VII - Variables aléa-

toires discrètes infinies

Révisions tées pour que sa collection soit complète. La variable aléa-
Variables aléatoires discrètes finies. toire T peut prendre les valeurs :
⋆ 23 si elle a obtenu à chaque achat une carte différente,
⋆ 24 si elle a obtenu exactement une carte en double,
I - Variables aléatoires discrètes infinies ⋆ ...
Ainsi, T (Ω) = {24, 25, 26, . . .}.
I.1 - Loi de probabilité
Définition 2 - Loi de probabilité
Définition 1 - Variable aléatoire discrète infinie
Soit X une variable aléatoire discrète infinie. La loi de probabilité
Une variable aléatoire X est discrète infinie si les valeurs prises
de X est la donnée :
par X sont en nombre infini et peuvent être indexées par N. On
• des valeurs x0 , x1 , x2 , . . . prises par X,
notera
• de la famille infinie de probabilités
X(Ω) = {x0 , x1 , x2 , x3 , . . .} = {xi , i ∈ N} . (P ([X = x0 ]) , P ([X = x1 ]) , . . . , P ([X = xn ]) , . . .).

Dans toute la suite, on se limitera aux variables aléatoires qui ne Exemple 2 - Instant du premier Pile
prennent que des valeurs positives.
On note T le numéro du premier lancer permettant d’obtenir Pile
lors de lancers successifs et indépendants d’une pièce de monnaie
Exemple 1
qui renvoie Pile avec probabilité 13 et Face avec probabilité 32 .
• Un dé est lancé jusqu’à obtenir la valeur 6. On note T D’une part, T (Ω) = N∗ .
le rang du lancer où le premier 6 est obtenu. La variable D’autre part,
aléatoire T peut prendre les valeurs : • [T = 1] correspond à obtenir un Pile lors du premier lancer.
⋆ 1 si le 6 appraît au premier lancer, Ainsi,
1
⋆ 2 si le 1er lancer n’est pas un 6 et que le 2e l’est, P ([T = 1]) = .
⋆ 3 si les 1er et 2e lancers ne sont pas des 6 et que le 3e 3
l’est, • [T = 2] correspond à obtenir Face lors du premier lancer
⋆ ... et Pile lors du second lancer. Ainsi,
Ainsi, T (Ω) = {1, 2, 3, . . .} = N∗ . 2 1
• Une étudiante collectionne les cartes de 23 joueurs de foot P ([T = 2]) = P ({(F, P )}) = × .
3 3
de son équipe nationale qui sont distribuées dans des ta-
blettes de chocolat. On note T le nombre de tablettes ache- • [T = 3] correspond à obtenir Face lors des 2 premiers lan-

Lycée Ozenne 36 A. Camanes

Chapitre VII - Variables aléatoires discrètes infinies ECT 2

cers et Pile lors du troisième lancer. Ainsi, Exemple 3 - Instant du premier Pile

2 2 1 En reprenant l’exemple précédent,

P ([T = 3]) = P ({(F, F, P )}) = × × .
3 3 3 +∞ +∞  k−1
" #
X X 2 1
• ... P ([T = k]) = ×
3 3
• [T = n] correspond à obtenir Face lors des n − 1 premiers k=1 k=1
lancers et Pile lors du ne lancer. Ainsi, +∞  k
 −1 X
1 2 2
= ×
 n−1 3 3 3
2 1 k=1
P ([T = n]) = P ({(F, F, . . . , F, P )}) = × . 1 3 2 1
3 3 = × × × = 1.
3 2 3 1− 2
3
2 k−1
Ainsi, ∀ k ⩾ 1, P ([T = k]) = 31 × 3


.
La loi de T peut être représentée dans un tableau contenant une
infinité de colonnes : I.2 - Fonction de répartition
x 1 2 3 ··· n ··· Définition 4 - Fonction de répartition
1 2 1 2 2 1 2 n−1 1



P ([X = x]) 3 3 × 3 3 × 3 ··· 3 × 3 ···
Soit X une variable aléatoire discrète infinie. La fonction de ré-
Si on n’obtient Pile à aucun des lancers, on peut noter T = +∞. partition de X est la fonction FX définie pour tout x réel par
Cependant, la propriété suivante montre que cet événement est FX (x) = P ([X ⩽ x]).
de probabilité nulle.
Exemple 4 - Instant du premier Pile
Définition 3 - Système complet
On note T le rang du premier lancer permettant d’obtenir Pile
Si X est une variable aléatoire discrète infinie, la famille d’événe- lors de lancers successifs et indépendants d’une pièce de monnaie
ments ([X = x0 ], [X = x1 ], [X = x2 ], . . .) est un système complet qui renvoie Pile avec probabilité 13 et Face avec probabilité 32 .
d’événements. En particulier, • Si x < 1, P ([T ⩽ x]) = P (∅) = 0.
+∞ • Si 1 ⩽ x < 2, P ([T ⩽ x]) = P ([T = 1]) = 13 .
X
P ([X = xk ]) = 1. • Si 2 ⩽ x < 3,
k=0 P ([T ⩽ x]) = P (T ∈ {1, 2}) = 13 + 31 × 23 = 59 .
• Si 3 ⩽ x < 4,
2
P ([T ⩽ x]) = P (T ∈ {1, 2, 3}) = 13 + 13 × 23 + 13 × 32 = 19 27 .
• ...
• Si n ⩽ x < n + 1,
n
1 2 k−1

n
= 1 − 23 .
P

P ([T ⩽ x]) = P (T ∈ J1, nK) = 3 3
k=1
• ...

Lycée Ozenne 37 A. Camanes

Chapitre VII - Variables aléatoires discrètes infinies ECT 2

On obtient le graphe suivant : Exemple 5 - Instant du premier pile

On note T le rang du premier lancer permettant d’obtenir Pile

lors de lancers successifs et indépendants d’une pièce de monnaie
qui renvoie Pile avec probabilité 13 et Face avec probabilité 32 .
+∞
1
nxn−1 = (1−x)
P
On admet que pour tout x ∈ [0, 1[, 2 . Alors,
n=1

n−1
comme 32 ∈ [0, 1[, n 23
P
converge et
+∞  n−1
X 1 2 1 1
E [T ] = n× × = ×
2 = 3.
3 3 3 1 − 23
n=1

Proposition 2 - Linéarité de l’espérance

Soient X, Y deux variables aléatoires discrètes infinies admettant

Proposition 1 - Fonction de répartition une espérance et a un réel. Alors,
Soit F la fonction de répartition d’une variable aléatoire discrète E [aX + Y ] = aE [X] + E [Y ] .
infinie et à valeurs positives.
• F est à valeurs dans [0, 1].
• ∀ x < 0, F (x) = 0. Exemple 6 - Instant du premier pile
• lim F (x) = 1. Un joueur joue à Pile ou Face, avec une pièce qui renvoie Pile
x→+∞
avec probabilité 13 , contre son banquier qui lui propose le contrat
suivant :
I.3 - Espérance et Variance • le joueur paye 40 euros pour jouer,
• la pièce de monnaie est lancée successivement jusqu’à ob-
Définition 5 - Espérance tenir Pile. Il gagne 10 euros lors de chacun de ces lancers.
En notant G le gain du joueur et T le nombre de lancers effectués,
Soit X une variable aléatoire discrète infinie à valeurs positives. alors G = 10 × T − 40. En utilisant les propriétés précédentes,
Notons X(Ω) = {xi , i ∈ N}.
La variable aléatoire X admet une espérance si la série
P E [G] = 10 × E [T ] − 40 = 10 × 3 − 40 = −10.
xi P ([X = xi ]) est convergente. L’espérance de X est alors :
+∞ Théorème 1 - Théorème de transfert
X
E [X] = xi P ([X = xi ]) . Soient X une variable aléatoire discrète infinie à valeurs po-
i=0 sitives et f une fonction réelle à valeurs positives. Notons

Lycée Ozenne 38 A. Camanes

Chapitre VII - Variables aléatoires discrètes infinies ECT 2

X(Ω) = {xi , i ∈ N}. Si

P
f (xi )P ([X = xi ]) converge, alors
II - Lois usuelles
+∞
X II.1 - Loi géométrique
E [f (X)] = f (xi )P ([X = xi ]) .
i=0 Définition 7 - Loi géométrique

Soit p ∈]0, 1[. La variable aléatoire T suit une loi géométrique de

Définition 6 - Variance, Écart-type
paramètre p si
Soit X une variableP aléatoire discrète infinie. Notons • T (Ω) = N∗ ,
X(Ω) = {xi , i ∈ N}. Si x2i P ([X = xi ]) converge, alors X ad- • ∀ k ∈ N∗ , P (T = k) = p(1 − p)k−1 .
met une variance et On note T ,→ G (p).

V (X) = E (X − E [X])2 .
 
Loi géométrique
p
L’écart-type de X est la quantité σ(X) = V (X). Si X est le premier instant de succès dans un schéma de Ber-
noulli dont la probabilité de succès vaut p, alors X suit une loi
Proposition 3 - Propriétés de la variance géométrique de paramètre p.

Soient X une variable aléatoire discrète infinie qui admet une Proposition 4 - Espérance, Variance
variance et a, b deux réels.
• Formule de Kœnig-Huygens. V (X) = E X 2 − E [X]2 . Soit T ,→ G (p). On admet que
 

• V (aX + b) = a2 V (X).
1 1−p
E [T ] = et V (T ) = .
p p2
Exemple 7 - Pile/Face contre le banquier

On reprend l’exemple précédent et on admet que V (T ) = 6. Exemple 8 - Instant du premier pile

Alors,
Reprendre les exemples de la partie précédente.
V (G) = V (10T − 40) = 102 V (T ) = 600
et σ(G) ≃ 24,5.

Lycée Ozenne 39 A. Camanes

Chapitre VII - Variables aléatoires discrètes infinies ECT 2

II.2 - Loi de Poisson table approchée d’une loi de Poisson de paramètre 4 ci-dessous :

Définition 8 - Loi de Poisson z 0 1 2 3 4 5 ···

P ([Z = z]) 0,018 0,073 0,147 0,195 0,195 0,156 · · ·
Soit λ > 0. La variable aléatoire Z suit une loi de Poisson de
paramètre λ si Alors,
• Z(Ω) = N, • P (X = 0) ≃ P (Z = 0) ≃ 0,018.
k
• ∀ k ∈ N, P (Z = k) = e−λ λk! . • P (X ⩽ 3) ≃ P (Z ⩽ 3) ≃ 0,018 + 0,073 + 0,147 + 0,195
On note Z ,→ P(λ). ≃ 0,433.
• P (X > 3) = 1 − P (X ⩽ 3) ≃ 1 − 0,433 ≃ 0,567.
Loi de Poisson

Étant donnée une suite de N épreuves de Bernoulli dont la pro-

babilité de succès est égale à p. Si N est grand et p est petit, la
variable aléatoire égale au nombre de succès suit approximative-
ment une loi de Poisson de paramètre λ = N p.

Proposition 5 - Espérance, Variance

Soit Z ,→ P(λ). On admet que

E [Z] = λ et V (Z) = λ.

Exemple 9 - Accidentés

Une banque accorde quotidiennement des crédits. Étant donné un

crédit, la probabilité qu’il revienne au service contentieux dans un
laps de temps d’un an est égale à 4%. On suppose que 100 crédits
ont été accordés au mois de janvier.
On note X le nombre de ces crédits qui sont revenus au ser-
vice contentieux un an plus tard. Comme X compte le nombre
de succès (contentieux) lors d’une suite de 100 épreuves
de Ber-
noulli de probabilité de succès 4%, alors X ,→ B 100, 100
4
. Ainsi,
E [X] = 4.
On suppose que X peut être approchée par une variable aléatoire
Z suivant une loi de Poisson de paramètre E [X]. On donne la

Lycée Ozenne 40 A. Camanes