Vendredi 18 Avril 2025
Rechercher 🔍

Loi de Bernoulli - Définition

Source: Wikipédia sous licence CC-BY-SA 3.0.
La liste des auteurs de cet article est disponible ici.
- Introduction - Variable de Bernoulli - Applications au comptage - Distributions liées

Introduction

Bernoulli
Paramètres p>0\, (nombre réel)
q\equiv 1-p\,
Support k=\{0,1\}\,
Densité de probabilité (fonction de masse) \begin{matrix} q & \mbox{pour }k=0 \\p~~ & \mbox{pour }k=1 \end{matrix}
Fonction de répartition \begin{matrix} 0 & \mbox{pour }k<0 \\q & \mbox{pour }0<k<1\\1 & \mbox{pour }k>1 \end{matrix}
Espérance p\,
Médiane (centre) non disponible
Mode \textrm{max}(p,q)\,
Variance pq\,
Asymétrie (statistique) \frac{q-p}{\sqrt{pq}}
Kurtosis
(non-normalisé)		 \frac{3p^2-3p+1}{pq}\,
Entropie -q\ln(q)-p\ln(p)\,
Fonction génératrice des moments q+pe^t\,
Fonction caractéristique q+pe^{it}\,
modifier 

En mathématiques, la distribution de Bernoulli ou loi de Bernoulli, du nom du mathématicien suisse Jacques Bernoulli, est une distribution discrète de probabilité, qui prend la valeur 1 avec la probabilité p et 0 avec la probabilité \scriptstyle\ q = 1 - p.

\mathbb{P}(X=x) = \left\{\begin{array}{ll} p &\quad\mbox {si }x=1, \\ 1-p &\quad\mbox {si }x=0, \\ 0 &\quad\mbox {sinon.}\end{array}\right.

L'espérance mathématique d'une variable aléatoire de Bernoulli vaut p et la variance vaut p(1-p).

Le kurtosis tend vers l'infini pour des valeurs hautes et basses de p, mais pour \scriptstyle\ p=1/2\ la distribution de Bernoulli a un kurtosis plus bas que toute autre distribution, c’est-à-dire 1.

Variable de Bernoulli

Une variable aléatoire suivant la loi de Bernoulli est appelée variable de Bernoulli.

La loi de Bernoulli est la loi de la variable aléatoire qui code le résultat d'une épreuve de Bernoulli de la manière suivante : 1 pour "succès", 0 pour "échec", ou quel que soit le nom qu'on donne aux deux issues d'une épreuve de Bernoulli.

Plus généralement, toute application mesurable à valeur dans {0,1} est une variable de Bernoulli. Autrement dit, toute fonction indicatrice mesurable suit la loi de Bernoulli.

Réciproquement, pour toute variable de Bernoulli X définie sur (Ω,A,P), on peut trouver un ensemble mesurable B tel que X et la fonction indicatrice de B soient presque sûrement égaux : toute variable de Bernoulli est presque sûrement égale à une fonction indicatrice.

Applications au comptage

Écrire une variable aléatoire N, comptant un nombre d'évènements dans une situation donnée, comme la somme d'une famille de variables de Bernoulli, permet souvent de calculer simplement l'espérance de N, comme étant la somme des paramètres de ces variables de Bernoulli:

\left\{N=\sum_{i\in I} X_i\right\}\quad\Rightarrow\quad\left\{\mathbb{E}[N]=\sum_{i\in I} \mathbb{P}(X_i=1)\right\}.

On utilise le fait que, pour une variable de Bernoulli, le paramètre p est à la fois l'espérance et la probabilité de la valeur 1 :

\mathbb{E}[X_i]\ =\ \mathbb{P}(X_i=1).

Cette méthode simplifie aussi le calcul de la variance de N, dans certains cas. On trouvera ci-dessous quelques exemples, parmi les plus représentatifs, de cette méthode de comptage très répandue.

Sondage

On effectue une série de n tirages au hasard dans une population. On pose la même question à chacun des n individus tirés au hasard. Le but est d'estimer la proportion p d'individus de la population totale qui auraient répondu "oui" (si on leur avait posé la question) à l'aide du nombre N d'individus qui ont effectivement répondu "oui" parmi les n individus interrogés. On remarque que N peut s'écrire

N = \sum_{k=1}^n X_k,

où X1 , X2 , ... , Xn sont définies par

X_k\,=\, 1\!\!1_{\mathrm{la~r\acute eponse~du}\ k\mathrm{-\grave eme~individu~est}\ oui},

i.e. Xk vaut 1 ou 0 selon que la réponse du k-ème individu est "oui" ou "non". Étant une fonction indicatrice, Xk est donc une variable de Bernoulli. Son paramètre est "la probabilité de répondre "oui"", à savoir la proportion de "oui" dans la population totale, c'est-à-dire p. On a donc

\mathbb{E}[N]=\sum_{1\le i\le n} \mathbb{P}(X_i=1)\ =\ np,\qquad\text{et}\qquad\mathbb{E}[N/n]=p.

D'où l'idée, proposée par Bernoulli dans son ouvrage fondateur "Ars Conjectandi", d'estimer cette proportion p a priori inconnue à l'aide de la proportion N/n de "ouis" dans l'échantillon, qui est, elle, connue. Dans le but de déterminer la précision de cette estimation, Bernoulli a proposé dans le même ouvrage les premières inégalités de concentration (pour la loi binomiale). Une approche plus simple (mais produisant des inégalités de concentration plus grossières) que celle de Bernoulli, serait de calculer la variance de N, dans l'idée d'appliquer l'inégalité de Bienaymé-Tchebychev. A ce stade, il est nécessaire de préciser

  • si les tirages ont eu lieu avec remise (i.e. il est possible que la même personne soit interrogée plusieurs fois), ce qui implique l'indépendance des Xk, et donne
\text{Var}(N)=\sum_{1\le i\le n} \text{Var}(X_i)\ =\ np(1-p).
Dans le cas "avec remise", N suit la loi binomiale.
  • si les tirages ont eu lieu sans remise (i.e. en évitant d'interroger 2 fois la même personne), auquel cas les Xk ne sont pas indépendants. Alors
\text{Var}(N)=\sum_{1\le i\le n} \text{Var}(X_i)\ + 2\sum_{1\le i<j\le n}\text{Cov}(X_i,X_j).
En ce cas N suit la loi hypergéométrique, et les calculs requièrent de connaître la taille totale de la population, qu'on notera T dans la suite. On a
\text{Cov}(X_i,X_j)=\mathbb{E}[X_iX_j]-\mathbb{E}[X_i]\mathbb{E}[X_j]=\mathbb{P}(X_iX_j=1)-p^2.
En effet la variable Z=XiXj vaut 0 ou 1, et est donc une variable de Bernoulli. On a alors
\mathbb{P}(X_iX_j=1)\,=\,\frac{pT}T\,\frac{pT-1}{T-1}\,\quad\text{et}\quad\text{Cov}(X_i,X_j)=-\frac{p(1-p)}{T-1},
puis
\text{Var}(N)\ =\ \frac{p(1-p)n(T-n)}{T-1}.

Dans les deux cas considérés ci-dessus, la loi de N est connue explicitement. Cependant, le calcul de l'espérance de N utilisant la décomposition de N en somme de variables de Bernoulli, présenté ci-dessus, est plus simple que le calcul de l'espérance de N utilisant le théorème de transfert :

\mathbb{E}[N]=\sum_{1\le k\le n}\ k\,\mathbb{P}(N=k).

La même remarque vaut pour le calcul de la variance.

Fonction de répartition empirique

En statistiques, la fonction de répartition empirique associée à un n-échantillon est la fonction de répartition de la loi de probabilité qui attribue la probabilité 1/n à chacun des n nombres de cet échantillon.

Soit \scriptstyle\ X_1,X_2,\,\dots\,,X_n\ un échantillon de variables i.i.d. à valeurs dans \scriptstyle\ \mathbb{R}\ ayant pour fonction de répartition commune F(x)  : la fonction de répartition empirique \scriptstyle\ F_n(x)\ associée à l'échantillon \scriptstyle\ X_1,X_2,\,\dots\,,X_n\ est une fonction en escalier définie par

F_n(x)\ =\ \frac{\mathrm{nombre~d'\acute el \acute ements~inf\acute erieurs~\grave a}\ x\ \mathrm{dans~ l'\acute echantillon}}{n}\ =\ \frac{1}{n}\ \sum_{i=1}^n\ 1\!\!1_{X_i \le x}.

Pour un x fixé, la variable \scriptstyle\ 1\!\!1_{X_i \le x}\ est une variable de Bernoulli, de paramètre p = F(x). Par conséquent, la variable \scriptstyle\ nF_n(x)\ est distribuée selon une loi binomiale, avec pour moyenne nF(x) et pour variance nF(x)(1 − F(x)).

Pour divers sens du mot « convergence », la fonction de répartition empirique converge vers la fonction de répartition F des \scriptstyle\ X_i,\ lorsque la taille de l'échantillon augmente. Par exemple, en vertu du calcul de la variance de Fn (x), on a, pour tout x réel,

\mathbb E\left[\left(F_n(x)-F(x)\right)^2\right]\ =\ \tfrac{F(x)(1-F(x))}{n}\ \longrightarrow\ 0,

ce qui démontre la convergence de Fn (x) vers F(x), dans L2 .

Récurrence et transience d'une chaîne de Markov

Le temps de séjour (ou nombre de passages) d'une chaîne de Markov \scriptstyle\ X=(X_n)_{n\ge 0}\quad en un état \scriptstyle\ i\ est une variable aléatoire \scriptstyle\ S(i)\ à valeurs dans \scriptstyle\ \overline{\mathbb{N}}=\mathbb{N}\cup\{+\infty\},\ définie par

S(i)\ =\ \sum_{k\ge 0}1\!\!1_{X_k=i}.

L'état \scriptstyle\ i\ est dit transient ou récurrent, suivant que \scriptstyle\ \mathbb{P}_{i}\left(S(i)=+\infty\right) vaut 0 ou 1, ou encore suivant que le temps de séjour moyen en i, partant de i, \scriptstyle\ \mathbb{E}_{i}\left[S(i)\right], est fini ou infini. Comme \scriptstyle\ S(i)\ est une somme (infinie) de variables de Bernoulli, discuter ce dernier point revient à discuter la convergence de la série

\ \mathbb{E}_{i}\left[S(i)\right]=\sum_{k\ge 0}p^{(k)}_{i,i},

où \scriptstyle\ p^{(k)}_{i,i} est le paramètre de la variable de Bernoulli concernée, i.e.

\ p^{(k)}_{i,i}=\mathbb{P}_i(X_k=i),

lequel paramètre \scriptstyle\ p^{(k)}_{i,i} étant par ailleurs le terme diagonal de la puissance k-ème de la matrice de transition de la chaîne de Markov considérée.

Problèmes d'allocation : urnes et boules

On jette m boules au hasard dans n boites, expérience probabiliste dont un évènement élémentaire ω est une application de \scriptstyle\ B=[\![1,m]\!]\ dans \scriptstyle\ A=[\![1,n]\!]\  : ω(k) est le numéro de la boite dans laquelle est rangée la boule numéro k. Ainsi les ω(k) sont des variables aléatoires indépendantes et uniformes sur A. L'application N, qui à une distribution ω de m boules dans n boites associe le nombre N(ω) de boites vides à la fin de cette distribution ω, peut être vue comme une somme de variables de Bernoulli : en effet,

N = \sum_{k=1}^n X_k,

où X1 , X2 , ... , Xn sont définies par

X_k\,=\, 1\!\!1_{\mathrm{la}\ k\mathrm{-\grave eme~boite~est}\ vide},

i.e. Xk vaut 1 ou 0 selon que la k-ème boite est vide ou pas. Étant une fonction indicatrice d'évènement, Xk est donc une variable de Bernoulli. Son paramètre est "la probabilité d'être vide", i.e. la probabilité que chacune des m boules ait évité la boîte n°k. Chacune des m boules ayant une probabilité 1/n de tomber dans la boîte n°k, et les allocations des m boules étant indépendantes, on obtient

\mathbb{E}[X_k]=\mathbb{P}(X_k=1)\ =\ \left(1-\tfrac1n\right)^m,

puis

\mathbb{E}[N]=\sum_{1\le k\le n} \mathbb{P}(X_k=1)\ =\ n\left(1-\tfrac1n\right)^m.

Grace à cette décomposition en somme de variables de Bernoulli, on peut obtenir une inégalité de concentration précise pour N, en appliquant l'inégalité d'Azuma. Cette inégalité de concentration permet de justifier une méthode statistique de comptage approximatif basée sur la statistique N, et pouvant servir, par exemple, à déceler une attaque de virus informatique.

Remarque : La loi de probabilité de N s'exprime explicitement en terme des nombres de Stirling de seconde espèce, mais les expressions obtenues sont peu propices au calcul numérique, d'où la nécessité d'une approximation via l'inégalité d'Azuma.

Points fixes d'une permutation tirée au hasard

On jette n boules numérotées au hasard dans n boites numérotées, chacune de ces boites contenant au plus une boule, expérience probabiliste dont un évènement élémentaire \scriptstyle\ \omega\ est une permutation des éléments de \scriptstyle\ [\![1,n]\!]\  : \scriptstyle\ \omega(k)\ est, là encore, le numéro de la boite dans laquelle est rangée la boule numéro k. On suppose que les différentes distributions (permutations) possibles sont équiprobables. L'application N, qui à une distribution \scriptstyle\ \omega\ de n boules dans n boites associe le nombre \scriptstyle\ N(\omega)\ de boules portant le même numéro que la boite dans laquelle elles sont rangées à la fin de cette distribution \scriptstyle\ \omega,\ peut être vue comme une somme de variables de Bernoulli : en effet,

N = \sum_{k=1}^n X_k,

où X1 , X2 , ... , Xn sont définies par

X_k\,=\, 1\!\!1_{k\text{ est un point fixe de }\omega},

i.e. Xk vaut 1 ou 0 selon que la k-ème boite contient la k-ème boule ou pas. Étant une fonction indicatrice d'évènement, Xk est donc une variable de Bernoulli. Son paramètre est 1/n . On obtient que

\mathbb{E}[N]=\sum_{1\le k\le n} \ \tfrac1n\ =\ 1.

En suivant une démarche analogue à celle suivie pour un , on trouve que

\mathbb{P}(X_iX_j=1)\,=\,\tfrac1{n(n-1)},\quad\text{Cov}(X_i,X_j)=\tfrac{1}{n^2(n-1)},\quad\text{puis}\quad\text{Var}(N)\ =\ 1.

Le principe d'inclusion-exclusion permet de calculer exactement la loi de N, et de constater que cette loi converge, lorsque n tend vers l'infini, vers la loi de Poisson de paramètre 1. Cet exemple est représentatif : en général, la loi de Poisson de paramètre \scriptstyle\ \mathbb{E}[N]\ est une bonne approximation de la loi de la somme N d'un grand nombre de variables de Bernoulli de petit paramètre et peu corrélées. Là encore, un avantage de l'écriture de N comme somme de variables de Bernoulli est de permettre un calcul rapide de l'espérance et de la variance de N, ce que l'expression explicite de la loi de N ne permet pas.

Nombre d'occurrences d'un mot dans un texte (paradoxe du singe dactylographe)

On considère un texte ω=ω1ω2ω3 ... ωm constitué de m caractères d'imprimerie tous tirés au hasard, avec remise, d'un sac contenant exactement une fois chaque caractère d'imprimerie. On note \scriptstyle\ \mathcal{A}\ l'ensemble des caractères d'imprimerie, n le cardinal de \scriptstyle\ \mathcal{A}.\ Soit une suite a=a1a2a3 ... ar de caractères de \scriptstyle\ \mathcal{A},\ par exemple un mot, comme Wikipedia (r=9 dans ce cas particulier). L'application N, qui à un texte ω associe le nombre N(ω) d'occurrences de la suite a dans le texte ω peut être vue comme une somme de variables de Bernoulli : en effet,

N = \sum_{k=1}^{m-r+1} X_k,

où X1 , X2 , ... , Xm-r+1 sont définies par

X_k\,=\, 1\!\!1_{\omega_k\omega_{k+1}\omega_{k+2}\dots\omega_{k+r-1}=a},

i.e. Xk vaut 1 ou 0 suivant que la suite a apparait dans le texte ω, juste après le k-1-ème caractère de ce texte ω, ou pas. Étant une fonction indicatrice d'évènement, Xkest donc une variable de Bernoulli. Son paramètre est

\mathbb{P}(\omega_k\omega_{k+1}\omega_{k+2}\dots\omega_{k+r-1}=a)\ =\ \frac1{n^{r}}.

Ainsi

\mathbb{E}[N]=\sum_{1\le k\le m-r+1}\ \mathbb{P}(X_k\,=\, 1)\ =\ \frac{m-r+1}{n^{r}}.

L'intuition est alors qu'il faut un texte ω de longueur au moins m=nr pour que l'évènement \scriptstyle\ \{N\ge 1\}\ (autrement dit l'évènement "le mot a apparait au moins une fois dans le texte ω") devienne probable. En effet, l'inégalité de Markov entraine que

\mathbb{P}(N\ge 1)\le\mathbb{E}[N].

Le paradoxe du singe dactylographe, popularisé par Émile Borel, exploite les propriétés de N lorsque la longueur r de la séquence de caractères a est très grande. Dans l'exemple donné par Émile Borel, la séquence a est un texte classique de la littérature française, par exemple le texte intégral de "La Comédie humaine".

L'analyse statistique des suites de caractères tirés au hasard indépendamment, ou tirés au hasard suivant des modèles plus sophistiqués, a de nombreuses applications, comme l'analyse des performances de différentes méthodes de compression de données, ou encore l'étude du génome, et est à l'origine de la formalisation, par Andreï Markov, de la notion de chaîne de Markov.

Nombre de records et nombre de cycles d'une permutation

Définition — Dans une suite u=(uk)1≤k≤n, il y a record vers le bas (resp. vers le haut) au rang k si uk est strictement plus petit (resp. strictement plus grand) que chaque terme ui tel que i, c'est à dire strictement plus petit (resp. strictement plus grand) que chacun des termes qui le précèdent.

Exemple. Les records vers le bas de la suite ω ci-dessous sont en gras et soulignés :

\ \omega\ {=}\ (\underline{\bold{13}},14,\underline{\bold{11}},15,\underline{\bold{7}},9,\underline{\bold{4}},5,12,\underline{\bold{3}},\underline{\bold{1}},6,10,8,2).

Soit B(k) (resp. H(k)) l'évènement "il y a record vers le bas (resp. vers le haut) au rang k". Autrement dit, B(k) est l'ensemble des permutations ω de \scriptstyle\ \mathfrak{S}_n\ pour lesquelles la suite (ω(1), ω(2), ω(3), ... , ω(n)) présente un record vers le bas au rang k. Ainsi le nombre Nb(ω) (resp. Nh(ω)) de records vers le bas (resp. vers le haut) de la permutation ω s'écrit comme une somme de variables de Bernoulli :

N_b(\omega)=\sum_{1\le k\le n}\ 1\!\!1_{B(k)}(\omega)\quad\text{et}\quad N_b(\omega)=\sum_{1\le k\le n}\ 1\!\!1_{H(k)}(\omega).

En vertu des propriétés statistiques du code de Lehmer, ces variables de Bernoulli ont pour paramètres respectifs 1/k :

\mathbb{P}(B(k))=\mathbb{P}(H(k))=\tfrac1k.

Ainsi

\mathbb{E}[N_b]=\mathbb{E}[N_h]=\sum_{k=1}^n\frac{1}k=H_n\simeq \ln n,

où Hn désigne le n-ème nombre harmonique. Comme, toujours en vertu des propriétés statistiques du code de Lehmer, les variables de Bernoulli concernées sont indépendantes, on a également

\text{Var}(N_b)=\text{Var}(N_h)=\sum_{1\le k\le n}\ \text{Var}\left(1\!\!1_{B(k)}\right)=H_n-H_n^{(2)}\simeq \ln n,

où Hn(2) est le nombre harmonique défini par

H_n^{(2)}=\sum_{k=1}^n\frac{1}{k^2},

et converge vers ζ(2), i.e. vers π2/6.

La correspondance fondamentale de Foata permet de montrer que les deux applications suivantes :

  • le nombre Nb(ω) de records d'une permutation ω tirée au hasard,
  • le nombre C(ω) de cycles de la décomposition d'une permutation ω tirée au hasard,

sont deux variables aléatoires ayant même loi de probabilité. Cette loi de probabilité s'exprime en terme des nombres de Stirling de première espèce, notés \left[\begin{matrix}\scriptstyle n \\\scriptstyle k \end{matrix}\right]\  :

\begin{align} \mathbb{P}\left(N_b=k\right)&=\tfrac{(-1)^{n-k}}{n!}\ \left[\begin{matrix} n \\ k \end{matrix}\right], \\\mathbb{P}\left(x\le N_b\le y\right)&=\sum_{k=x}^y\tfrac{(-1)^{n-k}}{n!}\ \left[\begin{matrix} n \\ k \end{matrix}\right],\end{align}

ce qui donne une formule exacte, mais peu explicite, pour \scriptstyle\ \mathbb{P}\left(\left|N_b-\ln(n)\right|\le a\sqrt{\ln(n)}\right),\ formule exacte dont il est alors difficile de déduire un calcul effectif de la probabilité en question.

En revanche, l'écriture de Nb comme somme de variables de Bernoulli permet d'appliquer à Nb le théorème central limite. Ainsi, on constate que le nombre de cycles d'une permutation tirée au hasard, comme son nombre de records, sont très concentrés autour leur espérance, qui vaut approximativement ln n. Plus précisément :

\lim_n\,\mathbb{P}\left(\left|N_b-\ln(n)\right|\le a\sqrt{\ln(n)}\right)\ =\ \int_{-a}^a\ \tfrac1\sqrt{2\pi}\ e^{-x^2/2}\ dx\ =\ 0,999,

pour a=3,3.

Coût moyen de l'algorithme de tri rapide

L'algorithme de tri rapide, également appelé Quicksort, est un des algorithmes les plus utilisés pour ranger, dans l'ordre croissant, une liste désordonnée x= (x1 , x2 , x3 , ... , xn ) de n articles, à l'aide d'un petit nombre de comparaisons deux à deux. En effet Quicksort est réputé à la fois simple et efficace. Quicksort se déroule de la manière suivante :

  • on compare x1 avec chacun des éléments de la liste (x2 , x3 , ... , xn ), ce qui permet de constituer 2 sous-listes, la liste des ω1-1 éléments plus petits (resp. des n-ω1 éléments plus grands) que x1 . Cela fournit le rang ω1 que x1 occupera dans la liste une fois que celle-ci sera bien rangée.
  • on compare x2 avec chacun des éléments de sa sous-liste, ce qui permet de trouver le rang de x2 dans cette sous-liste, et finalement le rang ω2 que x2 occupera dans la liste complète une fois que celle-ci sera bien rangée. Par ailleurs cela scinde une des deux sous-listes constituées à l'étape précédente en deux, constituant ainsi 3 sous-listes, dont certaines, éventuellement, peuvent être vides (si x1 ou x2 sont des éléments extrémaux de leur (sous-)liste).
  • on compare x3 etc ...

Une implémentation concrète de cet algorithme abstrait est décrite par Don Knuth dans The art of computer programming.

La performance de Quicksort, dans le pire des cas (pire des cas qui correspond à une liste déjà bien rangée, dans l'ordre croissant ou décroissant), est de l'ordre de n2 comparaisons deux à deux. Pour cette raison, une liste constituée de concaténations de listes bien rangées (configuration fréquente en pratique) coûtera cher à ranger, en nombre de comparaisons effectuées. Le remède souvent adopté pour pallier cette faiblesse de Quicksort est de désordonner artificiellement la liste avant de la traiter : on note ω=(ω(1), ω(2), ω(3), ... , ω(n)) les rangs respectifs des éléments (x1 , x2 , x3 , ... , xn ) de la liste désordonnée au préalable, une fois que ces éléments sont rangés en une liste croissante (y1 < y2 < y3 < ... < yn ), de sorte que xi =yω(i) . On suppose donc que la liste a été prétraitée de sorte que ω soit une permutation tirée au hasard avec équiprobabilité parmi les n! permutations possibles. On note N(ω) le nombre de comparaisons effectuées par l'algorithme. Alors

N(\omega)=\sum_{1\le i<j\le n}\ 1\!\!1_{A(i,j)}(\omega),

où A(i,j) est l'évènement "yi et yj sont comparés une fois au cours de l'algorithme". En découle une analyse élémentaire du coût moyen de Quicksort, plus simple que la méthode classique utilisant une formule de récurrence et un calcul de fonction génératrice.

Proposition — On a

\mathbb{P}\left(A(i,j)\right)\ =\ \frac2{j-i+1},

et

\mathbb{E}[N]\ =\ 2(n+1)\,H_n\,-\,4n\ \simeq\ 2n\,\ln(n).

Il y a deux possibilités :

  • si le terme, disons z, de la liste L=(yi < yi+1 < ... < yj-1 < yj ) qui apparait le premier dans la liste (x1 , x2 , x3 , ... , xn ) est compris strictement entre yi et yj , alors, juste avant qu'on commence à comparer z avec les éléments de sa sous-liste, cette sous-liste contient la liste L, et aucun des éléments de L n'a encore été comparé avec un autre élément de L (puisque z est le premier). Après qu'on a comparé z avec tous les autres éléments de L, yi et yj sont placés dans deux sous-listes différentes (puisque yi < z < yj ) et ne seront plus jamais comparées :
1\!\!1_{A(i,j)}(\omega)=0\ ;
  • si z est l'un des deux éléments yi et yj de la liste L, comme on compare z à tous les autres éléments de sa sous-liste, laquelle contient intégralement la liste L, alors z va, en particulier, être comparé à l'autre élément du couple (yi , yj ) :
1\!\!1_{A(i,j)}(\omega)=1\ .

La répartition des j-i+1 éléments de la liste L dans la liste x est aléatoire uniforme, donc la probabilité qu'un élément particulier z de la liste L apparaisse le premier dans la liste x est 1/(j-i+1). Ainsi

\begin{align} \mathbb{P}\left(A(i,j)\right)&=\mathbb{P}\left(\mathrm{le~1er~\acute el\acute ement~de~la~liste}\ L\ \mathrm{dans~la~liste}\ x\ \mathrm{est~soit}\ y_i,\ \text{soit}\ y_j\right) \\ &=\frac2{j-i+1}, \end{align}

et

\begin{align} \mathbb{E}[N]&=\sum_{1\le i<j\le n}\ \mathbb{P}\left(A(i,j)\right)\\ &=\sum_{1\le i<j\le n}\ \frac2{j-i+1}\\ &=2\sum_{1\le i\le n-1}\ \left(\sum_{i+1\le j\le n}\frac1{j-i+1}\right)\\ &=2\sum_{1\le i\le n-1}\ \left(\sum_{2\le \ell\le n-i+1}\frac1{\ell}\right)\\ &=2\sum_{2\le m\le n}\ \left(\sum_{2\le \ell\le m}\frac1{\ell}\right)\\ &=2\sum_{2\le \ell\le n}\ \frac1{\ell}\left(\sum_{\ell\le m\le n}\,1\right)\\ &=2\ \sum_{2\le \ell\le n}\ \frac{n+1-\ell}{\ell}\\ &=2(n+1)\ \sum_{2\le \ell\le n}\ \frac{1}{\ell}\ -\ 2\ \sum_{2\le \ell\le n}\ \frac{\ell}{\ell}\\ &=2\left((n+1)(H_n-1)-(n-1)\right) \\ &=2(n+1)\,H_n\,-\,4n \\ &\simeq 2n\,\ln(n). \end{align}

où Hn désigne le n-ème nombre harmonique. La 4ème égalité provient du changement de variables \scriptstyle\ \ell=j-i+1, la 5ème égalité provient du changement de variables \scriptstyle\ m=n-i+1, et la 6ème égalité découle d'une interversion de l'ordre de sommation entre les variables m et \scriptstyle\ \ell.

Ainsi la randomisation de la liste fournie en entrée permet de diminuer le coût de l'algorithme, de n2 à 2n ln(n). Une analyse plus poussée permet de démontrer que N est très concentré autour de sa moyenne 2n ln(n). Plus précisément, la variance de N est asymptotiquement (7-(2π2/3)) n2. Notons que le coût (coût moyen ou coût dans le pire des cas) de n'importe quel algorithme de tri utilisant des comparaisons 2 à 2 est minoré par ln(n!)/ln(2) qui, d'après la formule de Stirling, vaut approximativement 1,4... n ln(n).

Distributions liées
- Introduction - Variable de Bernoulli - Applications au comptage - Distributions liées
miniature
Le trou noir supermassif Ansky vient de se réveiller ⚫
miniature
Voici ce qui rend notre cerveau vraiment unique 🧠
miniature
Asymétrie matière-antimatière: une nouvelle pièce du puzzle dévoilée 🧩
miniature
Neige en inuit, goût en japonais... comment les langues décomposent la réalité ? 💬
miniature
La physique révèle les secrets d'un strike parfait au bowling 🎳
miniature
Le TDAH associé à la démence 🧠
miniature
Découverte d'une nouvelle forme d'intrication quantique, une première en 20 ans ⚛️
miniature
Le régime cétogène montre des surprises sur le cholestérol 🧐
miniature
Un tango observationnel révèle une Super-Terre 🔭
miniature
Cette expérience montre que la graisse brune augmente fortement la longévité 🕒
miniature
1
L'Univers comme jamais vu auparavant: les révélations du fond diffus cosmologique 🔭
miniature
C'est sérieux: de la bave pourrait révolutionner la conception de bioplastiques 🪱
miniature
Découverte: le trou noir central de notre galaxie pourrait anéantir la vie sur Terre 💥
miniature
Etude scientifique: ces aliments nous font vieillir 🍽️
miniature
Pourquoi notre visage est-il plus petit et délicat que celui des Néandertaliens ? 🤔
miniature
A 18 ans, il découvre 1,5 million d'objets célestes inconnus avec son algorithme d'IA 🌟
miniature
Que sont ces objets rouges et aplatis, qualifiés d'UFOs par les astronomes ? 🔭
miniature
1
Une méthode simple pour améliorer les performances en mathématiques 🧮
miniature
Que sont ces étranges éclairs rouges photographiés au-dessus de l'Himalaya ? ⚡
miniature
Nous descendons non pas d'un, mais d'au moins deux groupes anciens 🧬
miniature
Un nuage géant de 160 000 soleils découvert dans notre Voie lactée 🔭
miniature
Connaissez-vous le rat-kangourou musqué, ce marsupial à la démarche unique ? 🦘
miniature
Comment une poignée de traders a fait s'effondrer deux cryptomonnaies 📉
miniature
Première cartographie titanesque d'un cerveau, avec 500 millions de connexions neuronales 🧠
miniature
Cette double supernovae proche est inexorable, voici la date... qui va vous surprendre 💥
miniature
Un océan phosphorescent: comment s'explique ce phénomène rare et féerique ? 🌊
miniature
L'ELT pourrait-il découvrir une vie extraterrestre dès 2028 ? 🔭
miniature
Cet édulcorant tue les superbactéries résistantes 🍬
miniature
Les neutrinos, la clé de la gravité quantique ? 👀
miniature
En Italie, les éruptions explosives de ce volcan déjouent les pronostics 🌋
miniature
Que sont ces spaghettis au cœur de notre galaxie ? 🔭
miniature
Des scientifiques ont créé une "bombe intelligente" contre le cancer 🎯
miniature
Les nanoplastiques, l'amiante du 21ème siècle ? 🔬
miniature
Compétition cellulaire: des forces sculptent nos tissus 🛠️
miniature
Le climat en Europe et au États-Unis pourrait changer bien plus radicalement que supposé 🌍
miniature
Découverte: ce dinosaure avait des poches d'air dans les os 🦴
miniature
La vie sur Titan, si elle existe, ressemblerait à quoi ? 🪐
miniature
Magnétisme et biologie s'allient contre le cancer 🧲
miniature
WR 104: on en sait plus sur cette "étoile de la mort" qui menace la Terre ☄️
miniature
Découverte: des bactéries respiraient de l'oxygène 1 milliard d'années avant la Grande Oxydation 🫧
miniature
Découverte d'un nouveau type de vent solaire rapide ☀️
miniature
Les dinosaures n'étaient pas en déclin avant l'astéroïde 🦖
miniature
Ce robot-cheval est véritablement tout-terrain 🐎
miniature
Comment un mauvais sommeil peut endommager votre cerveau ? 🧠
miniature
Découverte de microbes cachés qui purifient l'eau sans que nous le sachions 💧
miniature
Bonne nouvelle pour les enfants de la Lune 🌙
miniature
Du CO2 détecté dans l'atmosphère d'une exoplanète proche 🔭
miniature
Le café et le thé impactent le cancer, mais dans quel sens ? ☕
miniature
Une IA révèle des bulles cosmiques dans notre galaxie 🫧
miniature
Lorsque l'alcool stimule ses phéromones sexuelles et rend plus séduisant 🍷
Page générée en 0.419 seconde(s) - site hébergé chez Contabo
Ce site fait l'objet d'une déclaration à la CNIL sous le numéro de dossier 1037632
A propos - Informations légales
Version anglaise | Version allemande | Version espagnole | Version portugaise