[PDF] Lois de probabilité à densité Loi normale

LOIS DE PROBABILITÉ À DENSITÉ

Chapitre 12 Lois de probabilité à densité Terminale S 1 −1 a 1 2 3b 1 b−a α β b b b b 2 Espérance mathématique Rappel : Cas d’une variable aléatoire qui prend un nombre fini de valeurs E(X) = X k∈X(Ω) kP(X = k) Définition Soit X une variable aléatoire qui admet une densité de probabilité f sur un intervalle [a;b] E(X

Terminale S - Lois de probabilités à densité - Fiche de cours

La loi uniforme sur [a ; b] est la loi de probabilité dont la densité est la fonction f définie par : (f (t)= 1 b−a si t∈(a ;b) f(t)=0 sinon) 2 2 Fonction de répartition et probabilité 1/2 Lois de probabilités à densité – Fiche de cours Mathématiques terminale S obligatoire - Année scolaire 2019/2020

Terminale ES - Lois à densité sur un intervalle I

comme densité de probabilité la fonction ???? définie sur [ ; ]par: ????(????)= − Exemples : 1) Si on choisit au hasard un nombre ???? dans l’intervalle [0 ; 1] la loi de la variable aléatoire correspondante est la loi uniforme sur l’intervalle [0 ; 1] ainsi : La densité de ???? est (????) = 1

Lois de probabilités à densité - Maths au LMA

Loi uniforme Définition Soient a,b deux réels tels que a < b On dit qu’une variable aléatoire X suit une loi uniforme sur [a;b] si elle admet comme densité la fonction f définie par : f(x) = 1 b−a six∈ [a;b] 0 sinon Remarque On peut “s’amuser” à vérifier que f est bien une densité de probabilité

Terminale ES – Chapitre VIII – Lois de probabilités à densités

Terminale ES – Chapitre VIII – Lois de probabilités à densités I- Loi à densité sur un intervalle Contrairement à une variable aléatoire discrète qui ne peut prendre qu'un nombre fini de valeurs, une variable aléatoire continue prend un nombre infini de valeurs dans un intervalle donné de

Terminale S - Lois de probabilités à densité - Exercices

EXERCICES - Densité avec intégrales, variable aléatoire Exercice 4 On considère la fonction f définie sur [0 ;3] par : f (t)=kt 3 1 Déterminer le réel k pour que f soit une densité de probabilité sur l’intervalle [0 ;3] 2 On considère une variable aléatoire X suivant la loi de probabilité définie par la densité f

Chapitre 8 : Exemples de lois à densité

Chapitre 8 : Exemples de lois à densités Terminale STI2D 5 SAES Guillaume II La loi exponentielle A Définition Définition : Loi exponentielle de paramètre ???? Soit ???? un réel strictement positif On dit que la variable aléatoire ???? à valeurs dans [ r;+∞[ suit la loi exponentielle de paramètre ????,

CHAPITRE 10 lois à densité Exemples de

Ch 10 Exemples de lois à densité Tale STI2D Si une variable aléatoire X suit la loi uniforme sur [a,b], alors P(c ≤ X ≤ d) =d−c b −a Proriété 2 Remarque 3 Pour toute loi continue, pour tout réel c, P(X = c) = 0, donc :

LOIS À DENSITÉ - Maths & tiques

LOIS À DENSITÉ I Loi de probabilité à densité 1) Variable aléatoire continue Exemples : a) Un site de vente en ligne de vêtements établit le bilan des ventes par taille L’histogramme ci-contre résume ce bilan Du discret On désigne par X la variable aléatoire qui donne la taille souhaitée par un client connecté

Lois de probabilité à densité Loi normale

1 3 Loi uniforme : densité homogène 1 3 1 Définition Définition 3 : Une variable aléatoire X suit une loi uniforme dans l’intervalle I =[a,b], avec a 6=b, lorsque la densité f est constante sur cet intervalle On en déduit alors la fonction f: f(t)= 1 b −a

[PDF] experience iss

[PDF] recherche expérimentale définition

[PDF] loi ? densité terminale s

[PDF] iss expérience scientifique

[PDF] méthode expérimentale exemple

[PDF] experience proxima

[PDF] méthode quasi expérimentale

[PDF] aquapad

[PDF] recherche expérimentale exemple

[PDF] exposé sur le gaspillage de l'eau

[PDF] le gaspillage de l'eau texte argumentatif

[PDF] 5 est un diviseur de 65

[PDF] gaspillage de l'eau dans le monde

[PDF] fonctions de plusieurs variables cours

[PDF] fonctions de plusieurs variables exercices corrigés

DERNIÈRE IMPRESSION LE31 mars 2015 à 14:11

Lois de probabilité à densité

Loi normale

Table des matières

1 Lois à densité2

1.1 Introduction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.2 Densité de probabilité et espérance mathématique. . . . . . . . . . 2

1.3 Loi uniforme : densité homogène. . . . . . . . . . . . . . . . . . . . 3

1.3.1 Définition. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.3.2 Espérance mathématique. . . . . . . . . . . . . . . . . . . . 3

1.3.3 Application : méthode de Monte-Carlo. . . . . . . . . . . . 4

1.4 Loi exponentielle : loi sans mémoire. . . . . . . . . . . . . . . . . . 5

1.4.1 Définition. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.4.2 Loi sans mémoire ou sans vieillissement. . . . . . . . . . . . 6

1.4.3 Espérance mathématique. . . . . . . . . . . . . . . . . . . . 6

1.4.4 Un exemple. . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.4.5 Application à la physique. . . . . . . . . . . . . . . . . . . . 7

1.5 Lien entre le discret et le continu. . . . . . . . . . . . . . . . . . . . 9

2 La loi normale9

2.1 Du discret au continu. . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.2 La loi normale centrée réduite. . . . . . . . . . . . . . . . . . . . . . 9

2.2.1 La densité de probabilité de Laplace-Gauss. . . . . . . . . . 9

2.2.2 Loi normale centrée réduite. . . . . . . . . . . . . . . . . . . 10

2.2.3 Calcul de probabilités. . . . . . . . . . . . . . . . . . . . . . 11

2.2.4 Espérance et variance. . . . . . . . . . . . . . . . . . . . . . 12

2.2.5 Probabilité d"intervalle centré en 0. . . . . . . . . . . . . . . 12

2.3 Loi normale générale. . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.3.1 Loi normale d"espéranceμet d"écart typeσ. . . . . . . . . 13

2.3.2 Influence de l"écart type. . . . . . . . . . . . . . . . . . . . . 14

2.3.3 Approximation normale d"une loi binomiale. . . . . . . . . 15

2.3.4 Théorème Central-Limit (hors programme). . . . . . . . . . 17

PAULMILAN1 TERMINALES

TABLE DES MATIÈRES

1 Lois à densité

1.1 Introduction

Lorsque l"on s"intéresse à la durée d"une communication téléphonique, à la durée

de vie d"un composant électronique ou à la température de l"eau d"un lac, la va- riablealéatoireXassociée au temps ou à la température, peut prendre une infinité de valeurs dans un intervalle donné. On dit alors que cette variableX est continue (qui s"oppose à discrète comme c"est le cas par exemple dans la loi binomiale). On ne peut plus parler de probabilité d"événements car les événements élémen- On contourne cette difficulté en associant à la variable X un intervalle deRet en définissant une densité de probabilité.

1.2 Densité de probabilité et espérance mathématique

Définition 1 :On appelledensité de probabilitéd"une variable aléatoire continue X, toute fonctionfcontinue et positive sur un intervalle I ([a;b],[a;+∞[ ouR) telle que :

•P(X?I) =?

(I)f(t)dt=1 •Pour tout intervalle J= [α,β]inclus dans I, on a :P(X?J) =?

αf(t)dt

D"autre part la fonctionFdéfinie par :F(x) =P(X?x)est appelée lafonction de répartitionde la variableX

F(x) =?

x af(t)dtou lima→-∞? x af(t)dt

Remarque :

•Comme la fonctionfest continue et

positive, la probabilitéP(X?I)cor- respond à l"aire sous la courbeCf.

Elle vaut alors 1 u.a.

•La probabilitéP(X?J), avec J=

[α;β], correspond à l"aire du domaine délimité parCf, l"axe des abscisse et les droites d"équationx=αety=β. 1

P(X?J)P(X?I)

1 u.a.

Cf βO •Comme la probabilité que X prenneune valeur isolée est nulle,que l"in- tervalle J soit ouvert ou fermé im- porte peu. Ainsi :

P(X?[α,β]) =P(X?[α,β[)

=P(X?]α,β]) =P(X?]α,β[) 1 F(x)C f x O

PAULMILAN2 TERMINALES

1. LOIS À DENSITÉ

•L"écriture(X?I)est une notation abusive carXn"est pas un nombre, mais la fonction qui associe une issue à un nombre. Elle prolonge la notation déjà utilisée pour des variables discrètes(X=a) Définition 2 :L"espérance mathématique d"une variable aléatoire continue X, de densitéfsur I, est :

E(X) =?

(I)t f(t)dt

1.3 Loi uniforme : densité homogène

1.3.1 Définition

Définition 3 :Une variable aléatoire X suit une loi uniforme dans l"intervalle I= [a,b], aveca?=b, lorsque la densitéfest constante sur cet intervalle. On en déduit alors la fonctionf: f(t) =1 b-a ConséquencePour tout intervalle J= [α,β]inclus dans I, on a alors :

P(X?J) =β-α

b-a=longueur de Jlongueur de I

La probabilité est donc proportionnelle

à la longueur de l"intervalle considéré.

1 b-a aαβbP(X?J) O

1 u.a.

Exemple :Onchoisitunnombreréelauhasarddansl"intervalle[0;5].Onassocie àXle nombre choisi. Quelle est la probabilité que ce nombre soit supérieur à 4? compris entreeetπ?quotesdbs_dbs2.pdfusesText_2