Probabilités Des définitions L’événement contraire de l’événement A est l’événement noté A . L’événement A ∩ B (noté aussi « A et B ») est l’événement formé des éléments appartenant à A et à B. L’événement A ∪ B (noté aussi « A ou B ») est l’événement formé des éléments appartenant à A ou B. Deux événement A et B sont dits incompatibles lorsque A ∩ B = ∅ . Propriétés P(A) = 1 − P(A) ; P(A ∪ B) = P(A) + P(B) − P(A ∩ B) Dans le cas particulier où A et B sont incompatibles : P(A ∪ B) = P(A) + P(B) . Dans le cas particulier où A et B sont indépendants : P(A ∪ B) = P(A) + P(B) − P(A)P(B) . Dans le cas de l’équiprobabilité, nb de cas favorables P(A) = . nb de cas possibles Définir la loi de probabilité de X, c’est donner (sous forme d’un tableau) la probabilité de chacun des événements X = k. Espérance mathématique de X : E(X) = p1 x1 + p2 x2 + .... + pn xn Variance de X : 2 V (x) = p1 x12 + p2 x22 + .... + pn xn2 − ( E(X)) ( ) Ecart type : σ (X) = V (X) Dans le cas particulier de la loi binomiale : E(X) = np et V (X) = np(1 − p) Exemple Tirage au hasard d’une carte dans un jeu de 32 cartes avec les événements : Soit les événements R : « la carte est la roi » et C : « la carte est un cœur ». 4 1 8 1 1 ; P(R) = = ; P(C) = = ; P(R ∩ C) = 32 8 32 4 32 1 1 1 11 P(R ∪C) = P(R) + P(C) − P(R ∩C) = + − = 8 4 32 32 Exemple variance et écart type On lance un dé. Le joueur perd 3 euros s’il obtient un multiple de 3 et il gagne 6 euros dans le cas contraire. X est la variable aléatoire égale au gain du joueur. X ne peut prendre que les valeurs –3 et 6. Loi de probabilité de X : 2 1 4 2 On a P(X = −3) = = et P(X = −3) = = 6 3 6 3 k -3 6 1 2 P(X = k) 3 3 1 2 +6× = 3 ; 3 3 1 2 V (X) = 9 × + 36 × − 9 = 18 et σ (X) = 3 2 3 3 E(X) = −3 × Définition : probabilité conditionnelle Soit A un événement de Ω tel que P (A ) ≠ 0 . Pour tout événement B de Ω, on appelle probabilité conditionnelle de B sachant A, le réel P (A ∩ B ) noté PA (B ) définie par : PA (B ) = . P (A ) Propriété Soit A et B deux événements tels que P(A) ≠ 0 et P(B) ≠0. P(A ∩ B) = PA (B) × P(A) = PB (A) × P(B) et PA B = 1 − PA (B) ( ) Définition : partition de l’univers On dit que p événements A1 , A 2 , ..., A p forment une partition de l’univers Ω lorsque les trois conditions suivantes sont vérifiées : (i) Pour tout i appartenant à {1; 2 ; ... ; p}, A i ≠ ∅ . (ii) A1 ∪ A 2 ∪ ... ∪ A p = Ω . (iii) Pour tous entiers i et j tels que 1 ≤ i ≤ p , 1 ≤ j ≤ p et i ≠ j , A i ∩ A j = ∅ . En particulier, pour tout événement A distinct de Ω et ∅ : les événements A et A constituent une partition de Ω 1 sur 11 – Cosette Ancel Théorème : formule des probabilités totales Soit n un entier supérieur ou égal à 2 et A1 , A 2 , ..., A n n événements de probabilités non nulles, formant une partition de l’univers Ω . P(B) = P ( A1 ∩ B) + P ( A 2 ∩ B) + ...+ P ( A n ∩ B) = PA ( B) × P ( A1 ) + PA ( B) × P ( A 2 ) + ...+ PA ( B) × P ( A n ) 1 2 n En particulier, si A est un événement de Ω tel que P (A ) ≠ 0 et P (A ) ≠ 1 , alors ( ) () pour tout événement B de Ω . P (B ) = P (A ∩ B ) + P A ∩ B = PA (B )× P (A ) + PA (B )× P A . Un sac contient 50 boules, dont 20 boules rouges et 30 boules noires, où il est marqué soit "Gagné" ou soit "Perdu" Sur 15 boules rouges, il est marqué Gagné. Un arbre de probabilité : un exemple Sur 9 boules noires, il est marqué Gagné. avec les règles à suivre !!! On tire au hasard une boule dans le sac. Soit R l'événement "On tire une boule rouge". Soit G l'événement "On tire une boule marquée Gagné" L'expérience aléatoire peut être schématisée par un arbre pondéré (ou arbre de probabilité) Règle 1 : La somme des probabilités des branches issues d'un même nœud est égale à 1. Par exemple : - A partir du nœud "On tire une boule", on a : P(R) + P(R) = 0,4 + 0,6 = 1 - A partir du nœud "Boule rouge", on a : PR (G) = 1 − PR (G) = 1 − 0,75 = 0,25 . Règle 2 La probabilité d'une "feuille" (extrémité d'un chemin) est égale au produit des probabilités du chemin aboutissant à cette feuille. Par exemple : On considère la feuille R ∩ G . On a P(R ∩ G) = P(R) × PR (G) = 0,4 × 0,75 = 0,3 Règle 3 (Formule des probabilités totales) La probabilité d'un événement associé à plusieurs "feuilles" est égale à la somme des probabilités de chacune des ces "feuilles". Par exemple, l'événement "On tire une boule marquée Gagné" est associé aux feuilles R ∩ G et R ∩ G . R et R forment une partition de l’univers, d’après la formule des probabilités totales, on a : Donc P(G) = P(R ∩ G) + P(R ∩ G) = 0,3 + 0,18 = 0,48 . 2 sur 11 – Cosette Ancel Définition indépendance de 2 événements On dit que deux événements A et B de Ω sont indépendants pour la probabilité P lorsque P A∩B = P A ×P B . ( ) ( ) ( ) Une application classique ! On lance n fois un dé équilibré, quel est le nombre minimal de lancer que l’on doit effectuer pour que la probabilité d’obtenir au moins une fois un nombre 6 soit supérieure à 0,99 ? L’événement contraire de l’événement « obtenir au moins une fois un nombre 6 » est « obtenir aucun nombre 6 » Les lancers étant indépendant la probabilité d’obtenir n n ⎛ 5⎞ fois aucun six est ⎜ ⎟ ⎝ 6⎠ La probabilité d’obtenir au moins une fois nombre 6 est n ⎛ 5⎞ 1− ⎜ ⎟ ⎝ 6⎠ On cherche donc le plus petit entier naturel n tel que : n n ⎛ 5⎞ ⎛ 5⎞ 1− ⎜ ⎟ ≥ 0,99 ⇔ ⎜ ⎟ ≤ 0,01 ⎝ 6⎠ ⎝ 6⎠ n ⎛ 5⎞ ⇔ ln ⎜ ⎟ ≤ ln(0,01) car la fonction ln x est décroissante ⎝ 6⎠ ln(0,01) ⎛ 5⎞ ⎛ 5⎞ ⇔ n ln ⎜ ⎟ ≤ ln(0,01) ⇔ n ≥ car ln ⎜ ⎟ ≤ 0 ⎝ 6⎠ ⎝ 6⎠ ⎛ 5⎞ ln ⎜ ⎟ ⎝ 6⎠ A partir de 26 lancers la probabilité d’obtenir au moins une fois un 6 est supérieure à 0,99 Propriétés Soit A et B deux événements de probabilités non nulles. • A et B sont indépendants si, et seulement si, PA B = P B . ( ) ( ) A et B sont indépendants si, et seulement si, PB A = P A . • ( ) ( ) Si A et B sont deux événements indépendants, alors A et B , A et B, A et B sont indépendants. Evénements ou non indépendants : exemple. On tire une carte au hasard dans un jeu de 32 cartes. Soit R l'événement "On tire un roi". Soit T l'événement "On tire un trèfle". Alors R ∩ T est l'événement "On tire le roi de trèfle". 4 1 8 1 = , P(T ) = = et On a : P(R) = 32 8 32 4 1 P(R ∩ T ) = . 32 1 1 1 P(R) × P(T ) = × = = P(R ∩ T ) . 8 4 32 Les événements R et T sont donc indépendants. Ainsi, par exemple, PT (R) = P(R) . Ce qui se traduit par la probabilité de tirer un roi parmi les trèfles et égale à la probabilité de tirer un roi parmi toutes les cartes. Contre-exemple : On reprend l'expérience précédente en ajoutant deux jokers au jeu de cartes. Ainsi : 4 2 8 4 P(R) = = = , P(T ) = et 34 17 34 17 1 P(R ∩ T ) = . 34 Donc 2 4 8 P(R) × P(T ) = × = ≠ P(R ∩ T ) . 17 17 289 Les événements R et T ne sont donc pas indépendants. Encore un exemple Lors d'un week-end prolongé, Bison futé annonce qu'il y a 42% de risque de tomber dans un bouchon sur l'autoroute A6 et 63% sur l'autoroute A7. Soit A l'événement "On tombe dans un bouchon sur l'autoroute A6." Soit B l'événement "On tombe dans un bouchon sur l'autoroute A7." On suppose que les événements A et B sont indépendants. Alors les événements A et B sont également indépendants et on a : P( A ∩ B) = P( A) × P(B) = 0,58 × 0,63 = 0,3654 On peut interpréter ce résultat : La probabilité de tomber dans un bouchon sur l'autoroute A7 mais pas sur l'autoroute A6 est égale à 0,3654 3 sur 11 – Cosette Ancel Définition : épreuve et loi de Bernoulli Une épreuve de Bernoulli de paramètre p est une expérience aléatoire E ayant deux issues, l’une appelée « succès » et l’autre « échec », ces deux issues ayant pour probabilités respectives p et q telles que p + q = 1. La loi de probabilité de la variable aléatoire X prenant la valeur 1 si l’issue est « succès » et la valeur 0 si l’issue « échec » est appelée la loi de Bernoulli de paramètre p. On dit aussi que X suit une loi de Bernoulli de paramètre p. k 0 1 P(X=k) Exemple loi binomiale apprendre la rédaction !!! On lance un dé non pipé 10 fois de suite et on q = 1-p p s’intéresse au nombre X de fois où l’on a obtenu le Espérance et variance d’une loi de Bernoulli Soit X une variable aléatoire qui suit une loi de Bernoulli de paramètre p. Alors : E(X) = p et V(X) = p(1–p) = p q. Définition : loi binomiale L’expérience aléatoire qui consiste à répéter n fois une même épreuve de Bernoulli de paramètre p de façon indépendante est appelée un schéma de Bernoulli. La loi de probabilité de la variable aléatoire X égale au nombre de succès obtenus au cours des n épreuves d’un schéma de Bernoulli est appelée la loi binomiale de paramètres n et p, notée B(n,p). On dit aussi que X suit la loi binomiale de paramètres n et p. Soit X une variable aléatoire qui suit la loi binomiale B(n,p). (1) X est à valeurs dans {0 ; 1 ; … ; n}. (2)Pour tout entier k tel que 0 ≤ k ≤ n , ! n$ n− k . P X = k = # & pk 1 − p " k% ( ) (3) E(X) = np ( ) et V (X) = np(1− p) . chiffre 5. On répète 10 fois de suite la même expérience (le lancer d’un dé) de manière identique et indépendante. A chaque expérience il n’y a que deux issues possibles : - On obtient 6 de probabilité 1 . 6 - On n’obtient pas 6 de probabilité 5 . 6 Chaque expérience est donc une épreuve de Bernoulli de paramètre 1 . Donc la variable 6 aléatoire X égale au nombre de 6 obtenu lors des 10 lancers suit la loi binomiale de paramètres n = 10 et p = 1 . 6 La probabilité d’obtenir exactement 8 fois le chiffre 8 Petits rappels sur les coefficients binomiaux ⎛ n⎞ Pour tout entier naturel n : ⎜ ⎟ = 1 ⎝ 0⎠ ⎛ n⎞ ; ⎜ ⎟ =1 ⎝ n⎠ ⎛ n⎞ ;⎜ ⎟ = n ⎝1 ⎠ Propriété de symétrie : Pour tout entier naturel k tel ⎛ n ⎞ ⎛ n⎞ que 0 ≤ k ≤ n : ⎜ = ⎝ n − k ⎟⎠ ⎜⎝ k ⎟⎠ Propriété du triangle de Pascal : Pour tout entier ⎛ n ⎞ ⎛ n ⎞ ⎛ n + 1⎞ naturel k tel que 0 ≤ k < n : ⎜ ⎟ + ⎜ = ⎝ k ⎠ ⎝ k + 1⎟⎠ ⎜⎝ k + 1⎟⎠ ! 10 $ ! 1 $ ! 5 $ 6 est donc : P(X = 8) = # & # & # & " 8 % " 6% " 6% 2 La probabilité d’obtenir au moins deux fois 6 est : P(X ≥ 2) = 1− (P(X = 0) + P(X = 1)) 0 10 1 9 ⎛ 10 ⎞ ⎛ 1 ⎞ ⎛ 5 ⎞ ⎛ 10 ⎞ ⎛ 1 ⎞ ⎛ 5 ⎞ = 1− ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ − ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ 0 ⎠ ⎝ 6⎠ ⎝ 6⎠ ⎝1 ⎠ ⎝ 6 ⎠ ⎝ 6 ⎠ L’espérance de X (nombre moyen de fois où on obtient le chiffre 6) est : E(X) = 10 × 4 sur 11 – Cosette Ancel 1 5 = . 6 3 Dès le plus jeune âge on apprend et cela tout le reste de la vie, alors mesure le chemin qu’il te reste à parcourir sans te plaindre !!! Soit f une fonction définie sur . La fonction f est une densité de probabilité si elle vérifie les trois conditions suivantes : 1. f est continue sur , sauf éventuellement en quelques valeurs. 2. ∀x ∈ , f (x) ≥ 0 3. ∫ +∞ −∞ f (x)dx = 1 . La fonction de répartition de X est la fonction F définie sur IR par : ∀x ∈ F(x) = P(X ≤ x) . et F’ (x) = f (x) (où f est continue) Attention, on ne sait pas intégrer avec des bornes infinies, donc on utilise une limite : ∫ a −∞ a f (t)dt = lim ∫ f (t)dt x→∞ x Comme la probabilité est définie par une intégrale, la probabilité P(X = a) = 0, logique quoi ! C’est le cours des intégrales. Pour les autres probabilités, on réfléchit il s’agit d’aire sous la courbe de f qui je le rappelle est positive, pour les bornes il suffit d’observer ce que l’on nous demande : La somme des probabilités étant égale à 1, on a : P(X > b) = 1− P(X ≤ b) = 1− ∫ b −∞ f (t)dt = 1− F(b) b P(a < X < b) = F(b) − F(a) = ∫ f (t) dt a Sans oublier que si l’on met < ou ≤ peu importe, cela ne change rien au résultat, contrairement à la loi binomiale, alors ne pas confondre. Dernière petite chose : +∞ L’espérance mathématique de X est le réel E(X) = ∫ tf (t)dt . −∞ Exemple de densité de probabilité Une entreprise produit des dalles en plâtre suivant une variable aléatoire continue X, en tonnes, qui prend ses valeurs dans l'intervalle [0 ; 20] avec une densité de probabilité f définie par : a) Démontrer que f est une densité de probabilité sur [0 ; 20]. b) Calculer la probabilité de l'événement E "La production quotidienne est supérieure ou égale à 12 tonnes". Puis calculer l’espérance mathématique de X a) - f est continue sur l'intervalle [0 ; 20] comme fonction trinôme. - f (0) = f (20) = 0 donc, d'après la règle des signes d'un trinôme, f (x) ≥ 0 sur [0 ; 20]. - ∫ 20 0 20 f (t) dt = #$0,0075t 2 − 0,00025t 3 %& = 0,0075 × 202 − 0,00025 × 203 − 0 = 1 0 b) P(E) = P(12 ≤ X ≤ 20) =∫ 20 12 f (t) dt = ⎡⎣0,0075t 2 − 0,00025t 3 ⎤⎦ 20 12 2 = 0,0075 × 20 − 0,00025 × 20 − 0,0075 × 122 + 0,00025 × 123 = 1− 0,648 = 0,352 20 20 0 0 3 E( X ) = ∫ t f (t) dt = ∫ 0,015t 2 − 0,00075t 3 dt 20 E( X ) = ⎡⎣0,005t 3 − 0,0001875t 4 ⎤⎦ = 0,005 × 203 − 0,0001875 × 204 − 0 = 10 0 5 sur 11 – Cosette Ancel Loi continue Soit a et b deux réels tels que a < b et X une variable aléatoire. On dit que X suit la loi uniforme sur [a ; b], lorsque X suit la loi à densité continue f définie par : ⎧ 1 si x ∈[ a;b ] a+b ⎪ E(X) = f (x) = ⎨ b − a 2 ⎪⎩0 sinon Loi exponentielle Soit λ un réel strictement positif. Une variable aléatoire X suit une loi exponentielle de paramètre λ , lorsque X est à valeurs dans [0 ; +∞[et suit une loi à densité continue f définie par : ⎧λ e− λ x si x ∈[ 0;+∞[ 1 , et E(X) = f (x) = ⎨ λ ⎪⎩0 sinon PX >t (X > t + h) = P(X > h) , c’est-à-dire si X suit la loi sans vieillissement, en claire : la probabilité que cet élément soit « vivant » à l’instant t + h, pour h ≥ 0 sachant qu’il est « vivant » à l’instant t, ne dépend pas de l’instant t, mais seulement de la durée h . Exemple de loi continue On choisit au hasard un nombre réel dans l’intervalle [3 ;5] Déterminer la probabilité que ce nombre soit compris entre 3,2 et 4,1. Soit X la variable aléatoire représentant le nombre choisi. X suit la loi uniforme sur l’intervalle [3 ;5]. Donc la densité de probabilité f, de la variable aléatoire X, est définie par : 1 ⎧ 1 = si x ∈[ a;b ] ⎪ f (x) = ⎨ 5 − 3 2 ⎪⎩0 sinon La probabilité que ce nombre soit compris entre 4,1 1 3,2 et 4,1, soit P(3,2 ≤ X ≤ 4,1) = ∫ dt = 0, 45 . 3,2 2 Exemple loi exponentielle : plus que classique ! Une entreprise dispose d’un parc d’ordinateurs tous identiques. La durée de vie d’un ordinateur en année est une variable aléatoire X qui suit une loi exponentielle de paramètre λ . 1) Le responsable informatique sait que 60% d’un lot important de ce type d’ordinateur a une durée de vie de supérieure à 5 ans. Déterminer une valeur approchée de λ à 10 −3 près. 2) Déterminer la probabilité qu’un ordinateur de ce parc est une durée de vie comprise entre 2 et 5 ans. 3) Sachant qu’un ordinateur a déjà fonctionné 2 ans, quelle est la probabilité, qu’il ait une durée de vie supérieure à 8 ans ? 4) Déterminer E(X) arrondie à une année et interpréter ce résultat. 1) L’information « 60% d’un lot important de ce type d’ordinateur a une durée de vie supérieure à 5 ans », se traduit, pour un ordinateur donné, par la probabilité d’avoir une durée de vie supérieure à 5 ans est égale à 0,6, soit P(X > 5) = 0, 6 . 5 5 0 0 Or, P( X > 5) = 1 − P( X ≤ 5) ; P( X ≤ 5) = ∫ λ e− λt dt = ⎡⎣ −e− λt ⎤⎦ = 1− e−5λ ln 0,6 ≈ 0,102 . −5 2) La probabilité qu’un ordinateur ait une durée de vie comprise entre 2 et 5 ans est la probabilité de On en déduit que P(X > 5) = e−5 λ , or P(X > 5) = 0, 6 . e−5λ = 0,6 ⇔ −5λ = ln 0,6 ⇔ λ = l’événement (2 ≤ X ≤ 5 ). Soit P(2 < X < 5) = ∫ 5 2 5 0,102e−0,102t dt = #$ −e−0,102t %& = e−0,204 − e−0,51 ≈ 0,215 . 2 La probabilité qu’un ordinateur ait une durée de vie comprise entre 2 et 5 ans est donc d’environ 0,215. 3) X suit une loi exponentielle donc on sait que X suit une loi de durée de vie sans vieillissement : PX >2 (X > 8) = P(X > 6) . 6 6 0 0 Or P( X > 6) = 1 − P( X ≤ 6) = 1 − ∫ 0,102e−0,102t dt = 1 − $% −e−0,102t &' = 1 − (1 − e−0,612 ) ≈ 0,542 . On en déduit que la probabilité qu’un ordinateur ait une durée de vie supérieure à 8 ans sachant qu’il a déjà fonctionné 2 ans est environ 0,542. 1 1 ≈ 9,804 . En moyenne un ordinateur de ce parc a une durée de vie de 10 ans. 4) E( X ) = = λ 0,102 6 sur 11 – Cosette Ancel Loi normale centrée réduite La loi normale centrée réduite, notée N (0;1) , est la loi ayant pour densité de probabilité la fonction 2 1 − x2 f définie sur par : f (x) = e . 2π 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. X est une variable aléatoire qui suit la loi normale centrée réduite N (0;1) , alors E( X ) = 0 et V (X) = 1 Il n'est pas possible de déterminer une forme explicite de primitives de la fonction densité de la loi normale centrée réduite. Contextes d'utilisation : Taille d'un individu, fréquence cardiaque, quotient intellectuel ... X est une variable aléatoire qui suit la loi normale centrée réduite N (0;1) . Pour tout α ∈ ⎤⎦0;1⎡⎣ , il existe un unique réel positif uα tel que P −uα ≤ X ≤ uα = 1 − α . ( ) Cas particulier : u0,05 ≈ 1,96 et u0,01 ≈ 2,58 Pour calculer des probabilités : utiliser la calculatrice Un variable aléatoire X suit une loi normale centrée réduite. A l’aide d’une calculatrice déterminer les probabilités suivantes : a) P(X ≤ 0,56) et P(X ≤ –0,56) ; b) P(−0,56 ≤ X ≤ 1,35) ; c) P(X ≥ 1,35) ; d) P(X ≤ −0,56 ou X ≥ 1,35) a) P(X ≤ 0,56) ≃ 0,712. On a P(X ≤ – 0,56) = P(X ≥ 0,56) = 1 – P(X ≤ 0,56) ≃ 0,288 (ou à la calculatrice !!) b) P(−0,56 ≤ X ≤ 1,35) ≃ 0,624 ; c) P(X ≥ 1,35) ≃ 0,089 (on a aussi P(X ≥ 1,35) = 1 – P(X ≤ 1,35)) d) P(X ≤ −0,56 ou X ≥ 1,35) = 1 – P(−0,56 ≤ X ≤ 1,35) ≃ 0,376 Encore et toujours la calculatrice Z est une variable qui suit la loi N(0 ; 1). Déterminer la valeur du réel r, arrondie à 10–2 près, telle que P(–r ≤ Z ≤ r) = 0,8 On a donc: 1 − α = 0,8 ⇔ α = 0,2 . On doit donc avoir : Φ(r) = 1− α ÷ 2 = 0,9. A l’aide de la calculatrice avec la fonction, on trouve : r ≃ 1,28 Définition loi normale Soit un nombre réel µ et un nombre réel strictement positif σ . Dire qu'une variable aléatoire continue X suit la loi normale d'espérance µ et d'écart-type σ , notée X −µ N µ;σ , signifie que la variable aléatoire σ N (0;1) suit la loi normale centrée réduite . La courbe représentative de la fonction densité de la loi N µ; σ 2 est une courbe en cloche symétrique par ( ( 2 ) ) rapport à la droite d'équation x = µ . Encore et toujours la calculatrice Une compagnie de transport possède un parc de 200 cars. On appelle X la variable aléatoire qui a un car choisi au hasard associe la distance journalière parcourue. On suppose que X suit la loi normale N 80;142 -3 ( ) Quelle est la probabilité, à 10 près, qu'un car parcourt entre 70 et 100 km par jour ? P 70 ≤ X ≤ 100 ≈ 0,686 (à la calculatrice) ( ) La probabilité qu'un car parcourt entre 70 et 100 km par jour est d'environ 0,686. 7 sur 11 – Cosette Ancel Influence de l’écart type On constate que plus l’écart type est important, plus la courbe de densité est évasée et plus le maximum est petit. En effet un écart type important signifie que la dispersion des données est importante. La courbe est d'autant plus "resserrée" autour de son axe de symétrie que l'écart-type σ est petit. L'écart-type (ou la variance) est un caractère de dispersion autour de l'espérance qui est un caractère de position. Intervalles de confiance X est une variable aléatoire qui suit la loi normale N µ;σ 2 . ( ) P ( µ − σ ≤ X ≤ µ + σ ) ≈ 0,683 (intervalle de confiance à 68%) ( ) P ( µ − 3σ ≤ X ≤ µ + 3σ ) ≈ 0,997 (intervalle de confiance à 99%) P µ − 2σ ≤ X ≤ µ + 2σ ≈ 0,954 (intervalle de confiance à 95%) Approximation loi binomiale Si X suit une loi binomiale de paramètre n et p avec n ≥ 30 ; np ≥ 5 et n (1− p ) ≥ 5 alors on peut utiliser l’approximation du théorème de Moivre-Laplace : ⎛ ⎞ X − np P⎜ a ≤ ≤ b⎟ ≈ P ( a ≤ Z ≤ b) , où Z suit la loi normale centrée réduite. np(1− p) ⎝ ⎠ Un exemple d’approximation de loi binomiale par la loi normale : théorème de Moivre Laplace X suit une loi binomiale de paramètres 100 et 0,1. Est-il raisonnable d’utiliser l’approximation fournie par le théorème de Moivre Laplace. Si oui, utiliser cette approximation pour calculer P(0 ≤ X ≤ 5). Le théorème de Moivre-Laplace permet d’approcher en pratique une loi binomiale B(n ; p) par une loi normale dès que n ≥ 30, np ≥ 5 et n (1– p) ≥ 5. Dans notre cas n = 100 et p = 0,1 donc ces trois conditions sont bien réalisées. Il est donc raisonnable d’utiliser l’approximation normale fournie par le théorème de Moivre-Laplace. Afin de pouvoir utiliser ce théorème, il faut centrer et réduire X. ⎛ 0 − 10 X − 10 5 − 10 ⎞ ⎛ 10 X − 10 5 ⎞ P (0 ≤ X ≤ 5) = P ⎜ ≤ ≤ = P⎜ − ≤ ≤ ⎟ ⎟ ⎝ 3 ⎝ 3 3 3 ⎠ 3 3⎠ 5⎞ ⎛ 10 X − 10 5 ⎞ ⎛ 10 P⎜ − ≤ ≤ ⎟ ≈ P ⎜ − ≤ Z ≤ ⎟ , où Z suit la loi normale centrée réduite. A la calculatrice, on ⎝ 3 ⎝ 3 3 3⎠ 3⎠ 5⎞ ⎛ 10 obtient : P ⎜ − ≤ Z ≤ ⎟ ≈ 0,05 à 10–2 près. ⎝ 3 3⎠ 8 sur 11 – Cosette Ancel Une entreprise de confitures annonce sur les emballages une teneur en fruits de 60 grammes pour 20 grammes de confiture. Le procédé de fabrication est soumis à quelques aléas. On considère que la teneur en fruits pour 100 grammes de confiture fluctue selon la loi N(60 ; 9). 1. Quelle est la probabilité que la teneur en fruits soit différente de plus de 5 grammes de valeur annoncée sur l’emballage ? 2. Dans quel intervalle fluctue la teneur en fruits avec une probabilité de 0,95. Ces résultats ne satisfont pas le service qualité de l’entreprise : en présence de trop peu de fruites, le client risque de dénoncer une publicité mensongère et à l’inverse, l’excès de fruits augmente le coût de fabrication d’un pot de confiture et diminue sa rentabilité. Le service qualité demande donc au service technique de modifier l’écart type σ pour rendre la teneur en fuit moins fluctuante. 3. Celui-ci doit-il augmenter au diminuer σ ? 4. Plus précisément, le service qualité souhaite que la teneur en fruits fluctue désormais à 95% dans l’intervalle [58 ; 62]. Quelle valeur de σ le service technique doit-il atteindre ? 1. Soit X la teneur en fruits dans un pot. D’après l’énoncé X suit la loi normal N(60 ; 9). La teneur en fruits est annoncée à 60 g. Elle s’en écarte de plus de 5 g si X ≤ 55 et si X ≥ 65. On cherche donc : P ( X ≤ 55 ∪ X ≥ 65 ) = 1− P ( 55 < X < 65 ) ≈ 0,904 . La probabilité que la teneur en fruits diffère de plus de 5 g est 0,904 à 10–3 près. 2. Si X suit une loi normale N µ;σ 2 , alors il fluctue à 95% dans l’intervalle [ µ − 2σ ; µ + 2σ ] , ( ) puisqu’ici µ = 60 et σ = 3 : la teneur en fruits fluctue à 95% dans l’intervalle [54 ; 60]. 3. L’écart-type σ quantifie la dispersion de la variable aléatoire X. Plus σ est élevé, plus les réalisations de σ sont dispersées. Il faut donc réduit l’intervalle de fluctuations de X. 4. On souhaite que l’intervalle [ µ − 2σ ; µ + 2σ ] soit égale à [58 ; 62]. Puisque µ = 60 , on a σ = 1 . Un dernier exemple On suppose que la distance en mètres parcourue par un javelot suit une loi normale. Au cours d’un entraînement, on constate que : 10% des javelots atteignent plus de 75 mètres. 25% des javelots parcourent moins de 50 mètres. Calculer la longueur moyenne parcourue par un javelot, ainsi que l’écart type de cette longueur. Soit X la variable aléatoire égale à la distance parcourue par le javelot. D’après l’énoncé X suit la loi normale de paramètres m et s. D’après l’énoncé on sait que P(X > 75) = 0,1 et P(X < 50) = 0,25 X−m Si X suit la loi normale de paramètres m et s, alors T = suit la loi normale centrée réduite. s 75 − m ⎞ ⎛ X − m 75 − m ⎞ ⎛ P(X > 75) = P ⎜ > = P⎜T > ⎟ ⎟ = 0,1 . A l’aide de la calculatrice, on obtient : ⎝ s ⎝ s ⎠ s ⎠ 75 − m = −1,28 . s 50 − m ⎞ ⎛ X − m 50 − m ⎞ ⎛ P(X < 50) = P ⎜ < = P⎜T < ⎟ ⎟ = 0,25 . ⎝ s ⎝ s ⎠ s ⎠ 50 − m A l’aide de la calculatrice, on obtient : = 0,67 . s Ainsi, m et s sont solutions du système : ⎧ 75 − m ⎪⎪ s = −1,28 ⎧−m = −1,28s − 75 ⎧ s = 12,82 ⇔⎨ ⇔⎨ ⎨ ⎩−m = 0,67s − 50 ⎩ m = 58,69 ⎪ 50 − m = 0,67 ⎪⎩ s La longueur parcourue par un javelot suit la loi normale de paramètre de moyenne 58,69 et d’écart type 12,82 9 sur 11 – Cosette Ancel Loi Normale et calculatrice La variable aléatoire X suit la loi normale n( ; ) Nous choisissons ici une variable aléatoire X qui suit la loi normale n(10;3,2) Casio : Graph 35+ et modèles supérieurs Choisir le menu : STAT Puis DIST Puis NORM Remarque Npd permet d’obtenir les valeurs prises par la fonction de densité. Calcul de P(X k) : choisir Ncd Pour calculer P(X 13) Placer une borne inférieure très petite Placer la valeur de k Placer ici la valeur de Placer ici la valeur de Calculer en appuyant sur F1 Calcul de P(k1 X k2) : choisir Ncd Pour calculer P(9 X 13) Placer la valeur de k1 Placer la valeur de k2 Placer ici la valeur de Placer ici la valeur de Calculer en appuyant sur F1 Calcul de a tel que P(X a) = p (avec 0 p 1) : choisir InvN Pour calculer a tel que P(X a) = 0,7568 Placer la valeur de p Placer ici la valeur de Placer ici la valeur de Calculer en appuyant sur F1 Utilisation de la calculatrice Page 1 10 sur 11 – Cosette Ancel Équipe Académique Mathématiques Bordeaux Texas : TI82 Stats Fr et modèles supérieurs Obtenir le menu des distributions des lois de probabilités par : 2nd DISTR (ou distrib) Remarque Normalpdf ou normalFdp (version fr) permet d’obtenir les valeurs prises par la fonction de densité. Calcul de P(X k) Pour calculer P(X 13) Choisir DISTR Choisir normalcdf ou normalFrèp (version fr) Compléter les paramètres : valeur de k valeur de borne inférieure très petite valeur de Après éxécution on obtient : Calcul de P(k1 X k2) Pour calculer P(9 X Choisir DISTR 13) Choisir normalcdf ou normalFrèp (version fr) Compléter les paramètres : valeur de k1 valeur de k2 valeur de valeur de Après éxécution on obtient : Calcul de a tel que P(X a) = p (avec 0 p 1) Pour calculer a tel que P(X a) = 0,7568 Choisir DISTR Choisir invNorm ou FracNormale (version fr) Compléter les paramètres : valeur de valeur de valeur de p Après éxécution on obtient : Utilisation de la calculatrice Page 2 11 sur 11 – Cosette Ancel Équipe Académique Mathématiques Bordeaux