L.E.G.T.A. Le Chesnoy TB2−2011-2012
D. Blotti`ere Math´ematiques
Chapitre IX
Variables al´ eatoires discr` etes
Table des mati` eres
1 G´en´eralit´es sur les variables al´eatoires 2
2 Variables al´eatoires finies 5
3 Quelques lois usuelles pour les variables al´eatoires finies 9
3.1 Loi uniforme sur un ensemble fini . . . 9
3.2 Loi de Bernoulli . . . 10
3.3 Loi binomiale . . . 10
3.4 Loi hyperg´eom´etrique . . . 11
4 Variables al´eatoires discr`etes infinies 13 5 Quelques lois usuelles pour les variables al´eatoires discr`etes infinies 16 5.1 Loi g´eom´etrique . . . 16
5.2 Loi de Poisson . . . 17
1 G´ en´ eralit´ es sur les variables al´ eatoires
Notation :Dans cette partie, (Ω,T, P) d´esigne un espace de probabilit´es fix´e.
D´efinition (variable al´eatoire, ensemble des valeurs prises par une variable al´eatoire) 1. Une variable al´eatoireX est une applicationX: Ω→Rtelle que pour tout intervalle r´eelI:
X−1(I) ={ω∈Ω : X(ω)∈I} (ensemble des ant´ec´edents des ´el´ements deI parX) est un ´ev´enement de (Ω,T), i.e. appartient `aT.
2. SoitX une variable al´eatoire. L’image de Ω parX, not´eeX(Ω), d´efinie par : X(Ω) ={X(ω) : ω ∈Ω}
est appel´ee ensemble des valeurs prises par la variable al´eatoire.
Remarque 1 :SoitX une variable al´eatoire.
1. Si I est un intervalle r´eel, alors X−1(I) est une partie de Ω qui, par d´efinition, est dans la tribu T. La probabilit´eP(X−1(I)) de cet ´ev´enement est donc bien d´efinie.
2. L’ensembleX(Ω) est une partie deR. Exemple 1
• Exp´erience al´eatoire
On lance trois fois de suite une pi`ece ´equilibr´ee et on consid`ere le r´esultat obtenu.
• Mod´elisation de l’exp´erience al´eatoire Le r´esultat
P ILE obtenu au premier lancer P ILE obtenu au deuxi`eme lancer F ACE obtenu au troisi`eme lancer
de l’exp´erience peut se mod´eliser par le triplet (P ILE, P ILE, F ACE). De fa¸con analogue, tout r´esultat de l’exp´erience peut ˆetre mod´elis´e par un triplet de {P ILE, F ACE}. L’ensemble de tous les r´esultats possibles est donc assimil´e `a l’ensemble des triplets de{P ILE, F ACE}; on a donc :
Ω ={P ILE, F ACE}3.
Il s’agit d’un ensemble fini (`a 8 ´el´ements. On place dessus la tribu P(Ω). La pi`ece ´etant ´equilibr´ee, on consid`ere la probabilit´e uniforme sur l’espace probabilisable (Ω,P(Ω)). On a donc pour tout ´ev´enement A de Ω :
P(A) =Card(A)
Card(Ω) = Card(A)
8 .
• D´efinition de la variable al´eatoireX
On noteX la variable al´eatoire ´egale au nombre deP ILEobtenu lors de l’exp´erience. Autrement dit,X est l’application
X: Ω→R, ω7→nombre deP ILE dans le tripletω
La variable al´eatoire peut prendre uniquement les valeurs 0,1,2,3. On a donc X(Ω) ={0,1,2,3}.
Remarque 2 :SoitX une variable al´eatoire et soienta, b∈Rtels quea < b. Alors, par d´efinition les parties de Ω suivantes sont des ´ev´enements de (Ω,T).
[X =a] :=X−1({a}) ={ω∈Ω : X(ω) =a}
[a≤X ≤b] :=X−1([a, b]) ={ω∈Ω : a≤X(ω)≤b}
[a < X < b] :=X−1(]a, b[) ={ω∈Ω : a < X(ω)< b}
[X ≤a] :=X−1(]− ∞, a]) ={ω∈Ω : X(ω)≤a}
[X > a] :=X−1(]a,+∞[) ={ω∈Ω : X(ω)> a}
Exemple 1 (suite)
• L’´ev´enement [X = 0] est{(F ACE, F ACE, F ACE)} et donc on a : P([X = 0]) = 1
8.
• L’´ev´enement [X = 1] est{(P ILE, F ACE, F ACE),(F ACE, P ILE, F ACE),(F ACE, F ACE, P ILE)}et donc on a :
P([X = 1]) = 3 8.
• L’´ev´enement [X = 2] est {(P ILE, P ILE, F ACE),(P ILE, F ACE, P ILE),(F ACE, P ILE, P ILE)} et donc on a :
P([X = 2]) = 3 8.
• L’´ev´enement [X = 3] est{(P ILE, P ILE, P ILE)} et donc on a : P([X = 3]) = 1
8.
• On a [X <1] = [X = 0] et donc :
P([X <1] = 1 8.
• On a [X ≤1] = [X = 0] ∪ [X = 1] (r´eunion disjointe) et donc :
P([X ≤1]) =P([X= 0]) +P([X= 1]) = 1 2.
• L’´ev´enement [X <0] est l’´ev´enement impossible∅ et donc : P([X <0]) = 0.
• L’´ev´enement [X ≤4] est l’´ev´enement certain Ω et donc : P([X≤4]) = 1.
D´efinition (fonction de r´epartition d’une variable al´eatoire) :SoitXune variable al´eatoire. La fonction de r´epartition deX est la fonctionFX d´efinie par :
FX:R→[0,1], x7→P([X ≤x]).
Exemple 1 (suite)
• Calcul de la fonction de r´epartitionFX de la variableX
FX:R→[0,1] ; x7→
P([X ≤x]) =P(∅) = 0, six <0 P([X ≤x]) =P([X = 0]) =1
8 , si 0≤x <1 P([X ≤x]) =P([X = 0]) +P([X= 1]) = 1
2 , si 1≤x <2 P([X ≤x]) =P([X= 0]) +P([X= 1]) +P([X = 2]) = 7
8 , si 2≤x <3
P([X ≤x]) =P([X = 0]) +P([X= 1]) +P([X = 2]) +P(X = 3) = 1, six≥3
• Repr´esentation graphique de FX
0.2 0.4 0.6 0.8 1.0
−0.2
1 2 3 4 5
−1
−2
[
[
[
[
b b b b
• Lien entre la repr´esentation graphique deFX et le diagramme des fr´equences cumul´ees croissantes Si on ne conserve que les points o`u se produisent les sauts dans la repr´esentation graphique deFX et si on joint chacun de ces points `a son projet´e orthogonal aur l’axe des abscisses, on retrouve le diagramme des fr´equences cumul´ees croissantes.
0.2 0.4 0.6 0.8 1.0
−0.2
1 2 3 4
−1
• Quelques propri´et´es de la fonction de r´epartitionFX
– La fonction FX est croissante surR.
– En tout point deR,FX est continue `a droite et admet une limite (finie) `a gauche.
– Les points de discontinuit´e co¨ıncident avec les valeurs prises parX.
– Si x0 est un point de discontinuit´e deFX (i.e. une valeur prise parX), alors P[X =x0] =FX(x0)− lim
x→x−0
FX(x).
– On a FX(x) →
x→−∞0 etFX(x) →
x→+∞1.
Th´eor`eme 1 (propri´et´es de la fonction de r´epartition d’une variable al´eatoire quelconque) :Soit X une variable al´eatoire et soitFX sa fonction de r´epartition.
1. Pour tousx1, x2∈Rtels que x1≤x2, on a :
P([x1< X ≤x2]) =FX(x2)−FX(x1).
2. La fonctionFX est croissante surR.
3. La fonctionFX est continue `a droite et admet une limite finie `a gauche (cadlag) en tout point deR.
4. Les comportements asymptotiques deFX en−∞et en +∞sont donn´es par : FX(x) →
x→−∞0 et FX(x) →
x→+∞1.
Preuve partielle
1. Soient x1, x2∈Rtels quex1≤x2. On a :
[X≤x2] = [X ≤x1] ∪ [x1< X≤x2] (r´eunion disjointe) et donc :
P([X ≤x2])
| {z }
FX(x2)
=P([X≤x1])
| {z }
FX(x1)
+P([x1< X≤x2]), d’o`u :
P([x1< X ≤x2]) =FX(x2)−FX(x1).
2. Soient x1, x2∈Rtels quex1≤x2. Montrons queFX(x1)≤FX(x2).
FX(x1)≤FX(x2) ⇐⇒ 0≤FX(x2)−FX(x1)
⇐⇒ 0≤P([x1< X ≤x2]) (d’apr`es 1.)
Comme P([x1 < X ≤ x2]) est une probabilit´e, elle est positive ou nulle. On en d´eduit que FX(x1) ≤ FX(x2).
Remarque 3 :Dans le th´eor`eme 1, l’existence d’une limite `a droite et d’une limite `a gauche pourFX en tout point deRd´ecoule du fait queFX est croissante surR. Dans l’assertion 3., la propri´et´e suppl´ementaire est donc la continuit´e `a droite deFX en tout point deR.
2 Variables al´ eatoires finies
Soit (Ω,T, P) un espace de probabilit´es fix´e.
D´efinition (variable al´eatoire finie) : Une variable al´eatoire finie est une variable al´eatoireX ne prenant qu’un nombre fini de valeurs, i.e. telle queX(Ω) est un ensemble fini.
Exemple 1 (suite) :On a vu queX(Ω) ={0,1,2,3}. C’est un ensemble fini, donc la variable al´eatoireX est finie.
Remarque 4 (syst`eme complet d’´ev´enements associ´e `a une variable al´eatoire finie) : Soit X une variable al´eatoire finie et soitX(Ω) ={x1, x2, . . . , xn} l’ensemble de ses valeurs. Alors :
([X =x1],[X =x2], . . . ,[X =xn])
est un syst`eme complet d’´ev´enements, appel´e syst`eme complet d’´ev´enements canonique associ´e `a la variable al´eatoire finieX). Par suite, on a :
Xn
k=1
P([X =xk]) = P
[n
k=1
[X=k]
| {z }
Ω
(additivit´e)
= P(Ω)
= 1.
D´efinition (loi de probabilit´e d’une variable al´eatoire finie) :SoitX une variable al´eatoire finie et soit X(Ω) ={x1, . . . , xn} l’ensemble de ses valeurs.
1. La loi de probabilit´e deX est la donn´ee desnprobabilit´esP([X =x1]), . . . , P([X =xn]).
2. La loi de X peut ˆetre repr´esent´ee par un tableau, comme suit.
k x1 x2 . . . xn
P([X=k]) valeur de P([X =x1])
valeur de
P([X =x2]) . . . valeur de P([X =xn])
Exemple 1 (suite) : La loi de probabilit´e deX est donn´ee par : P([X = 0]) = 1
8 , P([X = 1]) = 3
8 , P([X = 2]) = 3
8 , P([X = 3]) = 1 8. On peut la repr´esenter par le tableau suivant.
k 0 1 2 3
P([X =k]) 1 8
3 8
3 8
1 8
On v´erifie que :
P([X = 0]) +P([X= 1]) +P([X = 2]) +P([X = 3]) = 1.
Th´eor`eme 2 (propri´et´es de la fonction de r´epartition d’une variable al´eatoire finie) : SoitX une variable al´eatoire finie et soit FX sa fonction de r´epartition. On note x1, x2, . . . , xn ses valeurs rang´ees dans l’ordre croissant, i.e. :
X(Ω) ={x1, . . . , xn} et x1< x2< . . . < xn. 1. La fonctionFX est une fonction en escalier, croissante surR.
2. En tout point deR,FX est continue `a droite et admet une limite finie `a gauche.
3. Pour toutx∈]− ∞, x1[,FX(x) = 0 et pour tout x∈[xn,+∞[,FX(x) = 1.
4. L’ensemble des points de discontinuit´e deFX co¨ıncide avecX(Ω), i.e. est ´egal `a{x1, . . . , xn}.
5. On a :
P([X =x1]) =FX(x1) et
∀k∈J2, nK P([X =xk]) =FX(xk)−FX(xk−1) .
⋄ Preuve du th´eor`eme 2
Remarque 5 : La fonction de r´epartitionFX d’une variable al´eatoire finieX permet de retrouver sa loi. En effet, d’apr`es la propri´et´e 4., l’ensembleX(Ω) est l’ensemble des points de discontinuit´e de FX et la propri´et´e 5. permet de calculer chacune des probabilit´esP([X =x]), o`ux∈X(Ω). On donne un exemple de ce passage
fonction de r´epartitionFX ; loi deX ci-apr`es.
Exemple 2 :Soit
F:R→[0,1], x7→
0 six <1 1
5 si 1≤x <3 1
2 si 3≤x <4 3
4 si 4≤x <5 1 six≥5 la fonction de r´epartition d’une certaine variable al´eatoire finieX.
1. L’ensemble des points de discontinuit´e deFX est{1,3,4,5}. Par suiteX(Ω) ={1,3,4,5}.
2. La loi de X est donn´ee par : P([X = 1]) = 1
5 P([X = 3]) =1
2 −1 5 = 3
10 P([X = 4]) = 3
4 −1 2 =1
4 P([X = 5]) = 1−3
4 =1 4. 3. On v´erifie que :
P([X = 1]) +P([X = 2]) +P([X = 3]) +P([X = 4]) = 1.
D´efinition (esp´erance math´ematique d’une variable al´eatoire finie) :SoitXune variable al´eatoire finie et soitX(Ω) ={x1, . . . , xn}l’ensemble de ses valeurs. L’esp´erance math´ematique deX est le nombre r´eel d´efini par :
E(X) = Xn
k=1
xk P([X =xk]).
L’esp´erance est aussi appel´ee valeur moyenne de la variable al´eatoireX. Exemple 1 (suite) :On rappelle que la loi deX est donn´ee par :
k 0 1 2 3
P([X =k]) 1 8
3 8
3 8
1 8
On a donc :
E(X) = 0×1
8+ 1×3
8+ 2×3
8+ 3×1 8 = 12
8 =3 2.
Th´eor`eme 3 (formule de transfert pour une variable al´eatoire finie) : SoitX une variable al´eatoire finie et soitX(Ω) ={x1, . . . , xn}l’ensemble de ses valeurs. Soit de plus Φ :X(Ω)→Rune application.
1. Alors Φ◦X: Ω→Rest une variable al´eatoire, not´ee Φ(X).
2. On a :
E(Φ(X)) = Xn
k=1
Φ(xk)P([X =xk]).
Exemple 1 (suite) :D’apr`es la formule de transfert, on a : E
1 X+ 1
= 1
0 + 1×1 8 + 1
1 + 1 ×3 8+ 1
2 + 1×3 8+ 1
3 + 1×1 8
= 1
8 + 3 16+1
8 + 1 32
= 15 32.
D´efinition (moments d’ordre p d’une variable al´eatoire finie) : SoitX une variable al´eatoire finie et soitX(Ω) ={x1, . . . , xn}l’ensemble de ses valeurs. Soitp∈N∗. On appelle moment d’ordrepdeX le nombre r´eelE(Xp). D’apr`es la formule de transfert, le moment d’ordrepdeX est :
E(Xp) = Xn
k=1
xpkP([X=xk]).
Exemple 1 (suite) :Le moment d’ordre 2 de la variable al´eatoireX est donn´e par : E X2
= 02×1
8 + 12×3
8 + 22×3
8+ 32×1 8
= 24 8
= 3.
D´efinition (variance et ´ecart-type d’une variable al´eatoire finie) :Soit X une variable al´eatoire finie et soitX(Ω) ={x1, . . . , xn} l’ensemble de ses valeurs. On posem=E(X).
1. La variance de X est le r´eel positif d´efini par : V(X) = E((X−m)2)
= Xn
k=1
(xk−m)2P([X =xk]) (d’apr`es la formule de transfert).
2. L’´ecart-type deX est le r´eel positif d´efini par : σ(X) =p
V(X).
Remarque 6
1. Si E(X) = 0, on dit queX est centr´ee.
2. Si V(X) = 1, on dit queX est r´eduite.
3. L’´ecart-type mesure la dispersion des valeurs de la variable al´eatoireX autour de la valeur moyenneE(X).
Th´eor`eme 4 (formule de Koenig-Huyghens) :SoitXune variable al´eatoire finie et soitX(Ω) ={x1, . . . , xn} l’ensemble de ses valeurs. On posem=E(X). Alors on a :
V(X) = E(X2)−m2
= Xn
k=1
x2k P([X=xk])
!
−m2 (d’apr`es la formule de transfert).
⋄ Preuve de la formule de Koenig-Huyghens
Exemple 1 (suite et fin) : On a calcul´e auparavant E(X) = 3
2 et E(X2) = 3. D’apr`es la formule de Koenig-Huyghens, on a donc :
V(X) = 3− 3
2 2
= 3 4.
Th´eor`eme 5 (effet d’une transformation affine sur l’esp´erance et la variance) : SoitX une variable al´eatoire finie. Soientaet bdeux nombres r´eels. Alors on a :
E(aX+b) =a E(X) +b et V(aX+b) =a2V(X).
⋄ Preuve du th´eor`eme 5
3 Quelques lois usuelles pour les variables al´ eatoires finies
Soit (Ω,T, P) un espace probabilis´e fix´e.
3.1 Loi uniforme sur un ensemble fini
D´efinition (loi uniforme sur un ensemble fini) : SoitX une variable al´eatoire finie dont l’ensemble des valeurs est not´eX(Ω) ={x1, . . . , xn}. On dit que X suit la loi uniforme sur X(Ω) = {x1, . . . , xn} si chacune desnvaleursx1, . . . , xn que peut prendreX a la mˆeme probabilit´e d’apparaˆıtre, i.e. si
∀i∈J1, nK P([X =xi]) = 1 n. Dans ce cas, on noteX ∼ U({x1, . . . , xn}).
Remarque 7 : Comme
Xn
i=1
1 n = 1
n Xn
i=1
1
| {z }
n−1+1
= 1 n n= 1
la loi uniforme sur{x1, . . . , xn}est bien une loi. (On a justement choisi les valeurs de chacune des probabilit´es P([X=xi]) (i∈J1, nK) pour que cette propri´et´e soit v´erifi´ee.)
Exemple 3 : On jette un d´e ´equilibr´e `a 6 faces et on note X la variable al´eatoire ´egale au nombre obtenu.
AlorsX(Ω) =J1,6Ket X∼ U(J1,6K).
Th´eor`eme 6 (esp´erance et variance d’une variable al´eatoire suivant la loi U(J1, nK)) :Soient n∈N∗ et soitX une variable al´eatoire telle queX ∼ U(J1, nK). Alors :
E(X) =n+ 1
2 et V(X) =n2−1 12 .
⋄ Preuve du th´eor`eme 6 :On s’appuie sur les deux formules sommatoires : Xn
k=1
k= n(n+ 1)
2 et
Xn
k=1
k2=n(n+ 1)(2n+ 1)
6 .
⋄ Exemple 4 :SoitX une variable al´eatoire telle queX ∼ U(J0, nK). CalculerE(X) etV(X) en appliquant les th´eor`eme 5 et 6.
Situation typique o`u l’on reconnaˆıt une loi uniforme
Une variable al´eatoire finie X suit la loi uniforme sur X(Ω) si chacune des valeurs que peut prendreX a la mˆeme probabilit´e d’apparaˆıtre.
3.2 Loi de Bernoulli
D´efinition (loi de Bernoulli) :SoientX une variable al´eatoire finie etp∈]0,1[. On dit queX suit la loi de Bernoulli de param`etrepsi :
(1) X(Ω) ={0,1}
(2) P([X= 0]) = 1−p (3) P([X= 1]) =p.
Dans ce cas, on noteX ∼ B(p).
Remarque 8
1. Commep+ (1−p) = 1, la loi de Bernoulli de param`etrepest bien une loi.
2. Les propri´et´es (1) et (2) impliquent la propri´et´e (3) dans la pr´ec´edente d´efinition.
Mod`ele d’urne de r´ef´erence :On consid`ere une urne contenant des boules blanches et des boules noires.
On notepla proportion de boules blanches et (1−p) la proportion de boules noires, avec 0< p <1 (on a donc au moins une boule blanche et au moins une boule noire).
On tire une boule de l’urneau hasard.
On noteX la variable al´eatoire ´egale `a 1 (≪succ`es≫) si la boule tir´ee est blanche et ´egale `a 0 (≪´echec≫) sinon.
On a alorsX(Ω) ={0,1},P([X = 0]) = 1−pet P([X = 1]) =p. AinsiX∼ B(p).
Th´eor`eme 7 (esp´erance et variance d’une variable al´eatoire suivant la loiB(p)) :SoitX une variable al´eatoire suivant la loi de Bernoulli de param`etrep∈]0,1[. Alors :
E(X) =p et V(X) =p(1−p).
⋄ Preuve du th´eor`eme 7
Situation typique o`u l’on reconnaˆıt une loi de Bernoulli
Une variable al´eatoire finie X suit une loi de Bernoulli si son ensemble de valeurs X(Ω) est{0,1}. Dans ce cas, le param`etrepde la loi de Bernoulli est donn´e parp=P([X = 1]).
3.3 Loi binomiale
D´efinition (loi binomiale) :SoientX une variable al´eatoire finie et soientn∈N∗ etp∈]0,1[. On dit queX suit la loi binomiale de param`etre (n, p) si :
(1) X(Ω) =J0, nK
(2) ∀k∈J0, nK P([X =k]) =Cnkpk(1−p)n−k. Dans ce cas, on noteX ∼ B(n, p).
Remarque 9 : On a : Xn
k=0
Cnkpk (1−p)n−k = (p+ (1−p))n (formule du binˆome de Newton)
= 1
et donc la loi binomiale de param`etre (n, p) est bien une loi. Le nom de la loi binomiale est li´e au fait que la formule du binˆome de Newton intervient pour v´erifier que l’on a bien une loi.
Mod`ele d’urne de r´ef´erence :On consid`ere une urne contenant des boules blanches et des boules noires.
On notepla proportion de boules blanches et (1−p) la proportion de boules noires, avec 0< p <1 (on a donc au moins une boule blanche et au moins une boule noire).
On tire au hasard, successivement n (n ∈N∗) boules avec remiseet on note X la variable al´eatoire ´egale au
nombre de boules blanches tir´ees (≪succ`es≫).
AlorsX(Ω) =J0, nKet pour toutk∈J0, nK: P([X =k]) = Cnk
|{z}
choix de la place deskblanches
pk
|{z}
probabilit´e d’avoir kblanches
(1−p)n−k
| {z }
probabilit´e d’avoir (n−k) noires
et doncX ∼ B(n, p).
Remarque 10 : Soitp∈]0,1[. La loi binomialeB(1, p) et la loi de BernoulliB(p) co¨ıncident.
Th´eor`eme 8 (esp´erance et variance d’une variable al´eatoire suivant la loi B(n, p)) : Soit X une variable al´eatoire finie suivant la loi binomiale de param`etre (n, p), avecn∈N∗ et p∈]0,1[. Alors :
E(X) =np et V(X) =np(1−p).
Preuve du th´eor`eme 8 :SoitX une variable al´eatoire suivant la loiB(n, p). Le moment d’ordre 1 deX (i.e.
l’esp´erance deX) a ´et´e calcul´e dans l’exercice 62 (feuille d’exercices n˚4). Le moment d’ordre 2 deX a lui aussi
´et´e calcul´e dans l’exercice 62. On en d´eduit le r´esultat pour la variance de X, en appliquant le th´eor`eme de Koenig-Huyghens.
Situation typique o`u l’on reconnaˆıt une loi binomiale
• On consid`ere un sch´ema de Bernoulli, i.e. une exp´erience al´eatoire avec comme seules issues 0 (≪´echec≫) et 1 (≪succ`es≫). On notepla probabilit´e d’obtenir 1 (i.e. la probabilit´e d’avoir≪succ`es≫) dans cette exp´erience.
• On r´ep`etenfois de fa¸conind´ependantele sch´ema de Bernoulli.
• Alors la variable al´eatoireX ´egale au nombre de 1 (≪succ`es≫) obtenus suit la loi binomiale de param`etre (n, p).
3.4 Loi hyperg´ eom´ etrique
Rappels
1. Soient n∈N. Soitk∈N. Alors on d´efinit le coefficient binomialCnk par :
Cnk=
n!
k! (n−k)! sik≤n 0 sik > n
.
En d’autres termes, on ´etend la d´efinition donn´ee en premi`ere ann´ee, en prenant comme valeur 0 pourCnk
≪`a l’ext´erieur du triangle de Pascal≫.
2. Avec la d´efinition pr´ec´edente pour les coefficients binomiaux, on a :
∀(a, b)∈N2 ∀n∈J0, a+bK
Xn
k=0
Cak Cbn−k = Ca+bn (formule de Vandermonde).
Notons que certains coefficients binomiaux apparaissant dans la somme du premier membre de l’´egalit´e peuvent ˆetre nuls. Cette formule a ´et´e d´emontr´ee dans l’exercice 63 (feuille d’exercices n˚4).
D´efinition (loi hyperg´eom´etrique) :SoitX une variable al´eatoire finie. SoientN ∈N∗, n∈N∗ etp∈]0,1[
tels que :n≤N etN p∈N.
On dit queX suit la loi hyperg´eom´etrique de param`etre (N, n, p) si : (1) X(Ω)⊂J0, nK
(2) ∀k∈J0, nK P([X=k]) =CN pk CNn−k(1−p) CNn . Dans ce cas, on noteX ∼ H(N, n, p).
Remarque 11 : On a : Xn
k=0
CN pk CN(1−p)n−k
CNn = 1
CNn Xn
k=0
CN pk CNn−k(1−p) (CNn ne d´epend pas de l’indice de sommationk)
= 1
CNn CNn
formule de Vandermonde avec a=N p∈N
b=N(1−p) =N−N p∈N a+b=N p+N−N p=N
= 1
et donc la loi hyperg´eom´etrique de param`etre (N, n, p) est bien une loi.
Deux mod`eles d’urne de r´ef´erence :On consid`ere une urne dans laquelle il y aaboules blanches (deux `a deux discernables) etbboules noires (deux `a deux discernables), aveca, b∈N∗.
On noteN=a+ble nombre total de boules dans l’urne etp= a
N la proportion de boules blanches dans l’urne.
• Premier mod`ele d’urne : tirages simultan´es (; combinaisons)
On tire au hasard, simultan´ement,nboules de l’urne (n≤N =a+b) et on noteX la variable al´eatoire
´egale au nombre de boules blanches obtenues.
AlorsX(Ω)⊂J0, nK. Soitk∈J0, nK. On a :
P([X =k]) =
nombre de fa¸cons de choisir k blanches parmi lesablanches
z}|{
Cak
nombre de fa¸cons de choisir (n−k) noires parmi lesbnoires
z }| { Cbn−k CNn
|{z}
nombre de fa¸cons de choisir n boules parmi lesN
Commep= a
N, on aa=N p.De plus,a+b=N donc :
b=N−a=N−N p=N(1−p).
On a ainsi P([X =k]) = CN pk CN(1−p)n−k
CNn .Par suiteX∼ H(N, n, p).
• Deuxi`eme mod`ele d’urne : tirages successifs, sans remise (; arrangements)
On tire au hasard, successivement, sans remise, n boules de l’urne (n ≤ N = a+b) et on note X la variable al´eatoire ´egale au nombre de boules blanches obtenues.
AlorsX(Ω)⊂J0, nK. Soitk∈J0, nK. On a :
P([X =k]) =
nombre de fa¸cons de choisir la place des k blanches dans la suite desnboules
z}|{
Cnk
nombre de fa¸cons de choisir une suite de kblanches parmi les ablanches
z}|{
Aka
nombre de fa¸cons de choisir une suite de (n−k) noires parmi lesbnoires
z }| { An−kb AnN
|{z}
nombre de fa¸cons de choisir une suite de nboules parmi lesN
Or :
Aka = a!
(a−k)!=k!Cak ; An−kb = b!
(b−(n−k))! = (n−k)!Cbn−k ; AnN = N
(N−n)! =n!CNn
et donc :
P([X =k]) = n!
(n−k)!k!
k!Cak(n−k)!Cbn−k n!CNn
= CakCbn−k CNn
= CN pk CNn−k(1−p)
CNn (cf. fin du calcul dans le premier mod`ele d’urne).
On a doncX ∼ H(N, n, p).
Remarque 12 : Soitp∈]0,1[. La loiB(p) et la loiH(1,1, p) co¨ıncident.
Th´eor`eme 9 (esp´erance et variance d’une variable al´eatoire suivant la loi H(N, n, p)) :Soit X une variable al´eatoire suivant la loi hyperg´eom´etrique de param`etre (N, n, p), avecN≥2. Alors on a :
E(X) =np et V(X) =np(1−p) N−n N−1.
Preuve du th´eor`eme 9 :Cf. chapitreVecteurs al´eatoires.
Situation typique o`u l’on reconnaˆıt une loi hyperg´eom´etrique
• On consid`ere une population de N individus scind´ee en deux cat´egories : les individus de typeA et les individus de typeB. On note pla proportion d’in- dividus de type A.
• On pr´el`eve simultan´ement (ou successivement, sans remise) n individus, au hasarddans la population.
• Alors la variable al´eatoireX ´egale au nombre d’individus de type A obtenus suit la loi hyperg´eom´etrique de param`etre (N, n, p).
4 Variables al´ eatoires discr` etes infinies
Soit (Ω,T, P) un espace de probabilit´es fix´e.
D´efinition (variable al´eatoire discr`ete infinie) : Une variable al´eatoire X est appel´ee variable al´eatoire discr`ete infinie si son ensemble de valeursX(Ω) est une partie infinie de l’ensembleNdes entiers naturels.
Remarque 13 (syst`eme complet d’´ev´enements associ´e `a une variable al´eatoire discr`ete infinie) : SoitX est une variable al´eatoire finie et soitX(Ω) ={x1, x2, . . . , xn, . . .} ⊂Nson ensemble de valeurs. Alors :
([X =x1],[X =x2], . . . ,[X =xn], . . .)
est un syst`eme complet d’´ev´enements, appel´e syst`eme complet d’´ev´enements canonique associ´e `a la variable al´eatoire discr`ete infinieX. D’apr`es le cours sur les s´eries, la s´erie de terme g´en´eralP([X =xn]) (n∈N∗) est convergente et :
+∞X
k=1
P([X=xk]) = P
+∞[
k=1
[X=xk]
| {z }
Ω
(σ-additivit´e)
= P(Ω)
= 1.
Exemple 5 : On jette une pi`ece truqu´ee, avec probabilit´ep∈]0,1[ que PILE apparaisse, jusqu’`a ce que l’on obtienne PILE .
On noteX la variable al´eatoire ´egale au nombre de lancers effectu´es. AlorsX(Ω) =N∗.
D´efinition (loi de probabilit´e d’une variable al´eatoire discr`ete infinie) :SoitX une variable al´eatoire discr`ete infinie dont l’ensemble des valeurs estX(Ω) ={x1, x2, . . . , xn, . . .} ⊂N.
La loi de probabilit´e deX est la donn´ee des probabilit´esP([X =xk]) pour toutk∈N∗.
Exemple 5 (suite) :On poseq= 1−p. On a vu queX(Ω) =N∗. La loi de probabilit´e deX est donn´ee par :
∀k∈N∗ P([X =k]) =
probabilit´e de n’avoir que des FACE lors des n −1 premiers lancers
z }| {
qk−1 ×
probabilit´e d’avoir un PILE lors du n-i`eme lancer
z}|{p .
On v´erifie que la s´erie de terme g´en´eralqk−1p(k∈N∗) converge et que sa somme vaut 1.
1. Pour toutk∈N∗ :
qk−1p= p qqk.
D’apr`es le cours sur les s´eries, on sait que la s´erie de terme g´en´eralqk est convergente (−1< q <1). Par lin´earit´e, la s´erie de terme g´en´eralqk−1pest donc ´egalement convergente.
2. De ce qui pr´ec`ede, on d´eduit que :
+∞X
k=1
qk−1p =
+∞X
k=1
p qqk
= p
q
+∞X
k=1
qk (lin´earit´e)
= p
q
+∞X
k=0
qk
!
− 1
|{z}
k=0
(relation de Chasles)
= p
q
1 1−q− 1
|{z}
k=0
(cf. cours sur les s´eries g´eom´etriques)
= p
q q 1−q
= 1 (car 1−q=p).
Th´eor`eme 10 (propri´et´es de la fonction de r´epartition d’une variable al´eatoire discr`ete infi- nie) : Soit X une variable al´eatoire discr`ete infinie et soit FX sa fonction de r´epartition. On note X(Ω) = {x1, . . . , xn, . . .}l’ensemble de ses valeurs. On suppose que les valeurs sont ordonn´ees, i.e. que :x1< x2< . . . <
xn < . . ..
1. La fonctionFX est une fonction en escalier, croissante surR.
2. En tout point deR,FX est continue `a droite et admet une limite (finie) `a gauche.
3. Pour toutx∈]− ∞, x1[,FX(x) = 0 etFX(x) →
x→+∞1.
4. L’ensemble des points de discontinuit´e deFX co¨ıncide avecX(Ω), i.e. est ´egal `a{x1, . . . , xn, . . .}.
5. On a :
P([X =x1]) =FX(x1) et
∀k∈N≥2 P([X =xk]) =FX(xk)−FX(xk−1) .
⋄ Preuve du th´eor`eme 10
Remarque 14 :La fonction de r´epartitionFX d’une variable al´eatoire finieX permet de retrouver sa loi. En effet, d’apr`es la propri´et´e 4., l’ensembleX(Ω) est l’ensemble des points de discontinuit´e de FX et la propri´et´e 5. permet de calculer chacune des probabilit´esP([X =x]), o`ux∈X(Ω).
D´efinition (esp´erance math´ematique d’une variable al´eatoire discr`ete infinie) :SoitX une variable al´eatoire discr`ete infinie et soitX(Ω) ={x1, x2, . . . , xn, . . .}l’ensemble de ses valeurs.
1. On dit queX admet une esp´erance math´ematique si la s´erie de terme g´en´eralxkP([X =xk]) converge.
2. Si X admet une esp´erance math´ematique, alors on d´efinit l’esp´erance math´ematique deX comme ´etant le r´eel :
E(X) =
+∞X
k=1
xkP([X =xk]).
L’esp´erance est aussi appel´ee valeur moyenne de la variable al´eatoireX.
⋄ Exemple 5 (suite) : En s’aidant du cours sur les s´eries g´eom´etriques d´eriv´ees, on montre queE(X) = 1 p. Th´eor`eme 11 (formule de transfert pour une variable al´eatoire discr`ete infinie) :SoitXune variable al´eatoire discr`ete infinie et soitX(Ω) ={x1, x2, . . . , xn, . . .}l’ensemble de ses valeurs. Soit de plus Φ :X(Ω)→N une application.
1. Alors Φ◦X: Ω→Rest une variable al´eatoire, not´ee Φ(X).
2. La variable al´eatoire Φ(X) admet une esp´erance si et seulement si la s´erie de terme g´en´eral Φ(xk)P([X=xk])
converge.
3. Si Φ(X) admet une esp´erance, alors on a : E(Φ(X)) =
Xn
k=1
Φ(xk)P([X =xk]).
D´efinition (moments d’ordrepd’une variable al´eatoire discr`ete infinie) :SoitX une variable al´eatoire discr`ete infinie et soitX(Ω) ={x1, x2, . . . , xn, . . .}l’ensemble de ses valeurs. Soitp∈N∗.
1. On dit que X admet un moment d’ordrepsi la s´erie de terme g´en´eralxpk P([X =xk]) converge (ou bien si la variable al´eatoireXp admet une esp´erance, ce qui est ´equivalent d’apr`es la formule de transfert).
2. Si X admet un moment d’ordrep, alors on d´efinit le moment d’ordrepdeX comme ´etant le r´eelE(Xp).
D’apr`es la formule de transfert, on a :
E(Xp) =
+∞X
k=1
xpk P([X =xk]).
Remarque 15 : Soientp, q∈N∗ tels quep≤q. Si une variable al´eatoire discr`ete infinie poss`ede un moment d’ordreq, alors elle poss`ede un moment d’ordrep.
D´efinition (variance et ´ecart-type d’une variable al´eatoire discr`ete infinie) : Soit X une variable al´eatoire discr`ete infinie et soitX(Ω) ={x1, x2, . . . , xn, . . .}l’ensemble de ses valeurs. On suppose queX admet une esp´erance et on posem=E(X).
1. On dit queX admet une variance si la s´erie de terme g´en´eral (xk−m)2P([X =xk]) converge (ou bien si la variable al´eatoire (X−m)2 admet une esp´erance, ce qui est ´equivalent d’apr`es la formule de transfert).
2. Si X admet une variance, alors la variance de X est le r´eel positif d´efini par : V(X) = E((X−m)2)
=
+∞X
k=1
(xk−m)2P([X =xk]) (formule de transfert).
3. Si X admet une variance, alors l’´ecart-type deX est le r´eel positif d´efini par : σ(X) =p
V(X).
Th´eor`eme 12 (formule de Koenig-Huyghens) : Soit X une variable al´eatoire discr`ete infinie et soit X(Ω) = {x1, x2, . . . , xn, . . .} l’ensemble de ses valeurs. On suppose que X admet une esp´erance et on pose m=E(X).
1. La variableX admet une variance si et seulement si elle admet un moment d’ordre 2.
2. Si X admet une variance (ou un moment d’ordre 2), alors on a : V(X) = E(X2)−m2
=
+∞X
k=1
x2kP([X =xk])
!
−m2 (formule de transfert).
Exemple 5 (suite et fin) : En s’aidant du cours sur les s´eries g´eom´etriques d´eriv´ees secondes, on calcule le moment d’ordre 2 deX. En appliquant le th´eor`eme de Koenig-Huyghens et en utilisantE(X) =1
p, on obtient : V(X) = q
p2.
Th´eor`eme 13 (effet d’une transformation affine sur l’esp´erance et la variance) :SoitX une variable al´eatoire discr`ete infinie. Soienta∈Qetb∈Ztels que :
∀x∈X(Ω) ax+b∈N.
1. Si X admet une esp´erance, alors la variableaX+badmet aussi une esp´erance et on a : E(aX+b) =a E(X) +b.
2. Si X admet une variance, alors la variable aX+b admet aussi une variance et on a : V(aX+b) =a2V(X).
5 Quelques lois usuelles pour les variables al´ eatoires discr` etes infi- nies
Soit (Ω,T, P) un espace de probabilit´es fix´e.
5.1 Loi g´ eom´ etrique
D´efinition (loi g´eom´etrique) :SoientX une variable al´eatoire discr`ete infinie etp∈]0,1[. On poseq= 1−p.
On dit queX suit la loi g´eom´etrique de param`etrepsi : (1) X(Ω) =N∗
(2) ∀k∈N∗ P([X=k]) =p qk−1. Dans ce cas, on noteX ∼ G(p).
Exemple 6 : La variable al´eatoire ´etudi´ee au cours de l’exemple 5 suit, par d´efinition, la loi g´eom´etrique de param`etrep. On a v´erifi´e, au d´ebut de l’´etude, que la loi g´eom´etrique est bien une loi (en s’appuyant sur le cours sur les s´eries g´eom´etriques).
Mod`ele d’urne de r´ef´erence :On consid`ere une urne contenant des boules blanches et des boules noires.
On notepla proportion de boules blanches et (1−p) la proportion de boules noires, avec 0< p <1 (on a donc au moins une boule blanche et au moins une boule noire).
On tire une bouleau hasard,successivementdes boulesavec remise et on noteX la variable al´eatoire ´egale au
nombre de tirages effectu´es pour avoir la premi`ere boule blanche.
AlorsX(Ω) =N∗ (on tire au moins une fois dans l’urne) et pour tout k∈N∗ :
P([X =k]) =
probabilit´e de n’avoir tir´e que des noires lors des k − 1 premiers tirages
z }| {
qk−1 ×
probabilit´e d’avoir une blanche lors du k-i`eme tirage
z}|{p .
et doncX ∼ G(p).
Th´eor`eme 14 (esp´erance et variance d’une variable al´eatoire suivant la loiG(p)) :SoitX une variable al´eatoire suivant la loi g´eom´etrique de param`etrep∈]0,1[. Alors X admet une esp´erance et une variance et on a :
E(X) =1
p et V(X) = q p2 o`uq= 1−p.
Preuve du th´eor`eme 14 :Elle a ´et´e donn´ee au cours de l’´etude de l’exemple 5.
Situation typique o`u l’on reconnaˆıt une loi g´eom´etrique
• On consid`ere un sch´ema de Bernoulli, i.e. une exp´erience al´eatoire avec comme seules issues 0 (≪´echec≫) et 1 (≪succ`es≫). On notepla probabilit´e d’obtenir 1 (i.e. la probabilit´e d’avoir≪succ`es≫) dans cette exp´erience.
• On r´ep`ete de fa¸con ind´ependante le sch´ema de Bernoulli jusqu’`a l’obtention d’un premier 1 (≪succ`es≫).
• Alors la variable al´eatoire X ´egale au nombre de r´ep´etitions effectu´ees pour obtenir le premier 1 (≪succ`es≫) suit la loi g´eom´etrique de param`etrep.
5.2 Loi de Poisson
D´efinition (loi de Poisson) : SoitX une variable al´eatoire discr`ete infinie. Soitλ∈R+∗. On dit queX suit la loi de Poisson de param`etreλsi :
(1) X(Ω) =N
(2) ∀k∈N P([X =k]) =λk k! e−λ. Dans ce cas, on noteX ∼ P(λ).
Remarque 16 : Il n’existe pas d’exp´erience de r´ef´erence ≪simple≫ menant `a une loi de Poisson. Elle est prise comme mod`ele dans certaines situations, e.g. :
1. pour d´enombrer le nombre de clients se pr´esentant dans un magasin pendant une p´eriode donn´ee ; 2. pour d´enombrer le nombre d’appels re¸cus par un standard t´el´ephonique pendant une p´eriode donn´ee ; 3. pour d´enombrer le nombre de v´ehicules franchissant un poste de p´eage pendant une p´eriode donn´ee.
On verra plus tard qu’elle apparaˆıt comme≪loi limite≫ d’une loi binomiale.
Remarque 17 : Soitλ∈R+∗. D’apr`es le cours sur les s´eries, on sait que la s´erie de terme g´en´eralλk
k! converge et que :
+∞X
k=0
λk k! =eλ. Par lin´earit´e la s´erie de terme g´en´eral λk
k! e−λ est convergente et on a :
+∞X
k=0
λk
k! e−λ=e−λ
+∞X
k=0
λk k!
!
=e−λeλ= 1.
La loi de Poisson de param`etreλest donc bien une loi.
Th´eor`eme 15 (esp´erance et variance d’une variable al´eatoire suivant la loiP(λ)) :SoitX une variable al´eatoire suivant la loi de Poisson de param`etreλ >0. AlorsX admet une esp´erance et une variance et on a :
E(X) =λ et V(X) = λ.
Preuve du th´eor`eme 15
1. Le cours sur les s´eries exponentielles d´eriv´ees nous permet de calculer ais´ement l’esp´erance de X, en utilisant la propri´et´e de lin´earit´e.
2. En s’aidant du cours sur les s´eries exponentielles d´eriv´ees secondes, on calcule le moment d’ordre 2 deX. En appliquant le th´eor`eme de Koenig-Huyghens et en utilisantE(X) =λ, on obtient :V(X) =λ.