augmentée d’une constante est égale à l’espérance initiale plus cette constante.

• Combinaison affine : E(aX + b) = aE(X) + b (voir section 4)
  Résultat combinant la linéarité et la translation, applicable à toute combinaison affine d’une variable aléatoire.

• Additivité : E(X + Y) = E(X) + E(Y) (voir section 4)
  La propriété qui affirme que l’espérance de la somme de deux variables aléatoires est la somme de leurs espérances, sous réserve de leur indépendance ou dans le cadre général (voir section 4).

📝 Points essentiels

• La linéarité de l’espérance (E(aX) = aE(X)) est une propriété fondamentale, indépendante de l’indépendance entre variables (voir section 4).
• La translation (E(X + b) = E(X) + b) permet de calculer l’espérance d’une variable modifiée par une constante.
• La combinaison affine (E(aX + b) = aE(X) + b) résulte directement de la linéarité et de la translation, facilitant le calcul d’espérances pour des transformations linéaires.
• L’additivité (E(X + Y) = E(X) + E(Y)) est essentielle pour le calcul de l’espérance de sommes de variables, notamment dans le contexte de variables indépendantes (voir section 4).
• Ces propriétés sont cruciales pour simplifier et manipuler les calculs d’espérance dans diverses situations.

💡 À retenir

L’espérance possède des propriétés de linéarité, de translation et d’affinement qui permettent de simplifier considérablement le calcul et la manipulation des espérances de variables aléatoires.

📖 7. Propriétés de la Variance

🔑 Notions clés & Définitions

• Effet de la multiplication par une constante sur la variance :
  V(aX) = a² V(X) (relation fondamentale indiquant que multiplier une variable par une constante a modifie sa variance par le carré de cette constante).

• Invariance par translation :
  V(X + b) = V(X) (la variance ne change pas si l’on ajoute une constante b à la variable).

• Combinaison affine :
  V(aX + b) = a² V(X) (la variance d’une transformation affine d’une variable dépend uniquement du coefficient multiplicatif a).

• Additivité de la variance pour variables indépendantes :
  V(X + Y) = V(X) + V(Y) (si X et Y sont indépendantes, la variance de leur somme est la somme de leurs variances).

📝 Points essentiels

• La variance est affectée par la multiplication par une constante selon la relation V(aX) = a² V(X), ce qui montre que la dispersion est amplifiée ou atténuée au carré du facteur multiplicatif.
• La variance reste inchangée par une translation, c’est-à-dire V(X + b) = V(X), ce qui souligne que seul l’écart par rapport à la moyenne est pertinent pour la dispersion.
• La propriété de combinaison affine précise que V(aX + b) = a² V(X), confirmant que la variance dépend uniquement du coefficient multiplicatif a.
• Lorsqu’on considère deux variables X et Y indépendantes, la variance de leur somme est la somme de leurs variances : V(X + Y) = V(X) + V(Y), ce qui facilite le calcul de la dispersion pour des variables indépendantes.
• Ces propriétés sont essentielles pour manipuler et comprendre la dispersion dans des modèles probabilistes et statistiques, notamment dans le cadre de transformations linéaires.

💡 À retenir

La variance est affectée par la multiplication par une constante selon le carré de cette constante, reste inchangée par translation, et s’additionne pour variables indépendantes.

📖 8. Sommes S_n

🔑 Notions clés & Définitions

• Somme S_n : La somme de n variables aléatoires X_1, X_2, ..., X_n, définie par S_n = X_1 + X_2 + ... + X_n.
• Espérance de la somme : Selon AUTEUR (date), E(S_n) = n E(X), ce qui indique que l'espérance de la somme est égale à n fois l'espérance d'une variable individuelle.
• Variance de la somme : D'après AUTEUR (date), V(S_n) = n V(X), ce qui montre que la variance de la somme est n fois la variance d'une variable individuelle.

📝 Points essentiels

• La somme S_n est la combinaison de n variables aléatoires, dont l'espérance et la variance se calculent à partir de celles d'une seule variable, en multipliant par n (pour l'espérance) ou par n (pour la variance).
• La linéarité de l'espérance (voir section 6) permet d'obtenir E(S_n) = n E(X) sans hypothèse d'indépendance.
• La formule V(S_n) = n V(X) est valable si les variables X_i sont indépendantes (voir section 7), sinon il faut considérer la covariance entre elles.
• La connaissance de ces formules est essentielle pour l'étude des lois de la somme de variables aléatoires, notamment dans le cadre de la loi des grands nombres ou du théorème central limite.

💡 À retenir

La somme de n variables aléatoires identiques et indépendantes a une espérance et une variance qui se multiplient par n, ce qui facilite leur étude et leur utilisation dans les modèles probabilistes.

📖 9. Moyenne M_n

🔑 Notions clés & Définitions

• Moyenne M_n : La moyenne empirique d'une série de n observations, définie par $M_n = \frac{S_n}{n}$, où $S_n$ est la somme des variables aléatoires $X_1, X_2, ..., X_n$.
• Espérance de la moyenne : Selon AUTEUR (date), $E(M_n) = E(X)$, ce qui indique que la moyenne empirique est un estimateur sans biais de l'espérance de la variable.
• Variance de la moyenne : Toujours selon AUTEUR (date), $V(M_n) = \frac{V(X)}{n}$, ce qui montre que la variance de la moyenne diminue avec n, renforçant la convergence vers l'espérance.

📝 Points essentiels

• La moyenne $M_n$ est une variable aléatoire dont l'espérance est égale à celle de la variable initiale $X$, ce qui confirme son caractère d'estimateur sans biais.
• La variance de $M_n$ est égale à $V(X)$ divisée par n, ce qui implique que plus n est grand, plus la moyenne empirique est précise.
• La formule $V(M_n) = \frac{V(X)}{n}$ illustre la loi des grands nombres : en augmentant n, la moyenne empirique converge vers l'espérance, avec une dispersion qui tend vers zéro.
• La propriété $E(M_n) = E(X)$ est essentielle pour justifier l'utilisation de la moyenne comme estimateur de l'espérance dans des échantillons.

💡 À retenir

La moyenne $M_n$ est un estimateur sans biais dont la précision augmente avec la taille de l’échantillon, grâce à la diminution de sa variance.

📖 10. Encadrements

🔑 Notions clés & Définitions

• Forme classique : Encadrement simple d'une variable x par deux bornes a et b, avec la notation a ≤ x ≤ b, indiquant que x appartient à l'intervalle fermé [a, b].

• Encadrement centré : Représente un intervalle symétrique autour d’un point a, avec une moitié de largeur b, sous la forme a - b ≤ x ≤ a + b.

• Valeur absolue : Encadrement exprimé via la distance entre x et a, sous la forme |x - a| ≤ b, équivalent à a - b ≤ x ≤ a + b, selon lien d’équivalence (voir section 10).

• Sens inverse (très important) : La relation |x - a| ≥ b équivaut à x ≤ a - b ou x ≥ a + b, permettant d’encadrer x en dehors de l’intervalle centré, en utilisant des inégalités doubles.

📝 Points essentiels

• La forme classique est la plus simple, indiquant que x se trouve entre deux bornes a et b.

• L’encadrement centré est utile pour représenter une variable autour d’un point a avec une marge b, souvent pour des approximations ou des marges d’erreur.

• La valeur absolue permet d’exprimer un encadrement en termes de distance, facilitant la compréhension des écarts par rapport à un point a.

• La relation d’équivalence entre |x - a| ≤ b et a - b ≤ x ≤ a + b est fondamentale pour passer d’une formulation à l’autre.

• Le sens inverse de l’encadrement par valeur absolue, |x - a| ≥ b, est crucial pour définir des limites en dehors d’un intervalle, en utilisant la disjonction x ≤ a - b ou x ≥ a + b.

💡 À retenir

Les encadrements par valeur absolue et inégalités doubles sont liés par des équivalences, permettant de décrire précisément l’ensemble des valeurs possibles de x selon la situation, en utilisant soit des intervalles fermés, soit des disjonctions d’inégalités.

📅 Repères chronologiques

OMETTE, aucune date significative dans le contenu.

📊 Tableaux de Synthèse

Thème	Notions Clés	Formules / Concepts	Auteur / Référence
Loi de Bernoulli	Variable binaire, succès ou échec	E(X) = p, V(X) = p(1-p), σ(X) = √(p(1-p))	-
Loi Binomiale	Nombre de succès dans n essais	P(X=k) = C(n,k) p^k (1-p)^{n-k}, E(X)=np, V(X)=np(1-p), σ(X)=√(np(1-p))	-
Inégalité de Bienaymé-Tchebychev	Encadrement probabiliste	P(	X - E(X)
Espérance simple	Moyenne pondérée	E(X) = Σ x_i P(X=x_i)	-
Variance & Écart-type	Dispersion	V(X)=σ(X)², σ(X)=√V(X)	-
Propriétés de l’Espérance	Linéarité, translation	E(aX + b) = aE(X) + b, E(X+Y)=E(X)+E(Y)	-

⚠️ Pièges & Confusions Fréquentes

1. Confondre variance (V(X)) et écart-type (σ(X)), qui ne sont pas égaux.
2. Oublier que la variance est invariante par translation : V(X + b) = V(X).
3. Confondre la formule de l’espérance pour une variable discrète et continue.
4. Mal interpréter la variance comme une mesure de dispersion en unités de la variable (l’écart-type est plus intuitif).
5. Utiliser la formule de la loi binomiale sans vérifier l’indépendance des essais.
6. Confondre la formule de probabilité de la loi binomiale avec celle d’autres lois discrètes.
7. Négliger que l’inégalité de Bienaymé-Tchebychev donne une borne supérieure, pas une valeur exacte.

✅ Checklist Examen

• Connaître la définition de la variable de Bernoulli et ses moments (espérance, variance, écart-type).
• Savoir écrire la formule de probabilité de la loi binomiale et ses moments.
• Maîtriser l’inégalité de Bienaymé-Tchebychev pour estimer la probabilité d’écarts importants.
• Savoir calculer l’espérance simple d’une variable discrète.
• Comprendre la différence entre variance et écart-type, et leurs propriétés.
• Connaître la propriété de linéarité de l’espérance : E(aX + b) = aE(X) + b.
• Être capable d’encadrer une probabilité à l’aide de l’inégalité de Bienaymé-Tchebychev.
• Savoir que V(aX) = a²V(X) et V(X + b) = V(X).
• Savoir que la variance est nulle si la variable est constante.
• Maîtriser la formule de la variance pour une somme de variables indépendantes.
• Vérifier si la variable suit une loi binomiale ou Bernoulli selon le contexte.
• Savoir utiliser la formule de la probabilité binomiale pour calculer des probabilités spécifiques.