Les variables aléatoires de lois discrètes
Short Description
Download Les variables aléatoires de lois discrètes...
Description
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
´ ´ E´ ...E´ S 5 P [X = x ] = P 4Le résultat des n essais est E | E {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
View more...
Comments