Lois de probabilités à densité Lois exponentielles Lois normales Chapitre XI Lois de probabilité à densité Francis Cortado Collège Protestant Français de Beyrouth 30 mars 2015 Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique Plan de la présentation 1 2 Lois de probabilités à densité 1.1 Introduction à la loi uniforme 1.2 Variable aléatoire suivant une loi à densité 1.3 Loi uniforme sur un intervalle [a, b] 1.4 Espérance mathématique Lois exponentielles Francis Cortado 3 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement Lois normales 3.1 Introduction 3.2 Étude de la courbe 3.3 Théorème de Moîvre-Laplace 3.4 Loi normale centrée réduite N (0, 1) 3.5 Propriétés 3.6 Loi normale N (µ, σ 2 ) Lois à densité a) Cas de l’intervalle [3, 4[ Exercice 1 1. a) On considère l’ensemble E1 des nombres décimaux compris entre 3 et 4 (4 exclus) comportant au plus un chiffre après la virgule. Quelle est la probabilité d’obtenir un nombre quelconque de cet ensemble ? b) On considère l’ensemble E2 des nombres décimaux compris entre 3 et 4 (4 exclus) comportant au plus deux chiffre après la virgule. Quelle est la probabilité d’obtenir 3,14 c) On considère l’ensemble E10 des nombres décimaux compris entre 3 et 4 (4 exclus) comportant au plus dix chiffre après la virgule. Quelle est la probabilité d’obtenir 3,141 592 653 5 2. On considère un nombre réel quelconque dans l’intervalle [3, 4[. Quelle est la probabilité d’obtenir π ? Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique a) Cas de l’intervalle [3, 4[ Solution exercice 1 1. a) Choisir un nombre "au hasard" dans l’ensemble : E1 = {3; 3,1; 3,2; 3,3; 3,4; 3,5; 3,6; 3,7; 3,8; 3,9} revient à ce que chaque choix ait la même probabilité Francis Cortado Lois à densité 1 10 Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique a) Cas de l’intervalle [3, 4[ Solution exercice 1 b) D’une façon analogue, puisqu’il y a cent nombres dans 1 E2 chacun aura comme probabilité d’apparition 100 En particulier 1 p(3,14) = 100 Francis Cortado Lois à densité a) Cas de l’intervalle [3, 4[ Solution exercice 1 c) Dans le cas de l’ensemble E10 nous obtenons 1010 nombres décimaux, qui auront tous la même probabilité 1 d’apparition, en particulier 1010 a) Cas de l’intervalle [3, 4[ Solution exercice 1 a) Dans le cas de l’ensemble E10 nous obtenons 1010 nombres décimaux, qui auront tous la même probabilité 1 d’apparition, en particulier 1010 p(3,141 592 653 5) = 1 10 000 000 000 a) Cas de l’intervalle [3, 4[ Solution exercice 1 a) Dans le cas de l’ensemble E10 nous obtenons 1010 nombres décimaux, qui auront tous la même probabilité 1 d’apparition, en particulier 1010 p(3,141 592 653 5) = 1 10 000 000 000 2. Pour avoir la probabilité de π, on doit considérer une infinité de décimales, a) Cas de l’intervalle [3, 4[ Solution exercice 1 a) Dans le cas de l’ensemble E10 nous obtenons 1010 nombres décimaux, qui auront tous la même probabilité 1 d’apparition, en particulier 1010 p(3,141 592 653 5) = 1 10 000 000 000 2. Pour avoir la probabilité de π, on doit considérer une infinité de décimales, ou encore prendre n décimales puis la limite en +∞, soit a) Cas de l’intervalle [3, 4[ Solution exercice 1 a) Dans le cas de l’ensemble E10 nous obtenons 1010 nombres décimaux, qui auront tous la même probabilité 1 d’apparition, en particulier 1010 p(3,141 592 653 5) = 1 10 000 000 000 2. Pour avoir la probabilité de π, on doit considérer une infinité de décimales, ou encore prendre n décimales puis la limite en +∞, soit 1 p (π) = lim n→+∞ 10n d’où a) Cas de l’intervalle [3, 4[ Solution exercice 1 a) Dans le cas de l’ensemble E10 nous obtenons 1010 nombres décimaux, qui auront tous la même probabilité 1 d’apparition, en particulier 1010 p(3,141 592 653 5) = 1 10 000 000 000 2. Pour avoir la probabilité de π, on doit considérer une infinité de décimales, ou encore prendre n décimales puis la limite en +∞, soit 1 p (π) = lim n→+∞ 10n d’où p (π) = 0 1.1 1.2 1.3 1.4 Lois de probabilités à densité Lois exponentielles Lois normales Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique a) Cas de l’intervalle [3, 4[ Exercice 2 1. À l’aide du tableur déterminer la probabilité qu’un réel choisi au hasard dans l’intervalle [3, 4[ appartienne aux intervalles [3; 3,5[ ; [3,5; 4[ ; [3; 3,1[ 2. Que peut on conjecturer ? Francis Cortado Lois à densité ; [3,1; 3,7[ Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique a) Cas de l’intervalle [3, 4[ Solution exercice 2 1. Utilisons le tableur Excel de la façon suivante : • Dans la « zone nom » saisir une plage comportant 10000 cellules, par exemple « A3:B10002 », puis valider. • Dans la zone formule saisir « =3+ ALEA() », puis valider • Dans la zone « Édition » , dérouler le menu « remplissage » et choisir « en bas ». Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique a) Cas de l’intervalle [3, 4[ Solution exercice 2 La colonne A est alors remplie par 10000 nombres aléatoires compris entre 3 et 4. Dans une cellule de la colonne B, il suffit de saisir « =NB.SI(A3:A10002;"<3.5")/10000 » pour afficher la fréquence demandée. Le tableau ci-dessous donne les fréquences obtenues pour un choix des 10000 nombres. Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique a) Cas de l’intervalle [3, 4[ Solution exercice 2 2. On conjecture que La probabilité d’avoir un réel donné est nulle. Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique a) Cas de l’intervalle [3, 4[ Solution exercice 2 3. On conjecture que La probabilité d’avoir un réel donné est nulle. La probabilité d’avoir un réel compris entre α et β, où α et β sont dans l’intervalle [3; 4] est égale à β − α Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique b) Cas d’un intervalle quelconque [a, b] Étude d’un exemple Considérons l’intervalle [a, b] = [3; 8] et reprenons l’expérience précédente sur 10 000 tirages aléatoires, on obtient les fréquences données par le tableau suivant. Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique b) Cas d’un intervalle quelconque [a, b] Étude d’un exemple D’une façon générale, on conjecture que Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique b) Cas d’un intervalle quelconque [a, b] Étude d’un exemple D’une façon générale, on conjecture que β−α 1 p [α, β] = = β−α × b−a b−a Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique c) Interprétation graphique Remarque les deux différences β − α et b − a peuvent s’interpréter comme des longueurs Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique c) Interprétation graphique Remarque les deux différences β − α et b − a peuvent s’interpréter comme des longueurs et leur produit comme l’aire Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique c) Interprétation graphique Remarque les deux différences β − α et b − a peuvent s’interpréter comme des longueurs et leur produit comme l’aire d’un rectangle de 1 largeur β − α et de hauteur b−a Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique c) Interprétation graphique Illustration y y= a α Francis Cortado β Lois à densité b 1 b−a x Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique d) Conclusion La probabilité d’un intervalle peut s’écrire comme une aire et s’exprimer comme l’intégrale d’une fonction f . Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique d) Conclusion La probabilité d’un intervalle peut s’écrire comme une aire et s’exprimer comme l’intégrale d’une fonction f . Dans notre exemple, x 7→ f (x) = Francis Cortado 1 b−a Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique d) Conclusion La probabilité d’un intervalle peut s’écrire comme une aire et s’exprimer comme l’intégrale d’une fonction f . Dans notre exemple, 1 b−a Graphiquement l’aire du « grand rectangle » est égale à Zb Zb 1 p [a, b] = f (x) dx = dx = 1 a a b−a x 7→ f (x) = Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique d) Conclusion La probabilité d’un intervalle peut s’écrire comme une aire et s’exprimer comme l’intégrale d’une fonction f . Dans notre exemple, 1 b−a Graphiquement l’aire du « grand rectangle » est égale à Zb Zb 1 p [a, b] = f (x) dx = dx = 1 a a b−a x 7→ f (x) = et l’aire du petit à Z Zβ p [α, β] = f (x) dx = α Francis Cortado β α β−α 1 dx = b−a b−a Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique Plan de la présentation 1 2 Lois de probabilités à densité 1.1 Introduction à la loi uniforme 1.2 Variable aléatoire suivant une loi à densité 1.3 Loi uniforme sur un intervalle [a, b] 1.4 Espérance mathématique Lois exponentielles Francis Cortado 3 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement Lois normales 3.1 Introduction 3.2 Étude de la courbe 3.3 Théorème de Moîvre-Laplace 3.4 Loi normale centrée réduite N (0, 1) 3.5 Propriétés 3.6 Loi normale N (µ, σ 2 ) Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique a) Définitions Définition Variable aléatoire continue On dit qu’une variable aléatoire est continue, si elle peut prendre toutes les valeurs d’un intervalle I inclus dans R Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique a) Définitions Définition Loi de probabilité à densité On dit qu’une variable aléatoire X, à valeurs dans un intervalle I ⊂ R, suit une loi de probabilité de densité f sur I, si pour tout intervalle J ⊂ I, on a Z p (X ∈ J) = f (x) dx J La fonction f devant vérifier les propriétés suivantes : f est une fonction continue sur l’intervalle I Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique a) Définitions Définition Loi de probabilité à densité On dit qu’une variable aléatoire X, à valeurs dans un intervalle I ⊂ R, suit une loi de probabilité de densité f sur I, si pour tout intervalle J ⊂ I, on a Z p (X ∈ J) = f (x) dx J La fonction f devant vérifier les propriétés suivantes : f est une fonction continue sur l’intervalle I f est une fonction positive sur l’intervalle I Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique a) Définitions Définition Loi de probabilité à densité On dit qu’une variable aléatoire X, à valeurs dans un intervalle I ⊂ R, suit une loi de probabilité de densité f sur I, si pour tout intervalle J ⊂ I, on a Z p (X ∈ J) = f (x) dx J La fonction f devant vérifier les propriétés suivantes : f est une fonction continue sur l’intervalle I f est une fonction positive sur l’intervalle I Z f (x) dx = 1. I Francis Cortado Lois à densité 1.1 1.2 1.3 1.4 Lois de probabilités à densité Lois exponentielles Lois normales Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique a) Définitions Remarque On a noté : Z Z Si J = [α, β], β f (x) dx = J f (x) dx α Francis Cortado Lois à densité 1.1 1.2 1.3 1.4 Lois de probabilités à densité Lois exponentielles Lois normales Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique a) Définitions Remarque On a noté : Z Z β Si J = [α, β], f (x) dx = f (x) dx J α Z Zx Si J = [α, +∞[, f (t) dt = lim f (t) dt J Francis Cortado x→+∞ α Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique b) Propriétés Propriété Soit X une variable aléatoire continue, à valeurs sur I, suivant une loi de probabilités de densité f alors : Quel que soit x0 dans I, p(X = x0 ) = 0 Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique b) Propriétés Propriété Soit X une variable aléatoire continue, à valeurs sur I, suivant une loi de probabilités de densité f alors : Quel que soit x0 dans I, p(X = x0 ) = 0 Quels que soient a et b dans I p X ∈ [a, b] = p X ∈ [a, b[ = p X ∈ ]a, b] = p X ∈ ]a, b[ Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique b) Propriétés Propriété Soit X une variable aléatoire continue, à valeurs sur I, suivant une loi de probabilités de densité f alors : Quel que soit x0 dans I, p(X = x0 ) = 0 Quels que soient a et b dans I p X ∈ [a, b] = p X ∈ [a, b[ = p X ∈ ]a, b] = p X ∈ ]a, b[ p X > a = p X > a et p X 6 b = p X < b Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique Plan de la présentation 1 2 Lois de probabilités à densité 1.1 Introduction à la loi uniforme 1.2 Variable aléatoire suivant une loi à densité 1.3 Loi uniforme sur un intervalle [a, b] 1.4 Espérance mathématique Lois exponentielles Francis Cortado 3 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement Lois normales 3.1 Introduction 3.2 Étude de la courbe 3.3 Théorème de Moîvre-Laplace 3.4 Loi normale centrée réduite N (0, 1) 3.5 Propriétés 3.6 Loi normale N (µ, σ 2 ) Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique a) Définition et propriétés Définition Loi uniforme On dit qu’une variable aléatoire X suit une loi uniforme sur l’intervalle I = [a, b], si sa densité de probabilité f est la 1 fonction constante sur I, égale à b−a Francis Cortado Lois à densité 1.1 1.2 1.3 1.4 Lois de probabilités à densité Lois exponentielles Lois normales Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique a) Définition et propriétés Calcul de la probabilité d’un intervalle Soit X une variable aléatoire X qui suit une loi uniforme sur l’intervalle I = [a, b]. Soient α et β tels que a 6 α 6 β 6 b, et soit J = [α, β], alors Z p(J) = p [α, β] = β α Ou encore p(J) = β−α 1 dx = b−a b−a Longueur de J Longueur de I Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique b) Exercices Exercice 3 X est une variable qui suit la loi uniforme sur l’intervalle [0; 10]. Calculer a) p(X 6 3) b) p(X > 6) c) p(3 < X < 8) Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique b) Exercices Solution exercice 3 Puisque la loi est uniforme sur [0; 10], nous avons pour tout a < b éléments de cet intervalle : Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique b) Exercices Solution exercice 3 Puisque la loi est uniforme sur [0; 10], nous avons pour tout a < b éléments de cet intervalle : p([a, b]) = b−a b−a = 10 − 0 10 D’où Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique b) Exercices Solution exercice 3 Puisque la loi est uniforme sur [0; 10], nous avons pour tout a < b éléments de cet intervalle : p([a, b]) = b−a b−a = 10 − 0 10 D’où 3 a) p(X 6 3) = p([0; 3]) = 10 Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique b) Exercices Solution exercice 3 Puisque la loi est uniforme sur [0; 10], nous avons pour tout a < b éléments de cet intervalle : p([a, b]) = b−a b−a = 10 − 0 10 D’où 3 a) p(X 6 3) = p([0; 3]) = 10 4 2 b) p(X > 6) = p([6; 10]) = = 10 5 Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique b) Exercices Solution exercice 3 Puisque la loi est uniforme sur [0; 10], nous avons pour tout a < b éléments de cet intervalle : p([a, b]) = b−a b−a = 10 − 0 10 D’où 3 a) p(X 6 3) = p([0; 3]) = 10 4 2 b) p(X > 6) = p([6; 10]) = = 10 5 5 1 c) p(3 < X < 8) = p(]3; 8[) = = 10 2 Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique Exercice 4 Á partir de sept heures les bus passent toutes les quinze minutes à un arrêt A. Un usager se présente en A entre sept et sept heures trente. On fait l’hypothèse que la durée X en minutes entre sept heures et l’heure de son arrivée en A est une variable aléatoire uniformément répartie sur l’intervalle [0; 30] ? Quelle est la probabilité des événements E et F suivants : 1. E : l’usager attend le bus moins de cinq minutes 2. F : l’usager attend le bus plus de dix minutes Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique Solution exercice 4 Puisque la loi est uniforme sur [0; 30], pour tout a < b : p([a, b]) = Francis Cortado b−a b−a = 30 − 0 30 Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique Solution exercice 4 Puisque la loi est uniforme sur [0; 30], pour tout a < b : p([a, b]) = b−a b−a = 30 − 0 30 1. E signifie que l’usager arrive entre 7h10 et 7h15 ou entre 7h25 et 7h30, soit Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique Solution exercice 4 Puisque la loi est uniforme sur [0; 30], pour tout a < b : p([a, b]) = b−a b−a = 30 − 0 30 1. E signifie que l’usager arrive entre 7h10 et 7h15 ou entre 7h25 et 7h30, soit E = {10 < X < 15} ∪ {25 < X < 30} Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique Solution exercice 4 Puisque la loi est uniforme sur [0; 30], pour tout a < b : p([a, b]) = b−a b−a = 30 − 0 30 1. E signifie que l’usager arrive entre 7h10 et 7h15 ou entre 7h25 et 7h30, soit E = {10 < X < 15} ∪ {25 < X < 30} Ces deux événements étant incompatibles, il vient : p (E) = p (10 < X < 15) + p (25 < X < 30) = Francis Cortado Lois à densité 5 1 5 + = 30 30 3 Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique Solution exercice 4 2. F signifie que l’usager arrive entre 7h00 et 7h05 ou entre 7h15 et 7h20, soit F = (0 < X < 5) ∪ (15 < X < 20) Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique Solution exercice 4 2. F signifie que l’usager arrive entre 7h00 et 7h05 ou entre 7h15 et 7h20, soit F = (0 < X < 5) ∪ (15 < X < 20) Ces deux événements étant incompatibles, il vient : p (E) = p (0 < X < 5) + p (15 < X < 20) = Francis Cortado Lois à densité 5 1 5 + = 30 30 3 Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique Plan de la présentation 1 2 Lois de probabilités à densité 1.1 Introduction à la loi uniforme 1.2 Variable aléatoire suivant une loi à densité 1.3 Loi uniforme sur un intervalle [a, b] 1.4 Espérance mathématique Lois exponentielles Francis Cortado 3 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement Lois normales 3.1 Introduction 3.2 Étude de la courbe 3.3 Théorème de Moîvre-Laplace 3.4 Loi normale centrée réduite N (0, 1) 3.5 Propriétés 3.6 Loi normale N (µ, σ 2 ) Lois à densité a) Étude d’une simulation numérique pour l a loi uniforme Effectuons, à l’aide du logiciel Scilab, deux simulations d’un tirage de 100 000 nombres aléatoires sur l’intervalle [3; 8], nous obtenons : La valeur moyenne est à peu prés égale à 5, 5, soit la moyenne des extrémités de l’intervalle considéré. Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique b) Espérance mathématique d’une loi uniforme Définition Soit X une variable aléatoire suivant une loi uniforme sur un intervalle [a, b]. On appelle espérance mathématique de X le réel noté E(X) et défini par : a+b E(X) = 2 Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique Remarque On remarque que Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique Remarque On remarque que a + b (b + a)(b − a) = 2 2(b − a) Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique Remarque On remarque que a + b (b + a)(b − a) = 2 2(b − a) 2 b − a2 = 2(b − a) Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique Remarque On remarque que a + b (b + a)(b − a) = 2 2(b − a) 2 b − a2 = 2(b − a) ! 1 b 2 a2 = × − b−a 2 2 Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique Remarque On remarque que a + b (b + a)(b − a) = 2 2(b − a) 2 b − a2 = 2(b − a) ! 1 b 2 a2 = × − b−a 2 2 Zb 1 = × x dx = b−a a Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique Remarque On remarque que a + b (b + a)(b − a) = 2 2(b − a) 2 b − a2 = 2(b − a) ! 1 b 2 a2 = × − b−a 2 2 Zb 1 = × x dx = b−a a Zb 1 = dx x× b−a a Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 1.1 1.2 1.3 1.4 Introduction à la loi uniforme Variable aléatoire suivant une loi à densité Loi uniforme sur un intervalle [a, b] Espérance mathématique c) Généralisation à une loi quelconque Définition Espérance mathématique d’une loi à densité Soit X une variable aléatoire qui suit une loi de densité f sur un intervalle [a, b]. On appelle espérance mathématique de X, le réel noté E(X) défini par Zb x × f (x) dx E(X) = a Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement Plan de la présentation 1 2 Lois de probabilités à densité 1.1 Introduction à la loi uniforme 1.2 Variable aléatoire suivant une loi à densité 1.3 Loi uniforme sur un intervalle [a, b] 1.4 Espérance mathématique Lois exponentielles Francis Cortado 3 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement Lois normales 3.1 Introduction 3.2 Étude de la courbe 3.3 Théorème de Moîvre-Laplace 3.4 Loi normale centrée réduite N (0, 1) 3.5 Propriétés 3.6 Loi normale N (µ, σ 2 ) Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement a) Définition Définition On dit qu’une variable aléatoire T, à valeurs dans [0, +∞[, suit une loi exponentielle de paramètre λ > 0, si sa fonction de densité de probabilité est t 7→ λ e−λ t Pour tout réel positifs a et b on aura Zb p [a, b] = λ e−λ t dt a Francis Cortado Lois à densité a) Définition Représentation graphique de la fonction de densité S(0, λ) Zb p [a, b] = λ e−λt dt a y = λ e−λt a b Lois de probabilités à densité Lois exponentielles Lois normales 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement b) Propriétés Propriétés h ib p [a, b] = − e−λ t = e−λ a − e−λ b a Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement b) Propriétés Propriétés h ib p [a, b] = − e−λ t = e−λ a − e−λ b a p(T 6 b) = p [0, b] = 1 − e−λ b Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement b) Propriétés Propriétés h ib p [a, b] = − e−λ t = e−λ a − e−λ b a p(T 6 b) = p [0, b] = 1 − e−λ b p(T > a) = e−λ a Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement c) Espérance mathématique Définition On appelle espérance mathématique de la loi exponentielle de paramètre λ, le réel E défini par Zx E = lim t × λ e−λ t dt x→+∞ Francis Cortado 0 Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement c) Espérance mathématique Définition On appelle espérance mathématique de la loi exponentielle de paramètre λ, le réel E défini par Zx E = lim t × λ e−λ t dt x→+∞ 0 On montre que E= Francis Cortado 1 λ Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement Plan de la présentation 1 2 Lois de probabilités à densité 1.1 Introduction à la loi uniforme 1.2 Variable aléatoire suivant une loi à densité 1.3 Loi uniforme sur un intervalle [a, b] 1.4 Espérance mathématique Lois exponentielles Francis Cortado 3 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement Lois normales 3.1 Introduction 3.2 Étude de la courbe 3.3 Théorème de Moîvre-Laplace 3.4 Loi normale centrée réduite N (0, 1) 3.5 Propriétés 3.6 Loi normale N (µ, σ 2 ) Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement a) Théorème et définition Théorème Soit T une variable aléatoire qui suit une loi exponentielle de paramètre λ > 0. Alors pour tous réels positifs t et h pT>t (T > t + h) = p(T > h) On dit que T suit une loi à durée de vie sans vieillissement Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement a) Théorème et définition Démonstration. pT>t (T > t + h) = Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement a) Théorème et définition Démonstration. p {T > t} ∩ {T > t + h} pT>t (T > t + h) = p (T > t) Francis Cortado Lois à densité = Lois de probabilités à densité Lois exponentielles Lois normales 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement a) Théorème et définition Démonstration. p {T > t} ∩ {T > t + h} pT>t (T > t + h) = p (T > t) Francis Cortado Lois à densité = p(T > t + h) p (T > t) Lois de probabilités à densité Lois exponentielles Lois normales 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement a) Théorème et définition Démonstration. p {T > t} ∩ {T > t + h} pT>t (T > t + h) = p (T > t) D’où Francis Cortado Lois à densité = p(T > t + h) p (T > t) Lois de probabilités à densité Lois exponentielles Lois normales 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement a) Théorème et définition Démonstration. p {T > t} ∩ {T > t + h} pT>t (T > t + h) = D’où p (T > t) e−λ (t+h) pT>t T > t + h = −λ t = e Francis Cortado Lois à densité = p(T > t + h) p (T > t) Lois de probabilités à densité Lois exponentielles Lois normales 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement a) Théorème et définition Démonstration. p {T > t} ∩ {T > t + h} pT>t (T > t + h) = D’où p (T > t) = p(T > t + h) p (T > t) e−λ (t+h) pT>t T > t + h = −λ t = e−λ t−λ h+λ t = e Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement a) Théorème et définition Démonstration. p {T > t} ∩ {T > t + h} pT>t (T > t + h) = D’où p (T > t) = p(T > t + h) p (T > t) e−λ (t+h) pT>t T > t + h = −λ t = e−λ t−λ h+λ t = e−λ h e Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement a) Théorème et définition Démonstration. p {T > t} ∩ {T > t + h} pT>t (T > t + h) = D’où p (T > t) = p(T > t + h) p (T > t) e−λ (t+h) pT>t T > t + h = −λ t = e−λ t−λ h+λ t = e−λ h e Soit pT>t (T > t + h) = p(T > h) Francis Cortado Lois à densité b) Exercice Exercice 5 La durée de vie en heures d’une ampoule électrique est une variable aléatoire qui suit une loi exponentielle de paramètre λ, où λ est strictement positif. 1. Sachant que p(X 6 1000) = 0, 229, donner la valeur exacte de λ, et en donner une valeur approchée à 10−5 près. 2. a) Sachant que l’événement (X > 1000) est réalisé, déterminer la probabilité de l’événement (X > 2500). b) Démontrer que, pour tout réels t > 0 et h > 0 : pX>t (X 6 t + h) = p (X 6 h) c) Sachant qu’une ampoule a fonctionné plus de 3000 heures, quelle est la probabilité qu’elle tombe en panne avant 4000 heures ? 3. Déterminer la durée moyenne de vie d’une ampoule électrique (on arrondira à l’heure prés) Solution exercice 5 1. Nous avons 1 − e−λ×1000 = 0,229, soit Solution exercice 5 1. Nous avons 1 − e−λ×1000 = 0,229, soit e−λ×1000 = 1 − 0,229 = 0,771 Solution exercice 5 1. Nous avons 1 − e−λ×1000 = 0,229, soit e−λ×1000 = 1 − 0,229 = 0,771 D’où −1000λ = ln 0,771 et λ = − ln 0,771 ' 0,000 26. 1000 Solution exercice 5 1. Nous avons 1 − e−λ×1000 = 0,229, soit e−λ×1000 = 1 − 0,229 = 0,771 ln 0,771 ' 0,000 26. 1000 2. a) En remarquant que 2500 = 1500 + 1000, puisque la loi exponentielle est une loi à durée de vie sans vieillissement, nous obtenons D’où −1000λ = ln 0,771 et λ = − Solution exercice 5 1. Nous avons 1 − e−λ×1000 = 0,229, soit e−λ×1000 = 1 − 0,229 = 0,771 ln 0,771 ' 0,000 26. 1000 2. a) En remarquant que 2500 = 1500 + 1000, puisque la loi exponentielle est une loi à durée de vie sans vieillissement, nous obtenons D’où −1000λ = ln 0,771 et λ = − pX>1000 (X > 1500 + 1000) = p(X > 1500) = e−1500λ ' 0, 677 Solution exercice 5 1. Nous avons 1 − e−λ×1000 = 0,229, soit e−λ×1000 = 1 − 0,229 = 0,771 ln 0,771 ' 0,000 26. 1000 2. a) En remarquant que 2500 = 1500 + 1000, puisque la loi exponentielle est une loi à durée de vie sans vieillissement, nous obtenons D’où −1000λ = ln 0,771 et λ = − pX>1000 (X > 1500 + 1000) = p(X > 1500) = e−1500λ ' 0, 677 b) On sait que pour tout réel t > 0 et h > 0 Solution exercice 5 1. Nous avons 1 − e−λ×1000 = 0,229, soit e−λ×1000 = 1 − 0,229 = 0,771 ln 0,771 ' 0,000 26. 1000 2. a) En remarquant que 2500 = 1500 + 1000, puisque la loi exponentielle est une loi à durée de vie sans vieillissement, nous obtenons D’où −1000λ = ln 0,771 et λ = − pX>1000 (X > 1500 + 1000) = p(X > 1500) = e−1500λ ' 0, 677 b) On sait que pour tout réel t > 0 et h > 0 pX>t (X 6 t + h) Solution exercice 5 1. Nous avons 1 − e−λ×1000 = 0,229, soit e−λ×1000 = 1 − 0,229 = 0,771 ln 0,771 ' 0,000 26. 1000 2. a) En remarquant que 2500 = 1500 + 1000, puisque la loi exponentielle est une loi à durée de vie sans vieillissement, nous obtenons D’où −1000λ = ln 0,771 et λ = − pX>1000 (X > 1500 + 1000) = p(X > 1500) = e−1500λ ' 0, 677 b) On sait que pour tout réel t > 0 et h > 0 pX>t (X 6 t + h) = 1 − pX>t (X > t + h) Solution exercice 5 1. Nous avons 1 − e−λ×1000 = 0,229, soit e−λ×1000 = 1 − 0,229 = 0,771 ln 0,771 ' 0,000 26. 1000 2. a) En remarquant que 2500 = 1500 + 1000, puisque la loi exponentielle est une loi à durée de vie sans vieillissement, nous obtenons D’où −1000λ = ln 0,771 et λ = − pX>1000 (X > 1500 + 1000) = p(X > 1500) = e−1500λ ' 0, 677 b) On sait que pour tout réel t > 0 et h > 0 pX>t (X 6 t + h) = 1 − pX>t (X > t + h) = 1 − p(X > h) Solution exercice 5 1. Nous avons 1 − e−λ×1000 = 0,229, soit e−λ×1000 = 1 − 0,229 = 0,771 ln 0,771 ' 0,000 26. 1000 2. a) En remarquant que 2500 = 1500 + 1000, puisque la loi exponentielle est une loi à durée de vie sans vieillissement, nous obtenons D’où −1000λ = ln 0,771 et λ = − pX>1000 (X > 1500 + 1000) = p(X > 1500) = e−1500λ ' 0, 677 b) On sait que pour tout réel t > 0 et h > 0 pX>t (X 6 t + h) = 1 − pX>t (X > t + h) = 1 − p(X > h) = p(X 6 h) Solution exercice 5 c) On cherche pX>3000 (X 6 4000) = pX>3000 (X 6 3000 + 1000) Solution exercice 5 c) On cherche pX>3000 (X 6 4000) = pX>3000 (X 6 3000 + 1000) d’après la question précédente, nous obtenons Solution exercice 5 c) On cherche pX>3000 (X 6 4000) = pX>3000 (X 6 3000 + 1000) d’après la question précédente, nous obtenons pX>3000 (X 6 4000) = p(X 6 1000) = 0,229 Solution exercice 5 c) On cherche pX>3000 (X 6 4000) = pX>3000 (X 6 3000 + 1000) d’après la question précédente, nous obtenons pX>3000 (X 6 4000) = p(X 6 1000) = 0,229 3. La durée de vie moyenne d’une ampoule est donnée par Solution exercice 5 c) On cherche pX>3000 (X 6 4000) = pX>3000 (X 6 3000 + 1000) d’après la question précédente, nous obtenons pX>3000 (X 6 4000) = p(X 6 1000) = 0,229 3. La durée de vie moyenne d’une ampoule est donnée par E(X) = 1 ' 3846 λ Solution exercice 5 c) On cherche pX>3000 (X 6 4000) = pX>3000 (X 6 3000 + 1000) d’après la question précédente, nous obtenons pX>3000 (X 6 4000) = p(X 6 1000) = 0,229 3. La durée de vie moyenne d’une ampoule est donnée par E(X) = 1 ' 3846 λ La durée de vie moyenne d’une ampoule est d’environ 3846 heures. Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Plan de la présentation 1 2 Lois de probabilités à densité 1.1 Introduction à la loi uniforme 1.2 Variable aléatoire suivant une loi à densité 1.3 Loi uniforme sur un intervalle [a, b] 1.4 Espérance mathématique Lois exponentielles Francis Cortado 3 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement Lois normales 3.1 Introduction 3.2 Étude de la courbe 3.3 Théorème de Moîvre-Laplace 3.4 Loi normale centrée réduite N (0, 1) 3.5 Propriétés 3.6 Loi normale N (µ, σ 2 ) Lois à densité a) Exercices Exercice 6 Deux entreprises envoient par jour un certain nombre de lettres qui ont, deux chances sur trois de parvenir le lendemain à leur destinataire. On appelle X la variable aléatoire égale au nombre de lettres qui arrivent le lendemain. I- Une P.M.E envoie environ 30 lettres par jour. 1. Déterminer la loi de X ainsi que son espérance et son écart type. 2. Déterminer, la probabilité qu’au moins 20 de ces lettres arrivent le lendemain. 3. Représenter par un diagramme en bâtons, la probabilité pour que k lettres arrivent le lendemain. a) Exercices Solution exercice 6 1. X suit une loi binomiale de paramètres n = 30 et p = 2 3 a) Exercices Solution exercice 6 1. X suit une loi binomiale de paramètres n = 30 et p = 2 E(X) = 30 × = 20 3 r et σ(X) = 30 × 2 3 2 1 × ' 2,582 3 3 a) Exercices Solution exercice 6 1. X suit une loi binomiale de paramètres n = 30 et p = 2 E(X) = 30 × = 20 3 r et σ(X) = 30 × 2 1 × ' 2,582 3 3 ! k 30−k 30 X 30 2 1 × × ' 0,584 9 2. p(X > 20) = k 3 3 k=20 2 3 a) Exercices Solution exercice 6 3. GeoGebra nous permet d’effectuer cette représentation a) Exercices Suite de l’énoncé II-Une autre P.M.E, envoie environ 300 lettres par jour. 1. Déterminer la loi de X ainsi que son espérance et son écart type. 2. Déterminer, la probabilité qu’au moins 210 de ces lettres arrivent le lendemain ? 3. Représenter la loi de probabilités de X, par un diagramme en bâtons. 4. Comparer les cas I et II a) Exercices Solution exercice 6 1. X suit une loi binomiale de paramètres n = 300 et p = 2 3 a) Exercices Solution exercice 6 1. X suit une loi binomiale de paramètres n = 300 et p = 2 E(X) = 300 × = 200 3 r et σ(X) = 300 × 2 3 2 1 × ' 8,165 3 3 a) Exercices Solution exercice 6 1. X suit une loi binomiale de paramètres n = 300 et p = 2 E(X) = 300 × = 200 3 r et σ(X) = 300 × 2 1 × ' 8,165 3 3 ! k 300−k 300 X 300 2 1 2. p(X > 210) = × × ' 0,122 k 3 3 k=210 2 3 a) Exercices Solution exercice 6 3. GeoGebra nous permet d’effectuer cette représentation a) Exercices Exercice 7 Deux producteurs A et B de foie gras d’oie produisent des foies gras d’un poids de moyenne et d’écart type variables On choisit un foie gras au hasard dans chacune des productions, et on note X A (resp. X B ) la variable aléatoire donnant le poids en gramme du foie gras considéré. Pour A : moyenne µA = 750, écart type σA = 100 Pour B : moyenne µB = 690, écart type σB = 120 1. Un foie gras de la production A a pour poids x = 800g. a) De combien le poids x s’écarte-t-il moyen µA ? du poids b) Combien d’écart-type σA l’écart x − µA représente-t-il ? Ce nombre z est appelé "poids centré réduit" 2. a) On définit une nouvelle variable aléatoire ZA poids "centré-réduit", en donner une expression . b) Déterminer E(ZA ) et σ(ZA ). c) Expliquer la terminologie "centré-réduit". a) Exercices Solution exercice 7 1. a) x = 800 s’écarte de 800 − 750 = 50 g du poids moyen µA . a) Exercices Solution exercice 7 1. a) x = 800 s’écarte de 800 − 750 = 50 g du poids moyen µA . b) x − µA 50 = = 0, 5, donc σA 100 a) Exercices Solution exercice 7 1. a) x = 800 s’écarte de 800 − 750 = 50 g du poids moyen µA . b) x − µA 50 = = 0, 5, donc x − µA représente 0, 5 fois σA . σA 100 a) Exercices Solution exercice 7 1. a) x = 800 s’écarte de 800 − 750 = 50 g du poids moyen µA . x − µA 50 = = 0, 5, donc x − µA représente 0, 5 fois σA . σA 100 X − µA . 2. a) ZA = A σA b) a) Exercices Solution exercice 7 1. a) x = 800 s’écarte de 800 − 750 = 50 g du poids moyen µA . x − µA 50 = = 0, 5, donc x − µA représente 0, 5 fois σA . σA 100 X − µA . 2. a) ZA = A σA ! X A µA b) E(ZA ) = E − σA σA b) a) Exercices Solution exercice 7 1. a) x = 800 s’écarte de 800 − 750 = 50 g du poids moyen µA . x − µA 50 = = 0, 5, donc x − µA représente 0, 5 fois σA . σA 100 X − µA . 2. a) ZA = A σA ! X A µA b) E(ZA ) = E − σA σA µ Or A est une constante et nous savons que σA b) a) Exercices Solution exercice 7 1. a) x = 800 s’écarte de 800 − 750 = 50 g du poids moyen µA . x − µA 50 = = 0, 5, donc x − µA représente 0, 5 fois σA . σA 100 X − µA . 2. a) ZA = A σA ! X A µA b) E(ZA ) = E − σA σA µ Or A est une constante et nous savons que σA b) E (aX + b) = a × E(X) + b a) Exercices Solution exercice 7 1. a) x = 800 s’écarte de 800 − 750 = 50 g du poids moyen µA . x − µA 50 = = 0, 5, donc x − µA représente 0, 5 fois σA . σA 100 X − µA . 2. a) ZA = A σA ! X A µA b) E(ZA ) = E − σA σA µ Or A est une constante et nous savons que σA b) E (aX + b) = a × E(X) + b d’où E(ZA ) = µ µ 1 1 E(X A ) − A = × µA − A = 0 σA σA σA σA a) Exercices Solution exercice 7 De plus Var (aX + b) = a2 × Var(X) D’où a) Exercices Solution exercice 7 De plus Var (aX + b) = a2 × Var(X) D’où ! X A µA 1 Var (ZA ) = Var − = 2 × Var(X A ) σ A σA σA a) Exercices Solution exercice 7 De plus Var (aX + b) = a2 × Var(X) D’où ! X A µA 1 Var (ZA ) = Var − = 2 × Var(X A ) σ A σA σA Soit Var (ZA ) = D’où 1 × σA2 = 1 2 σA a) Exercices Solution exercice 7 De plus Var (aX + b) = a2 × Var(X) D’où ! X A µA 1 Var (ZA ) = Var − = 2 × Var(X A ) σ A σA σA Soit Var (ZA ) = 1 × σA2 = 1 2 σA D’où p σ (ZA ) = Var (ZA ) = 1 a) Exercices Solution exercice 7 De plus Var (aX + b) = a2 × Var(X) D’où ! X A µA 1 Var (ZA ) = Var − = 2 × Var(X A ) σ A σA σA Soit Var (ZA ) = 1 × σA2 = 1 2 σA D’où p σ (ZA ) = Var (ZA ) = 1 c) La variable aléatoire ZA a pour espérance 0 (centré) et pour écart-type 1 (réduit). a) Exercices Suite de l’énoncé 3. Le producteur A estime que vous aurez un "gros foie gras" à partir de 800 g, tandis que B pense que pour sa production cela sera le cas s’il dépasse 750 g. a) Exprimer les deux variables aléatoires ZA et ZB . On supposera qu’elles suivent la même loi de probabilité b) De façon à avoir un foie gras "sensiblement plus gros que la moyenne", vaut-il mieux prendre un foie gras du producteur A ou du producteur B ? a) Exercices Solution exercice 6 X − µA X A − 750 = 3. a) ZA = A σA 100 et ZB = X B − µB X B − 690 = σB 120 a) Exercices Solution exercice 6 X − µB X B − 690 X − µA X A − 750 = et ZB = B = 3. a) ZA = A σA 100 σB 120 b) Un foie gras du producteur A sera plus gros que la moyenne s’il pèse plus de 800 g a) Exercices Solution exercice 6 X − µB X B − 690 X − µA X A − 750 = et ZB = B = 3. a) ZA = A σA 100 σB 120 b) Un foie gras du producteur A sera plus gros que la moyenne s’il pèse plus de 800 g X − 750 800 − 750 > = p (ZA > 0,5) p(X A > 800) = p A 100 100 a) Exercices Solution exercice 6 X − µB X B − 690 X − µA X A − 750 = et ZB = B = 3. a) ZA = A σA 100 σB 120 b) Un foie gras du producteur A sera plus gros que la moyenne s’il pèse plus de 800 g X − 750 800 − 750 > = p (ZA > 0,5) p(X A > 800) = p A 100 100 Un foie gras du producteur B sera plus gros que la moyenne s’il pèse plus de 750 g a) Exercices Solution exercice 6 X − µB X B − 690 X − µA X A − 750 = et ZB = B = 3. a) ZA = A σA 100 σB 120 b) Un foie gras du producteur A sera plus gros que la moyenne s’il pèse plus de 800 g X − 750 800 − 750 > = p (ZA > 0,5) p(X A > 800) = p A 100 100 Un foie gras du producteur B sera plus gros que la moyenne s’il pèse plus de 750 g X B − 690 750 − 690 p(X B > 750) = p > = p(ZB > 0,5) 120 120 a) Exercices Solution exercice 6 X − µB X B − 690 X − µA X A − 750 = et ZB = B = 3. a) ZA = A σA 100 σB 120 b) Un foie gras du producteur A sera plus gros que la moyenne s’il pèse plus de 800 g X − 750 800 − 750 > = p (ZA > 0,5) p(X A > 800) = p A 100 100 Un foie gras du producteur B sera plus gros que la moyenne s’il pèse plus de 750 g X B − 690 750 − 690 p(X B > 750) = p > = p(ZB > 0,5) 120 120 Par hypothèse ZA et ZB suivent la même loi, a) Exercices Solution exercice 6 X − µB X B − 690 X − µA X A − 750 = et ZB = B = 3. a) ZA = A σA 100 σB 120 b) Un foie gras du producteur A sera plus gros que la moyenne s’il pèse plus de 800 g X − 750 800 − 750 > = p (ZA > 0,5) p(X A > 800) = p A 100 100 Un foie gras du producteur B sera plus gros que la moyenne s’il pèse plus de 750 g X B − 690 750 − 690 p(X B > 750) = p > = p(ZB > 0,5) 120 120 Par hypothèse ZA et ZB suivent la même loi, les deux probabilités p (ZA > 0,5) et p (ZB > 0,5) sont donc égales. b) Synthèse Dans le cas de lois binomiales de paramètres n et p avec n grand la représentation par un diagramme en bâtons se rapproche de plus en plus de l’aire sous une courbe. b) Synthèse Dans le cas de lois binomiales de paramètres n et p avec n grand la représentation par un diagramme en bâtons se rapproche de plus en plus de l’aire sous une courbe. La fonction correspondante sera la densité de probabilités de la variable aléatoire continue représentée. b) Synthèse Dans le cas de lois binomiales de paramètres n et p avec n grand la représentation par un diagramme en bâtons se rapproche de plus en plus de l’aire sous une courbe. La fonction correspondante sera la densité de probabilités de la variable aléatoire continue représentée. Centrer et réduire une variable aléatoire X de moyenne µ et d’écart type σ, c’est poser Z= X−µ σ b) Synthèse Dans le cas de lois binomiales de paramètres n et p avec n grand la représentation par un diagramme en bâtons se rapproche de plus en plus de l’aire sous une courbe. La fonction correspondante sera la densité de probabilités de la variable aléatoire continue représentée. Centrer et réduire une variable aléatoire X de moyenne µ et d’écart type σ, c’est poser Z= X−µ σ Centrer et réduire des variables aléatoires permet de les comparer . c) Synthèse Centrer et réduire Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Plan de la présentation 1 2 Lois de probabilités à densité 1.1 Introduction à la loi uniforme 1.2 Variable aléatoire suivant une loi à densité 1.3 Loi uniforme sur un intervalle [a, b] 1.4 Espérance mathématique Lois exponentielles Francis Cortado 3 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement Lois normales 3.1 Introduction 3.2 Étude de la courbe 3.3 Théorème de Moîvre-Laplace 3.4 Loi normale centrée réduite N (0, 1) 3.5 Propriétés 3.6 Loi normale N (µ, σ 2 ) Lois à densité a) Observation pour n = 500 et p = 0,25 b) Observation Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Soit alors : Un point A de coordonnées (a, 0), avec a > 0, pour fixer les idées. Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Soit alors : Un point A de coordonnées (a, 0), avec a > 0, pour fixer les idées. Le point M de coordonnées (a, f (a)) Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Soit alors : Un point A de coordonnées (a, 0), avec a > 0, pour fixer les idées. Le point M de coordonnées (a, f (a)) La tangente (T) à la courbe au point M. Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Soit alors : Un point A de coordonnées (a, 0), avec a > 0, pour fixer les idées. Le point M de coordonnées (a, f (a)) La tangente (T) à la courbe au point M. Le point B, intersection de (T) avec l’axe des abscisses. Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Soit alors : Un point A de coordonnées (a, 0), avec a > 0, pour fixer les idées. Le point M de coordonnées (a, f (a)) La tangente (T) à la courbe au point M. Le point B, intersection de (T) avec l’axe des abscisses. On fait varier la valeur de a, on constate alors que le produit OA × AB est constant : Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Soit alors : Un point A de coordonnées (a, 0), avec a > 0, pour fixer les idées. Le point M de coordonnées (a, f (a)) La tangente (T) à la courbe au point M. Le point B, intersection de (T) avec l’axe des abscisses. On fait varier la valeur de a, on constate alors que le produit OA × AB est constant : OA × AB = 1 Francis Cortado (1) Lois à densité c) Détermination de l’équation de la courbe L’équation de la tangente (T) à la courbe représentative de f au point M est y = f 0 (a)(x − a) + f (a) c) Détermination de l’équation de la courbe L’équation de la tangente (T) à la courbe représentative de f au point M est y = f 0 (a)(x − a) + f (a) Nous obtenons l’abscisse de B en résolvant f 0 (a)(x − a) + f (a) = 0 c) Détermination de l’équation de la courbe L’équation de la tangente (T) à la courbe représentative de f au point M est y = f 0 (a)(x − a) + f (a) Nous obtenons l’abscisse de B en résolvant f 0 (a)(x − a) + f (a) = 0 On remarque graphiquement, que pour a > 0, on a f 0 (a) , 0. D’où c) Détermination de l’équation de la courbe L’équation de la tangente (T) à la courbe représentative de f au point M est y = f 0 (a)(x − a) + f (a) Nous obtenons l’abscisse de B en résolvant f 0 (a)(x − a) + f (a) = 0 On remarque graphiquement, que pour a > 0, on a f 0 (a) , 0. D’où f (a) f 0 (a)(x − a) + f (a) = 0 ⇔ x = a − 0 f (a) Soit c) Détermination de l’équation de la courbe L’équation de la tangente (T) à la courbe représentative de f au point M est y = f 0 (a)(x − a) + f (a) Nous obtenons l’abscisse de B en résolvant f 0 (a)(x − a) + f (a) = 0 On remarque graphiquement, que pour a > 0, on a f 0 (a) , 0. D’où f (a) f 0 (a)(x − a) + f (a) = 0 ⇔ x = a − 0 f (a) f (a) f (a) f (a) Soit xB = a − 0 et AB = a − 0 −a = − 0 f (a) f (a) f (a) c) Détermination de l’équation de la courbe L’équation de la tangente (T) à la courbe représentative de f au point M est y = f 0 (a)(x − a) + f (a) Nous obtenons l’abscisse de B en résolvant f 0 (a)(x − a) + f (a) = 0 On remarque graphiquement, que pour a > 0, on a f 0 (a) , 0. D’où f (a) f 0 (a)(x − a) + f (a) = 0 ⇔ x = a − 0 f (a) f (a) f (a) f (a) Soit xB = a − 0 et AB = a − 0 −a = − 0 f (a) f (a) f (a) Comme OA = a, la relation (1), donne : ! f (a) a× − 0 =1 f (a) Soit −a = f 0 (a) f (a) (2) c) Détermination de l’équation de la courbe Ou encore, pour tout réel strictement positif x, f 0 (x) = −x f (x) c) Détermination de l’équation de la courbe Ou encore, pour tout réel strictement positif x, f 0 (x) = −x f (x) Puisque 0 f 0 (x) = ln (f (x)) f (x) il vient x2 −x = − 2 et que 0 c) Détermination de l’équation de la courbe Ou encore, pour tout réel strictement positif x, f 0 (x) = −x f (x) Puisque 0 f 0 (x) = ln (f (x)) f (x) x2 −x = − 2 et que 0 il vient 0 ln (f (x)) x2 = − 2 !0 ⇔ ln (f (x)) = − x2 +C 2 c) Détermination de l’équation de la courbe Ou encore, pour tout réel strictement positif x, f 0 (x) = −x f (x) Puisque 0 f 0 (x) = ln (f (x)) f (x) x2 −x = − 2 et que 0 il vient 0 ln (f (x)) Soit x2 = − 2 x2 !0 ⇔ ln (f (x)) = − x2 x2 f (x) = e− 2 +C = eC × e− 2 = K e− 2 x2 +C 2 (3) c) Détermination de l’équation de la courbe Ou encore, pour tout réel strictement positif x, f 0 (x) = −x f (x) Puisque 0 f 0 (x) = ln (f (x)) f (x) x2 −x = − 2 et que 0 il vient 0 ln (f (x)) Soit x2 = − 2 x2 !0 ⇔ ln (f (x)) = − x2 x2 f (x) = e− 2 +C = eC × e− 2 = K e− 2 x2 +C 2 (3) La relation(3) donne f (0) = K, par lecture graphique f (0) ' 0,4 c) Détermination de l’équation de la courbe Ou encore, pour tout réel strictement positif x, f 0 (x) = −x f (x) Puisque 0 f 0 (x) = ln (f (x)) f (x) x2 −x = − 2 et que 0 il vient 0 ln (f (x)) Soit x2 = − 2 x2 !0 ⇔ ln (f (x)) = − x2 x2 f (x) = e− 2 +C = eC × e− 2 = K e− 2 x2 +C 2 (3) La relation(3) donne f (0) = K, par lecture graphique f (0) ' 0,4 1 On montre que K = √ , d’où pour tout réel x : 2π c) Détermination de l’équation de la courbe Ou encore, pour tout réel strictement positif x, f 0 (x) = −x f (x) Puisque 0 f 0 (x) = ln (f (x)) f (x) x2 −x = − 2 et que 0 il vient 0 ln (f (x)) Soit x2 = − 2 x2 !0 ⇔ ln (f (x)) = − x2 x2 f (x) = e− 2 +C = eC × e− 2 = K e− 2 x2 +C 2 (3) La relation(3) donne f (0) = K, par lecture graphique f (0) ' 0,4 1 On montre que K = √ , d’où pour tout réel x : 2π x2 1 f (x) = √ e− 2 2π Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Plan de la présentation 1 2 Lois de probabilités à densité 1.1 Introduction à la loi uniforme 1.2 Variable aléatoire suivant une loi à densité 1.3 Loi uniforme sur un intervalle [a, b] 1.4 Espérance mathématique Lois exponentielles Francis Cortado 3 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement Lois normales 3.1 Introduction 3.2 Étude de la courbe 3.3 Théorème de Moîvre-Laplace 3.4 Loi normale centrée réduite N (0, 1) 3.5 Propriétés 3.6 Loi normale N (µ, σ 2 ) Lois à densité a) Énoncé Théorème de Moîvre-Laplace Soit n un entier naturel, et soit Xn une variable aléatoire qui suit une loi binomiale B(n, p). Soit Zn la variable centrée réduite correspondante : X − np Zn = p n np(1 − p) Alors pour tout réel a et b, tels que a < b : Z lim p (a 6 Zn 6 b) = n→+∞ b a x2 1 √ e− 2 dx 2π b) Visualisation Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Plan de la présentation 1 2 Lois de probabilités à densité 1.1 Introduction à la loi uniforme 1.2 Variable aléatoire suivant une loi à densité 1.3 Loi uniforme sur un intervalle [a, b] 1.4 Espérance mathématique Lois exponentielles Francis Cortado 3 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement Lois normales 3.1 Introduction 3.2 Étude de la courbe 3.3 Théorème de Moîvre-Laplace 3.4 Loi normale centrée réduite N (0, 1) 3.5 Propriétés 3.6 Loi normale N (µ, σ 2 ) Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) a) Fonction de densité Définition On dit qu’une variable aléatoire X suit une loi normale centrée réduite, notée N (0, 1), si elle admet pour densité de probabilité la fonction f définie sur R par x2 1 f (x) = √ e− 2 2π Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) a) Fonction de densité Probabilité d’un intervalle Soit X une variable aléatoire qui suit une loi normale centrée réduite, alors pour tout réel a et b tels que a < b, on a Z p (a 6 X 6 b) = p [a, b] = b a Francis Cortado x2 1 √ e− 2 dx 2π Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) b) Exercices Exercice 7 Soit X une une variable aléatoire suivant une loi normale centrée réduite. 1. A l’aide de la ClassPad calculer les probabilités suivantes : p X 6 1,35 ; p X > −0,35 ; p X > 5,45 2. A l’aide du logiciel Xcas calculer les probabilités suivantes : p 0 6 X 6 1,6 ; p(X 6 2,51 ; p −0,4 < X 6 0,4 Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) b) Exercices Solution exercice 7 Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) b) Exercices Solution exercice 7 La syntaxe sur Xcas est « normal cdf », avec en argument la valeur inférieure, puis la valeursupérieure. Si on souhaite calculer p X 6 a , il suffit de renseigner uniquement la valeur a Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) b) Exercices Exercice 8 Soit X une une variable aléatoire suivant une loi normale centrée réduite. A l’aide de GeoGebra, calculer et visualiser les probabilités suivantes. 1. a) p(X 6 −0,5) et p(X > 0,5) b) p(X > −0,5) et p(X 6 0,5) 2. a) p(−0,5 6 X 6 0,5) et p(−1 6 X 6 1) b) p(−2 6 X 6 2) et p(−3 6 X 6 3) Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) b) Exercices 1. a) p(X 6 −0,5) = p(X > 0,5) = 0,308 5 Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) b) Exercices b) p(X > −0,5) = p(X 6 0,5) = 0,691 5 Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) b) Exercices 2. a) p(−0,5 6 X 6 0,5) = 0,382 9 Francis Cortado et p(−1 6 X 6 1) = 0,682 7 Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) b) Exercices b) p(−2 6 X 6 2) = 0,954 5 Francis Cortado et p(−3 6 X 6 3) = 0,997 3 Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Plan de la présentation 1 2 Lois de probabilités à densité 1.1 Introduction à la loi uniforme 1.2 Variable aléatoire suivant une loi à densité 1.3 Loi uniforme sur un intervalle [a, b] 1.4 Espérance mathématique Lois exponentielles Francis Cortado 3 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement Lois normales 3.1 Introduction 3.2 Étude de la courbe 3.3 Théorème de Moîvre-Laplace 3.4 Loi normale centrée réduite N (0, 1) 3.5 Propriétés 3.6 Loi normale N (µ, σ 2 ) Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) a) Propriétés de symétrie Soit X une une variable aléatoire suivant une loi normale centrée réduite, et soit u un réel positif. p(X > 0) = p(X 6 0) = 0,5 Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) a) Propriétés de symétrie Soit X une une variable aléatoire suivant une loi normale centrée réduite, et soit u un réel positif. p(X > 0) = p(X 6 0) = 0,5 p(X 6 −u) = p(X > u) = 1 − p(X 6 u) Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) a) Propriétés de symétrie Soit X une une variable aléatoire suivant une loi normale centrée réduite, et soit u un réel positif. p(X > 0) = p(X 6 0) = 0,5 p(X 6 −u) = p(X > u) = 1 − p(X 6 u) p(−u 6 X 6 u) = 1 − 2p(X > u) = 2p(X 6 u) − 1 Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) a) Propriétés de symétrie Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) a) Propriétés de symétrie Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) b) Espérance et variance Définition Soit X une une variable aléatoire suivant une loi normale centrée réduite. On appelle espérance de X, le réel défini par Z0 Zy E(X) = lim t f (t) dt + lim t f (t) dt x→−∞ x y→+∞ 0 Où t 7→ f (t) est la densité de probabilité de X Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) b) Espérance et variance Définition Soit X une une variable aléatoire suivant une loi normale centrée réduite. On appelle espérance de X, le réel défini par Z0 Zy E(X) = lim t f (t) dt + lim t f (t) dt x→−∞ x y→+∞ 0 Où t 7→ f (t) est la densité de probabilité de X On appelle variance de X le réel positif défini par Var(X) = E (X − E(X))2 Francis Cortado Lois à densité 3.1 3.2 3.3 3.4 3.5 3.6 Lois de probabilités à densité Lois exponentielles Lois normales Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) b) Espérance et variance Propriété Soit X une une variable aléatoire suivant une loi normale centrée réduite, alors E(X) = 0 et Var(X) = 1 E(X) = 0 et ou encore Francis Cortado σ 2 (X) = 1 Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) c) Exercices Exercice 9 1. A l’aide de GeoGebra, déterminer graphiquement un réel positif u tel que p (−u 6 X 6 u) = 0,95 Combien existe-t-il de valeurs qui répondent à cette question ? 2. A l’aide de la ClassPad, déterminer par le calcul un un réel positif t tel que p (−t 6 X 6 t) = 0,99 Combien existe-t-il de valeurs qui répondent à cette question ? Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) c) Exercices Solution exercice 9 On obtient t = 1,96 et cette valeur est unique. Francis Cortado Lois à densité c) Exercices Solution exercice 9 De même, on obtient une unique valeur t ∼ 2,58 Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) d) Théorème Théorème Soit Z une une variable aléatoire suivant une loi normale centrée réduite N (0, 1). Pour tout α ∈ ]0, 1[, il existe un unique réel positif noté uα tel que : p − uα 6 Z 6 uα = 1 − α Francis Cortado Lois à densité Illustration Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Démonstration. On constate graphiquement que Z u p (−u 6 Z 6 u) = 2p (0 6 Z 6 u) = 2 × f (x) dx 0 Francis Cortado Lois à densité (1) 3.1 3.2 3.3 3.4 3.5 3.6 Lois de probabilités à densité Lois exponentielles Lois normales Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Démonstration. On constate graphiquement que Z u p (−u 6 Z 6 u) = 2p (0 6 Z 6 u) = 2 × f (x) dx (1) 0 Posons Z u G(u) = f (x) dx (2) 0 Où f est la fonction de densité de la loi normale centrée réduite. Francis Cortado Lois à densité 3.1 3.2 3.3 3.4 3.5 3.6 Lois de probabilités à densité Lois exponentielles Lois normales Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Démonstration. On constate graphiquement que Z u p (−u 6 Z 6 u) = 2p (0 6 Z 6 u) = 2 × f (x) dx (1) 0 Posons Z u G(u) = f (x) dx (2) 0 Où f est la fonction de densité de la loi normale centrée réduite. La relation (2) signifie que la fonction G est l’unique primitive définie sur R de la fonction f qui s’annule en 0. Francis Cortado Lois à densité 3.1 3.2 3.3 3.4 3.5 3.6 Lois de probabilités à densité Lois exponentielles Lois normales Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Démonstration. On constate graphiquement que Z u p (−u 6 Z 6 u) = 2p (0 6 Z 6 u) = 2 × f (x) dx (1) 0 Posons Z u G(u) = f (x) dx (2) 0 Où f est la fonction de densité de la loi normale centrée réduite. La relation (2) signifie que la fonction G est l’unique primitive définie sur R de la fonction f qui s’annule en 0. D’où G0 (u) = f (u), or f est positive sur R, la fonction G est donc croissante sur R. Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Démonstration. 1 De plus G(0) = 0 et lim G(u) = A = . u→+∞ 2 Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Démonstration. 1 De plus G(0) = 0 et lim G(u) = A = . u→+∞ 2 On obtient le tableau de variations suivant : u +∞ 0 2 × G0 (u) 2 × G(u) + 1 0 Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Démonstration. Comme 0 6 1 − α 6 1, d’après le tableau de variations de la fonction 2 × G, Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Démonstration. Comme 0 6 1 − α 6 1, d’après le tableau de variations de la fonction 2 × G, on en déduit qu’il existe un unique réel noté uα tel que 2 × G(uα ) = 1 − α Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Démonstration. Comme 0 6 1 − α 6 1, d’après le tableau de variations de la fonction 2 × G, on en déduit qu’il existe un unique réel noté uα tel que 2 × G(uα ) = 1 − α donc d’après (1) tel que p (−u 6 Z 6 u) = 1 − uα Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Remarque L’exercice 9 nous a permis d’obtenir les valeurs suivantes : Pour α = 0,05, soit 1 − α = 0,95, on trouve uα = 1,96 Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Remarque L’exercice 9 nous a permis d’obtenir les valeurs suivantes : Pour α = 0,05, soit 1 − α = 0,95, on trouve uα = 1,96 Pour α = 0,01, soit 1 − α = 0,99, on trouve uα = 2,58 Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Plan de la présentation 1 2 Lois de probabilités à densité 1.1 Introduction à la loi uniforme 1.2 Variable aléatoire suivant une loi à densité 1.3 Loi uniforme sur un intervalle [a, b] 1.4 Espérance mathématique Lois exponentielles Francis Cortado 3 2.1 Définition et propriétés 2.2 Loi à durée de vie sans vieillissement Lois normales 3.1 Introduction 3.2 Étude de la courbe 3.3 Théorème de Moîvre-Laplace 3.4 Loi normale centrée réduite N (0, 1) 3.5 Propriétés 3.6 Loi normale N (µ, σ 2 ) Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) a) Définition Définition Loi normale N (µ, σ 2 ) Une variable aléatoire X suit la loi normale N (µ, σ 2 ), si la variable aléatoire X−µ Z= σ suit la loi normale centrée réduite N (0, 1) Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) a) Définition Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) b) Exercice Exercice 10 Déterminer les probabilité suivantes à 10−3 près 1. X suit une loi normale N (3; 1) : p(X > 3) ; p(−1 6 X 6 2) ; p(4 < X < 7) 2. T suit une loi normale N (7,2; 1,22 ) : p(T > 6) ; p(6,5 6 T 6 7) Francis Cortado ; Lois à densité p(5,4 < T < 7,9) Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Solution exercice 10 Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Solution exercice 10 Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) c) Propriétés Espérance et variance d’une loi normale. Soit X une variable aléatoire X qui suit la loi normale N (µ, σ 2 ). Son espérance est E(X) = µ. Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) c) Propriétés Espérance et variance d’une loi normale. Soit X une variable aléatoire X qui suit la loi normale N (µ, σ 2 ). Son espérance est E(X) = µ. Sa variance est Var(X) = σ 2 , et son écart-type est σ. Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales Francis Cortado 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) c) Propriétés Probabilité de certains intervalles centrés sur µ X suit une loi normale de paramètre µ et σ 2 . p (X ∈ [µ − σ, µ + σ]) ' 0,68 Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) c) Propriétés Probabilité de certains intervalles centrés sur µ X suit une loi normale de paramètre µ et σ 2 . p (X ∈ [µ − σ, µ + σ]) ' 0,68 p (X ∈ [µ − 2σ, µ + 2σ]) ' 0,95 Francis Cortado Lois à densité Lois de probabilités à densité Lois exponentielles Lois normales 3.1 3.2 3.3 3.4 3.5 3.6 Introduction Étude de la courbe Théorème de Moîvre-Laplace Loi normale centrée réduite N (0, 1) Propriétés Loi normale N (µ, σ 2 ) c) Propriétés Probabilité de certains intervalles centrés sur µ X suit une loi normale de paramètre µ et σ 2 . p (X ∈ [µ − σ, µ + σ]) ' 0,68 p (X ∈ [µ − 2σ, µ + 2σ]) ' 0,95 p (X ∈ [µ − 3σ, µ + 3σ]) ' 0,997 Francis Cortado Lois à densité Démonstration. On pose X−µ σ Z suit alors une loi normale centrée réduite, et Z= Démonstration. On pose X−µ σ Z suit alors une loi normale centrée réduite, et p X ∈ [µ − σ, µ + σ] = p (µ − σ 6 X 6 µ + σ) Z= Démonstration. On pose X−µ σ Z suit alors une loi normale centrée réduite, et p X ∈ [µ − σ, µ + σ] = p (µ − σ 6 X 6 µ + σ) Z= Comme σ > 0, il vient µ − σ 6 X 6 µ + σ ⇐⇒ −σ 6 X − µ 6 σ ⇐⇒ −1 6 X−µ 61 σ Démonstration. On pose X−µ σ Z suit alors une loi normale centrée réduite, et p X ∈ [µ − σ, µ + σ] = p (µ − σ 6 X 6 µ + σ) Z= Comme σ > 0, il vient µ − σ 6 X 6 µ + σ ⇐⇒ −σ 6 X − µ 6 σ ⇐⇒ −1 6 Soit µ − σ 6 X 6 µ + σ ⇐⇒ −1 6 Z 6 1 et donc X−µ 61 σ Démonstration. On pose X−µ σ Z suit alors une loi normale centrée réduite, et p X ∈ [µ − σ, µ + σ] = p (µ − σ 6 X 6 µ + σ) Z= Comme σ > 0, il vient µ − σ 6 X 6 µ + σ ⇐⇒ −σ 6 X − µ 6 σ ⇐⇒ −1 6 X−µ 61 σ Soit µ − σ 6 X 6 µ + σ ⇐⇒ −1 6 Z 6 1 et donc p X ∈ [µ − σ, µ + σ] = p (−1 6 Z 6 1) ' 0,68 Illustration