Variables al´ eatoires ` a densit´ e
1 Notion de variables al´eatoires `a densit´e 2
1.1 Un premier exemple : loi uniforme sur [0,1]. . . 2
1.2 Densit´es de probabilit´es . . . 5
1.3 D´efinition des variables `a densit´e . . . 9
1.4 Fonctions de r´epartition . . . 15
1.5 Fonction d’une variable al´eatoire `a densit´e . . . 20
2 Moments d’une variable al´eatoire `a densit´e 24 3 Lois usuelles 31 3.1 Loi uniforme . . . 31
3.2 Loi exponentielle . . . 34
3.3 Loi normale . . . 38
3.4 Simulation de loi . . . 44
4 Fonction de variables ind´ependantes 50 4.1 Notions de variables ind´ependances . . . 50
4.2 Maximum et minimum de variables `a densit´e ind´ependantes . . . 54
4.3 Sommes de variables `a densit´e ind´ependantes . . . 56
4.4 Sommes de gaussiennes ind´ependantes . . . 59
5 Exercices du td 61 5.1 Exercices `a chercher . . . 61
5.2 Exercices `a faire pendant la classe . . . 62
5.3 Exercices bonus . . . 64
L’ensemble des valeurs prises par une variable al´eatoire discr`ete est fini ou d´enombrable. L’objet de ce chapitre est l’´etude d’un autre type de variables al´eatoires : les variables al´eatoires `a densit´e qui peuvent prendre une infinit´e non d´enombrable de valeurs.
+ Mise en garde :
Bien relire toutes les notions vues dans le chapitre ”Espaces probabilis´es et variables al´eatoires” avant de commencer ce chapitre !
Dans tout ce chapitre, (Ω,T, P) sera un espace probabilis´e et X et Y deux variables al´eatoires sur cet espace.
1 Notion de variables al´ eatoires ` a densit´ e
1.1 Un premier exemple : loi uniforme sur [0, 1].
Soit X un nombre pris au hasard dans [0,1].
• F, sa fonction de r´epartition, est la fonction d´efinie sur R suivante :
F :x7→
0 si x ∈]− ∞,0]
x si x ∈[0,1]
1 si x ∈[1,+∞[
• Pour tout r´eel a, on a :
P(X =a) = 0.
Proposition 1
* Remarque :
Ainsi, pour ´etudier la variable al´eatoireX avec X un nombre pris au hasard dans [0,1], on ne peut pas se servir du concept de loi comme pour les variables discr`etes. Il faut donc trouver un autre outil que l’on va d´etailler dans tout ce chapitre.
SoientX un nombre pris au hasard dans [0,1] etF sa fonction de r´epartition. Pour tout r´eel a, on a :
F(a) = Z a
−∞
f(t)dt avecf :
R - R
t -
(1 si t ∈[0,1]
0 sinon
. Proposition 2
pas en escalier (comme pour les variables discr`etes). Pour les ´etudier, on va introduire le concept de densit´es.
Soit F la fonction d´efinie sur Rpar : F :x7→
Z x
−∞
f(t)dt
avecf une fonction d´efinie sur R, positive ou nulle, continue sauf ´eventuellement en un nombre fini de points telle que
Z +∞
−∞
f(t)dt converge et vaut 1. F v´erifie les propri´et´es suivantes :
• F est croissante.
• lim
x−→−∞(F(x)) = 0 et lim
x−→+∞(F(x)) = 1.
• Pour tout r´eel x, 06F(x)61.
• F est continue en tout point.
On peut conclure queF est une fonction de r´epartion.
Proposition 3
1.2 Densit´ es de probabilit´ es
Soit f une fonction num´erique d´efinie surR. On dit quef est une densit´e de probabilit´e si les trois conditions suivantes sont v´erifi´ees :
• f est positive ou nulle.
• f est continue sauf ´eventuellement en un nombre fini de points (f y est tout de mˆeme d´efinie).
• Z +∞
−∞
f(t)dt converge et Z +∞
−∞
f(t)dt = 1.
D´efinition 4
+ Mise en garde :
On utilise les notations de la pr´ec´edente d´efinition. On n’a jamais dit que, pour tout r´eel t, on devait avoirf(t)∈[0,1]. Ne pas confondre densit´e et probabilit´e.
M´ethode:
Pour montrer qu’une fonction num´erique f est bien une densit´e, on suit ces trois ´etapes :
1. On v´erifie quef est d´efinie surRet continue sauf ´eventuellement en un nombre fini de points.
2. On s’assure que f est positive ou nulle.
3. On prouve que Z +∞
−∞
f(x)dx existe et vaut 1. C’est en g´en´eral le point le plus difficile, on va faire une m´ethode `a part pour rappeler comment faire.
M´ethode:
Soit f une fonction num´erique d´efinie sur R. On suppose f continue par morceaux. On rappelle comment prouver la convergence de
Z +∞
−∞
f(t)dt.
1. Si f est continue alors Z +∞
−∞
f(t)dt converge si et seulement si Z 0
−∞
f(t)dt et Z +∞
0
f(t)dt convergent et on pose :
Z +∞
−∞
f(t)dt = Z 0
−∞
f(t)dt+ Z +∞
0
f(t)dt.
On a utilis´e la relation de Chasles et on a d´ecid´e de couper en passant par 0. On aurait pu prendre n’importe quel r´eel `a la place.
2. On suppose d´esormais quef a des points de discontinuit´es. On note a1,· · · , an (avecn entier naturel non nul) ses points de discontinuit´e, on suppose que :
a1 < a2 <· · ·< an et on pose a0 = −∞et an+1 =∞. On rappelle que
Z +∞
−∞
f(t)dt converge si et seulement si, pour tout k deJ0, nK,
Z ak+1 ak
fk(t)dt converge. On pose alors :
Z +∞
−∞
f(t)dt =
n
X
k=0
Z ak+1 ak
f(t)dt
.
* Remarque :
Soient a etb deux ´el´ements deR∪ {+∞,−∞ }. Soient f et g deux fonctions num´eriques `a variable r´eelle.
1. Si f et g ne diff`erent de f qu’en un nombre fini de r´eels alors Z b
a
f(t)dt et Z b
a
g(t)dt sont de mˆeme nature et, en cas de convergence, on a :
Z b a
f(t)dt= Z b
a
g(t)dt.
2. Supposonsa < betfnulle surR\Ien notantIl’intervalle d’extr´emit´esaetbalors Z +∞
−∞
f(t)dt et
Z b a
f(t)dt sont de mˆeme nature et, en cas de convergence, on a : Z +∞
−∞
f(t)dt= Z b
a
f(t)dt.
, Exemple :
Voici quelques densit´es de probabilit´es :
f1 :
R - R
t -
1
2 sit ∈[0,2]
0 sinon
et f2 :
R - R
t - 1
2exp(−|t|)
f3 :
R - R t 7→
(3 exp(−3t) si t >0 0 sinon
et f4 :
R -R t 7→
(cos(t) si t ∈h 0,π
2 i 0 sinon
0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0.8 y=f_1(x)
10 5 0 5 10
0.0 0.1 0.2 0.3 0.4
0.5 y=f_2(x)
0.5 0.0 0.5 1.0 1.5 2.0
0.0 0.5 1.0 1.5 2.0
2.5 y=f_3(x)
0.5 0.0 0.5 1.0 1.5 2.0
0.0 0.2 0.4 0.6 0.8 1.0
1.2 y=f_4(x)
Les trois fonctions suivantes ne sont pas des densit´es de probabilit´es : f :t7→t, g :t7→ 1
t2 et h:t7→
1
t2 si t 6= 0 1 sinon
.
* Remarque :
On note que les densit´e de probabilit´e ne sont pas forc´ement continues par morceaux. Par exemple,
soit f la fonction d´efine par :
f :
R → R
t 7→
1 8√
t si 0< t616 0 sinon
f n’est pas continue par morceaux mais f est tout de mˆeme une densit´e de probabilit´e.
- Exercice 1 :
Montrer que la fonction f suivante est une densit´e de probabilit´e : f :t 7→
texp
−t2 2
si t >0 0 sinon
1.3 D´ efinition des variables ` a densit´ e
+ Mise en garde :
Bien relire la d´efinition et les propri´et´es de la fonction de r´epartition vues dans le chapitre ”Espaces probabilis´es et variables al´eatoires”.
On dit que X est une variable al´eatoire continue (ou que X est une variable al´eatoire `a densit´e) si sa fonction de r´epartition F v´erifie que, pour tout r´eel x, on a :
F(x) = Z x
−∞
f(t)dt
avec f une densit´e de probabilit´e. On dit alors quef est une densit´e de X.
D´efinition 5
* Remarque :
Si f est une densit´e de probabilit´e alors, pour tout r´eel x, Z x
−∞
f(t)dt existe d’apr`es la relation de Chasles puisque
Z +∞
−∞
f(t)dt existe. On peut aussi invoquer le th´eor`eme de majoration, on peut appliquer ce th´eor`eme car f est positive et int´egrable sur R donc, pour tout r´eel x,
Z x
−∞
f(t)dt est major´ee par
Z +∞
−∞
f(t)dt, soit 1.
+ Mise en garde :
* Remarque :
On utilise les notations de la pr´ec´edente d´efinition. Soit x un r´eel. La probabilit´e de l’´ev´enement P (X 6x) s’interpr`ete donc comme une aire. Ainsi, si X est une variable al´eatoire dont une densit´e est :
f :
R - R
t - 1
2exp(−|t|)
alors la probabilit´e de l’´ev´enement (X 62) est l’aire (en unit´e d’aire) du domaine gris´e ci-dessous :
10 5 0 5 10
0.0 0.1 0.2 0.3 0.4
0.5 y=f_2(x)
+ Mise en garde :
On utilise les notations de la pr´ec´edente d´efinition. Une telle fonction f n’est pas unique. Toute fonction g ne diff´erant de f qu’en un nombre fini de points est aussi une densit´e de X. On dit donc unedensit´e de X et pas la densit´e de X.
* Remarque :
On utilise les notations de la pr´ec´edente d´efinition.
1. On dit parfois que f est la loi de X. Donner la loi d’une variable al´eatoire `a densit´e X, c’est justifier que X admet une densit´e et en donner une. De toutes fa¸cons, ´enoncer les P(X =x) avec x d´ecrivant X(Ω), n’a peu d’int´erˆet puisque, pour tout r´eel x, on a P(X =x) = 0.
2. De mˆeme, donnerX(Ω) n’est pas ´evident (et n’a pas beaucoup d’int´erˆet) pourX une variable
`
a densit´e. On pr´ef`ere donner le support deX. On dit qu’un sous-ensemble E deX(Ω) est un support de X si P(X ∈E) = 1.
, Exemple :
Si on note X1 (resp. X2, X3 et X4) une variable al´eatoire `a densit´e ayant par exemple f1 (resp. f2, f3 et f4) comme densit´e, alors :
• Un support de X1 est [0,2]. Un autre est par exemple [0,50] . En revanche, [0,1] n’est pas un support de X1.X1(Ω) est d´elicat `a d´ecrire.
• Un support de X2 est R.
• Un support de X3 est R+.
• Un support de X4 est h 0,π
2 i
. M´ethode:
On utilise les notations de la pr´ec´edente d´efinition. On peut passer facilement de densit´e `a fonction de r´epartition :
• En partant d’une densit´e :
Pour avoir la fonction de r´epartition de X `a partir d’une densit´e f, il suffit d’int´egrer cette densit´e f :
F :x7→
Z x
−∞
f(t)dt.
• En partant de la fonction de r´epartition :
Pour avoir une densit´e f `a partir de la fonction de r´epartition F de X, il suffit de d´eriver.
Une densit´e f deX est d´efinie par :
f :
R - R
t -
(F0(t) si F0(t) existe 0 sinon
On note qu’on aurait pu mettre n’importe quelle valeur positive pour f(t) en un r´eel t tel que F n’est pas d´erivable en t.
, Exemple :
En int´egrant ces diff´erentes fonctions :
f1 :
R - R
t -
1
2 sit ∈[0,2]
0 sinon
et f2 :
R - R
t - 1
2exp(−|t|)
f3 :
R - R t 7→
(3 exp(−3t) si t >0 0 sinon
et f4 :
R -R t 7→
(cos(t) si t ∈h 0,π
2 i 0 sinon
on obtient des fonctions de r´epartitions :
F1 :
R -R
t -
· · · si t ∈[0,2]
· · · si t60
· · · sinon
et F2 : (
R - R t - · · ·
F3 :
R - R t 7→
(· · · si t >0
· · · sinon
et F4 :
R - R
t 7→
· · · si t ∈h 0,π
2 i
· · · si t60
· · · sinon
0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0
0.0 0.2 0.4 0.6 0.8 1.0
1.2
y=f_1(x)
y=F_1(x)
10 5 0 5 10
0.0 0.2 0.4 0.6 0.8
1.0
y=f_2(x)
y=F_2(x)
0.5 0.0 0.5 1.0 1.5 2.0 0.0
0.5 1.0 1.5 2.0
2.5
y=f_3(x)
y=F_3(x)
0.5 0.0 0.5 1.0 1.5 2.0
0.0 0.2 0.4 0.6 0.8 1.0
1.2
y=f_4(x)
y=F_4(x)
Au passage, on peut conjecturer quelques propri´et´es des fonctions de r´epartition.
Soit f une densit´e de probabilit´e, il existe une variable al´eatoire X ayant f comme densit´e.
Proposition 6
1.4 Fonctions de r´ epartition
Soit F la fonction de r´epartition d’une variable al´eatoire `a densit´e X. On note f une densit´e de X. On a les propri´et´es suivantes :
• F est croissante.
• F est continue.
• lim
x−→−∞(F(x)) = 0 et lim
x−→+∞(F(x)) = 1.
• F est de classe C1 sauf ´eventuellement en un nombre fini de points. En dehors de ces points, on a F0 =f.
Proposition 7
* Remarque :
On utilise les notations de la pr´ec´edente proposition. Les propri´et´es suivantes :
• F est croissante
• lim
x−→−∞(F(x)) = 0
• lim
x−→+∞(F(x)) = 1
• F est, en tout point, continue `a droite
ne sont pas sp´ecifiques des fonction de r´epartition de variables al´eatoires `a densit´e. Elles sont valables aussi pour les fonction de r´epartition de variables discr`etes.
Soit F la fonction de r´epartition d’une variable al´eatoire X (variable al´eatoire dont on ne sait pas si elle est ou non `a densit´e).
• Si on prouve que F est continue sur R et est de classeC1 sauf ´eventuellement en un nombre fini de points alors on peut affirmer que X est une variable al´eatoire
`
a densit´e.
• Au passage, si on est dans le cas pr´ec´edent, une densit´e f deX est d´efinie par :
f :
R - R
t -
(F0(t) si F0(t) existe 8563 sinon
Proposition 8
* Remarque :
On utilise les notations de la pr´ec´edente proposition. A la place de 8563, on aurait pu prendre pour f(x), en un r´eel x tel que F0(x) n’existe pas, une valeur quelconque positive. On rappelle que toute fonction g ne diff´erant de f qu’en un nombre fini de points est aussi une densit´e de X.
M´ethode:
Soit Y une variable al´eatoire. Pour prouver que Y est une variable `a densit´e, il faut donc suivre ces
´etapes :
1. Expliciter sa fonction de r´epartition F, il faut donc calculer, pour tout r´eel y,P(Y 6y).
2. S’assurer que F est continue surR et est de classe C1 sauf ´eventuellement en un nombre fini de points.
Si on souhaite maintenant ´evaluer une densit´ef deY, il suffit de d´eriver et prendre (par exemple) :
f :
R - R
t -
(F0(t) si F0(t) existe 8563 sinon
Soit F la fonction de r´epartition d’une variable al´eatoire `a densit´e X. On note f une densit´e de X. On a les propri´et´es suivantes :
• Pour tout r´eel a, on a :
P(X =a) = 0 P(X 6a) =P(X < a) =
Z a
−∞
f(t)dt P(X >a) = P(X > a) =
Z +∞
a
f(t)dt.
• Pour tous r´eels a et b tels que a6b, on a :
P(a 6X 6b) =P(a < X < b) =P(a < X 6b) =P(a6X < b) = Z b
a
f(t)dt.
De mani`ere g´en´erale, si D est un intervalle de R ou une union d’intervalles de R, alors on a :
P(X ∈D) = Z
D
f(t)dt.
Proposition 9
* Remarque :
1. Pour une variable al´eatoire `a densit´e, la probabilit´e d’un ´ev´enement s’interpr`ete donc comme une aire. Par exemple, si X est une variable al´eatoire dont une densit´e est :
f :
R - R
t -
(3 exp(−3t) si t >0
0 sinon
La probabilit´e de l’´ev´enement X ∈ [0,3; 0,9] est l’aire (en unit´e d’aire) du domaine gris´e ci-dessous :
0.5 0.0 0.5 1.0 1.5 2.0 0.0
0.5 1.0 1.5 2.0
2.5 y=f_3(x)
2. Au passage, lorsque f est nulle sur un intervalle I, on a donc P(X ∈I) = 0. Ainsi X a mˆeme loi que la variable al´eatoireY d´efinie par :
Pour toutω de Ω,Y(ω) =
(X(ω) siX(ω) 6∈I
a sinon
avec a un r´eel n’appartenant pas `a I. Quitte `a remplacerX par Y, ce qui ne change rien aux calculs de probabilit´es, on peut donc supposer queX ne prend aucune valeur dans I.
1.5 Fonction d’une variable al´ eatoire ` a densit´ e
SoitX une variable al´eatoire `a densit´e. Soit ϕune fonction dont l’ensemble de d´efinition contient X(Ω) et qui est continue sur son ensemble de d´efinition sauf ´eventuellement en un nombre fini de points.ϕ(X) est une variable al´eatoire.
Proposition 10
+ Mise en garde :
On utilise les notations de la pr´ec´edente proposition. ϕ(X) est une variable al´eatoire. En revanche, il n’est pas sˆur que ϕ(X) soit une variable `a densit´e (Faire la diff´erence avec ce qui se passait pour les variables discr`etes, on rappelle que siX est discr`ete, ϕ(X) l’est). Pour le savoir, il faut utiliser la m´ethode (d´ej`a vue) pour prouver qu’une variable est `a densit´e.
Nous allons maintenant nous int´eresser `a deux cas particuliers pour lesquels ϕ(X), avec ϕ une fonction et X une variable al´eatoire `a densit´e, est une variable al´eatoire `a densit´e.
Soient a et b deux r´eels et X est une variable al´eatoire de densit´e f. On appelle Y la variable al´eatoire d´efinie par Y =aX +b. Si a6= 0 alors :
• Y est aussi une variable al´eatoire `a densit´e.
• Sa fonction de r´epartition de , FY, est donn´ee par : FY :y7→FX
y−b a
si a >0 et FY :y7→1−FX
y−b a
sia <0.
en notant FX la fonction de r´epartition deX.
• En d´erivant, on obtient qu’une densit´efY deY est : fY :y7→ 1
|a|×fX
y−b a
. Proposition 11
* Remarque :
On utilise les notations de la pr´ec´edente proposition. Sia= 0 alorsaX+b est une variable discr`ete.
Soient X est une variable al´eatoire de densit´ef et n un entier naturel.Xn est aussi une variable al´eatoire `a densit´e.
Proposition 12
* Remarque :
On utilise les notations de la pr´ec´edente proposition. En particulier, X2 est une variable `a densit´e.
Trouver une de ses densit´es est un exercice tr`es classique.
- Exercice 2 :
Soit X une variable al´eatoire de densit´ef. Montrer que X2 est aussi une variable al´eatoire `a densit´e et donner une de ses densit´es.
* Remarque :
Soit X une variable al´eatoire de densit´e f. Soit ϕ une fonction bijective de classe C1 surX(Ω). On peut prouver queϕ(X) est une variable `a densit´e (mais ce n’est pas au programme). On peut prouver qu’une densit´e de ϕ(X) est donn´e par la fonction d´efinie sur R par :
f :t7→
f(ϕ−1(t))
|ϕ0(ϕ−1(t))| si t ∈ϕ(X(Ω)) 0 sinon
2 Moments d’une variable al´ eatoire ` a densit´ e
Soit X une variable al´eatoire de densit´e f. Si Z +∞
−∞
tf(t)dt est absolument convergente, on dit que X admet une esp´erance. Dans ce cas, on appelle esp´erance de X et on note E(X) la valeur
Z +∞
−∞
tf(t)dt.
D´efinition 13
* Remarque :
On utilise les notations de la pr´ec´edente d´efinition.
1. Ne pas h´esiter `a faire entre un parall`ele Z +∞
−∞
tf(t)dt avec la formule de l’esp´erance du cas discret qui ´etait x1×P(X =x1) +x2×P(X =x2) +x3×P(X =x3) +· · ·
2.
Z +∞
−∞
tf(t)dt est absolument convergente si Z +∞
−∞
tf(t)dt converge (attention, ceci est vrai pour les fonctions `a densit´e, pas pour toutes les fonctions d´efinies sur R).
3. Si f etg sont deux densit´es de X alors Z +∞
−∞
|tf(t)|dt et Z +∞
−∞
|tg(t)|dt sont de mˆeme nature.
Le fait que X admette ou non une esp´erance ne d´epend pas de la densit´e choisie pour X.
+ Mise en garde :
On utilise les notations de la pr´ec´edente d´efinition. Une variable al´eatoire `a densit´e n’admet pas forc´ement d’esp´erance : Il ne faut donc pas manipulerE(X) avec X une variable al´eatoire `a densit´e sans prouver auparavant que X admettait une esp´erance, i.e. prouver la convergence absolue de Z +∞
−∞
tf(t)dt.
+ Mise en garde :
On se rend compte que cette d´efinition d’esp´erance est conforme aux propri´et´es n´ecessaires pour ˆetre appel´ee ”Esp´erance”. En d´ecoulent alors les notions et propri´et´es vues dans le chapitre ”Espaces probabilis´es et variables al´eatoires” :
• Lin´earit´e, croissance.
• d´efinition et propri´et´es de la variance, des moments de mani`ere plus g´en´erale.
• Notion de variable r´eduite, centr´ee.
• In´egalit´es de Markov, de Bienaym´e-Tchebychev.
- Exercice 3 :
Soient f et g les fonctions suivantes :
f :
R - R
t -
(cos(t) sit ∈h 0,π
2 i
0 sinon
et g :
R - R
t - 1
π(1 +t2)
1. Montrer quef etg sont des densit´es de probabilit´e.
2. SoientX une variable `a densit´e dont f est une densit´e et Y une variable `a densit´e dont g est une densit´e.
(a) X admet-elle une esp´erance ? Si oui, ´evaluer la.
(b) Y admet-elle une esp´erance ? Si oui, ´evaluer la.
Th´eor`eme de transfert.
Soit X une variable al´eatoire de densit´e f. Soit Φ une fonction d´efinie sur un ensemble contenant X(Ω). Si
Z +∞
−∞
Φ(t)f(t)dt est absolument convergente alors E(Φ(X)) existe et vaut :
E(Φ(X)) = Z +∞
−∞
Φ(t)f(t)dt.
Sinon, Φ(X) n’admet pas d’esp´erance.
Th´eor`eme 14
* Remarque :
On utilise les notations du pr´ec´edent th´eor`eme. On remarque que ce th´eor`eme est bien pratique puisqu’il permet de s’int´eresser `a l’´eventuelle esp´erance de Φ(X) sans avoir `a ´evaluer une densit´e de Φ(X).
, Exemple :
1. Avec le th´eor`eme du transfert, on peut facilement calculerE(X2) avecXune variable al´eatoire de densit´ef avec :
f :t7→
(cos(t) si t ∈h 0,π
2 i 0 sinon
On a alors, si E(X2) existe, E(X2) vaut...
2. On utilise les notations du pr´ec´edent th´eor`eme. Cela marche aussi si Φ(X) n’est pas une variable al´eatoire `a densit´e et X est une variable `a densit´e. Par exemple, X une variable al´eatoire de densit´e f avec :
f :t7→
1
2 sit ∈[1,3]
0 sinon
alors E(Φ(X)) o`u Φ est la partie enti`ere existe,E(Φ(X)) vaut...
.
On peut d´eduire du th´eor`eme du transfert la proposition suivante :
Soient (Ω,T, P) un espace probabilis´e etXune variable al´eatoire `a densit´e sur (Ω,T, P).
Soit r un entier naturel non nul.
• Si E(Xr) existe alors, pour toutk deJ1, rK,E(Xk) existe.
• E(Xr) existe si et seulement si E((X−E(X))r) existe.
Proposition 15
+ Mise en garde :
Admettre une variance est plus difficile que d’admettre une esp´erance. SiX est une variable `a densit´e alors :
• Si X admet une variance,X admet une esp´erance.
• Si X admet une esp´erance, il se peut que X n’ait pas de variance. Par exemple, si X est une variable de densit´ef avec :
f :t7→
2
t3 si t >1 0 sinon
X a une esp´erance, elle vaut 2.X n’admet pas de variance.
- Exercice 4 :
Soit X de densit´e de probabilit´e f avec f la fonction d´efinie par :
∀x∈R, f(x) = 1
21[−1,1](x).
Montrer que X est bien d´efinie puis d´eterminer, si elle existe, l’esp´erance de X2.
3 Lois usuelles
3.1 Loi uniforme
Soit X une variable al´eatoire. On dit que X suit la loi uniforme sur [a, b] avec a et b deux r´eels tels que a < b si une densit´e f de X est :
f :
R - R
t -
1
b−a si t ∈[a, b]
0 sinon On note alors X ,→ U([a, b]).
D´efinition 16
* Remarque :
On utilise les notations de la pr´ec´edente d´efinition.
1. On note quef est bien une densit´e de probabilit´e puisque f est positive ou nulle,f est continue sauf ´eventuellement en un nombre fini de points et
Z +∞
−∞
f(t)dt converge et vaut bien 1.
2. Un support de X est [a, b].
+ Mise en garde :
Ne pas confondre avec la loi uniforme sur discr`ete ! Ne pas confondreU([a, b]) (aveca etb deux r´eels tels que a < b) et U(Ja, bK) (avec a et b deux entiers tels que a < b) !
Soit X une variable al´eatoire suivant la loi uniforme sur [a, b] avec a et b deux r´eels tels quea < b.
• F, sa fonction de r´epartition, est la fonction d´efinie sur R suivante :
F :x7→
0 si x ∈]− ∞, a]
x−a
b−a si x ∈[a, b]
1 si x ∈[b,+∞[
• X admet une esp´erance, elle vaut :
E(X) = a+b 2 .
• X admet une variance, elle vaut :
V(X) = (b−a)2 12 . Proposition 17
On vous donne maintenant le graphe d’une densit´e d’une variable al´eatoire suivant une loi uni- forme sur [−2,3] ainsi que sa fonction de r´epartition :
4 3 2 1 0 1 2 3 4
0.05 0.00 0.05 0.10 0.15 0.20 0.25 0.30
4 2 0 2 4 6
0.0 0.2 0.4 0.6 0.8 1.0
* Remarque :
On utilise les notations de la pr´ec´edente proposition. Pour tout couple (x;y) de [a, b]2 tels quex < y, on a :
P(X ∈[x, y]) = y−x b−a.
Ainsi, la probabilit´e que X appartienne `a un intervalle inclus dans [a;b] est proportionnelle `a la longueur de cet intervalle.
3.2 Loi exponentielle
Soit X une variable al´eatoire. On dit que X suit la loi exponentielle de param`etre λ avecλ un r´eel strictement positif si une densit´ef deX est :
f :
R - R
t -
(λexp(−λt) si t >0 0 sinon
On note alors X ,→ E(λ).
D´efinition 18
* Remarque :
On utilise les notations de la pr´ec´edente d´efinition.
1. On note quef est bien une densit´e de probabilit´e puisque f est positive ou nulle,f est continue sauf ´eventuellement en un nombre fini de points et
Z +∞
−∞
f(t)dt converge et vaut bien 1.
2. Un support de X est R+.
Soit X une variable al´eatoire suivant la loi exponentielle de param`etre λ avec λ un r´eel strictement positif.
• F, sa fonction de r´epartition est la fonction d´efinie sur R suivante : F :x7→
(0 si x ∈]− ∞,0]
1−e−λx si x ∈[0,+∞[
• X admet une esp´erance, elle vaut :
E(X) = 1 λ.
• X admet une variance, elle vaut :
V(X) = 1 λ2. Proposition 19
Voici le graphe d’une densit´e d’une variable al´eatoire suivant une loi exponentielle de param`etre 1
2 ainsi que sa fonction de r´epartition :
2 0 2 4 6 8
0.0 0.1 0.2 0.3 0.4 0.5
2 0 2 4 6 8
0.0 0.2 0.4 0.6 0.8 1.0
Loi Fonction de r´epartition
* Remarque :
Voici une situation typique mod´elis´ee par cette loi. On note X la dur´ee de vie mesur´ee `a partir de l’instant 0 d’un ph´enom`ene tel que les deux conditions suivantes soient v´erifi´ees :
1. Ce ph´enom`ene dure en moyenne α en unit´e de mesure.
2. La dur´ee qui reste `a vivre `a tout instant t positif ne d´epend pas de l’instant t (ph´enom`ene sans vieillissement).
alors X suit une loi de exponentielle de param`etre 1
α (et pasα, attention ! ! !)
• Ainsi, si X est la dur´ee de vie d’un atome radioactif avant d´esint´egration alors X suit une loi exponentielle de param`etre λ(que l’on appelle constante de d´esint´egration). 1
λ est alors la dur´ee de vie moyenne de cet ´el´ement.
• On consid`ere souvent que la dur´ee de vie d’un composant ´electronique suit une loi exponen- tielle. Imaginons par exemple que T repr´esente la dur´ee de vie d’une ampoule `a LED : la probabilit´e qu’elle dure au moinss+t heures sachant qu’elle a d´ej`a dur´etheures sera la mˆeme que la probabilit´e de durer s heures `a partir de sa mise en fonction initiale (Le fait qu’elle ne soit pas tomb´ee en panne pendant t heures ne change rien `a son esp´erance de vie `a partir du tempst). On n’utilise pas cette loi pour une ampoule `a filament puisque le filament vieillit (car il s’´evapore lors de l’utilisation).
• Si X est la dur´ee de vie d’un ˆetre humain alors X ne suit pas une loi exponentielle (`a cause du ph´enom`ene de vieillissement).
* Remarque :
On ne s’attend pas `a ce que les ´el`eves mod´elisent des situations en utilisant une loi exponentielle.
C’est l’´enonc´e qui pr´ecisera que la situation sera mod´elis´ee par une loi exponentielle.
Soit X une variable al´eatoire suivant la loi exponentielle de param`etre λ avec λ un r´eel strictement positif. Pour tout r´eel positif s et t, on a :
P(X>s)(X >s+t) = P(X >t).
Proposition 20
* Remarque :
On dit que la loi exponentielle est une loisans m´emoire. C’est mˆeme la seule loi `a densit´e ainsi.
Plus pr´ecis´ement, siX est une variable al´eatoire alors X suit une loi exponentielle si et seulement si les trois conditions suivantes sont v´erifi´ees :
1. X(Ω) =R+.
2. ∀(s, t)∈(R+)2, P(X>s)(X >s+t) =P(X >t).
3. ∀s ∈R+, P(X > s)6= 0.
3.3 Loi normale
Z +∞
−∞
exp
−t2 2
dt converge et vaut √ 2π.
Proposition 21
Soit X une variable al´eatoire. X suit la loi normale de param`etres (m, σ2) avec m un r´eel etσ un r´eel strictement positif si une densit´e f de X est :
f :t7→ 1 σ√
2π exp
−(t−m)2 2σ2
On note alors X ,→ N(m, σ2).
D´efinition 22
* Remarque :
On utilise les notations de la pr´ec´edente d´efinition.
1. On note quef est bien une densit´e de probabilit´e puisque f est positive ou nulle,f est continue sauf ´eventuellement en un nombre fini de points et
Z +∞
−∞
f(t)dt converge et vaut bien 1.
2. Si X ,→ N(0,1), on dit queX suit la loi normale centr´ee r´eduite.
le graphe d’une densit´e d’une variable al´eatoire suivant une loi normale centr´ee r´eduite ainsi que sa fonction de r´epartition :
3 2 1 0 1 2 3 0.0
0.1 0.2 0.3 0.4 0.5
3 2 1 0 1 2 3
0.0 0.2 0.4 0.6 0.8 1.0
Loi Fonction de r´epartition
* Remarque :
1. Le th´eor`eme centrale limite, que nous verrons `a la fin de l’ann´ee d´emontre que la loi normale permet de calculer une bonne approximation de la somme de variables al´eatoires ind´ependantes de mˆeme loi. On pourra donc mod´eliser grˆace `a cette loi une suite d’exp´eriences al´eatoires similaires et ind´ependantes lorsque le nombre d’exp´eriences sera assez ´elev´e. Grˆace `a cette propri´et´e, la loi normale permet d’approcher d’autres lois et ainsi de mod´eliser de nombreuses
´
etudes scientifiques comme des mesures d’erreurs ou des tests statistiques.
2. On ne s’attend pas `a ce que les ´el`eves mod´elisent des situations en utilisant une loi normale.
C’est l’´enonc´e qui pr´ecisera que la situation sera mod´elis´ee par une loi normale.
- Exercice 5 :
Soit A une variable al´eatoire qui suit une loi normale de param`etre (3,2). D´eterminer la probabilit´e que le polynˆome P :x7→x2 −Ax+ 1 n’admette pas de racine r´eelle.
Soit X une variable al´eatoire suivant la loi normale de param`etres (m, σ2) avec m un r´eel etσ un r´eel strictement positif. Soient a un r´eel non nul etb un r´eel. On a :
aX+b ,→ N(am+b, a2σ2).
Proposition 23
* Remarque :
2. En particulier, si X ,→ N(m, σ2) alors X?, d´efinie par X? = X−m
σ , suit une loi normale centr´ee r´eduite.
3. On peut donc, grˆace `a cette derni`ere proposition, utiliser la table de loi normale centr´ee r´eduite sur R+pour approximer la fonction de r´epartition d’une variable al´eatoire suivant une loi normale. On la verra dans le chapitre ”Statistique inf´erentielle”.
SoitXune variable al´eatoire. On suppose queXsuit la loi normale de param`etres (m, σ2) avecm un r´eel et σ un r´eel strictement positif .
• X admet une esp´erance, elle vaut m.
• X admet une variance, elle vaut σ2. Proposition 24
On note Φ la fonction de r´epartition d’une variable al´eatoire suivant une loi normale centr´ee r´eduite. Φ v´erifie les deux propri´et´es suivantes :
• Φ(0) = 1 2.
• Pour tout r´eel x, Φ(x) + Φ(−x) = 1.
Proposition 25
* Remarque :
1. La deuxi`eme proposition est vraie pour toute fonction de r´epartition de variable `a densit´e dont une densit´e est paire. Cette proposition se comprend ais´ement quand on regarde de nouveau le graphe d’une densit´e d’une loi normale centr´ee r´eduite :
3 2 1 0 1 2 3 0.0
0.1 0.2 0.3 0.4 0.5
2. On utilise les notations de la pr´ec´edente proposition. Φ est donc la fonction suivante : Φ :x7→
Z x
−∞
√1
2π exp
−t2 2
dt.
On ne sait pas expliciter Φ, on utilise des tables de loi normale pour l’approximer.
3. On note que Φ n’est pas la fonction de r´epartition d’une variable al´eatoire suivant une loi normale quelconque mais la fonction de r´epartition d’une variable al´eatoire suivant une loi normale centr´ee r´eduite.
3.4 Simulation de loi
SoitXune variable al´eatoire `a densit´e. On noteF sa fonction de r´epartition. On suppose que F est strictement croissante. Soit U une variable al´eatoire `a densit´e suivant une loi uniforme sur [0,1].F−1(U) est alors une variable `a densit´e etF−1(U) a mˆeme loi queX.
Proposition 26
* Remarque :
1. On utilise cette proposition pour simuler une variableX`a densit´e dont la fonction de r´epartition
2. On remarque que la fonction de r´epartition d’une variable al´eatoire suivant une loi exponen- tielle n’est pas strictement croissante. Si on note X une variable al´eatoire `a densit´e et F sa fonction de r´epartition alors en introduisant la fonction Q d´efinie sur ]0; 1[ par :
∀y ∈]0; 1[, on pose : Q(y) = inf ({x∈R tel que F(x)>y}),
on obtient queX etQ(U), avecU une variable al´eatoire suivant une loi uniforme sur [0,1], ont mˆeme loi. On remarque que Q est bien d´efinie (car F est croissante) et, si F est strictement croissante, Q etF−1 sont confondues.
6 Un peu de python:
Listing 1 – loiunifab.py def uni(a, b):
r e t u r n (b-a)*np.r a n d o m.r a n d()+a
def S i m u l(n,a, b):
r e t u r n [ uni(a, b) for i in r a n g e(n)]
def Loi(n, a, b):
c=[ uni(a, b) for i in r a n g e(n)]
plt.h i s t(c,30 , n o r m e d=1)
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0
0.00 0.05 0.10 0.15 0.20 0.25
0.30Loi d'une variable uniforme sur [0,4] avec 50000 répétitions
2 0 2 4 6 8 10
0.00 0.02 0.04 0.06 0.08
0.10Loi d'une variable uniforme sur [-2,9] avec 50000 répétitions
6 Un peu de python:
Listing 2 – loiexp.py def e x p o(mu):
r e t u r n -np.log(1 -np.r a n d o m.r a n d()) /mu
def Loi(n, mu):
a=[ e x p o(mu) for i in r a n g e(n)]
plt.h i s t(a,30 , n o r m e d=1)
0 1 2 3 4 5 0.0
0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6
Loi d'une variable exponentielle de paramètre 2 avec 5000 répétitions1.8
0 20 40 60 80 100
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08
Loi d'une variable exponentielle de paramètre 0.1 avec 5000 répétitions0.09
* Remarque :
Python propose d´ej`a la loi exponentielle toute faite, il suffit de taper np.random. exponential ( beta , N ) pour avoir une liste de N tirages suivant une loi de exponentielle de param`etre 1
β.
* Remarque :
On utilise cette mˆeme id´ee pour les lois normales. On se ram`ene d’abord `a une loi normale centr´ee r´eduite en utilisant le fait que X−m
σ ,→ N(0,1) si X ,→ N(m, σ2). Cependant, on ne connaˆıt pas de forme explicite de Φ, la fonction de r´epartition de la loi normale centr´ee r´eduite. Il faudra utiliser des approximations : la fonctionnorm.ppfdu module scipy.statsnous fournit une approximation de Φ−1.
6 Un peu de python:
Listing 3 – loinorm.py def n o r m a(m,s):
x= np.r a n d o m.r a n d()
r e t u r n s*sst.n o r m.ppf(x)+m
def Loi(n,m,s):
a=[ n o r m a(m,s) for i in r a n g e(n)]
plt.h i s t(a, 20 , n o r m e d=1)
8 6 4 2 0 2 4 6 8 0.00
0.05 0.10 0.15 0.20
Loi d'une variable normale de paramètres 0 et 2 avec 5000 répétitions0.25
30 20 10 0 10 20 30
0.00 0.01 0.02 0.03 0.04 0.05
Loi d'une variable normale de paramètres 0 et 8 avec 5000 répétitions0.06
10 20 30 40 50 60 70 80
0.00 0.01 0.02 0.03 0.04 0.05
Loi d'une variable normale de paramètres 40 et 8 avec 5000 répétitions0.06
40 20 0 20 40 60 80 100 120
0.000 0.005 0.010 0.015 0.020 0.025
Loi d'une variable normale de paramètres 40 et 20 avec 5000 répétitions
* Remarque :
Python propose d´ej`a la loi normale toute faite, il suffit de tapernp.random.normal (mu, sigma, N ) pour avoir une liste deN tirages suivant une loi de normale de param`etre (µ, σ2).
4 Fonction de variables ind´ ependantes
4.1 Notions de variables ind´ ependances
Soient (Ω,T, P) un espace probabilis´e et X etY deux variables al´eatoires sur (Ω,T, P).
On dit que X et Y sont ind´ependantes si pour tout intervalles I et J de R, les
´ev´enements (X ∈ I) et (Y ∈ J) sont deux ´ev´enements ind´ependants. Ainsi, X et Y sont ind´ependantes si, pour tout intervalles I etJ de R, on a :
P((X ∈I)∩(Y ∈J)) =P(X ∈I)×P(Y ∈J).
D´efinition 27
Soit (Xi)i∈N une suite de variables al´eatoires sur un espace probabilis´e (Ω,T, P).
• Soit n un entier naturel non nul. Les variables X1,· · · , Xn sont mutuelle- ment ind´ependantes si, pour tout n-uplet d’intervalles (I1,· · · , In) de R, les
´
ev´enements ((X ∈Ii))i∈
J1,nK
sont des ´ev´enements mutuellement ind´ependants.
Ainsi, X1,· · · , Xn sont mutuellement ind´ependantes si, pour tout pour tout n- uplet d’intervalles (I1,· · ·, In) de R, on a :
P((X1 ∈I1)∩(X2 ∈I2)∩· · ·∩(Xn ∈In)) =P(X1 ∈I1)×P(X2 ∈I2)×· · ·×P(Xn∈In).
• (Xi)i∈N est une suite de variables al´eatoires mutuellement ind´ependantes si toute famille extraite de (Xi)i∈N est une famille de variables al´eatoires mutuellement ind´ependantes.
D´efinition 28
* Remarque :
Lorsqu’on a une hypoth`ese d’exp´eriences ind´ependantes, les variables d´efinies relativement `a des exp´eriences al´eatoires deux `a deux distinctes sont mutuellement ind´ependantes.
, Exemple :
On proc`ede `a une infinit´e de tirages avec remise et, pour tout entier naturel non nul i, Xi est une variable al´eatoire ne d´ependant que dui-`eme tirage (par exemple, le num´ero obtenu aui-`eme tirage).
(Xi)i∈N? est alors une famille de variables al´eatoires mutuellement ind´ependantes.
+ Mise en garde :
On utilise les notations de la pr´ec´edente d´efinition. Si (Xi)i∈N est alors une famille de variables al´eatoires mutuellement ind´ependantes alors (Xi)i∈N est alors en particulier une famille de variables al´eatoires deux `a deux ind´ependants. En revanche la r´eciproque est fausse. On prend X et Y deux variable al´eatoires suivant une loi de Bernoulli de param`etre 1
2 et on pose Z = |X−Y|. (X, Y, Z) sont deux `a deux ind´ependants mais pas mutuellement ind´ependants.
Soit n un entier naturel non nul. Soit p un entier naturel non nul inf´erieur `a n. Soient n variables al´eatoires X1,· · · , Xn sur un espace probabilis´e (Ω,T, P) mutuellement ind´ependantes. On a :
• Toute sous famille de p ´el´ements de (X1,· · · , Xn) est une famille de p variables al´eatoires mutuellement ind´ependantes.
• Soient f : Rp −→ R et g : Rn−p −→ R deux fonctions. f(X1,· · · , Xp) et g(Xp+1,· · · , Xn) sont ind´ependantes (Lemme des coalitions).
• Pour tout i ∈ J1, nK, soit fi : R −→ R une fonction d´efinie sur Xi(Ω).
(f1(X1),· · · , fn(Xn)) sont mutuellement ind´ependantes.
Proposition 29
, Exemple :
Soient X1,· · · , X4 quatre variables al´eatoires sur un espace probabilis´e (Ω,T, P) mutuellement ind´ependantes.
1. X12 et exp (X2) sont ind´ependantes.
2. X1, X2, X4 sont mutuellement ind´ependantes.
3. X1+X22 etX3×X4 sont ind´ependantes.
Soit n un entier non nul et n variables al´eatoires X1,· · · , Xn sur un espace probabilis´e (Ω,T, P) mutuellement ind´ependantes.
• SiX1 etX2 admettent des variances alorsX1×X2 admet une esp´erance. De plus, si X1 etX2 sont ind´ependantes, on a :
E(X1×X2) = E(X1)×E(X2).
• SiX1,· · · , Xnsont mutuellement ind´ependantes et admettent toutes des variances alors X1+· · ·+Xn admet une variance et :
V(X1+· · ·+Xn) =V(X1) +V(X2) +· · ·+V(Xn).
Proposition 30
4.2 Maximum et minimum de variables ` a densit´ e ind´ ependantes
Soientnvariables al´eatoires `a densit´e mutuellement ind´ependantesX1,...,Xn. Pour touti deJ1, nK, on noteFi la fonction de r´epartition deXi. On noteF la fonction de r´epartition deM la variable al´eatoire max(X1, ..., Xn).
• M est une variable `a densit´e.
• On a : F =F1×F2× · · · ×Fn. Proposition 31
+ Mise en garde :
Ne pas oublier l’hypoth`ese d’ind´ependance dans la pr´ec´edente proposition !
* Remarque :
On utilise les notations de la pr´ec´edente proposition.
1. A partir de F =F1 ×F2× · · · ×Fn, on obtient, par d´erivation, une densit´e f de M.
2. On peut faire le mˆeme raisonnement avec min(X1, ..., Xn).
- Exercice 6 :
On pose Y = min(X1, X2) avec X1 et X2 deux variables al´eatoires `a densit´e ind´ependantes telles que :
X1 ,→ E(λ1) et X2 ,→ E(λ2) avecλ1 etλ2 deux r´eels. D´eterminer la loi de Y.
4.3 Sommes de variables ` a densit´ e ind´ ependantes
* Remarque :
Si f et g sont deux densit´es de probabilit´es, on admet que Z +∞
−∞
f(u)g(z −u)du est une int´egrale convergente pour tout r´eel z.
Soient f et g deux densit´es de probabilit´es. On appelle produit de convolution de f et deg l’application, not´eef ⊗g, suivante :
f ⊗g :z 7→
Z +∞
−∞
f(u)g(z−u)du.
D´efinition 32
* Remarque :
1. On utilise les notations de la pr´ec´edente d´efinition. Sif etg sont deux densit´es de probabilit´e, on peut d´emontrer que, pour tout r´eel z, l’int´egrale g´en´eralis´ee
Z +∞
−∞
f(u)g(z−u)duconverge.
2. Le programme stipule que la formule du produit de convolution devra ˆetre rappel´ee en cas de besoin.
3. On utilise les notations de la pr´ec´edente d´efinition. Pour tout r´eel z, on a : Z +∞
−∞
f(u)g(z−u)du = Z +∞
−∞
g(u)f(z−u)du.
On a donc f ⊗g =g⊗f.
Soient X et Y deux variables al´eatoires ind´ependantes de densit´e fX et fY. X+Y est une variable `a densit´e, une de ses densit´es est densit´efX⊗fY. Une densit´eh deX+Y est donc d´efinie par :
Pour tout r´eel t, h(t) = Z +∞
−∞
fX(u)fY(t−u)du.
Proposition 33
* Remarque :
On utilise les notations de la pr´ec´edente proposition. Si on rajoute l’hypoth`ese que X et Y sont `a valeurs positives alors une densit´e h deX+Y est :
h:
R - R
t -
0 si t <0
Z t 0
fX(u)fY(t−u)du si t>0 .
- Exercice 7 :
On poseY =|X1−X2| avecX1 etX2 deux variables al´eatoires `a densit´e ind´ependantes telles que : X1 ,→ U([0,1]) et X2 ,→ U([0,1]).
D´eterminer la loi de Y.
4.4 Sommes de gaussiennes ind´ ependantes
Soient X et Y deux variables al´eatoires ind´ependantes, m1 etm2 deux r´eels et σ1 etσ2 deux r´eels strictement positifs. On suppose que :
X ,→ N(m1, σ12) et Y ,→ N(m2, σ22).
alors X+Y ,→ N(m1+m2, σ12+σ22).
Proposition 34
+ Mise en garde :
Ne pas oublier l’hypoth`ese d’ind´ependance dans la pr´ec´edente proposition !
* Remarque :
Ce r´esultat se g´en´eralise ais´ement au cas denvariables al´eatoires gaussiennes et ind´ependantes. Si on se donnen r´eelsm1,...,mn,n r´eels strictement positifs σ1,..., σn,n variables al´eatoires mutuellement ind´ependantes X1,..., Xn et si, pour touti de J1, nK, on a :
X ,→ N(mi, σi2) alors X1+· · ·+Xn ,→ N(m1+· · ·+mn, σ12+· · ·+σn2).
5 Exercices du td
Exercices ` a chercher
. Exercice 1 :
Soient a un r´eel et f la fonction d´efine par :
f :
R → R
t 7→
( a
√t+ 2 si −2< t62,
0 sinon
1. D´eterminer a pour que f soit une densit´e. On suppose d´esormais que a prend cette valeur.
2. Soit X une variable al´eatoire de densit´e f. D´eterminer la fonction de r´epartition deX.
3. D´eterminer P (X2 >1).
. Exercice 2 :
Soit F la fonction d´efinie par :
∀x∈R, F (x) = x2
x2+ 11R+(x).
1. Montrer que F est la fonction de r´epartition d’une variable al´eatoire continue X dont on donnera une densit´e.
2. Montrer queX admet une esp´erance et la calculer.
3. Si X admet une variance, la calculer.
. Exercice 3 :
Soient X une variable `a densit´e suivant la loi uniforme sur [−1,2]. D´eterminer la loi de −X et celle deX2.
. Exercice 4 :
Soient (Ω,T, P) un espace probabilis´e etX une variable al´eatoire suivant une loi uniforme sur [0,1].
Pour tout ´el´ement ω de Ω, on pose : Y(ω) =
(−ln (X(ω)) si X(ω)6= 0 0 si X(ω) = 0. D´eterminer la loi de Y.
. Exercice 5 :
Soit X une variable al´eatoire r´eelle suivant une loi exponentielle de param`etre λ avec λ un r´eel strictement positif. Montrer que pour tout r´eels positifs t et h, on a :
P(X>t)(X > t+h) = P(X > h).
. Exercice 6 :
SoitY une variable al´eatoire suivant une loi uniforme surh
−π 4,π
4 i
. Montrer que la variable al´eatoire tan(Y) admet une esp´erance et la calculer.
. Exercice 7 :
Soient X et Y deux variables al´eatoires ind´ependantes qui suivent des lois exponentielles, respecti- vement de param`etresλ etµavecλ etµdeux r´eels strictement positifs. D´eterminer la loi de X+Y.
. Exercice 8 :
Une soci´et´e de service en informatique va r´ealiser le portail web du lyc´ee d’Alzon. Le responsable de projet estime que la dur´ee n´ecessaire, en jours de travail, pour r´ealiser le site demand´e suit une loi normale de param`etres 400 et 20.
1. Quelle est la probabilit´e que le projet soit fini avant 400 jours, avant 410 jours ?
2. Quelle dur´ee devrait-il annoncer au client pour avoir 90% de chances de finir dans les temps ? 3. Le commercial d´ecide qu’on peut toujours travailler plus vite et annonce au client que le projet
est r´ealisable en 350 jours. Quelle est la probabilit´e que le projet soit fini dans les temps ?
Exercices ` a faire pendant la classe
- Exercice 9 :
1. D´eterminer la loi debXcet son esp´erance avec X qui suit une loi exponentielle de param`etre λ.
2. Soient a un r´eel et f la fonction suivante : f :x7→
( a
1 +x2 si x>0 0 sinon
.
(a) D´eterminer a pour que f soit une densit´e. On appellera alors X une variable dont une densit´e est f.
(b) D´eterminer la loi de Y avec Y = arctan(X).
- Exercice 10 :
Trois personnes, Messieurs A, B et C, se pr´esentent `a l’ouverture d’une poste comportant deux guichets. Messieurs A et B acc`edent imm´ediatement `a un guichet, Monsieur C attend qu’un des deux guichets se lib`ere. On note X, Y et Z les temps de passage aux guichets de Messieurs A, B et C, on suppose que ces variables al´eatoires sont ind´ependantes et suivent chacune une loi uniforme sur [0; 1].
1. D´eterminer une densit´e de X−Y.
2. Montrer que|X−Y| est une variable al´eatoire `a densit´e dont on donnera une densit´e.
3. Quelle est la probabilit´e que Monsieur C soit la derni`ere personne `a sortir ?
- Exercice 11 :
Une usine a une chaˆıne de montage avec n machines qui travaillent en parall`ele. On commence `a fabriquer des objets `a l’instant 0. Pour tout i de J1, nK, on note Xi le temps de fabrication d’un objet sur la i-`eme machine et on suppose que Xi suit une loi uniforme sur [0,1]. Lorsque l’objet est fabriqu´e, la machine s’arrˆete.
Soient t un ´el´ement de [0; 1] et Nt le nombre d’objet fabriqu´es `a l’instantt.
1. Reconnaˆıtre la loi de Nt.
2. Pour tout entier naturel non nulk, on noteTk le temps n´ecessaire `a la fabrication dek objets.
(a) Relier (Tk 6t) et (Nt>k).
(b) En d´eduire que Tk est une variable `a densit´e.
Exercices bonus
_) Exercice 12 :
On d´efinit une application f par : ∀x∈R, f(x) = 32x21[0,1[(x) + 32(2−x)21[1,2[(x).
1. Montrer quef est une densit´e de probabilit´e. On consid`ere une variable al´eatoireX de densit´e f.
2. D´eterminer la fonction de r´epartition de X.
3. Soit x∈]0,1[,calculer P(|X−1|6x).
4. Montrer que pour toutx∈]0,1[,les ´ev´enements (X >1) et (|X−1|6x) sont ind´ependants.
_) Exercice 13 :
Soit f la fonction d´efinie sur Rpar : ∀x∈R, f(x) = x121[1,+∞[(x). 1. Montrer quef est une densit´e d’une variable al´eatoire r´eelle X.
2. X admet-elle un esp´erance ? M Exercice 14 :
Soient σ un r´eel strictement positif, Soit X une variable al´eatoire r´eelle suivant une loi normale centr´ee de variance σ2 etY une variable al´eatoire r´eelle suivant une loi exponentielle de variance σ2. Donner la loi de−X et celle de −Y.
_) Exercice 15 : On pose : Y = ln(1−X)
a et Z = cos(πX) avec a un r´eel strictement positif et X une variable al´eatoire r´eelle suivant une loi uniforme sur [0,1]. Montrer que X et Z sont des variables `a densit´e admettant des variances et donner leur loi, leur esp´erance et leur variance.
M Exercice 16 :
Pour tout entier naturel non nuln, soitfnla fonction suivante : fn :
R → R
x 7→
( cn
1− x n
n
si 06x < n,
1. D´eterminer cn.
2. Trouver Fn la fonction de r´epartition deXn. 3. Expliciter F d´efinie par :
Pour tout r´eel x, on pose :F(x) = lim
n→+∞(Fn(x)).
4. Montrer que F ainsi d´efinie est une fonction de r´epartition d’une variable al´eatoire r´eelle
`
a densit´e.
_) Exercice 17 :
1. On suppose que T est une variable al´eatoire r´eelle positive repr´esentant l’instant o`u un atome sujet `a d´esint´egration se d´esint`egre.
On suppose que T est ”sans m´emoire”, ce qui signifie que, (a) Pour tout t r´eel strictement positif, P(T > t)>0
(b) Pour tout r´eel positif, la probabilit´e que l’´ev´enement surgisse apr`es l’instant t+ssachant qu’il surgira apr`es l’instant t est ind´ependante de t.
On pose, pour tout r´eel strictement positift,g(t) = ln (P(T > t)). On va montrer qu’alorsT suit une loi exponentielle. Soit F la fonction de r´epartition de T. On suppose que F est une fonction de classe C1 surR+.
(a) Expliciter F sur R−?.
(b) Montrer que pour tout (t, s)∈(R+?)2, on a :
g(t+s) =g(t) +g(s).
(c) Montrer que g0 est constante surR+.
(d) En d´eduire la fonction de r´epartition puis la loi de T.
2. On suppose que l’on a, `a l’instant z´ero du processus une population de N (N entier naturel non nul ) atomes de type A pouvant se d´esint´egrer en atomes de type B. Pour tout n de J1, NK, on note Tn l’instant de d´esint´egration de l’atome n. On a donc prouv´e que, pour un certain r´eel strictement positif λ, chaque Tn suit une loi exponentielle de param`etre λ et les Tn sont ind´ependants dans leur ensemble. A un instant t strictement positif, on note N(t) la proportion d’atomes encore de type A, le reste s’´etant transform´e en atomes de typeB. (a) Exprimer N(t) `a l’aide de fonctions indicatrices d’´ev´enements ayant trait aux variables
Tn.
(b) Quelle est l’esp´erance deN(t) ? A quel instanttla population a-t-elle diminu´e, en moyenne, de moiti´e ?
(c) Quelle est la varianceVN de N(t) ? (d) Que vaut lim
N→+∞(VN) ?
(e) Proposer une interpr´etation physico-raisonnable de ce fait.
M Exercice 18 :
Soit X une variable al´eatoire de densit´e f avec : f :
R → R
x 7→ 1
π(1 +x2) 1. Montrer queX est bien d´efinie.
2. D´eterminer P(X 60), P(X >1) et P(X <−1).
3. Expliciter l’esp´erance de X si X admet une esp´erance.
_) Exercice 19 :
Soit X une variable al´eatoire suivant une loi uniforme sur [0,1]. On pose Y =X2. 1. Montrer queY est une variable `a densit´e et d´eterminer sa loi.
2. Expliciter, si elles existent, l’esp´erance et la variance de Y.