Lois discrètes usuelles Nous allons dans ce chapitre introduire un certain nombre de lois importantes utilisées dans de nombreuses situations probabilistes. I Compléments Comme nous allons avoir besoin de considérer des cas où les variables aléatoires sont à valeurs dans un ensemble infini, nous devrons étendre la définition de probabilité que nous avons donnée jusque là. En effet, supposons par exemple que X soit une variable aléatoire à valeurs dans IN . Il peut être alors naturel ∞ [ de vouloir considérer l’évenement (X ≥ 20) ; mais (X ≥ 20) = (X = k) : cette réunion est disjointe mais k=20 infinie ce qui fait que nous ne pouvons pas utiliser notre définition initiale de la probabilité pour la calculer. D’où la définition suivante Définition 1 On appelle probabilité une fonction P : P(Ω) → [0, 1] telle que (i) P (Ω) = 1 (ii) Si (An )n≥0 est une suite d’événements disjoints (c’est-à-dire Ai ∩ Aj = ∅, ∀i 6= j), P( ∞ [ Ak ) = ∞ X P (Ak ). k=0 k=0 Remarque : Il faut donc comprendre dans la propriété (ii) que P ( convergente ∞ X ∞ [ Ak ) est égal à la somme de la série k=0 P (Ak ) k=0 Nous ajouterons Proposition 1 Soit P une probabilité sur Ω. (i) Si (An )n≥0 est une suite d’événements croissante (c’est-à-dire An ⊂ An+1 , ∀n) P( ∞ [ k=0 Ak ) = lim ↑ P (Ak ) k→+∞ (ii) Si (Bn )n≥0 est une suite d’événements décroissante (c’est-à-dire Bn+1 ⊂ Bn , ∀n) P( ∞ \ k=0 Bk ) = lim ↓ P (Bk ) k→+∞ Il nous faut aussi prolonger la définition de l’espérance (et des moments). Pour l’instant, nous nous contenterons de le faire pour une variable aléatoire à valeurs dans IN . Définition 2 Soit X une v.a.r. à valeurs dans IN . Si la série de terme général nP (X = n) est convergente, on pose ∞ X E(X) = nP (X = n). n=0 1 Avec cette définition, on peut démontrer que les propriétés déjà obtenues pour l’espérance sont conservées, en particulier : Propriété 1 Soient X et Y deux variables aléatoires à valeurs dans IN admettant une espérance. Alors, X +Y admet une espérance et E(X + Y ) = E(X) + E(Y ). II II.1 Botanique des lois discrètes Loi de Bernoulli Commençons par regarder les variables qui vont nous servir de “briques de base” pour construire les diverses lois. Le cas le plus simple est celui où on a une alternative entre deux valeurs. Définition 3 On dit qu’une variable aléatoire X suit une loi de Bernoulli si elle est à valeurs dans {0, 1}. Le réel p = P (X = 1) est dit le paramètre de la loi. On notera X ∼ B(p). Propriété 2 Si X ∼ B(p), on a (i) E(X) = p (ii) Var(X) = p(1 − p) II.2 Loi binomiale Définition 4 Soient X1 , . . . , Xn , n variables aléatoires indépendantes de loi B(p)(0 ≤ p ≤ 1). On pose S = X1 + . . . + Xn . La loi de S est dite loi binomiale de paramètres n et p. On note S ∼ B(n, p). Proposition 2 Soit S ∼ B(n, p). Pour tout 0 ≤ k ≤ n, on a n pk (1 − p)n−k P (S = k) = k On a les propriétés suivantes Propriété 3 Si S ∼ B(n, p), (i) E(S) = np (ii) Var(S) = np(1 − p) On peut aussi énoncer Proposition 3 Si X ∼ B(n, p) et Y ∼ B(m, p) sont deux variables indépendantes, alors X+Y ∼ B(n+m, p). II.3 Loi de Poisson Commençons par montrer le lemme suivant Lemme 1 Soit (pn )n≥0 une suite de réels dans [0, 1] telle que lim npn = λ. Alors, pour tout k ≥ 0, n→+∞ lim n→+∞ n k pkn (1 − pn )n−k = e−λ On en tire la définition suivante 2 λk k! Définition 5 Une variable aléatoire X à valeurs dans IN suit une loi de Poisson de paramètre λ > 0 si pour k tout k ∈ IN , on a P (X = k) = e−λ λk! . On note X ∼ P(λ). La loi de Poisson apparaît donc comme une asymptotique de la loi binomiale. Cette notion sera précisée plus tard. On a Propriété 4 Si X ∼ P(λ), E(X) = Var(X) = λ. Enonçons aussi Proposition 4 Si X ∼ P(λ) et Y ∼ P(µ) sont deux variables aléatoires indépendantes, X + Y ∼ P(λ + µ). II.4 Loi géométrique Soit (Xn )n≥1 une suite de variables aléatoires indépendantes de même loi B(p), 0 ≤ p ≤ 1. On considère T le premier “instant” où dans la suite (Xn )n≥1 apparaît un “1”. On a donc T = inf{n ≥ 1, Xn = 1} (par convention T = +∞ si l’ensemble dont on prend l’infimum est vide). On a alors Proposition 5 Sous les conditions précédentes, on a (i) Si k ∈ IN ∗ , P (T = k) = p(1 − p)k−1 (ii) P (T = +∞) = 0 On pose alors Définition 6 On dit qu’une variable aléatoire T à valeurs dans IN suit une loi géométrique de paramètre p si ∀k ∈ IN ∗ , P (T = k) = p(1 − p)k−1 . On écrit T ∼ G(p). On a Proposition 6 Soit T ∼ G(p). Alors (i) E(T ) = p1 (ii) Var(T ) = 1−p p2 3