Terminale ES Lois de probabilité à densité 1 TES Lois de probabilité à densité Loi à densité sur un intervalle On considère une expérience aléatoire et un univers associé muni d’une probabilité. I Variable aléatoire continue Définition Une variable aléatoire continue X est une fonction qui à chaque issue de associe un nombre réel d’un intervalle I de . Exemple : La variable aléatoire égale à la durée de bon fonctionnement d’un équipement produit en grande série est une variable aléatoire continue. 2 TES Lois de probabilité à densité Loi à densité sur un intervalle II Loi de probabilité à densité Définition X est une variable aléatoire continue à valeurs dans un intervalle I et f est une fonction continue, positive sur I telle que : • • 𝑏 𝑓 𝑎 𝑡 𝑑𝑡 = 1 si I = [a;b] 𝑥 lim 𝑎 𝑓 𝑡 𝑑𝑡 = 1 si I = [a; + [ 𝑥→+∞ Dire que P est la loi de probabilité de densité f de X signifie que pour tout intervalle J inclus dans I, P(X J) est égale à l’aire du domaine {M(x;y) / x J et 0 y f(x)}. Cf P(a X b) = 1 Cf P(c X d) 3 TES Lois de probabilité à densité Loi à densité sur un intervalle Conséquences 1. Pour tout réel c de I, P(X = c) = 0 𝑐 En effet, P(X = c) = P(c X c) = 𝑐 𝑓 𝑡 𝑑𝑡 = 0. 2. On déduit de (1) que : P(c X d) = P(c X < d) = P(c < X d) = P(c < X < d) 3. Si J = [c;d], alors P(X J) = 𝑑 𝑓 𝑐 𝑡 𝑑𝑡. P(X>c) 4. Si I = ]a; + [ et si c est un réel tel que c > a : P(X > c) = 1 – P(a < X < c) = 1 - 𝑐 𝑓 𝑎 𝑡 𝑑𝑡. Remarques : Les propriétés des probabilités d’événements rencontrés dans le cas discret s’étendent naturellement au cas continu. Par exemple : • Si J’ est le complémentaire de J dans I, alors P(J’) = 1 – P(J); • Si I’ I et P(I’) 0, si J I, alors PI’(J) = 𝑃(𝐼′ ∩𝐽) 𝑃(𝐼′ ) 4 TES Lois de probabilité à densité La loi uniforme sur [a;b] III Définition et propriétés Définition a et b désignent deux nombres réels distincts. Dire qu’une variable aléatoire X suit la loi uniforme sur l’intervalle [a;b] signifie que la densité de probabilité de la loi X est une fonction constante sur [a;b]. Propriété La densité de probabilité de la loi uniforme sur [a;b] est la fonction f définie sur [a;b] par f(x) = 1 . 𝑏 −𝑎 Démonstration f est une fonction constante sur [a;b] définie par f(x) = . On a 𝑏 𝑑𝑡 𝑎 = 1, c’est-à-dire [𝑡]𝑏 𝑎 = 1; soit (b – a) = 1; d’où = 1 . 𝑏 −𝑎 5 TES Lois de probabilité à densité La loi uniforme sur [a;b] Propriété X est une variable aléatoire qui suit la loi uniforme sur [a;b]. 𝒅 −𝒄 Pour tout intervalle [c;d] inclus dans [a;b], P(c X d) = . 𝒃 −𝒂 Démonstration 𝑑 1 P(c X d) = 𝑑𝑡 𝑐 𝑏 −𝑎 = 𝑑 1 𝑡 𝑏−𝑎 𝑐 = 𝑑 −𝑐 𝑏 −𝑎 Remarque Pour la loi uniforme sur [0;1] et pour tous réels c et d de [0;1] : P(c X d) = 𝑑 −𝑐 1 −0 = 𝑑 − 𝑐. Donc la probabilité de choisir un nombre au hasard entre c et d est égale à la longueur de l’intervalle [c;d]. 6 TES Lois de probabilité à densité La loi uniforme sur [a;b] IV Espérance Définition L’espérance d’une variable aléatoire X de densité f sur [a;b] est le nombre réel : 𝒃 E(X) = 𝒕𝒇 𝒂 𝒕 𝒅𝒕 Propriété X est une variable aléatoire qui suit la loi uniforme sur [a;b]. Son espérance est E(X) = Démonstration 𝑏 1 E(X) = 𝑡𝑑𝑡 𝑎 𝑏 −𝑎 = 𝑏 1 1 𝑡² 2 𝑏−𝑎 𝑎 𝒂+𝒃 . 𝟐 = 1 𝑏² −𝑎² 2 𝑏 −𝑎 = 1 (𝑏 −𝑎)(𝑏+𝑎) 2 𝑏 −𝑎 = 𝑎 +𝑏. 2 7 TES Lois de probabilité à densité Loi normale centrée réduite V Une approche historique N(0;1) Xn est une variable aléatoire qui suit la loi binomiale B(n;p). La variable aléatoire centrée et réduite associée à Xn est Zn = 𝑋𝑛 − 𝑛𝑝 ; son espérance 𝑛𝑝(1 −𝑝) est E(Zn) = 0 et son écart-type est (Zn) = 1. A la loi discrète de Zn on associe des aires de rectangles afin d’obtenir un histogramme comme ci-contre (cas n = 100 et p = 0,5). Tester l’animation GeoGebra en ligne Plus n est grand, plus les bords supérieurs des rectangles se rapprochent d’une courbe régulière et symétrique. Le mathématicien Abraham de Moivre (17ème siècle) a découvert que cette courbe représente la fonction : 1 𝑏 1 − 2𝑥 ² f:x 𝑒 et donc que P(a Zn b) tend vers 𝑓 𝑎 2𝜋 𝑥 𝑑𝑥 lorsque n tend vers + . 8 TES Lois de probabilité à densité Loi normale centrée réduite N(0;1) VI La loi normale centrée réduite Définition Dire qu’une variable aléatoire T suit la loi normale centrée réduite, notée N(0;1),signifie que sa densité de probabilité est la fonction f définie sur par f 𝑥 = 1 1 − 2𝑥 ² 𝑒 . 2𝜋 Premières propriétés 1) f est continue sur . 2) Pour tous nombres réels a et b, P(a T b) = 𝒂 𝒇 𝒙 𝒅𝒙. 𝒃 3) L’aire totale sous la courbe est égale à 1; elle représente la probabilité P(T ] - ; + [). 4) La courbe de f est symétrique par rapport à l’axe des ordonnées, 𝟏 𝟐 donc P(T ] 0; + [)= . On dit que la courbe de f est une « courbe en cloche ». 9 TES Lois de probabilité à densité Loi normale centrée réduite Premières propriétés N(0;1) 5) Pour tout réel u : P(T -u) = 1 – P(T > -u), or pour des raisons de symétrie P(T > -u) = P(T u) Donc P(T -u) = 1 – P(T u). 6) P(-1,96 T 1,96) 0,95 Environ, 95% des réalisations de T se trouvent entre -1,96 et 1,96. 10 TES Loi normale Lois de probabilité à densité N(;²) VII Loi normale d’espérance et d’écart-type Définition Dire qu’une variable aléatoire X suit une loi normale variable aléatoire T = 𝑋−𝜇 suit la loi normale 𝜎 N(;²) signifie que la N(0;1). Propriété Si une variable aléatoire suit une loi normale sa variance est ² et son écart-type . N(;²) , alors son espérance est , 11 TES Loi normale N(;²) Lois de probabilité à densité VIII Influence des paramètres Courbe représentative de la fonction de densité lorsque = 1; elle admet la droite d’équation x = comme axe de symétrie. Courbe représentative de la fonction de densité lorsque = 2; plus l’écart-type est grand, plus la courbe est élargie. Tester en ligne une animation GeoGebra qui fait varier les paramètres et . 12 TES Loi normale N(;²) Lois de probabilité à densité IX Les intervalles « un, deux, trois sigmas » X est une variable aléatoire qui suit N(;²) et T = • 𝑋−𝜇 suit N(0;1). 𝜎 P( - X + ) = P(-1 T 1) 0,68 (avec la calculatrice). Donc P( - X + ) 0,68. • De la même façon, on obtient : P( - 2 X + 2) 0,95 P( - 3 X + 3) 0,997 13