Chapitre 9 terminale stl Loi de probabilité usuelles 1 – Variables aléatoires : 1) Définition : Une variable aléatoire sur l’univers Ω = {x1 ; x 2 ;...; x n } est une fonction T définie sur Ω . Elle est donc à valeurs réelles. Soit {t1 ; t 2 ;...; t k } l’ensemble des images par T de toutes les éventualité de Ω (on a k ≤ n ). Pour tout entier i de {1 ; 2 ; … ; k}, on note (T = ti) l’évènement formé par les éventualités qui ont pour image ti par T. Exemple : On lance un dé à 6 faces. Si le résultat est pair on gagne 2 € ; sinon on perd 3 €. T est la variable exprimant le gain. L’univers est {1 ; 2 ; 3 ; 4 ; 5 ; 6} et l’ensemble des images est {-3 ; 2}. On a (T = -3) = {1 ; 3 ; 5} et {T = 2) = {2 ; 4 ; 6} 2) La loi de probabilité de T est définie sur l’univers {t1 ; t 2 ;...; t k } par : Valeurs t1 t2 … tk -3 2 Probabilité P(T = t1) P(T = t2) … P(T = tk) 0,5 0,5 i= n 3) L’espérance de la variable aléatoire T est le nombre E = t1 × p1 + t 2 × p 2 + ... + t n × p n = ∑ t i × pi . Ce nombre s’interprète i =1 comme une moyenne de la variable T. 4) La variance de cette loi est le nombre i= n V = ( t1 − E ) × p1 + ( t 2 − E ) × p 2 + ... + ( t n − E ) × p n = ∑ ( t i − E ) × pi formule qui peut se simplifier par : V = 2 2 2 2 i =1 i=n t1 × p1 + t 2 × p 2 + ... + t n × p n − E = ∑ t i × pi − E . 2 2 2 2 2 2 i =1 5) L’écart-type de cette loi est le nombre σ = V . Plus l’écart-type est petit plus on est sûr d’obtenir une probabilité proche de l’espérance. (évaluation du risque) 2 – Lois de probabilités discrètes : (univers fini) 1) Loi de Bernoulli : succès-échec Une épreuve de Bernoulli de paramètre p est une expérience aléatoire qui ne comporte que deux issues, l’une appelée succès, de probabilité p, l’autre appelée échec, de probabilité 1 – p. 2) Loi binomiale : Bernoulli répétée n fois de manière indépendante. (Il n’y a pas d’influence sur les résultats entre les expériences) a) Définition : Lorsque l’on répète n fois, de façon indépendante, une expérience de Bernoulli de paramètre p, la variable aléatoire X, définie par le nombre de succès obtenus parmi les n expériences, suit une loi binomiale de paramètres n et p. n n −k b) Propriété : Pour tout entier k tel que 0 ≤ k ≤ n , on a P (X = k ) = p k (1− p) . Il s’agit de la probabilité d’obtenir k k succès (et donc (n – k) échecs) parmi n épreuves répétées. c) Propriété : L’espérance d’une loi binomiale de paramètres n et p est E (x) = np, la variance est V (X) = np (1 – p) et l’écarttype σ ( X ) = np (1 − p ) . 3 – Lois à densité : 1) Principe : Certaines variables aléatoires prennent un nombre infini de valeurs. Elles sont définies sur un intervalle de nombre I. Pour caractériser la loi de la VAR, on doit utiliser une fonction f continue, positive sur I et dont l’intégrale sur I est égale à 1. Cette fonction f est appelée densité de probabilité. Pour calculer la probabilité que des valeurs soient dans un d intervalle J = [c ; d] inclus dans I, on fait : P (c ≤ X ≤ d ) = P (c ≤ X < d ) = P (c < X ≤ d ) = P (c < X < d ) = ∫ f ( x ) dx . c Donc P (c ≤ X ≤ d ) est l’aire du domaine compris entre Cf, l’axe des abscisses et les droites d’équation x = a et x = b. 2) Loi uniforme sur [a ; b] : choix d’un réel au hasard dans [a ; b]. a) Définition : La loi uniforme sur [a ; b] a pour densité la fonction constante définie sur [a ; b] par f ( x ) = tout a ≤ c ≤ d ≤ b , P (c ≤ X ≤ d ) = 1 . Alors pour b−a d −c . b−a b) Remarque : Les fonctions Alea() et random des logiciels ou des calculatrice simulent des valeurs d’une variable aléatoire suivant une loi uniforme sur [0 ; 1]. c) Propriété : Soit X une VAR qui suit une loi uniforme sur [a ; b]. Alors E (X ) = (b − a) a+b et la variance est V ( X ) = 2 12 2 . 3) Loi exponentielle sur les réels positifs : Loi de durée de vie sans vieillissement, temps d’attente d’un évènement accidentel. a) Définition : Soit λ un réel strictement positif. La loi exponentielle de paramètre λ sur [0;+∞[ a pour densité la fonction f définie sur [0;+∞[ par f ( x ) = λe−λx . d Alors pour tout 0 ≤ c ≤ d , P (c ≤ X ≤ d ) = ∫ λe−λx dx = −e−λx = e−λc − e−λd . c d c Pour tout 0 ≤ c , P ( X < c) = P (0 ≤ X ≤ c) = 1− e−λc et P (X ≥ c) = 1− P ( X ≤ c) = e−λc . b) Propriété : L’espérance d’une variable X suivant une loi exponentielle de paramètre λ est E (X ) = lim x →+∞ Elle s’interprète comme une durée de vie moyenne. ∫ x 0 t × f ( t ) dt = 1 . λ 4) Lois normales : Phénomènes très fréquents qui résultent de l’addition de plusieurs causes indépendantes. (x −µ ) 2 a) Etude d’une fonction : Soit µ ∈ ℝ et σ > 0 . La fonction définie sur ℝ par f ( x ) = 1 σ 2π − e 2σ 2 est continue, dérivable, strictement positive sur ℝ . Elle est symétrique par rapport à la valeur µ et admet en µ un maximum égal à lim f ( x ) = lim f ( x ) = 0 . Sa courbe s’appelle courbe de Gauss ou courbe en cloche. De plus lim x →+∞ x →+∞ x →−∞ ∫ y −y 1 σ 2π . f ( x ) dx = 1 (L’aire sous la courbe est égale à 1). C’est donc une densité de probabilité sur ℝ . Attention, elle n’a pas de primitive explicite. b) Définition : La loi normale N ( µ; σ ) est la loi de probabilité ayant pour densité la fonction f précédente. Son espérance vaut µ et son écart-type vaut σ . (Attention certains énoncés donnent la variance V = σ2 et il faut calculer σ = V ) c) Le calcul des probabilités avec une loi normale se font de manière approchée à l’aide des outils informatiques, des tables de loi ou des calculs d’aires sous la courbe de Gauss. d) Pour tout réel a, P (X ≤ µ − a ) = P ( X ≥ µ + a ) ; P (X ≤ µ − a ) = 1− P (X ≤ µ + a ) ; P (µ − a ≤ X ≤ µ + a ) = 2P ( X ≤ µ + a ) −1 . e) A connaître : Si X suit une loi normale N (µ; σ) on a : P (µ − σ ≤ X ≤ µ + σ) = 0, 683 . P (µ − 2σ ≤ X ≤ µ + 2σ) = 0,954 . P (µ − 3σ ≤ X ≤ µ + 3σ) = 0,997 . 4 – Le théorème de Moivre Laplace : 1) Contexte : Si on considère une loi binomiale de paramètres n et p, on remarque que le calcul de certaines probabilités est impossible si n est grand. Pour résoudre le problème, on peut approcher les calculs grâce à une loi normale. 2) Théorème : Soit n un entier naturel non nul et p un réel de [0 ; 1]. Pour les plus grandes valeurs de n, la loi binomiale ( ) B(n ; p) est très proche de la loi normale N np; np (1− p ) de même espérance np et de même écart type σ ( X ) = np (1 − p ) . 3) Conditions d’application : Quand n ≥ 30 ; np ≥ 5 et n (1− p) ≥ 5 , l’erreur sur les probabilités est très faible. On ne fera l’approximation que lorsque ces trois conditions seront remplies.