Lois de probabilité à densité 27 janvier 2014 I. Variables aléatoires à densité II. Loi uniforme III. Loi exponentielle IV. Savoir-faire I. Variables aléatoires à densité Définition Une variable aléatoire qui peut prendre comme valeur tous les nombres réels d’un intervalle I de R est dite continue. Définition Une variable aléatoire qui peut prendre comme valeur tous les nombres réels d’un intervalle I de R est dite continue. Exemple Soit X la variable aléatoire égale à la durée de vie, en heures, d’une ampoule fabriquée par une entreprise. Définition Une variable aléatoire qui peut prendre comme valeur tous les nombres réels d’un intervalle I de R est dite continue. Exemple Soit X la variable aléatoire égale à la durée de vie, en heures, d’une ampoule fabriquée par une entreprise. Cette durée n’est pas nécessairement un nombre entier d’heures Définition Une variable aléatoire qui peut prendre comme valeur tous les nombres réels d’un intervalle I de R est dite continue. Exemple Soit X la variable aléatoire égale à la durée de vie, en heures, d’une ampoule fabriquée par une entreprise. Cette durée n’est pas nécessairement un nombre entier d’heures et on ne connaı̂t pas la durée maximale de vie d’une telle ampoule. Définition Une variable aléatoire qui peut prendre comme valeur tous les nombres réels d’un intervalle I de R est dite continue. Exemple Soit X la variable aléatoire égale à la durée de vie, en heures, d’une ampoule fabriquée par une entreprise. Cette durée n’est pas nécessairement un nombre entier d’heures et on ne connaı̂t pas la durée maximale de vie d’une telle ampoule. X est une variable aléatoire continue à valeurs dans l’intervalle [0; +∞[. Définition Une fonction densité de probabilité sur un intervalle I est une fonction f Définition Une fonction densité de probabilité sur un intervalle I est une fonction f continue sur I Définition Une fonction densité de probabilité sur un intervalle I est une fonction f continue sur I positive sur I Définition Une fonction densité de probabilité sur un intervalle I est une fonction f continue sur I positive sur I d’intégrale sur I égale à 1 Exercice no 1 Montrer que la fonction f définie sur [0; 1] par f (x) = 3x2 est une fonction densité. Solution La fonction f est Solution La fonction f est continue sur [0; 1] Solution La fonction f est continue sur [0; 1] positive sur [0; 1] Solution La fonction f est continue sur [0; 1] positive sur [0; 1] et Solution La fonction f est continue sur [0; 1] positive sur [0; 1] et Z 0 1 f (x) dx = Solution La fonction f est continue sur [0; 1] positive sur [0; 1] et Z 0 1 f (x) dx = Z 1 0 3x2 dx Solution La fonction f est continue sur [0; 1] positive sur [0; 1] et Z 1 Z 1 f (x) dx = 0 0 Z 1 3x2 dx 0 h i1 f (x) dx = x3 0 Solution La fonction f est continue sur [0; 1] positive sur [0; 1] et Z 1 Z 1 Z 1 f (x) dx = 0 1 3x2 dx 0 h i1 f (x) dx = x3 0 0 0 Z f (x) dx = 1 Solution La fonction f est continue sur [0; 1] positive sur [0; 1] et Z 1 Z 1 Z 1 f (x) dx = 0 Z 1 3x2 dx 0 h i1 f (x) dx = x3 0 0 f (x) dx = 1 0 y 3 2 1 O x 1 Remarque Une densité peut être définie sur un intervalle non borné. Remarque Une densité peut être définie sur un intervalle non borné. Exemple Considérons la fonction f définie sur [0 ; +∞[ par f (x) = e−x Remarque Une densité peut être définie sur un intervalle non borné. Exemple Considérons la fonction f définie sur [0 ; +∞[ par f est continue f (x) = e−x Remarque Une densité peut être définie sur un intervalle non borné. Exemple Considérons la fonction f définie sur [0 ; +∞[ par f est continue et positive sur [0 ; +∞[ f (x) = e−x Remarque Une densité peut être définie sur un intervalle non borné. Exemple Considérons la fonction f définie sur [0 ; +∞[ par f est continue et positive sur [0 ; +∞[ de plus Z 0 x e−t dt = f (x) = e−x Remarque Une densité peut être définie sur un intervalle non borné. Exemple Considérons la fonction f définie sur [0 ; +∞[ par f est continue et positive sur [0 ; +∞[ de plus Z 0 x h ix e−t dt = − e−t 0 f (x) = e−x Remarque Une densité peut être définie sur un intervalle non borné. Exemple Considérons la fonction f définie sur [0 ; +∞[ par f est continue et positive sur [0 ; +∞[ de plus Z x Z x 0 0 donc 0 h ix e−t dt = − e−t e−t dt = f (x) = e−x Remarque Une densité peut être définie sur un intervalle non borné. Exemple Considérons la fonction f définie sur [0 ; +∞[ par f est continue et positive sur [0 ; +∞[ de plus Z x Z x 0 0 donc 0 h ix e−t dt = − e−t h i0 e−t dt = e−t x f (x) = e−x Remarque Une densité peut être définie sur un intervalle non borné. Exemple Considérons la fonction f définie sur [0 ; +∞[ par f est continue et positive sur [0 ; +∞[ de plus Z x Z x Z x 0 0 donc h i0 e−t dt = e−t x 0 0 h ix e−t dt = − e−t e−t dt = f (x) = e−x Remarque Une densité peut être définie sur un intervalle non borné. Exemple Considérons la fonction f définie sur [0 ; +∞[ par f est continue et positive sur [0 ; +∞[ de plus Z x Z x Z x 0 0 donc h i0 e−t dt = e−t x 0 0 h ix e−t dt = − e−t e−t dt = 1 − e−x f (x) = e−x Remarque Une densité peut être définie sur un intervalle non borné. Exemple Considérons la fonction f définie sur [0 ; +∞[ par f est continue et positive sur [0 ; +∞[ de plus Z x Z x Z x 0 0 donc h ix e−t dt = − e−t h i0 e−t dt = e−t x 0 e−t dt = 1 − e−x 0 or lim e−x = 0 x→+∞ f (x) = e−x Remarque Une densité peut être définie sur un intervalle non borné. Exemple Considérons la fonction f définie sur [0 ; +∞[ par f est continue et positive sur [0 ; +∞[ de plus Z x Z x Z x 0 0 donc h ix e−t dt = − e−t h i0 e−t dt = e−t x 0 e−t dt = 1 − e−x 0 lim e−x = 0 or donc x→+∞ Z +∞ e−t dt = 1 0 f (x) = e−x y 1 O 1 2 3 4 5 x Définition Soit X une variable aléatoire continue à valeurs dans un intervalle I. Définition Soit X une variable aléatoire continue à valeurs dans un intervalle I. On dit que X suit une loi de probabilité de densité f si pour tous a et b dans I Définition Soit X une variable aléatoire continue à valeurs dans un intervalle I. On dit que X suit une loi de probabilité de densité f si pour tous a et b dans I P (a 6 X 6 b) = Z b a f (x) dx Définition Soit X une variable aléatoire continue à valeurs dans un intervalle I. On dit que X suit une loi de probabilité de densité f si pour tous a et b dans I P (a 6 X 6 b) = Z b f (x) dx a y 3 2 1 O a b x 1 Exercice no 2 Soit X une variable aléatoire à valeurs dans [0; 1] dont la loi de probabilité a pour densité la fonction f définie par f (x) = 4x3 Calculer la probabilité que X appartienne à l’intervalle [0, 2 ; 0, 5] Calcul d’une probabilité Calcul d’une probabilité on a P (0, 2 6 X 6 0, 5) = Calcul d’une probabilité on a P (0, 2 6 X 6 0, 5) = Z 0,5 0,2 4x3 dx Calcul d’une probabilité on a P (0, 2 6 X 6 0, 5) = Z 0,5 4x3 dx 0,2 h i0,5 P (0, 2 6 X 6 0, 5) = x4 0,2 Calcul d’une probabilité on a P (0, 2 6 X 6 0, 5) = Z 0,5 4x3 dx 0,2 h i0,5 P (0, 2 6 X 6 0, 5) = x4 0,2 P (0, 2 6 X 6 0, 5) = 0, 54 − 0, 24 Calcul d’une probabilité on a P (0, 2 6 X 6 0, 5) = Z 0,5 4x3 dx 0,2 h i0,5 P (0, 2 6 X 6 0, 5) = x4 0,2 P (0, 2 6 X 6 0, 5) = 0, 54 − 0, 24 P (0, 2 6 X 6 0, 5) = 0, 0625 − 0, 0016 Calcul d’une probabilité on a P (0, 2 6 X 6 0, 5) = Z 0,5 4x3 dx 0,2 h i0,5 P (0, 2 6 X 6 0, 5) = x4 0,2 P (0, 2 6 X 6 0, 5) = 0, 54 − 0, 24 P (0, 2 6 X 6 0, 5) = 0, 0625 − 0, 0016 d’où P (0, 2 6 X 6 0, 5) = 0, 0609 Propriétés P (X = a) = 0 Propriétés P (X = a) = 0 P (a 6 X 6 b) = P (a < X 6 b) Propriétés P (X = a) = 0 P (a 6 X 6 b) = P (a < X 6 b) P (a 6 X 6 b) = P (a 6 X < b) Propriétés P (X = a) = 0 P (a 6 X 6 b) = P (a < X 6 b) P (a 6 X 6 b) = P (a 6 X < b) P (a 6 X 6 b) = P (a < X < b) Propriétés P (X = a) = 0 P (a 6 X 6 b) = P (a < X 6 b) P (a 6 X 6 b) = P (a 6 X < b) P (a 6 X 6 b) = P (a < X < b) Remarque Les propriétés des probabilités rencontrées dans le cas discret s’étendent au cas des variables aléatoires à densité. Exercice no 3 Une usine fabrique des pièces dont la taille varie entre 1 et 3 cm. On choisit une pièce au hasard dans la production. On appelle X la taille de cette pièce et on suppose que X suit une loi de probabilité de densité f définie sur [1; 3] 3 . par f (x) = 2x2 1 Vérifier que f est bien une densité. 2 Calculer la probabilité pour que la taille de la pièce soit supérieure à 2 cm. 3 Calculer la probabilité pour que la taille de la pièce soit supérieure à 2 cm sachant qu’elle est supérieure à 1, 5 cm. Les événements X > 2 et X > 1, 5 sont-ils indépendants ? 4 Solution 1 La fonction f est Solution 1 La fonction f est continue, Solution 1 La fonction f est continue, positive sur [1; 3] et Solution 1 La fonction f est continue, positive sur [1; 3] et Z 1 3 f (x) dx = Solution 1 La fonction f est continue, positive sur [1; 3] et Z 1 3 3 3 f (x) dx = − 2x 1 Solution 1 La fonction f est continue, positive sur [1; 3] et Z 3 Z 3 1 1 3 3 f (x) dx = − 2x 1 f (x) dx = Solution 1 La fonction f est continue, positive sur [1; 3] et 3 3 f (x) dx = − 2x 1 1 1 Z 3 3 1 f (x) dx = 2 x 3 1 Z 3 Solution 1 La fonction f est continue, positive sur [1; 3] et 3 3 f (x) dx = − 2x 1 1 1 Z 3 3 1 f (x) dx = 2 x 3 1 Z 3 f (x) dx = 1 Z 1 3 Solution 1 La fonction f est continue, positive sur [1; 3] et 3 3 f (x) dx = − 2x 1 1 1 Z 3 3 1 f (x) dx = 2 x 3 1 Z 3 f (x) dx = 1 Z 3 1 2 La probabilité pour que la taille de la pièce soit supérieure à 2 cm est Solution 1 La fonction f est continue, positive sur [1; 3] et 3 3 f (x) dx = − 2x 1 1 1 Z 3 3 1 f (x) dx = 2 x 3 1 Z 3 f (x) dx = 1 Z 3 1 2 La probabilité pour que la taille de la pièce soit supérieure à 2 cm est P (X > 2) = Solution 1 La fonction f est continue, positive sur [1; 3] et 3 3 f (x) dx = − 2x 1 1 1 Z 3 3 1 f (x) dx = 2 x 3 1 Z 3 f (x) dx = 1 Z 3 1 2 La probabilité pour que la taille de la pièce soit supérieure à 2 cm est Z 3 f (x) dx P (X > 2) = 2 Solution 1 La fonction f est continue, positive sur [1; 3] et 3 3 f (x) dx = − 2x 1 1 1 Z 3 3 1 f (x) dx = 2 x 3 1 Z 3 f (x) dx = 1 Z 3 1 2 La probabilité pour que la taille de la pièce soit supérieure à 2 cm est Z 3 f (x) dx P (X > 2) = 2 P (X > 2) = Solution 1 La fonction f est continue, positive sur [1; 3] et 3 3 f (x) dx = − 2x 1 1 1 Z 3 3 1 f (x) dx = 2 x 3 1 Z 3 f (x) dx = 1 Z 3 1 2 La probabilité pour que la taille de la pièce soit supérieure à 2 cm est Z 3 f (x) dx P (X > 2) = 2 3 3 P (X > 2) = − 2x 2 Solution 1 La fonction f est continue, positive sur [1; 3] et 3 3 f (x) dx = − 2x 1 1 1 Z 3 3 1 f (x) dx = 2 x 3 1 Z 3 f (x) dx = 1 Z 3 1 2 La probabilité pour que la taille de la pièce soit supérieure à 2 cm est Z 3 f (x) dx P (X > 2) = 2 3 3 P (X > 2) = − 2x 2 P (X > 2) = Solution 1 La fonction f est continue, positive sur [1; 3] et 3 3 f (x) dx = − 2x 1 1 1 Z 3 3 1 f (x) dx = 2 x 3 1 Z 3 f (x) dx = 1 Z 3 1 2 La probabilité pour que la taille de la pièce soit supérieure à 2 cm est Z 3 f (x) dx P (X > 2) = 2 3 3 P (X > 2) = − 2x 2 2 3 1 P (X > 2) = 2 x 3 Solution 1 La fonction f est continue, positive sur [1; 3] et 3 3 f (x) dx = − 2x 1 1 1 Z 3 3 1 f (x) dx = 2 x 3 1 Z 3 f (x) dx = 1 Z 3 1 2 La probabilité pour que la taille de la pièce soit supérieure à 2 cm est Z 3 f (x) dx P (X > 2) = 2 3 3 P (X > 2) = − 2x 2 2 3 1 P (X > 2) = 2 x 3 P (X > 2) = 1 4 Solution 1 La fonction f est continue, positive sur [1; 3] et 3 3 f (x) dx = − 2x 1 1 1 Z 3 3 1 f (x) dx = 2 x 3 1 Z 3 f (x) dx = 1 Z 3 1 2 La probabilité pour que la taille de la pièce soit supérieure à 2 cm est Z 3 f (x) dx P (X > 2) = 2 3 3 P (X > 2) = − 2x 2 2 3 1 P (X > 2) = 2 x 3 P (X > 2) = 1 4 Solution 3 Calculons la propabilité conditionnelle P(X>1,5) X > 2 = Solution 3 Calculons la propabilité conditionnelle P (X > 1, 5) ∩ (X > 2) P(X>1,5) X > 2 = P (X > 1, 5) Solution 3 Calculons la propabilité conditionnelle P (X > 1, 5) ∩ (X > 2) P(X>1,5) X > 2 = P (X > 1, 5) P (X > 2) P(X>1,5) X > 2 = P (X > 1, 5) Solution 3 Calculons la propabilité conditionnelle P (X > 1, 5) ∩ (X > 2) P(X>1,5) X > 2 = P (X > 1, 5) or P (X > 2) P(X>1,5) X > 2 = P (X > 1, 5) P (X > 1, 5) = Solution 3 Calculons la propabilité conditionnelle P (X > 1, 5) ∩ (X > 2) P(X>1,5) X > 2 = P (X > 1, 5) or P (X > 2) P(X>1,5) X > 2 = P (X > 1, 5) P (X > 1, 5) = Z 3 f (x) dx 1,5 Solution 3 Calculons la propabilité conditionnelle P (X > 1, 5) ∩ (X > 2) P(X>1,5) X > 2 = P (X > 1, 5) or P (X > 2) P(X>1,5) X > 2 = P (X > 1, 5) P (X > 1, 5) = P (X > 1, 5) = Z 1 2 3 f (x) dx 1,5 Solution 3 Calculons la propabilité conditionnelle P (X > 1, 5) ∩ (X > 2) P(X>1,5) X > 2 = P (X > 1, 5) or P (X > 2) P(X>1,5) X > 2 = P (X > 1, 5) P (X > 1, 5) = P (X > 1, 5) = donc Z 3 f (x) dx 1,5 1 2 P(X>1,5) X > 2 = Solution 3 Calculons la propabilité conditionnelle P (X > 1, 5) ∩ (X > 2) P(X>1,5) X > 2 = P (X > 1, 5) or P (X > 2) P(X>1,5) X > 2 = P (X > 1, 5) P (X > 1, 5) = P (X > 1, 5) = donc Z 3 f (x) dx 1,5 1 2 1 P(X>1,5) X > 2 = × 2 4 Solution 3 Calculons la propabilité conditionnelle P (X > 1, 5) ∩ (X > 2) P(X>1,5) X > 2 = P (X > 1, 5) or P (X > 2) P(X>1,5) X > 2 = P (X > 1, 5) P (X > 1, 5) = P (X > 1, 5) = donc Z 3 f (x) dx 1,5 1 2 1 P(X>1,5) X > 2 = × 2 4 1 P(X>1,5) X > 2 = 2 Solution 3 Calculons la propabilité conditionnelle P (X > 1, 5) ∩ (X > 2) P(X>1,5) X > 2 = P (X > 1, 5) or P (X > 2) P(X>1,5) X > 2 = P (X > 1, 5) P (X > 1, 5) = P (X > 1, 5) = donc Z 3 f (x) dx 1,5 1 2 1 P(X>1,5) X > 2 = × 2 4 1 P(X>1,5) X > 2 = 2 Conclusion La probabilité pour que la taille de la pièce soit supérieure à 2 cm sachant qu’elle 1 . 2 est supérieure à 1, 5 cm est donc de Indépendance 4 d’après ce qui précède P(X>1,5) X > 2 Indépendance 4 d’après ce qui précède P(X>1,5) X > 2 6= P (X > 2) Indépendance 4 d’après ce qui précède P(X>1,5) X > 2 6= P (X > 2) Conclusion Les événements (X > 1, 5) et (X > 2) ne sont donc pas indépendants. Définition Soit X une variable aléatoire continue à valeurs dans un intervalle I ayant pour densité la fonction f . Définition Soit X une variable aléatoire continue à valeurs dans un intervalle I ayant pour densité la fonction f . On appelle espérance de X le nombre Définition Soit X une variable aléatoire continue à valeurs dans un intervalle I ayant pour densité la fonction f . On appelle espérance de X le nombre E(X) = Z xf (x) dx I Exercice no 4 Soit X la variable aléatoire à valeurs dans [0; 2] dont la loi de probabilité a pour densité la fonction définie par x pour x ∈ [0; 1] f (x) = −x + 2 pour x ∈ [1; 2] 1 Représenter la foncton densité. 2 Calculer l’espérance de la variable aléatoire X. Représentation graphique y 1 O 1 2 x Représentation graphique y 1 Cf O 1 2 x Espérance on a Espérance on a E(X) = Espérance on a E(X) = Z 0 2 xf (x) dx Espérance on a E(X) = Z 2 Z 1 xf (x) dx 0 donc E(X) = 0 xf (x) dx + Z 2 xf (x) dx 1 d’après la relation de Chasles Espérance on a E(X) = Z 2 Z 1 Z 1 xf (x) dx 0 donc E(X) = xf (x) dx + 0 E(X) = 0 x × x dx + Z Z 2 xf (x) dx 1 1 2 x(−x + 2) dx d’après la relation de Chasles Espérance on a E(X) = Z 2 Z 1 Z 1 Z 1 xf (x) dx 0 donc E(X) = xf (x) dx + 0 E(X) = x × x dx + 0 Z 2 xf (x) dx 1 2 x(−x + 2) dx 1 0 E(X) = Z x2 dx + Z 1 2 −x2 + 2x dx d’après la relation de Chasles Espérance on a E(X) = Z 2 Z 1 Z 1 Z 1 xf (x) dx 0 donc E(X) = xf (x) dx + 0 E(X) = x × x dx + x2 dx + E(X) = xf (x) dx 1 2 x(−x + 2) dx 1 3 x 3 Z 2 −x2 + 2x dx 1 0 " Z 2 1 0 E(X) = Z #1 0 + " 1 − x3 + x2 3 #2 1 d’après la relation de Chasles Espérance on a E(X) = Z 2 Z 1 Z 1 Z 1 xf (x) dx 0 donc E(X) = xf (x) dx + 0 E(X) = x × x dx + x2 dx + E(X) = E(X) = xf (x) dx 1 2 x(−x + 2) dx 1 3 x 3 1 + 3 Z 2 −x2 + 2x dx 1 0 " Z 2 1 0 E(X) = Z #1 0 + " 1 − x3 + x2 3 8 1 − +4+ −1 3 3 #2 1 d’après la relation de Chasles Espérance on a E(X) = Z 2 Z 1 Z 1 Z 1 xf (x) dx 0 donc E(X) = xf (x) dx + 0 E(X) = x × x dx + x2 dx + E(X) = E(X) = d’où 1 3 x 3 1 + 3 E(X) = 1 xf (x) dx 1 2 x(−x + 2) dx Z 2 −x2 + 2x dx 1 0 " Z 2 1 0 E(X) = Z #1 0 + " 1 − x3 + x2 3 8 1 − +4+ −1 3 3 #2 1 d’après la relation de Chasles II. Loi uniforme Définition Soient a et b deux nombres réels tels que a < b. Définition Soient a et b deux nombres réels tels que a < b. Une variable aléatoire X suit une loi uniforme sur [a; b] Définition Soient a et b deux nombres réels tels que a < b. Une variable aléatoire X suit une loi uniforme sur [a; b] lorsque sa fonction densité est la fonction constante définie sur [a; b] par Définition Soient a et b deux nombres réels tels que a < b. Une variable aléatoire X suit une loi uniforme sur [a; b] lorsque sa fonction densité est la fonction constante définie sur [a; b] par f (x) = 1 b−a Définition Soient a et b deux nombres réels tels que a < b. Une variable aléatoire X suit une loi uniforme sur [a; b] lorsque sa fonction densité est la fonction constante définie sur [a; b] par f (x) = 1 b−a Remarque Cette fonction est bien continue, positive et Z b a f (x) dx = 1. Exemple La densité de la loi uniforme sur [1; 5] Exemple La densité de la loi uniforme sur [1; 5] est la fonction définie par f (x) = 1 . 4 Exemple La densité de la loi uniforme sur [1; 5] est la fonction définie par f (x) = y 0,5 Cf O 1 2 3 4 5 x 1 . 4 Exemple La densité de la loi uniforme sur [1; 5] est la fonction définie par f (x) = y 0,5 Cf O 1 2 3 4 Remarque Choisir un nombre au hasard dans un intervalle [a; b], 5 x 1 . 4 Exemple La densité de la loi uniforme sur [1; 5] est la fonction définie par f (x) = 1 . 4 y 0,5 Cf O 1 2 3 4 5 x Remarque Choisir un nombre au hasard dans un intervalle [a; b], c’est le choisir selon la loi uniforme sur [a; b]. Propriété Soit X une variable aléatoire qui suit la loi uniforme sur [a; b]. Soient c et d deux réels de [a; b] tels que c 6 d Propriété Soit X une variable aléatoire qui suit la loi uniforme sur [a; b]. Soient c et d deux réels de [a; b] tels que c 6 d P (c 6 X 6 d) = Propriété Soit X une variable aléatoire qui suit la loi uniforme sur [a; b]. Soient c et d deux réels de [a; b] tels que c 6 d P (c 6 X 6 d) = d−c b−a Propriété Soit X une variable aléatoire qui suit la loi uniforme sur [a; b]. Soient c et d deux réels de [a; b] tels que c 6 d P (c 6 X 6 d) = Démonstration on a P (c 6 X 6 d) = d−c b−a Propriété Soit X une variable aléatoire qui suit la loi uniforme sur [a; b]. Soient c et d deux réels de [a; b] tels que c 6 d P (c 6 X 6 d) = Démonstration on a P (c 6 X 6 d) = Z d c 1 dx b−a d−c b−a Propriété Soit X une variable aléatoire qui suit la loi uniforme sur [a; b]. Soient c et d deux réels de [a; b] tels que c 6 d P (c 6 X 6 d) = Démonstration on a P (c 6 X 6 d) = P (c 6 X 6 d) = Z d c 1 dx b−a d−c b−a Propriété Soit X une variable aléatoire qui suit la loi uniforme sur [a; b]. Soient c et d deux réels de [a; b] tels que c 6 d P (c 6 X 6 d) = Démonstration on a d 1 dx b−a Z d 1 P (c 6 X 6 d) = 1 dx b−a c P (c 6 X 6 d) = Z c d−c b−a Propriété Soit X une variable aléatoire qui suit la loi uniforme sur [a; b]. Soient c et d deux réels de [a; b] tels que c 6 d P (c 6 X 6 d) = Démonstration on a donc d 1 dx b−a Z d 1 P (c 6 X 6 d) = 1 dx b−a c 1 h id x P (c 6 X 6 d) = c b−a P (c 6 X 6 d) = Z c d−c b−a Propriété Soit X une variable aléatoire qui suit la loi uniforme sur [a; b]. Soient c et d deux réels de [a; b] tels que c 6 d P (c 6 X 6 d) = Démonstration on a donc d 1 dx b−a Z d 1 P (c 6 X 6 d) = 1 dx b−a c 1 h id x P (c 6 X 6 d) = c b−a 1 P (c 6 X 6 d) = d−c b−a P (c 6 X 6 d) = Z c d−c b−a Propriété Soit X une variable aléatoire qui suit la loi uniforme sur [a; b]. Soient c et d deux réels de [a; b] tels que c 6 d P (c 6 X 6 d) = Démonstration on a donc d’où d 1 dx b−a Z d 1 P (c 6 X 6 d) = 1 dx b−a c 1 h id x P (c 6 X 6 d) = c b−a 1 P (c 6 X 6 d) = d−c b−a P (c 6 X 6 d) = P (c 6 X 6 d) = Z c d−c b−a d−c b−a Exercice no 5 On choisit au hasard un réel entre 0 et 2. 1 Quelle est la probabilité qu’il soit supérieur au égal à 0, 8 ? 2 Quelle est la probabilité qu’il soit compris entre 0, 3 et 0, 7 ? Solution Soit X la variable aléatoire égale au nombre choisi. Solution Soit X la variable aléatoire égale au nombre choisi. X suit la loi uniforme sur [0; 2]. Solution Soit X la variable aléatoire égale au nombre choisi. X suit la loi uniforme sur [0; 2]. on a P (X > 0, 8) = Solution Soit X la variable aléatoire égale au nombre choisi. X suit la loi uniforme sur [0; 2]. on a P (X > 0, 8) = Z 2 0,8 1 dx 2−0 Solution Soit X la variable aléatoire égale au nombre choisi. X suit la loi uniforme sur [0; 2]. on a P (X > 0, 8) = Z 2 0,8 P (X > 0, 8) = 1 dx 2−0 2 − 0, 8 2 Solution Soit X la variable aléatoire égale au nombre choisi. X suit la loi uniforme sur [0; 2]. on a P (X > 0, 8) = Z 2 0,8 1 dx 2−0 P (X > 0, 8) = 2 − 0, 8 2 P (X > 0, 8) = 1, 2 2 Solution Soit X la variable aléatoire égale au nombre choisi. X suit la loi uniforme sur [0; 2]. on a P (X > 0, 8) = Z 2 0,8 d’où 1 dx 2−0 P (X > 0, 8) = 2 − 0, 8 2 P (X > 0, 8) = 1, 2 2 P (X > 0, 8) = 3 5 Solution Soit X la variable aléatoire égale au nombre choisi. X suit la loi uniforme sur [0; 2]. on a P (X > 0, 8) = Z 2 0,8 d’où 1 dx 2−0 P (X > 0, 8) = 2 − 0, 8 2 P (X > 0, 8) = 1, 2 2 P (X > 0, 8) = 3 5 et P (0, 3 6 X 6 0, 7) = Solution Soit X la variable aléatoire égale au nombre choisi. X suit la loi uniforme sur [0; 2]. on a P (X > 0, 8) = Z 2 0,8 d’où 1 dx 2−0 P (X > 0, 8) = 2 − 0, 8 2 P (X > 0, 8) = 1, 2 2 P (X > 0, 8) = 3 5 et P (0, 3 6 X 6 0, 7) = Z 0,7 0,3 1 dx 2−0 Solution Soit X la variable aléatoire égale au nombre choisi. X suit la loi uniforme sur [0; 2]. on a P (X > 0, 8) = Z 2 0,8 d’où 1 dx 2−0 P (X > 0, 8) = 2 − 0, 8 2 P (X > 0, 8) = 1, 2 2 P (X > 0, 8) = 3 5 et P (0, 3 6 X 6 0, 7) = P (0, 3 6 X 6 0, 7) = Z 0,7 0,3 1 dx 2−0 0, 7 − 0, 3 2 Solution Soit X la variable aléatoire égale au nombre choisi. X suit la loi uniforme sur [0; 2]. on a P (X > 0, 8) = Z 2 0,8 d’où 1 dx 2−0 et P (0, 3 6 X 6 0, 7) = Z 0,7 0,3 1 dx 2−0 P (X > 0, 8) = 2 − 0, 8 2 P (0, 3 6 X 6 0, 7) = 0, 7 − 0, 3 2 P (X > 0, 8) = 1, 2 2 P (0, 3 6 X 6 0, 7) = 0, 4 2 P (X > 0, 8) = 3 5 Solution Soit X la variable aléatoire égale au nombre choisi. X suit la loi uniforme sur [0; 2]. on a P (X > 0, 8) = Z 2 0,8 d’où 1 dx 2−0 et P (0, 3 6 X 6 0, 7) = Z 0,7 0,3 1 dx 2−0 P (X > 0, 8) = 2 − 0, 8 2 P (0, 3 6 X 6 0, 7) = 0, 7 − 0, 3 2 P (X > 0, 8) = 1, 2 2 P (0, 3 6 X 6 0, 7) = 0, 4 2 P (X > 0, 8) = 3 5 P (0, 3 6 X 6 0, 7) = 1 5 Propriété Soit X une variable aléatoire qui suit la loi uniforme sur [a; b]. Propriété Soit X une variable aléatoire qui suit la loi uniforme sur [a; b]. Son espérance est Propriété Soit X une variable aléatoire qui suit la loi uniforme sur [a; b]. Son espérance est E(X) = a+b 2 Propriété Soit X une variable aléatoire qui suit la loi uniforme sur [a; b]. Son espérance est E(X) = Démonstration on sait que E(X) = a+b 2 Propriété Soit X une variable aléatoire qui suit la loi uniforme sur [a; b]. Son espérance est E(X) = Démonstration on sait que E(X) = Z b a x× 1 dx b−a a+b 2 Propriété Soit X une variable aléatoire qui suit la loi uniforme sur [a; b]. Son espérance est E(X) = Démonstration on sait que b 1 dx b−a 1 2 b 1 x E(X) = b−a 2 a E(X) = Z a x× a+b 2 Propriété Soit X une variable aléatoire qui suit la loi uniforme sur [a; b]. Son espérance est E(X) = Démonstration on sait que b 1 dx b−a 1 2 b 1 x E(X) = b−a 2 a E(X) = Z x× a E(X) = 1 b2 − a2 2(b − a) a+b 2 Propriété Soit X une variable aléatoire qui suit la loi uniforme sur [a; b]. Son espérance est E(X) = Démonstration on sait que b 1 dx b−a 1 2 b 1 x E(X) = b−a 2 a E(X) = Z x× a E(X) = E(X) = 1 b2 − a2 2(b − a) (b − a)(b + a) 2(b − a) a+b 2 Propriété Soit X une variable aléatoire qui suit la loi uniforme sur [a; b]. Son espérance est E(X) = Démonstration on sait que b 1 dx b−a 1 2 b 1 x E(X) = b−a 2 a E(X) = Z x× a E(X) = 1 b2 − a2 2(b − a) E(X) = (b − a)(b + a) 2(b − a) E(X) = a+b 2 a+b 2 III. Loi exponentielle Définition Soit λ un réel strictement positif. Définition Soit λ un réel strictement positif. Une variable aléatoire X suit une loi exponentielle de paramètre λ Définition Soit λ un réel strictement positif. Une variable aléatoire X suit une loi exponentielle de paramètre λ lorsqu’elle admet pour densité la fonction f définie sur [0; +∞[ par Définition Soit λ un réel strictement positif. Une variable aléatoire X suit une loi exponentielle de paramètre λ lorsqu’elle admet pour densité la fonction f définie sur [0; +∞[ par f (x) = λe−λx Définition Soit λ un réel strictement positif. Une variable aléatoire X suit une loi exponentielle de paramètre λ lorsqu’elle admet pour densité la fonction f définie sur [0; +∞[ par f (x) = λe−λx y 2 1 O 1 2 3 x Définition Soit λ un réel strictement positif. Une variable aléatoire X suit une loi exponentielle de paramètre λ lorsqu’elle admet pour densité la fonction f définie sur [0; +∞[ par f (x) = λe−λx y 2 λ 1 O 1 2 3 x Remarque La fonction f est bien une fonction densité. Remarque La fonction f est bien une fonction densité. Démonstration f est continue Remarque La fonction f est bien une fonction densité. Démonstration f est continue et positive sur [0 ; +∞[ Remarque La fonction f est bien une fonction densité. Démonstration f est continue et positive sur [0 ; +∞[ de plus Z 0 x λe−λt dt = Remarque La fonction f est bien une fonction densité. Démonstration f est continue et positive sur [0 ; +∞[ de plus Z 0 x h ix λe−λt dt = − e−λt 0 Remarque La fonction f est bien une fonction densité. Démonstration f est continue et positive sur [0 ; +∞[ de plus Z x Z x 0 0 donc 0 h ix λe−λt dt = − e−λt λe−λt dt = Remarque La fonction f est bien une fonction densité. Démonstration f est continue et positive sur [0 ; +∞[ de plus Z x Z x 0 0 donc 0 h ix λe−λt dt = − e−λt h λe−λt dt = e−λt i0 x Remarque La fonction f est bien une fonction densité. Démonstration f est continue et positive sur [0 ; +∞[ de plus Z x Z x Z x 0 0 donc h ix λe−λt dt = − e−λt h λe−λt dt = e−λt 0 0 λe−λt dt = i0 x Remarque La fonction f est bien une fonction densité. Démonstration f est continue et positive sur [0 ; +∞[ de plus Z x Z x Z x 0 0 donc h λe−λt dt = e−λt 0 0 h ix λe−λt dt = − e−λt i0 x λe−λt dt = 1 − e−λx Remarque La fonction f est bien une fonction densité. Démonstration f est continue et positive sur [0 ; +∞[ de plus Z x Z x Z x 0 0 donc h ix λe−λt dt = − e−λt h λe−λt dt = e−λt 0 x λe−λt dt = 1 − e−λx 0 or i0 lim e−λx = 0 x→+∞ Remarque La fonction f est bien une fonction densité. Démonstration f est continue et positive sur [0 ; +∞[ de plus Z x Z x Z x 0 0 donc h ix λe−λt dt = − e−λt h λe−λt dt = e−λt 0 donc lim e−λx = 0 x→+∞ Z +∞ λe−λt dt = 1 0 x λe−λt dt = 1 − e−λx 0 or i0 Exercice no 6 Calculer P (2 6 X 6 5) où X est une variable aléatoire qui suit la loi exponentielle de paramètre 0, 1. Solution on a P (2 6 X 6 5) = Solution on a P (2 6 X 6 5) = Z 2 5 0, 1e−0,1x dx Solution on a P (2 6 X 6 5) = Z 5 0, 1e−0,1x dx 2 h i5 P (2 6 X 6 5) = − e−0,1x 2 Solution on a P (2 6 X 6 5) = Z 5 0, 1e−0,1x dx 2 h i5 P (2 6 X 6 5) = − e−0,1x 2 h P (2 6 X 6 5) = e−0,1x i2 5 Solution on a P (2 6 X 6 5) = Z 5 0, 1e−0,1x dx 2 h i5 P (2 6 X 6 5) = − e−0,1x 2 h P (2 6 X 6 5) = e−0,1x P (2 6 X 6 5) = e −0,2 i2 5 − e−0,5 Solution on a P (2 6 X 6 5) = Z 5 0, 1e−0,1x dx 2 h i5 P (2 6 X 6 5) = − e−0,1x 2 h P (2 6 X 6 5) = e−0,1x P (2 6 X 6 5) = e d’où −0,2 i2 5 − e−0,5 P (2 6 X 6 5) ≃ 0, 2122 Solution on a P (2 6 X 6 5) = Z 5 0, 1e−0,1x dx 2 h i5 P (2 6 X 6 5) = − e−0,1x 2 h P (2 6 X 6 5) = e−0,1x P (2 6 X 6 5) = e d’où −0,2 i2 5 − e−0,5 P (2 6 X 6 5) ≃ 0, 2122 Propriété Soit X une variable aléatoire qui suit la loi exponentielle de paramètre λ. Propriété Soit X une variable aléatoire qui suit la loi exponentielle de paramètre λ. Soient a et b deux réels positifs tels que a 6 b. Propriété Soit X une variable aléatoire qui suit la loi exponentielle de paramètre λ. Soient a et b deux réels positifs tels que a 6 b. P (a 6 X 6 b) = Propriété Soit X une variable aléatoire qui suit la loi exponentielle de paramètre λ. Soient a et b deux réels positifs tels que a 6 b. P (a 6 X 6 b) = e−λa − e−λb Propriété Soit X une variable aléatoire qui suit la loi exponentielle de paramètre λ. Soient a et b deux réels positifs tels que a 6 b. P (a 6 X 6 b) = e−λa − e−λb P (0 6 X 6 a) = Propriété Soit X une variable aléatoire qui suit la loi exponentielle de paramètre λ. Soient a et b deux réels positifs tels que a 6 b. P (a 6 X 6 b) = e−λa − e−λb P (0 6 X 6 a) = 1 − e−λa Propriété Soit X une variable aléatoire qui suit la loi exponentielle de paramètre λ. Soient a et b deux réels positifs tels que a 6 b. P (a 6 X 6 b) = e−λa − e−λb P (0 6 X 6 a) = 1 − e−λa P (X > a) = Propriété Soit X une variable aléatoire qui suit la loi exponentielle de paramètre λ. Soient a et b deux réels positifs tels que a 6 b. P (a 6 X 6 b) = e−λa − e−λb P (0 6 X 6 a) = 1 − e−λa P (X > a) = e−λa Démonstration on a Démonstration on a P (a 6 X 6 b) = Démonstration on a P (a 6 X 6 b) = Z b a λe−λx dx Démonstration on a P (a 6 X 6 b) = Z b λe−λx dx a ib h P (a 6 X 6 b) = − e−λx a Démonstration on a P (a 6 X 6 b) = Z b λe−λx dx a ib h P (a 6 X 6 b) = − e−λx a h P (a 6 X 6 b) = − e −λx ia b Démonstration on a P (a 6 X 6 b) = Z b λe−λx dx a ib h P (a 6 X 6 b) = − e−λx a h P (a 6 X 6 b) = − e P (a 6 X 6 b) = e −λa −λx ia b −e −λb Démonstration on a P (a 6 X 6 b) = Z b λe−λx dx a ib h P (a 6 X 6 b) = − e−λx a h P (a 6 X 6 b) = − e P (a 6 X 6 b) = e on en déduit que −λa −λx ia b −e P (0 6 X 6 a) = 1 − e−λa −λb Démonstration on a P (a 6 X 6 b) = Z b λe−λx dx a ib h P (a 6 X 6 b) = − e−λx a h P (a 6 X 6 b) = − e P (a 6 X 6 b) = e on en déduit que de plus −λa −λx b −e P (0 6 X 6 a) = 1 − e−λa P (X > a) = ia −λb Démonstration on a P (a 6 X 6 b) = Z b λe−λx dx a ib h P (a 6 X 6 b) = − e−λx a h P (a 6 X 6 b) = − e P (a 6 X 6 b) = e on en déduit que de plus −λa −λx ia b −e −λb P (0 6 X 6 a) = 1 − e−λa P (X > a) = P (X > a) Démonstration on a P (a 6 X 6 b) = Z b λe−λx dx a ib h P (a 6 X 6 b) = − e−λx a h P (a 6 X 6 b) = − e P (a 6 X 6 b) = e on en déduit que de plus −λa −λx ia b −e −λb P (0 6 X 6 a) = 1 − e−λa P (X > a) = P (X > a) P (X > a) = 1 − P (X 6 a) Démonstration on a P (a 6 X 6 b) = Z b λe−λx dx a ib h P (a 6 X 6 b) = − e−λx a h P (a 6 X 6 b) = − e P (a 6 X 6 b) = e on en déduit que de plus −λa −λx ia b −e −λb P (0 6 X 6 a) = 1 − e−λa P (X > a) = P (X > a) P (X > a) = 1 − P (X 6 a) P (X > a) = 1 − (1 − e−λa ) Démonstration on a P (a 6 X 6 b) = Z b λe−λx dx a ib h P (a 6 X 6 b) = − e−λx a h P (a 6 X 6 b) = − e P (a 6 X 6 b) = e on en déduit que de plus −λa −λx ia b −e −λb P (0 6 X 6 a) = 1 − e−λa P (X > a) = P (X > a) P (X > a) = 1 − P (X 6 a) P (X > a) = 1 − (1 − e−λa ) P (X > a) = e−λa Remarque Une variable aléatoire X suivant une loi exponentielle vérifie la propriété de vie sans vieillissement. Remarque Une variable aléatoire X suivant une loi exponentielle vérifie la propriété de vie sans vieillissement. Quels que soient les réels positifs t et h Remarque Une variable aléatoire X suivant une loi exponentielle vérifie la propriété de vie sans vieillissement. Quels que soient les réels positifs t et h P(X>t) X > t + h = Remarque Une variable aléatoire X suivant une loi exponentielle vérifie la propriété de vie sans vieillissement. Quels que soient les réels positifs t et h P(X>t) X > t + h = P (X > h) Remarque Une variable aléatoire X suivant une loi exponentielle vérifie la propriété de vie sans vieillissement. Quels que soient les réels positifs t et h P(X>t) X > t + h = P (X > h) Cela se traduit par le fait que la durée de vie restante Remarque Une variable aléatoire X suivant une loi exponentielle vérifie la propriété de vie sans vieillissement. Quels que soient les réels positifs t et h P(X>t) X > t + h = P (X > h) Cela se traduit par le fait que la durée de vie restante est indépendante de la durée de la vie déja écoulée. Propriété L’espérance d’une variable X qui suit une loi exponentielle de paramètre λ est Propriété L’espérance d’une variable X qui suit une loi exponentielle de paramètre λ est E(X) = 1 λ Démonstration on sait que E(X) = Démonstration on sait que E(X) = Z 0 +∞ t × λe−λt dt Démonstration on sait que E(X) = Z 0 E(X) = +∞ t × λe−λt dt Démonstration on sait que E(X) = Z +∞ t × λe−λt dt 0 E(X) = lim x→+∞ Z 0 x λte−λt dt Démonstration on sait que E(X) = Z +∞ t × λe−λt dt 0 E(X) = lim x→+∞ Z x λte−λt dt 0 cherchons une primitive de g(t) = λte−λt sous la forme Démonstration on sait que E(X) = Z +∞ t × λe−λt dt 0 E(X) = lim x→+∞ Z x λte−λt dt 0 cherchons une primitive de g(t) = λte−λt sous la forme G(t) = (at + b)e−λt on a G′ (t) = Démonstration on sait que E(X) = Z +∞ t × λe−λt dt 0 E(X) = lim x→+∞ Z x λte−λt dt 0 cherchons une primitive de g(t) = λte−λt sous la forme G(t) = (at + b)e−λt on a G′ (t) = ae−λt − λ(at + b)e−λt Démonstration on sait que E(X) = Z +∞ t × λe−λt dt 0 E(X) = lim x→+∞ Z x λte−λt dt 0 cherchons une primitive de g(t) = λte−λt sous la forme G(t) = (at + b)e−λt on a G′ (t) = ae−λt − λ(at + b)e−λt donc G′ (t) = (−λat + a − λb)e−λt Démonstration on sait que E(X) = Z +∞ t × λe−λt dt 0 E(X) = lim x→+∞ Z x λte−λt dt 0 cherchons une primitive de g(t) = λte−λt sous la forme G(t) = (at + b)e−λt on a G′ (t) = ae−λt − λ(at + b)e−λt donc G′ (t) = (−λat + a − λb)e−λt or G′ (t) = g(t) ⇐⇒ −a = 1 a − λb = 0 Démonstration on sait que E(X) = Z +∞ t × λe−λt dt 0 E(X) = lim x→+∞ Z x λte−λt dt 0 cherchons une primitive de g(t) = λte−λt sous la forme G(t) = (at + b)e−λt on a G′ (t) = ae−λt − λ(at + b)e−λt donc G′ (t) = (−λat + a − λb)e−λt or G′ (t) = g(t) ⇐⇒ −a = 1 a − λb = 0 d’où G′ (t) = g(t) ⇐⇒ a = −1 1 b = − λ Démonstration on sait que E(X) = Z +∞ t × λe−λt dt 0 E(X) = lim x→+∞ Z x λte−λt dt 0 cherchons une primitive de g(t) = λte−λt sous la forme G(t) = (at + b)e−λt on a G′ (t) = ae−λt − λ(at + b)e−λt donc G′ (t) = (−λat + a − λb)e−λt or G′ (t) = g(t) ⇐⇒ −a = 1 a − λb = 0 d’où G′ (t) = g(t) ⇐⇒ a = −1 1 b = − λ Démonstration par conséquent Démonstration par conséquent Z 0 x tλe−λt dx = Démonstration par conséquent Z 0 x tλe−λt dx = −t − 1 λ e−λt x 0 Démonstration par conséquent x 1 e−λt λ 0 0 Z x 1 1 e−λx + tλe−λt dx = −x − λ λ 0 Z x tλe−λt dx = −t − Démonstration par conséquent x 1 e−λt λ 0 0 Z x 1 1 e−λx + tλe−λt dx = −x − λ λ 0 Z x 1 1 tλe−λt dx = −xe−λx − e−λx + λ λ 0 Z x tλe−λt dx = −t − Démonstration par conséquent x 1 e−λt λ 0 0 Z x 1 1 e−λx + tλe−λt dx = −x − λ λ 0 Z x 1 1 tλe−λt dx = −xe−λx − e−λx + λ λ 0 Z x 1 1 1 tλe−λt dx = (−λxe−λx ) − e−λx + λ λ λ 0 Z d’où or x tλe−λt dx = lim e−λx = 0 x→+∞ −t − Démonstration par conséquent x 1 e−λt λ 0 0 Z x 1 1 e−λx + tλe−λt dx = −x − λ λ 0 Z x 1 1 tλe−λt dx = −xe−λx − e−λx + λ λ 0 Z x 1 1 1 tλe−λt dx = (−λxe−λx ) − e−λx + λ λ λ 0 Z d’où or et x tλe−λt dx = lim e−λx = 0 x→+∞ lim −λxe−λx = 0 x→+∞ −t − Démonstration par conséquent x 1 e−λt λ 0 0 Z x 1 1 e−λx + tλe−λt dx = −x − λ λ 0 Z x 1 1 tλe−λt dx = −xe−λx − e−λx + λ λ 0 Z x 1 1 1 tλe−λt dx = (−λxe−λx ) − e−λx + λ λ λ 0 Z d’où or et x tλe−λt dx = −t − lim e−λx = 0 x→+∞ lim −λxe−λx = 0 x→+∞ par croissance comparée Démonstration par conséquent x 1 e−λt λ 0 0 Z x 1 1 e−λx + tλe−λt dx = −x − λ λ 0 Z x 1 1 tλe−λt dx = −xe−λx − e−λx + λ λ 0 Z x 1 1 1 tλe−λt dx = (−λxe−λx ) − e−λx + λ λ λ 0 x Z d’où donc −t − lim e−λx = 0 or et tλe−λt dx = x→+∞ lim −λxe−λx = 0 x→+∞ lim x→+∞ Z x λte−λt dt = 0 1 λ par croissance comparée Démonstration par conséquent x 1 e−λt λ 0 0 Z x 1 1 e−λx + tλe−λt dx = −x − λ λ 0 Z x 1 1 tλe−λt dx = −xe−λx − e−λx + λ λ 0 Z x 1 1 1 tλe−λt dx = (−λxe−λx ) − e−λx + λ λ λ 0 x Z d’où donc d’où −t − lim e−λx = 0 or et tλe−λt dx = x→+∞ lim −λxe−λx = 0 x→+∞ lim x→+∞ Z x λte−λt dt = 1 λ E(x) = 1 λ 0 par croissance comparée Exercice no 7 La durée de vie X, en heures, d’un composant électrique est modélisée par la loi exponentielle de paramètre 0, 005. On choisit un composant au hasard. 1 Calculer la probabilité qu’il ait une durée de vie inférieure à 100 heures. 2 Calculer la probabilité qu’il soit encore en état de marche au bout de 250 heures. 3 Calculer la durée de vie moyenne de l’un de ces composants. Solution 1 Probabilité on a P (X 6 100) = Solution 1 Probabilité on a P (X 6 100) = Z 0 100 0, 005e−0,005x dx Solution 1 Probabilité on a P (X 6 100) = Z 100 0, 005e−0,005x dx 0 h i100 P (X 6 100) = − e−0,005x 0 Solution 1 Probabilité on a P (X 6 100) = Z 100 0, 005e−0,005x dx 0 h i100 P (X 6 100) = − e−0,005x 0 h i0 P (X 6 100) = e−0,005x 100 Solution 1 Probabilité on a P (X 6 100) = Z 100 0, 005e−0,005x dx 0 h i100 P (X 6 100) = − e−0,005x 0 h i0 P (X 6 100) = e−0,005x 100 P (X 6 100) = 1 − e−0,5 Solution 1 Probabilité on a P (X 6 100) = Z 100 0, 005e−0,005x dx 0 h i100 P (X 6 100) = − e−0,005x 0 h i0 P (X 6 100) = e−0,005x 100 P (X 6 100) = 1 − e−0,5 d’où P (X 6 100) ≃ 0, 393 Solution 1 Probabilité on a P (X 6 100) = Z 100 0, 005e−0,005x dx 0 h i100 P (X 6 100) = − e−0,005x 0 h i0 P (X 6 100) = e−0,005x 100 P (X 6 100) = 1 − e−0,5 d’où P (X 6 100) ≃ 0, 393 Conclusion La probabilité que le composant ait une durée de vie inférieure à 100 heures est d’environ 0, 393. Solution 2 Probabilité on a P (X > 250) = Solution 2 Probabilité on a P (X > 250) = 1 − P (X 6 250) Solution 2 Probabilité on a P (X > 250) = 1 − P (X 6 250) P (X > 250) = 1 − Z 250 0, 005e−0,005x dx 0 Solution 2 Probabilité on a P (X > 250) = 1 − P (X 6 250) P (X > 250) = 1 − Z 250 0, 005e−0,005x dx 0 h i250 P (X > 250) = 1 − − e−0,005x 0 Solution 2 Probabilité on a P (X > 250) = 1 − P (X 6 250) P (X > 250) = 1 − Z 250 0, 005e−0,005x dx 0 h i250 P (X > 250) = 1 − − e−0,005x 0 h P (X > 250) = 1 − e−0,005x i0 250 Solution 2 Probabilité on a P (X > 250) = 1 − P (X 6 250) P (X > 250) = 1 − Z 250 0, 005e−0,005x dx 0 h i250 P (X > 250) = 1 − − e−0,005x 0 h P (X > 250) = 1 − e−0,005x P (X > 250) = e−1,25 i0 250 Solution 2 Probabilité on a P (X > 250) = 1 − P (X 6 250) P (X > 250) = 1 − Z 250 0, 005e−0,005x dx 0 h i250 P (X > 250) = 1 − − e−0,005x 0 h P (X > 250) = 1 − e−0,005x P (X > 250) = e−1,25 d’où P (X > 250) ≃ 0, 287 i0 250 Solution 2 Probabilité on a P (X > 250) = 1 − P (X 6 250) P (X > 250) = 1 − Z 250 0, 005e−0,005x dx 0 h i250 P (X > 250) = 1 − − e−0,005x 0 h P (X > 250) = 1 − e−0,005x i0 250 P (X > 250) = e−1,25 d’où P (X > 250) ≃ 0, 287 Conclusion La probabilité que le composant soit encore en état de marche au bout de 250 heures est d’environ 0, 287. Solution 3 Espérance on a E(X) = Solution 3 Espérance on a E(X) = 1 0, 005 Solution 3 Espérance 1 0, 005 on a E(X) = d’où E(X) = 200 Solution 3 Espérance 1 0, 005 on a E(X) = d’où E(X) = 200 Conclusion La durée de vie moyenne de l’un de ces composants est de 200 heures. IV. Savoir-faire 1 Utiliser une loi à densité 2 Utiliser une loi uniforme 3 Utiliser une loi exponentielle 4 Calculer le paramètre d’une loi exponentielle 5 Utiliser la durée de vie sans vieillissement Exercice no 1 La production quotidienne X d’un produit en tonnes est une variable aléatoire continue qui prend ses valeurs dans l’intervalle [0; 10] avec la densité de probabilité f définie par l’expression f (x) = 0, 006 10x − x2 1 Vérifier que f est bien une densité de probabilité sur [0; 10]. 2 Calculer la probabilité des événements A:“X 67” 3 B : “ la production quotidienne dépasse 6 tonnes ” Calculer l’espérance mathématique E(X). Densité de probabilité Densité de probabilité Il faut vérifier que la fonction f est Densité de probabilité Il faut vérifier que la fonction f est continue Densité de probabilité Il faut vérifier que la fonction f est continue positive Densité de probabilité Il faut vérifier que la fonction f est continue positive et telle que l’intégrale sur [0; 10] est égale à 1 Densité de probabilité Il faut vérifier que la fonction f est continue positive et telle que l’intégrale sur [0; 10] est égale à 1 on sait que Densité de probabilité Il faut vérifier que la fonction f est continue positive et telle que l’intégrale sur [0; 10] est égale à 1 on sait que f est un polynôme du second degré Densité de probabilité Il faut vérifier que la fonction f est continue positive et telle que l’intégrale sur [0; 10] est égale à 1 on sait que f est un polynôme du second degré donc f est continue sur [0; 10] Densité de probabilité Il faut vérifier que la fonction f est continue positive et telle que l’intégrale sur [0; 10] est égale à 1 on sait que f est un polynôme du second degré donc f est continue sur [0; 10] de plus f (x) = 0, 006 10x − x2 Densité de probabilité Il faut vérifier que la fonction f est continue positive et telle que l’intégrale sur [0; 10] est égale à 1 on sait que f est un polynôme du second degré donc f est continue sur [0; 10] de plus f (x) = 0, 006 10x − x2 donc f (x) = 0, 006x(10 − x) Densité de probabilité Il faut vérifier que la fonction f est continue positive et telle que l’intégrale sur [0; 10] est égale à 1 on sait que f est un polynôme du second degré donc f est continue sur [0; 10] de plus f (x) = 0, 006 10x − x2 donc f (x) = 0, 006x(10 − x) f admet 0 et 10 comme racine Densité de probabilité Il faut vérifier que la fonction f est continue positive et telle que l’intégrale sur [0; 10] est égale à 1 on sait que f est un polynôme du second degré donc f est continue sur [0; 10] de plus f (x) = 0, 006 10x − x2 donc f (x) = 0, 006x(10 − x) f admet 0 et 10 comme racine or sa parabole est “tournée vers le bas ” Densité de probabilité Il faut vérifier que la fonction f est continue positive et telle que l’intégrale sur [0; 10] est égale à 1 on sait que f est un polynôme du second degré donc f est continue sur [0; 10] de plus f (x) = 0, 006 10x − x2 donc f (x) = 0, 006x(10 − x) f admet 0 et 10 comme racine or sa parabole est “tournée vers le bas ” donc f (x) > 0 sur [0; 10] Densité de probabilité Il faut vérifier que la fonction f est continue positive et telle que l’intégrale sur [0; 10] est égale à 1 enfin Z 0 10 f (x) dx = Z 0 10 0, 006 10x − x2 dx Densité de probabilité Il faut vérifier que la fonction f est continue positive et telle que l’intégrale sur [0; 10] est égale à 1 enfin Z 10 Z 10 f (x) dx = 0 0 donc 0 Z 10 0, 006 10x − x2 dx h 1 i10 f (x) dx = 0, 006 5x2 − x3 0 3 Densité de probabilité Il faut vérifier que la fonction f est continue positive et telle que l’intégrale sur [0; 10] est égale à 1 enfin 10 Z 10 h 1 i10 f (x) dx = 0, 006 5x2 − x3 0 3 Z 10 1000 f (x) dx = 0, 006 500 − 3 f (x) dx = 0 0 Z 0 0 donc 10 Z 0, 006 10x − x2 dx Densité de probabilité Il faut vérifier que la fonction f est continue positive et telle que l’intégrale sur [0; 10] est égale à 1 enfin 10 Z 10 h 1 i10 f (x) dx = 0, 006 5x2 − x3 0 3 Z 10 1000 f (x) dx = 0, 006 500 − 3 Z 10 f (x) dx = 0 0 d’où 0 Z 0 0 donc 10 Z f (x) dx = 1 0, 006 10x − x2 dx Calcul de probabilité notons F la primitive de f définie par 1 F (x) = 0, 006 5x2 − x3 3 Calcul de probabilité notons F la primitive de f définie par 1 F (x) = 0, 006 5x2 − x3 3 on a P (A) = P (X 6 7) Calcul de probabilité notons F la primitive de f définie par 1 F (x) = 0, 006 5x2 − x3 3 on a P (A) = P (X 6 7) P (A) = Z 0 7 f (x) dx Calcul de probabilité notons F la primitive de f définie par 1 F (x) = 0, 006 5x2 − x3 3 on a P (A) = P (X 6 7) P (A) = Z 7 f (x) dx 0 P (A) = F (7) − F (0) Calcul de probabilité notons F la primitive de f définie par 1 F (x) = 0, 006 5x2 − x3 3 on a P (A) = P (X 6 7) P (A) = Z 7 f (x) dx 0 P (A) = F (7) − F (0) P (A) = 0, 784 Calcul de probabilité notons F la primitive de f définie par 1 F (x) = 0, 006 5x2 − x3 3 on a P (A) = P (X 6 7) P (A) = Z 7 f (x) dx 0 P (A) = F (7) − F (0) P (A) = 0, 784 P (B) = P (X > 6) Calcul de probabilité notons F la primitive de f définie par 1 F (x) = 0, 006 5x2 − x3 3 on a P (A) = P (X 6 7) P (A) = Z 7 f (x) dx 0 P (A) = F (7) − F (0) P (A) = 0, 784 P (B) = P (X > 6) P (B) = 1 − P (X 6 6) Calcul de probabilité notons F la primitive de f définie par 1 F (x) = 0, 006 5x2 − x3 3 on a P (A) = P (X 6 7) P (A) = Z 7 f (x) dx P (B) = P (X > 6) P (B) = 1 − P (X 6 6) 0 P (A) = F (7) − F (0) P (A) = 0, 784 P (B) = 1 − Z 0 6 f (x) dx Calcul de probabilité notons F la primitive de f définie par 1 F (x) = 0, 006 5x2 − x3 3 on a P (A) = P (X 6 7) P (A) = Z 7 f (x) dx P (B) = P (X > 6) P (B) = 1 − P (X 6 6) 0 P (A) = F (7) − F (0) P (A) = 0, 784 P (B) = 1 − Z 6 f (x) dx 0 P (B) = 1 − (F (6) − F (0)) Calcul de probabilité notons F la primitive de f définie par 1 F (x) = 0, 006 5x2 − x3 3 on a P (A) = P (X 6 7) P (A) = Z 7 f (x) dx P (B) = P (X > 6) P (B) = 1 − P (X 6 6) 0 P (A) = F (7) − F (0) P (A) = 0, 784 P (B) = 1 − Z 6 f (x) dx 0 P (B) = 1 − (F (6) − F (0)) P (B) = 0, 352 Espérance on sait que E(x) = Z 10 xf (x) dx 0 on a E(x) = Z 0 10 x × 0, 006 10x − x2 dx Espérance on sait que E(x) = Z 10 xf (x) dx 0 on a Z 10 E(x) = 10 E(x) = Z 0 donc 0 x × 0, 006 10x − x2 dx 0, 006 10x2 − x3 dx Espérance on sait que E(x) = Z 10 xf (x) dx 0 on a Z 10 E(x) = 10 E(x) = Z 0 donc 0 x × 0, 006 10x − x2 dx 0, 006 10x2 − x3 dx h 10 1 i10 x3 − x4 E(x) = 0, 006 0 3 4 Espérance on sait que E(x) = Z 10 xf (x) dx 0 on a Z 10 E(x) = 10 E(x) = Z 0 donc 0 x × 0, 006 10x − x2 dx 0, 006 10x2 − x3 dx h 10 1 i10 x3 − x4 E(x) = 0, 006 0 3 4 10000 10000 − E(x) = 0, 006 3 4 Espérance on sait que E(x) = Z 10 xf (x) dx 0 on a Z 10 E(x) = 10 E(x) = Z 0 donc 0 x × 0, 006 10x − x2 dx 0, 006 10x2 − x3 dx h 10 1 i10 x3 − x4 E(x) = 0, 006 0 3 4 10000 10000 − E(x) = 0, 006 3 4 d’où E(x) = 5 Exercice no 2 Dans un supermarché un jour de grande influence, le temps d’attente T à la caisse, en minutes, suit la loi uniforme sur l’intervalle [2; 20]. 1 Définir la fonction de densité de probabilité f de la loi de T . 2 Quelle est la probabilité pour que le temps d’attente soit inférieur à un quart d’heure ? 3 Quel est le temps d’attente moyen à la caisse ? Fonction de densité Fonction de densité On sait que la variable aléatoire T suit une loi uniforme sur [2; 20]. Fonction de densité On sait que la variable aléatoire T suit une loi uniforme sur [2; 20]. La fonction f est définie sur [2; 20] par f (t) = Fonction de densité On sait que la variable aléatoire T suit une loi uniforme sur [2; 20]. La fonction f est définie sur [2; 20] par f (t) = 1 20 − 2 Fonction de densité On sait que la variable aléatoire T suit une loi uniforme sur [2; 20]. La fonction f est définie sur [2; 20] par f (t) = 1 20 − 2 f (t) = 1 18 Fonction de densité On sait que la variable aléatoire T suit une loi uniforme sur [2; 20]. La fonction f est définie sur [2; 20] par Probabilité f (t) = 1 20 − 2 f (t) = 1 18 Fonction de densité On sait que la variable aléatoire T suit une loi uniforme sur [2; 20]. La fonction f est définie sur [2; 20] par f (t) = 1 20 − 2 f (t) = 1 18 Probabilité La probabilité pour que le temps d’attente soit inférieur à un quart d’heure est Fonction de densité On sait que la variable aléatoire T suit une loi uniforme sur [2; 20]. La fonction f est définie sur [2; 20] par f (t) = 1 20 − 2 f (t) = 1 18 Probabilité La probabilité pour que le temps d’attente soit inférieur à un quart d’heure est P (T < 15) = Fonction de densité On sait que la variable aléatoire T suit une loi uniforme sur [2; 20]. La fonction f est définie sur [2; 20] par f (t) = 1 20 − 2 f (t) = 1 18 Probabilité La probabilité pour que le temps d’attente soit inférieur à un quart d’heure est P (T < 15) = 15 − 2 20 − 2 Fonction de densité On sait que la variable aléatoire T suit une loi uniforme sur [2; 20]. La fonction f est définie sur [2; 20] par f (t) = 1 20 − 2 f (t) = 1 18 Probabilité La probabilité pour que le temps d’attente soit inférieur à un quart d’heure est P (T < 15) = 15 − 2 20 − 2 P (T < 15) = 13 18 Espérance Espérance Le temps d’attente moyen à la caisse est Espérance Le temps d’attente moyen à la caisse est l’espérance mathématique de la variable aléatoire T . Espérance Le temps d’attente moyen à la caisse est l’espérance mathématique de la variable aléatoire T . E(T ) = Espérance Le temps d’attente moyen à la caisse est l’espérance mathématique de la variable aléatoire T . E(T ) = 20 + 2 2 Espérance Le temps d’attente moyen à la caisse est l’espérance mathématique de la variable aléatoire T . E(T ) = 20 + 2 2 E(T ) = 11 Espérance Le temps d’attente moyen à la caisse est l’espérance mathématique de la variable aléatoire T . E(T ) = 20 + 2 2 E(T ) = 11 Conclusion Le temps d’attente moyen à la caisse est de 11 minutes. Exercice no 3 La durée d’attente, en minutes, au départ d’une remontée mécanique dans une station de sport d’hiver est une variable aléatoire T qui suit la loi exponentielle de paramètre λ = 0, 05. 1 Calculer, en minutes, le temps moyen d’attente au départ de cette remontée mécanique. 2 Calculer, à 10−2 près, la probabilité d’attendre au départ de cette remontée mécanique a. moins de 30 minutes b. entre 10 et 30 minutes 3 Un skieur arrive à la remontée mécanique au moment où le panneau indique que le temps d’attente est d’au moins 10 minutes. Calculer, à 10−2 près, la probabilité qu’il soit inférieur à 30 minutes. Solution 1 Espérance Solution 1 Espérance on sait que E(T ) = Solution 1 Espérance on sait que E(T ) = 1 λ Solution 1 Espérance on sait que E(T ) = 1 λ donc E(T ) = 1 0, 05 Solution 1 Espérance on sait que E(T ) = 1 λ donc E(T ) = 1 0, 05 d’où E(T ) = 20 Solution 1 Espérance on sait que E(T ) = 1 λ donc E(T ) = 1 0, 05 d’où E(T ) = 20 Conclusion Le temps moyen d’attente en minutes est de 20 minutes. Solution 2 Probabilité on a P (T < 30) = Solution 2 Probabilité on a P (T < 30) = P (0 6 T 6 30) Solution 2 Probabilité on a P (T < 30) = P (0 6 T 6 30) P (T < 30) = Z 0 30 0, 05e−0,05x dx Solution 2 Probabilité on a P (T < 30) = P (0 6 T 6 30) P (T < 30) = Z 30 0, 05e−0,05x dx 0 h i30 P (T < 30) = − e−0,05x 0 Solution 2 Probabilité on a P (T < 30) = P (0 6 T 6 30) P (T < 30) = Z 30 0, 05e−0,05x dx 0 h i30 P (T < 30) = − e−0,05x 0 h i0 P (T < 30) = e−0,05x 30 Solution 2 Probabilité on a P (T < 30) = P (0 6 T 6 30) P (T < 30) = Z 30 0, 05e−0,05x dx 0 h i30 P (T < 30) = − e−0,05x 0 h i0 P (T < 30) = e−0,05x 30 P (T < 30) = 1 − e−1,5 Solution 2 Probabilité on a P (T < 30) = P (0 6 T 6 30) P (T < 30) = Z 30 0, 05e−0,05x dx 0 h i30 P (T < 30) = − e−0,05x 0 h i0 P (T < 30) = e−0,05x 30 P (T < 30) = 1 − e−1,5 d’où P (T < 30) ≃ 0, 78 Solution 2 Probabilité on a P (T < 30) = P (0 6 T 6 30) P (T < 30) = Z 30 0, 05e−0,05x dx 0 h i30 P (T < 30) = − e−0,05x 0 h i0 P (T < 30) = e−0,05x 30 P (T < 30) = 1 − e−1,5 d’où P (T < 30) ≃ 0, 78 Conclusion La probabilité d’attendre moins de 30 minutes est d’environ 0, 78. Solution 2 Probabilité on a P (10 6 T 6 30) = Solution 2 Probabilité on a P (10 6 T 6 30) = Z 30 0, 05e−0,05x dx 10 Solution 2 Probabilité on a P (10 6 T 6 30) = Z 30 0, 05e−0,05x dx 10 h i30 P (10 6 T 6 30) = − e−0,05x 10 Solution 2 Probabilité on a P (10 6 T 6 30) = Z 30 0, 05e−0,05x dx 10 h i30 P (10 6 T 6 30) = − e−0,05x 10 h i10 P (10 6 T 6 30) = e−0,05x 30 Solution 2 Probabilité on a P (10 6 T 6 30) = Z 30 0, 05e−0,05x dx 10 h i30 P (10 6 T 6 30) = − e−0,05x 10 h i10 P (10 6 T 6 30) = e−0,05x 30 P (10 6 T 6 30) = e −0,5 −e −1,5 Solution 2 Probabilité on a P (10 6 T 6 30) = Z 30 0, 05e−0,05x dx 10 h i30 P (10 6 T 6 30) = − e−0,05x 10 h i10 P (10 6 T 6 30) = e−0,05x 30 P (10 6 T 6 30) = e d’où −0,5 P (10 6 T 6 30) ≃ 0, 38 −e −1,5 Solution 2 Probabilité on a P (10 6 T 6 30) = Z 30 0, 05e−0,05x dx 10 h i30 P (10 6 T 6 30) = − e−0,05x 10 h i10 P (10 6 T 6 30) = e−0,05x 30 P (10 6 T 6 30) = e d’où −0,5 −e −1,5 P (10 6 T 6 30) ≃ 0, 38 Conclusion La probabilité d’attendre entre 10 et 30 minutes est d’environ 0, 38. Solution 3 Calculons la propabilité conditionnelle P(T >10) T < 30 = Solution 3 Calculons la propabilité conditionnelle P(T >10) P (T > 10) ∩ (T < 30) T < 30 = P (T > 10) Solution 3 Calculons la propabilité conditionnelle P(T >10) P (T > 10) ∩ (T < 30) T < 30 = P (T > 10) P (10 6 T < 30) P(T >10) T < 30 = P (T > 10) Solution 3 Calculons la propabilité conditionnelle P(T >10) or P (T > 10) ∩ (T < 30) T < 30 = P (T > 10) P (10 6 T < 30) P(T >10) T < 30 = P (T > 10) P (10 6 T < 30) = Solution 3 Calculons la propabilité conditionnelle P(T >10) or P (T > 10) ∩ (T < 30) T < 30 = P (T > 10) P (10 6 T < 30) P(T >10) T < 30 = P (T > 10) P (10 6 T < 30) = e−10λ − e−30λ Solution 3 Calculons la propabilité conditionnelle P(T >10) or P (T > 10) ∩ (T < 30) T < 30 = P (T > 10) P (10 6 T < 30) P(T >10) T < 30 = P (T > 10) P (10 6 T < 30) = e−10λ − e−30λ P (T > 10) = e−10λ Solution 3 Calculons la propabilité conditionnelle P(T >10) or P (T > 10) ∩ (T < 30) T < 30 = P (T > 10) P (10 6 T < 30) P(T >10) T < 30 = P (T > 10) P (10 6 T < 30) = e−10λ − e−30λ P (T > 10) = e−10λ donc P(T >10) T < 30 = Solution 3 Calculons la propabilité conditionnelle P(T >10) or P (T > 10) ∩ (T < 30) T < 30 = P (T > 10) P (10 6 T < 30) P(T >10) T < 30 = P (T > 10) P (10 6 T < 30) = e−10λ − e−30λ P (T > 10) = e−10λ donc e−10λ − e−30λ P(T >10) T < 30 = e−10λ Solution 3 Calculons la propabilité conditionnelle P(T >10) or P (T > 10) ∩ (T < 30) T < 30 = P (T > 10) P (10 6 T < 30) P(T >10) T < 30 = P (T > 10) P (10 6 T < 30) = e−10λ − e−30λ P (T > 10) = e−10λ donc e−10λ − e−30λ P(T >10) T < 30 = e−10λ P(T >10) T < 30 = Solution 3 Calculons la propabilité conditionnelle P(T >10) or P (T > 10) ∩ (T < 30) T < 30 = P (T > 10) P (10 6 T < 30) P(T >10) T < 30 = P (T > 10) P (10 6 T < 30) = e−10λ − e−30λ P (T > 10) = e−10λ donc e−10λ − e−30λ P(T >10) T < 30 = e−10λ P(T >10) T < 30 = 1 − e−20λ Solution 3 Calculons la propabilité conditionnelle P(T >10) or P (T > 10) ∩ (T < 30) T < 30 = P (T > 10) P (10 6 T < 30) P(T >10) T < 30 = P (T > 10) P (10 6 T < 30) = e−10λ − e−30λ P (T > 10) = e−10λ donc e−10λ − e−30λ P(T >10) T < 30 = e−10λ P(T >10) T < 30 = 1 − e−20λ P(T >10) T < 30 ≃ 0, 63 Solution 3 Calculons la propabilité conditionnelle P(T >10) or P (T > 10) ∩ (T < 30) T < 30 = P (T > 10) P (10 6 T < 30) P(T >10) T < 30 = P (T > 10) P (10 6 T < 30) = e−10λ − e−30λ P (T > 10) = e−10λ donc e−10λ − e−30λ P(T >10) T < 30 = e−10λ P(T >10) T < 30 = 1 − e−20λ P(T >10) T < 30 ≃ 0, 63 Conclusion La probabilité d’attendre moins d’une demi-heure sachant que le temps d’attente est d’au moins 10 minutes est d’environ 0, 63. Exercice no 4 La variable aléatoire X égale à la durée de vie d’un atome radioactif d’iode 131 avant désintégration suit une loi exponentielle. On sait que la probabilité que cette durée de vie soit inférieure à deux jours est égale à 0, 160 à 10−3 près. 1 Calculer, à 10−3 près, le paramètre λ de cette loi exponentielle. 2 La demi-vie d’une substance radioactive est le temps t au bout duquel la moitié des atomes initiaux sont désintégrés. Calculer, à 0, 1 près, la demi-vie de l’iode 131. Solution 1 d’après l’énoncé, on a Solution 1 d’après l’énoncé, on a P (X < 2) = 0, 160 Solution 1 d’après l’énoncé, on a P (X < 2) = 0, 160 donc 1 − e−2λ = 0, 160 Solution 1 d’après l’énoncé, on a P (X < 2) = 0, 160 donc 1 − e−2λ = 0, 160 e−2λ = 0, 840 Solution 1 d’après l’énoncé, on a P (X < 2) = 0, 160 donc 1 − e−2λ = 0, 160 e−2λ = 0, 840 −2λ = ln 0, 840 Solution 1 d’après l’énoncé, on a P (X < 2) = 0, 160 donc 1 − e−2λ = 0, 160 e−2λ = 0, 840 −2λ = ln 0, 840 λ=− ln 0, 840 2 Solution 1 d’après l’énoncé, on a P (X < 2) = 0, 160 donc 1 − e−2λ = 0, 160 e−2λ = 0, 840 −2λ = ln 0, 840 λ=− d’où ln 0, 840 2 λ ≃ 0, 087 Solution 1 d’après l’énoncé, on a P (X < 2) = 0, 160 donc 1 − e−2λ = 0, 160 e−2λ = 0, 840 −2λ = ln 0, 840 λ=− d’où ln 0, 840 2 λ ≃ 0, 087 Solution 2 cherchons le temps t tel que P (X < t) = 0, 5 (E) Solution 2 cherchons le temps t tel que P (X < t) = 0, 5 (E) ⇐⇒ (E) 1 − e−0,087t = 0, 5 Solution 2 cherchons le temps t tel que P (X < t) = 0, 5 (E) (E) ⇐⇒ 1 − e−0,087t = 0, 5 (E) ⇐⇒ e−0,087t = 0, 5 Solution 2 cherchons le temps t tel que P (X < t) = 0, 5 (E) (E) ⇐⇒ 1 − e−0,087t = 0, 5 (E) ⇐⇒ e−0,087t = 0, 5 (E) ⇐⇒ −0, 087t = ln 0, 5 Solution 2 cherchons le temps t tel que P (X < t) = 0, 5 (E) (E) ⇐⇒ 1 − e−0,087t = 0, 5 (E) ⇐⇒ e−0,087t = 0, 5 (E) ⇐⇒ −0, 087t = ln 0, 5 (E) ⇐⇒ −0, 087t = − ln 2 Solution 2 cherchons le temps t tel que P (X < t) = 0, 5 (E) (E) ⇐⇒ 1 − e−0,087t = 0, 5 (E) ⇐⇒ e−0,087t = 0, 5 (E) ⇐⇒ −0, 087t = ln 0, 5 (E) ⇐⇒ −0, 087t = − ln 2 (E) ⇐⇒ t= ln 2 0, 087 Solution 2 cherchons le temps t tel que P (X < t) = 0, 5 (E) (E) ⇐⇒ 1 − e−0,087t = 0, 5 (E) ⇐⇒ e−0,087t = 0, 5 (E) ⇐⇒ −0, 087t = ln 0, 5 (E) ⇐⇒ −0, 087t = − ln 2 (E) ⇐⇒ t= (E) ⇐⇒ t≃8 ln 2 0, 087 Solution 2 cherchons le temps t tel que P (X < t) = 0, 5 (E) (E) ⇐⇒ 1 − e−0,087t = 0, 5 (E) ⇐⇒ e−0,087t = 0, 5 (E) ⇐⇒ −0, 087t = ln 0, 5 (E) ⇐⇒ −0, 087t = − ln 2 (E) ⇐⇒ t= (E) ⇐⇒ t≃8 Conclusion La demi-vie est de 8 jours environ. ln 2 0, 087 Exercice no 5 La durée de vie (exprimée en heures) d’un certain type d’ampoules électriques est une variable aléatoire T qui suit la loi exponentielle de paramètre λ = 0, 002. Calculer, à 10−3 près, la probabilité pour qu’une ampoule de ce type a. n’ait pas de défaillance avant 100 h b. fonctionne encore au bout de 600 h sachant qu’elle fonctionnait encore au bout de 500 h Solution 1 Probabilité on a P (X > 100) = Solution 1 Probabilité on a P (X > 100) = 1 − P (X 6 100) Solution 1 Probabilité on a P (X > 100) = 1 − P (X 6 100) P (X > 100) = 1 − Z 0 100 0, 002e−0,002x dx Solution 1 Probabilité on a P (X > 100) = 1 − P (X 6 100) P (X > 100) = 1 − Z 100 0, 002e−0,002x dx 0 h i100 P (X > 100) = 1 − − e−0,002x 0 Solution 1 Probabilité on a P (X > 100) = 1 − P (X 6 100) P (X > 100) = 1 − Z 100 0, 002e−0,002x dx 0 h i100 P (X > 100) = 1 − − e−0,002x 0 h i0 P (X > 100) = 1 − e−0,002x 100 Solution 1 Probabilité on a P (X > 100) = 1 − P (X 6 100) P (X > 100) = 1 − Z 100 0, 002e−0,002x dx 0 h i100 P (X > 100) = 1 − − e−0,002x 0 h i0 P (X > 100) = 1 − e−0,002x 100 P (X > 100) = e−0,2 Solution 1 Probabilité on a P (X > 100) = 1 − P (X 6 100) P (X > 100) = 1 − Z 100 0, 002e−0,002x dx 0 h i100 P (X > 100) = 1 − − e−0,002x 0 h i0 P (X > 100) = 1 − e−0,002x 100 P (X > 100) = e−0,2 d’où P (X > 100) ≃ 0, 819 Solution 1 Probabilité on a P (X > 100) = 1 − P (X 6 100) P (X > 100) = 1 − Z 100 0, 002e−0,002x dx 0 h i100 P (X > 100) = 1 − − e−0,002x 0 h i0 P (X > 100) = 1 − e−0,002x 100 P (X > 100) = e−0,2 d’où P (X > 100) ≃ 0, 819 Conclusion La probabilité que l’ampoule n’est pas de défaillance avant 100 heures est d’environ 0, 819. Solution 2 La loi exponentielle possède la propriété de durée de vie sans vieillissement. Solution 2 La loi exponentielle possède la propriété de durée de vie sans vieillissement. on a donc P(T >500) T > 600) = Solution 2 La loi exponentielle possède la propriété de durée de vie sans vieillissement. on a donc P(T >500) T > 600) = P(T >500) T > 500 + 100) Solution 2 La loi exponentielle possède la propriété de durée de vie sans vieillissement. on a donc P(T >500) T > 600) = P(T >500) T > 500 + 100) P(T >500) T > 600) = P (T > 100) Solution 2 La loi exponentielle possède la propriété de durée de vie sans vieillissement. on a donc P(T >500) T > 600) = P(T >500) T > 500 + 100) P(T >500) T > 600) = P (T > 100) P(T >500) T > 600) = e−100λ Solution 2 La loi exponentielle possède la propriété de durée de vie sans vieillissement. on a donc P(T >500) T > 600) = P(T >500) T > 500 + 100) P(T >500) T > 600) = P (T > 100) P(T >500) T > 600) = e−100λ P(T >500) T > 600) = e−0,2 Solution 2 La loi exponentielle possède la propriété de durée de vie sans vieillissement. on a donc P(T >500) T > 600) = P(T >500) T > 500 + 100) P(T >500) T > 600) = P (T > 100) P(T >500) T > 600) = e−100λ P(T >500) T > 600) = e−0,2 d’où P(T >500) T > 600) ≃ 0, 819 Solution 2 La loi exponentielle possède la propriété de durée de vie sans vieillissement. on a donc P(T >500) T > 600) = P(T >500) T > 500 + 100) P(T >500) T > 600) = P (T > 100) P(T >500) T > 600) = e−100λ P(T >500) T > 600) = e−0,2 d’où P(T >500) T > 600) ≃ 0, 819 Fin