Discret Dé…nitions Distribution Égalités forte et faible Les variables aléatoires de lois discrètes Loi conjointe 3-602-84 Modèles probabilistes et stochastiques de la gestion Loi conditionnelle Indépendance Moments Lois discrètes Geneviève Gauthier HEC Montréal Novembre 2007 1 Discret Dé…nitions Variables aléatoires discrètes Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance De…nition Une variable aléatoire X est dite discrète si elle peut prendre au plus qu’un nombre dénombrable de valeurs, disons x1 , x2 , ..., xn , ... 2 R. De façon équivalente, nous pouvons a¢ rmer qu’une variable est discrète si Moments ∑ Lois discrètes fx 2RjP fX =x g>0 g P fX = x g = 1. De…nition Le support d’une variable aléatoire discrète est l’ensemble des valeurs possibles de X : SX = fx 2 R jP fX = x g > 0 g . 2 Discret Fonction de masse Dé…nitions Distribution Changement de mesure Égalités forte et faible De…nition La distribution d’une variable aléatoire discrète X est commodément décrite par sa fonction de masse : Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes fX : R ! [0, 1] x ! probabilité que la v.a. X soit égale à x, c’est-à-dire que 8x 2 R, fX (x ) = P fX = x g . Remarque. La distribution d’une variable aléatoire dépend de la mesure de probabilité qui prévaut sur l’ensemble fondamental, comme l’indique l’expression ci-dessus. Nous illustrerons ce commentaire à l’aide d’un exemple. 3 Discret Exemple I Distribution d’une variable aléatoire discrète Dé…nitions Distribution Changement de mesure Égalités forte et faible ω W (ω ) Q (ω ) ω W (ω ) Q (ω ) 1 5 4 12 4 5 1 12 2 5 1 12 5 0 1 12 3 5 1 12 6 10 4 12 Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Déterminons les fonctions de masse de la variable aléatoire W . f W (x ) = = Q f ω 2 Ω jW ( ω ) = x g n o 8 1 > Q 5 = 12 > > > > n o > > > < Q 1 , 2 , 3 , 4 = 4 + 1 + 12 12 n o > > 4 > > Q 6 = 12 > > > > : 0 si x = 0 1 12 + 1 12 = 7 12 si x = 5 . si x = 10 sinon 4 Discret Exemple II Dé…nitions Distribution d’une variable aléatoire discrète Distribution Changement de mesure Égalités forte et faible Loi conjointe fW(w) Loi conditionnelle Indépendance Moments Lois discrètes w 5 Discret Exemple III Distribution d’une variable aléatoire discrète Dé…nitions Distribution Changement de mesure Égalités forte et faible Loi conjointe Loi conditionnelle Rappel : ω W (ω ) Q (ω ) ω W (ω ) Q (ω ) 1 5 4 12 4 5 1 12 2 5 1 12 5 0 1 12 3 5 1 12 6 10 4 12 Indépendance Moments Lois discrètes 6 Discret Exemple IV Distribution d’une variable aléatoire discrète Dé…nitions Distribution Changement de mesure Égalités forte et faible Loi conjointe Calculons la fonction de répartition de la variable aléatoire W . si x F W (x ) < = Loi conditionnelle Indépendance Moments = Lois discrètes = si x F W (x ) x g = Q (?) = 0; Q f ω 2 Ω jW ( ω ) xg=Q n 5 xg=Q n 1, 2, 3, 4, 5 x < 10 alors si 5 F W (x ) Q f ω 2 Ω jW ( ω ) x < 5 alors si 0 F W (x ) 0 alors Q f ω 2 Ω jW ( ω ) o = 1 ; 12 o = 8 ; 12 10 alors = Q f ω 2 Ω jW ( ω ) x g = Q (Ω) = 1. 7 Discret Exemple V Dé…nitions Distribution d’une variable aléatoire discrète Distribution Changement de mesure Égalités forte et faible Loi conjointe FW(w) Loi conditionnelle Indépendance Moments Lois discrètes w Remarque. La fonction de répartition d’une variable aléatoire discrète est une fonction en escalier. 8 Discret Exemple I Impact d’un changement de mesure sur la distribution Dé…nitions Distribution Changement de mesure Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments ω X (ω ) Y (ω ) Z (ω ) W (ω ) P (ω ) Q (ω ) 1 0 0 0 5 1 6 4 12 2 0 5 0 5 1 6 1 12 3 5 5 0 5 1 6 1 12 4 5 5 5 5 1 6 1 12 5 10 5 10 0 1 6 1 12 6 10 10 10 10 1 6 4 12 Lois discrètes 9 Discret Exemple II Impact d’un changement de mesure sur la distribution Dé…nitions Distribution Changement de mesure Égalités forte et faible Distributions des variables aléatoires X , Y , Z et W sous la mesure de probabilité P : Loi conjointe x P fX = x g P fY = x g P fZ = x g P fW = x g Loi conditionnelle 0 1 3 1 3 1 3 1 6 2 3 1 6 1 2 1 6 1 3 1 6 2 3 1 6 Indépendance Moments Lois discrètes 5 10 La distribution de la variable aléatoire X est dite uniforme puisque P fX = 0g = P fX = 5g = P fX = 10g = 13 . Les variables aléatoires Y et W ont la même distribution bien qu’elles ne soient pas égales. En e¤et, Y 1 = 0 6= 5 = W 1 . 10 Discret Exemple III Impact d’un changement de mesure sur la distribution Dé…nitions Distribution Changement de mesure Égalités forte et faible Distributions des variables aléatoires X , Y , Z et W sous la mesure de probabilité Q Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes x 0 5 10 Q fX = x g Q fY = x g Q fZ = x g Q fW = x g 5 12 2 12 5 12 1 3 1 3 1 3 1 2 1 12 5 12 1 12 7 12 1 3 Notons que les distributions des variables aléatoires ont changé. De plus, sous la mesure de probabilité Q, les variables aléatoires Y et W n’ont plus la même distribution. 11 Discret Égalités forte et faible I Variables aléatoires discrètes Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments De…nition Deux variables aléatoires X et Y sont dites égales (égalité forte) si et seulement si 8ω 2 Ω, X (ω ) = Y (ω ). Elles sont dites égales en distribution (ou en loi ou égalité faible) lorsqu’elles ont la même distribution. Lois discrètes Le concept d’égalité entre deux variables aléatoires est plus fort que celui d’égalité en distribution. En e¤et, si deux variables aléatoires sont égales, alors elles sont égales en distribution. Par contre, il est possible que deux variables aléatoires soient égales en distribution mais qu’elles ne soient pas égales. 12 Discret Égalités forte et faible II Dé…nitions Variables aléatoires discrètes Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes De plus, deux variables aléatoires peuvent être égales en distribution selon une certaine mesure de probabilité et ne pas l’être selon une autre mesure de probabilité. Dans l’exemple précédent, lorsque c’est la mesure P qui prévaut sur Ω, Y et W sont égales en distribution mais elles ne sont pas égales. 13 Discret Fonction de masse conjointe Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments De…nition La fonction de masse conjointe de deux variables aléatoires discrètes X et Y est dé…nie par Lois discrètes fX ,Y : R R ! [0, 1] (x, y ) ! P fX = x et Y = y g . 14 Discret Exemple I Distribution conjointe Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments ω X (ω ) Y (ω ) P (ω ) 1 0 0 1 6 2 0 5 1 6 3 5 5 1 6 4 5 5 1 6 5 10 5 1 6 6 10 10 1 6 Lois discrètes 15 Discret Exemple II Dé…nitions Distribution conjointe Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes La fonction de masse conjointe de X et Y est 8 si x = 0 et y 2 f0, 5g > 1 > > > 6 ou si x = 10 et y 2 f5, 10g < fX ,Y (x, y ) = 1 si x = 5 et y = 5 > > 3 > > : 0 sinon. 16 Discret Exemple III Distribution conjointe Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle fX,Y(x,y) Indépendance Moments Lois discrètes x y 17 Discret Fonction de répartition conjointe Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments De…nition La fonction de répartion conjointe de deux variables aléatoires discrètes X et Y est dé…nie par Lois discrètes fX ,Y : R R ! [0, 1] (x, y ) ! P fX x et Y yg . 18 Discret Exemple I Fonction de répartition Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments ω X (ω ) Y (ω ) P (ω ) 1 0 0 1 6 2 0 5 1 6 3 5 5 1 6 4 5 5 1 6 5 10 5 1 6 6 10 10 1 6 Lois discrètes 19 Discret Exemple II Dé…nitions Fonction de répartition Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes La fonction de répartition conjointe de X et Y est 8 0 si x < 0 ou y < 0 > > > > > 1 > > > 6 si 0 x < 5 et 0 y < 5 > > > 2 > si 0 x < 5 et y 5 > > 6 > > > 1 < x < 10 et 0 y < 5 6 si 5 FX ,Y (x, y ) = 4 > si 5 x < 10 et y 5 > 6 > > > > 1 > si x 10 et 0 y < 5 > 6 > > > > 5 > si x 10 et 5 y < 10 > 6 > > > : 1 sinon 20 Discret Exemple III Fonction de répartition Dé…nitions Distribution Égalités forte et faible Loi conjointe Fonction de répartition conjointe de X et de Y Loi conditionnelle 1 Indépendance Moments 0,8 Lois discrètes 0,6 0,4 0,2 0 21 Discret Fonctions de masse marginales Variables aléatoires discrètes Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle De…nition Indépendance Nous pouvons retrouver la fonction de masse (marginale) de chacune des deux variables aléatoires à partir de la fonction de masse conjointe. En e¤et, Moments Lois discrètes fX ( x ) = ∑ y 2SY fX ,Y (x, y ) et fY (y ) = ∑ fX ,Y (x, y ) . x 2SX 22 Discret I Fonctions de masse marginales Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments ω X (ω ) Y (ω ) P (ω ) 1 0 0 1 6 2 0 5 1 6 3 5 5 1 6 4 5 5 1 6 5 10 5 1 6 6 10 10 1 6 Lois discrètes 23 Discret II Fonctions de masse marginales Dé…nitions Distribution Égalités forte et faible Loi conjointe f X (0 ) Indépendance Moments = ∑ fX ,Y (0, y ) = fX ,Y (0, 0 ) + fX ,Y (0, 5 ) + fX ,Y (0, 10 ) y 2SY Loi conditionnelle = f X (5 ) = 1 2 1 + +0 = , 6 6 6 ∑ fX ,Y (5, y ) = fX ,Y (5, 0 ) + fX ,Y (5, 5 ) + fX ,Y (5, 10 ) y 2SY Lois discrètes = fX (10 ) = 0+ ∑ 2 2 +0 = , 6 6 fX ,Y (10, y ) = fX ,Y (10, 0 ) + fX ,Y (10, 5 ) + fX ,Y (10, 10 ) y 2SY = et pour x f X (x ) 2 / = 1 1 2 + = 6 6 6 f0, 5, 10 g , 0+ ∑ fX ,Y (x , y ) = fX ,Y (x , 0 ) + fX ,Y (x , 5 ) + fX ,Y (x , 10 ) = 0. y 2SY 24 Discret III Fonctions de masse marginales Dé…nitions Distribution Égalités forte et faible Loi conjointe f Y (0 ) = = Indépendance Moments ∑ fX ,Y (x , 0 ) = fX ,Y (0, 0 ) + fX ,Y (5, 0 ) + fX ,Y (10, 0 ) x 2SX Loi conditionnelle f Y (5 ) = 1 1 +0+0 = , 6 6 x , 5 f ( ) = fX ,Y (0, 5 ) + fX ,Y (5, 5 ) + fX ,Y (10, 5 ) ∑ X ,Y x 2SX Lois discrètes = fY (10 ) = 1 2 1 4 + + = , 6 6 6 6 ∑ fX ,Y (x , 10 ) = fX ,Y (0, 10 ) + fX ,Y (5, 10 ) + fX ,Y (10, 10 ) x 2SX = et pour x f Y (y ) 2 / = 1 1 = 6 6 f0, 5, 10 g , 0+0+ ∑ fX ,Y (x , y ) = fX ,Y (0, y ) + fX ,Y (5, y ) + fX ,Y (10, y ) = 0 x 2SX 25 Discret Fonction de masse conjointe Vecteurs aléatoires discrets Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes De…nition Plus généralement, il est possible de dé…nir la fonction de masse conjointe de n variables aléatoires X1 , ..., Xn . fX 1 ,..., X n : R n ! [0, 1] (x1 , ..., xn ) ! P fX1 = x1 et X2 = x2 et ... et Xn = xn g . 26 Discret Fonction de masse conditionnelle I Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments De…nition Soit X et Y , deux variables aléatoires discrètes. La fonction de masse conditionnelle de X étant donné Y est Lois discrètes fX j Y : R SY ! [0, 1] (x, y ) ! P [fX = x g jfY = y g ] . 27 Discret Fonction de masse conditionnelle II Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Ainsi, pour tout y 2 SY , fX jY (x, y ) = P [fX = x g jfY = y g ] P [fX = x g \ fY = y g] = P [fY = y g] par la dé…nition de la probabilité conditionnelle. P [fX = x et Y = y g] = P [fY = y g] f (x, y ) = X ,Y fY ( y ) 28 Discret Dé…nitions Fonction de masse conditionnelle III Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes fX jY (x, y ) = fX ,Y (x, y ) fY ( y ) Nous voyons maintenant pourquoi nous restreignons la variable Y à son support alors que la variable X n’est pas contrainte de cette même façon : nous ne pouvons nous permettre de diviser par zéro! De façon symétrique, nous dé…nissons la fonction de masse conditionnelle de Y étant donné X : 8x 2 SX et 8y 2 R, fY jX (y , x ) = fX ,Y (x, y ) . fX ( x ) 29 Discret Fonction de masse conditionnelle IV Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle De…nition Indépendance Plus généralement, il est possible de dé…nir la fonction de masse conditionnelle de n variables aléatoires X1 , ..., Xn étant donné m variables aléatoires Y1 , ..., Ym : Moments Lois discrètes fX 1 ,..., X n jY 1 ,...,Y m : R n SY 1 SY m ! (x1 , ..., xn , y1 , ..., ym ) ! ... [0, 1 ] fX 1 ,..., X n ,Y 1 ,...,Y m (x1 , ..., xn , y1 , ..., ym ) . fY 1 ,...,Y m (y1 , ..., ym ) 30 Discret Exemple I Fonction de masse conditionnelle Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Supposons que l’ensemble fondamental est Ω = fω 1 , ω 2 , ω 3 , ω 4 g et que T = f0, 1, 2, 3g. Le processus stochastique X = fXt : t 2 f0, 1, 2, 3gg représente l’évolution du prix d’une action, Xt = le prix de l’action à la fermeture de la Bourse au t ième jour, l’instant t = 0 représentant aujourd’hui. Lois discrètes ω X0 (ω ) X1 (ω ) X2 (ω ) X3 (ω ) 1 1 1 2 1 2 1 1 2 1 2 ω3 1 2 1 1 ω4 1 2 2 2 ω1 1 ω2 P (ω ) 2 8 1 8 3 8 2 8 31 Discret Exemple II Dé…nitions Fonction de masse conditionnelle Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes La fonction de masse de X2 est 8 6 > < 8 si x = 1 2 fX 2 ( x ) = 8 si x = 2 , > : 0 sinon. La fonction de masse conjointe 8 3 > > 8 > > > < 3 8 fX 2 ,X 3 (x, y ) = 2 > > 8 > > > : 0 de X2 et X3 est si x = 1 et y = 1 2 si x = 1 et y = 1 si x = 2 et y = 2 sinon. 32 Discret Exemple III Dé…nitions Fonction de masse conditionnelle Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes La fonction de masse conditionnelle de X3 étant donné X2 est 8 1 3 6 > = 21 si x = 12 et y = 1 > 8 8 > > > 1 > 3 6 > = 21 si x = 1 et y = 1 > 8 8 > < fX 3 jX 2 (x, y ) = 1 > 2 2 > = 1 si x = 2 et y = 2 > 8 8 > > > > > > : 0 sinon. 33 Discret Exemple IV Fonction de masse conditionnelle Dé…nitions Distribution Égalités forte et faible Loi conjointe X2 =1 1 0,9 Loi conditionnelle 0,8 0,7 0,6 0,5 Indépendance 0,4 0,3 Moments 0,2 0,1 Lois discrètes 0 0 1 2 3 X2 =2 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 0 1 2 3 34 Discret Indépendance Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes De…nition Les variables aléatoires X et Y sont dites indépendantes si 8x, y 2 R, fX ,Y (x, y ) = fX (x ) fY (y ), c’est-à-dire si 8x, y 2 R, les événements fX = x g et fY = y g sont indépendants. Intuitivement, X et Y sont indépendantes lorsque le fait de détenir de l’information concernant l’une d’entre elles ne nous en fournit pas à propos de l’autre. 35 Discret Exemple I Indépendance Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes ω X Y 1 1 1 2 1 3 P (ω ) P (ω ) 0 0 1 6 1 6 1 0 1 6 1 5 4 0 1 1 6 1 5 5 0 0 1 6 1 5 6 0 0 1 6 1 5 1 5 36 Discret Exemple II Indépendance Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Les variables aléatoires X et Y sont indépendantes si c’est la mesure de probabilité P qui prévaut sur Ω car P (X = 1 ) P (Y = 1 ) P (X = 0 ) P (Y = 1 ) = = Indépendance Moments Lois discrètes P (X = 1 ) P (Y = 0 ) = P (X = 0 ) P (Y = 0 ) = 11 23 11 23 12 23 12 23 1 6 1 = 6 1 = 3 1 = 3 = =P =P n n 1 o = P (X = 1 et Y = 1) , o = P (X = 0 et Y = 1) , o = P 2 , 3 = P (X = 1 et Y = 0) , n o = P 5 , 6 = P (X = 0 et Y = 0) . n 4 Intuitivement, la réponse à la question ”un dé a été lancé; quelle est la probabilité que la variable aléatoire X prenne la valeur 1?” est la même que la réponse à la question ”un dé a été lancé et la variable aléatoire Y prend la valeur 1; quelle est la probabilité que la variable aléatoire X prenne aussi la valeur 1?”. Cette réponse est une demie. Nous pouvons refaire le même type de raisonnement pour n’importe quelles valeurs de X et de Y . 37 Discret Exemple III Indépendance Dé…nitions Distribution Égalités forte et faible ω X Y P (ω ) P (ω ) 1 1 1 1 6 0 1 5 Loi conjointe 2 1 0 1 6 3 1 0 1 6 1 5 Moments 4 0 1 1 6 1 5 Lois discrètes 5 0 0 1 6 1 5 6 0 0 1 6 1 5 Loi conditionnelle Indépendance Par contre, les mêmes variables aléatoires X et Y sont dépendantes si c’est P qui gouverne Ω puisque 2 1 2 = 5 n 5 o 25 P (X = 1 et Y = 1) = P 1 = 0. P (X = 1) P (Y = 1) = 38 Discret Exemple IV Dé…nitions Indépendance Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Intuitivement, la réponse à la question ”un dé a été lancé; quelle est la probabilité que la variable aléatoire X prenne la valeur 1?” n’est pas la même que la réponse à la question ”un dé a été lancé et la variable aléatoire Y prend la valeur 1; quelle est la probabilité que la variable aléatoire X prenne aussi la valeur 1?”. Dans le premier 2 tandis que dans le second, la cas, la réponse est 25 réponse est 0. 39 Discret Exemple V Dé…nitions Indépendance Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bien que les variables aléatoires n’aient nul besoin d’une mesure de probabilité pour exister, il est nécessaire de connaître la mesure de probabilité qui prévaut sur l’espace probabilisable pour parler d’indépendance, comme l’illustre l’exemple précédent. 40 Discret Exemple I Indépendance Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle ω X Y Z P (ω ) ω X Y Z P (ω ) Moments ω1 1 1 0 1 8 ω5 0 1 1 1 8 Lois discrètes ω2 1 0 0 1 8 ω6 0 0 0 1 8 ω3 1 0 1 1 8 ω7 0 0 0 1 8 ω4 1 0 1 1 8 ω8 0 0 1 1 8 Indépendance Ces variables aléatoires sont deux à deux indépendantes puisque 41 Discret Exemple II Indépendance Dé…nitions Distribution Égalités forte et faible Loi conjointe P fX = 0 g P fY = 0 g = = 0, 375 P fX = 1 g P fY = 0 g = = 0, 375 P fX = 0 g P fY = 1 g = = 0, 125 P fX = 1 g P fY = 1 g = = 0, 125 Loi conditionnelle Indépendance Moments Lois discrètes P fω 6 , ω 7 , ω 8 g = P (fX = 0g \ fY = 0g) , P fω 2 , ω 3 , ω 4 g = P (fX = 1g \ fY = 0g) , P fω 5 g = P (fX = 0g \ fY = 1g) , P fω 1 g = P (fX = 1g \ fY = 1g) . 42 Discret Exemple III Indépendance Dé…nitions Distribution Égalités forte et faible Loi conjointe P fX = 0 g P fZ = 0 g = = 0, 25 P fX = 1 g P fZ = 0 g = = 0, 25 P fX = 0 g P fZ = 1 g = = 0, 25 P fX = 1 g P fZ = 1 g = = 0, 25 Loi conditionnelle Indépendance Moments Lois discrètes P fω 6 , ω 7 g = P (fX = 0g \ fZ = 0g) , P fω 1 , ω 2 g = P (fX = 1g \ fZ = 0g) , P fω 5 , ω 8 g = P (fX = 0g \ fZ = 1g) , P fω 3 , ω 4 g = P (fX = 1g \ fZ = 1g) . 43 Discret Exemple IV Indépendance Dé…nitions Distribution Égalités forte et faible Loi conjointe P fZ = 0 g P fY = 0 g = = 0, 375 P fZ = 1 g P fY = 0 g = = 0, 375 P fZ = 0 g P fY = 1 g = = 0, 125 P fZ = 1 g P fY = 1 g = = 0, 125 Loi conditionnelle Indépendance Moments Lois discrètes P fω 2 , ω 6 , ω 7 g = P (fZ = 0g \ fY = 0g) , P fω 3 , ω 4 , ω 8 g = P (fZ = 1g \ fY = 0g) , P fω 1 g = P (fZ = 0g \ fY = 1g) , P fω 5 g = P (fZ = 1g \ fY = 1g) . 44 Discret Exemple V Indépendance Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Mais ces variables ne sont pas mutuellement indépendantes puisque Indépendance Moments Lois discrètes = 6= = = P fX = 1g P fY = 1g P fZ = 1g 0, 0625 0 P f?g P (fX = 1g \ fY = 1g \ fZ = 1g) . 45 Discret Espérance Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Espérance Variance Covariance Lois discrètes De…nition L’espérance d’une variable aléatoire discrète X , notée E [X ], est E [ X ] = ∑ x fX ( x ) . x 2SX 46 Discret Exemple I Espérance Dé…nitions Distribution Égalités forte et faible Reprenons la variable aléatoire W ainsi que les deux mesures de probabilité P et Q : Loi conjointe Loi conditionnelle Indépendance Moments Espérance Variance Covariance Lois discrètes ω W (ω ) P (ω ) Q (ω ) 1 5 1 6 4 12 2 5 1 6 1 12 3 5 1 6 1 12 4 5 1 6 1 12 5 0 1 6 1 12 6 10 1 6 4 12 47 Discret Exemple II Espérance Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Espérance Variance Covariance Lois discrètes x 0 5 10 P fW = x g Q fW = x g 1 6 4 6 1 6 1 12 7 12 4 12 48 Discret Exemple III Espérance Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle EP [ W ] = i =1 Indépendance Moments Espérance Variance Covariance Lois discrètes n ∑ xi fX (xi ) = 0 EQ [ W ] = 1 +5 6 4 + 10 6 1 30 = = 5; 6 6 n ∑ xi fX (xi ) i =1 = 0 1 +5 12 7 + 10 12 4 75 = = 6, 25. 12 12 49 Discret Exemple IV Dé…nitions Espérance Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Espérance Variance Covariance Lois discrètes L’espérance d’une variable aléatoire est un nombre réel. Ce n’est pas une quantité aléatoire. Dans l’exemple précédent, nous pouvons noter que l’espérance d’une variable aléatoire dépend de la mesure de probabilité utilisée. 50 Discret Moments Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Espérance Variance Covariance Lois discrètes De…nition Plus généralement, si g : R ! R est une fonction à valeurs réelles alors l’espérance de g (X ) où X est une variable aléatoire discrète est E [g (X )] = ∑ g ( x ) fX ( x ) . x 2SX 51 Discret Propriétés Espérance Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Espérance Variance Covariance Lois discrètes Soit X et Y , deux variables aléatoires discrètes. Si a et b représentent des nombres réels alors (E1) E [aX + bY ] = aE [X ] + bE [Y ] . (E2) Si 8ω 2 Ω, X (ω ) Y (ω ) alors E [X ] E [Y ] . (E3) De façon générale, E [XY ] 6= E [X ] E [Y ] . (E4) Si X et Y sont indépendantes alors E [XY ] = E [X ] E [Y ] . 52 Discret Preuve de (E3) Espérance Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Voici un contre-exemple : ω X (ω ) Y (ω ) P (ω ) X (ω ) Y (ω ) 1 4 1 4 1 4 1 4 0 Indépendance Moments Espérance Variance Covariance Lois discrètes ω1 0 1 ω2 0 1 ω3 1 0 ω4 1 0 Nous trouvons E [X ] E [Y ] = 1 2 1 2 = 0 0 0 1 4 6= 0 = E [XY ] . 53 Discret Preuve de (E4) Espérance Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance E [XY ] = ∑ ∑ xy fX ,Y (x, y ) ∑ ∑ xy fX (x ) fY (y ) x 2SX y 2SY = Moments x 2SX y 2SY Espérance Variance Covariance Lois discrètes = car X et Y sont indépendantes. ! ! ∑ x 2SX x fX ( x ) = E [X ] E [Y ] ∑ y fY ( y ) y 2SY Exercice. Démontrez les propriétés (E1) et (E2). 54 Discret Variance Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Espérance Variance Covariance Lois discrètes De…nition La variance d’une variable aléatoire discrète X , notée Var [X ], est dé…nie comme suit : i h Var [X ] = E (X E [X ])2 = ∑ (x E [X ])2 fX (x ) . x 2SX La variance est une mesure de la dispersion des valeurs prises par X autour de son espérance E [X ]. Plus la variance est grande, plus les valeurs sont dispersées. Tout comme l’espérance, la variance est un nombre réel. De plus, quelle que soit la variable aléatoire, la variance n’est jamais négative. L’écart-type, fort utilisé en statistique, est la racine carrée de la variance. 55 Discret Propriétés Variance Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Espérance Variance Covariance Lois discrètes (V1) Var [X ] 0. (E [X ])2 . (V3) 8a 2 R, Var [aX + b ] = a2 Var [X ] . (V4) Si X et Y sont indépendantes alors Var [X + Y ] = Var [X ] + Var [Y ] . (V2) Var [X ] = E X 2 56 Discret Preuve de (V1) Variance Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Espérance Variance Covariance Lois discrètes Var [X ] = ∑ x 2SX (x | E [X ])2 fX (x ) {z } | {z } 0 0. 0 57 Discret Preuve de (V2) Variance Dé…nitions Distribution Égalités forte et faible Var [X ] Loi conjointe Loi conditionnelle Indépendance Moments Espérance Variance Covariance Lois discrètes ∑ = E [X ])2 fX (x ) (x x 2SX ∑ = x 2SX ∑ = x 2SX | 2xE [X ] + (E [X ])2 x2 x 2 fX ( x ) {z =E[X 2 ] h i = E X2 h i = E X2 ∑ 2E [X ] } ∑ x fX (x ) + (E [X ])2 x 2SX | fX ( x ) {z =E[X ] } x 2SX | fX ( x ) {z } =1 par la dé…nition de fonction de masse 2 (E [X ])2 + (E [X ])2 (E [X ])2 . 58 Discret Preuve de (V3) Variance Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Var [aX + b ] = Lois discrètes (ax + b E [aX + b ])2 fX (x ) ∑ (ax + b aE [X ] x 2SX Moments Espérance Variance Covariance ∑ = x 2SX = a2 2 ∑ (x b )2 fX (x ) par (E1). E [X ])2 fX (x ) x 2SX = a Var [X ] . 59 Discret Preuve de (V4) Variance Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle = Indépendance = Moments Espérance Variance Covariance = Lois discrètes = = Var [X + Y ] h i E (X + Y )2 (E [X + Y ])2 par (V2) i h E X 2 + 2XY + Y 2 (E [X ] + E [Y ])2 par (E1) h i h i E X 2 + 2E [XY ] + E Y 2 (E [X ])2 2E [X ] E [Y ] (E [Y ])2 h i h i E X 2 + 2E [X ] E [Y ] + E Y 2 (E [X ])2 2E [X ] E [Y ] (E [Y ])2 par (E4) h i h i E X2 (E [X ])2 + E Y 2 (E [Y ])2 = Var [X ] + Var [Y ] par (V2). 60 Discret Covariance I Dé…nitions Distribution De…nition Égalités forte et faible La covariance des variables aléatoires discrètes X et Y , notée Cov [X , Y ] est l’espérance de la variable aléatoire (X E [X ]) (Y E [Y ]) : Loi conjointe Loi conditionnelle Indépendance Moments Espérance Variance Covariance Lois discrètes Cov [X , Y ] = ∑ ∑ (x E [X ]) (y E [Y ]) fX ,Y (x, y ) x 2SX y 2SY Si la covariance est positive, c’est que dans la somme ∑ ∑ (x E [X ]) (y E [Y ]) fX ,Y (x, y ) , x 2SX y 2SY ce sont les x et les y rendant le terme (x E [X ]) (y E [Y ]) positif qui dominent, ce qui signi…e que les variables aléatoires X et Y ont tendance à 61 Discret Covariance II Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Espérance Variance Covariance Lois discrètes être soit supérieures, soit inférieures à leur espérance pour les mêmes états du monde ω. Si la covariance est négative, alors ce sont les ω rendant le terme (x E [X ]) (y E [Y ]) négatif qui dominent, ce qui signi…e que lorsqu’une des variables aléatoires X ou Y est supérieure à son espérance, l’autre a tendance à être inférieure à son espérance. 62 Discret Propriétés I Covariance Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Espérance Variance Covariance Lois discrètes (C1) Cov [X , Y ] = E [XY ] E [X ] E [Y ] . (C2) Si X et Y sont indépendantes, alors Cov [X , Y ] = 0. (C3) 8a1 , a2 2 R, Cov [aX1 + bX2 ; Y ] = aCov [X1 ; Y ] + bCov [X2 ; Y ] . (C4) Var [X + Y ] = Var [X ] + Var [Y ] + 2Cov [X , Y ] 63 Discret Principales lois discrètes Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme Les cinq premières lois présentées (Bernoulli, binomiale, géométrique, binomiale négative et hypergéométrique) servent à modéliser di¤érentes quantités concernant la situation suivante : une expérience aléatoire est tentée pour laquelle deux résultats seulement sont possibles : un succès, qui peut être obtenu avec une probabilité π, ou un échec, qui survient avec probabilité 1 π, π étant un nombre réel compris entre 0 et 1 inclusivement. 64 Discret Loi de Bernoulli I Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme Une expérience aléatoire est tentée. Deux résultats sont possibles : un succès, qui peut être obtenu avec une probabilité π, ou un échec, qui survient avec probabilité 1 π, π étant un nombre réel compris entre 0 et 1 inclusivement. La variable aléatoire X , qui vaut 1 si un succès est observé et 0 sinon, est de loi de Bernoulli de paramètre π. 65 Discret Loi de Bernoulli II Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Les valeurs prises par cette variable aléatoire sont 8 < f0, 1g si 0 < π < 1, 0 si π = 0, SX = : 1 si π = 1. Sa fonction de masse est Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme fX ( x ) = π )1 π x (1 0 x si x 2 SX sinon. En e¤et, et 1 π = P [obtenir un succès] = P [X = 1] = π 1 (1 π = P [obtenir un échec] = P [X = 0] = π 0 (1 π )1 π )1 1 0 . 66 Discret Loi de Bernoulli III Dé…nitions Distribution Égalités forte et faible E [X ] = 0fX (0) + 1fX (1) Loi conjointe = 0 π 0 (1 = π, Loi conditionnelle π )1 0 + 1 π (1 π )1 1 Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme E X2 = 0fX (0) + 12 fX (1) = π, Var [X ] = E X 2 (E [X ])2 = π π2 = π (1 π ) . 67 Discret Binomiale I Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme Une expérience aléatoire est tentée. Deux résultats sont possibles : un succès, qui peut être obtenu avec une probabilité π, ou un échec, qui survient avec probabilité 1 π, π étant un nombre réel compris entre 0 et 1 inclusivement. Cette expérience est répétée n fois, de façon indépendante. La variable aléatoire X , qui représente le nombre de succès obtenus au cours de ces n tentatives, est de loi binomiale de paramètres n et π. 68 Discret Binomiale II Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme Les valeurs prises par cette variable aléatoire sont 8 < f0, 1, ..., ng si 0 < π < 1, 0 si π = 0, SX = : n si π = 1. Sa fonction de masse est 8 n < π x (1 x fX ( x ) = : 0 π )n x si x 2 SX sinon. n = x !(nn! x )! . x Rappelons que, par dé…nition, 0! = 1. où 69 Discret Binomiale III Dé…nitions Justi…cation de la fonction de masse : Distribution Égalités forte et faible Il y a 10 façon d’obtenir 3 succès lors de 5 tentatives : Loi conjointe ÉÉSSS, ÉSÉSS, ÉSSÉS, ÉSSSÉ Loi conditionnelle SÉÉSS, SÉSÉS, SÉSSÉ, Indépendance SSÉÉS, SSÉSÉ, SSSÉÉ. Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme P [X = x ] = P [obtenir x succès et n x échec] n! πx = (1 π )n x . |{z} | {z } x ! (n x ) ! | {z } probabilité d’obtenir probabilité d’obtenir nombre de façons de disposer les x succès parmi les n essais x succès n x échecs 70 Discret Binomiale IV Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Si Xi = 1 si nous obtenons un succès au i ième essai 0 sinon Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme alors X1 , ..., Xn est un ensemble de variables aléatoires indépendantes et identiquement distribuées, toutes de loi Bernoulli(π). Nous pouvons constater que X = ∑ni=1 Xi . 71 Discret Binomiale V Dé…nitions Distribution Égalités forte et faible Pour cette raison, Loi conjointe Loi conditionnelle E [X ] = E Indépendance Moments n ∑ Xi i =1 # n = Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme " ∑ E [Xi ] par la propriété (E1) i =1 n = ∑π i =1 = nπ. 72 Discret Binomiale VI Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Var [X ] = Var Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme " n ∑ Xi i =1 # n = ∑ Var [Xi ] par la propriété (V4) i =1 n = ∑ π (1 π) i =1 = nπ (1 π) . 73 Discret Exemple I Loi binomiale Dé…nitions Distribution Égalités forte et faible Le nombre X de 6 obtenus en 15 lancers de dé est de loi binomiale 15, 16 . Loi conjointe Loi conditionnelle x fX ( x ) Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme 0 1 2 3 4 5 6, 491 1, 947 2, 726 2, 363 1, 418 6, 237 ... 10 10 10 10 10 10 Fonction de masse de X 2 0,3 0,25 1 1 1 1 0,2 0,15 0,1 0,05 0 2 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 E [X ] = 2, 5 et Var [X ] = 25 = 2, 0833. 12 74 Discret Exemple II Dé…nitions Loi binomiale Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme Le nombre de personnes ayant les yeux bleus dans un échantillon aléatoire simple avec remise de taille 540 tiré dans une population donnée est de loi binomiale(540, π ) où π est la proportion d’individus ayant les yeux bleus dans la population. 75 Discret Propriété Dé…nitions Loi binomiale Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme Si X1 et X2 sont des variables aléatoires indépendantes de loi binomiale(n1 , π ) et binomiale(n2 , π ) respectivement, alors X1 + X2 est de loi binomiale(n1 + n2 , π ). 76 Discret Géométrique I Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme Une expérience aléatoire est tentée. Deux résultats sont possibles : un succès, qui peut être obtenu avec une probabilité π, ou un échec, qui survient avec probabilité 1 π, π étant un nombre réel compris entre 0 exclusivement et 1 inclusivement. Cette expérience est répétée de façon indépendante jusqu’à l’obtention d’un premier succès. Soit X le nombre d’essais requis. 77 Discret Géométrique II Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Les valeurs prises par cette variable aléatoire sont SX = f1, 2, 3, ...g si 0 < π < 1 1 si π = 1 Sa fonction de masse est Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme fX ( x ) = π (1 π )x 0 1 Justi…cation de la fonction de masse: 2 si x 2 SX sinon. 3 P [X = x ] = P 4Le résultat des n essais est É É ...É}S 5 | É {z = (1 π) x 1 x 1 fois π. 78 Discret Les séries géométriques I Dé…nitions Distribution Égalités forte et faible Loi conjointe Theorem Soit Sn = 1 + a + a2 + ... + an . Si jaj < 1 alors Loi conditionnelle lim Sn = n !∞ Indépendance Moments 1 1 a . Preuve. Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme Sn = 1 + a + a2 + ... + an ) aSn = a + a2 + ... + an +1 ) Sn aSn = 1 an +1 1 an +1 ) Sn = . 1 a 79 Discret Les séries géométriques II Dé…nitions Distribution Theorem Égalités forte et faible Posons Tn = 1 + 2a + 3a2 + ... + nan Loi conjointe lim Tn = Loi conditionnelle n !∞ Indépendance Moments 1. 1 (1 a )2 Si jaj < 1 alors . Preuve. Rappelons que Sn = 1 + a + a2 + ... + an . Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme Tn = = = d Sn da d 1 an +1 da 1 a 1 (n + 1) an + nan +1 (1 a )2 . 80 Discret Les séries géométriques III Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Theorem Posons Un = 1 + 22 a + 32 a2 + ... + n2 an lim Un = Indépendance n !∞ Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme 1+a (1 a )3 1. Si jaj < 1 alors . Preuve. Rappelons que Un Tn et aTn = 1 + 22 a + 32 a2 + ... + n2 an = 1 + 2a + 3a2 + ... + nan 1 . = a + 2a2 + 3a3 + ... + nan 1 81 Discret Les séries géométriques IV Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme Un d = (aTn ) da d = Tn + a Tn da 1 (n + 1) an + nan +1 d = +a 2 da (1 a ) = 1+a 1 (n + 1) an + nan +1 (1 a )2 n2 + 2n + 1 an + 2n2 + 2n (1 1 an +1 ! an +2 n 2 a )3 82 . Discret Les moments I loi géométrique Dé…nitions Distribution Égalités forte et faible Rappel : Tn = 1 + 2a + ... + nan Si 0 < π < 1 alors Loi conjointe Loi conditionnelle Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme et limn !∞ Tn = 1 . (1 a )2 ∞ E [X ] = ∑ xfX (x ) x =1 ∞ Indépendance Moments 1 = ∑ x π (1 π )x 1 ∑ x (1 π )x 1 x =1 ∞ = π x =1 = π 1 + 2 (1 = π π ) + 3 (1 1 (1 (1 π )) 2 = π )2 + ... 1 . π 83 Discret Les moments II loi géométrique Dé…nitions Distribution Rappel : Un = 1 + 22 a + ... + n2 an 1 Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments E X2 1 +a . (1 a )3 ∞ = ∑ x 2 fX ( x ) x =1 ∞ = ∑ x 2 π (1 π )x 1 ∑ x 2 (1 π )x 1 x =1 ∞ Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme et limn !∞ Un = = π x =1 = π 1 + 22 (1 = π = 2 1 + (1 (1 (1 π π2 π ) + 32 (1 π )2 + ... π) π ))3 . 84 Discret Les moments III loi géométrique Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme Var [X ] = E X 2 2 π = π2 1 π = . π2 (E [X ])2 1 π2 85 Discret Exemple Loi géométrique Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Le nombre X de lancers de dé nécessaires à l’obtention de la face 6 suit une loi géométrique de paramètre π = 16 . x Fonction de masse de X fX ( x ) Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme 0,2 1 2 3 4 5 1, 667 1, 389 1, 157 9, 645 8, 038 ... 10 10 10 10 10 1 0,15 1 0,1 1 2 0,05 2 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 E [X ] = 6 et Var [X ] = 30. 86 Discret Binomiale négative I Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme Une expérience aléatoire est tentée. Deux résultats sont possibles : un succès, qui peut être obtenu avec une probabilité π, ou un échec, qui survient avec probabilité 1 π, π étant un nombre réel compris entre 0 exclusivement et 1 inclusivement. Cette expérience est répétée de façon indépendante jusqu’à l’obtention de n succès. Soit X le nombre d’essais requis. 87 Discret Binomiale négative II Dé…nitions Distribution Égalités forte et faible Les valeurs prises par cette variable aléatoire sont Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme SX = fn, n + 1, ...g si 0 < π < 1 n si π = 1 Sa fonction de masse est 8 x 1 < n 1 fX ( x ) = : π n (1 0 π )x n si x 2 SX sinon. 88 Discret Binomiale négative III Dé…nitions Distribution Justi…cation de la fonction de masse Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme P [X = x ] 2 3 il y a eu exactement x essais, 6 le résultat du dernier essais est un succès 7 7 = P6 4 et parmi les x 1 premières tentaitves, 5 il y a eu n 1 succès. = (x 1) ! (n 1) ! (x n ) ! {z } | Nombre de façons d’obtenir n 1 succès en x 1 essais πn |{z} (1 π )x n . | {z } probabilité d’obtenir probabilité d’ontenir n succès x n échecs 89 Discret Binomiale négative IV Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme Si Xi représente le nombre d’essais e¤ectués après le i 1 ième succès a…n d’obtenir le i ième succès alors X1 , ..., Xn est un ensemble de variables aléatoires indépendantes et identiquement distribuées, toutes de loi Géométrique(π). Nous pouvons constater que n X = ∑ Xi . i =1 90 Discret Binomiale négative V Dé…nitions Distribution Égalités forte et faible Pour cette raison, Loi conjointe Loi conditionnelle E [X ] = E Indépendance Moments n ∑ Xi i =1 # n = ∑ E [Xi ] i =1 n Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme " = par la propriété (E1) 1 ∑π i =1 = n π 91 Discret Binomiale négative VI Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme En utilisant la propriété (V 4), nous établissons une expression pour la variance d’une variable aléatoire de loi binomiale négative : " # n ∑ Xi Var [X ] = Var i =1 n = ∑ Var [Xi ] i =1 n = ∑ i =1 = n 1 1 par la propriété (V4) π π2 π . π2 92 Discret Exemple I Binomiale négative Dé…nitions Distribution Égalités forte et faible Loi conjointe Le nombre X de lancers de dé nécessaires à l’obtention de deux fois la face 6 suit une loi binomiale négative de paramètres n = 2 et π = 61 . Loi conditionnelle Indépendance x Fonction de masse de X fX ( x ) 0,08 Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme 2 3 4 5 6 2, 778 4, 630 5, 787 6, 430 6, 698 ... 10 10 10 10 10 2 0,07 0,06 2 2 2 0,05 0,04 0,03 0,02 0,01 2 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 E [X ] = 12 et Var [X ] = 60. 93 Discret Hypergéométrique I Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme La population est composée de N1 éléments de type 1 et de N2 éléments de type 2. Nous prélevons un échantillon aléatoire simple sans remise de taille n de cette population (n étant un entier positif inférieur ou égal à N1 + N2 ). La variable aléatoire X est le nombre d’éléments de type 1 dans l’échantillon. Cette situation ressemble à celle dé…nie lors de la présentation de la loi binomiale. En e¤et, si nous dé…nissons un succès comme étant le fait de choisir un élément de type 1, alors X serait de loi binomiale n, N 1N+1N 2 si l’échantillonnage était e¤ectué avec remise. 94 Discret Hypergéométrique II Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme Dans le cas d’un échantillonnage sans remise, le support de la variable X est SX = fx 2 N [ f0g : max f0, n N2 g x min fn, N1 gg . En e¤et, s’il y a moins d’éléments de type 1 dans la population que d’éléments dans l’échantillon (n > N1 ) , alors il ne nous est pas possible d’obtenir plus de N1 succès. C’est pourquoi x min fn, N1 g. S’il y a moins d’éléments de type 2 dans la population que d’éléments dans l’échantillon (n > N2 ) , alors il ne nous est pas possible d’obtenir plus de N2 échecs. Comme le nombre d’échecs est n moins le nombre de succès, alors x min fn, N2 g n+x min fn, N2 g = max f n, x n + max f n, N2 g = max f0, n n , , N2 g N2 g . 95 Discret Hypergéométrique III Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme La fonction de masse est 8 0 10 > N1 A @ N2 > @ > > > x n x < 1 0 fX ( x ) = N + N 1 2 A @ > > > n > > : 0 ( = x ! (N 1 1 A si x 2 SX sinon N 1 !N 2 !n!(N 1 +N 2 n )! x ) ! (n x ) ! (N 2 n +x ) ! (N 1 +N 2 ) ! 0 si x 2 SX sinon. 96 Discret Hypergéométrique IV Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme Il est possible de montrer que N1 et N1 + N2 N1 N 2 N1 + N2 Var [X ] = n N1 + N2 N1 + N 2 N1 + N2 E [X ] = n n . 1 97 Discret Exemple I Hypergéométrique Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme Un échantillon aléatoire simple sans remise de taille 20 est sélectionné dans une classe composée de 8 …lles et 29 garçons. Le nombre X de …lles présentes dans l’échantillon suit une loi hypergéométrique de paramètres n = 20 et N1 = 8 et N2 = 29. Pour …ns de comparaison, nous avons aussi représenté la distribution d’une variable aléatoire Y de loi binomiale de 8 paramètres n = 20 et π = 37 . x 0 1 2 3 4 5 f X (x ) (blanc) 6, 2966 10 1, 0075 10 6, 0905 10 1, 8272 10 2, 9867 10 2, 7307 10 ... 4 2 2 1 1 1 f Y (x ) (noir) 7, 6547 10 4, 2233 10 1, 1068 10 1, 8319 10 2, 1478 10 1, 8960 10 ... Fcts de masse de X et de Y 0,35 3 2 1 0,3 0,25 0,2 0,15 1 1 1 0,1 0,05 0 0 1 2 3 4 5 6 7 8 9 10 98 Discret Exemple II Hypergéométrique Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Le nombre X de cartes en • obtenues dans une main de poker suit une loi Hypergéométrique de paramètres n = 5 et N1 = 13 et N2 = 39. Par comparaison, le nombre Y de cartes en • obtenues en tirant cinq fois une carte avec remise dans un jeu de 52 cartes est de loi binomiale de paramètres n = 5 et π = 13 52 . Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme x 0 1 2 3 4 5 f X (x ) (blanc) 2, 2153 10 4, 1142 10 2, 7428 10 8, 1543 10 1, 0729 10 4, 952 10 1 1 1 2 2 4 f Y (x ) (noir) 2, 373 10 3, 9551 10 2, 6367 10 8, 7891 10 1, 4648 10 9, 7656 10 Fonctions de masse de X et de Y 0,5 1 0,4 1 0,3 1 0,2 2 0,1 2 0 4 0 1 2 3 4 5 99 Discret Remarque I Hypergéométrique Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme n Plus le taux de sondage N 1 + N 2 est petit, plus la loi hypergéométrique de paramètres (n, N1 , N2 ) ressemble à la loi binomiale n, N 1N+1N 2 . 100 Discret Poisson I Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments La loi de Poisson s’applique souvent à la description du comportement du nombre X d’événements qui se produisent dans un certain intervalle de temps. Le support d’une variable aléatoire de loi de Poisson est l’ensemble des entiers naturels augmenté du zéro. Sa fonction de masse est Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme fX ( x ) = e λ λx x! 0 si x 2 f0, 1, 2, 3, ...g sinon. où λ est une constante positive. Nous verrons lors de l’étude des processus de Poisson comment se justi…e cette expression pour la fonction de masse. 101 Discret Poisson II Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance ∞ E [X ] = ∞ = e Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme = λe λ ∑ x x =0 ∞ λ λ ∑ ∑ λy y! y =0 = λe λx =e x! λx 1 (x 1) ! x =1 ∞ = λe x x! x =0 Moments Lois discrètes λλ ∑ xe ∞ λ ∑ x =1 x λx x! λ λ e =λ 102 Discret Poisson III Dé…nitions ∞ Distribution Égalités forte et faible Loi conjointe Loi conditionnelle E X2 = ∑ ∞ = λe λ = λe λ Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme ∑ x =1 ∞ λ ∑ x =1 = λe = λe λ ∑ x x =1 λx 1 (x 1) ! λx d = λe ∑ 1) ! x =1 d λ ( x ∞ = λe ∞ x x! x =0 Indépendance Moments λλ x 2e λ ∞ x λx 1 ∑ 1) ! x =1 ( x ! ∞ λx 1 (x 1) λx 1 + (x 1)! x∑ (x 1) ! =1 ! ∞ λx 1 λx 2 +λ ∑ 2) ! (x 1) ! x =2 ( x λ e λ + λe λ = λ + λ2 Var [X ] = E X 2 (E [X ])2 = λ + λ2 λ2 = λ. 103 Discret Exemple Poisson Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments S’il y a en moyenne trois naissances par jour dans un certain hôpital, alors le nombre X de naissances qui se produiront pendant les prochaines trente-six heures (1 journée et demie) à cet hôpital suit une loi de Poisson de paramètre λ = 4, 5. x fX ( x ) Fonction de masse de X Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme 0 1 2 3 4 5 6 ... 1, 111 4, 999 1, 125 1, 687 1, 898 1, 708 1, 281 ... 10 10 10 10 10 10 10 2 0,2 2 0,2 1 0,1 1 1 0,1 1 0,0 1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 104 Discret Propriété Dé…nitions Poisson Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme Si X1 et X2 sont deux variables aléatoires indépendantes, la première étant de loi de Poisson(λ1 ) et la deuxième étant distribuée selon une loi de Poisson(λ2 ) , alors X1 + X2 est de loi de Poisson(λ1 + λ2 ). 105 Discret Uniforme Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Une variable aléatoire X est dite de loi uniforme discrète de paramètres a et b si a et b sont des entiers tels que a < b et que la fonction de masse de X est Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme fX ( x ) = 1 b a +1 0 si x 2 fa, a + 1, a + 2, ...., b g sinon, c’est-à-dire que chacune des modalités de la variable a la même probabilité de survenir. 106 Discret Série I La somme des n premiers entiers. Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Theorem Indépendance ∑ni=1 i = Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme n (n +1 ) , 2 n 2 N. Preuve par induction. Lorsque n = 1, nous avons 1 ∑i =1= i =1 1 (1 + 1) . 2 107 Discret Série II La somme des n premiers entiers. Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme Supposons maintenant qu’il existe un k 2 N tel que k (k +1 ) ∑ki=1 i = 2 . Alors k +1 ∑i k = i =1 ∑i i =1 = = ! + (k + 1) k (k + 1) + (k + 1) par hypothèse d’induction 2 k +1 (k + 2) . 2 108 Discret Série I La somme des n premiers entiers au carré. Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Theorem Indépendance ∑ni=1 i 2 = Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme n (n +1 )(2n +1 ) , 6 n 2 N.. Preuve par induction. Lorsque n = 1, nous avons 1 ∑ i2 = 1 = i =1 1 (1 + 1) (2 6 1 + 1) . 109 Discret Série II La somme des n premiers entiers au carré. Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Supposons maintenant qu’il existe un k 2 N tel que k (k +1 )(2k +1 ) . Alors ∑ki=1 i = 6 k +1 ∑i 2 k = i =1 i =1 Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme ∑i = = = = 2 ! + (k + 1)2 k (k + 1) (2k + 1) + (k + 1)2 par hyp. d’induction 6 (k + 1) (k (2k + 1) + 6 (k + 1)) 6 (k + 1) 2k 2 + 7k + 6 6 (k + 1) (k + 2) (2 (k + 1) + 1) . 6 110 Discret Moments I Loi uniforme Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Si Y est de loi uniforme(0, c ), c’est-à-dire que a = 0 et b = c > 0, alors c Indépendance Moments E [Y ] = y =0 Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme 1 ∑ yc +1 = = = c 1 y c + 1 y∑ =0 1 c (c + 1) c +1 2 c 2 111 Discret Moments II Loi uniforme Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle E Y2 c = y =0 Indépendance Moments = Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme 1 ∑ y2 c + 1 = = Var [Y ] = c 1 y2 c + 1 y∑ =0 1 c (c + 1) (2c + 1) c +1 6 c (2c + 1) 6 c (2c + 1) 6 c 2 2 = c (c + 2) 12 112 Discret Moments III Loi uniforme Dé…nitions Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme Il su¢ t de constater que X = Y + a, c = b a pour obtenir les premiers moments d’une variable aléatoire de loi uniforme discrète de paramètres a et b : E [X ] = E [Y ] + a b a = +a 2 a+b = 2 Var [X ] = Var [Y + a] = Var [Y ] (b a ) (b a + 2) . = 12 113 Discret Exemple Dé…nitions Uniforme Distribution Égalités forte et faible Loi conjointe Loi conditionnelle Indépendance Moments Lois discrètes Bernoulli Binomiale Géométrique Binomiale négative Hypergéométrique Poisson Uniforme Le nombre X de points observés sur la face supérieure d’un dé suit une loi uniforme de paramètres a = 1 et b = 6. E [X ] = 27 = 3, 5 et Var [X ] = 35 12 = 2, 9167. 114