Espérance Loi Géométrique: comprendre, calculer et appliquer la moyenne d’une distribution géométrique

Introduction: pourquoi s’intéresser à l’espérance dans la loi géométrique

La loi géométrique est l’une des distributions discrètes les plus fondamentales en probabilité. Elle modélise le nombre d’essais nécessaires avant d’obtenir le premier succès dans une suite d’expériences indépendantes identiquement distribuées, chaque essai donnant une probabilité de succès p. Dans ce cadre, l’espérance—ou moyenne—joue un rôle central: elle permet d’anticiper, en moyenne, combien d’essais il faut pour obtenir le premier succès. Le concept d’espérance loi géométrique se décline en deux conventions usuelles, qui influent directement sur les formules et les interprétations. Cet article vous propose une approche claire et complète, avec des démonstrations simples, des exemples concrets et des points d’attention pour éviter les erreurs courantes.

Qu’est-ce que la loi géométrique et quelles sont ses conventions?

La loi géométrique décrit la distribution du nombre d’essais jusqu’au premier succès dans une suite d’expériences indépendantes et identiques. Deux variantes fréquentes existent selon le support de la variable aléatoire X et la définition du processus:

• Convention 1 (loi géométrique sur {1, 2, 3, …}) : X représente le nombre d’essais jusqu’au premier succès. Le paramètre p est la probabilité de succès à chaque essai. Alors P(X = k) = (1 − p)^{k−1} p pour k = 1, 2, …
• Convention 2 (loi géométrique sur {0, 1, 2, …}) : X représente le nombre d’échecs avant le premier succès. Le même paramètre p est utilisé. Alors P(X = k) = (1 − p)^k p pour k = 0, 1, 2, …

Chaque convention est cohérente et utilisée dans des contextes légèrement différents. La différence essentielle réside dans le fait que la première convention compte le test qui aboutit au premier succès, tandis que la seconde compte le nombre d’échecs préalables au premier succès. Quoi qu’il en soit, l’espérance et la variance se déduisent directement des formules de probabilité associées.

Espérance et intuition: comprendre l’ampleur moyenne

Dans le cadre de la Espérance Loi Géométrique, l’idée centrale est très naturelle: si vous répétez des essais jusqu’à ce que vous obteniez un succès, à quoi vous attendriez-vous en moyenne sur le long terme en terme de nombre d’essais ? C’est la notion d’espérance mathématique, qui exprime la moyenne pondérée des valeurs possibles par leurs probabilités respectives.

Espérance de la loi géométrique sur {1, 2, 3, …}

Pour X ~ Geom(p) avec support {1, 2, 3, …}, l’espérance est:

E[X] = 1/p

Interprétation: si vous répétez l’expérience de manière répétée, vous devriez observer, en moyenne, 1/p essais avant le premier succès. Par exemple, si p = 0,2 (20% de probabilité de succès par essai), alors E[X] = 5, ce qui signifie qu’en moyenne, il faut 5 essais pour obtenir le premier succès.

Espérance de la loi géométrique sur {0, 1, 2, …}

Pour X ~ Geom0(p) avec support {0, 1, 2, …}, l’espérance est:

E[X] = (1 − p) / p

Intuition: c’est le nombre moyen d’échecs avant le premier succès. Si p est élevé, les échecs sont rares et l’espérance diminue; si p est faible, les échecs dominent et l’espérance augmente.

Preuves rapides: dérivations des formules d’espérance

Ces démonstrations rapides offrent une approche pédagogique pour comprendre les résultats sans entrer dans des détails excessifs.

Cas sur {1, 2, 3, …}

Posons X ~ Geom(p) avec P(X = k) = (1 − p)^{k−1} p, pour k ≥ 1. Alors:

E[X] = Σ_{k=1}^{∞} k (1 − p)^{k−1} p

En posant r = 1 − p et en utilisant la somme géométrique standard, on obtient:

Σ_{k=1}^{∞} k r^{k−1} = 1 / (1 − r)^2 = 1 / p^2

Ainsi E[X] = p × (1 / p^2) = 1/p.

Cas sur {0, 1, 2, …}

Posons X ~ Geom0(p) avec P(X = k) = (1 − p)^k p, pour k ≥ 0. Alors:

E[X] = Σ_{k=0}^{∞} k (1 − p)^k p

En utilisant la même technique et la somme Σ_{k≥0} k r^k = r / (1 − r)^2, on obtient:

E[X] = p × (1 − p) / p^2 = (1 − p) / p.

Variance et propriétés associées: ce qu’il faut savoir

La variance mesure la dispersion autour de l’espérance et est utile pour évaluer l’incertitude des résultats. Pour les deux conventions, la variance est la même:

Var(X) = (1 − p) / p^2

Propriétés mémoires: la loi géométrique est mémoire-less (sans mémoire). Autrement dit, si X est le nombre d’essais jusqu’au premier succès, alors P(X > m + n | X > m) = P(X > n). Cette propriété est fondamentale dans les processus de renouvellement et les chaînes de Markov simples.

Estimation de l’espérance loi géométrique à partir de données réelles

Quand l’on collecte des données expérimentales et que l’on souhaite estimer le paramètre p et, par conséquent, l’espérance, deux conventions mènent à des estimateurs légèrement différents.

Cas de la convention {1, 2, 3, …}

Si X_i représente le nombre d’essais jusqu’au premier succès et que l’échantillon est {X_1, X_2, …, X_n}, alors l’estimateur le plus courant pour p est le maximum de vraisemblance (MLE):

p̂ = n / Σ_{i=1}^{n} X_i

À partir de p̂, l’estimation de l’espérance est E[X] ≈ 1 / p̂.

Cas de la convention {0, 1, 2, …}

Si X_i représente le nombre d’échecs avant le premier succès, les mêmes données donnent P(X_i = k) = (1 − p)^k p. Le MLE pour p est alors:

p̂ = n / (Σ_{i=1}^{n} X_i + n)

Et l’estimation de l’espérance devient E[X] ≈ (1 − p̂) / p̂.

Exemples pratiques et exercices guidés

Exemple 1: Une machine allume une lumière avec probabilité p = 0,25 à chaque essai indépendant. Combien d’essais en moyenne faut-il pour obtenir la première lumière? Utilisez la convention {1, 2, 3, …} pour X. Réponse: E[X] = 1/p = 4 essais en moyenne.

Exemple 2: Un test de dépistage montre qu’en moyenne 3 échecs sont observés avant un résultat positif, avec p tel que E[X] = (1 − p)/p = 3. Trouver p. Réponse: (1 − p)/p = 3 → 1 − p = 3p → 1 = 4p → p = 1/4 = 0,25.

Exemple 3: Vous collectez un échantillon de X_i où X_i suit Geom0(p). Si vous observez les valeurs {0, 2, 1, 0, 3}, comment estimer p et l’espérance? Calculer: Σ X_i = 6, n = 5, p̂ = n / (Σ X_i + n) = 5 / (6 + 5) = 5/11 ≈ 0,4545. L’espérance estimée est E[X] ≈ (1 − p̂) / p̂ ≈ 0.5455 / 0.4545 ≈ 1.20.

Applications concrètes et domaines d’utilisation

La Espérance Loi Géométrique est utile dans de nombreux domaines:

• Qualité et fiabilité: modéliser le nombre d’essais jusqu’à la défaillance d’un composant ou jusqu’à obtenir une inspection réussie.
• Informatique et algorithmes: modélisation du nombre d’accès avant la première collision dans certaines méthodes d’optimisation et d’allocation des ressources.
• Économie et échantillonnage: estimation du temps jusqu’au premier événement rare ou critique dans des systèmes stochastiques.
• Biologie et médecine: modélisation du nombre d’essais jusqu’à une réponse thérapeutique ou un signal biologique détecté.

Relation avec d’autres lois et comparaison

La loi géométrique est souvent comparée à d’autres lois discrètes comme la loi binomiale. Une distinction clé est que la loi géométrique se concentre sur les essais répétitifs jusqu’à un premier événement, alors que la loi binomiale compte le nombre de successes dans un nombre fixe d’essais. En termes d’espérance:

• Espérance de Geom(p) sur {1, 2, 3, …}: E[X] = 1/p.
• Espérance de Geom0(p) sur {0, 1, 2, …}: E[X] = (1 − p)/p.
• Écart entre les deux conventions se retrouve dans l’interprétation et dans les applications pratiques, mais la variance Var(X) reste identique: (1 − p)/p^2.

Conseils pratiques pour travailler avec l’espérance loi géométrique

• Clarifiez toujours le support et la convention que vous utilisez avant de calculer l’espérance ou d’interpréter les résultats.
• Utilisez les mêmes notations lors de calculs et de rédactions pour éviter les confusions, notamment entre X, Geom(p) et Geom0(p).
• Vérifiez les conditions d’indépendance et l’homogénéité du paramètre p si vous appliquez ces modèles à des données réelles.
• Pour les estimations, reportez-vous à p̂ = n / Σ X_i et p̂ = n / (Σ X_i + n) selon la convention, afin d’obtenir des estimations cohérentes de l’espérance.

Idées avancées et prolongements: extensions et possibilités

Au-delà des formulations de base, on peut explorer des extensions qui enrichissent l’étude de l’espérance dans la loi géométrique:

• Lois géométriques décalées: variantes qui introduisent des paramètres additionnels ou des décalages dans le support pour modéliser des systèmes plus complexes.
• Lois géométriques généralisées: combiner la géométrie avec d’autres distributions discrètes pour des modèles hétérogènes ou non stationnaires.
• Propriétés de moment et cumulants: étudier les moments supérieurs pour mieux appréhender la forme de la distribution et les queues.

Conclusion: synthèse et points clés sur l’espérance loi géométrique

La notion d espérance loi géométrique est fondamentale pour comprendre et quantifier le comportement des expériences répétées jusqu’au premier succès. Selon la convention choisie pour le support ( {1, 2, 3, …} ou {0, 1, 2, …} ), l’espérance prend des formes distinctes mais cohérentes: 1/p ou (1 − p)/p, respectivement. L’estimation, l’interprétation et les applications pratiques dépendent directement de cette convention, tout en conservant une structure commune et des propriétés clés comme la mémoire sans mémoire et la variance associée Var(X) = (1 − p)/p^2. En maîtrisant ces éléments, vous disposez d’un outil puissant pour modéliser, analyser et prédire des phénomènes qui impliquent le décompte du nombre d’essais jusqu’au premier succès, avec une lisibilité et une pertinence optimales pour des publications, rapports ou supports pédagogiques.