Académique Documents
Professionnel Documents
Culture Documents
Cours (Va Cont)
Cours (Va Cont)
de probabilité continues
Variables aléatoires et distributions de
probabilité continues
Définition
Fonction de densité et de répartition
Paramètres de position et de dispersion
Distribution Uniforme
Distribution Exponentielle
Distribution Normale
Théorème central limite
Définition
3
Exemples
...
4
Fonction de densité de probabilité
f ( x) P ( X x) 0
5
Fonction de densité de probabilité
Graphique
6
Fonction de densité de probabilité
Exemple :
soit X la v.a. représentant la durée de vie, en années, d’une
ampoule électrique.
La forme analytique de la fonction de densité de la
v.a. X est donnée par l’expression suivante :
x si 0 x 1
f ( x ) 2 x si 1 x 2
0 ailleurs
7
Fonction de densité de probabilité
1
Densité f(x)
0.5
0
0 0.5 1 1.5 2
Durée de vie x
f(x) = x f(x) = 2 - x
8
Fonction de densité de probabilité
Courbe de f
1
Densité f(x)
0.5
0
0 0.5 0.75 1 1.5 2
Durée de vie x
10
Rappel calcul intégrales
Définition primitive: x
F ( x) f (t )dt est la primitive de f tel que:
a
f est la dérivée de F : F '( x) f ( x), et F ( a) 0.
x
x
F ( x) f (t )dt F (t ) a F ( x) F (a ) F ( x ).
a
1. f ( x) 0 x IR Une probabilité
est toujours positive
2.
f ( x) dx 1 L’aire total sous la courbe
de f doit être égale à 1
Densité f(x)
0.5
0
0 0.5 1 1.5 2
Durée de vie x
12
Fonction de densité de probabilité
13
Fonction de densité de probabilité
1
0.375
Densité f(x)
0.5
2
1
0
0 0.5 1 1.5 2
Durée de vie x
14
Fonction de densité de probabilité
1 .5 1.5
1 2
P(1 X 1.5) (2 x) d ( x) 2 x x
1 2 1
1 2 1 2
(2 1.5 (1.5) ) (2 1 (1) ) 0.375
2 2
15
Fonction de répartition
La définition de la fonction de répartition d’une v.a.
continue est identique à celle d’une v.a. discrète.
Définition : on appelle fonction de répartition de la
v.a. continue X et on la note F la fonction définie
sur IR et à valeurs dans [0, 1], par la relation :
def
F ( x) P( X x)
Graphiquement
F (0.8) P( X 0.8)
1
D ensité f(x)
0.5
0
0 0.5 0.8 1 1.5 2
Durée de vie x
16
Fonction de répartition
x
F ( x) f (t ) dt
Formule à utiliser pour calculer
F(x) à partir de f(x)
dF ( x)
f ( x) F ' ( x) Formule à utiliser pour calculer
dx f(x) à partir de F(x)
Dérivée de F(x)
17
Fonction de répartition
1
Répartition F(x)
0,8
0,6
0,4
0,2
0
0 0,5 1 1,5 2
Durée de vie x
19
Fonction de répartition
2. On a toujours 0 F(x) 1
20
Fonction de répartition
21
Fonction de répartition
Exercice d’application
La vie utile d’une certaine composante d’une pièce
électronique est décrite par la fonction suivante :
x
0 x6
f ( x) 18
0 ailleurs
où x est exprimé en centaines d’heures.
a) Prouver que l’on a bien une fonction de densité ;
b) Donner la représentation graphique de cette fonction ;
c) Trouver la fonction de répartition ;
d) Calculer : P(X 2); P(X > 4) et P(2 X 4).
22
Fonction de répartition
Réponse
a) Prouver que l’on a bien une fonction de densité ;
Pour répondre à cette question il suffit de vérifier les
deux points suivants :
1. f ( x) 0 x IR On peut vérifier facilement
que f(x) ≥ 0
2. f ( x) dx 1
0 6
f ( x) dx f ( x) dx f ( x) dx f ( x) dx
0 6
6
x
2
0 0 1
36 0
23
Fonction de répartition
Réponse …
0.5
0.33
0 x
2 4 6 8
24
Fonction de répartition
Réponse …
c) Trouver la fonction de répartition ;
F(x) est déterminée en appliquant la formule suivante :
x
F ( x) f (t ) dt
0 x0
2
x
F ( x) 0 x6
36
1 x6
25
Fonction de répartition
Réponse …
d) Calculer : P(X 2), P(X > 4) et P(2 X 4).
22 1
1. P(X 2) = F(2) =
36 9
42 4 5
2. P(X > 4) = 1 – F(X 4) = 1 – F(4) = 1 1
36 9 9
42 22 3 1
3. P(2≤ X ≤ 4) = F(4) – F(2) = 36 36 9 3
26
Paramètres de position et de dispersion
L’espérance mathématique
def
EX x. f ( x)dx
def
Var(X) 2 E X 2 E X E (X - )2
2
2
( x ) f ( x) dx
def
(X) Var(X)
27
Paramètres de position et de dispersion
Exercice d’application
La vie utile d’une certaine composante d’une pièce électronique est
décrite par la densité de probabilité suivante:
x
0 x6
f ( x) 18
0 ailleurs
28
Paramètres de position et de dispersion
Réponse …
6 2 6
x 1 1 3
E X x. f ( x)dx dx x 4
0
18 18 3 0
Var(X) E X EX
2 2
E X 2 16
6 6
1 1 1 4
2 3
x . f ( x ) dx x dx x 18
18 0 18 4 0
Var(X) 18 16 2
(X) Var(X) 2
29
Distribution Uniforme
1
def
si a x b
f ( x) b a
0 ailleurs
30
Distribution Uniforme
f(x)
1 /(b – a)
a b x
31
Distribution Uniforme
0 si x a
def
x-a
F(X ) si a x b
b-a
1 xb
32
Distribution Uniforme
X Exp (b)
34
Distribution Exponentielle
0 si x 0
def
f x 1 x/β
β e si x 0
f(x)
36
Distribution Exponentielle
0
def si x 0
F x -x/β
1 - e si x 0
37
Distribution Exponentielle
38
Distribution exponentielle/distribution de poisson
La distribution de Poisson est une distribution des v.a.
discrètes, s’applique pour compter le nombre
d’occurrence d’un événement pendant un intervalle de
temps donné.
La distribution exponentielle est continue, elle permet
de mesurer la durée de temps entre la réalisation de
deux occurrences.
Le paramètre de la distribution exponentielle est
l’inverse du paramètre de la distribution de poisson.
39
Distribution Normale
2
1 x μ
def
1
2 σ
f(x) e
σ 2π
s’appelle une v.a. normale de paramètres et 2. On
note par N(, 2) la famille de toute v.a. qui suit une
distribution normale.
40
Distribution Normale
Point d’inflexion
50 % 50 %
x
μ-σ μ μ+σ
41
Distribution Normale
42
Distribution Normale
43
Distribution Normale
x1 μ x2
z1 0 z2
Si X est une v.a. qui suit N(, 2), alors Z est une
v.a. qui suit N(0, 1).
44
Distribution Normale
alors
1. P(Z ≥ (x – μ)/σ) ; Z N (0,1)
2. P(Z ≤ (x – μ)/σ) ;
3. P((x1 – μ)/σ ≤ Z ≤ (x2 – μ)/σ).
45
Distribution Normale
Propriété
Une des propriétés les plus intéressantes de la distribution
normale est le fait que plusieurs v.a. ont des distributions de
probabilité qui convergent vers la distribution normale
lorsqu’on répète l’expérience un grand nombre de fois.
Exemple d’explication
Soit la v.a. X1 donnant le nombre de points obtenus sur la
face supérieure d’un dé.
P(X1 = x) n=1
1
6
1 2 3 4 5 6
46
Distribution Normale
Exemple d’explication …
Soit la v.a. X2 donnant le nombre de points obtenus si
on lance le dé une deuxième fois. Posons Y = X1 + X2
= la somme des points obtenus au cours des deux
lancers.
P(Y = y)
n=2
2 3 4 5 6 7 8 9 10 11 12
47
Distribution Normale
Y Xi distributions
Quelconques mais
identiques
i 1
n
converge vers la distribution normale d’espérance Y i
n i 1
et de variance Y2 i2 .
i 1
48
Distribution Normale
Exemple d’explication
Soit X une v.a. qui suit Bi(n=100, p=0.5). Vérifiant que X peut être
approximée par une distribution normale N(np=50, npq=25).
49
Distribution Normale
Exemple d’explication …
Graphiquement
0.09
0.08
0.07
0.06
0.05
0.04
0.03
0.02
0.01