13 Notion de loi à densité 3.Déterminer Ouverture Réponse à la question La demi-vie τ du fluor 18 est environ égale à 2 h. Le nombre de noyaux radioactifs encore présents N au bout de 4 h (= 2τ) est : N(4 h) = N0 e–2 ln2 = 0 . 4 Vérifier ses acquis 1 a. Les espérances valent respectivement 2,5 ; 5 ; 7 et 1. Classement : (d) (a) (b) (c). b.Les variances valent respectivement : 1,875 ; 2,5 ; 2,1 ; 0,9. 2 a. x Úln2 e-t , pour x > ln2 ; puis x lim e-2t dt . Que x Æ ln 2 x 1. e-xdx 1 - e-x 0 Ú remarque-t-on ? Ú 2.L’intégrale vaut 1/2 pour a = ln2. x 1 1 3. e-xdx - e-x tend vers quand x tend ln2 2 2 vers +∞. La droite d’équation x = a partage le domaine situé entre la courbe et l’axe des abscisses en deux surfaces égales de valeur 0,5. Ú 5 1. Pour chaque lancer, la probabilité de non 5 . 6 2.Réponse a. : échec au 1er lancer et au 2ème et … au (k – 1)ème puis succès au kème. apparition d’un as vaut Classe ]0 ; 0,5] ]0,5 ; 1,5] ]1,5 ; 2,5] Effectifs 83 35 26 Effectifs cumulés 83 118 144 Fréquences cumulées 0,469 0,667 0,814 Classe ]2,5 ; 6,5] ]6,5 ; 10,5] ]10 ; 26,5] Effectifs 18 4 11 Effectifs cumulés 162 166 177 Fréquences cumulées 0,915 0,938 1 6 Seule l’expérience a. entre dans le cadre binomial. Après n itérations, le « nombre de boules rouges tirées » est une variable aléatoire distribuée selon la loi binomiale (n, p) où p est la proportion de boules rouges de l’urne non modifiée. Activités d’introduction b. Polygone des fréquences cumulées croissantes : Activité 1 On note B′ et D′ les points de la droite d’ordonnées respectives 1 et –1. 1 X(W) = ˘˙ - p ; p ÍÈ . ˚ 2 2Î 2 Dans le premier dispositif, le point T est situé 0 5 10 15 20 25 30 3 1. Seules les propositions b et d sont justes. 2. Seules les propositions c et d sont justes. 4 Dans l’exemplaire élève, l’énoncé a été modifié comme suit : 296 n Chapitre 13 n Notion de loi à densité sur la droite et tout point de cette droite est susceptible d’être atteint par le faisceau lumineux, d’où Y(W) = R. Dans le deuxième dispositif, le point T est situé sur la demi-droite de issue de B′ (projeté orthogonal de B sur ) et au-dessous de B’. Tout point de cette demi-droite est susceptible d’être atteint par le faisceau lumineux, d’où Y(W) = ]–∞ ; 1]. © éditions Belin, 2012. 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 Dans le troisième dispositif, le point T est situé sur le segment [B′D′] et chaque point de ce segment est susceptible d’être atteint par le faisceau lumineux d’où Y(W) = [−1 ; 1]. Activité 2 A. 1 Numéro 1 2 3 4 5 Classe [0 ; 5[ [5 ; 10[ [10 ; 20[ [20 ; 30[ [30 ; 45] Amplitude 5 5 10 10 15 Effectifs 4 10 23 10 3 Effectifs cumulés croissants 4 14 37 47 50 Fréquences 0,08 0,20 0,46 0,20 0,06 2 On construit le diagramme des fréquences cumulées croissantes en joignant par des segments les 6 points Mk(xk, yk) dont les ordonnées figurent dans le tableau suivant : k 1 xk 0 5 10 yk 0 0,08 0,28 2 3 4 5 6 20 30 45 0,74 0,94 1 3 a. Numéro 1 2 3 4 5 Classe [0 ; 5[ [5 ; 10[ [10 ; 20[ [20 ; 30[ [30 ; 45] Amplitude 5 5 10 10 15 Fréquences 0,08 0,20 0,46 0,20 0,06 Densités 0,016 0,040 0,046 0,020 0,004 Valeur de F(x) 0,016x 0,04(x – 5) + 0,08 0,046(x – 10) + 0,28 0,02(x – 20) + 0,74 0,004(x – 30) + 0,94 b.Densité × amplitude = fréquence. 1 a. La probabilité vaut : P(7,5 ≤ X ≤ 25) = P(X ≤ 25) – P(X ≤ 7,5). Or P(X ≤ 25) = 0,02(25 – 20) + 0,74 = 0,84 et P(X ≤ 7,5) = 0,04(7,5 – 5) + 0,08 = 0,18. Donc P(7,5 ≤ X ≤ 25) = 0,84 – 0,18 = 0,66. b.La surface bleue vaut (7,5 – 2) × 0,04 + (20 – 10) × 0,046 + (25 – 20) × 0,02 = 0,66. c. Ces quantités sont égales. Ainsi la probabilité de l’événement 7,5 ≤ X ≤ 25 est égale à la surface de la portion d’histogramme limitée par les droites d’équation x = 7,5 et x = 25. d.P(0 ≤ X ≤ 5) = 0,08 et P(10 ≤ X ≤ 20) = 0,46. 2 a. La probabilité qu’un tir soit mauvais vaut P(X > 20) = 1 – F(20) = 0,26. b.La probabilité qu’un mauvais tir soit très mauP(X 30) 0, 06 @ 23,1. vais vaut : = P(X 20) 0, 026 Activité 3 1 a.Pour x < 0, aucun point de l’intervalle ]–∞ ; x] n’est pesant, d’où : P(X ≤ x) = 0. b.Pour 0 ≤ x ≤ 15, les x quinzièmes de la règle se trouvent dans l’intervalle ]–∞ ; x], d’où x P(X ≤ x) = . 15 c.Pour x > 15, tous les points de la règle se trouvent sur l’intervalle ]–∞ ; x], d’où P(X ≤ x) = 1. Chapitre 13 n Notion de loi à densité n 297 © éditions Belin, 2012. B. 2 a. c. d. e. 1 15 0 5 1 100 10 15 0 a b 100 0 a b 100 1 1 F(10) F(a) F(5) F(b) 5 10 15 b.Nous remarquons que f(x) = l si 0 < x < 15 et f(x) = 0 si x < 0 ou x > 15. 10 1 c. P(5 ≤ X ≤ 10) = = f(x) dx correspond à 5 3 l’aire grise sur le schéma précédent. P(5 ≤ X ≤ 10) = F(10) – F(5) marquée en gris sur le schéma précédent. d.Pour 0 < a < 15 et pour n > max(a ; 15 – a), 1 2 P a- 1 X a 1 ¥ n n 15 n dont la limite vaut 0 quand n tend vers +∞. Comme [X = a] entraîne Èa - 1 X a 1˘, ÎÍ n n˚˙ on peut écrire : 1 2 0 P(X a) ¥ 15 n Le théorème des gendarmes donne P(X = a) = 0. On note que : F′(a) = f(a) = 1 . 15 3 L’abscisse du point de coupe est un réel X strictement compris entre 0 et 100. 0 si x0 ÔÔ a. P(X ≤ x) = Ì x si 0 x 100 Ô 100 ÔÓ 1 si 100 x b.Si a n’est pas compris dans l’intervalle ]0 ; 100[, [X = a] = ∅, d’où : P (X = a) = 0. Si 0 < a < 100, pour n > max(a ; 15 – a), 1 2 P a- 1 X a 1 ¥ n n 100 n dont la limite vaut 0 quand n tend vers +∞. Comme l’événement [X = a] est inclus dans chaque événement Èa - 1 X a 1˘, on peut ÍÎ n n˙˚ écrire : 2 1 0 P(X a) ¥ . 100 n Le théorème des gendarmes donne P(X = a) = 0. Ú 298 n Chapitre 13 n Notion de loi à densité Pour 0 < a + h < b + h < 100, P(a + h ≤ X ≤ b + h) = b h - (a h) b - a . 100 100 Activité 4 1 L’image de l’intervalle ]0 ; 1[ par la fonction x a −ln(1 – x) est l’intervalle ]0 ; +∞[. D’où : Y(W) = ]0 ; +∞[. 2 On pose F : t a P(X ≤ t) et G : t a P(Y ≤ t). Comme X suit une loi uniforme sur ]0 ; 1[, 0 si t 0 Ô F(t) = P(X ≤ t) = Ì t si 0 t 1 . Ô 1 si 1 t Ó a.Pour t > 0 : ÈÎY t˘˚ ÈÎ- ln(1 - X) t˘˚ ÈÎexp ln(1 - X) exp(-t)˘˚ ÈÎ1 - X exp(-t)˘˚ ÈÎ1 - exp(-t) X ˘˚ . b.Donc pour t > 0 : G(t) = P(Y ≤ t) = P(X ≤ 1 – exp(−t)) = F(1 – e−t) = 1 – e−t. 3 a.[Y ≤ a] et [a < Y < b] sont deux événements incompatibles dont la réunion est [Y ≤ b]. Donc P(Y ≤ a) + P(a < Y ≤ b) = P(Y ≤ b), d’où P(a < Y ≤ b) = G(b) – G(a) = 1 – e−b – (1 – e−a) = e−a – e−b. b.[Y = a] = [X = 1 – exp(−a)], dont la probabilité est nulle donc P(Y = a) = 0. Par conséquent, P(a ≤ Y ≤ b) = P(a < Y ≤ b) – P(Y = a) = e−a – e−b. © éditions Belin, 2012. 0 4 a. Y(W) = ]0 ; +∞[ par conséquent [Y ≤ t] pour t ≤ 0 est un événement impossible, d’où : P(Y ≤ t) = 0. b. 1 0,5 0 Densité g G(t) 0 0,5 1 1,5 2 0 2,5 Fonction de répartition G : t → P(Y ≤ t) t 0 1 1,5 2 2,5 5 a.Pour t > 0, P(t Y t h) e-(t h) - e-t eh - 1 e-t ¥ h h h P t Y t h t Donc lim e = g(t). h hÆ 0 b.Ainsi, pour 0 ≤ a ≤ b, P(a ≤ Y ≤ b) = G(b) – G(a) = 1ˆ Ê P Á Z A ¥ 0, 025 n˜ 0, 025, ÁË ˜¯ d’où : ln 0,975 ln 0,025ˆ Ê n n ˜ P ÁZ ¥ e A Z ¥e ÁË ˜¯ 1 G(t) 1ˆ Ê Il en résulte : P Á Z A ¥ 0, 975 n˜ 0, 975 et ÁË ˜¯ b Úa g(t) dt . 0, 975 - 0, 025 0, 95. b.On remarque que l’événement [Z ≤ t] est impossible pour t < 0, et certain pour t ≥ a donc : 0 si t 0 Ô n ÔÊ t ˆ P(Z t) ÌÁ ˜ si 0 t A. ÔË A¯ Ô1 si A t Ó c. On vérifie par exemple que la fonction f définie ci-dessous est une densité de Z : 0 si t 0 Ô 1 Ô f(t) Ìn ¥ ¥ t n-1 si 0 t A. An Ô ÔÓ0 si A t d.Soit E(Z) l’espérance de Z. On a : Travaux pratiques 1TP TICE 1 Fonction de plusieurs variables A 1 È t n1 ˘ n ¥Í ¥ A. ˙ n 0 n n 1 1 A ÍÎ ˙˚0 Ên 1 ˆ ¥ Z˜ A . Par conséquent : E Á Ë n ¯ E(Z) 1 Ú t ¥ f(t) dt = n ¥ suivant une loi uniforme 2 a. Z ¥ e - ln 0,975 n A Z ¥e - ln 0,025 n 1 1 € A ¥ 0, 0025 n Z A ¥ 0, 975 n. Or, pour 0 ≤ t ≤ A, ÈÎMax X1, X2,L, X n t˘˚ ÈÎX1 t˘˚ I ÈÎX2 t˘˚ I L I ÈÎX n t˘˚ n Êtˆ dont la probabilité vaut Á ˜ compte tenu de Ë A¯ l’indépendance des événements ÈÎX1 t˘˚ , ÈÎX2 t˘˚ ,K et ÈÎX n t˘˚ et du fait que : n Ê tˆ P(X1 t) P(X2 t) L P(X n t) Á ˜ . Ë A¯ 2TP TICE 2 Durée de vie sans vieillissement 1 a.Soient t et h deux réels strictement positifs (pour simplifier l’écriture on a renommé t0, t). Considérons les quatre événements suivants : • Vt = « Le matériel est encore vivant à l’instant t » • Vt+h = « Le matériel est encore vivant à l’instant t + h » • V0 = « Le matériel est encore vivant à l’instant 0 » • Vh = « Le matériel est encore vivant à l’instant h » L’hypothèse selon laquelle la variable aléatoire est sans mémoire conduit à : PV (Vt h) PV (Vh) P(Vh) car V0 W. t 0 En effet, on considère que le matériel est vivant lors de sa mise en service à l’instant t = 0. b.On remarque que le fait que le matériel soit encore vivant à l’instant t + h implique qu’il l’était à l’instant t, d’où : Vt h Õ Vt soit : Vt h I Vh Vt h. Chapitre 13 n Notion de loi à densité n 299 © éditions Belin, 2012. 1 Le nombre de fois où l’intervalle IA(w) contient la valeur A = 325 suit la loi binomiale (100 ; 0,95). L’espérance de ce nombre d’intervalles contenant la valeur A vaut donc 95 sur les 100 intervalles. d.Il en résulte : P [X t0 h] I [X t0] P(X t0 h) P(X t0) P(X t0) P(Vt h I Vt) P(Vt h) P(Vt) P(Vt) On peut conclure : P(Vh) ¥ P(Vt) P(Vt h). PV (Vt h) t 2 a. "x 0, P(X x) lim Ú A AÆ x h) e-lh le-ltdt e-lx P(X t0) e-lt0 et P(X b.Le fait que l’événement [X t0 h] soit réalisé implique que l’événement [X t0] l’est aussi, d’où : [X t0 h] Õ [X t0] soit : [X t0 h] I [X t0] [X t0 h]. c.D’après a. : P(X t0 h) e-l(t0 h). e-l(t0 h) P(X h). e-lt0 e. Compte tenu de ce résultat et du fait que X est une variable à densité, on peut écrire indifféremment : PX t (X t0 h) P(X h) ou encore : 0 PX t (X t0 h) P(X h) 0 La variable aléatoire X est donc sans mémoire. 3 1. a. Classe [0 ; 5[ [5 ; 10[ [10 ; 15[ [15 ; 20[ [20 ; 25[ [25 ; 30[ [30 ; 35[ X 573 186 89 40 26 18 13 Y 193 350 284 132 31 10 0 Z 401 205 143 104 53 42 19 Taux évolutif X 0,573 0,436 0,369 0,263 0,232 0,209 0,191 Taux évolutif Y 0,193 0,434 0,621 0,763 0,756 1,000 Taux évolutif Z 0,401 0,342 0,363 0,414 0,361 0,447 0,365 Classe [35 ; 40[ [40 ; 45[ [45 ; 50[ [50 ; 55[ [55 ; 60[ [60 ; 65[ [65 ; 70[ X 10 6 7 2 7 6 17 Y 0 0 0 0 0 0 0 Z 11 7 6 3 3 2 1 Taux évolutif X 0,182 0,133 0,179 0,063 0,233 0,261 1,000 0,333 0,318 0,400 0,333 0,500 0,667 1,000 Taux évolutif Y Taux évolutif Z 300 Ci 2,5 7,5 12,5 17,5 22,5 27,5 32,5 Classe [0 ; 5[ [5 ; 10[ [10 ; 15[ [15 ; 20[ [20 ; 25[ [25 ; 30[ [30 ; 35[ X 573 186 89 40 26 18 13 Y 193 350 284 132 31 10 0 Z 401 205 143 104 53 42 19 X ¥ Ci 1 432,50 1 395,00 1 112,50 700,00 585,00 495,00 422,50 Y ¥ Ci 482,50 2 625,00 3 550,00 2 310,00 697,50 275,00 0,00 Z ¥ Ci 1 002,50 1 537,50 1 787,50 1 820,00 1 192,5 1 155 617,50 n Chapitre 13 n Notion de loi à densité © éditions Belin, 2012. b.Calcul des moyennes Ci 37,5 42,5 47,5 52,5 57,5 62,5 67,5 Classe [35 ; 40[ [40 ; 45[ [45 ; 50[ [50 ; 55[ [55 ; 60[ [60 ; 65[ [65 ; 70[ X 10 6 7 2 7 6 17 Y 0 0 0 0 0 0 0 Z 11 7 6 3 3 2 1 X ¥ Ci 375,00 255,00 332,50 105,00 402,50 375,00 1 147,50 Y ¥ Ci 0,00 0,00 0,00 0,00 0,00 0,00 0,00 Z ¥ Ci 412,50 297,50 285,00 157,50 172,50 125,00 67,50 MOYENNE X 9,14 MOYENNE Y 9,94 MOYENNE Z 10,63 avec l’âge ce qui explique un taux de mortalité croissant avec l’âge. Dans la situation 3, le taux fluctue de manière aléatoire autour d’une valeur moyenne. On est manifestement en face de causes accidentelles extérieures indépendantes d’incident sans usure du procédé de mise en bouteille. On note que les moyennes d’échantillons observées sont proches de 10 unités. On vérifie l’adéquation du modèle à un modèle exponentiel de paramètre l = 1/10. La probabilité de l’événement [a < Z < a + 5] vaut selon cette hypothèse : p(a) = exp(–a/10) – exp(–(a + 5)/10). L’espérance du nombre d’incidents sur 1 000 incidents vaut : 1 000 × p(a) Ci 2,5 7,5 12,5 17,5 22,5 27,5 32,5 Classe [0 ; 5[ [5 ; 10[ [10 ; 15[ [15 ; 20[ [20 ; 25[ [25 ; 30[ [30 ; 35[ X 573 186 89 40 26 18 13 Y 193 350 284 132 31 10 0 Z 401 205 143 104 53 42 19 Effectifs théoriques 393,5 238,7 144,7 87,79 53,25 32,3 19,59 Ci 37,5 42,5 47,5 52,5 57,5 62,5 67,5 Classe [35 ; 40[ [40 ; 45[ [45 ; 50[ [50 ; 55[ [55 ; 60[ [60 ; 65[ [65 ; 70[ X 10 6 7 2 7 6 17 Y 0 0 0 0 0 0 0 Z 11 7 6 3 3 2 1 Effectifs théoriques 11,88 7,207 4,371 2,651 1,608 0,975 0,592 Chapitre 13 n Notion de loi à densité n 301 © éditions Belin, 2012. 2.Dans la situation 1, les taux diminuent ; les jeunes conducteurs qui ne font pas partie des 573 ayant eu un accrochage dans la période [0 mois ; 5 mois[ ont emmagasiné de l’expérience et constituent une nouvelle population plus fiable, pour laquelle la proportion d’accidents dans les cinq mois qui suivent ne vaut plus que 0,436 au lieu de 0,573, etc. Échappant au statut de jeunes conducteurs, ils verront au bout de quelques années leurs primes d’assurances globalement diminuer. Dans la situation 2, on a clairement un phénomène d’usure des batteries. Une batterie vit plus ou moins selon la vie qu’elle mène. Même sage, elle se fatigue et son espérance de vie diminue 4 1. a. L’événement « le noyau se désintègre entre les instants t et t + s » s’écrit : [t X t s]. La probabilité demandée est : P(t X t s) PX t(t X t s) . P(X t) On trouve après factorisation puis simplification : PX t(t X t s) e-ls . b.Ce résultat ne dépend pas de t. 2.La durée de vie moyenne des noyaux de l’échantillon est égale à l’espérance de vie de l’un 1 d’entre eux soit : E(X) = . l 3.Pour chaque noyau père, la probabilité qu’il ne se soit pas désintégré avant l’instant t vaut e-lt . N(t) est donc distribuée selon la loi binomiale (N0 , e-lt) dont l’espérance vaut N0 ¥ e-lt . 4.Le nombre moyen de noyaux radioactifs à l’instant t vaut N0 ¥ e-lt . Il est divisé par 2 lorsque e-lt 1 . La période de « demi-vie » vaut donc 2 1 t ln 2 l 3TP Algorithmique Lois exponentielles en série et en parallèle 1 Partie 1 a.Si l’élément n’est pas tombé en panne dans l’intervalle [0 ; t], X(w) t et réciproquement. Il en résulte pour t 0, P(X t) e-t d’où : P(X t) 1 - e-t. b.On note que : si t 0 Ô0 P(X t) Ì t ÓÔ1 - e si t 0 t si x 0 Ô0 f(x) dx où f(x) Ì - ÔÓe-x si x 0 X suit donc la loi exponentielle de paramètre 1. Ú 2 Partie 2 Le tableau de données suivant a été ajouté dans l’exemplaire élève : X1(t) X2(t) X3(t) X4(t) X5(t) X6(t) X7(t) 1,09 2,28 1,11 1,80 0,24 2,09 0,26 1.a. Les éléments qui sont déjà tombés en panne à l’instant t = 1,5 sont les éléments 1, 3, 5, 7. 302 n Chapitre 13 n Notion de loi à densité b.Suivant le même principe, on peut compléter le tableau suivant : t = 0 t = 0,5 t = 1,5 t = 2 t = 2,5 t = 3 D1 1 1 0 0 0 0 D2 1 1 1 0 0 0 D3 1 0 0 0 0 0 2.Les réponses à ces questions ont été données dans la partie 1 : si t 0 Ô0 P(X1 t) Ì ÔÓ1 - e-t si t 0 3.Pour t strictement compris entre 0 et 1, l’événement ÎÈ- ln(random()) t˘˚ est égal à l’événement Èrandom() e-t ˘ dont le contraire est l’événeÎ ˚ ment ÈÎrandom() e-t ˘˚ de probabilité e-t puisque random() suit la loi uniforme sur ]0 ; 1[. Ainsi, X ÎÈ1˘˚ - ln(random()) est bien distribuée selon la loi exponentielle de paramètre 1. 3 Partie 3 1.Il faut simuler 1 000 fois l’expérience et comparer les fréquences observées aux probabilités proposées. 2.a. Il convient de calculer les moyennes des 1 000 durées de vie observées pour chaque dispositif. b.• Si une panne survient sur le dispositif 1 entre les instants 0 et t, c’est que l’un ou l’autre des éléments 1 et 2 sont tombés en panne sur cet intervalle de temps [0 ; t] et réciproquement. Donc : ÈÎY1 t˘˚ ÈÎX1 t˘˚ U ÈÎX2 t˘˚ Or : P ÈÎX1 t˘˚ U ÈÎX2 t˘˚ P X1 t P X2 t - P ÈÎX1 t˘˚ I ÈÎX2 t˘˚ et du fait de l’indépendance des événements [X1 t] et [X2 t] on a : P [X1 t] I [X2 t] P(X1 t) ¥ P(X2 t) Par conséquent : P(Y1 t) 1 - e-t 1 - e-t - (1 - e-t)(1 - e-t) 1 - e-2t • Si une panne survient sur le dispositif 2 entre les instants 0 et t, c’est que l’un et l’autre des éléments 3 et 4 sont tombés en panne sur cet intervalle de temps [0 ; t] et réciproquement. Donc : [Y2 t] [X3 t] I [X4 t]. Du fait de l’indépendance des événements [X3 t] et [X4 t] on a : P([X3 ≤ t] ∩ [X4 ≤ t]) = P([X3 ≤ t]) × P([X4 ≤ t]). Par conséquent : P(Y2 t) (1 - e-t)(1 - e-t). © éditions Belin, 2012. On constate que les valeurs des 1 000 valeurs de Z observées sont en adéquation, aux fluctuations d’échantillonnage près, avec les effectifs théoriques prévus par la loi exponentielle • Si une panne survient sur le dispositif 3 entre les instants 0 et t, c’est que l’élément 5 et l’un ou l’autre des éléments 6 et 7 sont tombés en panne sur cet intervalle de temps [0 ; t] et réciproquement. Donc : [Y3 t] [X5 t] I [X6 t] U [X7 t] . Du fait de l’indépendance des événements [X5 t], [X6 t] et [X7 t] on a : P(Y3 t) P(X5 t) ¥ P [X6 t] U [X7 t] . Par ailleurs : P [X6 t] U [X7 t] P [X1 t] U [X2 t] . On obtient : P(Y3 t) (1 - e-t) ¥ (1 - e-2t). c.Les variables aléatoires Y1, Y2 , Y3 prennent leurs valeurs dans l’intervalle [0 ; +[ ; les fonctions : F1 : t a P(Y1 t) 1 - e-2t , F2 : t a P(Y2 t) (1 - e-t)2, F3 : t a P(Y1 t) (1 - e-t)(1 - e-2t) sont continues sur cet intervalle et dérivables sur ]0 ; [. Les variables aléatoires Y1, Y2 , Y3 admettent donc pour densité les fonctions f1, f2 , f3 définies respectivement par : Ô0 si t 0 f1(t) Ì 2 t si t 0 ÔÓF1¢(t) e 3 P(a X b) correspond à l’aire hachurée en bleu. Ê 1 d.Les espérances des variables Yk valent : E(Yk) lim Ú A AÆ 0 t fk(t) dt 1 . l 1 1 3 On obtient alors : E(Y1) ; E(Y2) 2 - ; 2 2 2 1 1 7 E(Y3) 1 - 2 3 6 Il a été établi en cours que : lim Ú A AÆ 0 lt e-lt dt 1 1 Ê 1 - 1ˆ 5 1.b. 2. b. et c. 3.a. et b., sous réserve que les limites existent. 6 d. La longueur de l’intervalle vaut 4. 7 a. L’intervalle est centré sur 0. 8 a. et b. 9 b. 10 c. Appliquer les capacités attendues 12 a. 0,5 Ô0 si t 0 f2(t) Ì t 2 t si t 0 ÓÔF2¢(t) 2e - 2e Ô0 si t 0 f3(t) Ì . t 2 t 3 t si t 0 ÓÔF3¢(t) e 2e - 3e 1ˆ 4 d. P Á- Y ˜ ¥ ¥ Á1 - e 2˜ . 2¯ 2 2 2 ÁË ˜¯ Ë 2 –8 b. Ú0 –4 0 e-tdt 1 d’où : 4 8 1 1 Ú- f(t) dt 2 ¥ 1 2 ¥ 1 1. 1 -1 -2 (e - e ) et 2 1 P(-3 X -2) (e-3 - e-2) 2 1 1 P(-2 X 1) 1 - e-1 - e-2 . 2 2 c. P(1 X 2) 13 a. 1,5 1 0,5 Maîtriser le cours 1 d. –1 0 1 2 3 b.f est positive et l’intégrale de f sur le segment [0,1] vaut 1. Ê1 3ˆ c. P Á X ˜ 4¯ Ë2 3 11 Ú14 f(t) dt 32 2 2 La densité d’une variable aléatoire à valeurs dans I a une intégrale sur I égale à 1. Cette densité est à valeurs positives ou nulle. Chapitre 13 n Notion de loi à densité n 303 © éditions Belin, 2012. Exercices 14 a. 2. a. b. 8 9 1 0,5 0,5 –1 0 1 2 3 b.f est positive et l’intégrale de f sur le segment [0,1] vaut 1. Ê1 2ˆ c. P Á X ˜ 3¯ Ë2 2 3 f(t) dt 1 2 Ú 6 7 2 . 3 16 1,5 1 0,5 0 1 2 0 2 3 1 2 3 Ê 1 3ˆ 243 3. P Á- X ˜ . 2 2¯ 256 Ë 18 a. f est positive sur [-1 ; +[ et nulle en 15 a. Le nombre a vaut 12. –1 –1 3 Ê 1ˆ 11 b.P(-1 X 1) 1 et P Á0 Y ˜ et 2¯ 16 Ë Ê 1 ˆ P Á- X 2˜ 1. Ë 2 ¯ 16 1.a. La fonction f est continue sur R pour b = 2. Nous choisirons alors b = 2 dans la suite de l’exercice. 3 b.f est alors une densité pour a - . 4 0,6 0,4 0,2 dehors de cet intervalle et l’intégrale de f sur 1 1 [-1 ; +[ vaut ¥ 1 ¥ 1 1. f est donc une den2 2 sité de probabilité. Ê1 ˆ 1 1 b.P Á X 1˜ ; Ë2 ¯ 2 e 2e 1 1 P(1 X 3) ; P - 1 X 1 3 - 1 2 4 2e 2e 2e3 19 L’énoncé est conforme à la figure : f est définie par 0 sur [2 ; +∞[. a. f est positive sur ]– ; 2[ et nulle en dehors de cet intervalle et l’intégrale de f sur ]– ; 2[ vaut 1 1 ¥ 1 ¥ 2 1. f est donc une densité de proba3 3 bilité. 1 1 b.P(-2 X -1) ; 3e 3e2 2 1 P(-1 X 1) . 3 3e 21 a. Courbe représentative de la fonction f : 0,6 0 1 2 3 0,5 c. La droite d’équation x = 1 est axe de symétrie de la courbe. Ê 1 ˆ Ê1 3ˆ 1 2. a. b. P Á- X 1˜ P Á X ˜ . 2¯ 2 Ë 2 ¯ Ë2 17 1.a. La fonction f est continue sur R pour b = 2. Nous choisirons alors b = 2 dans la suite de l’exercice. 3 b.f est alors une densité pour a . 4 0,4 0,3 0,2 0,1 –10 b. –5 0 5 12 Ú- f(x) dx Ú0 3 x dx Ú1 1 È x2 ˘ 2 Í ˙ ÍÎ 3 ˙˚0 3 Pour t 1, on a : t 1 Ú1 2 dx 3x2 1 dx. x2 È-1˘ n Chapitre 13 n Notion de loi à densité t 1 Ú1 x2 dx ÍÎ x ˙˚1 1 - t , donc en faisant tendre t vers , on a : 304 10 Ú1 1 dx 1. x2 © éditions Belin, 2012. –1 On obtient donc : 1 23 a. Courbe représentative de la fonction f : 2 Ú- f(x) dx 3 3 1. 1 De plus, f est positive sur R donc f est une fonction densité d’une variable X. x 2 x1 c.Pour x 1, tf(t) dt dt . 1 3 1 t x1 On a : dt ln x et lim ln x donc 1 t x Æ Ú Ú 0,5 Ú lim Ú x x Æ 1 tf(t) dt . –10 –5 0 d.D’après ce qui précède, X n’admet pas d’espérance. 5 10 –0,5 22 a. Courbe représentative de la fonction f : 1 –1 0,8 0,4 0,2 –10 b. –5 0 5 1 Ú- f(x) dx Ú0 x dx Ú1 1 È x2 ˘ Í ˙ ÍÎ 2 ˙˚0 Pour t 1, on a : t Ú1 10 1 dx x3 1 1 dx 2 x3 È -1 ˘ 1 t 1 Ú1 1 dx. x3 1 Ú1 x3 dx ÍÎ2x2˙˚1 2 - 2t2 , donc en faisant tendre t vers , on a : 1 1 dx . 1 x3 2 1 1 On obtient donc : f(x) dx 1. - 2 2 De plus, f est positive sur R donc f est une fonction densité d’une variable X. x x 1 c.Pour x 1, tf(t) dt dt . 1 1 t2 x 1 x 1 tf(t) dt 1. On a : dt 1 - donc : lim 1 t2 x x Æ 1 d.D’après ce qui précède, X admet une espérance. 1 1 E(x) tf(t)d t2 dt dt - 0 1 t2 Ú Ú Ú Ú Ú Ú Ú Ú 1 Èt3 ˘ 4 Í ˙ 1 . 3 3 ÍÎ ˙˚0 Ú b. Ú- f(x) dx 2 p 2 p Ú f(x) dx correspond à l’aire 2 d’un demi-disque de rayon R . On a donc : p 1 2 f(x) dx pR 1. - 2 De plus, f est positive sur R donc f est une fonction densité d’une variable X. c. L’utilisation de la courbe permet de conjecturer que la fonction f est paire. On vérifie cette conjecture en s’assurant que, pour tout x Œ°, on a : f(-x) f(x) . Le calcul de l’espérance de X conduit à calculer Ú Ú- xf(x) dx 2 p 2 p Ú xf(x) dx. La parité de f induit que la fonction x a xf(x) est impaire. On a donc : On a donc : E(x) 0. 2 p 2 p Ú xf(x) dx 0. Chapitre 13 n Notion de loi à densité n 305 © éditions Belin, 2012. 0,6 È 2 2˘ Pour x Œ Í; ˙ , cette courbe a pour équap˚ Î p 2 2 tion y - x2 , on a donc : x2 y 2 avec p p y 0. Cette courbe est donc le demi-cercle situé au-dessus de l’axe des abscisses de centre O et de rayon 2 . p 25 a. Courbe représentative de f : Ê pˆ p 1 1 b.P Á0 q ˜ ¥ et 2¯ 2 p 2 Ë Êp 3pˆ Ê 3p pˆ 1 1 PÁ q ˜ Á - ˜ ¥ . 4 ¯ Ë 4 2¯ p 4 Ë2 0,15 0,10 –5 0 5 10 b.D’après le cours, on a : 0 si x -p Ô Ôx p P(X x) Ì si x Œ [-p ; p]. Ô 2p si x p ÔÓ1 La représentation de la fonction de répartition est la suivante : 0,5 0,4 0,3 1 0,2 0,8 0,1 0,6 –10 0,4 0,2 –4 –2 0 2 4 p 1 2 dx 0 2p Ê pˆ 1 p c. P Á0 X ˜ ¥ 0, 25 . 2¯ 2p 2 Ë Cette probabilité correspond à l’aire de la partie du plan délimitée par l’axe des abscisses, la courbe de f, l’axe des ordonnées et la droite p d’équation x . 2 D’après ce qui précède, on a : xp F(x) si x Œ [-p ; p]. 2p p p 3 Ê pˆ p 1 et F(0) Ainsi : F Á ˜ 2 d’où 2p 4 2p 2 Ë 2¯ Ú Ê pˆ 3 1 1 F Á ˜ - F(0) - . 4 2 4 Ë 2¯ On peut donc vérifier que : Ê Ê pˆ pˆ P Á0 X ˜ F Á ˜ - F(0). 2¯ Ë Ë 2¯ p p x 1 È x2 ˘ 1 È p2 p2 ˘ dx d.E(x) Í ˙ Í - ˙ 0. - p 2p 2p ÍÎ 2 ˙˚ 2p ÎÍ 2 2 ˙˚ -p Ú 26 a. La variable aléatoire q est distribuée suivant la loi uniforme sur [0 ; p]. 306 n Chapitre 13 n Notion de loi à densité –5 0 5 10 Sa fonction de répartition F définie par : 0 si x 0 Ô Ô x si x Œ ÈÎ0 ; 2 2˘˚ F(x) Ì Ô2 2 ÔÓ1 si x 2 2 est représentée ci-dessous : 1 0,8 0,6 0,4 0,2 –10 –5 0 5 10 b.La probabilité de l’événement « M appartient à [BC] » correspond à 1 2 - 1 2 P 1 X 1 2 . 2 2 2 2 La probabilité de l’événement « M appartient à la ligne brisée (M1BCM2) » correspond à Ê3 ˆ 1 2˜ Ê1 ˆ ÁË 2 3 ¯ 2 1 2 P Á X 2˜ . 2 Ë2 ¯ 2 2 2 2 © éditions Belin, 2012. –10 b- a . p 27 a. La variable aléatoire X est distribuée suivant la loi uniforme sur ÎÈ0 ; 2 2˘˚ . Sa fonction densité f définie par : 1 si x Œ ÈÎ0 ; 2 2˘˚ Ô f(x) Ì2 2 Ô0 sinon Ó est représentée ci-dessous : c.Pour 0 a b p, on a : P(a q b) 0,05 29 La variable aléatoire X égale au nombre choisi au hasard dans l’intervalle ]0 ; 1[ est distribuée suivant la loi uniforme sur ]0 ; 1[. 0, 4 - 0, 3 a. P(0, 3 X 0, 4) 0,1. 1 b.P(0, 5 X 1) 0, 5 . c. On note A l’événement : « le second chiffre est 1 ». P(X Œ [0, 31 ; 0, 32[»... » [0, 91 ; 0, 92[) P(X 0,3)(A) P(X 0, 3) 7 ¥ 0, 01 1 P(X 0,3)(A) . 0, 7 10 30 La variable aléatoire X égale au temps d’attente, en minutes, à un arrêt de tramway est distribuée suivant la loi uniforme sur [0 ; 30]. 20 - 15 1 a. P(15 X 20) . 30 6 30 - 20 1 b.P(20 X 30) . 30 3 0 30 c. E(x) 15 ce qui permet de conclure 2 que le temps moyen d’attente est de 15 minutes. 15 P(X 15) 30 3 d.P(X 10)(X 15) . P(X 10) 20 4 30 Èe-2x ˘ l 32 1. a. f(x) dx le-2x dx l Í ˙ . - 0 ÍÎ -2 ˙˚0 2 Ú Ú Ainsi, pour l 2, f est positive et Ú- f(x) dx 1. f est donc la densité de la loi exponentielle de paramètre 2. 1 b.E(x) 0, 5 . l 2. a. D’après le cours, on a : si x 0 Ô0 P(X x) Ì . ÔÓ1 - e-2x si x 0 b.P(1 X 2) 2 2 Ú1 2e-2x dx ÈÎ-e-2x˘˚1 e-2 - e-4. F(2) - F(1) (1 - e-4) - (1 - e-2) e-2 - e-4 . On a donc : P(1 X 2) F(2) - F(1). c. P(-1 X 2) P(0 X 2) F(2) - F(0) donc : P(-1 X 2) F(2) 1 - e-4 . Èe-lx ˘ a ae-lx dx a Í ˙ . - 0 ÍÎ -l ˙˚0 l Ainsi, pour que f soit une densité, il faut que : a 1 soit a l. l Comme a et l vérifient al 2, on a donc : a2 2. Ainsi, a et l étant positifs, on a : a l 2. f est donc la densité de la loi exponentielle de paramètre 2. 1 2 b.E(x) . l 2 2. a. D’après le cours, on a : Ô0 si x 0 P(X x) Ì . 2 x si x 0 ÓÔ1 - e 33 1. a. Ú f(x) dx b.P(1 X 2) 2 Ú1 Ú 2e- 2 x dx È-eÎ 2 2 x˘ ˚1 e- 2 - e-2 2. F(2) - F(1) (1 - e-2 2) - (1 - e- 2) e- 2 - e-2 2. On a donc : P(1 X 2) F(2) - F(1). c. P(-2 X 2) P(0 X 2) F(2) - F(0) donc P(-2 X 2) F(2) 1 - e-2 2. Èe-lx ˘ a ae-lx dx a Í ˙ . - 0 ÍÎ -l ˙˚0 l Ainsi, pour que f soit une densité, il faut que : a 1 soit a l. l Or : a l 2 donc 2a 2 d’où a 1. f est donc la densité de la loi exponentielle de paramètre 1. 1 b.E(x) 1. l 2. a. D’après le cours, on a : Ô0 si x 0 P(X x) Ì . -x ÓÔ1 - e si x 0 34 1. a. Ú f(x) dx b.P(1 X 2) 2 Ú 2 Ú1 e-x dx ÈÎ-e-x˘˚1 e-1 - e-2. F(2) - F(1) (1 - e-2) - (1 - e-1) e-1 - e-2. On a donc : P(1 X 2) F(2) - F(1). c. P(-2 X 2) P(0 X 2) F(2) - F(0) donc : P(-2 X 2) F(2) 1 - e-2 . 35 a.Si X est une variable aléatoire distribuée suivant la loi exponentielle de paramètre l, on a : 1 E(X) . l 1 On a E(X) 25 donc l . 25 Chapitre 13 n Notion de loi à densité n 307 © éditions Belin, 2012. 28 La variable aléatoire X égale au nombre choisi au hasard dans l’intervalle [10 ; 100] est distribuée suivant la loi uniforme sur [10 ; 100]. 50 - 20 30 1 a. P(20 X 50) . 100 - 10 90 3 50 5 60 - 10 b.P(10 X 60) . 100 - 10 90 9 100 - 90 10 1 c. P(90 X 100) . 100 - 10 90 9 - m - m On obtient donc : 0 si x 5 Ô P(Y x) Ìx - 5 si x Œ [5 ; 6]. Ô1 si x 6 Ó b.P(X m) 0, 5 € 1 - e 25 0, 5 € e 25 0, 5. 1 m P(X m) 0, 5 € ln € m 25 ln 2. 25 2 On a donc : m ; 17, 3. c. D’après la fonction de répartition de Y, on peut conclure que Y suit la loi uniforme sur [5 ; 6]. 3. E(Y) 5, 5 et E(X) 2, 5 donc : E(Y) E(X) 3. 1 3 1 € 1 - e 25 € e 25 4 4 4 3 1 m 3 P(X q) € ln € m -25 ln . 4 25 4 4 On a donc : q ; 7, 2 . 38 1. La fonction densité f est définie par : q m c. P(X q) 36 La variable aléatoire X égale à la durée de vie (en jours) d’un composant électronique est distribuée suivant la loi exponentielle de paramètre l = 0,001 25. 1. a. P(100 X 200) 200 200 Ú100 le-lx dx ÈÎ-e-lx˘˚100 P(100 X 200) e-100l - e-200l e-0,125 - e-0,25. La probabilité qu’un composant ait une durée de vie comprise entre 100 et 200 jours est d’environ 0,104. 500 Ú0 500 le-lx dx ÈÎ-e-lx ˘˚ 0 P(X 500) 1 - e-500l 1 - e-0,625. La probabilité qu’un composant ait une durée de vie inférieure à 500 jours est d’environ 0,465. c. P(X 600) 1 - P(X 600) donc : P(X 600) e-600l e-0,75. La probabilité qu’un composant fonctionne au bout de 600 jours est d’environ 0,472. 1 2. E(X) 800. 0, 00125 Ces composants électroniques ont une durée de vie moyenne de 800 jours. b.P(X 500) S’entraîner 37 1. La fonction densité f est définie par : 0 si x œ [2 ; 3] f(x) Ì . ÓÔ1 si x Œ [2 ; 3] 2. a. X prend ses valeurs dans [2 ; 3] donc Y = X + 3 prend ses valeurs dans [5 ; 6]. b.P(Y x) P(X 3 x) P(X x - 3) . D’après le cours, on a : 0 si x 2 Ô P(X x) Ìx - 2 si x Œ [2 ; 3]. Ô1 si x 3 Ó 308 n Chapitre 13 n Notion de loi à densité 0 si x œ [1 ; 6] f(x) Ì . ÔÓ1 si x Œ [1 ; 6] 2. a. X prend ses valeurs dans [1 ; 6] donc Y = X – 5 prend ses valeurs dans [–4 ; 1]. b.P(Y x) P(X - 5 x) P(X x 5). D’après le cours, on a : 0 si x 1 Ô Ôx - 1 si x Œ [1 ; 6]. P(X x) Ì Ô 5 si x 6 ÔÓ1 On obtient donc : 0 si x -1 Ô Ôx 4 si x Œ [-4 ; 1]. P(Y x) Ì Ô 5 si x 1 ÔÓ1 c. D’après la fonction de répartition de Y, on peut conclure que Y suit la loi uniforme sur [–4 ; 1]. 3. E(Y) -1, 5 et E(x) 3, 5 donc : E(Y) E(X) - 5. 39 1. La fonction densité f est définie par : 0 si x œ [0 ; 4] f(x) Ì . ÓÔ1 si x Œ [0 ; 4] 2. a. X prend ses valeurs dans [0 ; 4] donc Y = X + a prend ses valeurs dans [a ; a 4]. b.P(Y x) P(X a x) P(X x - a). D’après le cours, on a : 0 si x 0 Ô Ôx P(X x) Ì si x Œ [0 ; 4]. Ô4 ÔÓ1 si x 4 On obtient donc : 0 si x a Ô Ôx - a si x Œ [a ; a 4]. P(Y x) Ì Ô 4 si x a 4 ÔÓ1 c. D’après la fonction de répartition de Y, on peut conclure que Y suit la loi uniforme sur [a ; a + 4]. 3. E(Y) a 2 et E(X) 2 donc : E(Y) E(X) a. © éditions Belin, 2012. La fonction de densité f de X est donc définie par : 0 si x 0 Ô f(x) Ì 1 - x . Ô e 25 si x 0 Ó25 0 si x œ [0 ; 2] f(x) Ì . ÔÓ1 si x Œ [0 ; 2] 2. a. X prend ses valeurs dans [0 ; 2] donc Y = 2X prend ses valeurs dans [0 ; 4]. Ê xˆ b.P(Y x) P(2X x) P Á X ˜ . 2¯ Ë D’après le cours, on a : 0 si x 0 Ô Ôx P(X x) Ì si x Œ [0 ; 2]. Ô2 ÔÓ1 si x 2 On obtient donc : 0 si x 0 Ô Ôx P(Y x) Ì si x Œ [0 ; 4]. Ô4 ÔÓ1 si x 4 c. D’après la fonction de répartition de Y, on peut conclure que Y suit la loi uniforme sur [0 ; 4]. 3. E(Y) 2 et E(X) 1 donc : E(Y) 2E(X). 41 1. La fonction densité f est définie par : 0 si x œ [2 ; 4] f(x) Ì . ÔÓ1 si x Œ [2 ; 4] 2. a. X prend ses valeurs dans [2 ; 4] donc Y = –X prend ses valeurs dans [-4 ; - 2]. b.P(Y x) P(-X x) P(X -x) 1- P(X -x). D’après le cours, on a : 0 si x 2 Ô Ôx - 2 si x Œ [2 ; 4]. P(X x) Ì Ô 2 si x 4 ÔÓ1 On obtient donc : 0 si x -4 Ô Ôx 4 si x Œ [-4 ; - 2]. P(Y x) Ì Ô 2 si x -2 ÔÓ1 c. D’après la fonction de répartition de Y, on peut conclure que Y suit la loi uniforme sur [–4 ; –2]. 3. E(Y) -3 et E(X) 3 donc : E(Y) -E(X). 42 1. La fonction densité f est définie par : 0 si x œ [-1 ; 3] f(x) Ì . ÓÔ1 si x Œ [-1 ; 3] 2. a. X prend ses valeurs dans [–1 ; 3]. Ainsi : si a > 0 alors Y = aX prend ses valeurs dans [-a ; 3a] ; si a < 0 alors Y = aX prend ses valeurs dans [3a ; - a]. b.Pour a > 0 : Ê xˆ P(Y x) P(aX x) P Á X ˜ . a¯ Ë D’après le cours, on a : 0 si x -1 Ô Ôx 1 si x Œ [-1 ; 3]. P(X x) Ì Ô 4 si x 3 ÔÓ1 On obtient donc : 0 si x -a Ô Ôx a si x Œ [-a ; 3a]. P(Y x) Ì Ô 4a si x 3a ÔÓ1 D’après la fonction de répartition de Y, on peut conclure que Y suit la loi uniforme sur [–a ; 3a]. Pour a < 0 : Ê Ê xˆ xˆ P(Y x) P(aX x) P Á X ˜ 1 - P Á X ˜ . a¯ a¯ Ë Ë On obtient donc : 0 si x 3a Ô Ô x - 3a si x Œ [3a ; - a]. P(Y x) Ì Ô -4a si x -a ÔÓ1 D’après la fonction de répartition de Y, on peut conclure que Y suit la loi uniforme sur [3a ; –a]. 3. E(Y) -2a et E(X) 2 donc : E(Y) aE(X). 43 Le temps moyen d’attente est de 6 minutes donc E(X) 6. Or, X suit la loi uniforme sur [a ; b] a b donc : E(X) . On obtient : a b 12. 2 60 % des voyageurs attendent plus de 5 minutes donc : P(X 5) 0, 6 soit : P(X 5) 0, 4 . On a 5-a donc : 0, 4 d’où : 3a 2b 25 . De plus : b- a a b 12 a 1 équivaut à Ì . Ì ÓÔ3a 2b 25 ÓÔb 11 44 On note X la variable aléatoire égale à la durée d’une communication (exprimée en heures). X suit la loi uniforme sur [0 ; 2]. 1, 25 1. a. P(X 1, 25) 0, 625 2 La probabilité qu’une communication dure au plus 1 h 25 min est égale à 0,625. 1 Ê Ê 5 1ˆ 1ˆ b.P Á X ˜ 1 - P Á X ˜ 1 - 3 . 2 6 3¯ 3¯ Ë Ë La probabilité qu’une communication dure au moins 20 min est environ égale à 0,833. Chapitre 13 n Notion de loi à densité n 309 © éditions Belin, 2012. 40 1. La fonction densité f est définie par : 45 1. a. La fonction de densité f de la variable aléatoire X de loi uniforme sur [15 ; 20] est définie par : 0 si x œ [15 ; 20] f(x) Ì . ÓÔ1 si x Œ [15 ; 20] a b 17, 5. La durée moyenne du tra2 jet de Rafael est de 17,5 min. 17 - 15 2 c. P(X 17) P(15 X 17) 20 - 15 5 La probabilité que Rafael mette moins de 17 min pour se rendre au lycée est égale à 0,4. 2. P(X 19) P(19 X 20) 0, 2. On note Y la variable aléatoire égale au nombre de jours où le trajet a duré plus de 19 min. Y suit la loi binomiale (5 ; 0,2). P(Y 1) 1 - P(Y 0) 1 - 0, 85. La probabilité qu’au moins un jour le trajet de Rafael dure plus de 19 minutes est d’environ 0,672. b.E(X) 46 Dans l’exemplaire élève, l’énoncé a été modifié comme suit : b. On considère la variable aléatoire « temps d’attente au feu », notée T. Déterminer P(T = 0) ainsi que P(T ≤ x) pour x ∈ ]0 ;1,5]. a.Le feu clignote 2 min et est rouge durant 1 min 30 s. On note X la variable aléatoire égale au temps écoulé (en min) depuis le début d’un cycle constitué ainsi : le feu clignote pendant 2 min puis passe au rouge durant 1 min et 30 s. X suit la loi uniforme sur [0 ; 3,5]. La probabilité qu’une voiture arrive alors que le 2 4 feu clignote est égale à P(X 2) soit 3 , 5 7 environ 0,57. b.La variable aléatoire T n’est ni une variable aléatoire discrète ni une variable aléatoire à densité. Pour définir sa loi, on détermine P(T 0) et P(T x) pour x Œ]0 ; 1, 5]. 4 D’après ce qui précède, P(T 0) P(X 2) . 7 310 n Chapitre 13 n Notion de loi à densité Pour tout x > 0, on a : P(T x) P [T x] « [X 2] P [T x] « [X 2] P(T x) P(X 2) P[X 2] [0 T x] ¥ P(X 2) x 2 1, 5 4 2x P(T x) ¥ 3, 5 1, 5 3, 5 7 42 6 c. P(T 1) . 7 7 La probabilité qu’une personne attende moins d’une minute est environ égale à 0,857. 47 1. a. X prend ses valeurs dans [0 ; L]. b.X suit la loi uniforme sur [0 ; L] et son espéL rance est E(X) . 2 2. a. Si le promeneur trouve ses deux trousseaux en parcourant une distance D sur le chemin du retour, cela signifie que la distance de parcours avec chaque clef est supérieure à L - D . D Or : P(X L - D) P(L - D X L) donc la L probabilité que le promeneur ait retrouvé ses 2 Ê Dˆ deux trousseaux de clefs est égale à Á ˜ . Ë L¯ b.La probabilité que le promeneur n’ait retrouvé aucun des deux trousseaux de clefs est égale à 2 Ê L - Dˆ donc la probabilité que le promeneur ait ËÁ L ¯˜ retrouvé au moins un de ses trousseaux de clefs 2 2 Ê L - Dˆ D Ê Dˆ est égale à 1 - Á 2 -Á ˜ . L Ë L¯ Ë L ˜¯ 48 1.Soit X la variable aléatoire égale au nombre de minutes écoulées entre le début du cours et le moment où Violette sort pour boire. X suit la loi uniforme sur [0 ; 115]. a. P(X = 15) = 0 donc la probabilité que Violette sorte à 10 h 30 exactement est nulle. 30 6 b.P(45 X 75) donc la probabilité 115 23 que Violette sorte pour boire entre 11 h et 11 h 30 est environ égale à 0,26. 3 15 c. P(X 15) donc la probabilité que 115 23 Violette sorte pour boire avant 10 h 30 est environ égale à 0,13. 11 55 d.P(X 60) donc la probabilité que 115 23 Violette sorte après 11 h 15 est environ égale à 0,478. 2.Violette est sortie boire à 11 h 10 donc Violette est retournée en cours à 11 h 15 (60 min après le début du cours). © éditions Belin, 2012. 4 3 Ê3 4ˆ 7 c. P Á X ˜ 3 4 . 3¯ 2 24 Ë4 La probabilité qu’une communication dure entre 45 min et 1 h 20 min est environ égale à 0,292. a b 2. E(X) 1. Le temps moyen d’une com2 munication est donc d’une heure. 49 1. La fonction densité de X est définie sur R. 2. a. X prend ses valeurs dans [0 ; +[ donc Y = X + 2 prend ses valeurs dans [2 ; +[. b.P(Y x) P(X 2 x) P(X x - 2) . D’après le cours, on a : si x 0 Ô0 P(X x) Ì . ÔÓ1 - e-lx si x 0 On obtient donc : si x 2 Ô0 P(Y x) Ì . l ( x 2 ) 1 e si x 2 ÓÔ c. La variable Y ne suit pas une loi exponentielle. 3. La fonction de densité f de X est définie par : si x 0 Ô0 f(x) Ì alors que la fonction de l x l e si x 0 ÓÔ densité g de la variable Y est définie par : si x 2 Ô0 g(x) Ì . l ( x 2 ) si x 2 ÓÔle On a donc, pour tout x réel, g(x) f(x - 2). 1 4. D’après le cours, on a : E(X) . l E(Y) Ú2 lxe- l(x - 2) dx e2 l Ú2 lxe- lx dx donc Ê È Ê ˘ 1ˆ 1ˆ E(Y) e2 l Í- Á x ˜ e- lx˙ e2 l Á2 ˜ e- 2l . l l Ë ¯ Ë ¯ Î ˚2 1 On obtient donc : E(Y) 2 soit : E(Y) E(X) 2. l 50 1. La fonction densité de X est définie sur R. 2. a. X prend ses valeurs dans [0 ; +[ donc Y = X + a prend ses valeurs dans [a ; +[ . b.P(Y x) P(X a x) P(X x - a). D’après le cours, on a : si x 0 Ô0 P(X x) Ì . ÔÓ1 - e-lx si x 0 si x a Ô0 On obtient donc : P(Y x) Ì . ÔÓ1 - e-l(x - a) si x a c. La variable Y ne suit une loi exponentielle que pour a = 0. 3.La fonction de densité f de X est définie par : si x 0 Ô0 f(x) Ì alors que la fonction de ÔÓle- lx si x 0 densité g de la variable Y est définie par : Ô0 si x 2 g(x) Ì . l ( x a ) si x 2 ÓÔle On a donc, pour tout x réel, g(x) f(x - a). 1 4.D’après le cours, on a : E(X) . l E(Y) Úa lxe- l(x - a) dx e a l Úa lxe- lx dx donc : Ê È Ê ˘ 1ˆ 1ˆ E(Y) e a l Í- Á x ˜ e- lx ˙ e a l Á a ˜ e- al . l l Ë ¯ Ë ¯ Î ˚a 1 On obtient donc : E(Y) a soit : E(Y) E(X) a. l 51 1. La fonction densité de X est définie sur R. 2. a. X prend ses valeurs dans [0 ; +[ donc Y = 2X prend également ses valeurs dans [0 ; +[. Ê xˆ b.P(Y x) P(2X x) P Á X ˜ . 2¯ Ë D’après le cours, on a : si x 0 Ô0 P(X x) Ì . l x 1 e si x 0 ÓÔ On obtient donc la fonction de répartition de Y définie par : 0 si x 0 Ô F(x) P(Y x) Ì . l - x ÔÓ1 - e 2 si x 0 c.D’après ce qui précède, F est la fonction de répartition associée à la loi exponentielle de paral mètre . On peut éventuellement utiliser les 2 fonctions de densité. La fonction de densité f de X est définie par : Ô0 si x 0 f(x) Ì alors que la fonction de l x si x 0 ÓÔle densité g de la variable Y est définie par : 0 si x 0 Ô l g(x) Ìl - x . Ô e 2 si x 0 Ó2 1 2 3.D’après le cours, on a : E(X) et E(Y) . l l On obtient donc : E(Y) 2E(X). 52 L’énoncé reste conforme à l’exemplaire du professeur : 3. Calculer les espérances de X et Y et les Chapitre 13 n Notion de loi à densité n 311 © éditions Belin, 2012. On note Y la variable aléatoire égale au nombre de minutes écoulées entre le début du cours et le moment où Sarah sort pour boire. Y suit la loi uniforme sur [0 ; 115]. 8 40 a. P(Y 75) donc la probabilité que 115 23 Sarah sorte au moins 15 min après le retour de Violette est environ égale à 0,348. b.P(Y 55) 0 donc la probabilité que les deux copines sortent à 11 h 10 est nulle. Il s’agit d’un événement presque impossible. 2 10 c. P(50 Y 60) donc la probabilité 115 23 que les deux copines se croisent durant la pause est environ égale à 0,087. D’après le cours, on a : Ô0 si x 0 P(X x) Ì . l x si x 0 ÓÔ1 - e On obtient donc la fonction de répartition de Y définie par : 0 si x 0 Ô F(x) P(Y x) Ì . l ÔÓ1 - e- a x si x 0 c.D’après ce qui précède, F est la fonction de répartition associée à la loi exponentielle de paral mètre . a 1 a 3. D’après le cours, on a : E(X) et E(Y) . l l On a donc : E(Y) aE(X). 53 L’énoncé doit être modifié comme suit : 3.a. Déterminer l’espérance de X. b. On admet le a résultat suivant : E(Y) = p. À l’aide de la calcu2 latrice, conjecturer la valeur de a. 1. La fonction densité de X est définie sur R. 2. a. X prend ses valeurs dans [0 ; +[ donc Y X prend également ses valeurs dans [0 ; +[. b.Pour tout x 0, on a : P(Y x) P X x P(X x2). D’après le cours, on a : P(X x) 1 - e-lx si x 0. On obtient donc la fonction de répartition de Y définie par : Ô0 si x 0 . F(x) P(Y x) Ì 2 l x si x 0 ÓÔ1 - e c. D’après ce qui précède, F n’est pas la fonction de répartition associée à la loi exponentielle donc Y ne suit pas une loi exponentielle. 1 3. a. D’après le cours, on a : E(X) = . l b.En dérivant F, on obtient la fonction de densité g de la variable Y définie par : Ô0 si x 0 g(x) Ì . 2 l x si x 0 ÓÔ2lxe D’après le cours, on a : E(Y) 312 Ú0 2 2lx2e-lx dx . n Chapitre 13 n Notion de loi à densité 2 La fonction x a 2lx2e-lx n’admet pas de primitive explicite mais on peut utiliser un logiciel de calcul formel pour calculer l’intégrale. Par exemple, pour l 1, on trouve : p 1 p E(Y) . 2 1 2 p 1 1 p Pour l , on trouve : E(Y) 2 . 2 2 1 2 2 1 p On peut donc conjecturer que : E(Y) . l 2 Donc : a E(X). À noter que le résultat précédent pourra être justifié au chapitre suivant notamment dans le cas 1 l . 2 En effet, l’objectif est de calculer : E(Y) Ú0 x2e - x2 2 dx . - x2 On considère la fonction j définie par j(x) e 2 . Cette fonction est 2 fois dérivable et on a : j¢(x) -xe - x2 2 et j¢¢(x) (-1 x2)e Ainsi : j¢¢(x) e On a donc : Ú0 x2e - x2 2 - x2 2 x2e Ú0 dx - x2 2 - x2 2. pour tout x réel. j¢¢(x) dx - Ú0 e x2 2 dx . x2 2 2p 2 en utilisant la fonction densité de probabilité associée à la loi (0 ; 1). Il s’avère que : Ainsi : E(Y) Ú0 Ú0 Ú0 j¢¢(x) dx 0 et - Ú0 - x2 2 dx - x2 2 2p donc 2 dx 2p . 2 x2e x2e e dx 54 1. a. Pour tout x 0, f(x) 0. De plus, f est un quotient de fonctions continues sur ° * donc f est continue sur ° *. e- x Ê 1ˆ Pour tout x 0, f ¢(x) 1 0 donc f 4x ÁË x ˜¯ est strictement croissante sur ° *. b.La fonction x a e- x admet pour dérivée la -1 - x fonction x a e . On en déduit que, pour 2 x x > 0 : x e- t Ú1 2 t x dt È- e- t ˘ e-1 - eÎ ˚1 x. © éditions Belin, 2012. comparer. Dans la version élève la question 3. a été modifiée : merci de ne pas en tenir compte. 1. La fonction densité de X est définie sur R. 2. a. X prend ses valeurs dans [0 ; +[ donc Y = aX prend également ses valeurs dans [0 ; +[. Ê xˆ b.P(Y x) P(aX x) P Á X ˜ . a¯ Ë 1 e- t Úx 2 dt e- t d. x Ú1 f(t) dt e-1 - e- x - e-1 ce qui per- 1 e- t x Æ 0 Úx 2 met de conclure que : lim x t donc : lim dt 1 - e-1. Ú x x Æ 1 f(t) dt e-1. e. D’après les deux questions précédentes, on a : Ú0 f(t) dt 1 Ú0 f(t) dt Ú1 f(t) dt 1 - e-1 e-1 1. f étant positive, on peut conclure que f est une densité de probabilité. 2. a. Une densité f de X suivant la loi exponentielle de paramètre 1 est définie par : Ôe-x si x 0 f(x) Ì . ÓÔ0 si x 0 b.X suit la loi exponentielle de paramètre 1 donc X prend ses valeurs dans [0 ; +[ donc Y X 2 prend également ses valeurs dans [0 ; +[. c. Pour tout x 0, on a : P(Y x) 0. d.Pour tout x 0, on a : P(Y x) P(X 2 x) P 0 X x car X prend ses valeurs dans [0 ; +[. Ú0 e-t dt. x x e. P 0 X x Ú e-t dt ÈÎ-e-t ˘˚ 1 - e- x . 0 0 P 0 X x x 3. a. La fonction t a -e- t admet pour dérivée 1 - t la fonction t a e . On en déduit que, pour 2 t x > 0 : x e- t Ú0 2 x dt È- e- t ˘ 1 - e- x . Î ˚0 t b.Y suit une loi à densité de probabilité. Sa fonction de densité est la fonction f définie à la partie 1. 55 a. 1 1 Ú0 4e-4t dt ÈÎ-e-4t˘˚0 1 - e-4 2 2 a1 P(1 X 2) Ú 4e-4t dt ÈÎ-e-4t ˘˚ e-4 - e-8 1 1 n1 n1 an P(n X n 1) Ú 4e-4t dt ÈÎ-e-4t ˘˚ n n a0 P(0 X 1) e-4n - e-4(n1) b.an P(n X n 1) F(n 1) - F(n). an1 P(n 1 X n 2) e-4(n1) - e-4(n 2) e-4 ÈÎe-4n - e-4(n1)˘˚ On obtient : an1 e-4an pour tout entier n. La suite (an) est donc une suite géométrique de raison q e-4 et de premier terme a0 1 - e-4 . 56 1. X a une espérance car et est finie. Ú0 lte-lt dt existe 1 l 2. a. La fonction de répartition F de X est définie si x 0 Ô0 par : F(x) Ì . l x si x 0 ÓÔ1 - e Sa courbe représentative est la suivante : On a : E(x) 1 0,8 0,6 0,4 0,2 –4 –2 0 2 4 b.L’aire de la partie du plan délimitée par , la droite d’équation y = 1 et située à droite de l’axe des ordonnées est définie par : 1 1 - (1 - e-lx) dx e-lx dx . 0 0 l On a donc : E(x). Ú Ú 57 1. La variable aléatoire X suit la loi exponentielle de paramètre l. 1 1 On a : E(X) 20 donc l . l 20 2. a. La variable aléatoire Y suit la loi exponentielle de paramètre l¢ . 1 1 On a : E(Y) donc l¢ 3. l¢ 3 Ainsi, Y suit la loi exponentielle de paramètre 3. 1 3 Ê -3¥ ˆ Ê Ê 1ˆ 1ˆ b.P ÁY ˜ 1- P ÁY ˜ 1- Á1- e 2˜ e 2 . 2¯ 2¯ ÁË ˜¯ Ë Ë On peut également calculer P(X 30). La probabilité que l’automobiliste survive plus d’une demi-heure est environ égale à 0,223. 58 a. La variable aléatoire X suit la loi exponentielle de paramètre l. 1 1 On a : E(x) 8 donc l . l 8 1 Ê - ¥ 8ˆ b.P(X 8) 1 - P(X 8) 1 - Á1 - e 8 ˜ e-1. ˜¯ ÁË La probabilité qu’un écran ait une durée de vie supérieure à 8 ans est environ égale à 0,368. 1 Ê - ¥10ˆ P(X 10) 1 - P(X 10) 1 - Á1 - e 8 ˜ e-1,25 ˜¯ ÁË Chapitre 13 n Notion de loi à densité n 313 © éditions Belin, 2012. c. On a donc : P(X 10) e-1,25 e-1. P(X 2) e-0,25 On constate que : P(X 2)(X 10) P(X 8). Cette relation est caractéristique des phénomènes avec absence de mémoire. c. P(X 2)(X 10) 59 a. La variable aléatoire X suit la loi exponentielle de paramètre l. P(X 7) 1 - e-7l . Ainsi : 1 1 ln 2 P(X 7) € e-7l € l . 2 2 7 5 - ln 2 b.P(X 5) 1 - e 7 La probabilité qu’un four ait une durée de vie inférieure à 5 ans est environ égale à 0,39. 12 Ê - ln 2ˆ c. P(X 12) 1 - P(X 12) 1 - Á1 - e 7 ˜ ÁË ˜¯ - 12 ln 2 e 7 La probabilité qu’un four ait une durée de vie supérieure à 12 ans est environ égale à 0,305. 5 - ln 2 5) e 7 . d.P(X 7)(X 12) P(X 5) 1- P(X La probabilité qu’un four ait une durée de vie supérieure à 12 ans sachant qu’il fonctionne depuis 7 ans est environ égale à 0,61. 1 7 e. On a : E(X) donc la durée de vie l ln 2 moyenne de ces fours à micro-onde est d’environ 10 ans. 60 1. La variable aléatoire X suit la loi exponen- 30 tielle de paramètre l . 4 1 2 On a : E(X) donc, à 19 h, l’espérance de l 15 2 son temps d’attente est égale à heure soit 15 8 min. 2. a. À 19 h 30, personne ne l’a pris. Son temps d’attente est donc supérieur à une demi-heure. Pour tout t 0, on a : P(X 0,5)(X 0, 5 t) P(X t) 1- P(X t) e-lt. si t 0 Ô0 Ainsi : P(Y t) Ì . l t si t 0 ÓÔ1 - e La variable aléatoire Y suit donc la loi exponen30 tielle de paramètre l . 4 314 n Chapitre 13 n Notion de loi à densité 1 2 donc, à 19 h 30, l’espél 15 rance de son temps d’attente demeure égale à 8 min, ce qui n’est guère rassurant… b.On a : E(Y) 61 La variable aléatoire X égale au temps d’attente pour la réception du message suit la loi exponentielle de paramètre l 2. À l’instant t, le message n’est pas reçu. Soit Y la variable aléatoire égale au temps d’attente à partir de t pour la réception du message. Pour tout t 0, on a : P(X t)(X t t) P(X t) 1 - P(X t) e-lt . si t 0 Ô0 Ainsi : P(Y t) Ì . ÔÓ1 - e-lt si t 0 La variable aléatoire Y suit donc la loi exponentielle de paramètre l 2. 62 1. Considérons la variable aléatoire X égale au temps d’attente en minutes de ce client. On note A l’événement : « le client choisit l’une des 1 3 caisses dont le temps moyen d’attente est ». l 3 1 On a : P(A) donc, pour tout réel positif 18 6 x, on a : P(X x) P [X x] « A P [X x] « A 1 5 P(X x) (1 - e-lx) (1 - e-mx). 6 6 2.La fonction de répartition de X, notée F, est donc définie par : 0 si x 0 Ô F(x) Ì 1 . 5 -lx - e-mx si x 0 Ô1 - e Ó 6 6 En dérivant, on obtient la densité de probabilité f de X définie par : 0 si x 0 Ô f(x) Ìl . 5 m -lx e-mx si x 0 Ô e Ó6 6 1 5 3. a. P(X 15) 1 - e-15l - e-15m 6 6 1 5 1 - e-0,75 - e-1,5 6 6 La probabilité que ce client attende moins de 15 min est environ égale à 0,735. b.P(5 X 20) F(20) - F(5) 5 1 P(5 X 20) (e-5l - e-20l) (e-5m - e-20m) 6 6 5 1 P(5 X 20) (e-0,25 - e-1) (e-0,5 - e-2) 6 6 La probabilité que ce client attende entre 5 et 20 min est environ égale à 0,46. © éditions Belin, 2012. La probabilité qu’un écran ait une durée de vie supérieure à 10 ans est environ égale à 0,287. On constate que la probabilité que l’écran fonctionne au bout de 10 ans est inférieure à la probabilité que l’écran fonctionne au bout de 8 ans. Si on considère l’année 2012, la catastrophe de Tchernobyl a eu lieu il y a 26 ans. P(X 26) e-26l. Pour l’iode 131, la probabilité d’en retrouver en 2012 est presque nulle. b.Pour le césium 137, la durée de demi-vie est ln2 de 30 ans. On a donc : l . 30 Pour le césium 137, la probabilité d’en retrouver en 2012 est environ égale à 0,55. Il est à noter que cette probabilité est nécessairement supérieure à 0,5 lorsqu’on a un délai de 26 ans puisque le césium 137 a une demi-vie égale à 30 ans. 64 1. La variable aléatoire X suit la loi uniforme sur [0 ; 1[. On considère l 0 donc la variable - ln(1 - X) aléatoire Y prend ses valeurs dans l [0 ; +[. 2.On détermine la fonction de répartition F de la variable Y. Pour x 0, on a : Ê - ln 1 - X ˆ P(Y x) P Á x˜ P - ln 1 - X lx l Ë ¯ soit P(Y x) P(1 - X e-lx) P(X 1 - e-lx) . Or, x 0 donc 1 - e-lx Œ [0 ; 1[ et X suit la loi uniforme sur [0 ; 1[ donc : P(Y x) 1 - e-lx . Sa fonction de répartition, notée F, est définie par : Ô0 si x 0 F(x) Ì . l x si x 0 ÓÔ1 - e On peut donc en déduire que Y suit une loi à densité, en l’occurrence la loi exponentielle de paramètre l. 65 a. La variable aléatoire X suit une loi de den- È p p˘ sité f : x a a sin x sur I Í- ; ˙ donc : p Î 2 2˚ 2 f(x) dx 1. Ú- p 2 Or : p 2 p 2 Ú p 2 sin x dx 0 Ú sin x dx 2 p 2 - cos x 02 2 1 . 2 b.On détermine la fonction de répartition F de la variable Y. Pour x Œ I, on a : donc : a P(X x) x Ú- p sin t dt . On va distinguer deux cas 2 È p ˘ ˘ p˘ suivant que x Œ Í- ; 0˙ ou x Œ ˙ 0 ; ˙ . ˚ 2˚ Î 2 ˚ È p ˘ • Pour x Œ Í- ; 0˙ : Î 2 ˚ Chapitre 13 n Notion de loi à densité n 315 © éditions Belin, 2012. 63 1. a. La variable aléatoire X suit la loi exponentielle de paramètre l. Sa densité de probabilité, notée f, est définie par : si x 0 Ô0 f(x) Ì . ÔÓle-lx si x 0 Sa fonction de répartition, notée F, est définie par : si x 0 Ô0 F(x) Ì . ÔÓ1 - e-lx si x 0 b.Pour tous réels t et h, on a : P(t X t h) F(t h) - F(t) e-lt - e-l(t h). Ce nombre représente l’aire de la partie du plan délimitée par l’axe des abscisses, la courbe représentative de f et les droites d’équation y = t et y = t + h. P(X t h) e-l(t h) c. P(X t)(X t h) e-lh. P(X t) e-lt On constate donc que si ce noyau ne se désintègre pas à l’instant t alors la probabilité qu’il ne se désintègre pas entre les instants t et t + h est indépendante de t. 1 2. On cherche T tel que : P(X T) soit : 2 1 1 ln2 1 - e-lT donc : e-lT soit : T . 2 2 l 3. a. La durée de demi-vie est inférieure à 30 ans si on a : ln2 ln2 30 soit : l . l 30 ln2 Un minorant de l est donc . 30 b.On cherche N tel que : P(X N) 0, 999 soit : 1 - e-lN 0, 999. - ln 0, 001 On a donc : e-lN 0, 001 soit : N l ln1000 c’est-à-dire : N . l ln2 D’après la question précédente, on a : l 30 1 30 30 ln1000 soit : . On en déduit que : N . l ln 2 ln 2 Ainsi, il faut attendre au moins 299 ans pour que la probabilité qu’un noyau se désintègre soit supérieure à 99,9 %. 4.Dans l’exemplaire élève l’énoncé a été modifié comme suit : 4.a. Des mesures effectuées actuellement devraient-elles mettre en évidence la présence d’iode 131 ? ln2 La durée T de demi-vie est telle que : T . l a.Pour l’iode 131, la durée de demi-vie est de 8 ln 2 8 jours soit ans. On a donc : l 365 . 365 8 1 2 1 x 1 x Ú- p sin t dt 2 ÈÎcos t˘˚- p 2 cos x . 2 ˘ p˘ • Pour x Œ ˙ 0 ; ˙ ˚ 2˚ 1 0 1 P(X x) p sin t dt 2 2 Ú 2 2 2 soit : l = 2a. b.Courbe représentative de f (a 2) : x Ú0 sin t dt 1,5 1 1 x - cos t 0 2 2 1 P(X x) 1 - cos x . 2 Sa fonction de répartition, notée F, est donc définie par : p si x Ô0 2 Ô È p ˘ Ô 1 cos x si x Œ Í - ; 0 ˙ Ô2 Î 2 ˚. F(x) Ì Ô1 - 1 cos x si x Œ ˘ 0 ; p ˘ ˙ 2˙ Ô 2 ˚ ˚ Ô p Ô1 si x ÔÓ 2 Courbe de f : 0,5 0,4 1 0,5 –4 –2 2 Ú Ú 1 1 - e-lx. 2 Sa courbe représentative est la suivante (l 2) : 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 4 Courbe de F : 1 –3 0,8 0,4 0 2 4 66 a. La variable aléatoire X suit une loi de densité f : x a ae-l x Il s’avère que : e-l x dx Ú0 sur R donc : Ú- f(x) dx 1. 1 -lx 1 dx le l 0 l le-lx dx 1 (cf. la fonction de densité de car Ú0 Ú0 e-lx dx Ú probabilité de la loi exponentielle de paramètre l). En utilisant la parité de f ou un calcul intégral, on a : 316 n –1 0 1 2 3 d.Sous réserve d’existence, on a : l E(X) te-l t dt . - 2 1 lte-l t dt Ainsi : E(X) 2 - 1 0 1 ltelt dt lte-lt dt. - 2 2 0 1 Il s’avère que : lte-lt dt (on utilise l’espé0 l rance d’une variable de loi exponentielle de paramètre l). En outre, la fonction g : t a telt a pour dérivée g¢ : t a (1 lt)elt donc la fonction h : t a ltelt 1 admet pour primitive H : t a telt - elt . l 0 1 Ainsi : ltelt dt - donc E(X) existe et est - l nulle. Ú 0,2 –2 –2 Ú 0,6 –4 4 Ú 0,1 0 2 Ú 0,2 –2 0 c. La fonction de répartition F est définie sur R par : l x -l t F(x) dt . e 2 - x 1 x 1 elx lelt dt ÈÎelt ˘˚ . Si x 0, alors F(x) - 2 - 2 2 Si x 0, alors x l 0 lt l x -lt 1 1 F(x) e dt e dt ÈÎ-e-lt ˘˚ 0 2 - 2 0 2 2 0,3 –4 2 Ú e-l x dx a l . Il en résulte que : a l 1 a Chapitre 13 n Notion de loi à densité Ú Ú Ú Ú © éditions Belin, 2012. P(X x) - E(X) Ú- ate-2a t dt . On pose l = 2a, ainsi : 1 E(X) lte-l t dt 2 - 1 0 1 ltelt dt 2 - 2 La courbe de f a l’allure suivante (h = 2) : Ú0 Ú0 lte-lt dt Ú Ú Ú Ú –3 –2 –1 0 x Ú0 2h2te-h t 2 2 –1 0,4 0,2 –2 –1 sité f : x a 2 2 3 sur ° donc : Ú0 1 - 2 3 1 2. 69 1. a. E(1) 1; E(-1) -1; E(2,3) 2 ; E(-1, 7) -2 b.La représentation de la fonction E est la suivante : 4 f(x) dx 1. Il s’avère que la fonction f admet pour primitive a -h2x2 xae donc la limite en est nulle. 2h2 a Ainsi : f(x) dx ce qui permet de conclure 0 2h2 2 2 que f : x a axe-h x est une densité si a 2h2 . Ú 0 P(X m) 1 - e-h m 1 - e 2 2 2 0,6 1 d.m 0 donc : h 2 1 x 0,8 68 a. La variable aléatoire X suit une loi de den2 2 axe-h x 2 2 1 –3 0 3 La courbe de F a l’allure suivante (h = 2) : 1 -lx e . 2 Sa courbe représentative est la suivante (l 2) : –2 2 dt È-e-h t ˘ 1 - e-h x . Î ˚0 La fonction de répartition F de X est donc définie Ô0 si x 0 par : F(x) Ì . 2 x2 h si x 0 ÓÔ1 - e P(X x) 1- –3 1 c. Pour tout x 0, on a : Ú 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 1 . h 2 8 7 6 5 4 3 2 1 lte-lt dt. 1 (on utilise l’espél rance d’une variable de loi exponentielle de paramètre l). En outre, la fonction g : t a telt a pour dérivée g¢ : t a (1 lt)elt donc la fonction h : t a ltelt 1 admet pour primitive H : t a telt - elt . l 0 1 Ainsi : ltelt dt - donc E(X) existe et est nulle. - l b.La fonction de répartition F est définie sur R par : l x -l t F(X) e dt . 2 - x 1 x 1 elx Si x 0, alors F(x) lelt dt ÈÎelt ˘˚ . - 2 - 2 2 Si x 0, alors x l 0 lt l x -lt 1 1 F(x) e dt e dt ÈÎ-e-lt ˘˚ 0 2 - 2 0 2 2 Il s’avère que : sur 2 2 f ¢(x) 2h2(1 - 2h2 x2)e-h x . Ainsi, pour tout x 0, f ¢(x) est du signe de 1 - 2h2 x2 . f admet donc un maximum m tel que m Ú Ú 2 x2 b.Étude des variations de f : x a 2h2 xe-h R+. f est dérivable sur R+ et on a : 2 –4 –2 0 2 4 –2 –4 Chapitre 13 n Notion de loi à densité n 317 © éditions Belin, 2012. 67 Dans l’exemplaire élève, l’énoncé a été modifié comme suit : f : x a ae−2a x, où a est un réel strictement positif. a. Sous réserve d’existence, on a : 2. a. X prend ses valeurs dans R+ donc Y E(X) est une variable aléatoire discrète prenant ses valeurs dans N. Pour tout k ≥ 0, k 1 Úk 1 f(t) dt . b.Si X suit la loi exponentielle de paramètre l alors pour tout k 0, P(Y k) e-lk - e-l(k 1). 3. On considère désormais Z X - E(X). a. Pour tout réel x, on a : E(x) x E(x) 1 donc : 0 x - E(x) 1. Z prend donc ses valeurs dans [0 ; 1[. b.Pour tout x Œ[0 ; 1[, on a : P(Z x) P(X - E(x) x) P(X E(x) x) donc  P [X E(x) x] « [E(x) k] d’où P(Z x) P(Z x) k 0  P(k X k x) k 0  e-lk - k k 0 Il reste à déterminer : . k  (e-l) k 0 lim nÆ n k  (e-l) . k 0 Il s’avère que, pour tout réel a distinct de 1, on a : 1 - an1 1 a a2 ... an . 1- a On peut donc en déduire que : n k 1 - e-l(n1) . Or, lim e-l(n1) 0 donc nÆ 1 - e-l k 0 1 P(Z x) (1 - e-lx) ¥ . 1 - e-l c. La densité f de Z s’obtient en dérivant la fonction de répartition F de Z définie ici par : 0 si x 0 Ô 1 Ô l x si 0 x 1. F(x) Ì(1 - e ) ¥ 1 - e-l Ô ÔÓ1 si x 1 0 si x œ [0 ; 1[ Ô On a donc : f(x) Ì le-lx . si x Œ [0 ; 1[ Ô Ó1 - e-l d.Sous réserve d’existence, l’espérance de Z est définie par 1 lxe-lx 1 1 lxe-lx dx . E(Z) dx 0 1 - e-l 1 - e-l 0  (e-l) Ú est une variable aléatoire discrète prenant ses valeurs dans • *. b.Pour tout entier naturel k non nul, on a : P(T k) P E(aX) 1 k P E(aX) k - 1 soit : Êk - 1 kˆ P(T k) P(k - 1 aX k) P Á X ˜. a¯ Ë a c. X suit la loi exponentielle de paramètre l donc, pour tout entier naturel k non nul, on a : Ú d.Posons : p 1 - e 0e - l a - l a. - - l a Œ]0 ; 1[. 1. On a donc : p 1 - e De plus : p 1 - e l - (k -1) e a - l a n k Chapitre 13 n Notion de loi à densité l 0 donc : a donc : e - l a 1 - p d’où : (1 - p)k -1. On en déduit que, pour tout entier naturel k non nul, on a : P(T k) p(1 - p)k -1. Préparer le BAC Exercices guidés BAC 75 1. a. La variable aléatoire X suit la loi exponentielle de paramètre l tel que P(X 2) 0, 22 soit 1 - e-2l 0, 22 d’où : e-2l 0, 78 . 1 On a donc : l - ln 0, 78 ; 0,12. 2 b.P(X 10) 1 - P(X 10) 1 - (1 - e-10l) e5 ln 0,78. 318 k -1 On a donc, pour tout x Œ[0 ; 1[ :  (e-l) 70 a. Pour tout x Œ °, E(x) Œ• donc T E(aX) 1 -l -l Êk - 1 kˆ PÁ X ˜ e a - e a donc a¯ Ë a 1 k -1 Ê -l -l ˆ P(T k) e a Á1 - e a˜ . ˜¯ ÁË e-l(k x). k 0 P(Z x) (1 - e-lx) 1 ÈÊ 1ˆ -lx˘ Í x ˜ e ˙ . Z admet donc une l¯ 1 - e-l ÎÁË ˚0 1 È1 - (l 1)e-l˘ . espérance et on a : E(Z) ˚ l(1 - e-l) Î E(Z) - © éditions Belin, 2012. P(Y k) P(k Y k 1) Dans le cours sur les lois exponentielles, on a vu Ê 1ˆ que la fonction x a - Á x ˜ e-lx est une primil¯ Ë tive de la fonction x a lxe-lx . On a donc : 10 P(A) 1 - ÎÈP(X 15)˘˚ 1 - (1 - e7,5 ln 0,78)10 La probabilité qu’au moins un appareil sur 15 ait une durée de vie supérieure à 15 ans est environ égale à 0,815. b.En utilisant le même raisonnement que précédemment, on cherche le nombre minimal n tel n que 1 - ÎÈP(X 15)˘˚ 0, 999 soit : n ÈÎP(X 15)˘˚ 0, 001. ln 0, 001 On a donc : n d’où : ln P(X 15) ln 0, 001 ln 0, 001 n avec ; 40, 98. ln(1 - e7,5 ln 0,78) ln(1 - e7,5 ln 0,78) Ainsi, pour que la probabilité qu’au moins un appareil fonctionne correctement pendant plus de 15 ans soit supérieure à 0,999, le magasin doit acheter au moins 41 appareils. 76 1. Notons S l’événement « l’article présente un défaut de soudure » et C l’événement « l’appareil a un composant électronique défectueux ». On veut calculer P(S » C) P(S) P(C) - P(S « C) avec P(S) 0, 03 et P(C) 0, 02. En utilisant l’indépendance des défauts donc des événements C et S, on a : P(S « C) P(S)P(C). Ainsi : P(S » C) 0, 03 0, 02 - 0, 03 ¥ 0, 02 0, 0494. 2.La variable X égale au nombre d’éléments défectueux parmi 800 articles est distribuée suivant la loi binomiale @(800 ; 0,0494). E(X) 800 ¥ 0, 0494 39, 52. Ainsi, sur des lots de 800 articles, il y aura en moyenne 39,52 articles défectueux. 3. a. Notons X la variable aléatoire correspondant au nombre d’articles défectueux parmi 25. X est distribuée suivant la loi binomiale (25 ; 0,0494). Pour tout k Œ 0 ; 1 ; K ; 25 , on a : Ê25ˆ P(X k) Á ˜ 0, 0494 k0, 950625 - k Ë k¯ P(X 2) 1 - ÎÈP(X 0) P(X 1)˘˚ . La probabilité qu’il y ait au moins deux articles défectueux dans sa commande est égale à 0,352 à 10-3 près. b.On cherche n tel que 1 - P(X 0) 0, 5 soit : ln 0, 5 (1 – p)n = 0, 9506n 0, 5 d’où : n . ln 0, 9506 ln 0, 5 ; 13, 7 donc le commerçant doit Or, ln 0, 9506 commander au maximum 13 articles s’il veut que la probabilité d’avoir au moins un article défectueux soit inférieure à 0,5. 4.La variable aléatoire Y égale à la durée de vie en jours d’un article suit la loi exponentielle de paramètre l 0, 000 7. a. La fonction de densité f de Y est définie par : Ô0 si x 0 f(x) Ì . 0 , 000 7 x si x 0 ÓÔ0,000 7e b.P(700 Y 1 000) 1 000 Ú700 0, 000 7e-0,000 7t dt. 1 000 P(700 Y 1 000) ÈÎ-e-0,000 7t ˘˚ 700 e-0,49 - e-0,7 La probabilité qu’un article ait une durée de vie comprise entre 700 et 1 000 jours est environ égale à 0,116. QCM – Vrai ou faux BAC 77 a. Faux. En effet, pour tout intervalle [a ; b] b- a . 20 1 b.Vrai. En effet, P(X 12) P(12 X 22) 2 1 et P(X 12) P(2 X 12) donc : 2 P(X 12) P(X 12). c. Vrai. En effet, P(10 X 12) P(10 X 8)(10 X 12) soit : P(10 X 18) 2 1 20 P(10 X 8)(10 X 12) . 8 4 20 inclus dans [2 ; 22], on a : P(a X b) 78 1. a. Faux. En effet, on a : Ô0 si x 0 f(x) Ì . 0 , 01 x si x 0 ÓÔ0,01e 1 100. l c. Faux. En effet, P(X 100) 1 - e-1 et P(X 100) e-1 donc P(X 100) P(X 100). d.Faux. En effet, la relation proposée n’est vraie que si a 0. e. Vrai. En effet, cette égalité est une application de la propriété de non vieillissement de X. b.Vrai. En effet, on a : E(x) Chapitre 13 n Notion de loi à densité n 319 © éditions Belin, 2012. La probabilité qu’un appareil fonctionne correctement pendant au moins 10 ans est environ égale à 0,289. 1 -2 c. On a : E(x) . l ln 0, 78 La durée de vie moyenne de ces appareils est d’environ 8 ans. 2. a. Soit A l’événement « au moins un des appareils fonctionne plus de 15 ans ». P(1 X 3) b. Faux c. Faux 3 Ú1 le-lt dt e-l - e-3l . 79 La réponse exacte est d. En effet : si f est une Ú- f(x) dx 1. 01 21 x x Or, Ú f(x) dx Ú dx Ú - dx soit 02 4 - a 2 2a densité alors 0 2 È x x2 ˘ È x x2 ˘ -a 1 . f(x) dx Í - ˙ Í - ˙ - ÍÎ 2 4a˙˚a ÍÎ 2 8 ˙˚0 4 2 -a 1 On doit avoir : 1 soit : a -2. 4 2 80 1. b. Pour t 0, on a : P(X t) 1 - P(X t) 1 - (1 - e-lt) e-lt . Ú 2. c. P(X t) 1 - e-lt et P(X t) e-lt. Cela 1 équivaut à 1- e-lt e-lt ce qui conduit à e-lt 2 ln2 soit : t . l 3. b. D’après l’énoncé, on a : P(X 1) 0,1 soit 1 - e-l 0,1 donc : e-l 0, 9 soit : Ê10ˆ l - ln 0, 9 ln Á ˜ . Ë 9¯ 4. a. P(X 2)(X 3) P(X 1) d’après la propriété de non vieillissement de X. 5. b. P(X 5) e-5l (e-l)5. D’après ce qui précède, on a : e-l 0, 9 donc P(X 5) 0, 95 . 6. a. La probabilité qu’aucun de ces dix aspirateurs ne tombe en panne durant les cinq premières années est 10 ÈÎP(X 5)˘˚ (0, 95)10 ª 0, 005 1. Exercice BAC 81 On considère la variable aléatoire X égale au temps d’attente, exprimé en minutes, au guichet d’une banque. X suit une loi exponentielle de paramètre l. 1. P(X 8) 1 - e-8l donc on cherche l tel que : 1 - e-8l 0, 7 soit e-8l 0, 3. ln 0, 3 On a donc : l soit : l = 0,150 5 à 10–4 près. 8 4 l 2. a. P(X 4) e 0, 3 . La probabilité qu’un client attende plus de 4 min est égale à 0,5477 à 10-4 près. b.P(15 X 20) e-15l - e-20l . La probabilité qu’un client attende entre 15 et 20 min est égale à 0,0553 à 10-4 près. 320 n Chapitre 13 n Notion de loi à densité 3.D’après la propriété de non vieillissement de X, on a : P(X 5)(X 11) P(X 6). Ainsi, la probabilité qu’un client attende plus de 11 min sachant qu’il attend depuis plus de 5 min est égale à 0,4054 à 10-4 près. 1 8 4. E(X) donc : E(X) . ln 0, 3 l Le temps moyen d’attente est d’environ de 6,6 min. 5. On cherche x tel que : P(X x) 0, 5 soit : 1 - e-lx 0, 5. 1 ln2 On a donc : e-lx donc : x . 2 l 8 ln 2 4, 6 à La médiane de X est donc égale à ln 0, 3 10-1 près. Ainsi, la moitié des personnes attendent au guichet moins de 4,6 min. 6. La probabilité qu’un client attende plus de 15 min au guichet est égale à 15 ln 0,3 P(X 15) e-15l e 8 . a.La variable Y égale au nombre de clients, parmi dix, dont le temps d’attente au guichet est supérieur à 15 min est distribuée suivant la loi 15 ln 0,3ˆ Ê binomiale Á10 ; e 8 ˜ . ˜¯ ÁË On a donc : 6 4 15 ln 0,3ˆ Ê 15 ln 0,3ˆ Ê 10 ˆ Ê Áe 8 ˜ Á1 - e 8 ˜ P(Y 6) Á Ë 6 ˜¯ ËÁ ¯˜ ÁË ¯˜ d’où P(Y 6) 0, 0002 à 10–4 près. Ainsi, il est très peu probable que 6 personnes sur 10 attendent plus de 15 min. b.P Y 8 P Y 9 P Y 10 15 ln 0,3ˆ Ê ˆÊ P(Y 8) Á 10 ˜ Áe 8 ˜ ˜¯ Ë 9 ¯ ÁË 9 15 ln 0,3ˆ Ê Á1 - e 8 ˜ ˜¯ ÁË 10 15 ln 0,3ˆ Ê Á1 - e 8 ˜ . ˜¯ ÁË La probabilité que plus de huit clients attendent plus de 15 min est environ égale à 1, 4 ¥ 10-8. c. E(Y) = np = 10e–15l ≈ 1,046. Parmi 10 clients, il y en a en moyenne 1 qui attend plus de 15 min. Pour aller plus loin 82 1. Y(w) tan X(w) . 2. a. Soient a et b deux réels quelconques tels que a < b. © éditions Belin, 2012. 2. a. Vrai En effet, on a : La continuité et la stricte croissance de la fonction pÈ ˘ p tan sur ˙ - ; Í et le fait que cette fonction 2Î ˚ 2 p p admet pour limite –∞ en - et pour limite +∞ en 2 2 assure l’existence et l’unicité de a et b tels que a tana et b tanb. 83 1. Pour que l’automobiliste ne soit pas dérangé, 1 il faut et il suffit que : X . 3 È 1˘ [N 0] ÍX ˙ d’où : 3 Î ˚ P(N 0) Ú1 12e-12t dt e-4 3 3. a. Comme U est une primitive de u : x a U(x) - U(x0) 1 et U¢(x0) x - x0 1 x02 lim tan(t) tan(t0) . 1 1 x2 lim x a x0 t a t0 Par composition : U(tan t) - U(tan t0) 1 lim . tan t - tan t0 t a t0 1 tan t02 Ê sin ˆ ¢ cossin¢- cos¢ sin 1 De plus, tan¢ Á Ë cos˜¯ cos2 cos2 2.Soit t un réel strictement positif puis a et b tels 1 que 0 a b 3 È 1˘ a. Les événements ÍX Y ˙ I [X a] et 3˚ Î È 1˘ ÍX Y ˙ I [a X b] sont incompatibles et 3˚ Î È 1˘ leur réunion est égale à : ÍX Y ˙ I [X b]. 3 Î ˚ ÊÈ ˆ 1˘ Donc : D(a) P Á ÍX Y ˙ I [a X b]˜ D(b) 3˚ ËÎ ¯ b.Notons que : È 1˘ si A = Íb Y ˙ I [a X b] est réalisé, alors 3 Î ˚ È 1˘ B = ÍX Y ˙ I [a X b] est réalisé ; 3˚ Î È 1˘ si B = ÍX Y ˙ I [a X b] est réalisé, alors 3 Î ˚ d’où : lim È 1˘ C = Ía Y ˙ I [a X b] est réalisé : 3˚ Î d’où : A à B à C donc : P(A) P(B) P(C) soit : b.V est une primitive de la fonction constante égale à 1, donc : ÊÈ ˆ ˘ 1 P Á ÍY - b˙ I [a X b]˜ D(b) - D(a) 3 ËÎ ¯ ˚ ÊÈ ˆ ˘ 1 P Á ÍY - a˙ I [a X b]˜ . 3 ËÎ ¯ ˚ È ˘ 1 c. ÍY - b˙ et [a X b] sont indépendants 3 Î ˚ tan t - tan t0 1 . t t x a x0 cos2 t0 0 Compte tenu de l’égalité mentionnée, nous pouvons conclure : V(t) - V(t0) 1 lim ¥ cos2 t0 1 t - t0 t a t0 1 tan t02 b Úa 1dx V(b) - V(a) soit b - a U(tanb) - U(tan a) c. D’une part : P(a Y b) d’autre part : b - a U(tan b) - U(tan a) b Úa u(x) dx 1 Ainsi : P(a Y b) p b b-a et p tan b Útan a U¢(x) dx b1 Úa u(x) dx Úa 1 dx p 1 x2 4.Compte tenu de cette dernière égalité, Y est 1 1 une variable aléatoire de densité f : x a p 1 x2 È ˘ 1 ainsi que ÍY - a˙ et [a X b] 3 Î ˚ Ê ˆ 1 donc : P ÁY - b˜ ¥ P(a X b) D(b) - D(a) 3 Ë ¯ Ê 1 ˆ P ÁY - a˜ ¥ P(a X b) 3 Ë ¯ soit : 1 - e Ê1 ˆ -12Á - b˜ Ë3 ¯ ¥ Ê1 ˆ -12Á - a˜ e Ë3 ¯ e-12b - e-12a D(b) - D(a) b- a b- a e-12b - e-12a . b- a Pour a t et b t h, les termes extrêmes de cette inégalité tendent vers la même limite : 1- ¥ Chapitre 13 n Notion de loi à densité n 321 © éditions Belin, 2012. b.Compte tenu de la stricte croissance de la fonction tan a X(w) b € tan a tan X(w) tan b autrement dit les événements [a X b] et [a Y b] sont égaux. pÈ ˘ p c.Comme X suit la loi uniforme sur ˙ - ; Í , 2Î ˚ 2 b-a b-a P(a X b) d’où : P(a Y b) . p p Ê1 ˆ Ê -12 - t ˆ -12h - 1 Á1 - e ÁË 3 ˜¯˜ ¥ 12e-12t ¥ lim e ˜ Á hÆ 0 -12h ¯ Ë Ê 1 ˆˆ Ê -12Á - t˜ Á1 - e Ë 3 ¯˜ ¥ 12e-12t. ˜ Á ¯ Ë D’où : È 1˘ È 1˘ 3.L’événement ÍX Y ˙ I ÍX ˙ n’est autre 3 3 Î ˚ Î ˚ È 1˘ que ÍX Y ˙. 3˚ Î 4.Dans l’exemplaire élève, l’énoncé a été modifié comme suit : 4. En déduire la valeur de P(N ≤ 1). Vérifier alors que… 1 Pour 0 a , on a : 3 ÊÈ Ê 1ˆ 1˘ È 1˘ˆ 0 D Á ˜ - D a P Á ÍX Y ˙ I Ía X ˙˜ 3˚ Î 3˚¯ Ë 3¯ ËÎ Ê 1ˆ P Á a X ˜ ææææ Æ 0. 3¯ Ë 1 Le premier terme est l’aire de la partie du plan contenue, pour 0 ≤ x ≤ x0, entre la courbe et la droite d’équation y = 1. Le second terme a pour limite 0 lorsque x0 tend vers +∞. En effet, la variable aléatoire a une espérance m et, d’après Comme 0 ≤ x0 aÆ Pour x0 > 0 fixe, x0 Ú0 F(x) x0 Ú0 tf(t) dt x 0 tF ¢(t) dt - x tf(t)dt. x Æ Ú0 tf(t) dt lim x0 Ú0 t(1 - F ¢(t)) dt , car Ú0 f(t) dt. On remarque alors que, par dérivation, on dispose de l’égalité : (t(1 – F(t)))′ = t(1 – F(t))′ + (1 – F(t)). 322 n Chapitre 13 n Notion de loi à densité Úx f(t) dt 0 0 x0 Æ d’où : m Ú0 tf(t) dt (car x0 ≤ t), (1 - F(t)) dt . 85 a. Considérons l’événement Uk défini par « Le dé tombe sur un 1 au lancer k » 1 • P(X1 1) P(U1) et 6 5 1 P(X1 2) P U1 I U2 ¥ 6 6 • Pour h > 2, h-1 Ê 5ˆ 1 P(X1 h) P U1 I U2 I L I Uh-1 I Uh Á ˜ ¥ 6 Ë 6¯ b.On calcule h Ê 5ˆ P(X1 h) P U1 I U2 I L I Uh-1 I Uh Á ˜ Ë 6¯ Par conséquent : P [X1 n h] I [X1 n] PX n(X1 n h) 1 P(X1 n) P [X1 n h] P(X1 n) h Il en résulte : P(N 1) e-4 4e-4, soit : P(N 0) P(N 1) e-4 4e-4. On en déduit : P(N 1) 4e-4 tf(t) dt 0. on a : lim x0(1 - F(x0)) 0 , 3 84 Par définition : m Ú Úx (1 – F(x0)) = x0 1 È 1˘ Notons que : [N 2] ÍX Y ˙ d’où : 3˚ Î Ê 1ˆ P(N 2) D Á ˜ 1 - e-4 - 4e-4 . Ë 3¯ x Æ Úx la définition de m, lim -12¥ Ê 1ˆ 1 3 - 12 ¥ e-4 . Donc : D Á ˜ lim D a 1 - e 3 Ë 3¯ 1 x0 Ê 5ˆ ËÁ 6¯˜ n h Ê 5ˆ ÁË 6˜¯ n Ê 5ˆ Á ˜ Ë 6¯ c.Selon la formule de Joseph Bertrand (18221900), ce serait faire trop d’honneur à un dé que de lui accorder conscience ou mémoire ; notre calcul est en ce sens tout à fait « rassurant » puisque la probabilité précédemment calculée ne dépend pas de n. d.Il n’y a pas de contradiction • Pour une variable aléatoire X à densité, on a : PX n(X n h) PX n(X n h) 1 © éditions Belin, 2012. D(t h) - D(t) h Ê 1 ˆˆ Ê -12Á - t˜ Á1 - e Ë 3 ¯˜ ¥ 12e-12t. Á ˜ ¯ Ë d.D est donc une primitive de la fonction È 1È d : t a 12e-12t - 12e-4 sur Í 0 ; Í. Î 3Î È 1È De plus, D(0) = 0, donc : pour tout t Œ Í 0 ; Í : Î 3Î 12 t 4 D(t) 1 - e - 12 t e . hÆ 0 3 x0 Ú0 (1 - F(t))dt - Ú0 ÈÎt(1 - F(t))˘˚¢dt x Ú (1 - F(t))dt - x0(1 - F(x0)). 0 tf(t)dt 0 Il en résulte : D¢(t) lim aÆ x0 Ú0 • Pour la variable aléatoire discrète X1, on a : P [X1 n h] I [X1 n] PX n(X1 n h) 1 P(X1 n) P [X1 n h] P(X1 n) h Ê 5ˆ ÁË 6˜¯ n h-1 Ê 5ˆ ÁË 6˜¯ AP 1 n-1 Ê 5ˆ Á ˜ Ë 6¯ Cette dernière probabilité ne dépend pas non plus de n. 86 Cet exercice a pour but de montrer que le mot « moyenne » désignant l’espérance d’une variable aléatoire ne doit pas être confondu avec une valeur M jouant le rôle de « médiane » à savoir telle que : P(T ≤ M) = 0,5. Considérons par exemple la fonction de densité f suivante pour la variable aléatoire T : 4 3 p 2 f(x) dx p 2 Ú 1. La fonction f : θ a cosθ est È p p˘ positive sur l’intervalle Í- ; ˙, mais Î 2 2˚ p 2 cosx dx p 2 Ú 2. Êp ˆ ÁË 4 - 0¯˜ 1 Ê Ê pˆ pˆ 2. P Á0 X ˜ F Á ˜ - F(0) 4¯ p 4 Ë Ë 4¯ 1 1 3.E(T) = = 3 ; l ; l 3 - 4 3 1 0 1,5 2,5 T Ú Ú 87 On admet que tout se passe sur [0 ; 1]. Les fonctions densité sont donc nulles hors de [0 ; 1]. Comme y = 1 – u équivaut à u = 1 – y, on réalise point par point une bijection de [0 ; 1] sur [0 ; 1]. « Choisir au hasard u sur [0 ; 1] » équivaut donc à « choisir au hasard y sur [0 ; 1] ». On peut également chercher la fonction F de répartition de la nouvelle variable y. y ∈ [0 ; 1] : F(y)= P(Y ≤ y) = P(1 – u ≤ y) = P(1 – y ≤ u) 1 Ú1- y dt = y. On conclut que Y suit la loi uniforme sur [0 ; 1]. 1. a. P(Yk ≤ f(Xk)) = P(Y ≤ f(X)) = p. b.La loi suivie par Sn est la binomiale de paramètres n et p. S c.La suite n converge (en probabilité) vers p n lorsque n tend vers l’infini. Selon la loi des grands Ê S ˆ nombres, pour tout ε > 0, P Á n - p e ˜ Æ 0 Ë n ¯ lorsque n → ∞. Pour un nombre de couples aléatoires (Xk, Yk) suffisamment grand, la proportion des couples pour lesquels Yk ≤ f(Xk) fournit une valeur approchée de p. 2. a. f(x) = –ln(1 – x) pour x ∈ [0 ; 1[. On considère la variable aléatoire Y = –ln(1 – X) où X suit une loi uniforme sur [0 ; 1]. P(Y ≤ y) = P(–ln(1 – X) ≤ y) = P(X ≤ 1 – e–y) = 1 – e–y (car X suit une loi uniforme sur [0 ; 1]) pour y ∈ [0 ; +∞[. P(Y ≤ y) = F(y) = 1 – e–y pour y ∈ [0 ; +∞[. La variable Y suit donc une loi exponentielle de 1 paramètre λ = 1. E(Y) = = 1. Par ailleurs, l 1 1 - ln(1 - x) dx x(1 - ln x) 0 1. On a donc : Ú0 1 Ú0 E(Y) = f(x) dx . Chapitre 13 n Notion de loi à densité n 323 © éditions Belin, 2012. AP 3 Il s’agit bien d’une fonction de densité car f est positive et l’intégrale sur [0 ; 2,5] est égale à 1. L’espérance de T est alors : 1,5 4 2,5 1 E(T) tdt tdt ≈ 1,5. 1 3 1,5 3 2 Or P(T ≤ 1,5) = . Un professeur de taille 1,5 m a 3 une taille « moyenne » et pourtant plus de 65 % des hommes sont plus petits que lui. = 1. Si f est une fonction densité pour Θ, È p p˘ alors pour tout θ dans Í- ; ˙, f ≥ 0 et Î 2 2˚ P(T ≤ 4) = F(4) = 1– e–4λ = 1 - e 1 3 Accompagnement personnalisé n b.Si la variable  f(Xk) k 1 1 Ú tend vers p = f(x) dx 0 n lorsque n tend vers l’infini, alors pour estimer l’intégrale 1 Ú0 f(x) dx , on peut générer un grand nombre n de variables indépendantes X1, … Xn suivant une loi uniforme sur [0 ; 1] et calculer la n variable  f(Xk) k 1 . n c.Un algorithme traduisant cette méthode de calcul est le suivant : 324 n Chapitre 13 n Notion de loi à densité © éditions Belin, 2012. d.La méthode de l’espérance est en général un peu plus précise que la méthode du rejet.