26.06.2013 Views

Introduction aux Probabilités - Université Rennes 2

Introduction aux Probabilités - Université Rennes 2

Introduction aux Probabilités - Université Rennes 2

SHOW MORE
SHOW LESS

You also want an ePaper? Increase the reach of your titles

YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.

2.5. Lois usuelles 77<br />

Exemple. On lance n fois de suite une pièce déséquilibrée dont la probabilité d’apparition de Pile<br />

à chaque lancer est p. En notant X la somme des résultats Xi obtenus (Face valant 0 et Pile valant<br />

1 comme ci-dessus), X représente donc simplement le nombre de Pile sur les n lancers et on a<br />

X ∼ B(n,p).<br />

Proposition 2.9 (Moments d’une loi binomiale)<br />

Si X suit une loi binomiale de paramètres (n,p), alors :<br />

E[X] = np & Var(X) = np(1−p) = npq.<br />

Le lien Bernoulli-Binomiale rend ces formules élémentaires : l’espérance est linéaire dans tous<br />

les cas et la variance l’est ici puisque les variables X1,...,Xn sont indépendantes. La propriété<br />

suivante découle d’ailleurs du même raisonnement :<br />

X ∼ B(n,p)<br />

Y ∼ B(m,p)<br />

X ⊥ Y<br />

⎫<br />

⎬<br />

⎭<br />

⇒ X +Y ∼ B(n+m,p).<br />

Autrement dit, la somme de 2 variables binomiales indépendantes et de même paramètre p suit<br />

elle aussi une loi binomiale de paramètre p (voir le corrigé de l’exercice 2.9).<br />

Figure 2.6 – Exemples de lois binomiales. A gauche : X ∼ B(10,1/2). A droite : Y ∼ B(90,1/6).<br />

Exemples :<br />

1. On lance 10 fois de suite une pièce équilibrée et on note X le nombre de Pile obtenus. On<br />

a vu que X ∼ B(10,1/2). Le nombre moyen de Pile est donc naturellement E[X] = 5 et<br />

l’écart-type vaut σ(X) = √ 2.5. La loi de X est illustrée figure 2.6 à gauche.<br />

2. On lance 90 fois de suite un dé non pipé et on note Y le nombre de 4 obtenus. Dans ce cas<br />

Y ∼ B(90,1/6). Le nombre moyen de 4 est doncE[Y] = 15 et l’écart-type vautσ(Y) = √ 12.5.<br />

La loi de Y est illustrée figure 2.6 à droite. Le Théorème Central Limite explique pourquoi<br />

on obtient une forme de courbe “en cloche” typique de la loi normale (cf. fin de Chapitre 3).<br />

2.5.4 Loi géométrique<br />

La loi géométrique est la loi typique du temps d’attente avant apparition d’un certain événement.<br />

Définition 2.13 (Loi géométrique)<br />

On dit que X suit une loi géométrique de paramètre p ∈]0,1[, noté X ∼ G(p), si X est à valeurs<br />

dansÆ∗ avec :<br />

∀n ∈Æ∗ È(X = n) = p(1−p) n−1 = pq n−1 .<br />

<strong>Probabilités</strong> Arnaud Guyader - <strong>Rennes</strong> 2

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!