Académique Documents
Professionnel Documents
Culture Documents
Probabilité :
lois à densité
Sommaire
Introduction
1. Pré-requis
2. Lois de probabilité à densité sur un intervalle
3. Lois uniformes
4. Lois normales
5. Synthèse de la séquence
6. Exercices de synthèse
Séquence 7 – MA01 1
Les valeurs prises par la variable aléatoire X forment l’intervalle 0 ; 180 et la
notation (0 ≤ X ≤ 45) désigne l’ensemble des points de l’arc AC .
45°
B O A
2 Séquence 7 – MA01
Exercice Une série statistique à caractère quantitatif continu est représentée par l’histo-
gramme ci-dessous.
Donner les classes et la fréquence de chaque classe.
fréquence : 5 %
1 2 3 4 5 6
Solution Classes
1; 2 2 ; 2, 5 2, 5 ; 4 4 ; 5, 5 5, 5 ; 6
Fréquences 0,1 0,1 0,45 0,3 0,05
Séquence 7 – MA01 3
Solution On a :
i =5
E( X ) = ∑ x i fi = 1,5 × 0,1+ 2,25 × 0,1+ 3,25 × 0,45 + 4,75 × 0,3 + 5,75 × 0,05 = 3,55.
i =1
B Probabilité
Vous devez avoir présent à l’esprit la signification du vocabulaire spécifique aux
probabilités étudiées en classe de seconde, première et dans la séquence 3 : uni-
vers muni d’une loi de probabilité, variables aléatoires, probabilités condition-
nelles. Même si le passage du discret au continu, des ensembles finis aux inter-
valles de , modifie certaines propriétés, les idées principales pour modéliser
les situations sont très voisines.
1. Variables aléatoires
Rappelons seulement quelques éléments concernant les variables aléatoires,
pour l’instant dans un univers ayant un nombre fini d’éléments.
Définition
{
Par exemple, on tire des lettres placées dans un sac. On a alors Ω = a, b, c,... ,z }
et on peut choisir la variable aléatoire qui associe 1 à chaque voyelle, 2 à k, q, w, z
(lettres rares en français) et 0 aux autres lettres.
Notation Les événements sont des sous-ensembles de Ω. Précisons à l’aide de l’exemple
la notation utilisée pour les événements définis à l’aide d’une variable aléatoire X.
4 Séquence 7 – MA01
Définition
Définition
E( X ) = x 1P ( X = x 1) + x 2P ( X = x 2 ) + ... + x r P ( X = x r )
i =r
= x 1p1 + x 2 p2 + ... + x r pr = ∑ x i pi .
i =1
2. Loi binomiale
Définition
Soit X la variable aléatoire définie par le nombre de succès obtenus quand
on répète n fois de façon indépendante une expérience ayant deux résultats
possibles, réussite de probabilité p et échec de probabilité 1− p. La loi de
probabilité de X est la loi binomiale de paramètres n et p, notée Ꮾ(n ; p ).
Séquence 7 – MA01 5
Représentation
é graphique
h d’une
d’ loi
l binomiale
b l
0,200
0,150
probabilité
0,100
0,050
0,000
0 1 2 3 4 5 6 7 8 9 1011121314151617181920
k
Avec une calculatrice TI (84, mais aussi 83 et 82 avec Avec une calculatrice Casio (graph 35+ ou plus)
des modifications mineures)
Pour calculer P ( X = k ) lorsque X suit la loi binomiale
Pour calculer P ( X = k ) lorsque X suit la loi binomiale B(n ; p ), on utilise le menu STAT, on choisit DIST
B(n ; p ), on utilise l’instruction binomFdp( (que l’on
(touche F5) puis BINM (touche F5), Bpd (touche F1) et
obtient par l’instruction DISTR (touches 2ND VARS ) et
la touche 0) que l’on complète ainsi : binomFdp(n, p, k). Var (touche F2).
Ces calculatrices donnent aussi les probabilités On renseigne la boîte de dialogue : Data : variable ;
P ( X ≤ k ) par l’instruction binomFREPdp(. valeur désirée : k ; Numtrial : n ; probabilité : p.
Avec une calculatrice Casio graph 25+Pro, pour calcu-
ler P ( X = k ), il faut taper la formule ou avoir implé-
menté un programme.
6 Séquence 7 – MA01
Ᏹ Ꮿf
J K
1
1 ua x
I
a 0 1 b
2. Notation
b
Dans l’écriture
∫a f (t ) dt on dit que t est une variable « muette » car on a :
b b
∫a f (t ) dt =
∫a f ( x ) dx .
3. Cas particulier
Soit f une fonction continue sur un intervalle I. Quel que soit α élément de I,
α
on a
∫α f (t ) dt = 0.
4. Intégrale et dérivée
Soit f une fonction continue et positive sur a ; b , la fonction F définie sur
x
a ; b par x
∫a f (t ) dt = F ( x ) est dérivable sur a ; b et F ' = f .
5. Intégrale et primitive
Soit f une fonction continue positive sur un intervalle I et F une de ses primitives
b
∫a
b
sur I, les nombres a et b sont dans I. On a f (t ) dt = F (t ) = F (b ) − F (a ).
a
Séquence 7 – MA01 7
A Objectifs du chapitre
On se place dans un univers ayant un nombre infini d’éléments. Cet infini ne
permet pas d’utiliser la définition d’une loi de probabilité rencontrée dans les
cours précédents où l’univers était fini (il suffisait de donner les probabilités
des événements élémentaires et de vérifier que la somme de ce nombre fini de
termes positifs était égale à 1).
On définit ici des lois de probabilité de variables aléatoires X telles que, pour
chacune, l’ensemble de ses valeurs X ( Ω ) est un intervalle I.
On en donne quelques propriétés élémentaires.
B Pour débuter
Activité 1 Des équations interviennent dans la situation de cet exercice, mais il ne s’agit
pas de les résoudre.
et que cette solution, qui est notée α , appartient à l’intervalle 0 ; 1 .
8 Séquence 7 – MA01
Montant des achats (en €) [0 ; 20[ [20 ; 40[ [40 ; 60[ [60 ; 100[ [100 ; 140[ [140 ; 200]
Fréquence 0,09 0,20 0.22 0,24 0,16 0,09
Montant des achats (en €) [0 ; 20[ [20 ; 40[ [40 ; 60[ [60 ; 100[ [100 ; 140[ [140 ; 200]
Amplitude de la classe =
20
largeur du rectangle
Aire du rectangle 0,09
Hauteur du rectangle
C Cours
1. Définitions
L’activité 2 a permis d’approfondir la représentation d’une série statistique par
un histogramme.
Les fréquences sont représentées par les aires des rectangles.
Les hauteurs des rectangles sont les densités de fréquence, ces densités sont
indiquées sur l’axe des ordonnées.
Les densités de fréquences sont positives, elles sont constantes sur chacun des
intervalles formant les classes de la série statistique. Elles définissent une fonc-
tion constante par morceaux.
Par analogie, en probabilité, on utilisera des fonctions, continues à valeurs posi-
tives, et les probabilités des intervalles seront données par des aires, c’est-à-dire
par des intégrales.
Séquence 7 – MA01 9
Dans le
D l tableau
t bl ci-dessous,
id a ett b désignent
dé i t ddes nombres
b réels.
é l
I = a ; b I = [a ; + ∞[
b
∫a f (t ) dt = 1
1 1
a O 1 b O a 1
I = ]−∞ ; b ] I = ]−∞ ; + ∞[
1
0,5
O 1 b
O 1
Exemple 1 Montrer que la fonction f définie sur 0 ; 1 par f (t ) = −2t + 2 est une densité de
probabilité sur 0 ; 1 .
Solution La fonction f est une fonction affine continue sur 0 ; 1 . Pour tout t de 0 ; 1 ,
on a t ≤ 1, d’où −2t + 2 ≥ −2 × 1+ 2, donc la fonction f est une fonction positive.
10 Séquence 7 – MA01
y = f(t) troisième condition est vérifiée, la fonction f est bien une den-
1
sité de probabilité sur [ 0 ;1].
O 1
Remarque
Dans le cas de cet exemple 1, on observe que la fonction f prend des valeurs
supérieures à 1 sur l’intervalle 0 ; 0, 5 : c’est possible car f ( x ) n’est pas
une probabilité, c’est une densité de probabilité.
Définition 2
Soit f une fonction, définie sur I, qui est une densité de probabilité sur I.
Conséquence P ( X ∈I ) = 1.
En effet, la mesure de l’aire sous la courbe de la fonction de densité f est égale à 1.
Séquence 7 – MA01 11
On a :
0,8 0,8
1
y = f(t)
P ( 0,3 ≤ X ≤ 0,8 ) =
∫
0,3
( −2t + 2) dt = −t 2 + 2t
0,3
( )(
= −0,82 + 2 × 0,8 − −0,32 + 2 × 0,3 )
1 = 0,96 − 0,51 = 0,45.
O O,3 O,8
Définition 3
Soit X une variable aléatoire qui suit la loi de densité f sur l’intervalle I.
Soit J1, J 2 ,..., J n des intervalles de I, deux à deux disjoints (c’est-à-dire que pris deux à deux ils
sont disjoints).
( )
On définit la probabilité P X ∈J1 ∪ J 2 ∪ ... ∪ J n par la somme des probabilités des événements :
( ) ( ) ( )
P X ∈J1 ∪ J 2 ∪ ... ∪ J n = P X ∈J1 + P X ∈J 2 + ... + P X ∈J n . ( )
2. Propriétés
Propriété 1 1
12 Séquence 7 – MA01
P ( X ∈J ∪ J ) = P ( X ∈J ) + P ( X ∈J ) = 1 donc P X ∈J = 1− P ( X ∈J . ( ) )
La définition suivante généralise la définition des probabilités conditionnelles qui
a été donnée dans le cas d’une loi de probabilité dans un univers fini.
Définition 4
( )
Soit I’ un intervalle de I tel que P X ∈I ' ≠ 0 et soit J un autre intervalle
de I. On définit la probabilité conditionnelle PX ∈I ' X ∈J ( ) par l’égalité :
(
PX ∈I ' X ∈J =
P X ∈J ∩ I '
)
( .
)
P X ∈I ' ( )
Exemple 3 Soit X une variable aléatoire de densité f définie sur [ 0 ;1] par f ( x ) = −2x + 2
(exemple 1).
Déterminer P( 0 ≤ X ≤ 0,5) (0, 4 ≤ X ≤ 0, 6 ).
Séquence 7 – MA01 13
0 ,5
P ( X ∈I ') = P (0 ≤ X ≤ 0, 5) =
∫0 ( −2t + 2) dt
0 ,5
= −t 2 + 2t = 0, 75 − 0 = 0, 75.
0
0,11
D’où P( 0 ≤ X ≤ 0,5) (0, 4 ≤ X ≤ 0, 6 ) = ≈ 0,147.
0, 75
D Exercices d’apprentissage
Exercice 1 Pour chacune des fonctions représentées graphiquement ci-dessous, dire s’il
s’agit d’une densité de probabilité sur l’intervalle I en justifiant votre réponse.
1 2
1 2
1/3 1
O 1 3
I = [1 ; 3]
O 0,5 1
I = [0 ; 0,5]
3 4
1
1
2/3
0,5
1/3
O 0,5 1 1,5 2
I = [0 ; 2] O
-1 1
I = [-1 ; 1]
14 Séquence 7 – MA01
( )
a) Indiquer sur le graphique la probabilité P 0, 5 ≤ X ≤ 0, 75 . Calculer cette pro-
babilité.
(
b) Déterminer un nombre m tel que P X ≤ m = 0, 5. )
Séquence 7 – MA01 15
B Pour débuter
Activité 3 On souhaite donner un sens précis à l’expression « prendre un nombre au hasard ».
Il faut d’abord dire dans quel intervalle on prendra ce nombre. Raisonnons avec l’in-
tervalle 0 ; 1 qui nous permettra ensuite d’aborder le cas des intervalles a ; b .
On cherche donc une loi de probabilité à densité pour la variable X correspondant à
l’expérience aléatoire qui fournit un nombre réel « au hasard » compris entre 0 et 1.
Tout d’abord, remarquons que, d’après le chapitre précédent, pour tout réel α,
on a P ( X = α ) = 0 lorsque la variable aléatoire X suit une loi à densité.
Comme
( ) ( ) ( )
P X ∈[ 0 ; 0,5] + P X ∈[ 0,5 ;1] = P X ∈[ 0 ;1] − P ( X = 0,5)
= P ( X ∈[ 0 ;1]) = 1,
( ) ( 1
on souhaite donc que P X ∈0 ; 0, 5 = P X ∈0, 5 ; 1 = .
2
)
De même, on souhaite que
( ) ( ) (
P X ∈[ 0 ; 0,25] = P X ∈[ 0,25 ; 0,5] = P X ∈[ 0,5 ; 0,75] )
= P ( X ∈[ 0,75 ;1]) = .
1
4
Il semble intuitivement que, pour la loi cherchée, plus un intervalle a une grande
amplitude (longueur), plus il est probable que le nombre pris au hasard lui appar-
tienne. Si l’amplitude de l’intervalle I’ est deux fois celle de l’intervalle I, on sou-
16 Séquence 7 – MA01
Séquence 7 – MA01 17
Nous venons de voir, dans l’activité 3, que nous souhaitons obtenir une loi d’une
variable aléatoire X où la probabilité que X appartienne à un intervalle, inclus
dans 0 ; 1 , est égale à l’amplitude de l’intervalle.
Si on cherche à exprimer cette condition pour avoir une loi à densité, on doit faire
intervenir des intégrales et on se souvient de l’intégrale d’une fonction constante.
On peut aussi penser qu’une fonction de densité constante exprime bien la
notion d’uniformité.
La définition qui est donnée utilise ce point de vue et permettra de considérer
l’espérance de cette loi.
Propriété 2
La fonction constante f définie sur 0 ; 1 par f ( x ) = 1 est une densité de
probabilité.
Démonstration Une fonction constante est continue sur son ensemble de définition, la fonction f
1
∫0 1 dx = x 0 = 1− 0 = 1 donc les trois conditions sont vérifiées,
1
est positive et
Définition 5
Propriété 3
Pour tout intervalle c ; d inclus dans 0 ; 1 , on a :
( ) )
P X ∈c ; d = P (c ≤ X ≤ d = d − c .
18 Séquence 7 – MA01
Solution Comme l’énoncé précise que le nombre est choisi « au hasard », la variable aléa-
toire X, qui modélise ce choix, suit la loi uniforme sur l’intervalle 0 ; 1 . On a
( )
alors P 0, 2 ≤ X ≤ 0, 25 = 0, 25 − 0, 2 = 0, 05.
On rappelle que
P ( 0,2 ≤ X ≤ 0,25) = P ( 0,2 ≤ X < 0,25) = P ( 0,2 < X ≤ 0,25)
= P ( 0,2 < X < 0,25) ,
donc l’expression « compris entre 0,2 et 0,25 » peut être interprétée avec des
inégalités strictes sans changement du résultat.
Comme sur 0 ; 1 on cherche une loi pour laquelle un intervalle a une proba-
bilité proportionnelle à son amplitude et pour laquelle la densité est constante.
Propriété 4
1
La fonction constante f définie sur a ; b , avec a b, par f ( x ) = est
b −a
une densité de probabilité.
Les trois conditions sont vérifiées, la fonction f est bien une densité de probabilité.
Définition 6
Une variable aléatoire suit une loi uni-
1
Séquence 7 – MA01 19
( )
P X ∈c ; d = P (c ≤ X ≤ d =
d −c
)
b −a
.
d d
t d −c
Démonstration (
On a : P c ≤ X ≤ d = )
1
c b −a ∫
dt = =
d
−
c
= .
b − a c b − a b − a b − a
Exemple 5 On choisit un nombre réel au hasard dans 0 ; 100 . Quelle est la probabilité
qu’il soit compris entre 90 et 100 ?
Solution Comme l’énoncé précise que le nombre est choisi « au hasard », la variable aléa-
toire X, qui modélise ce choix, suit la loi uniforme sur l’intervalle 0 ; 100 , on a
100 − 90
(
alors P 90 ≤ X < 100 = )
100 − 0
= 0,1.
Définition 7
E( X ) = x 1P ( X = x 1) + x 2P ( X = x 2 ) + ... + x r P ( X = x r )
i =r
= x 1p1 + x 2 p2 + ... + x r pr = ∑ x i pi .
i =1
20 Séquence 7 – MA01
somme d’un nombre infini de termes. Mais le terme f ( x )dx peut s’interpré-
Propriété 6
b
b 1 x2 b2 − a2 a + b
Démonstration
∫
On a : E( X ) =
a b −a
x dx = =
2(b − a )
a
2(b − a )
=
2
.
1
Cas particulier L’espérance de la loi uniforme sur 0 ; 1 vaut donc .
2
D Exercices d’apprentissage
Exercice 3 Le facteur vient déposer le courrier dans la boite aux lettres du lycée entre 10 h
et 10 h 30.
Le facteur passe toujours pendant cette plage horaire et on a observé qu’il
peut arriver à tout instant avec les mêmes chances. La variable aléatoire F
désigne l’heure d’arrivée du facteur en minutes après 10 h (par exemple (F = 8 )
désigne l’événement « le facteur passe à 10 h 08 »). Comment peut-on modéliser
la variable aléatoire F (valeurs prises par F, densité) ?
Séquence 7 – MA01 21
a) à 10 h 25 exactement b) entre 10 h 15 et 10 h 20
c) avant 10 h 20 d) après 10 h 15.
Exercice 4 À partir de 7 heures, le tram passe toutes les dix minutes à l’arrêt qui se trouve
devant la maison d’Ayana.
Le moment d’arrivée d’Ayana à l’arrêt du tram est modélisé par la variable aléa-
toire X exprimée en minutes après 7 heures. On suppose que X suit la loi uni-
forme sur l’intervalle 0 ; 20 .
Quelle est la probabilité qu’Ayana attende le tram moins de deux minutes ?
Quelle est la probabilité qu’Ayana attende le tram plus de cinq minutes ?
Exercice 5 Soit X une variable aléatoire suivant la loi uniforme sur 0 ; 1 . Déterminer la loi
de probabilité de la variable aléatoire T où T est la première décimale de X.
22 Séquence 7 – MA01
B Pour débuter
Loi binomiale
Loi binomiale
n=40 p=0,2
n=50 p=0,7
0,18 0,140
0,16
probabilité P(X=k)
0,120
0,14
probabilité P(X=k)
0,12 0,100
0,1 0,080
0,08
0,060
0,06
0,04 0,040
0,02
0,020
0
0
2
4
6
8
10
12
14
16
18
20
20
22
24
26
28
30
32
34
36
38
40
0
0
3
6
9
12
15
18
21
24
27
30
33
36
39
42
45
48
Valeurs de k Valeurs de k
Séquence 7 – MA01 23
X − np
Ainsi, à la variable aléatoire X, on associe la variable aléatoire Z =
np (1− p )
(cette formule ne peut pas être justifiée ici).
Loi de Z
Z=(X–np)/rac(np(1–p)) n=50 et p=0,7
0,15
–10,8
–10,18
–9,57
–8,95
–8,33
–7,72
–7,1
–6,48
–5,86
–5,25
–4,63
–4,01
–3,39
–2,78
–2,16
–1,54
–0,93
–0,31
0,31
0,93
1,54
2,16
2,78
3,39
4,01
4,63
0
Valeurs de Z
Toutes les variables aléatoires Z définies à partir d’une loi binomiale ont des
représentations graphiques qui ont la même allure. Elles sont seulement plus ou
moins « étalées », le maximum est plus ou moins grand.
Changement de représentation
Les sommets des bâtons semblent dessiner une courbe, qui est de plus en plus
« visible » quand n grandit.
Pour définir cette courbe, puis utiliser une probabilité à densité, on change de
représentation. On passe des diagrammes en bâtons où les probabilités sont
représentées par la hauteur des bâtons, à des rectangles où les probabilités sont
représentées par les aires des rectangles.
Les deux représentations sont illustrées ci-dessous sur un exemple où n n’est pas
très grand.
O 1
24 Séquence 7 – MA01
0,2 t densité
loi de X : B(n,p)
n = 20 et p = 0,7
Z = (X–14)/ 4,2 probabilité : 0,025
O 1
Les bords supérieurs des rectangles font apparaître une courbe régulière et symétrique.
Séquence 7 – MA01 25
0,4
les aires des rectangles deviennent
de plus en plus proches des aires
0,3
correspondantes limitées par la
0,2
courbe représentant la fonction f et
l’axe des abscisses : les probabilités
0,1
)
P (a ≤ Z ≤ b sont de plus en plus
0 t2
b 1 −
–4 –3 –2 –1 0 1 2 3 4
proches de
∫a 2π
e 2 dt .
26 Séquence 7 – MA01
entière ?
Justifier que f semble donc être une densité de probabilité.
C Cours
a) Définition
Propriété 7
x2
1 −
La fonction définie sur par f ( x ) = e 2 est une densité de pro-
babilité. 2π
La fonction a été étudiée dans l’activité 5. C’est une fonction continue à valeurs
positives, on admet que l’aire sous la courbe est égale à 1u.a.
1/ 2π ≈ 0,4
Remarque
Séquence 7 – MA01 27
Propriété 8
Soit X une variable aléatoire qui suit la loi normale centrée réduite ᏺ(0 ; 1),
on a :
1
P ( X ≤ 0) = P ( X ≥ 0) = .
2
Démonstration La courbe de la fonction de densité de la loi normale centrée réduite ᏺ(0 ; 1) est
symétrique par rapport à l’axe des ordonnées, donc les mesures des aires égales
( ) ( ) (
aux probabilités P X ≤ 0 et P X ≥ 0 sont égales, P X ≤ 0 = P X ≥ 0 . ) ( )
P(X 0) Ꮿf P(X 0)
28 Séquence 7 – MA01
La fonction de densité de la loi normale centrée réduite ᏺ(0 ; 1) n’a pas de pri-
mitive explicite, c’est-à-dire qu’il est impossible de l’exprimer algébriquement
(somme, produit…) à partir des fonctions usuelles (polynômes, exponentielle,
logarithme…). Les calculatrices et les tableurs permettent de calculer des valeurs
approchées des intégrales (voir le cours d’intégration), mais ils permettent aussi
d’obtenir directement des valeurs approchées de certaines probabilités liées à
la loi normale. Les calculs des probabilités de la forme P (a ≤ X ≤ b ), P ( X ≤ c )
et P ( X ≥ c ), a, b et c étant des nombres réels donnés, seront expliqués dans la
partie 2. où sont étudiées toutes les lois normales.
Donnons ici un résultat particulier à la loi normale centrée réduite :
À savoir
)
P ( −1, 96 ≤ X ≤ 1, 96 ≈ 0, 95.
Écart-type
Remarque
Par analogie avec l’écart-type d’une série statistique, on
On emploie souvent le mot définit aussi l’écart-type σ( X ) d’une variable aléatoire X
moyenne pour désigner l’espé- et ce nombre est un indicateur de dispersion.
rance. On admettra que l’écart-type de la loi normale centrée
réduite est égal à 1.
Séquence 7 – MA01 29
Quand la variable aléatoire X suit la loi normale centrée réduite ᏺ(0 ; 1),
on a : E( X ) = 0 et σ( X ) = 1.
Définition 9
2
Une variable aléatoire X suit une loi normale ᏺ(µ ; σ ) si la variable aléa-
X −µ
toire Z = suit la loi normale ᏺ(0 ;1).
σ
Voici un premier exemple de modélisation d’un phénomène concret par une loi
normale.
Exemple 6 Le poids en kg des nouveau-nés à la naissance est une variable aléatoire qui
peut être modélisée par une variable aléatoire suivant la loi normale de moyenne
µ = 3, 3 et d’écart type σ = 0, 5. La probabilité qu’un nouveau-né pèse moins de
2,5 kg à la naissance est donc : P ( X < 2, 5). Avec une calculatrice (l’explication
est donnée un petit peu plus loin), on trouve P ( X < 2, 5) ≈ 0, 054 à 10−3 par
défaut.
Ainsi, le risque qu’un nouveau-né soit d’un poids inférieur à 2,5 kg est un peu
supérieur à 5 %.
Exemple 7 On a représenté ci-après les courbes des fonctions de densité de cinq lois normales.
On observe que chaque courbe semble symétrique par rapport à la droite d’équa-
tion x = µ.
30 Séquence 7 – MA01
ᏺ (1;1)
ᏺ (0;1)
ᏺ (0;4) ᏺ (1;4)
O 1
Propriété 10
σ( X ) = σ.
À savoir
Séquence 7 – MA01 31
P ( X ≤ c ) et P ( X ≥ c )
Les calculatrices étudiées ne font pas le calcul directement.
Pour P ( X ≤ c ), on utilise l’approximation P ( X ≤ c ) ≈ P ( −1099 ≤ X ≤ c ) où on
néglige P ( X < −1099 ). Et on est ramené au cas précédent.
32 Séquence 7 – MA01
et on trouve P ( X ≤ 8 ) ≈ 0, 9937903.
P (a ≤ X ≤ b ) = P ( X ≤ b ) − P ( X ≤ a ) car P ( X < a ) + P (a ≤ X ≤ b ) = P ( X ≤ b )
(probabilité de l’union de deux événements incompatibles ou aire de l’union
de deux ensembles disjoints).
Séquence 7 – MA01 33
Propriété 11
P ( µ − σ ≤ X ≤ µ + σ ) ≈ 0, 68 (à 10−2 près)
P ( µ − 2σ ≤ X ≤ µ + 2σ ) ≈ 0, 95 (à 10−2 près)
0,68
µ
µ– µ+
34 Séquence 7 – MA01
µ
µ–2 µ+2
0,997
µ
µ–3 µ+3
X −µ
Démonstration On a µ − σ ≤ X ≤ µ + σ ⇔ − σ ≤ X − µ ≤ σ ⇔ −1 ≤ ≤ 1.
σ
X −µ
Donc P ( µ − σ ≤ X ≤ µ + σ ) = P −1 ≤ ≤ 1 = P ( −1 ≤ Z ≤ 1) avec
σ
X −µ
Z= . Comme la variable aléatoire Z suit la loi normale ᏺ(0 ; 1), la cal-
σ
culatrice permet de faire le calcul et on trouve environ 0,68.
X −µ
De même P ( µ − 2σ ≤ X ≤ µ + 2σ ) = P −2 ≤ ≤ 2 = P ( −2 ≤ Z ≤ 2) ≈ 0, 95
σ
X −µ
et P ( µ − 3σ ≤ X ≤ µ + 3σ ) = P −3 ≤ ≤ 3 = P ( −3 ≤ Z ≤ 3) ≈ 0, 997..
σ
Ainsi, environ 68 % des réalisations d’une variable aléatoire suivant la loi nor-
µ − 3σ ; µ + 3σ .
Séquence 7 – MA01 35
Exercice 6 Soit X une variable aléatoire suivant la loi normale centrée réduite.
Calculer :
a) P ( −0, 5 ≤ X ≤ 1, 3) ; b) P ( X ≤ −1) ; c) P ( X ≥ 1, 8 ).
Déterminer le réel x tel que P ( X ≤ x ) = 0, 8.
Calculer
a) P (10 ≤ X ≤ 14 ) ; b) P ( X ≤ 13) ; c) P ( X ≥ 7).
Déterminer le réel x tel que P ( X ≤ x ) = 0, 9.
2
1 C
O 1
4
36 Séquence 7 – MA01
Exercice 10 Une entreprise produit en grande quantité des pièces cylindriques. Soit X la
variable aléatoire qui, à chaque pièce prélevée au hasard dans la production,
associe son diamètre, en millimètres. On admet que la variable aléatoire X suit la
loi normale de moyenne 61,5 mm et d’écart-type 0,4 mm.
Déterminer, dans ces conditions, la probabilité qu’une pièce, tirée au hasard,
ait un diamètre compris entre 60,7 mm et 62,3 mm.
Une pièce est déclarée défectueuse si son diamètre est, soit inférieur à
60,7 mm, soit supérieur à 62, 3 mm. Calculer la probabilité qu’une pièce tirée
au hasard soit défectueuse.
Sachant qu’une pièce n’est pas défectueuse, quelle est la probabilité que son
diamètre soit inférieur à 61mm ?
Exercice 11 La production laitière annuelle, en litres, des vaches laitières de la race « Fran-
çaise Frisonne Pie-Noir » peut être modélisée par une variable aléatoire suivant
la loi normale de moyenne R = 6000 et d’écart-type σ = 400.
Calculer la probabilité qu’une vache de cette race produise entre 5800 et 6200
litres par an.
Calculer la probabilité qu’une vache de cette race produise moins de 5700
litres par an.
Calculer la probabilité qu’une vache de cette race produise plus de 6400 litres par an.
Donner une interprétation concrète du nombre x tel que P ( X < x ) = 0, 30.
Déterminer x.
Calculer la production minimale prévisible des 20% de vaches les plus pro-
ductives du troupeau.
Séquence 7 – MA01 37
I = a ; b I = [a ; + ∞[
b
∫a f (t ) dt = 1
1 1
a O 1 b O a 1
I = ]−∞ ; b ] I = ]−∞ ; + ∞[
1
0,5
O 1 b
O 1
38 Séquence 7 – MA01
Définition 2
Soit f une fonction, définie sur I, qui est une densité de probabilité sur I.
Définition 3
Soit X une variable aléatoire qui suit la loi de densité f sur l’intervalle I.
Soit J1, J 2 ,.., J n des intervalles inclus dans I et disjoints deux à deux.
(
On définit la probabilité de P X ∈J1 ∪ J 2 ∪ ... ∪ J n )
par la somme des probabilités des événements :
( ) ( ) ( )
P X ∈J1 ∪ J 2 ∪ ... ∪ J n = P X ∈J1 + P X ∈J 2 + ... + P X ∈J n . - ( )
Propriété 1
Soit X une variable aléatoire qui suit la loi de densité f sur l’intervalle I, on
a les propriétés suivantes.
d
(
a) Pour tout intervalle J = c ; d de I, on a : P c ≤ X ≤ d = ) ∫c f ( x ) dx .
(
b) Pour tout réel α de I, on a : P X = α = 0. )
c) Pour tous réels c et d de I,
) ) )
P (c ≤ X ≤ d = P (c < X ≤ d = P (c ≤ X < d = P (c < X < d . )
(
d) Soit J un intervalle inclus dans I, on a : P X ∈J = 1− P X ∈J . ) ( )
Séquence 7 – MA01 39
( )
Soit I’ un intervalle de I tel que P X ∈I ' ≠ 0 et soit J un autre intervalle
(
PX ∈I ' X ∈J =
P X ∈J ∩ I '
)
( .
)
P X ∈I ' ( )
2. Lois uniformes
Définition 5
Propriété 3
( )
P X ∈c ; d = P (c ≤ X ≤ d = d − c . )
Définition 6
Une variable aléatoire suit une loi uniforme sur l’intervalle a ; b , avec a b,
1
si sa densité est la fonction définie sur a ; b par f ( x ) = .
b −a
0,25
a = –1 c O 1 d b=3
40 Séquence 7 – MA01
( )
P X ∈c ; d = P (c ≤ X ≤ d =
d −c
b −a
)
.
Définition 7
Propriété 6
L’espérance E( X ) d’une variable aléatoire X suivant une loi uniforme sur
a+b
a ; b est telle que : E( X ) = .
2
3. Lois normales
Dans le monde qui nous entoure, beaucoup de phénomènes sont dus à l’ad-
dition d’un grand nombre de petites perturbations imprévisibles élémen-
taires, chacune pouvant être modélisée par une variable de Bernoulli. La
somme de ces petites perturbations donne lieu à des lois binomiales. La loi
normale (centrée réduite) est apparue dans cette séquence comme le pro-
longement de lois binomiales lorsque le paramètre n devient grand. C’est
pour cela qu’on qualifie la loi normale de « loi limite ». C’est aussi pour cela
qu’elle intervient si souvent dans les phénomènes de la nature et explique
qu’elle soit si importante.
Séquence 7 – MA01 41
Une variable aléatoire X suit la loi normale centrée réduite ᏺ(0 ; 1) si, pour tous
x2
b b −
( )
réels a et b tels que a < b , on a : P a ≤ X ≤ b =
∫a f ( x ) dx = ∫a
1
e 2 dx .
2π
Définition
ᏺ (3;0,25)
ᏺ (1;1)
ᏺ (0;1)
ᏺ (0;4) ᏺ (1;4)
O 1
42 Séquence 7 – MA01
Calculs
P ( µ − σ ≤ X ≤ µ + σ ) ≈ 0, 68 (à 10−2 près)
P ( µ − 2σ ≤ X ≤ µ + 2σ ) ≈ 0, 95 (à 10−2 près)
0,68
µ
µ– µ+
µ–2 µ+2
µ–3 µ+3
Séquence 7 – MA01 43
Soit un cercle Ꮿ de rayon 1, le côté d’un triangle équilatéral inscrit dans ce cercle
est alors égal à 3.
Le but de cet exercice est d’étudier différentes méthodes pour déterminer la pro-
babilité qu’une corde du cercle, choisie au hasard, ait une longueur supérieure
à 3.
I
3 3 O
I O
3 E 3
B C
Première méthode.
44 Séquence 7 – MA01
Une confiserie produit des plaques de chocolat. On admet que la variable aléa-
toire égale au poids d’une plaquette de 125 g suit une loi normale d’espérance
µ = 125 et d’écart-type σ = 0, 5.
La plaquette est jugée conforme lorsque son poids est compris entre µ − 3σ et
µ + 3σ.
Calculer la probabilité qu’une plaquette prélevée aléatoirement au hasard en
fin de chaîne soit non conforme.
Pour contrôler le réglage de la machine, on détermine des poids d’alerte µ − h
et µ + h tels que P ( µ − h ≤ X ≤ µ + h ) = 0, 99.
Ces poids d’alerte sont inscrits sur une carte de contrôle et correspondent à une
marge de sécurité en lien avec des normes de conformité.
Déterminer ces poids d’alerte.
Séquence 7 – MA01 45