-->
Lois de probabilités continues 1Introduction L'histogramme ci-dessous résume la répartition, en fréquence, de la taille des individus au sein d'une population.
[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 :
10×0,0181810\times0,01818
\simeq
0,18180,1818.


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 XX la variable aléatoire qui donne sa taille.
XX peut prendre toutes les valeurs de l'intervalle
[120;195][120;195].


On dit que XX suit
une loi continue
sur l'intervalle [120;195][120;195].
La probabilité P(X[160;175[)P(X\in [160;175[) correspond à
la somme des aires
des deux rectangles correspondant aux classes [160;165[[160;165[ et [165;175[[165;175[.

P(X[160;175[)P(X\in [160;175[)
==
0,05455×50,05455\times5
++
0,02272×100,02272\times10
==
0,499950,49995.


Pour déterminer P(X[167;178])P(X\in [167;178]) il faudrait un histogramme plus fin, et il en faudrait un encore plus fin pour déterminer P(X[162,7;168,1])P(X\in [162,7;168,1]).
La situation ne peut donc être parfaitement décrite que par la courbe représentative d'une fontion ff qui "collerait" à l'histogramme.

Cette fonction ff devrait être
continue
et
positive
sur [120;195][120;195] et telle que
120195f(x)dx\displaystyle{\int_{120}^{195} f(x)\mathrm{d}x}
==
11
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.
a
b
120
130
140
150
160
170
180
190
200
Déplacer aa et bb Ainsi la probabilité que XX soit dans l'intervalle [α;β][\alpha;\beta] s'écrirait :
P(X[α;β]) P(X\in[\alpha;\beta])
==
αβf(x)dx\displaystyle{\int_\alpha^\beta f(x)\mathrm{d}x}.

La formule de l'espérance d'une variable aléatoire discrète :
E(X)=x1.p(X=x1)+x2.p(X=x2)++xn.p(X=xn)E(X) = x_1.p(X=x_1) + x_2.p(X=x_2)+\cdots+x_n.p(X=x_n)
s'adapterait aussi au cas d'une variable aléatoire continue :
E(X) E(X)
==
120195x.f(x)dx.\displaystyle{\int_{120}^{195} x.f(x)\mathrm{d}x. }
2Lois continues sur un intervalle Definition 1
On considère deux intervalles [a;b][a;b] et [α;β][\alpha;\beta] tels que [α;β][a;b][\alpha;\beta]\subset [a;b].
Soit XX une variable aléatoire prenant ses valeurs dans l'intervalle [a;b][a;b]. On dit que XX suit une
loi continue
de
densité
ff
si il existe une fonction ff
continue
et
positive
sur [a;b][a;b] et telle que : La fonction ff est appelée la densité de la loi de probabilité.
Remark 1 Si XX suit une loi continue de densité ff sur [a;b][a;b], alors pour tout α[a;b]\alpha\in[a;b] :
P(X=α)P(X=\alpha)
==
00.
Property 1
Si XX suit une loi continue de densité ff sur [a;b][a;b] alors :
E(X)E(X)
==
abx.f(x)dx\displaystyle{\int_a^b x.f(x)\mathrm{d}x}.
Exercice 1 Montrer que f(x)=3x2f(x)=3x^2 est une densité de loi de probabilité sur [0;1][0;1] d'une variable aléatoire XX. Déterminer alors P(0,1X0,2)P(0,1\leq X\leq 0,2) ainsi qu'une valeur approchée à 10310^{-3} de P{X0,2}(X0,9)P_{\{X\geq0,2\}}(X\leq 0,9).
Correction
La fonction ff est bien
continue
et
positive
sur [0;1][0;1]. Il nous reste à calculer
l'intégrale
sur [0;1][0;1] de ff.
01f(x)dx\displaystyle{\int_0^1f(x)\mathrm{d}x}
==
013x2dx\displaystyle{\int_0^1 3x^2\mathrm{d}x}
==
[x3]01\displaystyle{ \left[ x^3 \right]_0^1 }
==
13031^3-0^3
==
1.

La fonction ff est bien une
densité
de probabilité sur [0;1][0;1].

On a alors :
P(0,1X0,2)P(0,1\leq X\leq 0,2)
==
0,10,2f(x)dx\displaystyle{\int_{0,1}^{0,2}f(x)\mathrm{d}x}
==
[x3]0,10,2\left[ x^3 \right]_{0,1}^{0,2}
==
0,230,130,2^3-0,1^3
==
0,0070,007.


Pour calculer
P{X0,2}(X0,9)P_{\{X\geq0,2\}}(X\leq 0,9),
on remarque tout d'abord que
X0,2X\geq0,2
signifie
0,2X10,2\leq X \leq 1
et
X0,9X\leq 0,9
signifie
0X0,90\leq X\leq 0,9,
car XX est une variable aléatoire de
[0;1][0;1].

On a alors :
P{X0,2}(X0,9)P_{\{X\geq0,2\}}(X\leq 0,9)
==
$\dfrac{P(X\geq0,2\mbox{ et }X\leq 0,9) }{P(X\geq0,2)}$
==
P(0,2X0,9)P(0,2X1)\dfrac{P(0,2\leq X\leq 0,9)}{P(0,2\leq X\leq 1)}
==
[x3]0,20,9[x3]0,21\dfrac{ [x^3]_{0,2}^{0,9} }{ [x^3]_{0,2}^{1} }
==
0,930,23130,23\dfrac{0,9^3-0,2^3}{1^3-0,2^3}
\simeq
0,7270,727.
Exercice 2 Soit XX une variable aléatoire suivant la loi de probabilité fff(t)=at3f(t)=at^3 sur l'intervalle [0;1][0;1].
  1. Déterminer aa.
  2. Calculer P(X[14;12])\displaystyle{P\left(X\in \left[\frac{1}{4};\frac{1}{2}\right]\right)}.
Correction
  1. Pour déterminer aa, nous allons exploiter l'égalité :
    01f(t)dt=1\displaystyle{\int_{0}^{1}f(t)\mathrm{d}t = 1}.

    On a alors :
    01f(t)dt=1\displaystyle{\int_{0}^{1}f(t)\mathrm{d}t = 1}
    \Longleftrightarrow
    01at3dt=1\displaystyle{\int_{0}^{1}at^3\mathrm{d}t = 1}
    \Longleftrightarrow
    [at44]01=1\left[ a\dfrac{t^4}{4}\right]_0^1 = 1
    \Longleftrightarrow
    a4=1\dfrac{a}{4} = 1
    \Longleftrightarrow
    a=4a=4.
  2. P(X[14;12])\displaystyle{P\left(X\in \left[\frac{1}{4};\frac{1}{2}\right]\right)}
    ==
    1/41/24t3dt\displaystyle{\int_{1/4}^{1/2}4t^3\mathrm{d}t}
    ==
    [t4]1/41/2[ t^4 ]_{1/4}^{1/2}
    ==
    124144\dfrac{1}{2^4}-\dfrac{1}{4^4}
    ==
    15256\dfrac{15}{256}.
3 Loi uniforme sur un intervalle Si XX est une variable aléatoire prenant un nombre fini de valeurs x1x_1, x2x_2, \ldots , xnx_n et suivant une loi uniforme alors
P(X=xi)P(X=x_i)
==
1n\dfrac{1}{n}.


Étendons cela au cas où XX prend toutes les valeurs d'un intervalle [a;b][a;b] de manière uniforme. Definition 2
On dit qu'une variable aléatoire XX suit
une
loi
uniforme
sur un intervalle [a;b][a;b] si la densité de la loi de probabilité de XX est
une
fonction
constante.

Cette constante est alors égale à
1ba\dfrac{1}{b-a}.
Justification
On a :
x[a;b]\forall x \in[a;b],
f(x)f(x)
==
cc
et
abf(x)dx\displaystyle{\int_a^b f(x)\mathrm{d}x}
==
11.

Or,
abcdx\displaystyle{\int_a^b c\mathrm{d}x}
==
[cx]ab\left[cx\right]_a^b
==
c(ba)c(b-a)
et
donc
cc
==
1ba\dfrac{1}{b-a}.
Property 2
Soit XX une variable aléatoire suivant
une loi uniforme
sur l'intervalle [a;b][a;b]. Pour tout intervalle
[α;β][a;b][\alpha;\beta]\subset[a;b],
on a :
P(X[α;β]) P(X\in [\alpha;\beta])
= =
βαba.\dfrac{\beta-\alpha}{b-a}.
Preuve
P(X[α;β]) P(X\in [\alpha;\beta])
==
αβf(x)dx\displaystyle{\int_{\alpha}^{\beta}f(x)\mathrm{d}x}
==
αβdxba\displaystyle{\int_{\alpha}^{\beta}\dfrac{\mathrm{d}x}{b-a}}
==
[xba]αβ\left[ \dfrac{x}{b-a} \right]_{\alpha}^{\beta}
==
βαba\dfrac{\beta-\alpha}{b-a}.
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][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?
Correction
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 XX la variable aléatoire définie par l'énoncé, ceci revient à XX appartient à
[10;15][10;15]
ou XX appartient à
[25;30][25;30].

La probabilité recherchée est donc :
P(X[10;15])P(X\in[10;15])
++
P(X[25;30])P(X\in[25;30])
==
530\dfrac{5}{30}
++
530\dfrac{5}{30}
==
13\dfrac{1}{3}.

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
7h et 7h05
ou
entre
7h15 et 7h20.

P(X[0;5])+P(X[15;20])P(X\in[0;5])+P(X\in[15;20])
==
530+530\dfrac{5}{30}+\dfrac{5}{30}
==
13\dfrac{1}{3}.
Exemple 1 Soit XX une variable aléatoire suivant une loi uniforme sur l'intervalle [0;2][0;2].
On a alors:
P(X=1)P(X=1)
==
00
mais
P(0,999<X<1,001)P(0,999 < X < 1,001)
==
0,0021\dfrac{0,002}{1}
==
0,0020,002.

De plus, pour tout entier n1n\geq1 :
P(11n<X<1+1n)P\left(1-\dfrac{1}{n} < X < 1+\dfrac{1}{n}\right)
==
2n\dfrac{2}{n}.
Property 3
Si XX est une variable aléatoire suivant une loi uniforme sur [a;b][a;b] de fonction de densité ff, alors
l'espérance
mathématique
de XX est :
E(X) E(X)
==
a+b2.\dfrac{a+b}{2}.
Preuve
E(X)E(X)
==
abxf(x)dx\displaystyle{\int_a^b xf(x) \mathrm{d}x }
==
abxbadx\displaystyle{\int_a^b \frac{x}{b-a} \mathrm{d}x }
==
1baabxdx\displaystyle{\frac{1}{b-a}\int_a^b x \mathrm{d}x}
==
1ba[x22]\displaystyle{\frac{1}{b-a}\left[\frac{x^2}{2}\right]}
==
b2a22(ba)\dfrac{b^2-a^2}{2(b-a)}
==
(ba)(b+a)2(ba)\dfrac{(b-a)(b+a)}{2(b-a)}
==
a+b2.\dfrac{a+b}{2}.
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
12\dfrac{1}{2}
. Les moyennes que nous obtenons sont-elles trop éloignées de 12\dfrac{1}{2} ? 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 :
[0,5130;0,5+130]\left[ 0,5-\dfrac{1}{\sqrt{30}} ; 0,5+\dfrac{1}{\sqrt{30}} \right],
soit :
[0,317;0,683][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][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 exponentielle Definition 3
Une variable aléatoire continue XX suit
une loi exponentielle
de paramètre
λ>0\lambda>0
si sa densité est la fonction ff définie sur
[0;+[[0;+\infty[
par :
f(x)f(x)
==
λeλx.\lambda \mathrm{e}^{-\lambda x}.
Exercice 4 Vérifier que limt+0tf(x)dx=1\displaystyle{\lim_{t\rightarrow+\infty}\int_0^t f(x)\mathrm{d}x}=1.
Correction
La dérivée de xeλxx\mapsto \text{e}^{-\lambda x} est
xλeλxx\mapsto-\lambda\text{e}^{-\lambda x}
. Ainsi, on peut trouver une primitive pour la fonction que nous cherchons à intégrer.

Pour tout réel t>0t>0, on a :
0tf(x)dx\displaystyle{\int_0^t f(x)\mathrm{d}x}
==
0tλeλxdx\displaystyle{\int_0^t \lambda\text{e}^{-\lambda x}\mathrm{d}x}
==
[eλx]0t\left[ -\text{e}^{-\lambda x} \right]_0^t
==
eλt(1)-\text{e}^{-\lambda t}-(-1)
==
1eλt1-\text{e}^{-\lambda t}.

Ainsi :
limt+0tf(x)dx\displaystyle{\lim_{t\rightarrow+\infty}\int_0^t f(x)\mathrm{d}x}
==
limt+1eλt\displaystyle{\lim_{t\rightarrow+\infty}1-\text{e}^{-\lambda t} }
==
101-0
==
11.

En effet, puisque
λ>0\lambda>0
, on a :
limt+eλt\displaystyle{\lim_{t\rightarrow+\infty}\text{e}^{-\lambda t} }
==
00.
Property 4
Soit XX une variable aléatoire suivant une loi
exponentielle
de paramètre
λ>0\lambda>0.
  1. Pour tout réel t>0t>0 :
    P(X<t)P(X < t)
    ==
    1eλt1-\text{e}^{-\lambda t}
      
    et
      
    P(X>t)P(X>t)
    ==
    eλt.\text{e}^{-\lambda t}.
  2. Pour tous réels strictement positifs t1t_1 et t2t_2 :
    P(t1Xt2)P(t_1\leq X\leq t_2)
    ==
    eλt1eλt2.\text{e}^{-\lambda t_1}-\text{e}^{-\lambda t_2}.
Preuve du point 1
Pour tout réel t>0t>0, on a :
P(X<t)P(X < t)
==
0tf(x)dx\displaystyle{\int_0^t f(x)\mathrm{d}x}
==
0tλeλxdx\displaystyle{\int_0^t \lambda\text{e}^{-\lambda x}\mathrm{d}x}
==
[eλx]0t\left[ -\text{e}^{-\lambda x} \right]_0^t
==
eλt(1)-\text{e}^{-\lambda t}-(-1) == 1eλt1-\text{e}^{-\lambda t}.


De plus, XX étant
continue
,
P(Xt)P(X \geq t)
==
P({X=t}{X>t})P(\{X=t\}\cup\{ X>t\})
==
P(X=t)+P(X>t)P(X = t)+P(X > t)
==
0+P(X>t)0+P(X > t)
==
P(X>t)P(X > t).

Nous avons alors :
P(X>t)P(X > t)
==
P(Xt)P(X \geq t)
==
1P(X<t)1-P( X < t)
==
1(1eλt)1 - (1-\text{e}^{-\lambda t})
==
eλt\text{e}^{-\lambda t}.


Preuve du point 2
Pour tous réels strictement positifs t1t_1 et t2t_2, par définition on a :
P(t1Xt2)P(t_1\leq X\leq t_2)
==
t1t2λeλxdx\displaystyle{\int_{t_1}^{t_2}\lambda\text{e}^{-\lambda x}\mathrm{d}x}
==
[eλx]t1t2\left[ -\text{e}^{-\lambda x} \right]_{t_1}^{t_2}
==
eλt2(eλt1)-\text{e}^{-\lambda t_2}-(-\text{e}^{-\lambda t_1})
==
eλt1eλt2\text{e}^{-\lambda t_1}-\text{e}^{-\lambda t_2}.
Property 5
Si XX est une variable aléatoire
exponentielle
de paramètre
λ>0\lambda>0
alors son
espérance
est :
E(X)E(X)
==
limx+0xtf(t)dt\displaystyle{\lim_{x\rightarrow+\infty}\int_0^x tf(t)\mathrm{d}t}
==
1λ.\dfrac{1}{\lambda}.
Preuve
Remarquons tout d'abord que la fonction FF définie sur R\mathbb{R} par
F(t)=(t+1λ)eλt\displaystyle{F(t)=-\left(t+\frac{1}{\lambda}\right)\text{e}^{-\lambda t}}
a pour dérivée
tf(t)tf(t).

En effet, en utilisant la dérivée d'un produit, on a :
F(t)F'(t)
==
1×eλt(t+1λ)×(λ)eλt-1\times\text{e}^{-\lambda t}-\left(t+\dfrac{1}{\lambda}\right)\times(-\lambda) \text{e}^{-\lambda t}
==
eλt+λ(t+1λ)eλt-\text{e}^{-\lambda t}+\lambda\left(t+\dfrac{1}{\lambda}\right)\text{e}^{-\lambda t}
==
eλt+λteλt+eλt-\text{e}^{-\lambda t}+\lambda t\text{e}^{-\lambda t}+\text{e}^{-\lambda t}
==
λteλt\lambda t\text{e}^{-\lambda t}
==
tf(t)tf(t).

Nous pouvons donc calculer l'espérance de XX :
E(x)E(x)
==
limx+0xtf(t)dt\displaystyle{\lim_{x\rightarrow+\infty}\int_0^x tf(t)\mathrm{d}t}
==
limx+[(t+1λ)eλt]0x\displaystyle{\lim_{x\rightarrow+\infty}\left[-\left(t+\dfrac{1}{\lambda}\right)\text{e}^{-\lambda t}\right]_0^x}
==
limx+(x+1λ)eλx+1λ\displaystyle{\lim_{x\rightarrow+\infty}-\left(x+\dfrac{1}{\lambda}\right)\text{e}^{-\lambda x}+\dfrac{1}{\lambda}}.

Or
λ>0\lambda>0
, donc :
limx+eλx\displaystyle{\lim_{x\rightarrow+\infty}\text{e}^{-\lambda x}}
==
00.

De plus,
limx+x+1λ\displaystyle{\lim_{x\rightarrow+\infty}x+\dfrac{1}{\lambda}}
==
++\infty
, nous sommes donc en présence d'une
forme indéterminée
, mais d'après les formules de
croissances comparées
, nous avons :

limx+(x+1λ)eλx\displaystyle{\lim_{x\rightarrow+\infty}-\left(x+\dfrac{1}{\lambda}\right)\text{e}^{-\lambda x}}
==
00.


Ainsi, nous obtenons bien :
E(X)E(X)
==
limx+0xtf(t)dt\displaystyle{\lim_{x\rightarrow+\infty}\int_0^x tf(t)\mathrm{d}t}
==
1λ\dfrac{1}{\lambda}.
Exercice 5 Un composant électronique a une durée de vie XX (en heures) modélisée par une loi exponentielle de paramètre λ=5×105\lambda = 5\times10^{-5}.
  1. Déterminer P(Xt)P(X \leq t) et P(X>t)P(X>t). En déduire P(X>1000)P(X>1000).
  2. Déterminer mm tel que P(X>m)=12P(X>m)=\dfrac{1}{2}.
  3. Calculer E(X)E(X). Interpréter le résultat.
  4. Comparer P{Xt}(Xt+h)P_{\{X\geq t\}}(X \geq t+h) et P(Xh)P(X\geq h). Interpréter le résultat.
Correction
  1. D'après la propriété 4, on a :
    P(Xt)P(X \leq t)
    ==
    1eλt1-\text{e}^{-\lambda t}
    ==
    1e0,00001t1-\text{e}^{-0,00001t}
    et
    P(X>t)P(X > t)
    ==
    eλt\text{e}^{-\lambda t}
    ==
    e0,00005t\text{e}^{-0,00005t}.

    Ainsi :
    P(X>1000)P(X>1000)
    ==
    e0,00005×1000\text{e}^{-0,00005\times1000}
    ==
    e0,05\text{e}^{-0,05}
    \simeq
    0,95120,9512.
  2. P(X>m)=12P(X>m)=\dfrac{1}{2}
    \Longleftrightarrow
    eλm=12\text{e}^{-\lambda m} = \dfrac{1}{2}
    \Longleftrightarrow
    λm=ln(12)-\lambda m = \ln\left(\dfrac{1}{2}\right)
    \Longleftrightarrow
    λm=ln(2)-\lambda m = -\ln(2)
    \Longleftrightarrow
    m=ln(2)λm=\dfrac{\ln(2)}{\lambda}
    \Longleftrightarrow
    m=105ln(2)5m = \dfrac{10^5\ln(2)}{5}
    \simeq
    13862,9413862,94.

    Le nombre mm représente la
    médiane
    de XX. C'est-à-dire que la durée de vie du composant électronique a la même probabilité de durée
    moins de mm,
    que plus de mm.
  3. E(X)E(X)
    ==
    1λ\dfrac{1}{\lambda}
    ==
    15×105\dfrac{1}{5\times10^{-5}}
    ==
    1055\dfrac{10^5}{5}
    ==
    2000020000.

    On peut donc espérer que le composant électronique ait une durée de vie de 20 000 heures.
  4. P{Xt}(Xt+h)P_{\{X\geq t\}}(X \geq t+h)
    ==
    P({Xt}{Xt+h})P(Xt)\dfrac{P(\{X\geq t\}\cap\{ X \geq t+h \}) }{P(X\geq t)}.

    Or, si
    Xt+hX\geq t+h
    alors nécessairement
    XtX\geq t
    , car tt et hh sont positifs. Ainsi :
    P({Xt}{Xt+h})P(\{X\geq t\}\cap\{ X \geq t+h \})
    ==
    P(Xt+h)P(X\geq t+h)
    et :
    P{Xt}(Xt+h)P_{\{X\geq t\}}(X \geq t+h)
    ==
    P(Xt+h)P(Xt)\dfrac{P(X\geq t+h)}{P(X\geq t)}
    ==
    eλ(t+h)eλt\dfrac{ \text{e}^{-\lambda(t+h)} }{\text{e}^{-\lambda t}}
    ==
    eλ(t+h)(λt)\text{e}^{-\lambda(t+h)-(-\lambda t)}
    ==
    eλh\text{e}^{-\lambda h}
    ==
    P(Xh)P(X\geq h).

    On peut interpréter ce résultat en disant que quelle que soit
    la durée de vie déjà écoulée
    pour le composant électronique, la probabilité que celle-ci dure
    encore hh heures de plus est toujours la même.
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 normale 5.1Théorème de Moivre-Laplace Soit nNn\in\mathbb{N}^*. On dit qu'une variable aléatoire XnX_n suit la loi binomiale B(n,p)\mathcal{B}(n,p) lorsque XnX_n compte le nombre de succès lors de nn répétitions indépendantes d'une même épreuve de Bernouilli de paramètre pp.
0
50
100
150
n = 2.00
p = 0.50
Déplacer nn et pp On a alors :
 Théorème de Moivre-Laplace
Soit pour tout entier nn, une variable aléatoire XnX_n qui suit la loi binomiale B(n,p)\mathcal{B}(n,p) et soit
ZnZ_n
==
Xnnpnp(1p)\displaystyle{\dfrac{X_n -np}{\sqrt{np(1-p)}}}
la variable
centrée réduite
associée à XnX_n.
Alors pour tous réels aa et bb, tels que a<ba < b :
limn+P(aZnb)\displaystyle{\lim_{n\rightarrow+\infty} P(a \leq Z_n \leq b)}
= =
ab12πex22dx.\displaystyle{\int_a^b \dfrac{1}{2\pi}\text{e}^{-\frac{x^2}{2}}\mathrm{d}x.}
Remark 3 On peut interpréter ce théorème en disant que lorsque nn est de plus en plus grand, le diagramme bâton représentant la variable aléatoire XnX_n 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 réduite Definition 4
Une variable aléatoire continue XX suit
la loi normale
N(0;1)\mathcal{N}(0;1)
si sa densité est la fonction ff définie sur
R\mathbb{R}
par :
f(x)f(x)
==
12πex22\dfrac{1}{\sqrt{2\pi}} \text{e} ^{-\frac{x^2}{2}}.
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 11 et qu'ainsi f est bien une densité. Remark 5 La fonction ff définie sur R\mathbb{R} par
f(x)=12πex22f(x)=\dfrac{1}{\sqrt{2\pi}} \text{e}^{-\frac{x^2}{2}}
est
paire
(pour tout réel xx,
f(x)f(-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 XX suivant une loi
N(0;1)\mathcal{N}(0;1)
: Property 6
Soit XX une variable aléatoire continue suivant la loi N(0;1)\mathcal{N}(0;1). On a alors :
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 x12πex22x\mapsto \dfrac{1}{\sqrt{2\pi}} \text{e}^{-\frac{x^2}{2}}, ainsi, si XX suit une loi normale centrée réduite, afin de déterminer P(α<X<β)P(\alpha < X < \beta) on n'aura d'autre choix que celui d'utiliser la calculatrice : Exercice 6 Soit XX une variable aléatoire suivant la loi normale centrée réduite. À l'aide de votre calculatrice donner une valeur approchée à 10410^{-4} des probabilités suivantes :
  1. P(1,5X2,2)P(-1,5 \leq X \leq 2,2)
  2. P(X<1,3)P(X < 1,3)
  3. P(0,2<X)P(0,2 < X)
  4. P(X=1)P(X=1)
  5. P{X>0,38}(X<1,02)P_{\{X>-0,38\}}(X<1,02)
Correction
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 aa et bb du graphique ci-dessous.
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)
  1. P(1,5X2,2)P(-1,5 \leq X \leq 2,2)
    \simeq
    0,91930,9193.
  2. Pour calculer P(X<1,3)P(X < 1,3) il nous manque
    la borne inférieur
    . En fonction des calculatrice on la remplacera par -\infty ou par un nombre "très" éloigné de 00, par exemple 1099-10^{99}. On obtient alors :
    P(X<1,3)P(X < 1,3)
    \simeq
    0,90320,9032.
  3. Ici, nous rencontrons le même problème mais avec la
    borne supérieur
    . On la remplacera en fonction des calculatrices par ++\infty ou 109910^{99}. On a ainsi :
    P(0,2<X)P(0,2 < X)
    \simeq
    0,42070,4207.
  4. De manière triviale, nous avons
    P(X=1)P(X=1)
    ==
    00
    , car XX est une variable aléatoire
    continue.
  5. P{X>0,38}(X<1,02)P_{\{X>-0,38\}}(X<1,02)
    ==
    P({X<1,02}{X>0,38})P(X>0,38)\dfrac{ P(\{ X<1,02 \}\cap\{ X>-0,38 \}) }{P(X>-0,38)}
    ==
    P(0,38<X<1,02)P(X>0,38)\dfrac{P( -0,38 < X < 1,02)}{P(X>-0,38)}
    ==
    0,4941630,648027\dfrac{0,494163}{0,648027}
    \simeq
    0,76260,7626.
Remark 7 Si XX suit une loi normale centrée réduite, afin de déterminer le nombre réel γ\gamma tel que
P(X<γ)=kP(X<\gamma) = k
on n'aura d'autre choix que celui d'utiliser la calculatrice : Exercice 7 Soit XX une variable aléatoire suivant la loi normale centrée réduite. À l'aide de la calculatrice résoudre les équations suivantes en arrondissant les résultats à 10510^{-5} :
  1. P(Xa)=0,1256P(X \leq a) = 0,1256
  2. P(X>b)=0,2347P(X > b) = 0,2347
  3. P(0<X<c)=0,4988P(0 < X < c) = 0,4988
Correction
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 aa complétement à gauche, et réciproquement lorsqu'il n'y a pas de borne supérieur nn sera complétement à droite.
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)
  1. Pour P(Xa)=0,1256P(X \leq a) = 0,1256 nous trouvons
    a1,14744a\simeq-1,14744.
  2. Pour P(X>b)=0,2347P(X > b) = 0,2347 les calculatrices ne donnent pas directement de résultats. On doit modifier tout d'abord l'expression.
    P(X>b)=0,2347P(X > b) = 0,2347
    \Longleftrightarrow
    P(Xb)=10,2347P(X \leq b) = 1 - 0,2347
    \Longleftrightarrow
    P(Xb)=0,7653P(X \leq b) = 0,7653.

    La calculatrice nous donne alors :
    b0,72346b\simeq0,72346.
  3. Pour P(0<X<c)=0,4988P(0 < X < c) = 0,4988 la calculatrice ne peut également fournir immédiatement de résultat.
    P(0<X<c)=0,4988P(0 < X < c) = 0,4988
    \Longleftrightarrow
    P(X0)+P(0<X<c)=P(X0)+0,4988P(X\leq0)+P(0 < X < c) = P(X\leq0)+0,4988
    \Longleftrightarrow
    P(X<c)=0,5+0,4988P(X < c) = 0,5+0,4988
    \Longleftrightarrow
    P(X<c)=0,9988P(X < c) = 0,9988.

    La calculatrice nous donne :
    c3,03567c\simeq 3,03567.
Property 7
Si une variable XX suit une loi normale
N(0;1)\mathcal{N}(0;1)
alors :
Preuve
Le résultat sur la variance est admis. Nous démontrons celui concernant l'espérance.
E(X)E(X)
==
limxx0tf(t)dt+limx+0xtf(t)dt\displaystyle{\lim_{x\rightarrow-\infty} \int_x^0 tf(t)\mathrm{d}t + \lim_{x\rightarrow+\infty} \int_0^x tf(t)\mathrm{d}t }
==
limxx0t2πet22dt+limx+0xt2πet22dt\displaystyle{\lim_{x\rightarrow-\infty} \int_x^0 \frac{t}{\sqrt{2\pi}} \text{e}^{-\frac{t^2}{2}}\mathrm{d}t + \lim_{x\rightarrow+\infty} \int_0^x \frac{t}{\sqrt{2\pi}} \text{e} ^{-\frac{t^2}{2}}\mathrm{d}t }
==
limx[12πet22]x0+limx+[12πet22]0x\displaystyle{\lim_{x\rightarrow-\infty} \left[ -\frac{1}{\sqrt{2\pi}} \text{e}^{-\frac{t^2}{2}} \right]_x^0 + \lim_{x\rightarrow+\infty} \left[ -\frac{1}{\sqrt{2\pi}} \text{e}^{-\frac{t^2}{2}} \right]_0^x }
==
limx(1+12πex22)+\displaystyle{\lim_{x\rightarrow-\infty} \left( -1 +\frac{1}{\sqrt{2\pi}} \text{e}^{-\frac{x^2}{2}} \right) +} limx+(12πex22+1)\displaystyle{\lim_{x\rightarrow+\infty} \left( -\frac{1}{\sqrt{2\pi}} \text{e}^{-\frac{x^2}{2}} + 1\right) }
==
1+00+1\displaystyle{-1+0-0+1}
   par limite de la fonction exponentielle
==
00.
5.3Loi normale Definition 5
Soient
μR\mu\in\mathbb{R}
et
σ>0\sigma>0.

Une variable aléatoire XX suit
la loi normale
N(μ;σ2)\mathcal{N}(\mu;\sigma ^2)
si la variable aléatoire
Xμσ\dfrac{X-\mu}{\sigma}
suit
la loi normale
centrée réduite
N(0;1)\mathcal{N}(0;1).
Exemple 3 Faire varier les valeurs de μ\mu et σ\sigma pour observer leur influence sur la courbe.
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\mu déplace
l'axe de symétrie
de la courbe et modifier σ\sigma fait varier
l'aplatissement
de la courbe. Property 8
Si une variable XX suit une loi normale
N(μ;σ2)\mathcal{N}(\mu;\sigma ^2)
alors :
Preuve
Ces résultats s'obtiennent à l'aide des opérations sur les variables aléatoires.

À, savoir que si XX est une variable aléatoire et aa un réel alors, en notant EE l'espérance et ss l'écart-type :
E(X+a)E(X+a)
==
E(X)+aE(X)+a
,
s(X+a)s(X+a)
==
s(X)s(X)
,
E(aX)E(aX)
==
aE(X)aE(X)
et
s(aX)s(aX)
==
aS(X)|a|S(X).

On pourra revoir le cours se rapportant à ses notions.

Nous avons que
Xμσ\dfrac{X-\mu}{\sigma}
suit
la loi normale
centrée réduite,
donc :
E(Xμσ)=0E\left(\dfrac{X-\mu}{\sigma}\right)=0
\Longleftrightarrow
1σE(Xμ)=0\dfrac{1}{\sigma}E(X-\mu) = 0
\Longleftrightarrow
E(Xμ)=0E(X-\mu) = 0
\Longleftrightarrow
E(X)μ=0E(X)-\mu=0
\Longleftrightarrow
E(X)=μE(X)=\mu.


De plus, en notant ss l'écart-type d'une variable aléatoire, nous avons :

s(Xμσ)=1s\left( \dfrac{X-\mu}{\sigma} \right)=1
\Longleftrightarrow
1σs(Xμ)=1\dfrac{1}{\sigma}s(X-\mu)=1
\Longleftrightarrow
s(Xμ)=σs\left( X-\mu \right) = \sigma
\Longleftrightarrow
s(X)=σs(X)=\sigma.
Remark 8 Tout comme pour la loi normale centrée réduite, si X suit une loi normale N(μ;σ2)\mathcal{N}(\mu;\sigma ^2) on ne pourra calculer P(α<X<β)P(\alpha < X < \beta) qu'à l'aide de la calculatrice : Exercice 8 Le périmètre crânien en cm d'un enfant de 3 ans suit la loi normale d'espérance 4949cm et d'écart-type 1,61,6cm.
  1. Quelle est la probabilité pour que le périmètre crânien d'un enfant de 3 ans soit compris entre 45,845,8 et 52,252,2cm ?
  2. Quelle est la probabilité pour que le périmètre crânien d'un enfant de 3 ans soit inférieure à 4848cm ?
Correction
Notons XX la variable aléatoire donnant le périmètre crânien. Nous avons alors que XX suit
N(49;1,62)\mathcal{N}(49;1,6^2).
  1. Nous cherchons dans cette question
    P(45,8<X<52,2)P( 45,8 < X < 52,2)
    . Nous obtenons à la calculatrice, en arrondissant à 10410^{-4} :
    0,954500,95450.
  2. Ici, nous voulons :
    P(X<48)P( X < 48)
    . Toujours à la calculatrice, en arrondissant à 10410^{-4}, on obtient :
    0,265990,26599.
Remark 9 Tout comme pour la loi normale centrée réduite, si X suit une loi normale N(μ;σ2)\mathcal{N}(\mu;\sigma ^2) on ne pourra résoudre l'équation
P(X<γ)=kP(X < \gamma)=k
qu'à l'aide de la calculatrice : 5.4Intervalles et écarts-types Property 9
Si X est une variable aléatoire suivant la loi normale
N(0;1)\mathcal{N}(0;1)
alors pour tout réel
α\alpha
\in
]0;1[]0;1[
, il existe un unique réel positif
uαu_{\alpha}
tel que
P(uαXuα)P(-u_{\alpha} \leq X \leq u_{\alpha})
==
1α1-\alpha.
-uα
+uα
P( X < -uα ) = α/2
P( X > uα ) = α/2
P(uα ≤ X ≤ uα ) = 1 - α
Preuve
Remarquons tout d'abord que pour tout réel positif tt :
P(tXt)=1αP( -t\leq X \leq t )=1-\alpha
\Longleftrightarrow
P(Xt)=1α+α2P( X\leq t) = 1-\alpha+\dfrac{\alpha}{2}
\Longleftrightarrow
P(Xt)=1α2P( X\leq t) = 1 -\dfrac{\alpha}{2}.

On cherche donc à prouver qu'il existe une unique solution tt à l'équation
P(Xt)=1α2P( X\leq t) = 1 -\dfrac{\alpha}{2}
. Nous allons pour cela utiliser le théorème
de la bijection.

On définit la fonction ff sur R\mathbb{R} par
f(t)=P(Xt)f(t)=P( X\leq t)
. On cherche donc à prouver l'existence et l'unicité d'une solution à l'équation
f(t)=1α2f(t)=1 -\dfrac{\alpha}{2}.


Pour calculer une probabilité associée à une variable aléatoire continue nous utilisons une intégrale, ainsi la fonction ff est bien
continue
sur
R\mathbb{R}.


De plus, si tt et tt' sont deux réels tels que
t<tt < t'
, alors
P(Xt)<P(Xt)P(X\leq t) < P(X\leq t')
car nous calculons une aire de plus en plus loin sous la courbe. Ainsi,
f(t)<f(t)f(t) < f(t')
dès que
t<tt < t'
, la fonction ff est
strictement croissante
sur
R\mathbb{R}.


Nous avons que :
limtf(t)\displaystyle{\lim_{t\rightarrow-\infty}f(t)}
==
limtP(Xt)\displaystyle{\lim_{t\rightarrow-\infty}P(X\leq t)}
==
00
, et
limt+f(t)\displaystyle{\lim_{t\rightarrow+\infty}f(t)}
==
limt+P(Xt)\displaystyle{\lim_{t\rightarrow+\infty}P(X\leq t)}
==
11.

Or α]0;1[\alpha\in]0;1[, donc 1α21 -\dfrac{\alpha}{2} \in
]0;1[]0;1[
, nous pouvons alors appliquer le théorème de la bijection et affirmer que l'équation f(t)=1α2f(t)=1 -\dfrac{\alpha}{2} admet
une unique solution
sur R\mathbb{R}
, que nous notons
uαu_{\alpha}.
Exemple 4 À l'aide de la calculatrice on obtient alors les valeurs suivantes : Remark 10 Ces valeurs sont à connaître par coeur, on retiendra donc que, si XX suit
N(0;1)\mathcal{N}(0;1)
alors : Property 10
Si XX suit la loi
N(μ;σ2)\mathcal{N}(\mu;\sigma ^2)
, on a les approximations suivantes :
μ = 1.00
σ = 1.00
nb sigma = 1.00
-9
-8
-7
-6
-5
-4
-3
-2
-1
0
1
2
3
4
5
6
7
8
9
P( μ-1σ ≤ X ≤ μ+1σ) = 0.6826894921514159
Dans le graphique précédent nous remarquons, quelles que soient les valeurs de μ\mu et σ\sigma que les probabilités restent identiques.