Introduction aux Probabilités - Université Rennes 2
Introduction aux Probabilités - Université Rennes 2
Introduction aux Probabilités - Université Rennes 2
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
62 Chapitre 2. Variables aléatoires discrètes<br />
Ce résultat est bien naturel, la loi de X étant symétrique par rapport à 7 (cf. figure 2.1).<br />
L’espérance apparaît donc comme une mesure de tendance centrale.<br />
3. Loi de Poisson P(1) : on considère une variable aléatoire X à valeurs dansÆet dont la loi 1<br />
est donnée par pn =È(X = n) = e −1 /n! pour tout n ≥ 0. Son espérance est bien définie et<br />
vaut :<br />
ce qui s’écrit encore :<br />
E[X] =<br />
+∞<br />
+∞<br />
xnpn =<br />
n=0<br />
E[X] = e −1<br />
+∞<br />
n=1<br />
n=0<br />
n e−1<br />
n!<br />
1<br />
(n−1)!<br />
= e−1<br />
= e−1<br />
+∞<br />
n=0<br />
+∞<br />
n=0<br />
n<br />
n!<br />
= e−1<br />
+∞<br />
n=1<br />
1<br />
n! = e−1 e = 1.<br />
Ainsi une loi de Poisson de paramètre 1 a pour espérance 1. Nous verrons plus loin que ce<br />
résultat se généralise : si X suit une loi de Poisson de paramètre λ, alors E[X] = λ.<br />
Voyons maintenant deux situations où les choses ne se passent pas bien.<br />
Contre-exemples :<br />
1. Considérons la variable aléatoire X pouvant prendre les valeurs xn = n pour tout n ≥ 1,<br />
c’est-à-dire que X = {1,2,...} et dont la loi est donnée par pn =È(X = n) = 1/(n(n+1)).<br />
Commençons par remarquer que (pn)n≥1 est bien une loi de probabilité puisque :<br />
+∞<br />
+∞<br />
pn =<br />
n=1<br />
n=1<br />
1<br />
n(n+1) =<br />
+∞<br />
n=1<br />
<br />
1 1<br />
− = 1,<br />
n n+1<br />
puisqu’on reconnaît dans la dernière expression une somme télescopique. L’espérance de X<br />
n’est pas définie puisque la série harmonique est divergente :<br />
+∞<br />
n=1<br />
|xn|pn =<br />
+∞<br />
+∞<br />
xnpn =<br />
n=1<br />
n=1<br />
1<br />
= +∞.<br />
n+1<br />
2. Plus retors : considérons la variable aléatoireX pouvant prendre les valeursxn = (−1) n+1 (n+<br />
1) pour tout n ≥ 1, c’est-à-dire que X = {2,−3,4,−5,6,−7,...} et dont la loi est donnée par<br />
pn =È(X = (−1) n+1 (n+1)) = 1/(n(n+1)). La série <br />
n≥1 xnpn, bien que convergente :<br />
+∞<br />
+∞<br />
xnpn =<br />
n=1<br />
n=1<br />
(−1) n+1<br />
n<br />
= ln2,<br />
n’est pas absolument convergente puisque <br />
n≥1 |xn|pn = <br />
La variable X n’admet donc pas d’espérance.<br />
n≥1 1<br />
n<br />
n<br />
n! ,<br />
est la série harmonique.<br />
Problème de commutativité. Supposons une seconde que dans l’exemple précédent on admette<br />
que X a une espérance et que celle-ci vaut ln2, puisqu’après tout la série est bien convergente (cf.<br />
figure 2.3 à gauche) :<br />
+∞<br />
n=1<br />
xnpn = 2p2 −3p3 +4p4 −5p5 +6p6 +··· = 1− 1 1 1 1 1<br />
+ − + − +··· = ln2.<br />
2 3 4 5 6<br />
1. On rappelle que pour tout x ∈Ê, on a e x = +∞ x<br />
n=0<br />
n<br />
n! .<br />
Arnaud Guyader - <strong>Rennes</strong> 2 <strong>Probabilités</strong>