-->
Lois de probabilités continues1Introduction
L'histogramme ci-dessous résume la répartition, en fréquence, de la taille des individus au sein d'une population.
0,0
A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
P
Q
R
S
T
U
V
W
X
[120;140[
[140;150[
[150;160[
[160;165[
[165;175[
[175;195[
0,00455
0,01364
0,01818
0,05455
0,02272
0,00455
On rappelle que dans un histogramme chaque classe est représentée par un rectangle dont la largeur est proportionnelle à l'amplitude de la classe et dont la hauteur est proportionnelle à la densité de la classe.
Par exemple, la fréquence des personnes de cette population mesurant entre 150 et 160 cm est de :
10×0,01818
≃
0,1818.
Ainsi, c'est
l'aire
de chaque rectangle qui nous donne la fréquence pour chacune des classes.
On tire au sort un individu au sein de cette population et on note X la variable aléatoire qui donne sa taille.
X peut prendre toutes les valeurs de l'intervalle
[120;195].
On dit que X suit
une loi continue
sur l'intervalle [120;195].
La probabilité P(X∈[160;175[) correspond à
la somme des aires
des deux rectangles correspondant aux classes [160;165[ et [165;175[.
P(X∈[160;175[)
=
0,05455×5
+
0,02272×10
=
0,49995.
Pour déterminer P(X∈[167;178]) il faudrait un histogramme plus fin,
et il en faudrait un encore plus fin pour déterminer P(X∈[162,7;168,1]).
La situation ne peut donc être parfaitement décrite que par la courbe représentative d'une fontion f qui "collerait" à l'histogramme.
Cette fonction f devrait être
continue
et
positive
sur [120;195] et telle que
∫120195f(x)dx
=
1
pour que l'aire sous la courbe soit égale à 1, tout comme la somme des aires de tous les rectangles de l'histogramme, correspondant à la somme de toutes les fréquences, vaut
1.
0,0
a
b
120
130
140
150
160
170
180
190
200
Déplacer a et b
Ainsi la probabilité que X soit dans l'intervalle [α;β] s'écrirait :
P(X∈[α;β])
=
∫αβf(x)dx.
La formule de l'espérance d'une variable aléatoire discrète :
E(X)=x1.p(X=x1)+x2.p(X=x2)+⋯+xn.p(X=xn)
s'adapterait aussi au cas d'une variable aléatoire continue :
E(X)
=
∫120195x.f(x)dx.
2Lois continues sur un intervalleDefinition 1
On considère deux intervalles [a;b] et [α;β] tels que [α;β]⊂[a;b].
Soit X une variable aléatoire prenant ses valeurs dans l'intervalle [a;b].
On dit que X suit une
loi continue
de
densité
f
si il existe une fonction f
continue
et
positive
sur [a;b] et telle que :
∫abf(x)dx
=
1,
P(X∈[α;β])
=
∫αβf(x)dx.
La fonction f est appelée la densité de la loi de probabilité.
Remark 1
Si X suit une loi continue de densité f sur [a;b], alors pour tout α∈[a;b] :
P(X=α)
=
0.
Property 1
Si X suit une loi continue de densité f sur [a;b] alors :
E(X)
=
∫abx.f(x)dx.
Exercice 1
Montrer que f(x)=3x2 est une densité de loi de probabilité sur [0;1] d'une variable aléatoire X. Déterminer alors P(0,1≤X≤0,2) ainsi qu'une valeur approchée à 10−3 de P{X≥0,2}(X≤0,9).
3
Loi uniforme sur un intervalle
Si X est une variable aléatoire prenant un nombre fini de valeurs x1, x2, … , xn et suivant une loi uniforme alors
P(X=xi)
=
n1.
Étendons cela au cas où X prend toutes les valeurs d'un intervalle [a;b] de manière uniforme.
Definition 2
On dit qu'une variable aléatoire X suit
une
loi
uniforme
sur un intervalle [a;b] si la densité de la loi de probabilité de X est
une
fonction
constante.
Cette constante est alors égale à
b−a1.
Justification
On a :
∀x∈[a;b],
f(x)
=
c
et
∫abf(x)dx
=
1.
Or,
∫abcdx
=
[cx]ab
=
c(b−a)
et
donc
c
=
b−a1.
Property 2
Soit X une variable aléatoire suivant
une loi uniforme
sur l'intervalle [a;b]. Pour tout intervalle
[α;β]⊂[a;b],
on a :
P(X∈[α;β])
=
b−aβ−α.
Preuve
P(X∈[α;β])
=
∫αβf(x)dx
=
∫αβb−adx
=
[b−ax]αβ
=
b−aβ−α.
Exercice 3
À partir de 7heures du matin, les bus passent toutes les quinze minutes à un arrêt précis. Un usager se présente à cet arrêt entre 7h et 7h30. On fait l'hypothèse que l'heure exacte de son arrivée, représentée par le nombre de minutes après 7h, est une variable aléatoire uniformément répartie sur l'intervalle [0;30]. Quelle est la probabilité que l'usager attende moins de cinq minutes le prochain bus? Qu'il l'attende plus de dix minutes?
L'usager attendra moins de cinq minutes si son heure d'arrivée est comprise entre
7h10 et 7h15,
ou
entre 7h25 et 7h30.
Si on note X la variable aléatoire définie par l'énoncé, ceci revient à X appartient à
[10;15]
ou X appartient à
[25;30].
La probabilité recherchée est donc :
P(X∈[10;15])
+
P(X∈[25;30])
=
305
+
305
=
31.
Le raisonnement est identique pour déterminer la probabilité qu'il attende plus de dix minutes. Dans ce cas, l'heure d'arrivée doit être comprise entre
Exemple 1
Soit X une variable aléatoire suivant une loi uniforme sur l'intervalle [0;2].
On a alors:
P(X=1)
=
0
mais
P(0,999<X<1,001)
=
10,002
=
0,002.
De plus, pour tout entier n≥1 :
P(1−n1<X<1+n1)
=
n2.
Property 3
Si X est une variable aléatoire suivant une loi uniforme sur [a;b] de fonction de densité f, alors
l'espérance
mathématique
de X est :
E(X)
=
2a+b.
Preuve
E(X)
=
∫abxf(x)dx
=
∫abb−axdx
=
b−a1∫abxdx
=
b−a1[2x2]
=
2(b−a)b2−a2
=
2(b−a)(b−a)(b+a)
=
2a+b.
Exemple 2
Le tableau ci-dessous fournit 30 valeurs "aléatoires" générées par le langage Javascript, ainsi que la moyenne des résultats.
Moyenne :
La moyenne que nous pouvons espérer obtenir est de
21
. Les moyennes que nous obtenons sont-elles trop éloignées de 21 ? Pour vérifier la qualité du générateur de nombres pseudo-aléatoires de Javascript on peut dans un premier temps calculer un
intervalle de fluctuation d'échantillonnage
comme en classe de 2nde, les conditions d'application de la formule étant réunies : taille de l'échantillon supérieur à
25
et probabilité comprise entre
0,2
et
0,8.
L'intervalle de fluctuation est donc :
[0,5−301;0,5+301],
soit :
[0,317;0,683].
Les résultats que nous voyons apparaître sont
quasiment tous dans cet intervalle
, donc ce test
ne permet pas de conclure
que le générateur de nombres pseudo-aléatoires de Javascript s'éloigne trop d'une variable aléatoire suivant la loi uniforme sur [0;1].
Il existe de nombreuses méthodes pour tester la qualité des générateurs de nombres pseudo-aléatoires, mais cela ne fait pas l'objet de ce cours. Le lecteur curieux trouvera une littérature riche sur le sujet.
4Loi exponentielleDefinition 3
Une variable aléatoire continue X suit
Remark 2
La dernière question de l'exercice précédent nous fait dire qu'une loi exponentielle est une loi de durée
sans vieillissement
. C'est une question qui revient souvent dans les exercices de baccalauréat, sa connaissance est donc fortement recommandée.
5Loi normale5.1Théorème de Moivre-Laplace
Soit n∈N∗. On dit qu'une variable aléatoire Xn suit la loi binomiale B(n,p) lorsque Xn compte le nombre de succès lors de n répétitions indépendantes d'une même épreuve de Bernouilli de paramètre p.
0,0
0
50
100
150
n = 2.00
p = 0.50
Déplacer n et p
On a alors :
E(Xn)=
np,
σ(X)=
np(1−p).
Théorème de Moivre-Laplace
Soit pour tout entier n, une variable aléatoire Xn qui suit la loi binomiale B(n,p) et soit
Zn
=
np(1−p)Xn−np
la variable
centrée réduite
associée à Xn.
Alors pour tous réels a et b, tels que a<b :
n→+∞limP(a≤Zn≤b)
=
∫ab2π1e−2x2dx.
Remark 3
On peut interpréter ce théorème en disant que lorsque n est de plus en plus grand, le diagramme bâton représentant la variable aléatoire Xn est de plus en plus proche de la courbe d'une fonction particulière.
Cela est à rapprocher de l'histogramme représentant la répartition des tailles des individus d'une population que l'on avait remplacé par la courbe d'une fonction. Le calcul des probabilités se faisant en calculant des aires, l'intégrale de cette fonction avait donc été introduite de manière naturelle.
Par ailleurs, ces fonctions qui apparaissent nous amènent à effectuer les études des paragraphes suivants.
5.2Loi normale centrée réduiteDefinition 4
Une variable aléatoire continue X suit
la loi normale
N(0;1)
si sa densité est la fonction f définie sur
R
par :
f(x)
=
2π1e−2x2.
0,0
a
b
-4
-3.5
-3
-2.5
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
2.5
3
3.5
P(a< X < b)
P( a < X < b ) = 0.7262750758654439
Remark 4
On admettra le fait que l'intégrale sous la courbe vaut 1 et qu'ainsi f est bien une densité.
Remark 5
La fonction f définie sur R par
f(x)=2π1e−2x2
est
paire
(pour tout réel x,
f(−x)
=
f(x)
) et sa courbe représentative est donc
symétrique
par rapport à
l'axe des ordonnées.
On peut alors déduire graphiquement quelques propriétés pour X suivant une loi
N(0;1)
:
Property 6
Soit X une variable aléatoire continue suivant la loi N(0;1). On a alors :
P(X≤0)
=
P(X≥0)
=
0,5,
pour tout réel t≥0 :
P(X≤−t)
=
P(X≥t),
pour tout réel t≥0 :
P(−t≤X≤t)
=
1−2P(X≥t).
0,0
t = 1.00
1-2P( X > t ) = 1-2x0.15866 = 0.68269
P( -t < X < t )=0.68269
P( X > t )= P( X < -t ) =0.158656
-4
-3.5
-3
-2.5
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
2.5
3
3.5
Remark 6
Nous ne connaissons
aucune primitive
à la fonction x↦2π1e−2x2, ainsi, si X suit une loi normale centrée réduite, afin de déterminer P(α<X<β) on n'aura d'autre choix que celui d'utiliser la calculatrice :
la fonction normalFRep(α,β) surTexas,
la fonction NormCD(α,β) sur Casio.
Exercice 6
Soit X une variable aléatoire suivant la loi normale centrée réduite.
À l'aide de votre calculatrice donner une valeur approchée à 10−4 des probabilités suivantes :
Quel que soit le modèle de calculatrice nous avons besoin d'entrer les valeurs des deux bornes.
On pourra tout de même vérifier les résultats en modifiant les valeurs de a et b du graphique ci-dessous.
0,0
a = -1.00
b = 1.00
-4
-3.5
-3
-2.5
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
2.5
3
3.5
P( a < X < b )=0.68269
P(a< X < b)
P(−1,5≤X≤2,2)
≃
0,9193.
Pour calculer P(X<1,3) il nous manque
la borne inférieur
. En fonction des calculatrice on la remplacera par −∞ ou par un nombre "très" éloigné de 0, par exemple −1099. On obtient alors :
P(X<1,3)
≃
0,9032.
Ici, nous rencontrons le même problème mais avec la
borne supérieur
. On la remplacera en fonction des calculatrices par +∞ ou 1099. On a ainsi :
Remark 7
Si X suit une loi normale centrée réduite, afin de déterminer le nombre réel γ tel que
P(X<γ)=k
on n'aura d'autre choix que celui d'utiliser la calculatrice :
la fonction FracNormale(k) sur Texas,
la fonction InvNormCD(k) sur Casio.
Exercice 7
Soit X une variable aléatoire suivant la loi normale centrée réduite.
À l'aide de la calculatrice résoudre les équations suivantes en arrondissant les résultats à 10−5 :
On pourra ici aussi vérifier les résultats de la calculatrice à l'aide du graphique ci-dessous. Dans le cas où il n'y a pas de borne inférieur, on mettra a complétement à gauche, et réciproquement lorsqu'il n'y a pas de borne supérieur n sera complétement à droite.
0,0
a = -1.00
b = 1.00
-4
-3.5
-3
-2.5
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
2.5
3
3.5
P( a < X < b )=0.76986
P(a< X < b)
Pour P(X≤a)=0,1256 nous trouvons
a≃−1,14744.
Pour P(X>b)=0,2347 les calculatrices ne donnent pas directement de résultats. On doit modifier tout d'abord l'expression.
P(X>b)=0,2347
⟺
P(X≤b)=1−0,2347
⟺
P(X≤b)=0,7653.
La calculatrice nous donne alors :
b≃0,72346.
Pour P(0<X<c)=0,4988 la calculatrice ne peut également fournir immédiatement de résultat.
Exemple 3
Faire varier les valeurs de μ et σ pour observer leur influence sur la courbe.
0,0
μ = 1.00
σ = 1.00
-9
-8
-7
-6
-5
-4
-3
-2
-1
0
1
2
3
4
5
6
7
8
9
Modifier le paramètre μ déplace
l'axe de symétrie
de la courbe et modifier σ fait varier
l'aplatissement
de la courbe.
Property 8
Si une variable X suit une loi normale
N(μ;σ2)
alors :
son espérance est
E(X)
=
μ
,
sa variance est
V(X)
=
σ2
et son écart-type est
σ.
Preuve
Ces résultats s'obtiennent à l'aide des opérations sur les variables aléatoires.
À, savoir que si X est une variable aléatoire et a un réel alors, en notant E l'espérance et s l'écart-type :
E(X+a)
=
E(X)+a
,
s(X+a)
=
s(X)
,
E(aX)
=
aE(X)
et
s(aX)
=
∣a∣S(X).
On pourra revoir le cours se rapportant à ses notions.
Nous avons que
σX−μ
suit
la loi normale
centrée réduite,
donc :
E(σX−μ)=0
⟺
σ1E(X−μ)=0
⟺
E(X−μ)=0
⟺
E(X)−μ=0
⟺
E(X)=μ.
De plus, en notant s l'écart-type d'une variable aléatoire, nous avons :
s(σX−μ)=1
⟺
σ1s(X−μ)=1
⟺
s(X−μ)=σ
⟺
s(X)=σ.
Remark 8
Tout comme pour la loi normale centrée réduite, si X suit une loi normale N(μ;σ2) on ne pourra calculer P(α<X<β) qu'à l'aide de la calculatrice :
la fonction normalFRep(α,β,μ,σ) sur Texas,
la fonction NormCD(α,β,μ,σ) sur Casio.
Exercice 8
Le périmètre crânien en cm d'un enfant de 3 ans suit la loi normale d'espérance 49cm et d'écart-type 1,6cm.
Quelle est la probabilité pour que le périmètre crânien d'un enfant de 3 ans soit compris entre 45,8 et 52,2cm ?
Quelle est la probabilité pour que le périmètre crânien d'un enfant de 3 ans soit inférieure à 48cm ?