Calcul de l’espérance par transfert variable discrète
Utilisez ce calculateur premium pour déterminer l’espérance de Y = g(X) lorsque X est une variable aléatoire discrète. Saisissez les valeurs possibles de X, leurs probabilités, choisissez une transformation, puis visualisez instantanément l’espérance, les contributions de chaque modalité et un graphique dynamique.
Calculateur interactif
Résultats
- Saisissez vos valeurs, vos probabilités et choisissez la transformation.
- Le calculateur affichera E(X), E(g(X)) et le détail par modalité.
Guide expert du calcul de l’espérance par transfert variable discrète
Le calcul de l’espérance par transfert d’une variable discrète est une notion centrale en probabilités appliquées. On part d’une variable aléatoire discrète X, dont on connaît les valeurs possibles et les probabilités, puis on définit une nouvelle variable Y = g(X), où g est une fonction de transformation. L’objectif est alors de calculer l’espérance de la variable transformée, notée E[Y] = E[g(X)]. Cette opération est utilisée dans des domaines très concrets : calcul d’un coût moyen à partir d’un nombre de sinistres, estimation d’un gain moyen avec des bonus non linéaires, valorisation d’un risque via une fonction de perte, ou encore conversion d’un nombre d’événements en temps d’attente ou en coût total.
La difficulté principale vient du fait que l’espérance ne se transfère pas de manière naïve à travers une fonction non linéaire. Si g est affine, par exemple g(x) = ax + b, alors on a bien E[g(X)] = aE[X] + b. En revanche, pour une fonction quadratique, exponentielle ou logarithmique, il est en général faux d’écrire E[g(X)] = g(E[X]). Cette distinction est fondamentale. Elle explique par exemple pourquoi un coût moyen après pénalité quadratique peut être bien supérieur à la pénalité appliquée au coût moyen brut.
Définition mathématique de la formule de transfert
Si une variable discrète X prend les valeurs x₁, x₂, …, xₙ avec les probabilités p₁, p₂, …, pₙ, alors pour toute fonction g telle que la somme soit bien définie, l’espérance de la variable transférée se calcule ainsi :
E[g(X)] = Σ g(xᵢ) pᵢ
Concrètement, il suffit de suivre une procédure simple : on liste les valeurs de X, on applique la transformation à chaque valeur, on multiplie chaque image g(xᵢ) par la probabilité correspondante, puis on additionne toutes les contributions. Cette règle est souvent appelée théorème de transfert ou méthode de l’image d’une variable aléatoire dans le cas discret.
Pourquoi cette méthode est si importante
Dans la pratique, de nombreuses quantités d’intérêt ne sont pas directement la variable brute X, mais une transformation de celle-ci. Un assureur ne s’intéresse pas seulement au nombre de sinistres, mais au coût total après franchise et surcharge. Un logisticien observe un nombre de colis défectueux, puis le convertit en coût de rebut. Un data scientist transforme un score entier en probabilité, en pénalité ou en gain. Dans tous ces cas, la quantité utile est une variable transformée. Le calcul de l’espérance par transfert permet donc de passer d’un phénomène discret observé à une mesure économique ou opérationnelle immédiatement exploitable.
Étapes de calcul détaillées
- Identifier toutes les valeurs possibles de la variable discrète X.
- Vérifier que les probabilités sont bien positives et de somme 1.
- Choisir la fonction de transfert g(x).
- Calculer les images g(xᵢ) pour chaque modalité.
- Former les produits g(xᵢ)P(X=xᵢ).
- Faire la somme de tous les produits pour obtenir E[g(X)].
Cette méthode reste valide même si la fonction de transfert n’est pas monotone, à condition que chaque modalité de départ soit correctement pondérée. Le piège classique consiste à vouloir d’abord calculer la loi de Y = g(X), puis son espérance. Cela peut être utile pour comprendre la distribution transformée, mais ce n’est pas obligatoire si l’on cherche seulement l’espérance. Le théorème de transfert permet d’aller directement au résultat.
Exemple simple avec une variable discrète finie
Supposons que X représente le nombre d’incidents journaliers sur un serveur, avec la loi suivante : 0 incident avec probabilité 0,50 ; 1 incident avec probabilité 0,30 ; 2 incidents avec probabilité 0,15 ; 3 incidents avec probabilité 0,05. Si le coût journalier est donné par g(x) = 100x², alors la variable d’intérêt n’est plus le nombre d’incidents, mais le coût associé. On calcule :
- g(0) = 0
- g(1) = 100
- g(2) = 400
- g(3) = 900
L’espérance vaut donc :
E[g(X)] = 0×0,50 + 100×0,30 + 400×0,15 + 900×0,05 = 135
Le coût moyen journalier est donc de 135 unités monétaires. Si l’on avait calculé d’abord E[X], on obtiendrait 0,75, puis g(E[X]) = 100×0,75² = 56,25. Le résultat est très différent. Cet exemple montre parfaitement pourquoi il est dangereux de confondre E[g(X)] avec g(E[X]).
Comparaison entre espérance transférée et transformation de l’espérance
Le tableau suivant compare plusieurs cas standards. Ces chiffres reposent sur des distributions discrètes classiques et des probabilités exactes, très utilisées en enseignement supérieur et en modélisation appliquée.
| Situation | Loi de X | Transformation g(x) | E[g(X)] | g(E[X]) | Lecture |
|---|---|---|---|---|---|
| Dé équilibré | X uniforme sur {1,2,3,4,5,6} | x² | 15,1667 | 12,2500 | La convexité augmente la moyenne transformée. |
| Pièce équilibrée | X sur {0,1} avec p=0,5 | 2x+3 | 4,0000 | 4,0000 | Égalité car la fonction est affine. |
| Roulette européenne | Gain net d’un pari simple, +1 avec 18/37, -1 avec 19/37 | x | -0,0270 | -0,0270 | Espérance négative du joueur, conforme à la marge de la maison. |
Applications concrètes en économie, assurance et data science
En assurance, on modélise souvent le nombre de sinistres comme une variable discrète. Mais la variable utile n’est pas toujours ce nombre brut. On applique souvent une fonction de coût, de franchise ou de majoration. Si chaque sinistre entraîne un coût croissant de manière non linéaire, l’espérance transférée devient la vraie mesure du risque moyen. En économie, on peut transformer une demande discrète en chiffre d’affaires, en bénéfice ou en pénalité de rupture. En data science, une sortie discrète d’un modèle peut être transformée en score, en coût asymétrique ou en gain espéré selon une fonction métier. Le transfert permet alors de relier la théorie probabiliste à la décision opérationnelle.
Le cas de la qualité industrielle est particulièrement parlant. Imaginons qu’un atelier observe un nombre discret de défauts par lot. Le coût de non qualité n’est pas nécessairement linéaire, car au-delà d’un certain seuil, des retouches lourdes ou le rebut total peuvent s’appliquer. Là encore, le calcul de E[g(X)] offre une vision beaucoup plus réaliste du coût moyen qu’une simple extrapolation fondée sur le nombre moyen de défauts.
Tableau de référence avec statistiques exactes de distributions discrètes classiques
Le tableau ci-dessous rassemble quelques statistiques exactes ou standardisées pour des situations discrètes fréquemment étudiées. Elles servent de points de repère pour vérifier des calculs d’espérance transférée.
| Cas | Probabilités réelles ou exactes | E[X] | E[X²] | Usage fréquent |
|---|---|---|---|---|
| Dé équilibré à 6 faces | 1/6 pour chaque issue | 3,5 | 91/6 = 15,1667 | Jeux, simulation, pédagogie |
| Variable de Bernoulli avec p = 0,2 | P(X=1)=0,2 ; P(X=0)=0,8 | 0,2 | 0,2 | Détection d’événement rare |
| Roulette européenne, pari rouge | P(gain net +1)=18/37 ; P(perte -1)=19/37 | -1/37 = -0,0270 | 1,0000 | Analyse d’espérance et de risque |
| Nombre de succès sur 2 essais avec p = 0,5 | Binomiale : 0 avec 0,25 ; 1 avec 0,5 ; 2 avec 0,25 | 1,0 | 1,5 | Fiabilité, contrôle, essais indépendants |
Erreurs fréquentes à éviter
- Confondre E[g(X)] et g(E[X]) : erreur classique dès que la fonction n’est pas affine.
- Oublier la normalisation des probabilités : une somme différente de 1 fausse tout le calcul.
- Appliquer une transformation hors domaine : par exemple ln(x) n’est défini que pour x > 0.
- Négliger les unités : si X compte des événements et g(X) mesure un coût, l’espérance finale s’exprime en coût moyen.
- Arrondir trop tôt : mieux vaut conserver plusieurs décimales pendant le calcul.
Lien avec la convexité et l’inégalité de Jensen
Lorsque la fonction de transfert est convexe, comme x² ou e^x, on observe souvent que E[g(X)] ≥ g(E[X]). Cette relation est formalisée par l’inégalité de Jensen. Elle joue un rôle majeur en théorie du risque, en économie et en optimisation. Elle explique pourquoi la variabilité peut coûter cher dès qu’une pénalité croît rapidement. À l’inverse, pour une fonction concave comme le logarithme, l’espérance transférée peut être inférieure à la transformation de l’espérance. Cette intuition est utile pour comprendre l’effet de l’incertitude sur des indicateurs de satisfaction, d’utilité ou de rendement marginal décroissant.
Comment interpréter le résultat dans un contexte métier
Le résultat de E[g(X)] doit toujours être lu comme une moyenne pondérée de la quantité transformée. Si g(X) est un coût, on obtient le coût moyen. Si c’est un gain, on obtient le gain moyen. Si c’est une pénalité, on mesure la charge moyenne attendue. Cela ne signifie pas que cette valeur sera observée à chaque expérience, mais qu’elle constitue un repère central sur le long terme. Dans les problèmes de décision, on la combine souvent avec la variance, des quantiles ou des scénarios extrêmes pour juger à la fois la performance moyenne et le niveau de risque.
Ressources de référence
Pour approfondir la théorie des probabilités discrètes, de l’espérance mathématique et des transformations de variables, vous pouvez consulter des sources académiques et institutionnelles reconnues :
- Penn State University, STAT 414 Probability Theory
- MIT OpenCourseWare, cours de probabilité et statistique
- NIST Engineering Statistics Handbook
Conclusion
Le calcul de l’espérance par transfert d’une variable discrète est une compétence essentielle pour passer d’une loi probabiliste brute à une grandeur réellement utile pour la décision. La règle est simple mais puissante : on applique la fonction à chaque valeur possible, puis on effectue une moyenne pondérée par les probabilités. Cette démarche permet d’analyser correctement les coûts, gains, risques et performances issus de mécanismes non linéaires. Le calculateur ci-dessus automatise cette logique, tout en vous offrant un contrôle complet sur les données d’entrée et une visualisation immédiate des contributions. Pour toute analyse sérieuse, retenez cette idée fondamentale : la moyenne d’une transformation ne coïncide généralement pas avec la transformation de la moyenne.