Variables continues usuelles I) Variables uniformes 1.1 Densités Nous avons déjà rencontré ce type de variables. Définition 1 On dit que la variable suit une loi uniforme continue sur 0,1 si sa fonction densité de 0 si 0 probabilité est donnée par : 1 si 0 1. 0 si 1 On écrit que , Définition 2 On dit que la variable suit une loi uniforme continue sur , si sa fonction densité de 0 si probabilité est donnée par : si . 0 On écrit que , si 1.2) Fonctions de répartition On a vu que 0 Si , , sa fonction de répartition est 1 si 0 si 0 1. si 1 0 si 0 ! Si , , sa fonction de répartition est si 0 1. 1 si 1 Théorème 1.3) Espérances et variances Soit , On a On a Donc " # " ) # % ) 1 1 - ' - ) , , ) & # & ( + ' 3 ' 3 3 ' $% % 1 ) 1 ) ' ) , & # & ( + ' 2 ' 2 2 ' $% ) , ) ) ' 2 , ) ' ) ) , , ) '0 1 / 3 2 12 12 Si , , on fait 0 et 1 dans les formules ci-dessus. On trouve : 1 " 2 1 / 12 II) La loi exponentielle 2.1) Densité de probabilité 0 si 0 Soit λ un réel strictement positif. La fonction définie sur ℝ par 3 6! 45 si 0 est une densité de probabilité. Si est une variable aléatoire dont est une densité, on dit que suit une loi exponentielle de paramètre λ. Théorème et définition La fonction est bien évidemment positive, continue sauf en 0. On a On a également On a donc # & 0 7 # 45 6! 7 % & 4 # 5 Donc Et donc 6! 7 5 6! 1 5 67 & 4 (' + 48 ' 9 1 ' 5 67 4 4 4 lim 1 ' 5 67 1 7<$% # $% # $% % & 1 & 1 La fonction est bien une densité de probabilité. 2 .2) Fonction de répartition Soit une variable qui suit une loi exponentielle de paramètre λ. On pourra écrire =4 Sa fonction de répartition est définie sur ℝ par : ! Nous avons vu que On a > # ? &? % # ? &? 0 % @ 0, 0 Si 0, on aura ! ! # ? &? # 45 % On a donc 6A ! &? 4 # 5 6A 0 3 1 ' 5 6! ! 5 6A &? 4 (' + 1 ' 5 6! 4 si 0 si 0 2.3) Espérance et variance On a sous réserve de convergence Comme # & 0, on aura # % On a pour I 0 7 $% % " # $% % & # & $% & 7 7 # & # 45 6! & 4 # 5 6! & On procède par intégration par parties : On a J de classe K , et J 5 6! est continue. On pose : L donc LO 1 1 P O 5 6! donc P ' 5 6! 4 On a donc On a Donc 7 7 1 7 4 # 5 6! & 4 8Q' 5 6! R , # 5 6! &9 4 4 7 I 4 S' 5 67 T , # 5 6! & 4 67 1 5 'I5 67 , ' 4 4 1 5 67 1 lim 'I5 67 , ' par croissance comparée 7<$% 4 4 4 # & Et donc " # $% % Calculons " ) . Sous réserve de convergence, on a : On déterminer l’intégrale $% " ) # 7 # 45 ) & $% % 1 4 ) & # 6! 7 1 4 $% ) & & 4 # ) 5 6! & On procède encore à une intégration par parties. La fonction J ) est de classe K sur ℝ et la fonction J 5 6! est continue sur ℝ. On pose L ) donc LO 2 1 P O 5 6! donc P ' 5 6! 4 On a donc 7 7 ) 6! 2 7 6! ) 6! # 5 & (' 5 + , # 5 & 4 4 Donc I ) 67 2 7 6! , # 5 & ' 5 4 4 7 7 4 # ) 5 6! & 'I5 67 , 2 # 5 6! & On a par croissance comparée On a donc Donc lim 'I5 7<$% 2 1 5 67 'I5 67 , 8'I5 67 , ' 9 4 4 4 67 2 1 5 67 2 67 , 8'I5 , ' 9 ) 4 4 4 4 " ) 2 4) / " ) ' " ) 2 1 1 ' 4) 4) 4) Théorème Soit une variable aléatoire qui suit une loi exponentielle de paramètre λ. Alors admet une espérance et une variance données par les formules : 1 1 " / ) 4 4 2.4) Discrétisation d’une loi exponentielle On considère une variable continue qui suit une loi exponentielle de paramètre λ. Soit X une variable à valeur dans YZ définie par @[ \ YZ , X [ [ ' 1 [ Quelle est la loi de la variable X ? On a puisque [ ' 1 0 >X [ >[ ' 1 [ [ ' [ ' 1 ^1 ' 5 6_ ` ' ^1 ' 5 6_ ` 5 6_ ' 5 6_ 5 6_ ^1 ' 5 6 ` Posons a 1 ' 5 6 . On a 4 0, donc 0 1 ' 5 6 1. On a 5 6_ ^5 6 ` _ 1 ' a _ >X [ 1 ' a _ a La variable X suit donc une loi géométrique de paramètre 1 ' 5 6 . On a donc III) La loi normale 3.1) Des fonctions de densité particulières Considérons la fonction définie sur ℝ par 1 5 !d ) √2c Cette fonction est évidemment définie, continue et positive sur ℝ. On démontre et nous admettrons qu’elle remplit également la propriété : # $% % Cette fonction est une densité de probabilité. & 1 Soit e un nombre réel quelconque et σ un nombre réel strictement positif. Soit f la fonction définie sur ℝ par !h d 1 f 5 )id g√2c Cette fonction est évidemment définie, continue et positive sur ℝ. L'intégrale généralisée # $% % f & est convergente. En effet par croissance comparée, on a facilement lim 5 ) ? , 5 !<$% Ce qui implique qu’il existe ? 0, tel que Ce qui permet de conclure en +∞. De même, on a @ lim 5 !<% ) !h d )id !h d )id !h d )id 0 1 ) 0 On aura donc les mêmes conclusions en considérant la fonction de Riemann sur un intervalle ' ∞, ? où ? 0. Posons 'e ? g $% !h d 1 Procédons au changement de variable en ? dans l'intégrale # 5 )id & % g√2c Quand < '∞, on a aussi ? < '∞. Quand < ,∞, on a également ? < ,∞. On a 1 &? & g On peut donc écrire : # $% 1 !h d )id & $% 1 5 # 5 g√2c % g√2c La fonction f est donc une densité de probabilité. % Ad ) g&? # $% % 1 √2c 5 Ad ) &? # $% % ? &? 1 Théorème Soit e un réel quelconque et σ un nombre réel quelconque strictement positif. Alors la fonction f définie sur ℝ par : !h d 1 5 )id f g√2c est une densité de probabilité. Dans le cas particulier où e 0 et g 1, on trouve la fonction définie sur ℝ par : 1 !d 5 ) √2c Cette fonction est aussi une densité de probabilité. 3.2) Etude et représentation des fonctions s et t a) Etude et représentation de la fonction On a vu que De plus @ \ ℝ, ' 1 uv ℝ √2c 5 ! d ) 1 √2c 5 !d ) La fonction est paire. On peut donc limiter son étude à ℝ$ et compléter les résultats trouvés par symétrie. La fonction est continue et dérivable. On a !d O 5 ) ' √2c Cette quantité est du signe de – . Sur ℝ$ , elle est décroissante. Cette dérivée s’annule pour 0. Donc au point d’abscisse 0, la courbe xv représentative de la fonction admet une tangente horizontale. On a lim 0 !<$% La droite I 0 est donc asymptote horizontale en ,∞ (et par raison de symétrie, également en '∞ . On a également OO ) ' 1 √2c 5 !d ) ' 1 , 1 √2c 5 !d ) Sur ℝ$ , cette dérivée seconde s’annule en 1 en changeant de signe : la courbe xv admet un point d’inflexion au point d’abscisse 1 (et donc par raison de symétrie également au point d’abscisse '1 ). On peut maintenant dresser le tableau de variations sur ℝ de la fonction . O '∞ , 0 ' 0 √) ,∞ 0 0 Donnons l’allure de la courbe xv . 1 Cette courbe est appelée courbe en cloche ou courbe de Gauss. b) Etude et représentation de la fonction f On a : f 1 5 !h d )id g√2c Montrons que la droite e est un axe de symétrie pour la courbe représentative de la fonction f, courbe que l’on nommera xy . Pour cela prenons deux nombres réels symétriques par rapport à e, c’est-à-dire de la forme e ' z et e , z, où z est un nombre réel positif. On a h${h d {d 1 1 )id fe , z 5 5 )id g√2c g√2c h{h d {d 1 1 d d )i )i fe ' z 5 5 g√2c g√2c On a donc pour tout réel z positif, fe ' z fe , z Si | est le point de la courbe d’abscisse } e , z et d’ordonnée I} f} et si |~ est le point de la courbe d’abscisse } e ' z et d’ordonnée I} f} , alors I} I} Graphiquement cela correspond à la situation suivante : I |~ | e e'z e e,z La mise en évidence d’un axe de symétrie permet de déduire l’ensemble d’étude à e, ,∞ On a alors des résultats de même nature que ceux rencontrés pour la fonction. On a lim f 0 !<$% On a !h d 'e 5 )id O f ' g) g√2c On en déduit que la fonction est décroissante sur e, ,∞. On a enfin d 1 ) ' 2e , e) ' g ) !h )id 5 fOO g g√2c !h d 1 ) ) ' e ' g 5 )id g √2c !h d 1 ' e ' g ' e , g 5 )id g √2c Cette dérivée seconde s’annule en changeant de signe en e , g et en e ' g. Il s’agit des deux points d’inflexion de la courbe. 1 Le tableau de variation est la suivant : O '∞ , 0 L’allure de la courbe représentative sera donc : e 0 i√) ' ,∞ 0 e e'g e,g On retrouve une courbe en cloche. 3.3) Espérance mathématique et variance Considérons une variable dont la fonction densité de probabilité est la fonction f. !h d 1 f 5 )id g√2c Sous réserve de convergence, on a $% !h d 1 " # 5 )id & g√2c % Il est facile de voir que les intégrales $% !h d !h d 1 1 d )i # 5 & et # 5 )id & g√2c % g√2c puisque on a !h d !h d 1 1 ) d lim 5 )i lim 5 )id ) 0 !<$% g√2c !<% g√2c (par croissance comparée). Donc " existe. On peut écrire $% !h d 1 " # 5 )id & g√2c % $% !h d 1 # ' e , e 5 )id & g√2c % Or pour les mêmes raisons que précédemment, les deux intégrales suivantes convergent : # On peut donc écrire " $% % 1 ' e 5 g√2c 1 g√2c 1 g√2c # !h d )id $% ' e 5 % $% # ' e 5 % $% # % ' e 5 Il reste à calculer la première intégrale. On a & et # !h d )id !h d )id $% % & , e5 e g√2c & , e # !h d )id & !h d )id ,e # $% % $% % & 5 f & !h d )id & # $% % ' e 5 !h d )id & Nous avons vu précédemment que Donc On en déduit que h # ' e 5 % !h d O 85 )id 9 #'e 5 h # ' e 5 % !h d )id & 'e 5 ' g) !h d )id !h d )id & h 7<% 7 $% h On en déduit que # 'g $% % Et donc que 7<% ) ' e 5 ' e 5 !h d )id & !h d )id & !h d )id & !h d h ) )id ('g 5 + lim ' g ) # !h d )id lim # ' e 5 lim ' e 5 h !h d )id & 'g ) 5 7<% On démontre exactement de la même façon que ,# $% !h d )id & 7 7h d g ) 5 )id g) 0 " e Déterminons " ' e ) . D’après le théorème du transfert, sous réserve de convergence, on a : $% !h d 1 " ' e ) # ' e ) 5 )id & g√2c % Cette intégrale est convergente car par croissance comparée : !h d !h d 1 1 ) ) ) d )i lim ' e 5 lim ' e 5 )id ) 0 !<% !<$% g√2c g√2c On écrit alors : h $% !h d !h d 1 1 5 )id & , # ' e ) 5 )id & " ' e ) # ' e ) g√2c g√2c % h On a vu que 85 On en déduit que Donc !h d OO )id 9 ' ) 8'σ 'e 5 'e 5 g) !h d )id !h d O )id 9 O !h d 1 ) ) 5 )id ' e ' g g ' e ) ' g ) 5 !h d )id 7 Donc !h d ) 5 )id g # ' e ' h Ce qui donne ) 7 # ' h 7 !h d ) )id e 5 # ' h & ('g & ' g # 5 Car De même, on montre que : 7 & g # 5 $% ' e ) 5 h !h d )id !h d )id 7<$% # ' !h d ) )id e 5 !h d 7 )id + h & 'g !h d )id & ' g & g ) # lim I'e 5 h % h ) Ou encore par croissance comparée h 'e 5 7 ) !h d ) )id e 5 # ) 7h d )id 5 h 0 & g # ) $% $h % 5 'g Et donc que 1 g√2c Donc # # % $% % ' !h d ) )id e 5 ' e ) 5 !h d )id & g # & g ) ) 1 $% 'e 5 ) I 'e 5 !h d )id !h d )id % g√2c " ' e ) g ) 5 # !h d )id $% % 'e 5 ) I On en déduit an ajoutant membre à membre les égalités trouvées que $% ) I 5 7h d )id 7h d )id 7h d )id & & & !h d )id & g ) " ) ' 2e , e) g ) Donc " ) ' 2e" , e) g ) Donc " ) ' 2e) , e) g ) Donc " ) ' e) g ) Donc Donc Et donc enfin " ) ' " ) g ) / g ) Dans le cas particulier où e 0 et g 1 qui correspond à la fonction densité , on a : " 0 et / 1 3.4) Distribution normale ou gaussienne Définition Soit e un nombre réel quelconque et g un nombre réel strictement positif. Soit f la fonction définie sur ℝ par : f 1 !h d )id 5 g√2c La fonction f est une densité de probabilité. Soit une variable aléatoire dont f est la densité de probabilité. Alors " et / existent. On a " e et / g ) On dit que suit la loi normale (ou loi de Laplace-Gauss) de paramètres e et g. On écrit e, g Les paramètres traditionnels d’une loi normale sont donc l’espérance mathématique (que l’on appelle souvent « moyenne » par abus de langage) et l’écart-type car g / g Actuellement, il y a une « évolution » de ces paramètres. On donne toujours e, mais / qui est la variance au lieu de σ. On a alors / / La formule donnant la densité s’écrit alors : !h d !h d 1 1 5 ) 5 ) f √2c/ √/ √2c 3.5) Fonction de répartition Soit une variable à densité qui suit une loi normale de moyenne e et de variance /. Sa densité est donc la fonction f donnée par : !h d 1 ) f 5 √2c/ La fonction de répartition est donnée par la formule ! @ \ ℝ, > # f? &? % Mais nous ne pouvons pas aller plus loin car la primitive de la fonction J 5 par des fonctions usuelles. 3.6) La loi normale centrée réduite d d ne s’exprime pas On considère une variable aléatoire qui suit une loi normale de moyenne e et de variance / g ) avec g 0. On peut associer à la variable centrée réduite Z définie par : 'e Z g Z Déterminons la fonction de répartition de On a i!$h 'e > Z > 0 1 > g , e # f? &? g % On a donc i!$h Ah d 1 Z 5 )id &? > # g√2c % ?'e g Quand ? tend vers '∞, L tend vers '∞. g , e ' e Quand ? g , e, L g On a : Posons L &L Donc On en déduit que > Z # ! 1 1 &? g &? g&L % g√2c 5 d ) g&L # ! 1 5 d ) &L % √2c Nous reconnaissons la fonction de répartition associée à la fonction densité de probabilité que nous avons appelée . Nous avons bien " Z 0, / Z 1, résultats que nous attendions pour une variable centrée réduite. Mais nous avons ici un renseignement supplémentaire : Z suit une loi normale de moyenne 0 et de variance 1. On a donc le théorème suivant : Théorème et définition On dit qu’une variable aléatoire suit une loi normale centrée réduite (ou réduite centrée) si sa fonction de densité est la fonction définie sur ℝ par : 1 !d 5 ) √2c On a alors " 0 et / 1. Si suit une loi normale de moyenne e et d’écart type σ, la variable Z définie par : 'e Z g suit une loi normale centrée réduite. On écrit que Z 0,1 3.7) Importance de la loi normale centrée réduite Le théorème précédent permet de passer de n’importe quelle loi normale à une loi normale particulière : la loi normale centrée réduite. L’idée est alors d’élaborer une table de probabilité pour cette loi. En voici un petit extrait : 0,0 0,1 0,2 0,3 0,4 0,5 0,00 0,50000 0,53983 0,57926 0,61791 0,65542 0,69146 0,01 0,50399 0,54380 0,58317 0,62172 0,65910 0,69497 0,02 0,50798 0,54776 0,58706 0,62552 0,66276 0,69847 0,03 0,51197 0,55172 0,59095 0,62930 0,66640 0,70194 0,04 0,51595 0,55567 0,59483 0,63307 0,67003 0,70540 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 0,72575 0,75804 0,78814 0,81594 0,84134 0,86433 0,88493 0,90320 0,91924 0,72907 0,76115 0,79103 0,81859 0,84375 0,86650 0,88686 0,90490 0,92073 0,73237 0,76424 0,79389 0,82121 0,84614 0,86864 0,88877 0,90658 0,92220 0,73565 0,76730 0,79673 0,82381 0,84849 0,87076 0,89065 0,90824 0,92364 0,73891 0,77035 0,79955 0,82639 0,85083 0,87286 0,89251 0,90988 0,92507 Comment se lit cette table ? Après la transformation de en Z , on sait que Z 0,1 . Si nous cherchons par exemple la probabilité de l’évènement Z 1,23, on écrit 1,23 1,2 , 0,03 On lit alors cette probabilité à l’intersection de la ligne 1,2 et de la ligne 0,03. 1,2 0,00 0,88493 0,01 0,88686 0,02 0,88877 0,03 0,89065 0,04 0,89251 La probabilité recherchée est > Z 1,23 0,89065 La table de la loi normale centrée réduite donne la fonction de répartition de cette loi, c’est-àdire > Z pour variant de 0 à 4 environ (suivant les tables) de 0,01 en 0,01. Considérons une variable aléatoire donc on sait qu’elle suit une loi normale de moyenne 1500 et de variance 10000. On veut déterminer la probabilité de l’évènement 1623. On a donc comme écart type Soit définie par Z On sait que On a g g √10000 100 Z ' 1500 100 Z 0,1 ' 1500 1623 ' 1500 > 1623 > 0 1 100 100 > 1623 > Z 1,23 0,89065 En général on ne conserve que deux ou trois chiffres après la virgule. On écrira > 1623 0,89 Ce qui donne IV) La loi normale centrée réduite 4.1) Utilisation directe de la table Nous avons vu comment on lisait la probabilité d’une valeur comprise entre 0 et 4 (au mieux). Mais la fonction de répartition de la loi normale centrée réduite que l’on note souvent est définie sur ℝ. Si 0,1 , on a ! 1 Ad 5 ) &? > # √2c % Quand nous lisons sur la table que > 1,23 0,89065 nous avons graphiquement : Cette aire vaut O,89065 1,23 Comment procède-t-on dans le cas d’une valeur négative ? Considérons un nombre α positif et cherchons à évaluer > ' . On a 1 !d > ' # 5 ) & % √2c Posons L ' Quand < '∞, on a L < ,∞. Quand ', on a L . On a également &L '& donc & '&L On a donc $% 1 d 1 d 1 d ) ) > ' # 5 '&L ' # 5 &L # 5 ) &L √2c √2c √2c $% $% Or $% $% 1 d 1 d 1 d # 5 ) &L , # 5 ) &L # 5 ) &L 1 √2c % √2c % √2c Donc $% 1 d 1 d ) # 5 &L 1 ' # 5 ) &L 1 ' > 1 ' √2c √2c % On a donc Par exemple > ' 1 ' > > '1,31 1 ' > 1,31 1 ' 0,90490 0,09510 On retrouve graphiquement cette propriété : > ' > ' Examinons maintenant le cas d’un encadrement. Soit à calculer > . Nous savons que > > ' > ' On a par exemple >0,12 1,22 1,22 ' 0,12 0,88877 ' 0,54776 0,34101 On a également >'0,44 1,01 1,01 ' '0,44 1,01 ' ^1 ' 0,44 ` 1,01 , 0,44 ' 1 0,84375 , 0,67003 ' 1 0,51378 On a enfin >'1,34 '0,5 '0,5 ' '1,34 ^1 ' 0,5 ` ' ^1 ' 1,34 ` 1,34 ' 0,5 0,90988 ' 0,69146 0,21842 4.2) Lecture inverse Nous savons que la fonction φ est ici de classe K sur ℝ puisque la fonction densité : 1 ! d 5 ) √2c est continue. Nous savons également qu’elle est croissante. Elle est même dans ce cas strictement croissante puisque O 0 Elle réalise donc une bijection de ℝ sur ]0,1[. Donc @I \0,1, il existe unique dans ℝ tel que I La recherche de connaissant I est un problème fréquent. Par exemple si 0,1 , on veut trouver tel que > 0,9 On cherche donc tel que 0,9 Cherchons 0,9 dans la table. On trouve 1,2 0,08 0,89973 0,09 0,90147 1,28 0,89973 1,29 0,90147 On a La fonction φ étant croissante, on a 1,28 0,9 1,29 1,28 1,29 Approximativement 0,9 est à peu près « au milieu » de l’intervalle [0,89973; 0,90147 On prendra donc 1,285 En fait il est un peu plus près de 0,89973 que de 0,90147. On serait donc tenté de prendre plutôt 1,284. En pratique cela n’a pas beaucoup d’importance parce que la loi normale est un « modèle approximatif » du réel et le résultat que l’on trouve est certainement déjà une valeur approchée quelle que soit la précision que l’on prend. En fait 1,282 Examinons maintenant le cas d’un intervalle : Il n’est pas possible de trouver et tel que par exemple > 0,5 Non pas parce qu’il n’existe pas de tel couple, au contraire : il existe une infinité de couple possible. Examinons la situation sur un tableur en fixant la valeur de pour trouver celle de ¡ -2 -1,8 -1,6 -1,4 -1,2 -1 -0,8 -0,6 -0,4 -0,2 0,02275013 0,03593032 0,05479929 0,08075666 0,11506967 0,15865525 0,2118554 0,27425312 0,34457826 0,42074029 , 0,5 0,52275013 0,53593032 0,55479929 0,58075666 0,61506967 0,65865525 0,7118554 0,77425312 0,84457826 0,92074029 0,05705707 0,09018606 0,13779629 0,20382957 0,29255716 0,40879584 0,55881321 0,75292703 1,01345374 1,41006863 En fait la présence de deux inconnues et ne permet pas une résolution de l’équation. La situation est différente si l’on a un encadrement avec une seule inconnue. Le plus classique est celui-ci : on cherche tel que >' 0,5 En effet, on peut écrire >' ' ' ' ^1 ' ` 2 ' 1 Ce résultat est général >' 2 ' 1 >' 0,5 ¢ 2 ' 1 0,5 ¢ 0,75 On trouve dans la table 0,675 Application On a pu estimer que le poids des rations de viande à la cantine suit une loi normale de moyenne 140 et d’écart type 10. On nommera cette variable aléatoire. Déterminer dans quel intervalle centré en 140, on trouvera 95% des rations de viande. On cherche donc un nombre α tel que >140 ' 140 , 0,95 On a 140 ' ' 140 ' 140 140 , ' 140 >140 ' 140 , > 0 1 10 10 10 > S' Z T 10 10 On sait que Z 0,1 On a > S' Z T 2 S T ' 1 10 10 10 On est donc ramené à résoudre l’équation 2 S T ' 1 0,95 10 Soit S T 0,975 10 On en tire dans la table 1,96 10 Donc 19,6 On en tire >140 ' 19,6 140 , 19,6 0,95 95% des rations de viande ont un poids compris entre 120,4 et 159,6. On aura ici 4.3) Quelques intégrales intéressantes Nous savons que On en tire que Et donc que On a # $% % 1 √2c # 1 √2c # $% % $% % 5 5 !d ) & 1 5 !d ) & 1 !d ) & √2c # 5 % !d ) & # $% 5 !d ) & On démontre cette égalité par le changement de variable L ' dans la première intégrale. Or Et Donc # $% % # 5 & # 5 $% 5 % Et donc # !d ) On sait que si 0,1 , on a # % 1 Donc √2c Et donc # !d ) & , # & 2 # $% $% $% & √2c % 5 Donc !d ) 5 % !d ) # $% !d ) √2c # $% % $% % 5 5 !d ) !d ) & 0 !d ) & 0 !d ) & 5 % !d ) & ' # Ce qui ici n’apporte rien puisque l’on retrouve alors Or # 5 # 5 % On peut par contre déterminer # En effet, on a On en déduit que Or % !d ) $% !d ) & , # 5 !d ) # 5 !d ) $% &. 85 7 & , # 5 O !d )9 !d ) $% 5 5 & ('5 !d ) !d ) & & 0 & # $% % '5 !d )+ & 0 $% !d ) & Toujours par le changement de variable L ', on montre que # 5 5 √2c 2 & " 0 1 5 $% 7 5 !d ) & !d ) '5 7d ) ,1 lim 5 7d ) 5 !d ) 7< Donc # $% 0 & 1 On sait que / 1 Or / " ) ' " ) " ) puisque " 0 Donc " ) 1 Donc $% 1 !d # ) 5 ) & 1 √2c % Donc $% !d 1 ) ) # 5 & 1 √2c % Donc # Remarquons que # $% % $% % )5 )5 !d ) !d ) & √2c & # $% % 5 !d ) & Comme évidemment (par le même changement de variable L ' , on montre que On en tire que # % !d ) ) 5 # $% & # !d ) ) 5 $% !d ) ) 5 & √2c 2 &