TES 2012-2013 Chapitre 7 - Lois de probabilité à densité Chapitre 7 - Lois de probabilité à densité I Lois à densité I.1 Approche TD1 : Découvrir une variable aléatoire continue Partie A : Variable aléatoire discrète On lance deux dés parfaitement équilibrés à 8 faces, numérotés de 0 à 7. Soit X la variable aléatoire égale à la moyenne arithmétique des deux nombres obtenus. Après avoir complété le tableau ci-dessous avec les moyennes, calculer la probabilité P (2 ⩽ X ⩽ 5). X 0 1 0 0 0,5 2 3 4 5 6 7 1 2 3 4 5 6 7 Partie B : Variable aléatoire continue sur un intervalle Soit Z la variable aléatoire égale à la moyenne arithmétique des deux nombres réels x et y choisis au hasard dans l’intervalle [0; 7] 1. Déterminer l’ensemble des valeurs prises par la variable aléatoire Z. Comparer cet ensemble à celui des valeurs prises par la variable aléatoire X. 2. On a représenté, en gris ci-dessous, l’univers de l’expérience aléatoire. y 7 1 O x 1 7 -1- TES Chapitre 7 - Lois de probabilité à densité 2012-2013 (a) Justifier que l’événement {Z = 2} est représenté par le segment de droite définie par : 0 ⩽ x ⩽ 7 ; 0 ⩽ y ⩽ 7 et la relation y = 4 − x, puis tracer ce segment en bleu. Indiquer de même la représentation de l’événement {Z = 5}, puis le tracer en rouge. (b) Expliquer comment représenter les événements {Z ⩾ 2} et {2 ⩽ Z ⩽ 5}. 3. (a) En déduire que la probabilité P (2 ⩽ Z ⩽ 5) peut s’écrire comme le quotient de deux aires et calculer cette probabilité. (b) En utilisant un quotient d’aires, donner la valeur de P (Z = 2). Remarque Jusqu’ici, les variables aléatoires étudiées prenaient un nombre fini de valeurs. Or les issues d’un grand nombre d’expériences aléatoires prennent pour valeur un nombre quelconque d’un intervalle I de R. Exemple Le temps d’attente téléphonique à un service, le poids à la naissance, le taux de glycémie, etc. I.2 Densité sur un intervalle [a; b] TD2 : Densité de population Dans une région, on a constaté que tout habitant résidait à moins de six kilomètres d’un éco-point. 1. Un relevé statistique a permis d’établir l’histogramme des fréquences ci-dessous. Par exemple, 48% des habitants résident à moins d’un kilomètre de l’éco-point. (a) Quel est le pourcentage d’habitants résidant à moins de trois kilomètres de l’éco-point ? (b) Que vaut la somme des aires des rectangles de l’histogramme ? 2. On choisit un habitant au hasard. On note X la distance séparant la résidence de cet habitant de l’éco-point le plus proche. X est une variable aléatoire qui prend ses valeurs dans l’intervalle [0; 6[. (a) Compléter : P (0 ⩽ X < 1) = . . . . . . ; P (1 ⩽ X < 2) = . . . . . . ; P (1 ⩽ X < 4) = . . . . . . (b) Pour tout entier n compris entre 0 et 6, que représente sur le graphique la somme des aires des rectangles situés à gauche de n sur l’axe des abscisses ? 3. Une étude plus précise a permis de relever les distances à 0,1 km près et de construire l’histogramme ci-dessous, où chacun des 60 rectangles a pour base 0,1 et pour aire la fréquence de la classe correspondante. -2- TES Chapitre 7 - Lois de probabilité à densité 2012-2013 Le 1er rectangle a pour hauteur 0, 77 car 7, 7% des habitants (soit une fréquence de 0, 077) résident à moins de 0, 1 kilomètre de l’éco-point. (a) Que vaut la somme des aires de ces 60 rectangles ? (b) Pour tout nombre t d’au plus une décimale de l’intervalle [0; 6[, que représente sur ce graphique la somme des aires des rectangles situés à gauche de t sur l’axe des abscisses ? 4. Si on fait une enquête de plus en plus précise, on voit apparaître une courbe comme celle tracée sur la figure précédente. Cette courbe représente une fonction f définie sur [0; 6[, appelée densité de probabilité de la loi de X. (a) Soit t un nombre réel appartenant à [0; 6[. En opérant comme pour les questions 2.(b) et 3.(b), dire ce que représente P (0 ⩽ X ⩽ t) sur ce graphique. (b) On a relevé que 0, 2% des habitants résidaient entre 1, 21 et 1, 23 kilomètres de l’éco-point. Calculer P (1, 21 ⩽ X ⩽ 1, 23). (c) Conjecturer la valeur de P (X = 1, 22) et, plus généralement, celle de P (X = t), où t ∈ [0; 6[. Définition 1 On appelle fonction de densité sur un intervalle [a; b], avec a < b, toute fonction f définie, continue et positive sur [a; b] et telle que l’intégrale de cette fonction sur [a; b] est égale à 1 : b ∫ a f (x)dx = 1 Exemple x x2 Soit f la fonction continue et positive sur [0; 2] définie par f (x) = . Une primitive de f est F (x) = , alors 2 4 2 x 4 dx = F (2) − F (0) = − 0 = 1. Cette fonction est une fonction de densité sur l’intervalle [0; 2]. ∫ 4 0 2 -3- TES Chapitre 7 - Lois de probabilité à densité 2012-2013 Définition 2 Soit X la variable aléatoire à valeurs dans [a; b], munie d’une fonction de densité f . On définit la loi de probabilité sur [a; b] de densité f en associant à tout intervalle [c; d] inclus dans [a; b] la probabilité que X appartiennent à l’intervalle [c; d], calculée par P (X ∈ [c; d]) = P (c ⩽ X ⩽ d) = ∫ c d f (x)dx. Propriété Pour tout nombre réel c de [a; b], P (X = c) = 0 et P (X ∈ [c; b]) = 1 − P (X ∈ [a; c]). I.3 Loi uniforme sur un intervalle [a; b] TD3 : Tirages de nombres au hasard dans [0; 1] 1. L’intervalle [0; 1[ contient 10 nombres d’au plus une décimale : 0 ; 0,1 ; 0,2 ; . . . ; 0,8 ; 0,9. (a) Combien contient-il de nombres d’au plus 2 décimales ? d’au plus 10 décimales ? (b) À l’aide de la commande Rand ou NbrAléat de la calculatrice, on peut obtenir un nombre décimal d’au plus 10 décimales. Quelle est la probabilité que ce nombre soit 0, 2154473089 ? 2. L’intervalle [0; 1] contient une infinité de nombres réels. La variable aléatoire X correspondant au tirage au hasard d’un nombre réel de [0; 1] est une variable aléatoire continue. 1 2 1 Que vaut P (X = ) ? Conjecturer les valeurs de P (0 ⩽ X ⩽ ) et de P (0 ⩽ X ⩽ ). 3 3 5 3. Soit a un réel appartenant à l’intervalle [0; 1]. On convient de poser P (0 ⩽ X ⩽ a) = a. Soit f la densité de probabilité de la loi de X. On admet que f est continue sur [0; 1] et on note F la primitive de f sur [0; 1] qui s’annule en 0. (a) Montrer que, pour tout réel x de [0; 1], on a F (x) = x. En déduire que f est définie sur [0; 1] par f (x) = 1. (b) L’espérance mathématique de X s’interprète comme la valeur moyenne des valeurs prises par X lorsque l’expérience aléatoire et répétée un très grand nombre de fois. Que donne l’algorithme ci-dessous écrit avec le logiciel Algobox ? -4- TES Chapitre 7 - Lois de probabilité à densité 2012-2013 (c) Entrer cet algorithme dans la calculatrice et comparer les valeurs obtenues après exécution 1 de cet algorithme à la valeur de l’intégrale : ∫ 0 xf (x)dx. Définition 3 On dit qu’une variable aléatoire X suit une loi uniforme sur [a; b], lorsque sa densité est constante sur [a; b]. Par conséquent, la fonction de densité f de la loi uniforme sur l’intervalle [a; b] est définie par 1 . f (x) = b−a En effet, pour tout réel x de [a; b], la fonction de densité f est constante, ce qui signifie que f (x) = k b et ∫ a f (x)dx = 1. Ainsi, on a 1 = ∫ b kdx = kb − ka = k(b − a). D’où k = a 1 . b−a Propriété – Pour tout intervalle [c; d] de [a; b], on en déduit : P (X ∈ [c; d]) = ∫ – L’espérance de la loi uniforme sur [a; b] est définie par : E(X) = ∫ a b xf (x)dx = b a 1 d−c dx = . b−a b−a b 1 1 b2 a2 1 (b − a)(b + a) b+a xdx = ( − )= ( )= ∫ b−a a b−a 2 2 b−a 2 2 -5- TES Chapitre 7 - Lois de probabilité à densité 2012-2013 La loi normale centrée réduite N (0; 1) II II.1 Approche d’une densité par la loi binomiale TD4 : Centrer puis réduire une loi binomiale Soit X une variable aléatoire qui suit la loi binomiale B(16; 0, 5) et dont la loi est représentée par la diagramme ci-dessous. Partie A - Calculer l’espérance et l’écart type de la variable aléatoire X 1. Calculer l’espérance µ de la variable aléatoire X. (Rappel : si X suit une loi binomiale B(n; p) son espérance est E(X) = np). 2. On admet que la variance de la loi binomiale B(n; p) est : V = npq, où q = 1 − p. √ Calculer l’écart type σ = V de la variable X. Partie B - Centrer la variable aléatoire X On pose une nouvelle variable aléatoire Y définie par Y = X − µ. 1. Déterminer les valeurs prises par la variable aléatoire Y . 2. Utiliser les propriétés de l’espérance pour calculer l’espérance de Y . 3. Entrer en liste L1 de la calculatrice les valeurs de X, puis en liste L2 celles de Y données par : L2=L1-8. Entrer en liste L3, sur TI : BinomFdp(16,0.5) ( 2nde var ) sur Casio : BinomialPD(16,0.5) ( SHIFT 4 ). 4. Tracer le diagramme en bâtons représentant la loi de Y , en utilisant la fenêtre ci-contre. Indiquer un procédé géométrique pour obtenir le diagramme en bâtons de la loi de Y à partir du diagramme représenté ci-dessus. La loi de Y suit-elle une loi binomiale ? Partie C - Réduire la variable aléatoire X X −µ On pose une nouvelle variable aléatoire Z définie par Z = . σ 1. En liste L2, entrer les valeurs de la variable Z par L2=(L1-8)/2. 2. Lire l’écart type σZ de la variable aléatoire Z. 3. Pour tracer le diagramme en bâtons représentant la loi de Z, il faut utiliser la fenêtre ci-contre. Justifier cette modification. -6- TES Chapitre 7 - Lois de probabilité à densité 2012-2013 On considère une variable aléatoire X qui suit la loi binomiale B(n; p), d’espérance µ = np et d’écart √ type σ = np(1 − p), avec 0 < p < 1. X −µ a−µ Soit Z la variable aléatoire Z définie par Z = . Alors P (a ⩽ X ⩽ b) = P (c ⩽ Z ⩽ d), où c = σ σ b−µ et d = . σ Lorsque le nombre d’épreuves n prend de grandes valeurs et la probabilité de succès p est proche de X −µ 0, 5 la transformation associée à l’égalité Z = transforme d’abord l’aire bleue en l’aire rouge, σ tout en la divisant par σ. On obtient alors un diagramme ayant une forme de courbe en « cloche » , et en multipliant la hauteur des rectangles par σ, la courbe est très proche de la courbe de la fonction de Gauss ϕ. II.2 La loi normale N (0; 1) Définition 4 Une variable aléatoire X, d’espérance µ = 0 et d’écart type σ = 1, suit la loi normale N (0; 1) lorsqu’elle admet pour fonction de densité la fonction ϕ définie sur R par : 1 −x2 ϕ(x) = √ e 2 . 2π La courbe représentative de ϕ est symétrique par rapport à l’axe des ordonnées. -7- TES Chapitre 7 - Lois de probabilité à densité 2012-2013 Propriété d 1 −x2 √ e 2 dx. c 2π – P (X = c) = 0, d’où P (X ⩽ c) = P (X < c). – Si c ⩽ d, alors P (X ∈ [c; d]) = ∫ – P (−d ⩽ X ⩽ d) = P (X ⩽ d) − P (X ⩽ −d). – P (X ⩾ d) = P (X ⩽ −d), d’où P (−d ⩽ X ⩽ d) = 1 − 2P (X ⩽ −d), ou encore 1 − P (−d ⩽ X ⩽ d) P (X ⩽ −d) = = P (X ⩾ d). 2 Propriété (Intervalles particuliers) Avec la calculatrice (TI : 2nde var puis NormalFRép(c,d,0,1), Casio : SHIFT NormCD(c,d,1,0)), on obtient : – P (X ∈ [−1; 1]) ≈ 0, 68. – P (X ∈ [−1, 96; 1, 96]) ≈ 0, 95. – P (X ∈ [−2; 2]) ≈ 0, 954. – P (X ∈ [−3; 3]) ≈ 0, 997. -8- 4 puis TES III III.1 Chapitre 7 - Lois de probabilité à densité 2012-2013 Loi normale N (µ; σ 2 ) Loi normale Définition 5 Une variable aléatoire X suit la loi normale N (µ; σ 2 ) lorsque la variable aléatoire Z = la loi normale N (0; 1). X −µ suit σ Exemple 1 −(x−4)2 Soit X la variable aléatoire dont la fonction de densité est la fonction f définie sur R par : f (x) = √ e 2 . 2π On utilise la variable aléatoire Z = X − 4. On remarque que, en faisant « glisser » la courbe Cf de la variable X de 4 unités à gauche, on obtient la courbe Cϕ . 1 −z2 Donc la fonction de densité de Z est la fonction de Gauss ϕ : ϕ(z) = √ e 2 . 2π La variable aléatoire Z suit donc la loi normale N (0; 1). X −4 X −µ = , on peut lire µ = 4 et σ = 1. Ainsi, la variable X suit la loi normale N (4; 1). Comme Z = X − 4 = 1 σ Conséquence : Si la variable aléatoire X suit la loi normale N (µ; σ 2 ), alors son espérance E(X) est µ et son écart type est σ. En effet, si X = Z × σ + µ, d’après les propriétés de l’espérance et de la variance : E(X) = 0 + µ = µ et √ V (X) = σ 2 × V (Z) = σ 2 . L’écart type de X est V (X) = σ. Remarque Si X suit la loi normale N (µ; σ 2 ), alors la fonction F définie sur R par F (x) = P (X ⩽ x) est strictement croissante sur R. De plus, F (µ) = P (X ⩽ µ) = 0, 5. -9- TES III.2 Chapitre 7 - Lois de probabilité à densité Critères de normalité Définition 6 Si la variable aléatoire X suit la loi normale N (µ; σ 2 ), alors : – P (X ∈ [µ − σ; µ + σ]) ≈ 0, 68 (Fig. 1) – P (X ∈ [µ − 2σ; µ + 2σ]) ≈ 0, 954 (Fig. 2) – P (X ∈ [µ − 3σ; µ + 3σ]) ≈ 0, 997 (Fig. 3) X −µ suit la loi normale N (0; 1). σ – P (X ∈ [µ − σ; µ + σ]) = P (Z ∈ [−1; 1]) ≈ 0, 68 En effet, la variable aléatoire telle que Z = – P (X ∈ [µ − 2σ; µ + 2σ]) = P (Z ∈ [−2; 2]) ≈ 0, 954 – P (X ∈ [µ − 3σ; µ + 3σ]) = P (Z ∈ [−3; 3]) ≈ 0, 997 -10- 2012-2013