Chapitre 9 – Lois de Probabilité à Densité

Cours de Mathématiques – Terminale STI – Chapitre 9 : Lois de Probabilité à densité
Chapitre 9 – Lois de Probabilité à Densité
A) Introduction
1) Lois de probabilités à densité
On appelle lois de probabilités à densité les lois de probabilités dans un univers de taille infinie,
autrement dit pour une expérience dont le nombre d’issues possibles est infini.
Exemple :
Imaginons pour prendre un exemple simple que l’on tire au hasard des nombres entre 0 et 1, 0 non
compris.
Si l’on parle de nombres réels (ou même décimaux), il y a une infinité d’issues possibles d’un tirage.
Dans le cas d’un univers fini, on se limiterait par exemple à 0,1 ; 0,2 ; 0,3 ; 0,4 ; 0,5 ; 0,6 ; 0,7 ; 0,8 ; 0,9
et 1.
2) Comparaison entre un univers fini et un univers infini
a) Inadaptation du modèle fini
Reprenons l’exemple ci-dessus, et supposons une loi équiprobable, cela donnera une probabilité de 1/10
pour chaque nombre.
Si je passe à tous les nombres à 2 décimales compris entre 0 et 1, la probabilité de chacun deviendra
1/100 !
Prenons maintenant 9 décimales : on obtient 1/1 000 000 000 000 !!!
On comprend dès lors que si l’on prend tous les nombres décimaux (a fortiori tous les nombres réels),
chaque nombre aura une probabilité nulle d’apparaître.
b) Solution d’équiprobabilité pour un modèle infini sur [0 ; 1]
Il faut donc trouver un autre moyen pour définir la loi de probabilité que dans le cas fini...
Dans le cas d’équiprobabilité, on va dire que la probabilité d’un intervalle ]0 ; a] sera égale à la valeur de
a (a est entre 0 et 1), ce qui paraît raisonnable.
On peut remarquer que puisque la probabilité d’un nombre est nulle, p(]0 ; a]) = p([0 ; a]) = p([0 ; a[) : les
crochets ouverts ou fermés ne changent rien à la probabilité !
De même, les conditions "X < a" ou "X ≤ a" sont équivalentes ainsi que les conditions "X > a" et "X ≥ a",
ou plus précisément, on a p(X > a) = p(X ≤ a ) et p(X > a) = p(X ≥ a ).
On pourra désormais noter, pour simplifier l’écriture, p(]0 ; a]) = p(X < a).
On a donc p(X < a) = a.
Par exemple :
p(X < 0,5) = 0,5 : cela paraît naturel !
Il faut aussi vérifier que cette loi respecte les contraintes d’une loi de probabilité :
Page 1/7

Cours de Mathématiques – Terminale STI – Chapitre 9 : Lois de Probabilité à densité
- L’univers étant l’intervalle ]0 ; 1], on a bien p(Ω) = p(]0 ; 1]) = 1.
- Prenons deux nombres distincts a et b avec 0 < a < b < 1.
. I = ]0 ; a] et J = ]a ; 1] : il faudra avoir p(I) + p(J) = p(I U J), or ici la réunion de ces deux intervalles
est ]0 ; 1] = Ω, donc p(I) + p(J) = 1.
On en déduit que p(]a ; 1]) = 1 – p(]0 ; a]) = 1 – a ou encore p(X > a) = 1 – a.
. De même, on aura ;
p(X < a) + p(a < X < b) + p(X > b) = 1 d’où p(a < X < b) = 1 - a - (1 – b) = b – a.
La probabilité d’un intervalle est sa longueur, cela paraît naturel puisque c’est le quotient de sa longueur
par la longueur totale de l’intervalle-univers qui est de 1.
- Par rapport à la probabilité en univers fini, on ne peut plus parler de probabilité d’un événement
élémentaire, puisque ici elle serait nulle...
Calculer les probabilités suivantes :
p([0,5 ; 0,47]) =
p([0,002 ; 0,6]) =
p([1/3 ; 1/2]) =
c) Modélisation mathématique de cette probabilité
Dans le cas fini, on aurait
p(a<X<b)=∑
i=a
b
p(Xi)
.
Pour passer à l’infini, on va utiliser l’intégrale au lieu de la somme :
p(a<X<b)=∫
a
b
f(x)dx
, où la
fonction f(x) s’appellera la fonction de densité de la probabilité.
On remarquera que la fait d’employer ainsi une intégrale permet d’assurer la relation indispensable des
lois de probabilité qui est p(A U B) = p(A) + p(B) – p(A ∩ B).
Il restera à s’assurer dans chaque cas que la probabilité de l’univers est bien égale à 1.
Ici, f(x) = 1 convient car
∫
a
b
dx=[ x]a
b=b – a .
B) Loi uniforme sur [a ; b]
1) Définition
On appelle loi uniforme sur un intervalle la loi de probabilité à densité qui correspond à l’équiprobabilité
en univers fini, c’est à dire que la probabilité de tout sous-intervalle sera proportionnelle à sa longueur.
Elle correspond à l’expérience qui consiste à choisir un nombre au hasard entre deux valeurs.
Sa fonction de densité est la fonction constante
f(x)= 1
b−a
.
On a donc pour tout intervalle [c ; d] inclus dans [a ; b] :
p([c ; d ])=∫
c
d1
b – a dx
.
Page 2/7

Cours de Mathématiques – Terminale STI – Chapitre 9 : Lois de Probabilité à densité
On peut aussi écrire :
p(c<X<d)=∫
c
d1
b – a dx
.
2) Propriétés
a) Probabilité d’un sous-intervalle
On peut écrire, puisque b - a est une constante :
p(c<X<d)=
[
x
b – a
]
c
d
=d – c
b−a
On vérifie aisément que p(Ω) = 1.
b) Espérance d’une variable aléatoire suivant la loi uniforme
Par analogie avec le modèle fini, on définira l’espérance par :
E(X)=∫
a
b
x f (x)dx
Ce qui donne ici :
E(X)=∫
a
b
x1
b – a dx=
[
x2
2(b−a)
]
a
b
=b2−a2
2(b−a)=(b−a)(b+a) 2(b−a)=b+a 2.
D’où le résultat :
E(X)= a+b
2
c) Variance et écart-type
De même on définira variance et écart-type par :
V(X)=∫
a
b
(x – E (X))2dx
et
σ(X)=
√
V(X)
Ce qui donne ici :
V(X)=∫
a
b
(
x – a+b
2
)
2
b–a dx=1 b−a
[
(
x – a+b
2
)
3
3
]
a
b
=1
b−a
[
(
b – a+b
2
)
3
3−
(
a – a+b
2
)
3
3
]
soit :
V(X)= 1
b−a
[
(
b−a
2
)
3
3−
(
a−b
2
)
3
3
]
=1
b−a
[
2
(
b−a
2
)
3
3
]
=2(b−a)2
8×3=(b−a)2 12
Donc :
V(X)=(b – a)2
12
et
σ(X)= b – a
√
12
Page 3/7

Cours de Mathématiques – Terminale STI – Chapitre 9 : Lois de Probabilité à densité
C) Loi exponentielle sur [0;+ ∞ [
1) Définition
Cette loi se rencontre dans la radioactivité et dans les mouvements amortis.
Une variable aléatoire X prenant ses valeurs dans [0;+∞[ suit la loi de probabilité exponentielle de
paramètre λ > 0 lorsqu’elle suit une loi dont la fonction de densité est
f(x)= λ e−λx
.
On a alors :
p(a<X<b)=∫
a
b
λ e−λ x dx
On connaît les primitives de cette fonction de densité, on peut donc calculer :
p(a<X<b)=∫
a
b
λ e−λ x dx= [ −e−λ x ]
a
b=e−λ a−e−λ b
En particulier,
p(X<b)=∫
0
b
λ e−λ x dx = [ −e−λ x ]
0
b=1−e−λ b
On voit ici que lorsque b tend vers l’infini, p(X ≤ b) tend vers 1, donc on a bien p(Ω) = p([0;+∞[) = 1.
2) Propriétés
a) Autre définition
On peut aussi définir la loi exponentielle par la dernière formule ci-dessus, à savoir :
∀b∈[ 0 ;+∞ [ , p(X≤b)=1−e−λ b
Exemples :
Calculer p(X < 5) pour λ = 1, puis λ = 5 et λ = 10.
b) Espérance de X en loi exponentielle
E(X)=∫
0
+∞
x λ e−λ x dx=1
λ
(la démonstration de cette égalité n’est pas au programme)
c) Variance et écart-type
V(X)=∫
0
+∞
(x – 1
λ)
2
λ e−λ x dx =1
λ2
d’où
σ(X)= 1
λ
(la démonstration de ces égalités n’est pas au programme non plus)
3) Exemple
La durée de vie d’une diode est une variable aléatoire qui suit la loi exponentielle de paramètre 0,0008.
Calculer la probabilité qu’une diode tombe en panne :
- avant 4 000 heures
- pas avant 5 000 heures
Page 4/7

Cours de Mathématiques – Terminale STI – Chapitre 9 : Lois de Probabilité à densité
D) La loi normale sur ]- ∞ ;+ ∞ [
1) Définition
Une variable aléatoire X à valeurs dans
ℝ
suit la loi normale N(μ, σ) lorsque sa fonction de densité est
f(x)= 1
σ
√
2 π e
−1
2
(
x – μ
σ
)
2
On a alors :
p(a<X<b)=∫
a
b1
σ
√
2 π e
−1
2
(
x – μ
σ
)
2
dx
2) Propriétés
a) Espérance et écart-type
E(X)= μ
et
σ(X)=σ
On parle donc de loi normale d’espérance μ et d’écart-type σ.
(démonstrations non au programme)
b) Calcul de l’intégrale
Il n’existe pas d’expression mathématique explicite pour l’intégrale ci-dessus.
On admettra que p(Ω) = 1, c’est à dire que
∫
−∞
+∞ 1
σ
√
2 π e
−1
2
(
x – μ
σ
)
2
dx=1
, ce qui en fait bien une loi de
probabilité.
Par contre, les calculatrices et les tableurs peuvent calculer sa valeur approchée pour a, b, μ et σ donnés.
c) Particularités de la fonction f(x)
La courbe de cette fonction est une courbe en cloche, son maximum est atteint lorsque x = μ , et elle est
symétrique par rapport à la droite verticale d’équation x = μ.
Par conséquent, on a p(X < μ) = p(X > μ) = 0,5.
3) Intervalles "1, 2, 3 sigmas"
Théorème (admis) :
Si une variable X suit la loi normale N(μ, σ), on aura :
p(μ – σ <X<μ+σ)≈ 68 %
p(μ – 2 σ <X<μ+2 σ)≈ 95 %
p(μ – 3 σ<X<μ+3 σ )≈ 99,7 %
Ceci permet, lorsqu’on suppose qu’une variable suit une loi normale, de déterminer avec une précision
raisonnable la valeur de σ à l’aide de statistiques.
Page 5/7