Académique Documents
Professionnel Documents
Culture Documents
9:17 1
Théorie des Probabilités
9:17 https://www.facebook.com/ecours/ 2
Expérience aléatoire
on pourra citer:
1. Lancement d'une pièce de monnaie
2. Tirage d'une boule dans un urne
3. Tirage d’une carte , ..
9:17 https://www.facebook.com/ecours/ 3
Événement aléatoire
Un événement aléatoire est un résultat observable à
l'issue d'une certaine expérience.
Un événement aléatoire est une partie de l'univers,
formée d'une ou de plusieurs issues possibles
Exemple:
Une expérience aléatoire: jetter d’un dé à 4 faces
9:17 https://www.facebook.com/ecours/ 7
Exemple:
Si on jette un dé à 8 faces non truqué: Ω = {1; 2;3; 4;5;6;7;8}
et le cardinal de Ω est égal à 8 on note (#Ω = 8).
A est l’événement "un nombre pair est tiré" alors A= {2;4;6;8}
B est l’événement "un nombre impair est tiré" alors B = {1;3;5;7}
8 7
9:17 https://www.facebook.com/ecours/ 8
Exemple:
C est l’événement "un nombre ≥ 4" alors C= {4;5;6;7;8}
D est l’événement élémentaire "le plus petit nombre" alors D= {1}
8 7
C
9:17 https://www.facebook.com/ecours/ 9
La probabilité
Définition :
Une probabilité est un nombre compris entre 0 et 1, associé à un
événement. Elle indique les chances de réalisation de cet
événement au cours d’une expérience aléatoire.
L’évènement « obtenir 2 »
Les chances de réalisation de cet événement est 2/5
le cardinal de Ω est égal à 5 on note (#Ω = 5).
9:17 https://www.facebook.com/ecours/ 11
Probabilité d’un évènement
P(A) représente la probabilité associée à l’événement A.
La probabilité P(A) est donnée par la formule :
nombre de cas favorables
P(A) =
nombre de cas possibles
On a des boules numérotés de 1 à 20
les résultats possibles sont les nombres entre 1 et 20.
L’univers Ω est l’ensemble des six résultats possibles:
Ω = {1, 2, 3, 4, 5, 6, ……. 19,20}.
1 1 1 15
P(B) = + + ...... + =
20 20 20 20
9:17 https://www.facebook.com/ecours/ 13
Equiprobabilité
Définition : Pour une expérience aléatoire, lorsque tous
les évènements élémentaires ont la même probabilité, on
dit qu’il s’agit d’une situation d’équiprobabilité.
Evénements contraires
Propriété : L’évènement contraire d’un évènement A se
note non A ou A . L’évènement A est réalisé lorsque
l’évènement A n’est pas réalisé: P ( A) + P A = 1 ()
Exemple : les évènements P « obtenir un nombre pair » et
I « obtenir un nombre impair » sont des évènements
contraires.
P (P ) + P (I ) = 1 P (P ) = 1 − P (I ) = 1 − =
3 2
9:17 https://www.facebook.com/ecours/
5 5 15
Utilisation l’arbre de probabilité
Exemple : On lance une pièce de monnaie puis on tire une
boule dans une urne contenant 5 boules rouges et une
verte.
On peut représenter cette expérience à deux épreuves par
un arbre pondéré.
9:17 https://www.facebook.com/ecours/ 16
Utilisation l’arbre de probabilité
Propriété : Dans un arbre pondéré, la probabilité de
l’évènement auquel conduit un chemin est égal au produit des
probabilités rencontrées le long de ce chemin. La multiplication
Exemple :
P ((P; R )) =
1 5 5
=
2 6 12
P ((P;V )) = =
1 1 1
2 6 12
P ((F ; R )) = =
1 5 5
2 6 12
P ((F ;V )) = =
1 1 1
2 6 12
9:17
Pi = 1
https://www.facebook.com/ecours/ 17
Axiomes d’une probabilité.
Propriété : Une probabilité doit satisfaire aux axiomes suivants :
1. p(A ∪ B) = p(A) + p(B) - p(AB).
2. p(A) = 1 - p(A).
3. P(B−A)=P(B)−P(B∩A)
9:17 https://www.facebook.com/ecours/ 18
Axiomes d’une probabilité.
Propriété : Une probabilité doit satisfaire aux axiomes suivants :
1. p(A ∪ B) = p(A) + p(B) - p(AB).
2. p(A) = 1 - p(A).
3. P(B−A)=P(B)−P(B∩A)
A
9:17 https://www.facebook.com/ecours/ 19
Événements incompatibles
On considère deux événements A et B.
a) On dit que A et B sont deux événements incompatibles
Si A∩B =∅.
Pr (A ∪ B) = Pr (A) + Pr (B)
Exemple
Si on jette un dé à 6 faces
A est l’événement "un nombre pair "
B est l’événement "un nombre impair "
9:17 https://www.facebook.com/ecours/ 21
Exercice
2) On a p(A)=0.4 et p(B)=0.6
et A et B sont incompatibles
• Calculer p(AUB)
9:17 https://www.facebook.com/ecours/ 22
Probabilité conditionnelle
.
Définition :
Pour tout événement A, on appelle probabilité
conditionnelle de A sachant B, le nombre
P( A B)
P( A | B) =
P( B)
Exemple
On lance 2 dés équilibrés.
On observe l’événement A = {au moins un des deux dés donne 2}
et de l’événement B = {somme des 2 dés = 8}.
Quelle est la probabilité P ( A | B ) et P ( B | A) ?
9:17 https://www.facebook.com/ecours/ 23
Probabilité conditionnelle
1 2 3 4. 5 6
1 11 12 13 14 15 16
2 21 22 23 24 25 26
3 31 32 33 34 35 36
4 41 42 43 44 45 46
5 51 52 53 54 55 56
6 61 62 63 64 65 66
A = {au moins un des deux dés donne 2}: des résultats contiennent un 2 ou plus
{A = {(2, 1), (2, 2) (2, 3 ), (2, 4 ), (2, 5 ),(2, 6 ) , (1, 2 ), (3, 2 ), (4, 2 ), (5, 2), (6, 2)}
B = {somme des 2 dés = 8}: .
B = {(2, 6), (3, 5), (4, 4), (5, 3), (6, 2)}
2+6=8
A B = {(2, 6), (6, 2)} :
les résultats qui se trouvent dans A et B
9:17 24
https://www.facebook.com/ecours/
Probabilité conditionnelle
.
P( B | A) 3 31 32 33 34 35 36
4 41 42 43 44 45 46
5 51 52 53 54 55 56
6 61 62 63 64 65 66
11 2
P ( A) = P( A B) =
36 36
2
P( A B ) 36 2
P( B | A) = = =
P( A) 11 11
36
9:17 26
https://www.facebook.com/ecours/
Utilisation l’arbre de probabilité: Tirage avec remise
Exemple : On tire de boule avec remise dans une urne contenant 5
boules rouges et une verte.
P ((R; R )) = =
5 5 25
6 6 36
P ((R;V )) = =
5 1 5
6 6 36
( ) 1 5
P( V ; R ) = =
5
6 6 36
P ((V ;V )) =
1 1 1
=
6 6 36
5 1 5
P ( (R;V )) = P ( R V ) = P ( R ) P (V ) = =
6 6 36
Après chaque tirage, la boule est remise dans l'urne:
Le nombre des boules reste le même
9:17 Pi = 1 https://www.facebook.com/ecours/ 27
Utilisation l’arbre de probabilité: Tirage sans remise
Exemple : On tire de boule avec remise dans une urne contenant 5
boules rouges et une verte.
P ((R; R )) = =
5 4 20
6 5 30
P ((R;V )) = =
5 1 5
6 5 30
P ((V ; R )) = =
1 5 5
6 5 30
P ((V ;V )) = =
1 0 0
6 5 36
5 1 5
P ((R;V )) = P ( R V ) = P ( R ) P (V / R ) = =
6 5 30
Après chaque tirage, la boule n’est pas remise dans l'urne:
Le nombre des boules se diminue
9:17 Pi = 1 https://www.facebook.com/ecours/ 28
Événements indépendants
L’événement A est indépendant de l’événement B si:
P( A | B ) = P( A) P( B | A) = P( B)
P( A B )
P( A / B ) =
P( B )
P( A B )
P( A / B ) = P( A) =
P( B )
P( A B) = P( A) P( B)
P( A B )
P( B / A) = P( B ) =
P( A)
P( A | B ) = P( A)
L’événement A est indépendant de l’événement B si: P( B | A) = P( B)
P( A B) = P( A) P( B)
9:17 https://www.facebook.com/ecours/ 29
Exemple
On lance deux fois une pièce de monnaie et on considère
les événements P
P
2 1
P( A) = =
4 2
9:17 https://www.facebook.com/ecours/ 30
2 1
P( B ) = =
4 2 P
P
1 F
P( A B ) = P
4 F
F
1
1
P( A | B) = P( A B) / P( B) = 4 = = P( A)
1 2
2
1 1 1
P( A) P( B ) = = = P( A B )
2 2 4
9:17 https://www.facebook.com/ecours/ 32
Exemple :
• Soit une urne contenant 10 boules blanches, 20
noires et 30 rouges.
• On tire 2 boules SANS remises.
• Calculer la Probabilité que la première soit noire (événement
A) et la deuxième soit blanche (événement B) ?
A et B sont dépendants: le nombre
des boules change
P ( A B ) = P ( B | A) P ( A)
20 1
P ( A) = =
60 3 10B 20N 10B 19N
30R 30R
10
P ( B / A) =
59 1 tirage :60 choix 2 tirage
10 1 10 59 choix
P ( A B ) = P ( B | A) P ( A) = =
59 3 177
9:17 https://www.facebook.com/ecours/ 33
Loi de Bayes
La loi de Bayes lie les probabilités conditionnelles de deux
événements. P( A) 0, P( B) 0
P( A B) = P( A | B) P( B)
P( A B) = P( B | A) P( A)
P( A | B) P( B) = P( A B) = P( B | A) P( A)
P( A | B) P( B) = P( B | A) P( A)
P( B | A) P( A)
P( A | B) =
P( B)
9:17 https://www.facebook.com/ecours/ 34
Loi de Bayes
Théorème de Bayes
les événements B et Ai se produisent en même temps. Le théorème
des probabilités composées donne :
n n
P ( B ) = ( B Ai ) = P ( B | Ai ) P ( Ai )
i =1 i =1
P ( B Ai ) P ( B | Ai ) P ( Ai )
P ( Ai | B ) = =
P( B ) P( B )
P ( B | Ai ) P ( Ai )
P ( Ai | B ) = n
9:17 P( B | A ) P( A )
i =1
i i
https://www.facebook.com/ecours/ 35
Exemple
Une entreprise a deux fournisseurs différents.
65% des pièces proviennent du fournisseur 1 et le reste
provient du fournisseur 2.
Soit A1 l’événement « la pièce du fournisseur 1 »
et A2 l’événement « la pièce du fournisseur 2 ».
P(A1) = 0,65
9:17 https://www.facebook.com/ecours/ 36
• B « l’événement la pièce est de bonne qualité »
• M « l’événement la pièce est de mauvaise qualité ».
2% des pièces du fournisseur 1 sont de mauvaises qualités et
95% des pièces du fournisseur 2 sont de bonnes qualités .
1) Quelle est la probabilité que la pièce soit de bonne qualité ? P(B)
2) Sachant qu’une pièce est de bonne qualité, quelle est la probabilité qu’elle
provienne du fournisseur 1? P(A1|B)
9:17 37
• B « l’événement la pièce est de bonne qualité »
• M « l’événement la pièce est de mauvaise qualité ».
2% des pièces du fournisseur 1 sont de mauvaises qualités et
95% des pièces du fournisseur 2 sont de bonnes qualités .
1) Quelle est la probabilité que la pièce soit de bonne qualité ? P(B)
2) Sachant qu’une pièce est de bonne qualité, quelle est la probabilité qu’elle
provienne du fournisseur 1? P(A1|B)
P(B|A1) = 1- P(M|A1) P( A1 B )
L’évènement contraire P(B|A1) = 0,98
P(A1) = 0,65
P(M|A1) = 0,02 P( A1 M )
P(B|A2) = 0,95 P( A2 B )
P(A2) = 0,35
P(M|A2) = 0,05
P( A2 M )
9:17 38
1) la probabilité « la pièce est de bonne qualité : P(B)
2 2
P( B) = P(A i B) = P(A i ) . P( B | Ai )
i =1 i =1
9:17 https://www.facebook.com/ecours/ 40
• On connait P(A) = 10/20 = 10/20, P(F) = 1/2
• P(B|A) =9/10 et P(B|F) = 3/10.
• On calcule P(B). P( A B)
P( A | B) =
P( B)
P( B) = P( A B) + P( F B)
P ( B ) = P ( B | A) P ( A) + P ( B | F ) P ( F )
9 1 3 1
P( B) = + = 0.0304
10 2 10 2
P ( A B ) P ( B | A) P ( A)
P( A | B) = =
P( B) P( B)
9 1
P( A B) 10 2 3
P( A | B) = = =
P( B) 9 1 3 1 4
+
9:17 10 2 10 2
https://www.facebook.com/ecours/ 41
• Exercice
• En Afrique, 95% des garçons naissent non
daltoniens et 1% des filles naissent daltoniens.
51% des naissances sont des garçons.
1. Quelle est la probabilité d’avoir des enfants
daltoniens?
2. Quelle est la probabilité de trouver des
garçons daltoniens?
9:17 https://www.facebook.com/ecours/ 42
1) la probabilité « les enfants sont daltoniens? : P(D)
P( D | G ) = 0.05
P( D) = P(G D) + P( F D)
P( D) = P( D | G ) P(G ) + P( D | F ) P( F ) P(G ) = 0.51 P( D | G ) = 0.95
P( F ) = 0.49
P( D | F ) = 0.99
2) la probabilité « garçons daltoniens » P(G | D)
P(G D) P( D | G ) P(G )
P(G | D) = =
P( D) P( D)
P( D) = P( D | G ) P(G ) = 0.05 0.51 = 0.0255
0.0255
P(G | D) = = 0.839
0.0304
9:17 https://www.facebook.com/ecours/ 43
Analyse combinatoire
10:58 1
Variables aléatoires
La loi de probabilité de X:
p1 + p2 + … + pn = 1
Valeur xi x1 x2 … xn
P(X = x i) p1 p2 … pn
10:58 https://www.facebook.com/ecours/ 2
variable aléatoire discrète
Exemple
On lance une pièce de monnaie non équilibrée. La
probabilité P(Pile)=0,6 et P(Face)=0,4.
Si Pile On gagne 10 et Si Face on perd 10 DH.
On associe à chacun des événements correspondants, le
gain en 10 Dirhames avec positif ou négatif.
la loi de probabilité de la variable aléatoire, X
xi 10 - 10
P(X = x i) 0,6 0,4
n
∑ p = 0,4 + 0,6 = 1
1
i
10:58 https://www.facebook.com/ecours/ 3
L'espérance de la loi de probabilité d’une variable aléatoire discrète
p i = p (X = x i )
Exemple
xi 10 - 10
P(X = x i) 0,6 0,4
L'espérance mathématique E de p est .
2
E(X) = µ = ∑ pi x i = 0.6 ×10 + −0.4 ×10
1
E(X) = µ = 2
10:58 https://www.facebook.com/ecours/ 4
La variance et l’écart-
l’écart-type de la loi de probabilité
Définition
La variance de X est :
n n
V(X)= ∑ pi (xi − µ) V(X) = ∑ pi x i − µ 2
2 2
1 1
L’écart-type de X, est la racine carrée de la variance :
σ ( X ) = V(X)
xi 10 - 10
P(X = x i) 0,6 0,4
2
V(X)= ∑ pi (xi − µ) = 0.6× (10− 2) + 0.4× (−10− 2)
2 2 2
1
V(X) = 96
σ (X ) = V(X) = 9 . 798
10:58 https://www.facebook.com/ecours/ 5
Loi de Bernoulli - Loi binomiale
Loi de Bernoulli
Lors d’une expérience aléatoire, on s’intéresse uniquement à la
réalisation d’un certain événement S (appelé « succès ») ou à sa non
réalisation (appelé « échec »)
On appelle loi de Bernoulli de paramètre p la loi de probabilité définie
sur Ω={0;1} par p( 1)=p et p(0)=1−p. B (p)
xi 1 0
E(X ) = p ×1 + q × 0 = p
pi p q n n
V= ∑ p (x
1
i i − µ) =
2
∑ p (x
1
i i − E )2
2S
1S
10:58 https://www.facebook.com/ecours/ 0S 8
Loi binomiale
n=3
n=2
n=1
3S
2S
1S
10:58 https://www.facebook.com/ecours/ 0S 9
Axiome
On obtient donc la loi binomiale de paramètres de paramètres n=3 et p=1/6:
k
n n!
= C n =
k
avec
10:58 k p! × (n − k )!
https://www.facebook.com/ecours/ 10
L'espérance mathématique et La variance
Théorème
B(n,p) est la loi binomiale de paramètres n et p.
L'espérance mathématique E de B(n,p) est E=np ;
La variance V de B(n,p) est V=npq.
On obtient pour la loi binomiale de paramètres de
paramètres n=3 et p=1/6:
1 3 1
E = np = 3 × = =
6 6 2
1 5 15 5
V = npq = 3 × × = =
6 6 36 12
10:58 https://www.facebook.com/ecours/ 11
Exemple: Une urne contient 10 boules (indiscernables au toucher) :
4 boules sont rouges et les autres sont noires. On tire successivement 3 boules de
l’urne en remettant la boule à chaque tirage.
Déterminer et représenter la loi de probabilité de la variable aléatoire X qui
représente le nombre de boules rouges obtenues.
La probabilité d’obtenir une boule rouge est de 4/10=0,4
On a une loi binomiale B(3,0.4)
3 0
P ( X = 0 ) = 0 .4 (1 − 0 .4 ) = 0 .6 3 ≈ 0 .216
3
n k
0 P ( X = k ) = p (1 − p )n−k
k
P ( X = 1) = 0 .41 × (0 .6 ) = 3 × 0 .4 × 0 .6 2 = 0 .432
3
2
n n!
= =
k
1
k Cn p! × (n − k )!
P ( X = 2 ) = 0 . 4 2 × (0 . 6 ) = 3 × 0 . 4 2 × 0 . 6 = 0 . 288
3
1
2
3 3
P ( X = 3) = 0 .4 (1 − 0 .4 ) = 0 .4 3 = 0 .64
0
3
On obtient alors le tableau de la loi de probabilité
xi 0 1 2 3
pi 0.216 0.432 0.288 0.64
10:58 https://www.facebook.com/ecours/ 12
n k
Pour une loi binomiale B(4,0.4) P ( X = k ) = p (1 − p )
n−k
k
4
P( X = 0 ) = × 0 . 4 0 × (1 − 0 . 4 )4 = 0 .6 4 = 0 . 1296 NNNN
0
4 1
P( X = 1) = 0 . 4 × (0 . 6 )3 = 4 × 0 . 4 × 0 . 6 3 = 0 . 3456 RNNN
1
4 2
P( X = 2 ) = 0 .4 × (0 .6 )2 = 6 × 0 .4 2 × 0 .6 2 = 0 .3456 RRNN
2
4 3
P( X = 3) = 0 .4 × (0 .6 )1 = 4 × 0 .4 3 × 0 .61 = 0 .1536 RRRN
3
4
P( X = 4 ) = × 0 .4 4 × (1 − 0 .4 )0 = 0 .4 4 = 0 .0256 RRRR
4
On obtient alors le tableau de la loi de probabilité
xi 0 1 2 3 4
pi 0.1296 0.3456 0.3456 0.1536 0.0256
10:58 https://www.facebook.com/ecours/ 13
Variables aléatoires continues
Définition
Une variable aléatoire X est continue s’il existe une fonction
de densité f(x) telle que sa fonction de répartition F(x) est
égale à : x
P(X ≤ x) = F(x) = ∫ f (t)dt
-∞
x2
P(x1 ≤ X ≤ x 2 ) = F(x) = ∫ f (t)dt
x1
10:58 https://www.facebook.com/ecours/ 15
Variables aléatoires continues
Exemple
La fonction de densité d’une variable aléatoire X est donnée
par :
f(x)=
10:58 https://www.facebook.com/ecours/ 16
Variables aléatoires continues
La fonction de répartition
La fonction de répartition F est donnée par:
10:58 https://www.facebook.com/ecours/ 17
Variables aléatoires continues
10:58 https://www.facebook.com/ecours/ 18
Variables aléatoires continues
10:58 https://www.facebook.com/ecours/ 19
Variables aléatoires continues
10:58 https://www.facebook.com/ecours/ 20
Variables aléatoires continues
10:58 https://www.facebook.com/ecours/ 21
Variables aléatoires continues
a) Les probabilités
10:58 https://www.facebook.com/ecours/ 22
a) Les probabilités
10:58 https://www.facebook.com/ecours/ 23
Variables aléatoires continues : L'espérance
mathématique et La variance
Si X est une variable aléatoire continue prenant ses valeurs
sur un intervalle (a, b), alors l’espérance mathématique de X,
notée E(X), est définie par :
10:58 https://www.facebook.com/ecours/ 24
La loi uniforme
Une variable aléatoire X est définie sur l’intervalle [a, b] avec
une fonction de densité constante .
Densité uniforme
1
b − a a≤ x≤b
f ( x) =
0 sinon
10:58 https://www.facebook.com/ecours/ 25
La loi uniforme
Une variable aléatoire X est définie sur l’intervalle [a, b] avec
une fonction de densité constante .
1
b − a a≤ x≤b
f ( x) =
0 sinon
−∞ a b +∞
f ( x) = 0 f ( x) =
1 f ( x) = 0
b−a
10:58 https://www.facebook.com/ecours/ 26
La loi uniforme
Une variable aléatoire X est définie sur l’intervalle [a, b] avec
une fonction de densité constante .
−∞ a
x−a
b +∞
F ( x) = 0 F ( x) = F ( x) = 1
b−a
10:58 https://www.facebook.com/ecours/ 27
La loi uniforme
Une variable aléatoire X est définie sur l’intervalle [a, b] avec
une fonction de densité constante .
c a ≤ x ≤ b
f (x) =
0 sinon
f ( x)dx = 1 ⇒ ∫ c dx = 1 ⇒ [cx] = 1
+∞ b
∫
b
a
−∞ a
[cx] = 1 ⇒ c(b − a) = 1 ⇒ c =
b 1
(b − a )
a
1
b − a a≤ x≤b
f ( x) =
Densité uniforme
0 sinon
10:58 https://www.facebook.com/ecours/ 28
L’espérance et la variance de la loi uniforme
L’espérance mathématique et la variance de la loi uniforme
est égale à :
b
+∞ b x 1 x 2
∫−∞ x f ( x)dx = ∫a (b − a )
dx = 1 ⇒
2 (b − a ) a
b
1 x
( )
2
1 1
× = b −a = (b − a)(b + a)
2 2
2 (b − a ) a 2(b − a) 2(b − a)
a+b
E ( x) =
2
10:58 https://www.facebook.com/ecours/ 29
Exercice 1 Soit une variable aléatoire qui suit la
loi uniforme sur . Calculer:
a) La fonction densité
b) Les probabilités et
c) L’espérance mathématique et la variance
10:58 https://www.facebook.com/ecours/ 30
1
• loi uniforme sur : b − a a≤ x≤b
f ( x) =
a) La fonction densité 0 sinon
1
20 − 5 ≤ x ≤ 15
f ( x) =
0 sinon
b)
−5
f ( x ) dx = ∫ f ( x ) dx + ∫ f ( x )dx
2 2
P ( X ≤ 2) = ∫
−∞ −∞ −5
2 − 5 7
2
−5 1 2 1 2 x
P ( X ≤ 2 ) = ∫ 0 dx + ∫ dx = ∫ dx = = − =
−∞ − 5 20 − 5 20 20 −5 20 20 20
P ( −1 ≤ X ≤ 1) = ∫ f ( x ) dx = ∫
1 1 1
dx
−1 −1 20
1 −1 2
1
x 1
P ( X ≤ 2) = = − = =
10:58 20 20 20 10
20 −1https://www.facebook.com/ecours/ 31
L’espérance et la variance de la loi uniforme
L’espérance mathématique et la variance de la loi uniforme
est égale à : 1
− 5 ≤ x ≤ 15 20
f ( x) =
0 sinon
− 5 + 15
E ( x) = =5
2
Var ( x ) =
(15 + 5)
2
=
400
= 33.34
12 12
10:58 https://www.facebook.com/ecours/ 32
La loi exponentielle
une variable aléatoire X suit une distribution exponentielle
de paramètre λ>0 si sa densité est donnée par:
λ e − λ x x≥0
f ( x) =
0 x<0
−∞ f ( x) = 0
0
f ( x ) = λ e − λx +∞
10:58 https://www.facebook.com/ecours/ 33
La loi exponentielle
une variable aléatoire X suit une distribution exponentielle
de paramètre λ>0 si sa densité est donnée par: λe−λx x ≥ 0
f ( x) =
La fonction de répartition F 0 x<0
x 0 x
x ≥ 0 F (x) = ∫ f ( y )dy = ∫ 0 dy + ∫ λ e − λ y dy
−∞ −∞ 0
x
F (x) = ∫ λ e − λ y dy = − e − λ y = − e −λx − ( − e 0 ) = − e −λx + 1
x
0 0
F ( x ) = 1 − e −λx
1 − e − λx x≥0
F ( x) =
0 x<0
0
−∞ F ( x) = 0 F ( x ) = 1 − e − λx +∞
10:58 https://www.facebook.com/ecours/ 34
La loi exponentielle
Espérance et Variance
Son espérance et sa variance sont respectivement données par:
1 1
E( x ) = V( x)=
λ λ 2
10:58 https://www.facebook.com/ecours/ 35
Exemple: Considérons la variable aléatoire X « durée de vie (en
heures) d’un composant électronique de type donné ». Supposons
que la densité de probabilité de X soit donnée par:
− λx 1
f ( x) = λe ⇒ λ =
100
1 1
E ( x) = = 100 V ( x) = = 100 2
λ λ2
10:58 https://www.facebook.com/ecours/ 36
Exemple: Considérons la variable aléatoire X « durée de vie (en
heures) d’un composant électronique de type donné ». Supposons
que la densité de probabilité de X soit donnée par:
10:58
0
https://www.facebook.com/ecours/ 37
Utilisation de la fonction de répartition:
−
1
x
F ( x ) = 1 − e x≥0
100
0 x<0
f ( x ) dx = ∫ f ( x )dx + ∫ f ( x )dx
2 0 2
P ( X ≤ 2) = ∫
−∞ −∞ 0
−
2
−
0
∫ f (x ) dx = F ( 2) − F (0) = 1 − e
2
P ( X ≤ 2) = 100
− 1 − e 100
0
2 1
− −
P( X ≤ 2) = 1 − e 100
− (0) = 1 − e 50
10:58 https://www.facebook.com/ecours/ 38
La loi normale
Une variable aléatoire X définie sur l’intervalle (+∞,+∞),
caractérisée par la fonction de densité suivante :
1 ( x−µ )
2
−
1 2 σ2
∀x f ( x) = e
σ 2π
10:58 https://www.facebook.com/ecours/ 39
La loi normale centrée réduite
La loi normale centrée réduite correspond à la loi normale ayant
comme paramètres µ= 0 et σ = 1
Le passage de la variable aléatoire t =
X − µ s’effectue par la
transformation σ
t ≈ N ( 0 ;1 )
Par convention, la fonction à densité s'écrit à présent
.
t2
1 −
f ( x) = e 2
2π
10:58 https://www.facebook.com/ecours/ 40
Utilisation du tableau de la loi normale
réduite pour calculer une probabilité
Exemple
Une pièce mécanique sur laquelle on veut vérifier une cote x de
10,00 mm ± 0,05 mm 9 , 95 ≤ x ≤ 10 , 05
Après plusieurs contrôles on trouve une valeur moyenne de 10,00
mm et un écart type de 0,15 mm.
Calculer le pourcentage de pièces dont la cote x est dans l'intervalle
[9,95 mm ; 10,05 mm]
9,95 mm
15,00 mm
10:58 10,05 mm
https://www.facebook.com/ecours/ 41
Etape 1 : changement de variable x -> t
Passage de La loi normale vers La loi normale centrée réduite
µ = 10,00 mm σ = 0,15 mm
9 , 95 ≤ x ≤ 10 , 05 t1 ≤ t ≤ t 2
X −µ
t=
σ
9,95 − µ X − µ 10,05 − µ
P ( 9 ,95 ≤ x ≤ 10 ,05 ) = P ≤t= ≤
σ σ σ
9,95 − 1 0 ,00 10,05 − 1 0 ,00
P ( 9 ,95 ≤ x ≤ 10 ,05 ) = P ≤t≤
0,15 0,15
10:58
P ( − 0 ,33 ≤ t ≤ https://www.facebook.com/ecours/
0 ,33 ) = 2 ( 0 , 6293 ) − 1 = 0 , 2586 = 25 ,86 %
43
X −µ
T=
σ