Vous cherchez les formules de l’espérance et de la variance ? Vous voulez comprendre comment calculer ces indicateurs statistiques fondamentaux ? Vous avez besoin d’un formulaire clair pour vos exercices ou vos applications pratiques ?
Eh bien, figurez-vous que vous êtes au bon endroit !
Ces formules constituent la base de toute analyse probabiliste. Que vous soyez étudiant, professionnel ou simplement curieux de comprendre ces concepts, maîtriser l’espérance et la variance vous ouvrira les portes de la statistique moderne.
Vous êtes prêt à découvrir ces formules essentielles et leurs applications ? Alors, c’est parti !
Définitions et formules de base
L’espérance mathématique d’une variable aléatoire X, notée E(X), représente sa valeur moyenne théorique. Pour une variable aléatoire discrète qui prend les valeurs x₁, x₂, …, xₙ avec les probabilités respectives p₁, p₂, …, pₙ, la formule est :
E(X) = Σ pᵢ × xᵢ
Pour une variable aléatoire continue avec une fonction de densité f(x), l’espérance se calcule par intégration :
E(X) = ∫ x × f(x) dx
La variance, notée V(X) ou Var(X), mesure la dispersion des valeurs autour de l’espérance. Sa définition formelle est :
V(X) = E[(X – E(X))²]
Cette définition signifie que la variance correspond à l’espérance du carré des écarts à la moyenne. L’écart-type, noté σ(X), se définit comme la racine carrée de la variance :
σ(X) = √V(X)
Ces trois indicateurs forment le trio fondamental pour caractériser une loi de probabilité. L’espérance indique le centre de la distribution, tandis que la variance et l’écart-type renseignent sur sa dispersion.
Formule de König-Huygens et propriétés algébriques
La formule de König-Huygens constitue l’outil de calcul le plus pratique pour la variance. Elle s’énonce ainsi :
V(X) = E(X²) – [E(X)]²
Cette formule simplifie considérablement les calculs. Plutôt que de calculer E[(X – E(X))²], il suffit de déterminer l’espérance de X² puis de soustraire le carré de l’espérance de X.
Les propriétés de l’espérance incluent notamment sa linéarité. Pour toute transformation affine aX + b :
| Propriété | Formule |
|---|---|
| Espérance d’une transformation affine | E(aX + b) = a × E(X) + b |
| Variance d’une transformation affine | V(aX + b) = a² × V(X) |
| Espérance d’une somme | E(X + Y) = E(X) + E(Y) |
La variance ne suit pas la même règle additive. Pour deux variables aléatoires X et Y, la variance de leur somme dépend de leur covariance :
V(X + Y) = V(X) + V(Y) + 2 × Cov(X,Y)
Lorsque X et Y sont indépendantes, leur covariance est nulle, donc V(X + Y) = V(X) + V(Y). Cette propriété se généralise : pour des variables aléatoires indépendantes, les variances s’additionnent.
Moments et fonction génératrice
Le concept de moment généralise l’espérance. Le moment d’ordre r de X se définit par mᵣ = E(Xʳ). L’espérance correspond au moment d’ordre 1, tandis que E(X²) est le moment d’ordre 2.
Les moments centrés μᵣ = E[(X – E(X))ʳ] caractérisent la forme de la distribution. La variance est le moment centré d’ordre 2.
Pour les variables aléatoires à valeurs entières, la fonction génératrice G_X(t) = E(t^X) permet de calculer facilement espérance et variance :
- G_X'(1) = E(X)
- V(X) = G_X »(1) + G_X'(1) – [G_X'(1)]²
Calculs pratiques et estimation
Pour calculer l’espérance et la variance en pratique, plusieurs méthodes existent selon le contexte. Avec une variable aléatoire discrète définie par un tableau de valeurs et probabilités, appliquez directement les formules de base.
Considérons un exemple concret. Soit X une variable qui prend les valeurs -1, 0, 1, 2 avec les probabilités 0,2, 0,3, 0,3, 0,2 respectivement :
E(X) = (-1) × 0,2 + 0 × 0,3 + 1 × 0,3 + 2 × 0,2 = 0,3
E(X²) = 1 × 0,2 + 0 × 0,3 + 1 × 0,3 + 4 × 0,2 = 1,3
V(X) = 1,3 – (0,3)² = 1,21
σ(X) = √1,21 ≈ 1,1
En estimation statistique, la variance empirique d’un échantillon (x₁, …, xₙ) se calcule par :
S² = (1/(n-1)) × Σ (xᵢ – x̄)²
Le facteur (n-1) au lieu de n corrige le biais de l’estimateur. Cette correction de Bessel garantit que l’espérance de S² égale la vraie variance de la population.
L’existence de l’espérance et de la variance n’est pas automatique pour toutes les lois de probabilité. La loi de Pareto illustre cette subtilité : l’espérance existe seulement si le paramètre k > 1, et la variance existe seulement si k > 2.
Ces formules trouvent des applications directes dans de nombreux domaines : finance (calcul de risque), qualité (contrôle de production), recherche (analyse d’expériences). Maîtriser ces outils vous permettra d’analyser efficacement la variabilité de vos données et de quantifier l’incertitude dans vos modèles probabilistes.
