Vous êtes sur la page 1sur 13

Livre 5 - 00 Savoir.fm Page 1 Lundi, 20.

octobre 2014 5:59 17

Savoir

SAVOIR

A Rappels utiles
1 Epreuve de Bernoulli :

Une épreuve de Bernoulli est une expérience aléatoire qui ne comporte que deux issues :

. « succés » avec une probabilité p .


. « échec » avec une probabilité  1 – p  .
2 Schéma de Bernoulli :

Un schéma de Bernoulli est une succession d’épreuves de Bernoulli, identiques et in-


dépendantes les unes des autres.
Notons que les tirages se font avec remise.

3 La loi binomiale :

La loi binomiale découle d’un schéma de Bernoulli. Dans ces conditions, la probabi-
lité d’obtenir «  » succés sur « n » épreuves indépendantes (ou avec remise) est :

n  n–
PX =  =   p 1 – p .
 

Notons que : .  n = !-----------------------


n! -
 n –  !
,

. les n épreuves sont indépendantes, elles comportent chacune deux
issues (succés, échec) et sont identiques.

4  sur la loi binomiale :


a . Notation :

Soit X une variable aléatoire qui suit une loi binomiale de paramètres :

n = 30 et p = 0 4 .

1
Livre 5 - 00 Savoir.fm Page 2 Lundi, 20. octobre 2014 5:59 17

Savoir

On note : X ⳡ B  n ; p  , cad X ⳡ B  30 ; 0 4  .

b . Espérance et variance :

Soit X ⳡ B  n ; p  : E  X  = n . p et V  X  = n . p.  1 – p  .

B Variable aléatoire continue


1 Définition :

Une variable aléatoire continue X est une fonction qui, à chaque issue d’une expé-
rience, associe un nombre réel d’un intervalle I de ⺢ , ou ⺢ tout entier.

2 Remarque 1 :

. En continue,  et  ou  et  : c’est la même chose ! !


. Ainsi, l’événement la  variable aléatoire X est comprise entre a et b  a b  ⺢ 
s’écrit : aXb
ou a  X  b
ou a  X  b
ou a  X  b 

. De plus : P a  X  b = Pa  X  b 
= Pa  X  b
= Pa  X  b 

3 Remarque 2 :

. En continu : P  X =   = 0 , always !
C Densité de probabilité
1 Définition :

Une densité de probabilité sur  a b  est une fonction f définie, continue, positive sur
b
 a b  , et telle que : a f  x  dx = 1.

2
Livre 5 - 00 Savoir.fm Page 3 Lundi, 20. octobre 2014 5:59 17

Savoir

2 Traduction :

f est une densité de probabilité sur  a b  ssi :


a . f est continue par morceaux (ce sera toujours le cas, juste le dire) ;

b
b.
 a f  x  dx = 1;

c .  x  ⺢ f  x   0 .

3 Exemple :

2
Soit la fonction f définie sur  0 1  par : f  x  = 3x .

Montrons que f est une densité de probabilité :

 2
f  x  = 3x , x   0 1  peut s’écrire : f  x  =  3x si x   0 1  .
2

 0 sinon

a . Ici, f est continue par morceaux.

1 1
0 0 3x
2
b. f  x  dx = dx

3 1
=  x 0
= 1.
1
Nous avons donc bien : 0 f  x  dx = 1.

c. . si x   0 1  , f  x  = 3x2  0 ,
. si x   0 1  , f  x  = 0  0 .
Donc x  ⺢ , f  x   0 .

Au total, f est bien une densité de probabilité sur  0 1  .

3
Livre 5 - 00 Savoir.fm Page 4 Lundi, 20. octobre 2014 5:59 17

Savoir

D Fonction de répartition
1 Définition :

Soit X une variable aléatoire continue. On appelle fonction de répartition de X , la


fonction F , à valeurs dans  0 1  , définie par :

 x  ⺢ F  x  = P  X  x 
= PX  x
x
= – f  t  dt
x
= lim
a  – a  f  t  dt.

2 A quoi ça sert ?

Une fois que l’on a déterminé F , on est capable de calculer toutes les probabilités sui-
vantes :
. Pc  X  d = Fd – Fc
. Pc  X  d = Fd – Fc
. Pc  X  d = Fd – Fc
. Pc  X  d = Fd – Fc
. PX  d  = F d
. PX  d  = F d
. PX  d  = 1 – PX  d  = 1 – P X  d
. PX  d  = 1 – PX  d  = 1 – P X  d .

3 Exemple :

Soit X une variable aléatoire dont la densité est :


3
 ------ x  4 – x  si x   0 4 
f  x  =  32 .
 0 sinon

4
Livre 5 - 00 Savoir.fm Page 5 Lundi, 20. octobre 2014 5:59 17

Savoir

Calculons P  1  X  3  :
a . Rédaction 1 :

Soit F , la fonction de répartition de X .


x
Nous savons que : F  x  = P  X  x  = – f  t  dt .
Distinguons 3 cas :

. si x  0 F  x  = 0 .
. si x   0 4  F  x  = x f  t  dt
0

3 x

2
= ------  4t – t  dt
32 0
3 x
3 2 t
= ------ 2t – ----
32 3 0
2 3
3x x
= -------- – ------ .
16 32

. si x  4 F  x  = 1 .
 0 si x  0

 2 x3
Au total : F  x  =  3x
-------- – ------ si x   0 4  .
 16 32
 1 si x  4

Dans ces conditions :


2 3
33 3 
P  1  X  3  = F  3  – F  1  =  ------------- – ---------- –  ------ – ------ .
3 1
 16 32   16 32

11
En résumé : P  1  X  3  = ------ .
16

5
Livre 5 - 00 Savoir.fm Page 6 Lundi, 20. octobre 2014 5:59 17

Savoir

b . Rédaction 2 :
3
Nous savons que : P  1  X  3  = 1 f  x  dx .
3
3
P1  X  3 = 1 -----
32
- x  4 – x  dx
11
 P  1  X  3  = ------ .
3 3 16
= ------  2x – x-----
3 2
32  3 1

E Espérance mathématique
1 Définition et formule :

L’espérance mathématique d’une variable aléatoire X dont la densité de probabilité f


est définie sur un intervalle fermé  a b  est :

b
EX = a x f  x  d x .

2 Autres formules de l’espérance :

+
EX = –  x f  x  d x (a)

b
ou E  X  = lim
b  + a x f  x  dx (b)

b
ou E  X  = lim
a  – a x f  x  d x (c).

3 Propriétés de l’espérance mathématique :

3
Soient X et Y deux variables aléatoires et  a b c   ⺢ :

. E  aX + b  = aE  X  + b
. E  aX + bY + c  = aE  X  + bE  Y  + c .

6
Livre 5 - 00 Savoir.fm Page 7 Lundi, 20. octobre 2014 5:59 17

Savoir

F Loi uniforme sur  a b 


1 Définition :

Une variable aléatoire X suit une loi uniforme sur l’intervalle  a b   a  b  lorsque
1
sa densité de probabilité f est la fonction constante sur  a b  , de valeur : ------------ .
b–a

On note : X ⳡ ᐁ  a b  .

2 Traduction :

 1
 ------------ si x   a b 
X ⳡ ᐁ  a b  ssi : f  x  =  b – a .
 0 sinon

3 L’espérance mathématique d’une loi uniforme sur  a b  :


+ b
EX = –  x f  x  dx  E  X  = a x f  x  dx .
b 2 b
x - x
D’où : E  X  = a -----------
b–a
dx  E  X  = --------------------
2b – a a
2 2
b –a b – a b + a
 E  X  = --------------------  E  X  = ----------------------------------
2b – a 2b – a

b+a a+b
 E  X  = ------------ ou E  X  = ------------ .
2 2

+ a b +
 : Car d’après Chasles : – x f  x  dx = – x f  x  dx + a x f  x  dx + b x f  x  dx

a
= b x f  x  dx
a +
du fait que : –  x f  x  dx = 0 et b x f  x  dx = 0 .

7
Livre 5 - 00 Savoir.fm Page 8 Lundi, 20. octobre 2014 5:59 17

Savoir

4 La variance :

2
b – a
V  X  = ------------------- .
12

5 Calcul de la probabilité P ♥  X  ❒ :

P♥  X  ❒ = ♥ f  x  d x
❒ 1 -
= ♥ -----------
b–a
dx

x ❒
= ------------
b–a ♥
❒–♥
 P  ♥  X  ❒  = -------------- .
b–a

G Loi exponentielle sur  0 +


1 Définition :

Une variable aléatoire X suit une loi exponentielle de paramètre     0  sur l’inter-
valle  0 +  lorsque sa densité de probabilité f est :
– x
x   0 + , f  x  = e , et on note : X      .

2 Traduction :

 –x si x   0 + 
X ⳡ     ssi : f  x  =  e .
 0 sinon

3 L’espérance mathématique d’une  :


+
EX = – x f  x  dx (1)

8
Livre 5 - 00 Savoir.fm Page 9 Lundi, 20. octobre 2014 5:59 17

Savoir

+
1   E x= 0 x f  x  dx (2)

b
2   E x= lim
b  +  0 x f  x  dx (3)

3   E X = 1   .

4 La variance :

2
VX = 1   .

5 Calcul de la probabilité P ♥  X  ❒ :


P♥  X  ❒ = ♥ f  x  dx
❒ – x
= ♥ e dx

– x ❒
=  –e ♥
– ♥ – ❒
 P ♥  X  ❒ = e –e .

6 Autres probabilités :

. PX  c = 1 – e
– c

. PX  c = e
– c
.

H Loi normale centrée réduite


1 Définition :

Une variable aléatoire X suit une loi normale centrée réduite si sa densité de probabi-
lité s’écrit :
2
–x
--------
1 2
f  x  = ---------- e  x  ⺢ .
2
9
Livre 5 - 00 Savoir.fm Page 10 Mardi, 21. octobre 2014 9:21 21

Savoir

2 Notations :

On écrit : X ⳡ N  0 ;1  .

3 L’espérance mathématique d’une N  0 ,1  :

E  X  = 0 ou  = m = 0 .

4 La variance d’une N  0 ,1  :
2
V  X  = 1 ou  = 1 .

5 Propriétés :

. P  –1 ,96  X  1 ,96  = 0 ,95 .


. P  X  0  = P  X  0  = P  X  0  = P  X  0  = 1--2- .
. PX  U = PX  U .
. PX  U = PX  U = 1 – P X  U = 1 – PX  U  .
. P  X  –U  = P  X  –U  = 1 – P  X  U  = 1 – P  X  U  .
. P  X  –U  = P  X  –U  = P  X  U  = P  X  U  .
. P  –U  X  U  = P  –U  X  U 
= P  –U  X  U 
= P  –U  X  U 
= 2P  X  U  – 1
= 2P  X  U  – 1.

I Loi normale N   ;  2 
1 Définition :

10
Livre 5 - 00 Savoir.fm Page 11 Lundi, 20. octobre 2014 5:59 17

Savoir

2
Une variable aléatoire X suit une loi normale de paramètres m  ou   et  si sa den-
sité s’écrit :
2
– x – m 
------------------------
2
1 2
f  x  = -------------------  e , x  ⺢ .
2  

2 Notations :

2 2
On écrit : X ⳡ N  m ;  ou X ⳡ N   ; .

2
3 L’espérance mathématique d’une N   ;  :

EX =  = m .

2
4 La variance d’une N   ;  :

2
VX =  .

5 Autre notation :

XⳡNEX ; VX .

6 Propriétés à connaître :

2
Si X ⳡ N   ;   , alors :

X–
a . ------------- ⳡ N  0 ,1  .

On dit :  on centre et on réduit la variable aléatoire X  .

b. . P   –   X   +    0 ,683 .
. P   – 2  X   + 2   0 ,954 .

11
Livre 5 - 00 Savoir.fm Page 12 Lundi, 20. octobre 2014 5:59 17

Savoir

. P   – 3  X   + 3   0 ,997 .
7 Théorème de Moivre-Laplace :

a . Son but :

Ce théorème permet d’approximer une loi binomiale par une loi normale.

b . Enoncé :

. Soient X un variable aléatoire qui suit une loi B  n p  , et Z la variable aléatoire :


– E  X - = --------------------------
X – np - .
Z = X
---------------------
X np  1 – p 

(car quand X ⳡ B  n p  : E  X  = np et V  X  = np  1 – p  ).

. Pour tous nombres a et b tels que a  b :


b
lim P  a  Z  b  =
n  + a   t  dt ,  étant la densité de probabilité d’une N  0 ,1  .

c . Conditions d’application de ce théorème : n  30 , np  5 , np  1 – p   5 .

Ainsi, on pourra approximer une loi binomiale par une loi normale uniquement
lorsque ces trois conditions sont vérifiées.

En résumé :

. si X ⳡ B  n p  

. si n  30 
 ALORS, on peut approximer X par une loi normale :
. si np  5  N  np ; np  1 – p  .
. si np  1 – p   5 

12