Loi géométrique

En théorie des probabilités et en statistique, la loi géométrique est une loi de probabilité discrète ayant deux définitions possibles :

la loi du nombre X d'épreuves de Bernoulli indépendantes de probabilité de succès $p \in ]0,1[$ (ou $q = 1 - p$ d'échec) nécessaire pour obtenir le premier succès. X est la variable aléatoire donnant le rang du premier succès. Le support de la loi est alors {1, 2, 3, ...}.
La loi du nombre Y = X – 1 d'échecs avant le premier succès. Le support de la loi est alors {0, 1, 2, 3, ...}.

Loi géométrique

Fonction de masse
Fonction de répartition

Paramètres	$p\in [0,1]$ $q=1-p$
Support	$k\in \{1,2,3,\dots \}\!$
Fonction de masse	$q^{k-1}\,p\!$
Fonction de répartition	$1-q^{k}\!$
Espérance	${\frac {1}{p}}\!$
Médiane	$\left\lceil {\frac {-\log(2)}{\log(q)}}\right\rceil \!$ (pas unique si $-\log(2)/\log(q)$ est entier)
Mode	1
Variance	${\frac {q}{p^{2}}}\!$
Asymétrie	${\frac {2-p}{\sqrt {q}}}\!$
Kurtosis normalisé	$6+{\frac {p^{2}}{q}}\!$
Entropie	${\frac {-q\log _{2}q-p\log _{2}p}{p}}\!$
Fonction génératrice des moments	${\frac {pe^{t}}{1-q\,e^{t}}}\!$
Fonction caractéristique	${\frac {pe^{it}}{1-q\,e^{it}}}\!$
Fonction génératrice des probabilités	${\frac {pt}{1-qt}}$

Les valeurs de X sont les entiers naturels non nuls 1, 2, 3, ... En notant $q=1-p$ , la probabilité que X = k est alors, pour k = 1, 2, 3, ... :

\mathbb {P} (X=k)=q^{k-1}p.

On dit que X suit une loi géométrique de paramètre p.

Calcul de $p (k)$

La probabilité $p (k)$ correspond à la probabilité d'obtenir dans une succession de $k$ épreuves de Bernoulli, $k - 1$ échecs suivis d'un succès. Les épreuves étant indépendantes, cette probabilité est de $q k - 1 p$ .

Autre définition

Pour la loi géométrique, on rencontre parfois cette définition : la probabilité p'(k) est la probabilité, lors d'une succession d'épreuves de Bernoulli indépendantes, d'obtenir $k$ échecs suivi d'un succès. Elle modélise la durée de vie d'une entité qui aurait, à tout instant la probabilité p de mourir. On obtient alors, pour k = 0, 1, 2, ... :

p'(k)=q^{k}p.

On remarque qu'il ne s'agit que d'un décalage de la précédente loi géométrique, au sens suivant : si $X$ suit la loi $p$ alors $X - 1$ suit la loi $p'$ . Son espérance n'est plus alors de $1 / p$ mais de $1 / p - 1$ , c'est-à-dire $q / p$ . La variance est identique pour les deux définitions. Dans la suite, on prendra la première définition.

Date de mort, durée de vie

Si on appelle p la probabilité de désintégration d'une particule radioactive, la loi géométrique est le premier modèle discret de la mort d'une particule radioactive. La durée de vie de la particule radioactive V, suit la loi de probabilité suivante :

p(k)=\mathbb {P} (\mathrm {V} =k)=q^{k-1}\ \mathrm {pour} \ k\in \mathbb {N} ^{*}

\mathbb {P} (\mathrm {V} >k)=q^{k}=\mathrm {e} ^{k\ln(q)}

Pour $p$ petit, $ln(1 - p)$ est voisin de $- p$ donc

\mathbb {P} (\mathrm {V} >k)\approx \mathrm {e} ^{-pk}

où l'on retrouve la distribution de la loi exponentielle.

Espérance, variance, écart type

L'espérance d'une variable aléatoire $X$ suivant une loi géométrique de paramètre $p$ est $1 ⁄ p$ , et sa variance est $q / p 2$ où $q = 1 - p$ est la probabilité d'échec :

\mathbb {E} [X]={\frac {1}{p}},\qquad \mathbb {V} [X]={\frac {1-p}{p^{2}}}={\frac {q}{p^{2}}}.

L'écart type est donc $\sqrt q / p$ .

Démonstration

Calculs préliminaires : pour tout $x$ de $[0, 1[$ ,

{\begin{aligned}f(x)&=\sum _{k=0}^{+\infty }x^{k}={\frac {1}{1-x}}\\f^{\prime }(x)&=\sum _{k=1}^{+\infty }kx^{k-1}={\frac {1}{(1-x)^{2}}}\\f^{\prime \prime }(x)&=\sum _{k=2}^{+\infty }k(k-1)x^{k-2}={\frac {2}{(1-x)^{3}}}.\end{aligned}}

En particulier :

{\begin{aligned}\sum _{k=1}^{+\infty }k^{2}x^{k-1}&=x\sum _{k=2}^{+\infty }k(k-1)x^{k-2}+\sum _{k=1}^{+\infty }kx^{k-1}\\&={\frac {2x}{(1-x)^{3}}}+{\frac {1}{(1-x)^{2}}}\\&={\frac {2}{(1-x)^{3}}}-{\frac {1}{(1-x)^{2}}}.\end{aligned}}

On peut alors utiliser ces identités pour le calcul de l'espérance :

{\begin{aligned}\mathbb {E} (X)&=\sum _{k=1}^{+\infty }kq^{k-1}p\\&={\frac {p}{(1-q)^{2}}}\\&={\frac {1}{p}},\end{aligned}}

car $q = 1 - p$ , et pour celui de la variance :

{\begin{aligned}\mathrm {Var} (X)&=\left(\sum _{k=1}^{+\infty }k^{2}q^{k-1}p\right)-\mathbb {E} [\mathrm {X} ]^{2}\\&={\frac {2p}{(1-q)^{3}}}-{\frac {p}{(1-q)^{2}}}-{\frac {1}{p^{2}}}\\&={\frac {2}{p^{2}}}-{\frac {1}{p}}-{\frac {1}{p^{2}}}\\&={\frac {q}{p^{2}}},\end{aligned}}

la première égalité ci-dessus provenant du théorème de König-Huygens.

Par exemple, pour $p=1/2$ , $\mathbb {E} [X]=2,\mathbb {V} [X]=2,\sigma [X]={\sqrt {2}}$ et l'écart moyen ${\textbf {EM}}(X)=\mathbb {E} (|X-2|)=\sum _{k=1}^{+\infty }{|k-2|/2^{k}}=1$ .

Liens avec d'autres lois

Lien avec la loi géométrique tronquée

Dans les programmes 2011 de Première Scientifique en France[1], on appelle loi géométrique tronquée de paramètres n et p, la loi de la variable aléatoire obtenue en limitant à n le nombre d'épreuves de Bernoulli de paramètre p et en notant le rang du premier succès. Par convention, s'il n'advient aucun succès au cours des n essais, on pose X = 0 (on trouve parfois pour X le nombre d'échecs obtenus au cours des n épreuves[2]). La probabilité que X = k est alors, pour k = 1, 2, 3, ..., n :

\mathbb {P} (X=k)=q^{k-1}p

et pour k = 0

\mathbb {P} (X=0)=q^{n}.

Cette loi de probabilité a pour espérance[1]: $\mathbb {E} (X)={\frac {1}{p}}\left(1-\left(np+1\right)q^{n}\right)$ où $q = 1 - p$ .

Le terme « tronquée », ici, n'a pas même sens que celui que l'on trouve dans la définition d'une loi tronquée.

Lien avec la loi exponentielle

La loi géométrique est une version discrétisée de la loi exponentielle. En conséquence, la loi exponentielle est une limite de lois géométriques renormalisées.

Propriété — Si $X$ suit la loi exponentielle d'espérance 1, et si $Y=\lceil \theta X\rceil ,\ \theta >0,$ alors $Y$ suit la loi géométrique de paramètre

p\ =\ 1-\mathrm {e} ^{-\ {\tfrac {1}{\theta }}}.

Démonstration

{\begin{aligned}\mathbb {P} (Y=k)&=\mathbb {P} (\lceil \theta X\rceil =k)\\&=\mathbb {P} (\theta X\in ]k-1,k])\\&=\mathbb {P} \left(X\in \left]{\tfrac {k-1}{\theta }},{\tfrac {k}{\theta }}\right]\right)\\&=F_{X}\left({\tfrac {k}{\theta }}\right)-F_{X}\left({\tfrac {k-1}{\theta }}\right)\\&=\exp \left(-\ {\tfrac {k-1}{\theta }}\right)-\exp \left(-\ {\tfrac {k}{\theta }}\right)\\&=\left(\mathrm {e} ^{-\ {\tfrac {1}{\theta }}}\right)^{k-1}\ \left(1-\mathrm {e} ^{-\ {\tfrac {1}{\theta }}}\right).\end{aligned}}

Diagramme en bâtons de la loi de V et densité de la loi exponentielle de paramètre 1/10.

Notons que, pour un nombre réel $x$ , $\lceil x\rceil$ désigne la partie entière supérieure de $x$ , définie par

\lceil x\rceil \ =\ \min \left\{k\in \mathbb {Z} \ |\ k\geqslant x\right\}.

Conséquence :

Ainsi, pour obtenir une variable aléatoire $Y'$ suivant une loi géométrique de paramètre $p$ arbitraire (avec toutefois la contrainte $0 < p < 1$ ), à partir d'une variable aléatoire exponentielle $X'$ de paramètre $λ$ , il suffit de poser

Y^{\prime }=\lceil \theta X^{\prime }\rceil ,

où l'on a choisi

\theta \ =\ -{\tfrac {\lambda }{\ln \left(1-p\right)}}.

En effet, $X=\lambda \,X^{\prime }$ suit une loi exponentielle de paramètre 1 (et d'espérance 1).

Réciproquement,

Propriété — Si, pour $n\geq 1,$ la variable aléatoire $Y n$ suit la loi géométrique de paramètre $p n$ , et si, simultanément,

\lim _{n}p_{n}\ =\ 0\qquad {\text{et}}\qquad \lim _{n}p_{n}/a_{n}\ =\ \lambda >0,

alors $a n Y n$ converge en loi vers la loi exponentielle de paramètre $λ$ .

Démonstration

On se donne une variable aléatoire exponentielle $X$ de paramètre 1, et on pose

{\begin{aligned}\theta _{n}&=-{\tfrac {1}{\ln \left(1-p_{n}\right)}},\\\mathrm {Y} _{n}^{\prime }&=\lceil \theta _{n}\mathrm {X} \rceil .\end{aligned}}

Alors $Y n$ et $Y_{n}^{\prime }$ ont même loi, en vertu de la propriété précédente. Par ailleurs, pour tout $ω$

\lim _{n}a_{n}Y_{n}^{\prime }(\omega )\ =\ \lim _{n}a_{n}\lceil \theta _{n}X(\omega )\rceil =\ \left(\lim _{n}a_{n}\theta _{n}\right)\ X(\omega )\ =\ X(\omega )/\lambda .

Or d'une part la convergence presque sûre entraine la convergence en loi, d'autre part la loi de $X / λ$ est la loi exponentielle de paramètre $λ$ .

Lien avec la loi binomiale négative

Si $X n$ est une variable aléatoire distribuée selon la loi binomiale négative de paramètres n et p, alors $X n$ a même loi que la somme de n variables aléatoires indépendantes distribuées selon une loi géométrique de paramètre p.

Voir aussi

Variables aléatoires élémentaires
Radioactivité
Méthode de rejet
Processus de Bernoulli
Loi exponentielle
Loi binomiale négative
Problème du collectionneur de vignettes (un exemple faisant apparaître une loi géométrique)

Notes et références

Document ressource éduscol - Statistique et probabilité - Juin 2011, pp. 13-24
Cours de probabilité 2011/2012 de l'U.J.F. de Grenoble, p. 7

Portail des probabilités et de la statistique

Cet article est issu de Wikipedia. Le texte est sous licence Creative Commons - Attribution - Partage dans les Mêmes. Des conditions supplémentaires peuvent s'appliquer aux fichiers multimédias.

[eduscol-1] Document ressource éduscol - Statistique et probabilité - Juin 2011, pp. 13-24

[2] Cours de probabilité 2011/2012 de l'U.J.F. de Grenoble, p. 7

Loi géométrique

Calcul de p(k)

Autre définition

Date de mort, durée de vie

Espérance, variance, écart type

Liens avec d'autres lois

Lien avec la loi géométrique tronquée

Lien avec la loi exponentielle

Lien avec la loi binomiale négative

Voir aussi

Notes et références

Calcul de $p (k)$