Lois de probabilité à densité Loi normale

Soit f une densité de probabilité déﬁnie sur un intervalle I Dire qu’une variable aléatoire X suit la loi de densité f signiﬁe qu’à tout intervalle J inclus dans I, on associe la probabilité PpX P Jq “ airepDJq où DJ est le domaine sous la courbe Cf sur l’intervalle J Donc : ż J fptqdt Déﬁnition 4 Exemple 4

6 Lois `a densit´e - UFR SEGMI

Exemple 3 (Loi de Pareto) Soit α>0 et soit f: R → [0,1], telle que f(x) = αx−α−1 si x≥ 1 et f(x) = 0 si x

LOIS À DENSITÉ - maths et tiques

La loi normale centrée réduite, notée N(0;1), est la loi ayant pour densité de probabilité la fonction f définie sur 2 par : f(x)= 1 2π e − x2 La représentation graphique de la fonction densité de la loi N(0;1) est appelée courbe en cloche Elle est symétrique par rapport à l'axe des ordonnées Contextes d'utilisation :

LOIS À DENSITÉ - maths et tiques

La loi exponentielle de paramètre _ est la loi ayant pour densité de probabilité la fonction 7 [définie sur 0 ; +∞[ par : 7(,)=_‘YaK Contextes d'utilisation : Durée de vie de composants électroniques, tremblement de terre, désintégration d'un noyau radioactif, 2) Fonction de répartition

Lois de probabilité à densité Loi normale

de densité f sur I, est : E(X)= Z (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], 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

Lois de probabilités à densité - Maths au LMA

I Lois de probabilités à densité Remarques La loi de probabilité d’une variable aléatoire peut donc être déﬁnie grâce à la densité Comme Z x x f(t) dt = 0, on a : P(X < x) = P(x≤ x) Par abus de langage, on peut déﬁnir une fonction de densité f sur un intervalle I de R et non R tout entier

Exemples de lois à densité I Loi uniforme

Exemples de lois à densité Nous allons dans ce chapitre faire connaissance avec un certain nombre de lois à densité fondamentales de la théorie des probabilités I Loi uniforme Déﬁnition 1 Soient a

LOIS DE PROBABILITE A DENSITE

densité de probabilité qui donne en réalité le modèle de probabilité En effet, choisir un nombre réel entre 1 et 6 de manière complètement aléatoire correspond bien intuitivement à une loi uniforme car on sent bien que chaque nombre réel entre 1 et 6 a autant de chance

Terminale S - Loi uniforme Loi exponentielle

Loi uniforme Loi exponentielle I) Loi uniforme de probabilité sur [a : b] La loi de probabilité qui admet pour densité la fonction ???? constante égale à ???? ????−???? sur [????; ????], est appelée loi uniforme sur [????; ????] Soit [????; ????] un intervalle inclus dans [????; ????] et ???? une variable aléatoire

[PDF] loi de densité terminale es

[PDF] loi de déplacement de wien

[PDF] Loi de Descartes

[PDF] loi de descartes formule

[PDF] loi de descartes seconde

[PDF] loi de gumbel crues

[PDF] loi de gumbel excel

[PDF] loi de gumbel exercices corrigés

[PDF] loi de hardy weinberg cours

[PDF] loi de hardy weinberg exercice corrigé

[PDF] loi de hardy weinberg génétique

[PDF] loi de henry et plongée sous marine

[PDF] loi de kepler terminale s pdf

[PDF] loi de l'attraction universelle

[PDF] loi de l'intensité dans un circuit en série

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?

P(X>4) =1

5P(e?X?π) =π-e5?0,085

1.3.2 Espérance mathématique

Théorème 1 :SiXsuit une loi uniforme sur un intervalle I= [a;b], aveca?=b, alors son espérance mathématique vaut :

E(X) =a+b

2 Démonstration :D"après la définition de l"espérance, on a :

E(X) =?

b at b-adt=?t22(b-a)? b a =b2-a22(b-a)=(b-a)(b+a)2(b-a)=b+a2

PAULMILAN3 TERMINALES

TABLE DES MATIÈRES

Remarque :Dans notre exemple précédent, on trouve : E(X) =2,5 ce qui n"a rien de surprenant!

1.3.3 Application : méthode de Monte-Carlo

Méthode de Monté-Carlo: méthode probabiliste très utilisée pour la résolution approchée de problèmes variés allant de la théorie des nombres à la physique mathématique en passant par la production industrielle. Application: Calcul d"une valeur approchée du nombreπ

Par la méthode du rejet :On admet,

lors du tirage au hasard d"un point dans un carré de côté 1, que la pro- babilité de tirer un point dans un do- portionnelle à l"aire de ce domaine.

Comme il s"agit du carré unité, cette

probabilité est donc égale à l"aire du domaine.1

1Zonede rejet

zone d"acceptation y?⎷ 1-x2 O On tire un grand nombre de points (par exemple 10 000). D"après laloi des grands nombres, la probabilitépd"avoir un point dans la zone d"acceptation vaut : p=nombre de points dans la zone d"acceptation nombre total de points pcorrespond à l"aire du quart du cercle unité soitπ 4

On peut alors écrire l"algorithme suivant :

Variables:N,D,I: entiers

X,Y: réels dans [0; 1]

Entrées et initialisation

Effacer l"écran

LireN

0→D

Traitement

pourIde 1 àNfaire random(0,1)→X random(0,1)→Y siY?⎷

1-X2alors

D+1→D

Tracer le point(X,Y)

fin fin

Sorties: AfficherD, 4×D

On obtient le graphe suivant pour

N=10 000 :

On trouve les résultats suivants :

D=7 893π?3,157 2

La précision est de l"ordre de

1 ⎷N?0,01

PAULMILAN4 TERMINALES

1. LOIS À DENSITÉ

Par laméthode de l"espérance:

On choisit au hasardNvaleurs de

l"abscisseXd"un point M dans [0;1].

On calcule la sommeSdesNvaleurs

prises parf(X) =⎷ 1-X2.

La moyenne desNvaleurs def(X)

est une valeur approchée de la va- leur moyenneμdefdonc de l"aire du quart de cercle.

On trouve alors pourN=10 000 :

π?3,151 5

Variables:N,I: entiers

X,S,préels

Entrées et initialisation

LireN

0→S

Traitement

pourIde 1 àNfaire random(0,1)→X

S+⎷

1-X2→S

fin

S/N→p

Sorties: Afficher 4p

Poura=0,b=1 etf(t) =⎷1-t2

μ=1

b-a? b af(t)dt?μ=? 1

0?1-t2dt=π4?N∑

i=1f(xi)N

1.4 Loi exponentielle : loi sans mémoire

1.4.1 Définition

Définition 4 :Une variable aléatoire X suit une loi exponentielle de paramètre réelλ>0 lorsque sa densité est la fonctionfdéfinie sur[0;+∞[par : f(t) =λe-λt

ConséquenceOn peut vérifier que :

la fonction de répartitionFvaut :F(x) =P(X?x) =1-e-λxcar

F(x) =P(X?x) =?

0λe-λtdt=?

-e-λt?x

0=-e-λx+1

fest bien une densité de probabilité, car la fonctionfest continue, positive et : lim x→+∞F(x) =limx→+∞1-e-λx=1

P(X?a) =F(a) =1-e-λa

Par l"événement contraire, on a :P(X>a) =1-P(X?a) =1-F(a) =e-λa Si X se trouve dans[a,b], on a :P(a?X?b) =F(b)-F(a) =e-λa-e-λb

P(X?a)

P(a?X?b)P(X>b)

O ab

PAULMILAN5 TERMINALES

TABLE DES MATIÈRES

1.4.2 Loi sans mémoire ou sans vieillissement

Théorème 2 :La loi exponentielle est une loisans mémoirec"est à dire que : ?t>0 eth>0 on aPX?t(X?t+h) =P(X?h) ROCDémonstration :On applique la formule des probabilités conditionnelles : P

X?t(X?t+h) =P(X?tet X?t+h)

P(X?t)=P(X?t+h)P(X?t)

e-λ(t+h) e-λt=e-λt×e-λhe-λt =e-λh=P(X?h) Remarque :On dit que la durée de vie d"un appareil est sans mémoire ou sans vieillissement lorsque la probabilité que l"appareil fonctionne encorehannées supplémentaires sachant qu"il fonctionne à l"instantt,ne dépend pas det. On admettra que la loi exponentielle est la seule loi sans vieillissement Ceci est valable si l"appareil n"est pas sujet à un phénomène d"usure. On retrouve cette propriété en ce qui concerne la durée de vie d"un noyau radioactif.

1.4.3 Espérance mathématique

Théorème 3 :Si X suit une loi exponentielle de paramètreλalors son espé- rance mathématique vaut :E(X) =1 ROCDémonstration :D"après la définition, en posantg(t) =tf(t) =λte-λt, on a :

E(X) =limx→+∞?

0g(t)dt

Il faut trouver une primitive de la fonctiong, pour cela on dérive la fonctiong g ?(t) =λe-λt-λ2te-λt=λe-λt-λg(t)?g(t) =e-λt-1

λg?(t)

On a alors :

0g(t)dt=?

x 0? e -λt-1

λg?(t)?

dt=? -1λe-λt-1λg(t)? x 0 1 λ?-e-λx-g(x) +1+g(0)?=1λ?-e-λx-λxe-λx+1? On pose :Y=-λx, d"où six→+∞alorsY→ -∞

On a alors : lim

x→+∞e-λx=limY→-∞eY=0 et limx→+∞λxe-λx=limY→-∞-YeY=0

Par somme et produit, on a alors : lim

x→+∞? x

0g(t)dt=1

PAULMILAN6 TERMINALES

1. LOIS À DENSITÉ

1.4.4 Un exemple

La durée de vie, en année, d"un composant électronique est une variable aléatoire notéeTqui suit une loi sans vieillissement de paramètreλ. Une étude statistique a montré que pour ce type de composant, la durée de vie ne dépasse pas 5ans avec une probabilité de 0,675.

1) Calculer la valeurλarrondie à trois décimales.

2) Quelle est la probabilité, arrondie à trois décimales, qu"un composant de ce

type dure : a) moins de 8 ans b) plus de 10 ans c) au moins 8 ans sachant qu"il fonctionne encore au bout de trois ans

3) Quelle est l"espérance de vie de ce composant.

1) SiTvérifie une loi sans vieillissement,Tsuit donc une loi exponentielle. Si la

durée de vie ne dépasse pas 5 ans avec une probabilité de 0,675, ona donc :

P(T?5) =?

0λe-λtdt=?

-e-λt?50=-e-5λ+1 On a alors :-e-5λ+1=0,675?e-5λ=0,325? -5λ=ln0,325

On trouve alors :λ=-ln0,325

5?0,225

2) On a :

a)P(T<8) =P(T?8) =1-e-0,225×8?0,835 b)P(T>10) =P(T?10) =e-0,225×10?0,105 c)PT?3(T?8) =P(T?5) =e-0.225×5?0,325

3) E(T) =1

λ=10,225?4,44 soit à peu près 4 ans et demi

1.4.5 Application à la physique

La désintégration radioactive est un

phénomène aléatoire. c"est à dire que l"on ne peut pas, à l"échelle "microsco- pique», dire quand un noyau va se dés- intégrer. Néanmoins, à l"échelle macro- scopique, on a pu établir que la durée de vie d"un noyau radioactif suit une loi de durée de vie sans vieillissement c"est à dire une loi exponentielle de pa- ramètreλ.λétant la constante radioac- tive (en s -1) qui caractérise un radionu- cléide.

PAULMILAN7 TERMINALES

TABLE DES MATIÈRES

On appelleTla variable aléatoire associée à la durée de vie d"un noyau. La pro- babilitépqu"un noyau ne soit pas désintégré à l"instanttest donc : p=P(T?t) =e-λt Si au départ on compteN0noyaux au bout d"un tempst, on en compteraN(t) qui vérifie :

N(t) =N0e-λt

On appelle demi-viet1/2, le temps nécessaire pour que le nombre de radionu- cléides soit divisé par 2. On a alors : e -λt1/2=1

2? -λt1/2=-ln2?t1/2=ln2λ

Définition 5 :Pour une variable aléatoireXqui suit une loi de durée de vie sans vieillissement, on appelledemi-viela duréet1/2tel queP(X?t1/2) =1 2.

On obtient alors :

1/2=ln2

Enfin la durée de vie moyenneτd"un radionucéide est donnée par l"espérance mathématique :

τ=1

Définition 6 :Pour une variable aléatoireXqui suit une loi de durée de vie sans vieillissement, la durée de vie moyenneτest donnée par l"espérance mathématique.

τ=t1/2

ln2?1,44t1/2

Remarque :La demi-viet1/2n"est

pas égale à la durée de vie moyenne

τ=E(X)car la courbe de densité de

probabilitéCfn"est pas symétrique par rapport à la droite verticale d"abscisse E(X). t1/2E(X)Oλ 1

[PDF] Lois de probabilité à densité Loi normale

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

1.2 Densité de probabilité et espérance mathématique

P(X?I) =?

αf(t)dt

F(x) =?

Remarque :

Comme la fonctionfest continue et

Elle vaut alors 1 u.a.

La probabilitéP(X?J), avec J=

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

1 u.a.

P(X?[α,β]) =P(X?[α,β[)

PAULMILAN2 TERMINALES

1. LOIS À DENSITÉ

E(X) =?

1.3 Loi uniforme : densité homogène

1.3.1 Définition

P(X?J) =β-α

La probabilité est donc proportionnelle

à la longueur de l"intervalle considéré.

1 u.a.

P(X>4) =1

5P(e?X?π) =π-e5?0,085

1.3.2 Espérance mathématique

E(X) =a+b

E(X) =?

PAULMILAN3 TERMINALES

TABLE DES MATIÈRES

1.3.3 Application : méthode de Monte-Carlo

Par la méthode du rejet :On admet,

Comme il s"agit du carré unité, cette

1Zonede rejet

On peut alors écrire l"algorithme suivant :

Variables:N,D,I: entiers

X,Y: réels dans [0; 1]

Entrées et initialisation

Effacer l"écran

0→D

Traitement

1-X2alors

D+1→D

Tracer le point(X,Y)

Sorties: AfficherD, 4×D

On obtient le graphe suivant pour

N=10 000 :

P(X?I) =?

Comme la fonctionfest continue et

La probabilitéP(X?J), avec J=

Par la méthode du rejet :On admet,

Par laméthode de l"espérance:

P(X?a) =F(a) =1-e-λa