SlideShare une entreprise Scribd logo
Probabilités 2 : Lois à densité ou Lois de probabilités continues 
« I » : Grandes binomiales 
1/ Evolution d'une loi binomiale en fonction du nombre d'essais n 
X est la loi binomiale B (0,4 ; n). Ci-dessous, l'histogramme des probabilités pour n Î {5;10;15;20;25;60} 
n = 5 n = 10 n = 15 
n = 20 n = 25 n = 60 
2/ Du calcul de probabilité à un calcul d'intégrale 
►Dans les cas où n est assez grand par exemple n = 60, on peut 
approximer l' histogramme par la fonction f représentée en rouge. 
► La probabilité p(20 ≤ X ≤ 30) représentée en bleu interprétée 
30 
comme une aire peut être approximée par l’intégrale ∫ 
f (x)d x 
20 
►C'est ce principe que l'on va généraliser. On va ainsi être amené 
à calculer des intégrales pour déterminer des probabilités. 
► On reviendra sur les lois binomiales plus tard pour les lois 
normales. 
3/ Historique 
La célèbre courbe en cloche a été définie au début du XIXième siècle par la mathématicien allemand Karl 
Friedrich Gauss (1777-1855) lorsqu'il étudia la distribution des erreurs d'observation de l'astéroïde Cérès. A la 
même époque elle fut aussi décrite par la scientifique français Laplace (1812) qui repris et compléta les travaux 
du mathématicien Abraham de Moivre (1167-1754) en calculs de probabilité. 
La loi associée à la courbe en cloche est appelée loi normale ou loi Laplace-Gauss. On qualifie la loi de 
normale car elle modélise des situations normales ou naturelles. Par exemple sur une population de 1000 
personnes dont la taille moyenne est 1m 70, a un histogramme des tailles proche de la courbe en cloche de Gauss. 
1 Lycée de Font Romeu SC
« I I » : Introduction, v ariables aléatoires discrètes ou continues 
1/ Remarque : 
► Si on choisit au hasard un nombre entier entre 3 et 6 compris, Ω = {3 ; 4 ; 5 ; 6}, on obtient un univers fini 
composé de 4 entiers. On dit que l'univers est un univers discret et fini 
►Si on choisit au hasard un nombre entier, Ω = N, on obtient un univers infini dont les éléments sont des 
valeurs isolés. On dit que l'univers est un univers discret et infini 
► Si on choisit au hasard un nombre réel entre 3 et 6 compris, Ω = [3 ; 6], on obtient un univers infini dont les 
valeurs ne sont pas isolées mais continues. On dit que l'univers est un univers continu. 
2/ Définitions 
Une variable aléatoire discrète est une variable aléatoire dont les valeurs sont isolées, ou discrète. 
Exemples : 
1) Lancer un dé parfaitement équilibré et définir la variable aléatoire X qui prend la valeur 1 si c'est un nombre 
pair, la valeur 2 si c'est 3 et 0 si on obtient 1 ou 5. X( Ω) = {0 ; 1 ; 2} 
2) Lancer une pièce de monnaie équilibré et définir la variable aléatoire X qui prend la valeur 1 si c'est F et la 
valeur 0 si c'est P. X( Ω) = {0 ; 1} 
Une variable aléatoire continue est une variable aléatoire qui prend toutes les valeurs d'un intervalle. 
Exemples : 
1) Appeler un opérateur mobile, attendre moins de 5 minutes et noter le temps d'attente en minutes, X( Ω) = [0; 5] 
2) Théoriquement un composant électronique peut durer indéfiniment. On note sa durée de vie. X( Ω) = [0 ; +∞[. 
3/ Vers la densité de probabilité 
► Dans la suite on va étudier des lois de probabilités de variables aléatoires continues telles que X( Ω) = I 
Avec I = [a ; b] avec a < b 
ou I = [a ; + ∞ [ 
ou I = R 
► Il est clair que pour tout réel k qui n' appartient pas à I, p(k) = 0. L'événement {k} est impossible et la 
probabilité de l’événement « choisir un nombre voisin de k » reste nulle 
De même, il paraît évident que pour tout réel k de I, p(k) = 0 car il y a une infinité de nombres dans I. Mais 
l'événement {k} n'est pas impossible, et la probabilité de l'événement « choisir un nombre voisin de k » n'est plus 
nulle puisque qu'une infinité de nombre conviennent. 
► On ne s’intéresse donc pas à la probabilité d'un nombre mais à la probabilité d'un minuscule intervalle 
contenant ce nombre, cette probabilité f(k) est alors appelée densité de probabilité de ce nombre k . 
On distingue les deux cas précédents en disant que : 
Si k Ï I alors k est affectée d'une densité de probabilité nulle 
Si k Î I alors est affectée d'une densité de probabilité f(k) non nulle. 
c 
► Si ∫on veut calculer la probabilité d'un intervalle [c ; d] de I, on doit 
calculer la somme infinie de toutes les densité de probabilité des nombres x 
de l'intervalle [c ; d] 
d 
On va donc utiliser un intégrale, et calculer p ([c ; d ])=f ( x)d x , 
► p([c ; d]) = p(X Î [c ; d]) est l'aire sous la courbe sur l'intervalle 
[c ; d] de la fonction densité de probabilité f. 
p([c ; d]) est l'aire coloriée en rose 
2 Lycée de Font Romeu SC
« II I »: Densité de probabilité f sur un intervalle I avec I = [a ; b] ou I = [a ; + ∞ [ ou I = R 
1/ Définition 
On appelle densité de probabilité sur un intervalle I de R toute fonction f continue et positive sur I 
pour laquelle l'aire sous la courbe sur l'intervalle I vaut 1 ua 
2/ Conséquences 
b 
f (x )dx=1 
Si I = [a ; b] avec a < b ∫a 
Si I = [a ; + ∞ [ lim 
t 
f (x )dx=1 qui peut se noter ∫a 
t→+∞∫a 
+∞ 
f ( x)dx=1 
Si I = R lim 
0 
f ( x)dx+ lim 
t→−∞∫t 
t 
f (x )dx=1 qui peut se noter ∫−∞ 
t→+∞∫0 
+∞ 
f (x )dx=1 
Exercice 0 1 
1/ Montrer que la fonction f définie par f(x) = 1 est une densité de probabilité sur [0 ; 1] 
2/ Montrer que la fonction f définie par f(x) = 
12 
est une densité de probabilité sur [1; 3] 
3/Montrer que la fonction f définie par f(x) = 0,2 e -0,2 x est une densité de probabilité sur [0 ; + ∞[ 
4/ 1/ Déterminer le réel k pour que la fonction f définie sur [0;1] par : f ( x ) = k 
1+x soit une densité de 
probabilité sur [1 ; 2] 
1/ f est continue et positive sur [0 ; 1] 
1 
1dx=[ x ]10 
∫0 
=1 
2/ f est continue et positive sur [1 ; 3] 
3 12 
∫1 
dx=[ x 
2 ]31 
=32 
−12 
=1 
3/ f est continue et positive sur [0 ; + ∞[ 
lim 
t 
f (x )dx=lim 
t→+∞∫a 
t 
0,2 e−0,2 x dx=lim 
t→+∞∫a 
t→+∞ 
[−e−0,2x ] y 
0 
=lim 
t→+∞ 
(−e−0,2 t+1)=0+1=1 
2 k 
1+ x 
4/ 1/ f est continue et positive sur [0;1] si k > 0 et on doit avoir ∫1 
dx=1 
2 k 
1+ x 
Or ∫1 
dx=[k ln(1+ x)]21 
=kln3−kln2=kln32 
Donc k ln32 
=1 et k= 1 
ln32 
qui est bien positif 
« I V »: Loi de probabilité de densité f sur l'intervalle I 
1/ Définition 
X est la variable aléatoire qui donne les valeurs de I 
On appelle loi de probabilité sur I de densité f la probabilité définie de la manière suivante: 
Pour tout intervalle J de I, p(J) est l'aire sous la courbe de la fonction f sur l' intervalle J. 
Ainsi : pour tout intervalle [c ; d] de I, p ([c ; d] = p(X Î [c ; d]) = p (c ≤ X ≤ d) = ò d 
c 
f (x)dx 
3 Lycée de Font Romeu SC
2/ Illustrations 
Si I = [a ; b] 
p([c ; d]) est l'aire sous la courbe coloriée 
Si I = [a ; + ∞ [ 
p([c ; d]) est l'aire sous la courbe en vert foncé 
D'après la définition de la densité de probabilité, 
Si I = [a ; b] 
P([a ; b]) = 1 , c'est l' aire du domaine teinté. 
Si I = [a ; + ∞ [ 
p([a ; + ∞ [ ) = 1 , c'est l' aire du domaine teinté. 
Si I = [a ; + ∞ [ alors pour tout c ≥ a : 
p( [c ; + ∞ [ ) = p(X Î [c ; + ∞ [) = p( X ≥ c ) = lim 
t 
f (x )dx 
t→+∞∫c 
Remarque : p( [c ; + ∞ [ ) = 1 – p([a ; c] 
p([c ; + ∞ [) est l'aire coloriée en vert foncé 
Si I = R 
L'aire totale sous la courbe est 1. 
p(]-∞ ; c[) est colorié en vert 
p ([c ; d]) est colorié en gris 
p([d ; + ∞ [) est en blanc. 
t→−∞∫t 
Si I = R alors pour c réel, p( ]-∞ ; c] ) = p(X Î ]-∞ ; c] ) = p( X ≤ c ) = lim 
c 
f ( x)dx 
t→+∞∫c 
pour d réel, p( [d ; + ∞ [ ) = p(X Î [d ; + ∞ [) = p( X ≥ d ) = lim 
t 
f (x )dx 
L'interprétation d'un probabilité comme une aire induit des propriétés évidentes. ( p(X > d) = 1 – p(x < d) ) 
4 Lycée de Font Romeu SC
0 
Exercice 0 2 
12 
∫1/ Montrer que la fonction f définie par f(x) = x est une densité de probabilité sur [0 ; √2 ] 
2/Déterminer alors p([0,5 : 1]) 
√2 
1/ est continue et positive sur [0 ; 2 ]. De plus x dx = [ x2]√2 
= 1 
0 
2/ p ([0,5 ; 1]= ò1 
x.dx = [ 12 
0,5 
=12 
x2] √1 
0,5 
−1 
2 
14 
=12 
−18 
=38 
=0,375 
Exercice 0 3 
1/ Déterminer le réel k pour que la fonction f définie sur [0;1] par : f ( x ) = 
kx 
1+x2 soit une densité de probabilité 
sur [0 ; 1] 
2/ Déterminer alors p([0,5 : 1]) 
1/ f est continue et positive sur [0;1]. On doit avoir ∫0 
1 kx 
1+ x2 dx=1 
1 kx 
1+ x2 dx=[ k 
Or ∫0 
2 
ln(1+ x2)]10 
=k 
2 
ln(2)−k 
2 
ln(1)= k 
2 
ln(2) Donc k 
2 
ln2=1 et k= 2 
ln2 
2/ f (x)= 
1 kx 
1+ x2 dx=[ k 
kx 
1+ x2 et p([0,5 : 1]) = ∫ 
0,5 
2 
ln (1+ x 2)] 1 
= k 
2 
0,5 
ln(2)− k 
2 
ln( 54 
)=k 
2 
ln (85 
) 
Mais k= 2 
ln2 donc p([0,5 : 1]) = 1 
ln2 
ln( 85 
)=ln8−ln5 
ln2 ≈0,678 
Exercice 0 4 
Une entreprise produit des dalles en plâtre suivant une variable aléatoire continue X, en tonnes, qui prend 
0 
∫ses valeurs dans l'intervalle [0 ; 20] avec une densité de probabilité f définie par : f (x) = 0,015x – 0,00075 x2 
1/ Démontrer que f est une densité de probabilité sur [0 ; 20]. 
2/ Calculer la probabilité de l'événement E "La production quotidienne est supérieure ou égale à 12 tonnes". 
20 
3/ Par définition, l'espérance de X vaut xf (x )dx . Calculer l'espérance mathématique de X. 
1/ f est une fonction trinôme du second degré avec a < 0 sa concavité est tournée vers le bas de plus, f(0) = 0 et 
f(20) = 0 donc sur [0 ; 20] f(x) ≥ 0 . 
Elle est continue comme toute fonction polynôme. 
20 
f (x )dx=∫0 
∫0 
20 
(0,015 x−0,00075 x2)dx=[0,0075 x2−0,00025 x3]20 
0 
=1 
La fonction f est donc une densité de probabilité sur [0 ; 20] 
2/ On cherche p(X > 12) = p(12 < X < 20) = ∫ 
20 
0,015 x−0,00075 x2 dx=[0,0075 x2−0,00025 x3 ]20 
12 
12 
= (0,0075× 20 2 – 0,00025× 20 3) - (0,0075× 12 2 – 0,00025× 12 3) 
= 0,352 
20 
xf (x )dx=∫0 
3/ E(X) = ∫0 
20 
(0,015 x2−0,00075 x3)dx=[0,005 x3−0,0001875 x4]20 
0 
=10 
5 Lycée de Font Romeu SC
Exercice 0 5 
1/ Montrer que la fonction f définie par f(x) = 3e−3 x est une densité de probabilité sur [0 ; + ∞[ 
2/ Calculer alors p ([1 ; 2]) 
3/ Calculer alors p ([3 ; + ∞[) 
1/ f est continue et positive su[0 ; + ∞[. 
t 
De plus lim 
3 e−3x dx = lim 
t →+∞∫0 
t →+∞ 
[−e−3x ]t0 
= lim 
t →+∞ 
(−e−3t+ 1) = 1 
2 
3 e−3x dx=[−e−3x ]21 
2/ p ([1 ; 2]) = ∫1 
= - e -6 + e -3 = 
1 
e3− 1 
e6=0,047 
3/ p ([3 ; + ∞[) = lim 
t 
3 e−3x dx = lim 
t →+∞∫3 
t →+∞ 
[−e−3x ]t3 
= lim 
t →+∞ 
(−e−3t+ e−9) = e - 9 
Exercice 0 6 
1/ Montrer que la fonction f définie par f(x) = 1 
10 
e 
−1 
10 
x est une densité de probabilité sur [0 ; + ∞[ 
2/ a) p est la loi de probabilité sur [0 ; + ∞[ de densité f. Déterminer p([ 1 ; 5]) et p ( 0 ≤ X ≤ 1 ). Donner la 
valeur exacte puis la valeur approchée à 10 -3 près 
3/ On note en minutes la durée X d'une conversation téléphonique. On suppose que X suit la loi de probabilité sur 
[0 ; + ∞[ de densité f ( x ) = 1 
10 
e 
−1 
10 
x . Quelle est la probabilité que la conversation dure : 
a) Plus de 10 minutes ? Donner la valeur exacte puis approchée à 10 3 près 
b) Entre 10 et 20 minutes ? Donner la valeur exacte puis approchée à 10 3 près 
1/ f est continue et positive su[0 ; + ∞[. De plus lim 
t 1 
10 
t →+∞∫0 
e 
−1 
10 x 
dx = lim 
t →+∞ 
[−e 
−1 
10 x 
]t0 
= lim 
t →+∞ 
(−e 
−1 
10 x 
+ 1) = 1 
5 1 
10 
2/ a) p([ 1 ; 5]) = ∫1 
e 
−1 
10 
x 
dx = [−e 
−1 
10 
x 
]51 
=−e 
−1 
2 + e 
−1 
10≈0,298 
1 1 
10 
p ( 0 ≤ X ≤ 1 )= ∫0 
e 
−1 
10 
x 
dx = [−e 
−1 
10 
x 
]10 
=−e 
−1 
10 + 1≈0,095 
10 1 
10 
3/ a) p ( X > 10 ) = 1 – p([0 ; 10]) = 1 - ∫0 
e 
−1 
10 xdx = 1 - [−e 
−1 
10 x 
]10 
0 
= 1−−e−11=e−1 ≈ 0,368 
1 
1 = e- 1 - e- 2 ≈ 0,233 
b) p(10 < X < 20) = ò 20 e - 
t 10 
dx 10 
10 
6 Lycée de Font Romeu SC

Contenu connexe

Tendances

CAPES maths 2019 composition 1
CAPES maths 2019 composition 1CAPES maths 2019 composition 1
CAPES maths 2019 composition 1
Dany-Jack Mercier
 
Cours series fourier
Cours series fourierCours series fourier
Cours series fourier
Mehdi Maroun
 
Dérivation et Intégration numériques
Dérivation et Intégration numériquesDérivation et Intégration numériques
Dérivation et Intégration numériques
Jaouad Dabounou
 
Cac cong thuc tich phan
Cac cong thuc tich phanCac cong thuc tich phan
Cac cong thuc tich phan
heocon19
 
202017370 es-maths-cned-sequence-03-limites-et-asymptotes
202017370 es-maths-cned-sequence-03-limites-et-asymptotes202017370 es-maths-cned-sequence-03-limites-et-asymptotes
202017370 es-maths-cned-sequence-03-limites-et-asymptotes
Ettaoufik Elayedi
 
05 exos fonction_exponentielle
05 exos fonction_exponentielle05 exos fonction_exponentielle
05 exos fonction_exponentielle
wanderful hyppolite
 
202010514 es-maths-cned-sequence-02-derivation
202010514 es-maths-cned-sequence-02-derivation202010514 es-maths-cned-sequence-02-derivation
202010514 es-maths-cned-sequence-02-derivation
Ettaoufik Elayedi
 
201972297 es-maths-cned-sequence-01
201972297 es-maths-cned-sequence-01201972297 es-maths-cned-sequence-01
201972297 es-maths-cned-sequence-01
Ettaoufik Elayedi
 
Sélection de contrôles avec correction
Sélection de contrôles avec correctionSélection de contrôles avec correction
Sélection de contrôles avec correction
Jaouad Dabounou
 
Formes bilineaire symetrique et formes quadratiques (1).pdf
Formes bilineaire symetrique et formes quadratiques (1).pdfFormes bilineaire symetrique et formes quadratiques (1).pdf
Formes bilineaire symetrique et formes quadratiques (1).pdf
VrazylandGuekou1
 
Exam of June 2016, Mathematical Statistics 3rd year
Exam of June 2016, Mathematical Statistics 3rd yearExam of June 2016, Mathematical Statistics 3rd year
Exam of June 2016, Mathematical Statistics 3rd year
Christian Robert
 
Exercice fonctions réciproques
Exercice fonctions réciproquesExercice fonctions réciproques
Exercice fonctions réciproques
Yessin Abdelhedi
 
Exos corriges lois_continues
Exos corriges lois_continuesExos corriges lois_continues
Exos corriges lois_continues
Manar Sefiane
 
Fonction polynome tc4
Fonction polynome tc4Fonction polynome tc4
Fonction polynome tc4
AHMED ENNAJI
 
Généralisation du théorème de weierstrass et application
Généralisation du théorème de weierstrass et applicationGénéralisation du théorème de weierstrass et application
Généralisation du théorème de weierstrass et application
Kamel Djeddi
 
Exercice arithmétiques
Exercice arithmétiquesExercice arithmétiques
Exercice arithmétiques
Yessin Abdelhedi
 
Omp math nombres-complexes
Omp math nombres-complexesOmp math nombres-complexes
Omp math nombres-complexes
Ahmed Ali
 
Math%E9matiques%20 Ct
Math%E9matiques%20 CtMath%E9matiques%20 Ct
Math%E9matiques%20 Ct
glenoo
 

Tendances (19)

CAPES maths 2019 composition 1
CAPES maths 2019 composition 1CAPES maths 2019 composition 1
CAPES maths 2019 composition 1
 
Cours series fourier
Cours series fourierCours series fourier
Cours series fourier
 
Dérivation et Intégration numériques
Dérivation et Intégration numériquesDérivation et Intégration numériques
Dérivation et Intégration numériques
 
Cac cong thuc tich phan
Cac cong thuc tich phanCac cong thuc tich phan
Cac cong thuc tich phan
 
202017370 es-maths-cned-sequence-03-limites-et-asymptotes
202017370 es-maths-cned-sequence-03-limites-et-asymptotes202017370 es-maths-cned-sequence-03-limites-et-asymptotes
202017370 es-maths-cned-sequence-03-limites-et-asymptotes
 
05 exos fonction_exponentielle
05 exos fonction_exponentielle05 exos fonction_exponentielle
05 exos fonction_exponentielle
 
202010514 es-maths-cned-sequence-02-derivation
202010514 es-maths-cned-sequence-02-derivation202010514 es-maths-cned-sequence-02-derivation
202010514 es-maths-cned-sequence-02-derivation
 
201972297 es-maths-cned-sequence-01
201972297 es-maths-cned-sequence-01201972297 es-maths-cned-sequence-01
201972297 es-maths-cned-sequence-01
 
Sélection de contrôles avec correction
Sélection de contrôles avec correctionSélection de contrôles avec correction
Sélection de contrôles avec correction
 
Formes bilineaire symetrique et formes quadratiques (1).pdf
Formes bilineaire symetrique et formes quadratiques (1).pdfFormes bilineaire symetrique et formes quadratiques (1).pdf
Formes bilineaire symetrique et formes quadratiques (1).pdf
 
Exam of June 2016, Mathematical Statistics 3rd year
Exam of June 2016, Mathematical Statistics 3rd yearExam of June 2016, Mathematical Statistics 3rd year
Exam of June 2016, Mathematical Statistics 3rd year
 
Exercice fonctions réciproques
Exercice fonctions réciproquesExercice fonctions réciproques
Exercice fonctions réciproques
 
Exos corriges lois_continues
Exos corriges lois_continuesExos corriges lois_continues
Exos corriges lois_continues
 
Fonction polynome tc4
Fonction polynome tc4Fonction polynome tc4
Fonction polynome tc4
 
Généralisation du théorème de weierstrass et application
Généralisation du théorème de weierstrass et applicationGénéralisation du théorème de weierstrass et application
Généralisation du théorème de weierstrass et application
 
Exercice arithmétiques
Exercice arithmétiquesExercice arithmétiques
Exercice arithmétiques
 
Omp math nombres-complexes
Omp math nombres-complexesOmp math nombres-complexes
Omp math nombres-complexes
 
Math%E9matiques%20 Ct
Math%E9matiques%20 CtMath%E9matiques%20 Ct
Math%E9matiques%20 Ct
 
Exercice intégrales
Exercice intégralesExercice intégrales
Exercice intégrales
 

En vedette

4° exos loi-continues-sm.
4° exos loi-continues-sm.4° exos loi-continues-sm.
4° exos loi-continues-sm.
Smaali Mondher
 
méthode des centres d'analyse
méthode des centres d'analyseméthode des centres d'analyse
méthode des centres d'analyse
abdellah nasser
 
Chapitre 1 les coûts complets
Chapitre 1 les coûts completsChapitre 1 les coûts complets
Chapitre 1 les coûts complets
haifouchka
 
Comptabilite-analytique
 Comptabilite-analytique Comptabilite-analytique
Comptabilite-analytique
Mejdoubi Amal
 
Solutions exercices cae TIGUINT
Solutions exercices cae TIGUINTSolutions exercices cae TIGUINT
Solutions exercices cae TIGUINT
senuoy12
 

En vedette (6)

4° exos loi-continues-sm.
4° exos loi-continues-sm.4° exos loi-continues-sm.
4° exos loi-continues-sm.
 
Exercice probabilités
Exercice probabilitésExercice probabilités
Exercice probabilités
 
méthode des centres d'analyse
méthode des centres d'analyseméthode des centres d'analyse
méthode des centres d'analyse
 
Chapitre 1 les coûts complets
Chapitre 1 les coûts completsChapitre 1 les coûts complets
Chapitre 1 les coûts complets
 
Comptabilite-analytique
 Comptabilite-analytique Comptabilite-analytique
Comptabilite-analytique
 
Solutions exercices cae TIGUINT
Solutions exercices cae TIGUINTSolutions exercices cae TIGUINT
Solutions exercices cae TIGUINT
 

Similaire à 01 lois-à-densité

Aates ch08 lois-a-densite
Aates ch08 lois-a-densiteAates ch08 lois-a-densite
Aates ch08 lois-a-densite
Manar Sefiane
 
Cours series fourier
Cours series fourierCours series fourier
Cours series fourier
ismailkziadi
 
Cours stat2-kharrat
Cours stat2-kharratCours stat2-kharrat
Cours stat2-kharrat
Mounir Hanini
 
DS6-CB-sujet (1).pdf
DS6-CB-sujet (1).pdfDS6-CB-sujet (1).pdf
DS6-CB-sujet (1).pdf
hajar517389
 
Cours fourier
Cours fourier Cours fourier
Cours fourier
Raed Ammar
 
Sommation séries entières
Sommation séries entièresSommation séries entières
Sommation séries entières
Loïc Dilly
 
Théorie des distributions
Théorie des distributionsThéorie des distributions
Théorie des distributions
Dodovrosky Francisco Medrano Rocha
 
transparents-Algo-complexite.pdf
transparents-Algo-complexite.pdftransparents-Algo-complexite.pdf
transparents-Algo-complexite.pdf
abdallahyoubiidrissi1
 
Cnc mp-2017-maths-2-corrige
Cnc mp-2017-maths-2-corrigeCnc mp-2017-maths-2-corrige
Cnc mp-2017-maths-2-corrige
Otman Aberkane
 
Mathématiques Générales.pdf
Mathématiques Générales.pdfMathématiques Générales.pdf
Mathématiques Générales.pdf
KarimBara2
 
Exercice Integrcurvcor 2
Exercice Integrcurvcor 2Exercice Integrcurvcor 2
Exercice Integrcurvcor 2
Mohamedlemine Sarr
 
Integrcurvcor 2
Integrcurvcor 2Integrcurvcor 2
Integrcurvcor 2
Mohamedlemine Sarr
 
Algebre1 s1 par www.etudecours.com
Algebre1 s1 par www.etudecours.comAlgebre1 s1 par www.etudecours.com
Algebre1 s1 par www.etudecours.com
etude cours
 
transparents-Algo-correction.pdf
transparents-Algo-correction.pdftransparents-Algo-correction.pdf
transparents-Algo-correction.pdf
abdallahyoubiidrissi1
 
M1_exercices_corriges.pdf
M1_exercices_corriges.pdfM1_exercices_corriges.pdf
M1_exercices_corriges.pdf
DurelDonfack
 
Mathématiques - Fonction génératrice
Mathématiques - Fonction génératriceMathématiques - Fonction génératrice
Mathématiques - Fonction génératrice
Loïc Dilly
 

Similaire à 01 lois-à-densité (20)

Aates ch08 lois-a-densite
Aates ch08 lois-a-densiteAates ch08 lois-a-densite
Aates ch08 lois-a-densite
 
Cours series fourier
Cours series fourierCours series fourier
Cours series fourier
 
Cours stat2-kharrat
Cours stat2-kharratCours stat2-kharrat
Cours stat2-kharrat
 
DS6-CB-sujet (1).pdf
DS6-CB-sujet (1).pdfDS6-CB-sujet (1).pdf
DS6-CB-sujet (1).pdf
 
Cours fourier
Cours fourier Cours fourier
Cours fourier
 
Sommation séries entières
Sommation séries entièresSommation séries entières
Sommation séries entières
 
Théorie des distributions
Théorie des distributionsThéorie des distributions
Théorie des distributions
 
transparents-Algo-complexite.pdf
transparents-Algo-complexite.pdftransparents-Algo-complexite.pdf
transparents-Algo-complexite.pdf
 
Cnc mp-2017-maths-2-corrige
Cnc mp-2017-maths-2-corrigeCnc mp-2017-maths-2-corrige
Cnc mp-2017-maths-2-corrige
 
Mathématiques Générales.pdf
Mathématiques Générales.pdfMathématiques Générales.pdf
Mathématiques Générales.pdf
 
Exercice Integrcurvcor 2
Exercice Integrcurvcor 2Exercice Integrcurvcor 2
Exercice Integrcurvcor 2
 
Integrcurvcor 2
Integrcurvcor 2Integrcurvcor 2
Integrcurvcor 2
 
Algebre1 s1 par www.etudecours.com
Algebre1 s1 par www.etudecours.comAlgebre1 s1 par www.etudecours.com
Algebre1 s1 par www.etudecours.com
 
Slides cirm-copulasv3
Slides cirm-copulasv3Slides cirm-copulasv3
Slides cirm-copulasv3
 
transparents-Algo-correction.pdf
transparents-Algo-correction.pdftransparents-Algo-correction.pdf
transparents-Algo-correction.pdf
 
M1_exercices_corriges.pdf
M1_exercices_corriges.pdfM1_exercices_corriges.pdf
M1_exercices_corriges.pdf
 
Fic00126
Fic00126Fic00126
Fic00126
 
Exercice logarithme
Exercice logarithmeExercice logarithme
Exercice logarithme
 
Exercice exponontielle
Exercice exponontielleExercice exponontielle
Exercice exponontielle
 
Mathématiques - Fonction génératrice
Mathématiques - Fonction génératriceMathématiques - Fonction génératrice
Mathématiques - Fonction génératrice
 

Plus de Manar Sefiane

Lc s2 www.cours-fsjes.blogspot.com
Lc s2 www.cours-fsjes.blogspot.comLc s2 www.cours-fsjes.blogspot.com
Lc s2 www.cours-fsjes.blogspot.com
Manar Sefiane
 
Fiche cfe amortissements
Fiche cfe amortissementsFiche cfe amortissements
Fiche cfe amortissements
Manar Sefiane
 
Exercices d analyse financière
Exercices d analyse financièreExercices d analyse financière
Exercices d analyse financière
Manar Sefiane
 
Gestiondesoprationsattijariwafaebanquegesteco 130822054647-phpapp02 (1) (1)
Gestiondesoprationsattijariwafaebanquegesteco 130822054647-phpapp02 (1) (1)Gestiondesoprationsattijariwafaebanquegesteco 130822054647-phpapp02 (1) (1)
Gestiondesoprationsattijariwafaebanquegesteco 130822054647-phpapp02 (1) (1)
Manar Sefiane
 
Mathématiques financières mme benomar
Mathématiques financières mme benomarMathématiques financières mme benomar
Mathématiques financières mme benomar
Manar Sefiane
 
Comptailité analytique s3_mme el hassani_www.cours-fsjes.blogspot
Comptailité analytique s3_mme el hassani_www.cours-fsjes.blogspotComptailité analytique s3_mme el hassani_www.cours-fsjes.blogspot
Comptailité analytique s3_mme el hassani_www.cours-fsjes.blogspot
Manar Sefiane
 
Mathématiques financières mme benomar
Mathématiques financières mme benomarMathématiques financières mme benomar
Mathématiques financières mme benomar
Manar Sefiane
 
Tableaux derivees
Tableaux deriveesTableaux derivees
Tableaux derivees
Manar Sefiane
 

Plus de Manar Sefiane (9)

Lc s2 www.cours-fsjes.blogspot.com
Lc s2 www.cours-fsjes.blogspot.comLc s2 www.cours-fsjes.blogspot.com
Lc s2 www.cours-fsjes.blogspot.com
 
Fiche cfe amortissements
Fiche cfe amortissementsFiche cfe amortissements
Fiche cfe amortissements
 
Exercices d analyse financière
Exercices d analyse financièreExercices d analyse financière
Exercices d analyse financière
 
Gestiondesoprationsattijariwafaebanquegesteco 130822054647-phpapp02 (1) (1)
Gestiondesoprationsattijariwafaebanquegesteco 130822054647-phpapp02 (1) (1)Gestiondesoprationsattijariwafaebanquegesteco 130822054647-phpapp02 (1) (1)
Gestiondesoprationsattijariwafaebanquegesteco 130822054647-phpapp02 (1) (1)
 
Mathématiques financières mme benomar
Mathématiques financières mme benomarMathématiques financières mme benomar
Mathématiques financières mme benomar
 
Comptailité analytique s3_mme el hassani_www.cours-fsjes.blogspot
Comptailité analytique s3_mme el hassani_www.cours-fsjes.blogspotComptailité analytique s3_mme el hassani_www.cours-fsjes.blogspot
Comptailité analytique s3_mme el hassani_www.cours-fsjes.blogspot
 
Mathématiques financières mme benomar
Mathématiques financières mme benomarMathématiques financières mme benomar
Mathématiques financières mme benomar
 
Tableaux derivees
Tableaux deriveesTableaux derivees
Tableaux derivees
 
Ing p3-03
Ing p3-03Ing p3-03
Ing p3-03
 

01 lois-à-densité

  • 1. Probabilités 2 : Lois à densité ou Lois de probabilités continues « I » : Grandes binomiales 1/ Evolution d'une loi binomiale en fonction du nombre d'essais n X est la loi binomiale B (0,4 ; n). Ci-dessous, l'histogramme des probabilités pour n Î {5;10;15;20;25;60} n = 5 n = 10 n = 15 n = 20 n = 25 n = 60 2/ Du calcul de probabilité à un calcul d'intégrale ►Dans les cas où n est assez grand par exemple n = 60, on peut approximer l' histogramme par la fonction f représentée en rouge. ► La probabilité p(20 ≤ X ≤ 30) représentée en bleu interprétée 30 comme une aire peut être approximée par l’intégrale ∫ f (x)d x 20 ►C'est ce principe que l'on va généraliser. On va ainsi être amené à calculer des intégrales pour déterminer des probabilités. ► On reviendra sur les lois binomiales plus tard pour les lois normales. 3/ Historique La célèbre courbe en cloche a été définie au début du XIXième siècle par la mathématicien allemand Karl Friedrich Gauss (1777-1855) lorsqu'il étudia la distribution des erreurs d'observation de l'astéroïde Cérès. A la même époque elle fut aussi décrite par la scientifique français Laplace (1812) qui repris et compléta les travaux du mathématicien Abraham de Moivre (1167-1754) en calculs de probabilité. La loi associée à la courbe en cloche est appelée loi normale ou loi Laplace-Gauss. On qualifie la loi de normale car elle modélise des situations normales ou naturelles. Par exemple sur une population de 1000 personnes dont la taille moyenne est 1m 70, a un histogramme des tailles proche de la courbe en cloche de Gauss. 1 Lycée de Font Romeu SC
  • 2. « I I » : Introduction, v ariables aléatoires discrètes ou continues 1/ Remarque : ► Si on choisit au hasard un nombre entier entre 3 et 6 compris, Ω = {3 ; 4 ; 5 ; 6}, on obtient un univers fini composé de 4 entiers. On dit que l'univers est un univers discret et fini ►Si on choisit au hasard un nombre entier, Ω = N, on obtient un univers infini dont les éléments sont des valeurs isolés. On dit que l'univers est un univers discret et infini ► Si on choisit au hasard un nombre réel entre 3 et 6 compris, Ω = [3 ; 6], on obtient un univers infini dont les valeurs ne sont pas isolées mais continues. On dit que l'univers est un univers continu. 2/ Définitions Une variable aléatoire discrète est une variable aléatoire dont les valeurs sont isolées, ou discrète. Exemples : 1) Lancer un dé parfaitement équilibré et définir la variable aléatoire X qui prend la valeur 1 si c'est un nombre pair, la valeur 2 si c'est 3 et 0 si on obtient 1 ou 5. X( Ω) = {0 ; 1 ; 2} 2) Lancer une pièce de monnaie équilibré et définir la variable aléatoire X qui prend la valeur 1 si c'est F et la valeur 0 si c'est P. X( Ω) = {0 ; 1} Une variable aléatoire continue est une variable aléatoire qui prend toutes les valeurs d'un intervalle. Exemples : 1) Appeler un opérateur mobile, attendre moins de 5 minutes et noter le temps d'attente en minutes, X( Ω) = [0; 5] 2) Théoriquement un composant électronique peut durer indéfiniment. On note sa durée de vie. X( Ω) = [0 ; +∞[. 3/ Vers la densité de probabilité ► Dans la suite on va étudier des lois de probabilités de variables aléatoires continues telles que X( Ω) = I Avec I = [a ; b] avec a < b ou I = [a ; + ∞ [ ou I = R ► Il est clair que pour tout réel k qui n' appartient pas à I, p(k) = 0. L'événement {k} est impossible et la probabilité de l’événement « choisir un nombre voisin de k » reste nulle De même, il paraît évident que pour tout réel k de I, p(k) = 0 car il y a une infinité de nombres dans I. Mais l'événement {k} n'est pas impossible, et la probabilité de l'événement « choisir un nombre voisin de k » n'est plus nulle puisque qu'une infinité de nombre conviennent. ► On ne s’intéresse donc pas à la probabilité d'un nombre mais à la probabilité d'un minuscule intervalle contenant ce nombre, cette probabilité f(k) est alors appelée densité de probabilité de ce nombre k . On distingue les deux cas précédents en disant que : Si k Ï I alors k est affectée d'une densité de probabilité nulle Si k Î I alors est affectée d'une densité de probabilité f(k) non nulle. c ► Si ∫on veut calculer la probabilité d'un intervalle [c ; d] de I, on doit calculer la somme infinie de toutes les densité de probabilité des nombres x de l'intervalle [c ; d] d On va donc utiliser un intégrale, et calculer p ([c ; d ])=f ( x)d x , ► p([c ; d]) = p(X Î [c ; d]) est l'aire sous la courbe sur l'intervalle [c ; d] de la fonction densité de probabilité f. p([c ; d]) est l'aire coloriée en rose 2 Lycée de Font Romeu SC
  • 3. « II I »: Densité de probabilité f sur un intervalle I avec I = [a ; b] ou I = [a ; + ∞ [ ou I = R 1/ Définition On appelle densité de probabilité sur un intervalle I de R toute fonction f continue et positive sur I pour laquelle l'aire sous la courbe sur l'intervalle I vaut 1 ua 2/ Conséquences b f (x )dx=1 Si I = [a ; b] avec a < b ∫a Si I = [a ; + ∞ [ lim t f (x )dx=1 qui peut se noter ∫a t→+∞∫a +∞ f ( x)dx=1 Si I = R lim 0 f ( x)dx+ lim t→−∞∫t t f (x )dx=1 qui peut se noter ∫−∞ t→+∞∫0 +∞ f (x )dx=1 Exercice 0 1 1/ Montrer que la fonction f définie par f(x) = 1 est une densité de probabilité sur [0 ; 1] 2/ Montrer que la fonction f définie par f(x) = 12 est une densité de probabilité sur [1; 3] 3/Montrer que la fonction f définie par f(x) = 0,2 e -0,2 x est une densité de probabilité sur [0 ; + ∞[ 4/ 1/ Déterminer le réel k pour que la fonction f définie sur [0;1] par : f ( x ) = k 1+x soit une densité de probabilité sur [1 ; 2] 1/ f est continue et positive sur [0 ; 1] 1 1dx=[ x ]10 ∫0 =1 2/ f est continue et positive sur [1 ; 3] 3 12 ∫1 dx=[ x 2 ]31 =32 −12 =1 3/ f est continue et positive sur [0 ; + ∞[ lim t f (x )dx=lim t→+∞∫a t 0,2 e−0,2 x dx=lim t→+∞∫a t→+∞ [−e−0,2x ] y 0 =lim t→+∞ (−e−0,2 t+1)=0+1=1 2 k 1+ x 4/ 1/ f est continue et positive sur [0;1] si k > 0 et on doit avoir ∫1 dx=1 2 k 1+ x Or ∫1 dx=[k ln(1+ x)]21 =kln3−kln2=kln32 Donc k ln32 =1 et k= 1 ln32 qui est bien positif « I V »: Loi de probabilité de densité f sur l'intervalle I 1/ Définition X est la variable aléatoire qui donne les valeurs de I On appelle loi de probabilité sur I de densité f la probabilité définie de la manière suivante: Pour tout intervalle J de I, p(J) est l'aire sous la courbe de la fonction f sur l' intervalle J. Ainsi : pour tout intervalle [c ; d] de I, p ([c ; d] = p(X Î [c ; d]) = p (c ≤ X ≤ d) = ò d c f (x)dx 3 Lycée de Font Romeu SC
  • 4. 2/ Illustrations Si I = [a ; b] p([c ; d]) est l'aire sous la courbe coloriée Si I = [a ; + ∞ [ p([c ; d]) est l'aire sous la courbe en vert foncé D'après la définition de la densité de probabilité, Si I = [a ; b] P([a ; b]) = 1 , c'est l' aire du domaine teinté. Si I = [a ; + ∞ [ p([a ; + ∞ [ ) = 1 , c'est l' aire du domaine teinté. Si I = [a ; + ∞ [ alors pour tout c ≥ a : p( [c ; + ∞ [ ) = p(X Î [c ; + ∞ [) = p( X ≥ c ) = lim t f (x )dx t→+∞∫c Remarque : p( [c ; + ∞ [ ) = 1 – p([a ; c] p([c ; + ∞ [) est l'aire coloriée en vert foncé Si I = R L'aire totale sous la courbe est 1. p(]-∞ ; c[) est colorié en vert p ([c ; d]) est colorié en gris p([d ; + ∞ [) est en blanc. t→−∞∫t Si I = R alors pour c réel, p( ]-∞ ; c] ) = p(X Î ]-∞ ; c] ) = p( X ≤ c ) = lim c f ( x)dx t→+∞∫c pour d réel, p( [d ; + ∞ [ ) = p(X Î [d ; + ∞ [) = p( X ≥ d ) = lim t f (x )dx L'interprétation d'un probabilité comme une aire induit des propriétés évidentes. ( p(X > d) = 1 – p(x < d) ) 4 Lycée de Font Romeu SC
  • 5. 0 Exercice 0 2 12 ∫1/ Montrer que la fonction f définie par f(x) = x est une densité de probabilité sur [0 ; √2 ] 2/Déterminer alors p([0,5 : 1]) √2 1/ est continue et positive sur [0 ; 2 ]. De plus x dx = [ x2]√2 = 1 0 2/ p ([0,5 ; 1]= ò1 x.dx = [ 12 0,5 =12 x2] √1 0,5 −1 2 14 =12 −18 =38 =0,375 Exercice 0 3 1/ Déterminer le réel k pour que la fonction f définie sur [0;1] par : f ( x ) = kx 1+x2 soit une densité de probabilité sur [0 ; 1] 2/ Déterminer alors p([0,5 : 1]) 1/ f est continue et positive sur [0;1]. On doit avoir ∫0 1 kx 1+ x2 dx=1 1 kx 1+ x2 dx=[ k Or ∫0 2 ln(1+ x2)]10 =k 2 ln(2)−k 2 ln(1)= k 2 ln(2) Donc k 2 ln2=1 et k= 2 ln2 2/ f (x)= 1 kx 1+ x2 dx=[ k kx 1+ x2 et p([0,5 : 1]) = ∫ 0,5 2 ln (1+ x 2)] 1 = k 2 0,5 ln(2)− k 2 ln( 54 )=k 2 ln (85 ) Mais k= 2 ln2 donc p([0,5 : 1]) = 1 ln2 ln( 85 )=ln8−ln5 ln2 ≈0,678 Exercice 0 4 Une entreprise produit des dalles en plâtre suivant une variable aléatoire continue X, en tonnes, qui prend 0 ∫ses valeurs dans l'intervalle [0 ; 20] avec une densité de probabilité f définie par : f (x) = 0,015x – 0,00075 x2 1/ Démontrer que f est une densité de probabilité sur [0 ; 20]. 2/ Calculer la probabilité de l'événement E "La production quotidienne est supérieure ou égale à 12 tonnes". 20 3/ Par définition, l'espérance de X vaut xf (x )dx . Calculer l'espérance mathématique de X. 1/ f est une fonction trinôme du second degré avec a < 0 sa concavité est tournée vers le bas de plus, f(0) = 0 et f(20) = 0 donc sur [0 ; 20] f(x) ≥ 0 . Elle est continue comme toute fonction polynôme. 20 f (x )dx=∫0 ∫0 20 (0,015 x−0,00075 x2)dx=[0,0075 x2−0,00025 x3]20 0 =1 La fonction f est donc une densité de probabilité sur [0 ; 20] 2/ On cherche p(X > 12) = p(12 < X < 20) = ∫ 20 0,015 x−0,00075 x2 dx=[0,0075 x2−0,00025 x3 ]20 12 12 = (0,0075× 20 2 – 0,00025× 20 3) - (0,0075× 12 2 – 0,00025× 12 3) = 0,352 20 xf (x )dx=∫0 3/ E(X) = ∫0 20 (0,015 x2−0,00075 x3)dx=[0,005 x3−0,0001875 x4]20 0 =10 5 Lycée de Font Romeu SC
  • 6. Exercice 0 5 1/ Montrer que la fonction f définie par f(x) = 3e−3 x est une densité de probabilité sur [0 ; + ∞[ 2/ Calculer alors p ([1 ; 2]) 3/ Calculer alors p ([3 ; + ∞[) 1/ f est continue et positive su[0 ; + ∞[. t De plus lim 3 e−3x dx = lim t →+∞∫0 t →+∞ [−e−3x ]t0 = lim t →+∞ (−e−3t+ 1) = 1 2 3 e−3x dx=[−e−3x ]21 2/ p ([1 ; 2]) = ∫1 = - e -6 + e -3 = 1 e3− 1 e6=0,047 3/ p ([3 ; + ∞[) = lim t 3 e−3x dx = lim t →+∞∫3 t →+∞ [−e−3x ]t3 = lim t →+∞ (−e−3t+ e−9) = e - 9 Exercice 0 6 1/ Montrer que la fonction f définie par f(x) = 1 10 e −1 10 x est une densité de probabilité sur [0 ; + ∞[ 2/ a) p est la loi de probabilité sur [0 ; + ∞[ de densité f. Déterminer p([ 1 ; 5]) et p ( 0 ≤ X ≤ 1 ). Donner la valeur exacte puis la valeur approchée à 10 -3 près 3/ On note en minutes la durée X d'une conversation téléphonique. On suppose que X suit la loi de probabilité sur [0 ; + ∞[ de densité f ( x ) = 1 10 e −1 10 x . Quelle est la probabilité que la conversation dure : a) Plus de 10 minutes ? Donner la valeur exacte puis approchée à 10 3 près b) Entre 10 et 20 minutes ? Donner la valeur exacte puis approchée à 10 3 près 1/ f est continue et positive su[0 ; + ∞[. De plus lim t 1 10 t →+∞∫0 e −1 10 x dx = lim t →+∞ [−e −1 10 x ]t0 = lim t →+∞ (−e −1 10 x + 1) = 1 5 1 10 2/ a) p([ 1 ; 5]) = ∫1 e −1 10 x dx = [−e −1 10 x ]51 =−e −1 2 + e −1 10≈0,298 1 1 10 p ( 0 ≤ X ≤ 1 )= ∫0 e −1 10 x dx = [−e −1 10 x ]10 =−e −1 10 + 1≈0,095 10 1 10 3/ a) p ( X > 10 ) = 1 – p([0 ; 10]) = 1 - ∫0 e −1 10 xdx = 1 - [−e −1 10 x ]10 0 = 1−−e−11=e−1 ≈ 0,368 1 1 = e- 1 - e- 2 ≈ 0,233 b) p(10 < X < 20) = ò 20 e - t 10 dx 10 10 6 Lycée de Font Romeu SC