Académique Documents
Professionnel Documents
Culture Documents
Très souvent, lors d’une expérience aléatoire, on ne s’intéresse pas à la nature des ré-
sultats mais aux nombres qui leur sont associés. Aux issues d’une expérience aléatoire,
on peut faire correspondre des expressions quantitatives (valeurs numériques) ou qualita-
tives (modalités). On parle de variable aléatoire (abréviation v.a.) lorsque les résultats
numériques, c’est-à-dire que est identique à tout ou une partie de l’ensemble des nom-
bres réels R:
1
1.2. Variable aléatoire réelle
1
8B 2 BR =) X (B) = fw 2 : X (w) 2 Bg 2 F:
L’ensemble des valeurs prises par X, noté X ( ), s’appelle l’ensemble des observations
associées à X :
X ( ) = fX (w) pour w 2 g :
(X 2 A) = fw 2 : X (w) 2 Ag :
1
2) X (x) = fw 2 : X (w) = xg ! fX = xg :
1
X (] 1; x]) = fw 2 : X (w) xg ! fX xg :
1
X (]x; +1) = fw 2 : X (w) > xg ! fX > xg :
1
X (]a; b[) = fw 2 : a < X (w) < bg ! fa < X < bg :
Exemple 1.2.1 On jette deux pièces de monnaie homogènes et on observe la face supérieure
de chacune d’elles. Soit X le nombre de face obtenu.
2
1.3. Loi de probabilité d’une variable aléatoire
On a pour
x < 0 =) Ax = fw 2 : X (w) xg = ; 2 F1 :
x 2 =) Ax = fw 2 : X (w) xg = 2 F1 :
On peut montrer facilement que X (:) est une variable aléatoire sur , muni de l’algèbre
}( ):
Dé…nition 1.3.1 Soit X une variable aléatoire réelle dé…ne sur ( ; F; P ) à valeurs dans
(R; BR ). Alors l’application PX (:) de BR dans R dé…nie par
1
PX (B) = P X (B) = P (fw : X (w) 2 Bg) ; 8B 2 BR
est une fonction de probabilité, dite loi image de P (:) par X ou simplement loi de la
variable aléatoire X:
3
1.4. Fonction de répartition
1
P (X = 0) = P (fw : X (w) = 0g) = P (f(P; P )g) = :
4
1
P (X = 1) = P (fw : X (w) = 1g) = P (f(P; F ) ; (F; P )g) = :
2
1
P (X = 2) = P (fw : X (w) = 2g) = P (f(F; F )g) = :
4
8
>
> 1
si a = 0; 2;
>
> 4
>
<
Ainsi, P (X = a) = 1
si a = 1;
>
> 2
>
>
>
: 0 ailleurs
8x 2 R : FX (x) = P (X x)
Propriétés de FX :
2. F est continue à droite en tout point x de R (et admet une limite à gauche):
4
1.4. Fonction de répartition
La fonction F n’est pas une fonction de répartition car elle n’est pas croissante. La
fonction fait un saut vers une valeur inférieure au point x = 2.
2) Soit la fonction G dé…ne sur R par
8
>
> 0 si x < 0;
>
>
>
<
1 x
G (x) = + si 0 x < 1;
>
> 3 3
>
>
>
: 1 si x 1:
La fonction G est une fonction de répartition car elle est croissante, continue à droite
en tout point de R et lim G (x) = 1 et lim G (x) = 0:
x!+1 x! 1
3. P (a X < b) = FX (b ) FX (a ) :
4. P (a X b) = FX (b) FX (a ) :
5. P (X = a) = FX (a) FX (a ) :
6. P (X > a) = 1 FX (a) :
Où FX (a ) = lim FX (x) :
x!a
<
5
1.5. Variable aléatoire discrète
Exemple 1.4.2 Revenons à l’exemple 1.4.1. Soit X une variable aléatoire de fonction
de répartition: 8
>
> 0 si x < 0;
>
>
>
<
1 x
G (x) = P (X x) = + si 0 x < 1;
>
> 3 3
>
>
>
: 1 si x 1:
1 1
P (X = 0) = G (0) G (0 ) = 0= :
3 3
2 1
P (X = 1) = G (1) G (1 ) = 1 = :
3 3
3 3 3
P X= =G G =1 1 = 0:
2 2 2
1 3 3 1 1 1
P <X =G G =1 = :
2 2 2 2 2 2
1 2
P (0 < X < 5) = G (5 ) G (0) = G (5) G (0) = 1 = :
3 3
1
P (0 X < 0:5) = G (0:5 ) G (0 ) = G (0:5) G (0) = :
2
P( 1 X 3) = G (3) G( 1 ) = 1 0 = 0:
3 3 1 1 5
P X> =1 P X =1 = :
4 4 3 4 12
Dé…nition 1.5.1 On dit qu’une variable aléatoire réelle X est discrète si l’ensemble
X ( ) est dénombrable (…ni ou in…ni).
X ( ) = f2; 3; : : : ; 12g :
6
1.5. Variable aléatoire discrète
On lance une pièce de monnaie équilibrée, soit X la variable aléatoire indiquant le nom-
bre de lancers nécessaires avant l’obtention d’un pile. Ici, X ( ) est in…ni dénombrable
car X ( ) = N :
Dé…nition 1.5.2 Soit X une variable aléatoire discrète. On appelle loi de probabilité de
X (appelée aussi distribution ou fonction de masse), l’application f de X ( ) dans [0; 1]
dé…nie par
8x 2 X ( ) ; f (x) = PX (x) = P (X = x) :
8
>
> 0 si x < x1
>
>
>
>
>
> P (X = x1 ) si x1 x < x2
>
>
>
>
>
> si x2
< P (X = x1 ) + P (X = x2 ) x < x3
FX (x) = .. ..
> . .
>
>
>
> X k
>
>
>
> P (X = xi ) si xk x < xk+1
>
>
>
> i=1
>
: .. ..
. .
Les propriétés de la fonction de répartition d’une variable aléatoire discrète sont les
suivantes:
7
1.5. Variable aléatoire discrète
(iii) FX est une fonction en escalier admettant un saut (de discontinuité) en tout point
xi 2 X ( );
8a 2 R : P (X = a) = FX (a) lim FX (a );
!0
X: !R
w = (a; b) 7 ! X (w) = max (a; b) :
8
1.5. Variable aléatoire discrète
Dè1
1 2 3 4 5 6
Dé2
1 1 2 3 4 5 6
2 2 2 3 4 5 6
3 3 3 3 4 5 6
4 4 4 4 4 5 6
5 5 5 5 5 5 6
6 6 6 6 6 6 6
8xi 2 X ( ) : PX (xi ) = P (X = xi ) :
1 1 1
P (X = 1) = P f(1; 1)g = = :
6 6 36
1 1 1 1 1 1 3
P (X = 2) = P f(1; 2) ; (2; 1) ; (2; 2)g = + + = :
6 6 6 6 6 6 36
5
P (X = 3) = P f(1; 3) ; (3; 1) ; (3; 2) ; (2; 3) ; (3; 3)g = :
36
7
P (X = 4) = P f(1; 4) ; (4; 1) ; (4; 2) ; (2; 4) ; (3; 4) ; (4; 3) ; (4; 4)g = :
36
9
P (X = 5) = P f(1; 5) ; (5; 1) ; (5; 2) ; (2; 5) ; (3; 5) ; (5; 3) ; (5; 4) ; (4; 5) ; (5; 5)g = :
36
P (X = 6) = P f(1; 6) ; (6; 1) ; (6; 2) ; (2; 6) ; (3; 6) ; (6; 3) ; (4; 6) ; (6; 4) ; (5; 6) ; (6; 5) ; (6; 6)g
11
= :
36
xi 1 2 3 4 5 6
1 3 5 7 9 11
P (X = xi ) 36 36 36 36 36 36
9
1.5. Variable aléatoire discrète
P
On remarque que PX (xi ) = 1:
xi 2X( )
1
Pour 1 x < 2 : FX (x) = P (X = 1) = :
36
1 3 4
Pour 2 x < 3 : FX (x) = P (X = 1) + P (X = 2) = + = :
36 36 36
1 3 5 9
Pour 3 x < 4 : FX (x) = P (X = 1) + P (X = 2) + P (X = 3) = + + = :
36 36 36 36
1 3 5 7 16
= + + + = :
36 36 36 36 36
1 3 5 7 9 25
+P (X = 4) + P (X = 5) = + + + + = :
36 36 36 36 36 36
X
6
Pour x 6 : FX (x) = P (X = xi ) = 1:
xi =1
Ainsi,
8
>
> 0 si x < 1;
>
>
>
>
>
>
>
> 1
si 1 x < 2;
>
> 36
>
>
>
>
>
>
4
si 2 x < 3;
>
> 36
<
FX (x) = P (X x) = 9
si 3 x < 4;
>
> 36
>
>
>
> 16
>
> si 4 x < 5;
>
>
36
>
>
>
> 25
si 5 x < 6;
>
> 36
>
>
>
>
: 1 si x 6:
10
1.5. Variable aléatoire discrète
X g
!R !R
! ! ! !
g X
Cette application g X est notée g (X) qui est encore une variable aléatoire discrète
sur :
c
2) Soit U = où c > 0 et X est à valeurs dans ]0; +1[ :
X
c c c
Pour u > 0; on a: FU (u) = P (U u) = P u =P X =1 FX ;
X u u
et FU (u) = 0 pour u 0:
1
Dans ce cas, la fonction g est strictement décroissante et on a FU (u) = 1 FX (g (u)) :
3) Soit T = X 2 = g (X) :
8 p p p p
>
< P t X t = FX t FX t si t > 0;
2
FT (t) = P (X t) =
>
: 0 si t 0:
11
1.5. Variable aléatoire discrète
fonction de masse:
8
> P
>
< PX (x) si y 2 Y ( ) ;
x2fg(x)=yg
PY (y) = P (Y = y) =
>
>
: 0 sinon.
Exemple 1.5.4 On tire au hasard une boule dans une urne contenant 6 boules numérotées
2; 1; 0; 1; 2; 3:On note X la variable aléatoire indiquant le numéro de la boule tirée.
Les boules ayant toutes la même probabilité d’être tirée, la fonction de masse de la
variable X s’écrit:
8
> 1
< si x 2 f 2; 1; 0; 1; 2; 3g ;
P (X = x) = 6
>
: 0 sinon.
12
1.6. Moments d’une variable aléatoire discrète
8
>
> 1
>
> P (X = 0) = si z = 0;
>
> 6
>
>
>
> 2
>
> P (X = 1) + P (X = 1) = si z = 1;
>
> 6
<
2
P (Z = z) = P (X = 2) + P (X = 2) = si z = 2;
>
> 6
>
>
>
> 1
>
> P (X = 3) = si z = 3;
>
> 6
>
>
>
>
: 0 sinon.
P
Pour r = 2, on obtient M2 (X) = E (X E (X))2 = (x E (X))2 P (X = x)
x2X( )
qui est la variance de X et on la note par V (X) :
13
1.6. Moments d’une variable aléatoire discrète
Théorème 1.6.1 Soit X une variable aléatoire réelle possédant une variance. Alors, on
a:
V (X) = E (X E (X))2 = E X 2 [E (X)]2 :
Remarque 1.6.3 Le moment centré d’ordre 3, moyennant une standardisation pour élim-
iner l’e¤et d’échelle, fournit le coe¢ cient d’asymétrie:
E (X E (X))3
X
E (X E (X))4
4
3
X
= 4; 47:
V (X) = E (X 2 ) (E (X))2 :
X
E (X 2 ) = x2 P (X = x) :
x2X( )
1 3 5 7 9 11
E (X 2 ) = 12 + 22 + 32 + 42 + 52 + 62 = 21; 97:
36 36 36 36 36 36
14
1.6. Moments d’une variable aléatoire discrète
Soit X une variable aléatoire discrète de moyenne E (X) et de variance V (x) …nies.
1. 8a 2 R : E (a) = a; V (a) = 0:
E (Y ) = 0; V (Y ) = 1:
Théorème 1.6.2 Soit X une variable aléatoire réelle discrète et h une fonction dé…nie
sur X ( ) à valeurs réelles. Alors, l’espérance de g (X), si elle existe, est donnée par:
X
E [g (X)] = g (x) P (X = x) :
x2X( )
En particulier:
Y = X 2 et Z = jXj :
15
1.7. Lois usuelles discrètes
1ere Méthode:
X 1 2 2 1 19
E (Y ) = y P (Y = y) = 0 +1 +4 +9 = = 3; 16:
6 6 6 6 6
y2Y ( )
X 1 2 2 1 9
E (Z) = z P (Z = z) = 0 +1 +2 +3 = = 1; 5:
6 6 6 6 6
z2Z( )
2eme Méthode:
Y = g (X) = X 2 :
X X
E (Y ) = E (g (X)) = g (x) P (X = x) = x2 P (X = x)
x2X( ) x2X( )
1 1 1 1 1 1 19
= ( 2)2 + ( 1)2 + (0)2 + (1)2 + (2)2 + (3)2 = = 3; 16:
6 6 6 6 6 6 6
Z = g (X) = jXj :
X X
E (Z) = E (g (X)) = g (x) P (X = x) = jxj P (X = x)
x2X( ) x2X( )
1 1 1 1 1 1 9
= j 2j + j 1j + j0j + j1j + j2j + j3j = = 1; 5:
6 6 6 6 6 6 6
Soit a 2 R un point …xé. On appelle loi de Dirac la loi de la variable aléatoire certaine
X, c’est-à-dire qui est constante, avec X (w) = a quel que soit le résultat w de l’épreuve.
Ainsi,
X ( ) = fag :
E (X) = a et V (X) = 0:
16
1.7. Lois usuelles discrètes
n+1 n2 1
E (X) = ;V (X) = :
2 12
8
>
> 0 si x<1
>
>
>
>
>
> 1
>
> si 1 x<2
>
> n
>
>
>
> 2
>
> si 2 x<3
<
n
F (x) = ..
>
> .
>
>
>
> k
>
> si k x<k+1
>
> n
>
> ..
>
> .
>
>
>
>
: 1 si x n
Exemple 1.7.1 1) On jette un dé non pipé. Soit X la variable aléatoire réelle représen-
tant le numéro de face obtenue.
1
On a X ( ) = f1; 2; ; 6g et pour 1 k 6; P (X = k) = :
6
Ainsi, X v Uf1;2; ;6g :
7 35
E (X) = ; V (X) = :
2 12
2) Une entreprise possède 10 chaînes de fabrication C1 ; : : : ; C10 . Chaque matin une
chaîne est choisie au hasard pour étudier son bon fonctionnement, alors la variable aléa-
toire X représentant le numéro de la chaîne tirée au sort.
X ( ) = f1; 2; ; 10g :
1
8k 2 X ( ) : P (X = k) = :
10
Ainsi, X s Uf1;2; ;10g :
11 99
E (X) = ; V (X) = :
2 12
17
1.7. Lois usuelles discrètes
Remarque 1.7.1 1) Cette loi permet de modéliser une expérience aléatoire dont le ré-
sultat prend, au hasard, toutes les valeurs entières entre 1 et n.
2) E (X) et V (X) découle simplement des égalités:
X
n
n (n + 1) X
n
n (n + 1) (2n + 1)
k= ; k2 = :
k=1
2 k=1
6
X ( ) = f0; 1g :
P (X = 1) = P (A) = p et P (X = 0) = P A = 1 p = q:
1 2
E (X) = ; V (X) = :
3 9
2) Un joueur lance une pièce de monnaie truquée qui donne pile avec une probabilité
3 1
et face avec une probabilité : Soit A l’événement "la pièce donne face".
4 4
1 3
P (A) = ; P A = :
4 4
18
1.7. Lois usuelles discrètes
1 3
P (X = 1) = ; P (X = 0) = :
4 4
1
Ainsi: X v B :
4
1 3
E (X) = ; V (X) = :
4 16
3) Une entreprise possède 10 chaînes de fabrication C1 ; : : : ; C10 . Elle sait qu’une
chaîne possède un problème mais elle ignore laquelle, elle choisit alors une chaîne au
hasard. On considère X la variable aléatoire prenant la valeur 1 si la chaîne testée est la
chaîne défaillante et 0 sinon. Ainsi, X v B 1
10
:
1 9
E (X) = ; V (X) = :
10 100
X ( ) = f0; 1; 2; : : : ; ng :
P (X = k) = Cnk pk (1 p)n k
; 8k 2 X ( ) :
On note X v B (n; p) :
Modélisation: La loi Binomiale B (n; p) est la loi du nombre total de réalisation d’un
évènement A au cours de n épreuves identiques et indépendantes où A a la probabilité p
d’être réalisé.
19
1.7. Lois usuelles discrètes
Ainsi, X v B 5; 12 :
2) Dans une population très nombreuse, on estime que la probabilité pour qu’une per-
sonne soit atteinte d’un virus donné est 0; 1. Un ordinateur choisit au hasard 1000 per-
sonnes de cette population (avec éventualité de choisir plusieurs fois la même personne).
On note X la variable aléatoire représentant le nombre de personnes atteintes du virus
parmi les 1000.
X représente le nombre de succès (succès: être atteint par le virus) dans une suite de
1000 épreuves de Bernoulli (la personne est atteinte ou pas) identiques et indépendantes.
Ainsi, X v B (1000; 0; 1) :
Soit une urne contenant N boules dont M boules blanches et (N M ) boules noires.
On prélève au hasard en une seule fois (tirage aléatoire sans remise) n boules (n N)
et on s’intéresse au nombre de boules blanches obtenues. Soit X la variable aléatoire
qui compte le nombre de boules blanches obtenues dans les n boules tirées. Comme on
est dans un espace d’événements …nis équiprobables (toutes les boules ayant la même
probabilité d’être choisies), la théorie classique des probabilités permet de calculer la
probabilité P (X = k) :
k
Nombre de cas favorables = CM CNn k
M:
k
CM CNn k
M
P (X = k) = avec k 2 X ( ) :
CNn
On note X v H (N; M; n) :
M M N M N n
E (X) = n et V (X) = n :
N N N N 1
20
1.7. Lois usuelles discrètes
M N M
Remarque 1.7.2 Soit p = et q = :
N N
Exemple 1.7.4 1) Une urne contient 10 boules dont 6 blanches et 4 noires. On tire
simultanément 5 boules.
Soit X la variable aléatoire qui compte le nombre de boules blanches obtenues sur les
5 boules tirées. On a:
C6k C46 k
P (X = k) = 5
avec k 2 f0; 1; 2; 3; 4; 5g :
C10
Supposons maintenant que l’on tire 8 boules au lieu de 5; les valeurs prises par la
variable aléatoire X est alors f4; 5; 6g et sa fonction de masse est donnée par
C6k C48 k
P (X = k) = 8
:
C10
21
1.7. Lois usuelles discrètes
Exemple 1.7.5 Dans une usine, on fabrique 500 pièces, on trouve 5 défectueuses et 495
non défectueuses. On tire au hasard 20 pièces. Soit X la variable aléatoire qui représente
le nombre de pièces défectueuses parmi les 20 Pièces.
X v B (20; 0:01) :
X ( ) = f0; 1; ; 20g :
k
P (X = k) = C20 (0:01)k (0:99)20 k
; k 2 X ( ):
E (X) = np = 0:2:
Justi…cation:
- On répète la même expérience (tirer une pièce défectueuse) 20 fois.
- Le résultat d’un tirage est indépendant des autres tirages (tirage avec remise).
- Une pièce est défectueuse avec la probabilité p = 0; 01 à chaque tirage.
X ( ) = f0; 1; 2; 3; 4; 5g :
20 k
C5k C495
P (X = k) = 20
; k 2 X ( ):
C500
E (X) = np = 0:2:
N
n
V (X) = npq = 0:19:
N
1
n
Comme N = 500 > 30 et = 0:04 < 0:1, alors on peut dans ce cas approximer la loi
N
Hypergéométrique H (500; 20; 0:01) par la loi Binomiale B (20; 0:01) :
22
1.7. Lois usuelles discrètes
23
1.7. Lois usuelles discrètes
On considère une urne contenant des boules blanches en proportion p et des boules
noires en proportion q = 1 p. On tire une in…nité de fois une boule avec remise. On
note X la variable aléatoire représentant le rang où l’on obtient une boule blanche pour la
première fois. Donc, X représente le rang d’apparition du premier succès dans une suite
in…nie d’épreuves de Bernoulli indépendantes et identiques. La variable aléatoire X suit
la loi Géométrique de paramètre p avec p est la probabilité du succès lors d’une épreuve.
X( )=N :
P (X = k) = q k 1
p; 8k 2 X ( ) :
FX (n) = 1 qn:
X v G (p) :
1 q
E (X) = et V (X) = 2 :
p p
Remarque 1.7.3 La loi Binomiale Négative est une généralisation de la loi Géométrique
où l’on considère X " le nombre d’échecs avant de parvenir au r-ième succès".
k+r 1
P (X = k) = pr (1 p)k ; k 2 N:
r 1
X v BN (n; p) :
r (1 p) r (1 p)
E (X) = et V (X) = :
p p2
k 1 r
P (Y = k) = p (1 p)k r
; k = r; r + 1; : : :
r 1
Y v } (r; p) :
r r (1 p)
E (Y ) = ; V (Y ) = :
p p2
24
1.7. Lois usuelles discrètes
Exemple 1.7.7 1) On jette un dè une in…nité de fois. Soit la variable aléatoire X qui
compte le nombre de lancers nécessaires à l’obtention d’un multiple de 3 pour la première
fois.
Ainsi, X v G 1
3
:
k 1
1 2
P (X = k) = ; 8k 2 N :
3 3
X ( ) = N = f0; 1; 2; g:
k
P (X = k) = exp ( ) ; 8k 2 N:
k!
X v P ( ):
E (X) = et V (X) = :
Exemple 1.7.8 Le nombre moyen de communications téléphoniques reçues par une stan-
dartiste en une minute est égal à 1.
1) Quelle est la probabilité que cette standartiste reçoive entre 13h et 13h02:
25
1.7. Lois usuelles discrètes
a) un seul appel.
b) deux appels.
2) Déterminer la probabilité que la standartiste reçoive moins de 3 appels en 5 minutes.
1) Soit X la variable aléatoire qui compte le nombre d’appels arrivant chez la stan-
dartiste en 2 minutes.
X v P (2) car le nombre moyen d’appels par minute est égal à 1.
2 2k
P (X = k) = e ; k 2 N:
k!
2 21
P (X = 1) = e = 0; 2706:
1!
2 22
P (X = 2) = e = 0; 2706:
2!
2) Soit Y la variable aléatoire qui compte le nombre d’appels arrivant chez la stan-
dartiste en 5 minutes.
Y v P (5) :
k
55
P (Y = k) = e ; k 2 N:
k!
P (Y < 5) = P (Y = 0) + P (Y = 1) + P (Y = 2)
5 50 51 52
=e + + = 0; 124:
0! 1! 2!
Dans la pratique, cette approximation est bonne pour n 30; p 0:1 et np 15.
Exemple 1.7.9 La probabilité p de défaillance d’un stock est 2:5% par mois. Soit X une
v.a. qui représente le nombre de défaillances au cours de 40 mois.
Le nombre de défaillances est une v.a. X suivant une loi Binomiale B (40; 0:025) car:
a) pendant un mois, il y a ou il n’y a pas de défaillance;
26
1.7. Lois usuelles discrètes
40
P (X = k) = (0:025)k (0:975)40 k
; k 2 f0; 1; 2; : : : ; 40g :
k
1k
P (X = k) = exp ( 1) ; k 2 N:
k!
Exemple 1.7.10 Dans une grande école de 5000 étudiants, 400 sont étrangers.
Quelle est la probabilité d’avoir 10 étudiants étrangers dans un échantillon de taille 50
choisis au hasard?
X s B (50; 0:08) :
10
P (X = 10) = C50 (0:08)10 (0:92)40 = 0:0039:
On peut même aller plus loin en faisant une approximation de la loi Binomiale par la
loi de Poisson de paramètre = np car n > 30 et p < 0:1 et np = 50 0:08 = 4:
X s P (4) :
4 410
P (X = 10) = e = 0:0053:
10!
27
1.8. Fonction génératrice d’une variable aléatoire discrète
Dé…nition 1.8.1 Soit X une variable aléatoire discrète ne prenant que des valeurs en-
tières positives ou nulles. On appelle fonction génératrice de la variable aléatoire X la
fonction dé…nie sur ] 1; 1[ par:
X
gX (t) = E tX = tk P (X = k) :
k
X
En général, X ( ) N : gX (t) = tk P (X = k) :
k 0
gX (t) = E tX = t0 P (X = 0) + t1 P (X = 1) = q + pt:
4) Loi de Poisson: X v P ( ) :
X1 k X 1
( t)k
k (1 t)
gX (t) = t e =e =e :
k=1
k! k=1
k!
| {z }
D.L. de e t
Propriétés
1) gX (0) = P (X = 0) ; gX (1) = 1:
(k)
(k) g (0)
2) gX (0) = k! P (X = k) =) P (X = k) = X pour k = 1; 2; : : : ;
k!
La fonction génératrice de X permet de retrouver la loi de X.
28
1.8. Fonction génératrice d’une variable aléatoire discrète
3) Si E X k existe alors:
(k)
gX (1) = E [X (X 1) (X k + 1)] = [k] (X) :
Le nombre [k] (X) est appelé le moment factoriel d’ordre k (k entier >0) : Cette
notion ne présente guère d’intérêt que pour les variables aléatoires discrètes à valeurs
dans N:
[k] (X) = n (n 1) (n k + 1) P (X = n)
n=0
X1
n!
= P (X = n) :
n=k
(n k)!
8k 2 f0; 1; : : : ; ng : P (X = k) = Cnk pk q n k :
(2)
0
Ainsi, V (X) = gX (1) + gX (1) 0
[gX (1)]2 = npq:
29
1.8. Fonction génératrice d’une variable aléatoire discrète
Exemple 1.8.3 Soit p; q 2 [0; 1] avec p + q = 1: Soit X une variable aléatoire dont la
fonction génératrice est donnée par:
p 1
gX (t) = , pour 0 t< :
1 tq q
1) Calculer E (X) et V (X) :
2) Déterminer la loi de probabilité de X.
(k)
1) On sait que gX (1) = E [X (X 1) (X k + 1)] :
0 pq 0 q
gX (t) = 2 ) gX (1) = E (X) = :
(1 tq) p
00 2pq 2 00 2q 2
gX (t) = 3 ) gX (1) = E [X (X 1)] = :
(1 tq) p2
2q 2 2q 2 2q 2 q
E (X 2 ) E (X) = ) E (X 2
) = + E (X) = + :
p2 p2 p2 p
q
Ainsi, V (X) = E (X 2 ) (E (X))2 = :
p2
1 (k)
2) On sait que P (X = k) = g (0) :
k! X
0 pq 0
gX (t) = 2 ) gX (0) = pq = 1! pq
(1 tq)
00 2pq 2 00 2 2
gX (t) = 3 ) gX (0) = 2pq = 2! pq
(1 tq)
30