Variables al´ eatoires continues
Introduction
En classe de seconde, on d´eveloppe le vocabulaire ´el´ementaire des probabilit´es, dont on propose un bref rappel. Une exp´erience al´eatoire, c’est `a dire une exp´erience dont le r´esultat ne peut ˆetre d´etermin´e
`
a l’avance, peut ˆetre vue comme une liste des issues possibles. Cet ensemble est appel´e l’univers de l’exp´erience, not´e Ω. Par exemple, si on lance un d´e `a six faces, num´erot´ees de 1 `a 6, l’univers est Ω = {1; 2; 3; 4; 5; 6}. Un ´ev´enement est alors un sous-ensemble de Ω : par exemple {2; 4; 6} ⊂ Ω est l’´ev´enementla face est paire. Il y a deux types d’´ev´enements :
1. les ´ev´enements ´el´ementaires, ou les issues1. Ce sont les r´esultats de l’exp´erience. Par exemple{2}.
2. les ´ev´enements, comme sous-ensembles deΩou r´eunion des ´ev´enements ´el´ementaires.
Enfin, comme les ´ev´enements sont des ensembles, on peut en faire des unions et des intersections :A∪B est l’union deAet deB, on ditAouB, etA∩Best l’intersection deAetB, on ditAetB. On notera que siA∩B=∅, on dit que les ´ev´enementsAetBsont incompatibles.
Une probabilit´e est une fonction. On dit queP est une probabilit´e sur l’universΩsi 1. 0≤P(A)≤1, quel que soit l’´ev´enementAde l’universΩ;
2. P(Ω) = 1;
3. P(A∪B) =P(A) +P(B)quels que soient les ensemblesAetBtels queA∩B=∅.
Cette fonction particuli`ere n’est pas d´efinie surΩ(en effet un ´ev´enement ´etant un sous-ensemble deΩ, un ´ev´enement n’est pas ´el´ement deΩ). En premi`ere, on donne la d´efinition de l’ensemble des parties d’un ´ev´enement :
D´efinition 1 (Ensemble des parties d’un ´ev´enement)
SoitEun ensemble. L’ensemble des parties deE, not´eP(E), est l’ensemble de tous les sous ensembles deE. Autrement dit,P(E) est un ensemble contenant des ensemblesAtels queA⊂E.
Exemple(s) 2
On consid`ere l’ensembleE={a;b}. Alors
P(E) ={∅;{a};{b};{a;b}}.
Autrement dit,P(E)est un ensemble dans lequel on trouve la liste des sous-ensembles deE. En tradui- sant avec le vocabulaire des probabilit´es,P(Ω)est un ensemble dans lequel on trouve tous les ´ev´enements de l’universΩ.
Ainsi, une probabilit´e est une fonctionPdont la variable est un ensembleE∈P(Ω)et dont les valeurs sont dans[0; 1].
En classe de seconde toujours, vous avez observ´e la notion de mod`ele de probabilit´e. Comprenez : dire quela probabilit´e d’avoir un 6 avec un d´e `a six faces est de 1/6est la chose la moins naturelle du monde. Toujours avec l’exemple du d´e `a six faces, on peut consid´erer deux mod`eles :
IssuesωdeΩ 1 2 3 4 5 6
P(ω) 1/6 1/6 1/6 1/6 1/6 1/6
1. En r´ealit´e, une issue est le r´esultat et l’´ev´enement ´el´ementaire est le singleton form´e par le r´esultat.
Par exemple, pour le d´e `a six faces : 3 est une issue, et{3}est un ´ev´enement ´el´ementaire
Dans ce mod`ele, dit ´equiprobable, on consid`ere que la probabilit´e de toutes les issues est la mˆeme. Vous noterez que la somme des probabilit´es est bien ´egale `a 1. C’est le mod`ele parfait : chaque ´ev´enement a la mˆeme probabilit´e. Mais on peut d´ecider d’un autre mod`ele :
IssuesωdeΩ 1 2 3 4 5 6
P(ω) 0 0 1 0 0 0
Dans ce mod`ele, toutes les probabilit´es sont nulles sauf une ! On ne peut jamais tomber sur une face sauf 3 (imaginez le d´e qui roule syst´ematiquement pour donner le r´esultat 3 !).
Quel est le lien avec la fonctionP qu’on a baptis´e probabilit´e ? Une fonction peut ˆetre d´efinie de trois mani`eres : par son expression alg´ebrique (f(x) = xexp(x)), par son graphe (la courbe de la fonction exponentielle par exemple), ou par un tableau de valeurs. C’est la troisi`eme option qu’on observe ici : dans le deuxi`eme mod`ele, on aP({1}) = 0etP({3}) = 1par exemple. Il y a donc plusieurs fonctions de probabilit´e possibles, et toutes donnent lieu `a diff´erents mod`eles.
Comment choisir un bon mod`ele ? Une premi`ere r´eponse est de se confronter au r´eel : siP({1}) = 1/6 par exemple. En r´ealisant un grand nombre de lancers, la fraction :
Nombre de lancers pour lesquels on tombe sur 1
Nombre de lancers
doit se rapprocher de1/6(c’est une limite). Le choix du mod`ele doit rendre compte au r´eel.
∗ ∗ ∗
En classe de premi`ere, on donne la d´efinition d’une variable al´eatoire. C’est une nouvelle fonction2 qu’on note en g´en´eral X ou Y c’est `a dire par une lettre majuscule, dont la variable est dansΩ et les valeurs dansR. Par exemple, on lance une pi`ece `a deux faces et on peut d´efinir la fonctionX(toujours via son tableau de valeurs :) par
Ev´´ enementsωdeΩ Pile Face
X(ω) 4 2,4
Autrement dit, on d´efinit la fonctionXsur l’ensembleΩ ={pile;face}parX({pile}) = 4etX({face}) = 2,4. On peut donc d´efinir de nouveaux ´ev´enements via cette fonction : {X = 4} est l’´ecriture de la recherche d’ant´ec´edents de4par la fonctionX, ici{X= 4}={pile}.
Comme on dispose de nouveaux ´ev´enements, on peut leur donner une probabilit´e : on parle de la loi de probabilit´e de la variable al´eatoire. Donnons un exemple complet :
On lance un d´e `a six faces num´erot´ees de 1 `a 6, ´equilibr´e. On observe le num´ero de la face du d´e.
L’univers est donc Ω ={1; 2; 3; 4; 5; 6}. SoitX la variable al´eatoire qui prend la valeur1 si la face est paire, et−1sinon. Son tableau est donc :
Issueω∈Ω 1 2 3 4 5 6
X(ω) −1 1 −1 1 −1 1
2. Oui, une variable al´eatoire est une fonction : c’est donc ni une variable, ni al´eatoire. Le vocabulaire utilis´e a pr´ec´ed´e la mise en th´eorie des probabilit´es. C’est pour cela que certains termes sont´etranges.
Donc la variable al´eatoireX a deux valeurs :1et−1. Autrement dit X(Ω) ={−1; 1}.
Il y a donc deux ´ev´enements li´es `a la variable al´eatoire X : l’´ev´enement {X = −1} = {1; 3; 5} et {X= 1}={2; 4; 6}. On peut leur attribuer une probabilit´e naturellement :
P({X=−1}) =P({2; 4; 6}) =3 6 =1
2 et
P({X= 1}) =P({1; 3; 5}) =3 6 =1
2
On a donc associ´e `a chaque ´ev´enement li´e une unique probabilit´e : c’est le fait d’une fonction, qu’on appelle loi de probabilit´e de la variable al´eatoire X. Autrement di, la loi de probabilit´e de la variable al´eatoireX est une fonction dont la variable est un ´ev´enement li´e{X=r}avecrune valeur deX (ou r∈X(Ω)) et donc les valeurs sont des probabilit´es. Ici, la loi de probabilit´e de la variable al´eatoireX est donn´ee par le tableau :
r∈X(Ω) −1 1 P({X=r}) 1/2 1/2
1 - Variables al´ eatoires continues & densit´ e de probabilit´ es
1.1 Variable al´ eatoire continue
D´efinition 3 (Variable al´eatoire continue)
SoitX une variable al´eatoire sur un univers Ω. On dit queX est une variable al´eatoire continue siX(Ω),ie l’ensemble des valeurs deX, est un intervalle deRou une r´eunion d’intervalles de Rnon r´eduit `a un singleton.
Exemple(s) 4
On d´epose une sonde qui flotte sur la mer : elle enregistre en temps r´eel son altitude. On d´eclenche al´eatoirement la lecture de l’altitude de la sonde : le r´esultat est bien al´eatoire, et il est dans un intervalle de la forme [hmin;hmax] avec hmin la plus petite hauteur des vagues ethmax la plus haute.
Si on d´esigne parX la variable al´eatoire qui donne la hauteur de la sonde obtenue avec l’exp´erience, l’ensemble de ses valeurs est l’intervalle [hmin;hmax] : c’est bien une variable al´eatoire continue.
1.2 Densit´ e de probabilit´ e
D´efinition 5 (Fonction densit´e/densit´e de probabilit´e)
Soit f une fonction d´efinie sur un intervalle [a;b]. On dit que f est une densit´e de probabilit´e (ou une fonction densit´e) sur [a;b] si
1. f est continue sur [a;b] ; 2. f est positive sur [a;b] ; 3.
Z b a
f(x)dx= 1.
Exemple(s) 6
1. Soit f : x 7→ 0,5 d´efinie sur [0; 2]. La fonction f est continue sur [0; 2] (c’est une constante), elle est positive sur [0; 2] (en effetf(x) = 0,5≥0 quel que soit le r´eelx), et
Z 2 0
f(x)dx= Z 2
0
0,5dx=
0,5x x=2
x=0
= 0,5×2−0,5×0 = 1.
Doncf est bien une densit´e de probabilit´e sur [0; 2].
2. Soit g : x 7→ ex
eπ−ee d´efinie sur [e;π]. La fonction g est continue sur [e;π], elle est positive sur [e;π] (car la fonction exponentielle est positive surR et que e≤π impliqueee≤eπ par croissance de la fonction exponentielle surR). Enfin
Z π e
g(x)dx= Z π
e
ex
eπ−eedx= 1 eπ−ee
Z π e
exdx= 1 eπ−ee
ex
x=π
x=e
= eπ−ee eπ−ee = 1 doncg est bien une densit´e de probabilit´e sur [e;π].
3. Soith:x7→ x2 R4
3 t2dt d´efinie sur [3; 4]. On notera que Z 4
3
t2dtest une constante, dont
3
la valeur est
Z 4 3
t2dt= t3
3 t=4
t=3
=43−33
3 = 37
3 . Donc, quel que soit le r´eel xdans [3; 4]
h(x) = x2 37 3
=3x2 37
et donc la fonction hest bien continue et positive sur [3; 4].
On a Z 4
3
h(x)dx= Z 4
3
3x2
37 dx= 3 37
Z 4 3
x2dx= 3 37
x3 3
x=4
x=3
= 3 37 ×37
3 = 1 donchest bien une fonction densit´e sur [3; 4].
Noter que
Z 4 3
h(x)dx= Z 4
3
x2 Z 4
3
t2dt
dx= 1
Z 4 3
t2dt
× Z 4
3
x2dx= 1
en effet dans cette int´egrale, on divise la fonction par l’int´egrale qu’on va calculer : on norme l’int´egrale. On peut g´en´eraliser : sigest continue et positive sur [a;b], alors
f :x7→ g(x) Z b
a
g(t)dt
est une densit´e de probabilit´e sur [a;b].
4. Soiti:x7→ 1
x sur [3; 3e]. La fonctioniest bien continue et positive sur [3; 3e] et Z 3e
3
dx x =
lnx
x=3e x=3
= ln(3e)−ln(3) = ln3e
3 = lne= 1.
Donciest bien une fonction densit´e sur [3; 3e].
A noter qu’on peut g´en´eraliser, les fonctions j :x7→ 1
x
sur [a;ae] aveca∈R∗+ sont des fonctions densit´es sur [a;ae].
Remarque(s) 7
On rencontrera plusieurs fois des densit´es qui ne respectent pas cette d´efinition : on peut d´efinir des densit´es surR, et dans ce cas il faut consid´erer l’int´egrale
Z +∞
−∞
f(x)dx.
On parle d’int´egrale g´en´eralis´ee ou d’int´egrale impropre : ce n’est pas au programme, vous n’avez pas `a connaˆıtre ce qui est indiqu´e dans cette remarque. L’approche est la suivant : sif est une fonction continue sur [a; +∞[ aveca∈R, si
b→+∞lim Z b
a
f(x)dx
existe et est une limite finie, on dit que l’int´egrale est convergente et on note lim
b→+∞
Z b a
f(x)dx= Z +∞
a
f(x)dx
Si la limite infinie, on dit que l’int´egrale est divergente de premi`ere esp`ece, et si la limite n’existe pas, on dit que l’int´egrale est divergente de deuxi`eme esp`ece.
On ne rencontrera que le premier cas. Pour une int´egrale entre−∞et +∞, on utilisera la relation de Chasles
Z +∞
−∞
f(x)dx= Z a
−∞
f(x)dx+ Z +∞
a
f(x)dx et on pourra appliquer la premi`ere approche dans chaque int´egrale.
1.3 Variable al´ eatoire continue ` a densit´ e
D´efinition 8 (Variable al´eatoire continue `a densit´e)
SoitXune variable al´eatoire al´eatoire etfX une densit´e de probabilit´e sur [a;b]. On dit queX est une variable al´eatoire continue de densit´e de probabilit´efX (ou une variable al´eatoire `a densit´e) si
∀x1∈[a;b], ∀x2∈[a;b] tel quex1≤x2, P({x1≤X ≤x2}) = Z x2
x1
fX(t)dt.
Remarque(s) 9
L’ensemble de d´efinition de fX est l’ensemble des valeursX(Ω) deX. On peut observer le principe de la d´efinition dans l’illustration ci-dessous :
Par opposition, une variable al´eatoire non continue sera qualifi´ee de discr`ete.
Proposition 10
SoitX une variable al´eatoire continue `a densit´e sur l’intervalle [a;b].
1. Quel que soit le r´eel c∈[a;b], P({X=c}) = 0.
2. Les probabilit´es des ´ev´enements li´es {x1 ≤ X ≤ x2} sont identiques, que les in´egalit´es soient larges ou strictes (ie qu’on utilise ≤ ou <, ou qu’on utilise ≥ ou>).
3. P({a≤X ≤b}) = 1.
D´emonstration : Point par point.
1. On a
P({X =c}) =P({c≤X ≤c}) = Z c
c
fX(t)dt= 0.
2. C’est une caract´eristique de l’int´egrale : on peut ´epointer (c’est `a dire retirer un point) dans l’intervalle d’int´egration (car l’int´egrale d’une fonction sur un singleton est nulle).
3. C’est trivial :
P({a≤X ≤b}) = Z b
a
fX(t)dt= 1 carfX est une densit´e de probabilit´e sur [a;b].
Remarque(s) 11
On rencontrera des lois continues sur R, ce qui autorise la d´efinition de nouveaux
´ev´enements li´es. Par exemple,
{X ≤3}={−∞< X≤3}
et donc
P({X≤3}) = Z 3
−∞
fX(x)dx.
1.4 Esp´ erance
D´efinition 12 (Esp´erance d’une variable al´eatoire continue `a densit´e)
Soit X une variable al´eatoire continue `a densit´e, de densit´e fX sur l’intervalle [a;b].
L’esp´erance deX est le r´eel
E[X] = Z b
a
xf(x)dx.
Remarque(s) 13
1. C’est une g´en´eralisation naturelle de l’esp´erance d’une variable al´eatoire donn´ee en classe de 1`ere. Avec un exemple de premi`ere : on jette un d´e `a six faces ´equilibr´e et on observe le num´ero de la face. Soit X la variable al´eatoire qui prend la valeur 1 si la face est paire et 0 sinon. La variable al´eatoireX est donc donn´ee par
Issueω de Ω 1 2 3 4 5 6 X(ω) 0 1 0 1 0 1 et donc sa loi est
ValeursrdeX(Ω) 0 1
P({X =r}) 3/6 = 1/2 3/6 = 1/2 L’esp´erance deX est alors
E[X] = 0×P({X= 0}+ 1×P({X = 1}) = 0×1
2+ 1×1 2 = 1
2.
Autrement dit, si on r´ealise un grand nombre de fois l’exp´erience, la valeur moyenne de la valeur al´eatoireX est 1/2.
Comment on calcul l’esp´erance ? On somme le produit des valeurs de la variableX par leurs probabilit´es. Avec le symbole Σ :
E[X] =
n
X
k=1
rkP({X =rk}) avecX une variable al´eatoire qui prendnvaleurs r1,r2 etc.
On consid`ere maintenant une variable al´eatoire Y `a densit´e sur [a;b] et on observe les formules :
Variable al´eatoire discr`ete : E[X] =
n
X
k=1
rk × P({X=rk}) Variable al´eatoire continue : E[Y] =
Z b a
x × fY(x) dx Dans les deux cas, on retrouver unesommedu produit de la valeur deX par sa
probabilit´e / densit´e de probabilit´e.
2. L’esp´erance d’une variable al´eatoire continue et `a densit´e est bien lin´eaire elle aussi.
Autrement dit, quel que soit le r´eela, quels que soient les variables `a densit´eX etY E[aX+Y] =aE[X] +E[Y].
Exemple(s) 14
1. SoitX une variable al´eatoire continue sur [0; 1] de densit´e de probabilit´efX(x) = 1.
On a
E[X] = Z 1
0
tfX(t)dt= Z 1
0
t×1dt= t2
2 t=1
t=0
=1 2
2. SoitY une variable al´eatoire continue sur [0;π] de densit´e de probabilit´efY(x) = 2 π2x.
On a
E[Y] = Z π
0
tfY(t)dt= Z π
0
2t2
π2dt= 2 3π2
Z π 0
3t2dt= 2 3π2
t3
t=π
t=0
= 2π3 3π2 =2π
3
2 - Des lois classiques
2.1 Loi uniforme U ([a; b])
2.1.1 D´ efinition de la loi
D´efinition 15 (Loi uniforme)
SoitXune variable al´eatoire continue `a densit´e. On dit queX suit une loi uniforme sur [a;b] (aveca < b deux r´eels) si sa densit´e est
fX(x) = 1
b−a, ∀x∈[a;b].
Remarque(s) 16 Deux points.
1. Une telle fonction est parfois appel´ee fonction porte. On donne la courbe repr´esentative ci-dessous :
Comme l’int´egrale de la fonction nulle est nulle, on peut d´efinir les fonctions portes
surR. Une premi`ere proposition est la suivante :
fX(x) =
0 si x < a 1
b−a si a≤x≤b 0 si x > b
La suite de ce point de la remarque est hors programme. L’´ecriture ci-dessus est lourde, on peut utiliser des fonctions particuli`eres : les indicatrices. Soit [a;b] un intervalle et
1[a;b](x) =
1 si a≤x≤b 0 sinon
On peut donc d´efinir la densit´e surRvia
fX(x) =1[a,b](x)× 1 b−a.
2. On note parfois X ∼ U([a, b]) pour indiquer que X suit une loi uniforme sur l’intervalle [a;b].
Exemple(s) 17
La variable al´eatoireX de densit´efX(x) = 0,2 sur [10; 15] suit un loi uniforme sur [10; 15].
En effet, aveca= 10 etb= 15 on a fX(x) = 0,2 = 1
5 = 1
15−10 = 1 b−a.
Proposition 18
SoitX une variable al´eatoire continue `a densit´e qui suit une loi uniforme sur [a;b]. Quels que soient les r´eelsx1< x2 dans l’intervalle [a;b],
P({x1≤X ≤x2}) = x2−x1
b−a .
7
D´emonstration :
On va employer la d´efinition de la probabilit´e donn´ee en (8). On a P({x1≤X ≤x2}) =
Z x2 x1
fX(t)dt
= Z x2
x1
1 b−adt
= t
b−a t=x2
t=x1
= x2
b−a− x1 b−a
= x2−x1
b−a
Remarque(s) 19
1. La preuve ci-dessous est au programme. Vous devez ˆetre capable de la refaire.
2. On peut justifier le caract`ereuniforme: siX suit une loi uniforme sur [a;b], quel que soit le r´eel x∈[a;b] et quel que soit le r´eelc tel quex+c∈[a;b]
P({x≤X ≤x+c}) = (x+c)−x b−a = c
b−a
autrement dit, la probabilit´e d’ˆetre dans un intervalle d´epend de la longueur de l’in- tervalle, pas de sa positions dans [a;b]. Les probabilit´es sont donc toutes semblables pour des intervalles de longueurs identiques, d’o`u le caract`ere uniforme.
Exemple(s) 20
1. Soit X une variable al´eatoire qui suit une loi uniforme sur [10; 400]. D´eterminons la probabilit´e que X soit entre 30 et 40 : on aa= 10,b = 400,x1= 30 et x2 = 40 et donc
P({30≤X ≤40}) = 40−30 400−10= 10
390 = 1 39. 2. SoitY une variable al´eatoire qui suit une loi uniforme sur [1; 10]. On a
P({4≤X ≤4,5}) =4,5−4 10−1 = 0.5
9 = 1 18.
2.1.2 Esp´ erance
Th´eor`eme 21
SoitX une variable al´eatoire continue et `a densit´e qui suit une loi uniforme sur [a;b].
Alors
E[X] =a+b 2 . D´emonstration :
E[X] = Z b
a
xfX(x)dx= Z b
a
x× 1
b−adx= 1 b−a
x2 2
x=b x=a
= b2−a2 2(b−a) et commeb2−a2= (b−a)(b+a), on a le r´esultat annonc´e en simplifiant.
Exemple(s) 22
SoitX une variable al´eatoire qui suit une loi uniforme sur [4; 40]. Alors E[X] = 40 + 4
2 = 22.
2.1.3 Simulation num´ erique
La loi uniforme sur [a;b] mod´elise un tirage al´eatoire d’un nombre r´eel entreaetb. Avec la fonction al´eatoirerandom.random()par exemple (ou toute fonction al´eatoire d’algo- rithmique), on peut g´en´erer une premi`ere illustration : on demande au logiciel Python de d´eterminer 100 nombre al´eatoires entre 0 et 1 et on affiche le r´esultat :
Dans le graphe ci-dessus, on a en abscisse le num´ero du nombre al´eatoire r´ealis´e entre 0 et 100 et en ordonn´ee sa valeur entre 0 et 1. On ne voit rien !
L’id´ee est la suivante : lorsqu’une variable al´eatoire suit une loi uniforme, la probabilit´e d’ˆetre dans un intervalle peut ˆetre d´etermin´ee. On d´ecoupe l’intervalle [0; 1] en 5 intervalles (c’est exemple, on peut prendre 3, 10 ... intervalles, c’est arbitraire) : [0 : 15], [15;25], ... et [45; 1]. On parle de classes. Ici, la probabilit´e d’ˆetre dans chaque classe est la mˆeme en th´eorie :P({0≤X ≤1/5}) =P({1/5≤X≤2/5}) =.... On peut utiliser une coloration en fonction de la classe pour illustrer le principe :
On peut ainsi augmenter le nombre de nombre al´eatoire, ci-dessous une illustration pour N= 1000 (en abscisse le num´ero du nombre al´eatoire et en ordonn´ee sa valeur entre 0 et 1) :
Il reste `a compter le nombre de nombres al´eatoires dans chaque classes.
Pour chaque nombre al´eatoire entre 0 et 1, on va regarder dans quelle classe il est et augmenter un compteur. On affiche les r´esultats dans un tableau ci-dessous, dans chaque colonne pourN points dans [0; 1] on donne la fr´equence de points dans la classe :
Classe
0;15 1
5;25 2
5;35 3
5;45 4
5; 1 N= 10 0,4 0,1 0,3 0,1 0,1 N = 100 0,22 0,21 0,23 0,16 0,18 N = 1 000 0,183 0,202 0,205 0,207 0,203 N = 10 000 0,1996 0,1967 0,2041 0,1998 0,1998
LorsqueN - le nombre de nombres al´eatoires pris dans [0; 1] - augmente, les fr´equences se rapprochent toutes de 0,2 = 15 = P({X ∈ [0;15]}) etc. Autrement dit, pour N tr`es grand, il y autant de nombres al´eatoires dans chaque classe. Et comme ceci est vrai pour toutes les classes, on retrouve le caract`ere uniforme de la loi.
2.2 Loi normale N (0; 1)
L’id´ee ici est de construire une nouvelle loi via la loi binomiale. L’int´erˆet, autre que math´ematique, est informatique : les logiciels ne sont pas omniscients, et ce genre de construction permet de faire des simulations plus simplement (en vulgarisant : on a une loiAqu’on peut simuler facilement avec un algorithme. Mˆeme siB est une loi complexe, si on peut faire un lien entreAet B on pourra simulerB `a partir deA).
2.2.1 Le th´ eor` eme de Moivre-Laplace
Le th´eor`eme de Moivre-Laplace est bien au programme, mais il est d´elicat `a comprendre.
On propose, apr`es l’´enonc´e du th´eor`eme,
Th´eor`eme 23 (de Moivre-Laplace)
Soientnun entier naturel,p∈]0; 1[ etXnune variable al´eatoire qui suit une loi binomiale de param`etre (p;n). Avec
Zn= Xn−np pnp(1−p)
alors
n→+∞lim P({x1≤Zn≤x2}) = Z x2
x1
√1 2πe−
x2 2 dx.
D´emonstration :
Admise. C’est un peu complexe, mˆeme si on peut approcher la preuve en terminale.
Analysons le th´eor`eme.
On commence par se donner un ensemble de lois binomiales de mˆeme param`etrep. Dans la suite, le nombre d’´epreuves de Bernoulli naugmente. On observe dans un diagramme en bˆaton diff´erentes simulation de loi binomiale : en abscisse on indique la valeur prise par Xn (entre 0 etn) et en ordonn´ee le nombre de fois que cette valeur est prise
∗ pour n= 10,p= 1/2
∗ pourn= 100, p= 1/2
∗ pourn= 200, p= 1/2
On constate que le sommet des bˆatons du diagramme s’alignent le long d’une courbe : c’est cette courbe qui est au cœur du th´eor`eme.
Mais ce n’est pas la variable al´eatoireXnqui intervient dans le th´eor`eme : c’est la variable al´eatoire Zn. On rappelle que si Xn suit une loi binomiale de param`etre (p;n) alors son esp´erance est E[Xn] = np et sa variance est V[Xn] = np(1−p). On d´esigne par σ[Xn] =p
V[Xn] l’´ecart-type de la variableXn. On a donc
Zn= Xn−E[Xn] σ[Xn] .
Il y a deux op´erations. Premi`erement, en calculant Xn −E[Xn], on retire `a Xn son esp´erance (c’est `a dire sa moyenne). On parle de centrage :
VariableXn avant centrage VariableXn apr`es centrage Autrement dit, on centre la variable autour de 0, en effet
E[Xn−E[Xn]] =E[Xn]−E[E[Xn]] par lin´earit´e de l’esp´erance
=E[Xn]−E[Xn]
= 0.
Deuxi`emement, on divise parσ[Xn] l’´ecart-type. On parle de r´eduction. Le r´eelσ[Xn] est une mesure de la dispersion : plus les donn´ees d’une s´erie sont tr`es in´egalement distribu´ees autour de la moyenne, plusσ[Xn] augmente. En divisant par l’´ecart-type, on norma- lise les donn´ees : c’est comme si elles ´etaient dispers´ees de la mˆeme mani`ere. On peut montrer que :
σ[Zn] = 1.
Le proc´ed´ecentrer r´eduireconsiste donc `anormaliserles lois binomiales.
Dans le th´eor`eme de Moivre-Laplace, on passe `a la limite dans la probabilit´e P({a≤Zn≤b}).
D’apr`es le th´eor`eme, cette limite existe et est finie (c’est l’int´egrale) : doncpourntr`es grand
P({x1≤Zn ≤x2})≈ Z x2
x1
1 2√
2πe−x
2
2 dx.
Cette ´ecriture fait penser `a la d´efinition d’une variable al´eatoire continue `a densit´e, avec ici la densit´e
fZn :x7→ 1 2√
2πe−
x2 2 .
2.2.2 D´ efinition de la loi
D´efinition 24 (Fonction gaussienne)
Soient µ ∈ R et σ > 0. On appelle fonction gaussienne (ou fonction de Gauß) les fonctions de la forme
gµ;σ:x7→ 1
√
2πσ2e−
(x−µ)2 2σ2
d´efinie surR.
Exemple(s) 25
On donne la courbe repr´esentative de g0;1
On a
g0;1(x) = 1
√
2π×12e−
(x−0)2 2×12 = 1
√ 2πe−
x2 2 .
C’est une fonction strictement positive sur R, paire, croissante strictement sur R− et d´ecroissante strictement surR+. Elle admet un maximum en 0 qui est
g0;1(0) = 1
√2π. Remarque(s) 26
On verra plus tard dans le cours l’influence deµet σsur l’allure de la courbe degµ;σ
D´efinition 27 (Loi normale centr´ee r´eduite)
SoitX une variable al´eatoire continue. On dit qu’elle suit la loi normale centr´ee r´eduite si elle est `a densit´e et que sa densit´e est
fX :x7→ 1
√ 2πe−
x2 2 .
On noteX ∼N (0; 1).
Remarque(s) 28
SiX suit la loi normale centr´ee r´eduite, alors sa fonction densit´e est d´efinie surRet fX(x) =g0;1(x), ∀x∈R.
Les difficult´es commencent : on sait que la fonction x7→e−x2 admet des primitives sur R, mais on ne peut pas les exprimer en fonction des fonctions usuelles. Donc on peut pas, pour le moment, calculer
Z x2 x1
√1 2πe−
x2 2dx.
Proposition 29
SoitX une variable al´eatoire qui suit une loi normale centr´ee-r´eduite.
1. P({X≤0}) =P({0≤X}) = 0,5 ; 2. Pour tout r´eel a,
P({X ≤ −a}) =P({a≤X}) 3. Pour tout r´eel a≥0,
P({−a≤X≤a}) = 1−2P({X≥a})
= 2P({X≤a})−1 Remarque(s) 30
Il est difficile de d´emontrer le th´eor`eme : les int´egrales ici sont impropres. On va toutefois donner une interpr´etation g´eom´etrique des affirmations, point par point.
1. La fonction densit´efXde la variable al´eatoireX qui suit la loi normale centr´ee-r´eduite est paire. Que que soit le r´eel strictement positifα:
Z 0
−α
fX(x)dx= Z α
0
fX(x)dx.
G´eom´etriquement, si les int´egrales existent, il semble bien naturel que Z 0
−∞
fX(x)dx= Z +∞
0
fX(x)dx.
Comme Z +∞
−∞
fX(x)dx=P({X ∈Ω}) = 1, le r´esultat respecte l’intuition. En illus- trant :
2. De mˆeme, le r´esultat est g´eom´etrique et li´e `a la parit´e. En illustrant :
3. On peut utiliser la relation de Chasles et la sym´etrie pour d´emontrer le dernier point.
D’une part, d’apr`es le point 2 (par sym´etrie) :
P({X ≤ −a}) +P({X ≤a}) = 2P({a≤X}).
D’autre part,
P({X ∈R}) = Z +∞
−∞
fX(t)dt= 1.
G´eom´etriquement, si on retranche l’aire donn´ee par{X ≤ −a} et {a≤X} `a l’aire totale, on obtient l’aire donn´ee par{−a < X < a}. On aurait
P({−a≤X ≤a}) = 1−[P({X ≤ −a}) +P({a≤X})]
= 1−2P({a≤X}) En illustrant :
4. En outre. La loi normale centr´ee-r´eduite est bien... centr´ee et r´eduite ! Autrement dit, siX ∼N (0; 1) alorsE[X] = 0 etσ[X] = 1.
2.2.3 Estimation de P ({x
1≤ X ≤ x
2})
Avec le th´eor`eme de Moivre-Laplace
Cette sous-section est optionnelle : elle n’est qu’une application du th´eor`eme de Moivre- Laplace dans le cadre de l’algorithme, mais ce n’est pas du tout un exercice qu’on peut rencontrer en examen.
Comme on l’a indiqu´e, on ne peut pas calculer directement l’int´egrale d’une fonction de Gauß. Le th´eor`eme de Moivre-Laplace offre une premi`ere estimation. Soient N un entier
tr`es grand, XN ∼ B(p;N) et Y ∼ N (0; 1), alors d’apr`es le th´eor`eme de Moivre- Laplace
P({x1≤Y ≤x2}) = Z x2
x1
√1 2πe−x
2
2 dx≈P (
x1≤ XN−N p pN p(1−p)≤x2
)!
.
On a
x1≤ XN −N p
pN p(1−p) ≤x2⇔x1
pN p(1−p)≤XN −N p≤x2
pN p(1−p)
⇔x1
pN p(1−p) +N p≤XN ≤x2
pN p(1−p) +N p
On note, pour simplifier,y1 =x1
pN p(1−p) +N p et y2 =x2
pN p(1−p) +N p. On a bien
P (
x1≤ XN−N p pN p(1−p)≤x2
)!
=P({y1≤Xn ≤y2}).
La suite est donn´ee en pseudo langage. On sait simuler une loi binomiale de param`etre (p;N), via l’algorithme :
Binomiale(N, p)=C DemanderN C←0
Pour I allant de 1 `aN X←nombre al´eatoire
Si X < p C←C+ 1 Fin Si Fin Pour Donner(C)
On peut noter que la variablepn’a aucun int´erˆet ici : on centre et on r´eduit la variable X. On va simuler un grand nombre T de r´ealisations de loi binomiales, et compter les r´ealisations dont les valeurs sont entrey1 et y2 :
Estimation(T, N, p, x1, x2) =R DemanderT, N, p, x1, x2
R←0 Y1←x1p
N p(1−p) +N p Y2←x2
pN p(1−p) +N p Pour J allant de 1 `a T C←Binomiale(N, p)
Si Y1≤C≤Y2 R←R+ 1 Fin Si Fin Pour R←R/T Donner(R)
Avec le logiciel Python, en r´ealisant les probabilit´es avecT = 500 simulations, on trouve pourN = 500 etp= 0,5
Z 1
−1
√1 2πe−x
2
2 dx≈0,666.
Le r´esultat manque de pr´ecision : on trace ci-dessous l’estimation de l’int´egrale entre x1=−1 etx2= 1 en fonction deN le nombre d’´epreuves de Bernoulli
On observe une convergence assez mauvaise : les points restent dans un rectangle de hauteur non n´egligeable. On pourrait augmenter la pr´ecision des probabilit´es en augmen- tantT, mais il y a deux boucles enchaˆın´ees et il y a doncT×N calculs. AugmenterT ou N, c’est augmenter le nombre de calculs et donc le temps de calcul. On peut d´emontrer (et on va l’admettre) que
Z 1
−1
√1 2πe−x
2
2 dx≈0,6827.
On va mettre une coloration dans le pr´ec´edent graphe : si l’estimation de l’int´egrale est `a 10−2pr`es bonne, on utilise une couleur verte, sinon une couleur rouge. On obtient :
On peut enfin estimer, `aN = 100 fix´e, le nombre de simulation convenables `a 10−2 pr`es : seulement 2% des estimations le sont ! PourN = 300, 32% des estimations sont bonnes `a 10−2 pr`es et pourN = 500 il y a 35% d’estimations convenables.
Avec la machine `a calculer
On donne la proc´edure avec une Casio uniquement : on veut estimer `a la machine `a calculerP({a≤X ≤b}) aveca < b et X une variable al´eatoire qui suit une loi normale centr´ee-r´eduite. Pour entrer dans le menu lois et probabilit´es, rendez-vous dans stat
S´electionnerDISTavecF5(comme distribution en anglais, c’est `a dire r´epartition), et ensuiteNORM(comme normal... ) avecF1. Vous avez trois choix :
1. Npd:normal punctual distribution. Ici, cette fonction donne les valeurs de la densit´e d’une loi normale. Ce n’est pas ce qu’on cherche.
2. Ncd : normal cumular distribution. Cumuler les valeurs, c’est faire une somme et une somme continueest une int´egrale : c’est cette fonction qu’on utilise. Elle va estimer l’aire sous la courbe de la densit´e.
3. InvN:Inversion Normal. Cette fonction est tr`es int´eressante, on l’utilisera plus tard : elle r´epond `a la question connaissant la probabilit´e, qu’elles sont les valeurs entre lesquelles se trouve la variable al´eatoire ?.
On va utiliser le deuxi`eme choix : appuyer surF2. Vous obtenez :
Il y a quatre ´el´ements `a renseigner :
1. Lower : qu’on peut traduire enborne inf´erieure.
2. Upper: laborne sup´erieure.
3. σ : c’est bien l’´ecart-typeσ[X] de la variableX. Ici on entre 1.
4. µ: c’est l’esp´eranceE[X] de la variable, on entre 0.
La fonction va donc calculer l’aire ci-dessous :
Exemple(s) 31
On veut estimerP({−1≤X ≤3}) `a la machine `a calculer. On entre :
et on obtient
DoncP({−1≤X≤3})≈0,839.
On donne un deuxi`eme exemple, pour estimer les probabilit´es de la formeP({X ≥x1}).
Exemple(s) 32
EstimerP({X ≥1}) avecXune variable al´eatoire qui suit une loi normale centr´ee-r´eduite.
On ouvre `a nouveau la fonction Ncd. L’´ev´enement {X ≥1} peut s’´ecrire {1 ≤ X <
+∞}: en observant la courbe de la gaussienne, on constate que celle-cis’´ecrase rapide- mentsur l’axe des abscisses. On peut donc n´egliger une partie de l’int´egrale, sans risque d’approximations douteuses de la probabilit´e.
Autrement dit, on va consid´erer que
P({1≤X <+∞}) =P({1≤X ≤1 000})
par exemple. En vulgarisant, on r´ealise l’infini avec la machine `a calculer avec un nombre tr`es grand. Mais on verra plus tard que r´ealiser l’infini pour une loi normale n’est pas si difficile.
Bref, on entre
et la machine `a calculer donne
Bref,
P({1≤X})≈0,159.
2.2.4 Inversion de la loi normale centr´ ee-r´ eduite
On se donne une variable al´eatoire X qui suit une loi normale centr´ee-r´eduite. On suppose que l’on connait P({a ≤X ≤ b}) = 1−α, d’inconnue a et b. Autrement dit, on connait la valeur de l’int´egrale, et on cherche les bornes de l’int´egrale pour obtenir ce r´esultat.
On va simplifier le probl`eme : on chercheuαun r´eel positif tel que P({−uα≤X ≤uα}) = 1−α
avecα∈]0; 1[. En illustrant :
Encore une fois, ici on connait 1−α (pour fixer les id´ees, 1−α = 0,95 et donc α = 1−0,95 = 0,05). D’apr`es la proposition (29)
P({−uα≤X ≤uα}) = 2P({X ≤uα})−1.
Le probl`eme revient donc `a chercheruαtel que
P({−uα≤X ≤uα}) = 1−α⇔2P({X ≤uα})−1 = 1−α
⇔P({X≤uα}) = 1−α 2.
Le probl`eme P({X≤a}) =k
Th´eor`eme 33
Soient k∈]0; 1[ etX une variable al´eatoire qui suit une loi normale centr´ee-r´eduite. Il existe un uniquement r´eelatel queP({X ≤a}) =k.
D´emonstration : Admise.
Le th´eor`eme assure l’existence et l’unicit´e, mais il ne donne pas la solution.
Inversion de la loi normale avec la machine `a calculer
On ouvre le menu statistique et distribution, et on fait le choix de la loi normale (NORM). PrendreInvNpour inverser la loi normale. On a l’´ecran suivant :
La premi`ere ligne renseigne la forme de l’int´egrale :
Left Center Right
{X ≤a} {−a≤X≤a} {a≤X}
Oui... Votre machine `a calculer peut d´eterminer directement le r´eel uα sans utiliser la formule du th´eor`eme (29). Vous pourrez le faire directement en exercice, sauf si vous ˆetes invit´e `a utiliser ce r´esultat. Reprenons.
Avec :
1. Tail: qu’on peut traduire parle bout, qu’on vient de voir ;
2. Area: c’est `a dire l’aire, c’est donc la probabilit´e 1−αqu’on connait ; 3. σ : c’est toujours l’´ecart-type de la variableX, ici 1 ;
4. µ: l’esp´erance deX, qui est nulle ici.
Exemple(s) 34
On consid`ere la variable al´eatoireX qui suit une loi normale centr´ee-r´eduite. On cherche u0,05tel que
P({−u0,05≤X≤u0,05}) = 0,95.
On a bien 1−α= 0,95ie α= 0,05, ce qui justifie l’´ecriture.
Premi`ere solution. En utilisant directement la machine `a calculer, en utilisant la fonction InvNet en entrant :
on obtient
Autrement dit,
P({−1,96≤X≤1,96})≈0,95 ou encoreu0,05≈1,96.
Deuxi`eme solution. En employant le th´eor`eme (29). On a Remarque(s) 35
Pourquoi utiliser le th´eor`eme (29) ?
Il n’y a pas encore si longtemps, les machines `a calculer n’avaient pas de fonctions adapt´ees pour la recherche deuα. On donnait (et on donne encore !) des tables d’inversions.
En voici un exemple : on cherchextel queP({X≤1,29}). Le tableau est `a deux entr´ees : 1,29 = 1,2 + 0,09, `a l’intersection de la ligne 1,2 et de la colonne 0,09 on trouve la probabilit´e
DoncP({X≤1,29})≈0,9015.
En ramenant les probl`emes `a la recherche de P({X ≤ x}) on peut utiliser une seule table.
2.3 Loi normale N (µ, σ)
2.3.1 D´ efinition de la loi
D´efinition 36 (Loi normale)
SoitX une variable al´eatoire continue et `a densit´e. On dit que X suit une loi normale d’esp´eranceµ∈Ret d’´ecart-typeσ∈R∗+si la variable al´eatoire
Z =X−µ σ suit une loi normale centr´ee r´eduite.
Remarque(s) 37
1. On retrouve le principe de centrage-r´eduction du th´eor`eme de Moivre-Laplace :X−µ est centr´ee (on retire l’esp´erance) et en divisant parσon r´eduit. Autrement dit,
Z =X−µ
σ ⇔X =σZ+µ
c’est `a dire qu’on peut obtenir X apr`es1 une d´er´eduction de facteur σ et un
d´ecentragedeµd’une loi normale centr´ee-r´eduite.
2. Attention, il y a deux notations dans la litt´erature. Soit on d´esigne une loi normale par son esp´erance et son ´ecart-typeσ, soit par son esp´erance et sa varianceσ2. Dans la pratique, pour r´epondre `a cette confusion possible et gˆenante, on pr´ecise toujours si le r´eel strictement positif donn´e est la variance ou l’´ecart-type.
Dans ce cours, on noteraX ∼N (µ;σ) pourX suit une loi normale d’esp´eranceµ et d’´ecart-typeσ.
3. SiX ∼N (µ;σ) alors
E[X] =µet σ[X] =σ.
2.3.2 Calculer P ({x
1≤ X ≤ x
2})
Avec un changement de variable et la machine `a calculer
SoitX une variable al´eatoire qui suit une loi normale d’esp´eranceµet d’´ecart-type σ.
Par d´efinition, la variable al´eatoire
Z =X−µ σ .
1. Et l`a je vais utiliser une terminologie qui ne veut rien dire !
Soientx1≤x2 deux r´eels, alors
x1≤X ≤x2⇔x1−µ≤X−µ≤x2−µ
⇔ x1−µ
σ ≤ X−µ
σ ≤x2−µ σ
⇔ x1−µ
σ ≤Z≤ x2−µ σ et donc
P({x1≤X ≤x2}) =P
x1−µ
σ ≤Z≤ x2−µ σ
.
On peut calculer la seconde probabilit´e connaissant les valeurs des probabilit´es de la loi normale centr´ee-r´eduite.
Exemple(s) 38
On veut estimerP({1 ≤X ≤3}) avec X qui suit une loi normale d’esp´eranceµ= 2 et d’´ecart-typeσ=e.
On a
P({1≤X ≤3}) =P({1−2≤X−2≤3−2})
=P({−1≤X−2≤1})
=P −1
e ≤ X−2 e ≤ 1
e
Comme la variable al´eatoire Z = X−2
e suit une loi normale centr´ee-r´eduite (par d´efinition !), en utilisant la machine `a calculer en entrant
on a
Avec la machine `a calculer directement
Votre machine `a calculer permet d’estimer directement les probabilit´es des variables al´eatoire qui suivent des lois normales quelconques. Reprenons l’exemple (38), on entre dans la machine `a calculer
et on trouve
Remarque(s) 39
Une mise en garde ! On pourrait penser qu’il suffit de pianoter sur la calculatrice pour r´epondre `a toutes les questions. Mais on peut imaginer un exercice de ce genre : sans utiliser la calculatrice, sachant queP({−0,1≤X ≤2}) =...d´eterminerP({..≤Z≤...}) avec un changement de variable.
2.3.3 Sym´ etrie de la fonction de Gauß
Observons, g´eom´etriquement uniquement, les effets des param`etresµ∈Retσ >0 sur la courbe repr´esentative de la fonction de Gauß.
Observons l’effet de σ`aµ= 0 fix´e :
On constate que σ r`egle l’´etalement de la courbe. Cela correspond `a l’id´ee de dispersion de l’´ecart-type. Plus pr´ecis´ement, quel que soit le r´eel strictement positif σ, l’int´egrale de la fonction densit´e est 1 : siσest´elev´ealors les donn´ees sont dispers´ees et la courbe de la gaussienne est ´etal´ee. Au contraire, siσest tr`esprochede 0 alors les donn´ees sont tr`es peu dispers´ees autour de la moyenne : la courbe estcontract´eeautour de la moyenne.
Observons maintenant l’effet de l’esp´eranceµ`aσ= 1 fix´e :
On constate que la courbe de la gaussienne pour µ quelconque est le translat´e de la courbe de la gaussienne centr´ee-r´eduite par la translation de vecteur
µ 0
.
On retiendra : la courbe de la gaussienne pour µet σquelconque admet une sym´etrie axiale d’axe la droitex=µ.
2.3.4 R` egle des trois sigmas
On s’int´eresse `a laconcentrationdes valeurs d’une variable al´eatoire qui suit une loi normale. SoitX une variable al´eatoire qui suit une loi normale d’esp´eranceµet d’´ecart- typeσ. On dira queX est `a k σ de µ si {µ−kσ ≤ X ≤µ+kσ}, avec k ∈ R+. On retiendra (par cœur !) les probabilit´es que X soit `a 1-σ, 2-σet 3-σdeµ.
Th´eor`eme 40 (R`egle des trois sigmas)
SoitX qui suit une loi normale d’esp´eranceµ∈Ret d’´ecart-typeσ >0. Alors : 1. P({µ−σ≤X ≤µ+σ})≈0,6867 ;
2. P({µ−2σ≤X≤µ+ 2σ})≈0,9545 ; 3. P({µ−3σ≤X≤µ+ 3σ})≈0,9973.
D´emonstration : Admise.
Remarque(s) 41
On peut en faire une interpr´etation g´eom´etrique assez ´el´ementaire : il y a 99,73% des valeurs de la variable `a 3-σdeµ, et ce, quel que soit l’esp´eranceµet l’´ecart-typeσ >0 : les valeurs de la variableX sontconcentr´eesdans cet intervalle.
Ci-dessus, une illustration de la r`egle des trois sigmas pourµ= 4et σ= 2.
Allons un peu plus loin (ce n’est pas au programme). Est-ce que cette propri´et´edes trois sigmasest exclusive `a la loi normale ? On donne un r´esultat hors-programme (mais au programme l’ann´ee prochaine) : c’est l’in´egalit´e de Bienaym´e-Tchebychev.
SiX est une variable al´eatoire continue d’esp´erance et de variance finie, alors quel que soit le r´eelα >0
P
X /∈
E[X]−α;E[X] +α
≤ σ2 α2.
Autrement dit, la probabilit´e que les valeurs deX ne soient pas dans l’intervalle [E[X]− α;E[X] +α] est major´ee (donc au plus) par σ2
α2. On prendα= 3σ >0, on noteµ=E[X], l’in´egalit´e de Bienaym´e-Tchebychev donne
P X /∈
µ−3σ;µ+ 3σ ≤σ2 α2 = σ2
(3σ)2 = σ2 9σ2 =1
9.
C’est `a dire qu’il y a au plus 19 des valeurs en dehors de l’intervalle [µ−σ;µ+ 3σ]. Bref, P({µ−3σ≤µ+ 3σ})≥0,8889
ou autrement dit il y a au moins 88,89% des valeurs d’une variable al´eatoire continue (`a esp´erance et ´ecart-type fini) `a 3-σdeµ.
Exemple(s) 42
SoitX une variable al´eatoire qui suit une loi normale d’esp´eranceµ= 50 et d’´ecart-type σ= 12. On peut, sans machine `a calculer, ´evaluer
P({26≤X≤74}) =P({50−24≤X ≤50 + 24})
=P({µ−2σ≤X ≤µ+ 2σ})≈0,9545.
Cet exemple est bien pauvre en applications. L’int´erˆet de la r`egle des trois sigmas est leportrait qu’elle offre de la r´epartissions des valeurs d’une valeur al´eatoire qui suit une loi normale.
2.4 Loi exponentielle E (λ)
2.4.1 D´ efinition de la loi
D´efinition 43 (Loi exponentielle)
Soient λ >0 etX une variable al´eatoire continue et `a densit´e. On dit queX suit une loi exponentielle de param`etreλsi la densit´e deX est
fX(x) =λe−λx, ∀x∈R+. On note parfoisX∼E(λ).
Remarque(s) 44
On donne ci-dessous les courbes repr´esentatives de certaines densit´es :e
On peut ´eventuellement pr´esenter la fonction densit´e ainsi : fX:t7→1R+(t)λe−λt et d´efinir la fonction densit´e surR.
Proposition 45
SoitX une variable al´eatoire continue qui suit une loi exponentielle de param`etreλ.
1. P({x1≤X}) =e−λx1; 2. P({X ≤x2}) = 1−e−λx2;
3. P({x1≤X ≤x2}) =e−λx1−e−λx2; D´emonstration :
1. Soitb > x1 un r´eel, on a
P({x1≤X≤b}) = Z b
x1
λe−λxdx=
−e−λx x=b
x=x1
=−e−λb− −e−λx1
=e−λx1−e−λb. Comme lim
b→+∞e−λb= 0 car λ >0, on a lim
b→+∞P({x1≤X≤b}) = lim
b→+∞
Z b x1
λe−λxdx= Z +∞
x1
fX(x)dx=e−λx1. 2. On a
P({X ≤x2}) = 1−P({x2< X}) = 1−P({X ≤x2}) = 1−e−λx2 en utilisant le point 1.
3. On a
P({x1≤X ≤x2}) = Z x2
x1
fX(t)dt
=
−e−λt t=x2
t=x1
=−e−λx2− −e−λx1
=e−λx1−e−λx2. Exemple(s) 46
SoitX une variable al´eatoire qui suit une loi exponentielle de param`etre 0,2.
1. P({X ≥4}) =P({4≤X}) =e−0,2×4=e−0,8. 2. P({X ≤10}) = 1−e−0,2×10= 1−e−2.
3. P({1≤X≤12,3}) =e−0,2×1−e−0,2×12,3=e−0,2−e−6,15.
Lemme 47
Une primitive det7→λte−λtsurRest t7→
−t−1 λ
e−λt.
D´emonstration :
La fonction propos´ee est bien d´erivable sur R. Pourx∈R
−t−1 λ
e−λt
0
=
−t− 1 λ
0
e−λt+
−t−1 λ
e−λt0
=−e−λt+
−t−1 λ
(−λ)e−λt
=−e−λt+ (λt+ 1)e−λt
=e−λt[−1 +λt+ 1]
=λte−λt.
Th´eor`eme 48
Soit X une variable al´eatoire continue qui suit une loi exponentielle de param`etre λ.
Alors
1. E[X] = 1 λ; 2. V[X] = 1
λ2.
D´emonstration : 1. Soitr >0. On a
Z r 0
tfX(t)dt= Z r
0
λte−λtdt.
D’apr`es le lemme (47), Z r
0
λte−λtdt=
−t−1 λ
e−λt
t=r
t=0
=
−r−1 λ
e−λr−
−0−1 λ
e−λ×0
=
−r−1 λ
e−λr+1 λ. On a
−r− 1 λ
e−λr=−λre−λr 1
λ+ 1 rλ2
la division parr´etant possible carr >0.
D’une part
r→+∞lim 1 λ+ 1
rλ2 = 1 λ >0.
D’autre part, on a
r→+∞lim −λr=−∞carλ >0 et
R→−∞lim ReR= 0 par croissances compar´ees donc par compositions de limites,
r→+∞lim −λre−λr= 0 et donc par produit de limites
r→+∞lim −λre−λr 1
λ+ 1 rλ2
= 0.
Bref,
r→+∞lim Z r
0
λte−λtdt= lim
r→+∞
−λre−λr 1
λ
+ 1 rλ2
+1
λ = 1 λ. L’esp´erance existe et elle a pour valeurE[X] =
Z +∞
0
tfX(t)dt= 1 λ.
2. Admis.
Remarque(s) 49 Pour calculer
E[X] = Z +∞
0
λte−λtdt on peut observer que
te−λt0
=e−λt−λte−λt⇔λte−λt=e−λt− te−λt0
. Partant,
Z r 0
λte−λtdt= Z r
0
e−λt− te−λt0
dt= Z r
0
e−λtdt− Z r
0
te−λt0 dt.
et le calcul des deux derni`eres int´egrales est bien plus simple.
2.4.2 Perte de m´ emoire
D´efinition 50 (Propri´et´e de perte de m´emoire)
Soit X une variable al´eatoire continue `a valeurs r´eels positives. On dit que X `a la propri´et´e de perte de m´emoire (ou `a l’absence de m´emoire) si pour tout r´eel t positif, pour touthpositif
P{X≥t}({X≥t+h}) =P({X≥h}).
Remarque(s) 51
Autrement dit, sachant queX est plus grand quet, la probabilit´e queX d´epasset+hest la mˆeme que la probabilit´e queX d´epasseh.
Th´eor`eme 52
La loi exponentielle est `a perte de m´emoire.
D´emonstration : On a
P{X≥t}({X≥t+h}) =P({X ≥t+h} ∩ {X≥t})
P({X ≥t}) =P({X ≥t+h}) P({X≥t})