Variables aléatoires continues
A. OLLIVIER
Lycée Jacques Prevert - Pont-Audemer
2020-2021
Considérons une variable aléatoire susceptible de prendre n’importe quelle valeur réelle appartenant à un intervalle donné. Cet intervalle peut être[0;1]ouRpar exemple. Une telle variable aléatoire est dite continue.
A. OLLIVIER Variables aléatoires continues
Considérons une variable aléatoire susceptible de prendre n’importe quelle valeur réelle appartenant à un intervalle donné. Cet intervalle peut être[0;1]ouRpar exemple. Une telle variable aléatoire est dite continue.
La durée de vie d’une ampoule électrique est un exemple de variable aléatoire continue. Dans ce cas, les valeurs prises sont dans l’intervalle[0; +∞[.
Considérons une variable aléatoire susceptible de prendre n’importe quelle valeur réelle appartenant à un intervalle donné. Cet intervalle peut être[0;1]ouRpar exemple. Une telle variable aléatoire est dite continue.
La durée de vie d’une ampoule électrique est un exemple de variable aléatoire continue. Dans ce cas, les valeurs prises sont dans l’intervalle[0; +∞[.
L’ensemble des valeurs étant infini, la probabilité d’obtenir exactement une valeur particulière est nulle en général. On cherchera donc plutôt à déterminer des probabilités du type P(X ∈I), oùIest un intervalle, par exempleP(a≤X ≤b).
A. OLLIVIER Variables aléatoires continues
Soit X une variable aléatoire à valeurs dans un in- tervalle [a;b]. Si X prend toutes les valeurs de [a;b], on dit que X est . . . .
Définition
Soit X une variable aléatoire à valeurs dans un in- tervalle [a;b]. Si X prend toutes les valeurs de [a;b], on dit que X est continue.
Définition
Soit X une variable aléatoire à valeurs dans un in- tervalle [a;b]. Si X prend toutes les valeurs de [a;b], on dit que X est continue. Dans ce cas, la den- sité de probabilité de la variable aléatoire X est . . . .
. . . . . . . .
Définition
SoitX une variable aléatoire à valeurs dans un intervalle [a;b]. SiX prend toutes les valeurs de[a;b], on dit queX est continue. Dans ce cas, la densité de probabilité de la variable aléatoireX estune fonction f positive, continue sauf éventuellement en un nombre fini de points et telle que :
Z b a
f(x)dx =1 Définition
A. OLLIVIER Variables aléatoires continues
SoitX une variable aléatoire à valeurs dans un intervalle [a;b]. SiX prend toutes les valeurs de[a;b], on dit queX est continue. Dans ce cas, la densité de probabilité de la variable aléatoireX est une fonctionf positive, continue sauf éventuellement en un nombre fini de points et telle que :
Z b a
f(x)dx =1 Définition
Le produitf(x)dx joue, pour une variable aléatoire continue, le même rôle que la probabilitéP(x)pour une variable aléatoire discrète. La "somme des probabilités" est ici représentée par Z b
a
f(x)dx et vaut 1.
A. OLLIVIER Variables aléatoires continues
Propriétés
SoitX une variable aléatoire à valeurs dans un intervalle I = [a;b], de densitéf etJ un intervalle inclus dansI, par exempleJ = [u;v].
Propriétés
SoitX une variable aléatoire à valeurs dans un intervalle I = [a;b], de densitéf etJ un intervalle inclus dansI, par exempleJ = [u;v].
•La probabilité de l’événement{X ∈J}, est . . . . . . . .
A. OLLIVIER Variables aléatoires continues
Propriétés
SoitX une variable aléatoire à valeurs dans un intervalle I = [a;b], de densitéf etJ un intervalle inclus dansI, par exempleJ = [u;v].
•La probabilité de l’événement{X ∈J}, estl’aire du domaine défini parx ∈J et 0≤y ≤f(x).
Propriétés
SoitX une variable aléatoire à valeurs dans un intervalle I = [a;b], de densitéf etJ un intervalle inclus dansI, par exempleJ = [u;v].
•La probabilité de l’événement{X ∈J}, est l’aire du domaine défini parx ∈J et 0≤y ≤f(x).
A. OLLIVIER Variables aléatoires continues
•Sif est continue sur[u;v], alorsP(u ≤X ≤v) = . . . .
•Sif est continue sur[u;v], alorsP(u ≤X ≤v) = Z v
u
f(x)dx =F(v)−F(u)oùF est une primitive def.
A. OLLIVIER Variables aléatoires continues
•Sif est continue sur[u;v], alorsP(u ≤X ≤v) = Z v
u
f(x)dx =F(v)−F(u)oùF est une primitive def. En particulier,P(X =u) =P(X =v) =. . .
•Sif est continue sur[u;v], alorsP(u ≤X ≤v) = Z v
u
f(x)dx =F(v)−F(u)oùF est une primitive def. En particulier,P(X =u) =P(X =v) =0.
A. OLLIVIER Variables aléatoires continues
•Sif est continue sur[u;v], alorsP(u ≤X ≤v) = Z v
u
f(x)dx =F(v)−F(u)oùF est une primitive def. En particulier,P(X =u) =P(X =v) =0.
•On peut remplacer des inégalités larges par des inégalités strictes : . . . . . . . .
•Sif est continue sur[u;v], alorsP(u ≤X ≤v) = Z v
u
f(x)dx =F(v)−F(u)oùF est une primitive def. En particulier,P(X =u) =P(X =v) =0.
•On peut remplacer des inégalités larges par des inégalités strictes :P(u≤X ≤v) =P(u <X ≤v) =P(u ≤X <v) = P(u<X <v).
A. OLLIVIER Variables aléatoires continues
•Sif est continue sur[u;v], alorsP(u ≤X ≤v) = Z v
u
f(x)dx =F(v)−F(u)oùF est une primitive def. En particulier,P(X =u) =P(X =v) =0.
•On peut remplacer des inégalités larges par des inégalités strictes :P(u≤X ≤v) =P(u <X ≤v) =P(u ≤X <v) = P(u<X <v).
•L’événement(X >u)est l’événement contraire de l’événement(X ≤u), d’où : . . . .
•Sif est continue sur[u;v], alorsP(u ≤X ≤v) = Z v
u
f(x)dx =F(v)−F(u)oùF est une primitive def. En particulier,P(X =u) =P(X =v) =0.
•On peut remplacer des inégalités larges par des inégalités strictes :P(u≤X ≤v) =P(u <X ≤v) =P(u ≤X <v) = P(u<X <v).
•L’événement(X >u)est l’événement contraire de l’événement(X ≤u), d’où :P(X >u) =1−P(X ≤u).
A. OLLIVIER Variables aléatoires continues
•Sif est continue sur[u;v], alorsP(u ≤X ≤v) = Z v
u
f(x)dx =F(v)−F(u)oùF est une primitive def. En particulier,P(X =u) =P(X =v) =0.
•On peut remplacer des inégalités larges par des inégalités strictes :P(u≤X ≤v) =P(u <X ≤v) =P(u ≤X <v) = P(u<X <v).
•L’événement(X >u)est l’événement contraire de l’événement(X ≤u), d’où :P(X >u) =1−P(X ≤u).
•Sif est continue sur[u;v], alorsP(u ≤X ≤v) = Z v
u
f(x)dx =F(v)−F(u)oùF est une primitive def. En particulier,P(X =u) =P(X =v) =0.
•On peut remplacer des inégalités larges par des inégalités strictes :P(u≤X ≤v) =P(u <X ≤v) =P(u ≤X <v) = P(u<X <v).
•L’événement(X >u)est l’événement contraire de l’événement(X ≤u), d’où :P(X >u) =1−P(X ≤u).
• P(u≤X ≤v) =P(X ≤v)−P(X <u).
A. OLLIVIER Variables aléatoires continues
•Sif est continue sur[u;v], alorsP(u ≤X ≤v) = Z v
u
f(x)dx =F(v)−F(u)oùF est une primitive def. En particulier,P(X =u) =P(X =v) =0.
•On peut remplacer des inégalités larges par des inégalités strictes :P(u≤X ≤v) =P(u <X ≤v) =P(u ≤X <v) = P(u<X <v).
•L’événement(X >u)est l’événement contraire de l’événement(X ≤u), d’où :P(X >u) =1−P(X ≤u).
Exemple
Supposons qu’on choisisse au hasard un point sur un segment de longueur 3. La probabilité que ce point se trouve dans un intervalle donné de ce segment est proportionnelle à
l’amplitude de l’intervalle. Le choix d’un tel point est équivalent au choix d’un nombre quelconque dans l’intervalle[0;3].
Soitf la fonction définie par :f(x) = 1
3 si 0≤x ≤3.
A. OLLIVIER Variables aléatoires continues
Exemple
Supposons qu’on choisisse au hasard un point sur un segment de longueur 3. La probabilité que ce point se trouve dans un intervalle donné de ce segment est proportionnelle à
l’amplitude de l’intervalle. Le choix d’un tel point est équivalent au choix d’un nombre quelconque dans l’intervalle[0;3].
Soitf la fonction définie par :f(x) = 1
3 si 0≤x ≤3.
La fonctionf est continue, positive, sur[0;3]et Z 3
0
f(x)dx =1.
P(1≤X ≤2) =
A. OLLIVIER Variables aléatoires continues
Probabilité Graphique P(1≤X ≤2) =
Z 2 1
1 3dx =
P(1≤X ≤2) = Z 2
1
1
3dx = 1
3 0 1 2 3
P(X ≤2) =
A. OLLIVIER Variables aléatoires continues
Probabilité Graphique P(1≤X ≤2) =
Z 2 1
1
3dx = 1
3 0 1 2 3
P(X ≤2) = Z 2
0
1 3dx =
P(1≤X ≤2) = Z 2
1
1
3dx = 1
3 0 1 2 3
P(X ≤2) = Z 2
0
1
3dx = 2
3 0 1 2 3
P(X <1) =
A. OLLIVIER Variables aléatoires continues
Probabilité Graphique P(1≤X ≤2) =
Z 2 1
1
3dx = 1
3 0 1 2 3
P(X ≤2) = Z 2
0
1
3dx = 2
3 0 1 2 3
P(X <1) = Z 1
0
1 3dx =
P(1≤X ≤2) = Z 2
1
1
3dx = 1
3 0 1 2 3
P(X ≤2) = Z 2
0
1
3dx = 2
3 0 1 2 3
P(X <1) = Z 1
0
1
3dx = 1
3 0 1 2 3
P(X =1) =
A. OLLIVIER Variables aléatoires continues
Probabilité Graphique P(1≤X ≤2) =
Z 2 1
1
3dx = 1
3 0 1 2 3
P(X ≤2) = Z 2
0
1
3dx = 2
3 0 1 2 3
P(X <1) = Z 1
0
1
3dx = 1
3 0 1 2 3
P(X =1) = Z 11
3dx =
P(1≤X ≤2) = Z 2
1
1
3dx = 1
3 0 1 2 3
P(X ≤2) = Z 2
0
1
3dx = 2
3 0 1 2 3
P(X <1) = Z 1
0
1
3dx = 1
3 0 1 2 3
P(X =1) = Z 1
1
1
3dx =0
0 1 2 3
On dit que la variable aléatoire qui a pour densité de probabilité f, suit la loi uniforme sur[0;3].
A. OLLIVIER Variables aléatoires continues
Une variable aléatoire suit une loi uniforme sur[a;b]si sa densité de probabilitéf est définie par
. . . . Définition
Une variable aléatoire suit une loi uniforme sur[a;b]si sa densité de probabilitéf est définie par
f(x) = 1
b−a pour a≤x ≤b Définition
Une variable aléatoire suit une loi uniforme sur[a;b]si sa densité de probabilitéf est définie par
f(x) = 1
b−a pour a≤x ≤b Définition
P(u≤X ≤v) =. . . .=. . . .
P(u ≤X ≤v) = Z v
u
1
b−adx = v−u b−a Propriété
P(u ≤X ≤v) = Z v
u
1
b−adx = v−u b−a
O a b
1 b−a 1
b−a
v−u
u v
P(u≤X≤v)
Loi uniforme sur[a;b]: probabilité de l’événement{u ≤X ≤v}
A. OLLIVIER Variables aléatoires continues
P(u ≤X ≤v) = Z v
u
1
b−adx = v−u b−a Propriété
1 b−a 1
b−a
P(u≤X≤v)
Cette probabilité est pro- portionnelle à la longueur du segment[u;v].
La loi uniforme correspond en probabilités discrètes
Pour une variable aléatoire discrète l’espérance est la somme des produitsxiP(X =xi). Pour une variable aléatoire continue à valeur dans[a;b], nous définissons de manière analogue l’espérance par :
. . . .
A. OLLIVIER Variables aléatoires continues
Espérance
Pour une variable aléatoire discrète l’espérance est la somme des produitsxiP(X =xi). Pour une variable aléatoire continue à valeur dans[a;b], nous définissons de manière analogue l’espérance par :
E(X) = Z b
a
xf(x)dx
Pour une variable aléatoire discrète l’espérance est la somme des produitsxiP(X =xi). Pour une variable aléatoire continue à valeur dans[a;b], nous définissons de manière analogue l’espérance par :
E(X) = Z b
a
xf(x)dx
Les propriétés de l’espérance dans le cadre des variables aléatoires discrètes sont conservées ici.
Dans l’exemple précédent, on a E(X) =
Z 3 0
xf(x)dx =. . . = . . .
A. OLLIVIER Variables aléatoires continues
Espérance
Pour une variable aléatoire discrète l’espérance est la somme des produitsxiP(X =xi). Pour une variable aléatoire continue à valeur dans[a;b], nous définissons de manière analogue l’espérance par :
E(X) = Z b
a
xf(x)dx
Les propriétés de l’espérance dans le cadre des variables aléatoires discrètes sont conservées ici.
Dans l’exemple précédent, on a
Pour une variable aléatoire discrète l’espérance est la somme des produitsxiP(X =xi). Pour une variable aléatoire continue à valeur dans[a;b], nous définissons de manière analogue l’espérance par :
E(X) = Z b
a
xf(x)dx
Les propriétés de l’espérance dans le cadre des variables aléatoires discrètes sont conservées ici.
Dans l’exemple précédent, on a E(X) =
Z 3 0
xf(x)dx = Z 3
0
x
3dx = 3 2.
Ceci correspond au point milieu de l’intervalle[0;3].
A. OLLIVIER Variables aléatoires continues
Dans le cas général d’une loi uniforme, sig(x) =xf(x) = x b−a alors une primitive Gdeg est définie parG(x) =. . . .
Dans le cas général d’une loi uniforme, sig(x) =xf(x) = x b−a alors une primitive Gdeg est définie parG(x) = x2
2(b−a) ,
A. OLLIVIER Variables aléatoires continues
Dans le cas général d’une loi uniforme, sig(x) =xf(x) = x b−a alors une primitive Gdeg est définie parG(x) = x2
2(b−a) , d’où :
E(X) = Z b
a
x
b−adx =. . . .
Dans le cas général d’une loi uniforme, sig(x) =xf(x) = x b−a alors une primitive Gdeg est définie parG(x) = x2
2(b−a) , d’où :
E(X) = Z b
a
x
b−adx =G(b)−G(a) =
A. OLLIVIER Variables aléatoires continues
Dans le cas général d’une loi uniforme, sig(x) =xf(x) = x b−a alors une primitive Gdeg est définie parG(x) = x2
2(b−a) , d’où :
E(X) = Z b
a
x
b−adx =G(b)−G(a) = . . . .
Dans le cas général d’une loi uniforme, sig(x) =xf(x) = b−a alors une primitive Gdeg est définie parG(x) = x2
2(b−a) , d’où :
E(X) = Z b
a
x
b−adx =G(b)−G(a) = b2
2(b−a) − a2 2(b−a)
A. OLLIVIER Variables aléatoires continues
Dans le cas général d’une loi uniforme, sig(x) =xf(x) = x b−a alors une primitive Gdeg est définie parG(x) = x2
2(b−a) , d’où :
E(X) = Z b
a
x
b−adx =G(b)−G(a) = b2
2(b−a) − a2 2(b−a)
=. . . .
Dans le cas général d’une loi uniforme, sig(x) =xf(x) = b−a alors une primitive Gdeg est définie parG(x) = x2
2(b−a) , d’où :
E(X) = Z b
a
x
b−adx =G(b)−G(a) = b2
2(b−a) − a2 2(b−a)
= b2−a2 2(b−a) =
A. OLLIVIER Variables aléatoires continues
Dans le cas général d’une loi uniforme, sig(x) =xf(x) = x b−a alors une primitive Gdeg est définie parG(x) = x2
2(b−a) , d’où :
E(X) = Z b
a
x
b−adx =G(b)−G(a) = b2
2(b−a) − a2 2(b−a)
= b2−a2
2(b−a) = . . . .
Dans le cas général d’une loi uniforme, sig(x) =xf(x) = b−a alors une primitive Gdeg est définie parG(x) = x2
2(b−a) , d’où :
E(X) = Z b
a
x
b−adx =G(b)−G(a) = b2
2(b−a) − a2 2(b−a)
= b2−a2
2(b−a) = a+b 2
A. OLLIVIER Variables aléatoires continues
Dans le cas général d’une loi uniforme, sig(x) =xf(x) = x b−a alors une primitive Gdeg est définie parG(x) = x2
2(b−a) , d’où :
E(X) = Z b
a
x
b−adx =G(b)−G(a) = b2
2(b−a) − a2 2(b−a)
= b2−a2
2(b−a) = a+b 2
SiX ∼ U[a,b], l’espéranceE(X)est donnée par : E(X) =. . . .
Propriété
A. OLLIVIER Variables aléatoires continues
SiX ∼ U[a,b], l’espéranceE(X)est donnée par : E(X) = a+b
2 Propriété
Soitλun réel strictement positif.
Une variable aléatoireT suit la loi exponentielle de para- mètreλsi sa densité de probabilitéf est définie par :
. . . . Définition
Cette densité est la densité du temps de désintégration d’un atome radioactif et cette loi de probabilité intervient souvent dans les durées de fonctionnement d’un composant
électronique.
Soitλun réel strictement positif.
Une variable aléatoire T suit la loi exponentielle de pa- ramètre λsi sa densité de probabilité f est définie par :
f(x) =λe−λx pour tout x ≥0 Définition
Cette densité est la densité du temps de désintégration d’un atome radioactif et cette loi de probabilité intervient souvent
Soitλun réel strictement positif.
Une variable aléatoireT suit la loi exponentielle de para- mètreλsi sa densité de probabilitéf est définie par :
f(x) =λe−λx pour tout x ≥0 Définition
Cette densité est la densité du temps de désintégration d’un atome radioactif et cette loi de probabilité intervient souvent dans les durées de fonctionnement d’un composant
électronique.
A. OLLIVIER Variables aléatoires continues
a λ
P(a≤X≤b)
F(x) =. . . .
A. OLLIVIER Variables aléatoires continues
Calculs
Une primitive def est la fonctionF définie sur[0; +∞[par : F(x) =−e−λx.
F(x) =−e−λx.
Siaetb sont deux réels tels que 0≤a≤b, alors : P(T ≤b) =
Z b 0
λe−λxdx =. . . .
A. OLLIVIER Variables aléatoires continues
Calculs
Une primitive def est la fonctionF définie sur[0; +∞[par : F(x) =−e−λx.
Siaetb sont deux réels tels que 0≤a≤b, alors : P(T ≤b) =
Z b 0
λe−λxdx =F(b)−F(0) =−e−λb−(−e0) =1−e−λb
F(x) =−e−λx.
Siaetb sont deux réels tels que 0≤a≤b, alors : P(T ≤b) =
Z b 0
λe−λxdx =F(b)−F(0) =−e−λb−(−e0) =1−e−λb
PuisqueP(T ≤a) =P(T <a), on peut alors déduire : P(a≤T ≤b) =. . . . . . . .
A. OLLIVIER Variables aléatoires continues
Calculs
Une primitive def est la fonctionF définie sur[0; +∞[par : F(x) =−e−λx.
Siaetb sont deux réels tels que 0≤a≤b, alors : P(T ≤b) =
Z b 0
λe−λxdx =F(b)−F(0) =−e−λb−(−e0) =1−e−λb
PuisqueP(T ≤a) =P(T <a), on peut alors déduire :
P(a≤T ≤b) =P(T ≤b)−P(T ≤a) =1−e−λb−1+e−λa= e−λa−e−λb
F(x) =−e−λx.
Siaetb sont deux réels tels que 0≤a≤b, alors : P(T ≤b) =
Z b 0
λe−λxdx =F(b)−F(0) =−e−λb−(−e0) =1−e−λb
PuisqueP(T ≤a) =P(T <a), on peut alors déduire :
P(a≤T ≤b) =P(T ≤b)−P(T ≤a) =1−e−λb−1+e−λa= e−λa−e−λb
et aussi :
P(T >a) =. . . .
A. OLLIVIER Variables aléatoires continues
Calculs
Une primitive def est la fonctionF définie sur[0; +∞[par : F(x) =−e−λx.
Siaetb sont deux réels tels que 0≤a≤b, alors : P(T ≤b) =
Z b 0
λe−λxdx =F(b)−F(0) =−e−λb−(−e0) =1−e−λb
PuisqueP(T ≤a) =P(T <a), on peut alors déduire :
P(a≤T ≤b) =P(T ≤b)−P(T ≤a) =1−e−λb−1+e−λa= e−λa−e−λb
et aussi :
F(x) =−e−λx.
Siaetb sont deux réels tels que 0≤a≤b, alors : P(T ≤b) =
Z b 0
λe−λxdx =F(b)−F(0) =−e−λb−(−e0) =1−e−λb
PuisqueP(T ≤a) =P(T <a), on peut alors déduire :
P(a≤T ≤b) =P(T ≤b)−P(T ≤a) =1−e−λb−1+e−λa= e−λa−e−λb
et aussi :
P(T >a) =1−P(T ≤a) =1−(1−e−λa) =e−λa
A. OLLIVIER Variables aléatoires continues
La loi exponentielle est "sans mémoire",T vérifie la propriété de durée de vie sans vieillissement :
P(T≥t)(T ≥t+h) = P(T ≥t+h)
P(T ≥t) =. . . .
La loi exponentielle est "sans mémoire",T vérifie la propriété de durée de vie sans vieillissement :
P(T≥t)(T ≥t+h) = P(T ≥t+h)
P(T ≥t) = e−λ(t+h)
e−λt =e−λh=P(T ≥h)
A. OLLIVIER Variables aléatoires continues
La loi exponentielle est "sans mémoire",T vérifie la propriété de durée de vie sans vieillissement :
P(T≥t)(T ≥t+h) = P(T ≥t+h)
P(T ≥t) = e−λ(t+h)
e−λt =e−λh=P(T ≥h)
définition de l’espérance mathématique en posant : E(T) = lim
b→+∞
Z b 0
xf(x)dx avec icif(x) =λe−λx.
SiT suit la loi exponentielle de paramètreλalors : . . . .
Propriété
T prend ses valeurs dans[0; +∞[. Nous allons étendre la définition de l’espérance mathématique en posant :
E(T) = lim
b→+∞
Z b 0
xf(x)dx avec icif(x) =λe−λx.
SiT suit la loi exponentielle de paramètreλalors : E(T) = 1
Propriété
définition de l’espérance mathématique en posant : E(T) = lim
b→+∞
Z b 0
xf(x)dx avec icif(x) =λe−λx.
SiT suit la loi exponentielle de paramètreλalors : E(T) = 1
λ Propriété
A. OLLIVIER Variables aléatoires continues
Démonstration
On cherche une primitiveGde la fonctiongdéfinie par g(x) =xf(x).
On connait la dérivée d’un produit :(uv)′=. . . .,
Démonstration
On cherche une primitiveGde la fonctiongdéfinie par g(x) =xf(x).
On connait la dérivée d’un produit :(uv)′=u′v+uv′,
A. OLLIVIER Variables aléatoires continues
Démonstration
On cherche une primitiveGde la fonctiongdéfinie par g(x) =xf(x).
On connait la dérivée d’un produit :(uv)′=u′v+uv′, soit uv′ =. . . ..
Démonstration
On cherche une primitiveGde la fonctiongdéfinie par g(x) =xf(x).
On connait la dérivée d’un produit :(uv)′=u′v+uv′, soit uv′ =(uv)′−u′v.
A. OLLIVIER Variables aléatoires continues
Démonstration
On cherche une primitiveGde la fonctiongdéfinie par g(x) =xf(x).
On connait la dérivée d’un produit :(uv)′=u′v+uv′, soit uv′ = (uv)′−u′v.
Donc une primitive deuv′ est la fonctionuv à laquelle on retranche une primitive deu′v.
Démonstration
On cherche une primitiveGde la fonctiongdéfinie par g(x) =xf(x).
On connait la dérivée d’un produit :(uv)′=u′v+uv′, soit uv′ = (uv)′−u′v.
Donc une primitive deuv′ est la fonctionuv à laquelle on retranche une primitive deu′v.
Si on poseu(x) =x etv′(x) =λe−λx, on obtient v(x) =. . . .;
A. OLLIVIER Variables aléatoires continues
Démonstration
On cherche une primitiveGde la fonctiongdéfinie par g(x) =xf(x).
On connait la dérivée d’un produit :(uv)′=u′v+uv′, soit uv′ = (uv)′−u′v.
Donc une primitive deuv′ est la fonctionuv à laquelle on retranche une primitive deu′v.
Si on poseu(x) =x etv′(x) =λe−λx, on obtient v(x) =−e−λx;
Démonstration
On cherche une primitiveGde la fonctiongdéfinie par g(x) =xf(x).
On connait la dérivée d’un produit :(uv)′=u′v+uv′, soit uv′ = (uv)′−u′v.
Donc une primitive deuv′ est la fonctionuv à laquelle on retranche une primitive deu′v.
Si on poseu(x) =x etv′(x) =λe−λx, on obtient v(x) =−e−λx;
u′(x)v(x) =. . . .,
A. OLLIVIER Variables aléatoires continues
Démonstration
On cherche une primitiveGde la fonctiongdéfinie par g(x) =xf(x).
On connait la dérivée d’un produit :(uv)′=u′v+uv′, soit uv′ = (uv)′−u′v.
Donc une primitive deuv′ est la fonctionuv à laquelle on retranche une primitive deu′v.
Si on poseu(x) =x etv′(x) =λe−λx, on obtient v(x) =−e−λx;
u′(x)v(x) =−e−λx,
Démonstration
On cherche une primitiveGde la fonctiongdéfinie par g(x) =xf(x).
On connait la dérivée d’un produit :(uv)′=u′v+uv′, soit uv′ = (uv)′−u′v.
Donc une primitive deuv′ est la fonctionuv à laquelle on retranche une primitive deu′v.
Si on poseu(x) =x etv′(x) =λe−λx, on obtient v(x) =−e−λx;
u′(x)v(x) =−e−λx, et une primitiveHdeu′v est définie par H(x) =. . . ..
A. OLLIVIER Variables aléatoires continues
Démonstration
On cherche une primitiveGde la fonctiongdéfinie par g(x) =xf(x).
On connait la dérivée d’un produit :(uv)′=u′v+uv′, soit uv′ = (uv)′−u′v.
Donc une primitive deuv′ est la fonctionuv à laquelle on retranche une primitive deu′v.
Si on poseu(x) =x etv′(x) =λe−λx, on obtient v(x) =−e−λx;
u′(x)v(x) =−e−λx, et une primitiveHdeu′v est définie par H(x) = 1
e−λx.
Démonstration
On cherche une primitiveGde la fonctiongdéfinie par g(x) =xf(x).
On connait la dérivée d’un produit :(uv)′=u′v+uv′, soit uv′ = (uv)′−u′v.
Donc une primitive deuv′ est la fonctionuv à laquelle on retranche une primitive deu′v.
Si on poseu(x) =x etv′(x) =λe−λx, on obtient v(x) =−e−λx;
u′(x)v(x) =−e−λx, et une primitiveHdeu′v est définie par H(x) = 1
λe−λx.
Finalement,Gest définie parG(x) =. . . ..
A. OLLIVIER Variables aléatoires continues
Démonstration
On cherche une primitiveGde la fonctiongdéfinie par g(x) =xf(x).
On connait la dérivée d’un produit :(uv)′=u′v+uv′, soit uv′ = (uv)′−u′v.
Donc une primitive deuv′ est la fonctionuv à laquelle on retranche une primitive deu′v.
Si on poseu(x) =x etv′(x) =λe−λx, on obtient v(x) =−e−λx;
u′(x)v(x) =−e−λx, et une primitiveHdeu′v est définie par H(x) = 1
e−λx.
Démonstration
On cherche une primitiveGde la fonctiongdéfinie par g(x) =xf(x).
On connait la dérivée d’un produit :(uv)′=u′v+uv′, soit uv′ = (uv)′−u′v.
Donc une primitive deuv′ est la fonctionuv à laquelle on retranche une primitive deu′v.
Si on poseu(x) =x etv′(x) =λe−λx, on obtient v(x) =−e−λx;
u′(x)v(x) =−e−λx, et une primitiveHdeu′v est définie par H(x) = 1
λe−λx.
Finalement,Gest définie parG(x) =−xe−λx− 1 λe−λx.
A. OLLIVIER Variables aléatoires continues
suite de la démonstration
On calcule maintenant l’intégrale : Z b
0
xf(x)dx =. . . .
On calcule maintenant l’intégrale : Z b
0
xf(x)dx =G(b)−G(0)
A. OLLIVIER Variables aléatoires continues
suite de la démonstration
On calcule maintenant l’intégrale : Z b
0
xf(x)dx =G(b)−G(0) =. . . .
On calcule maintenant l’intégrale : Z b
0
xf(x)dx =G(b)−G(0) =−be−λb− 1
λe−λb+ 1 λ
A. OLLIVIER Variables aléatoires continues
suite de la démonstration
On calcule maintenant l’intégrale : Z b
0
xf(x)dx =G(b)−G(0) =−be−λb− 1
λe−λb+ 1 λ
=. . . .
On calcule maintenant l’intégrale : Z b
0
xf(x)dx =G(b)−G(0) =−be−λb− 1
λe−λb+ 1 λ
= 1 λ
−λbe−λb−e−λb+1
A. OLLIVIER Variables aléatoires continues
suite de la démonstration
On calcule maintenant l’intégrale : Z b
0
xf(x)dx =G(b)−G(0) =−be−λb− 1
λe−λb+ 1 λ
= 1 λ
−λbe−λb−e−λb+1
b→+∞lim e−λb=. . .;
On calcule maintenant l’intégrale : Z b
0
xf(x)dx =G(b)−G(0) =−be−λb− 1
λe−λb+ 1 λ
= 1 λ
−λbe−λb−e−λb+1
b→+∞lim e−λb=0 ;
A. OLLIVIER Variables aléatoires continues
suite de la démonstration
On calcule maintenant l’intégrale : Z b
0
xf(x)dx =G(b)−G(0) =−be−λb− 1
λe−λb+ 1 λ
= 1 λ
−λbe−λb−e−λb+1
b→+∞lim e−λb=0 ; lim
X→−∞XeX=. . .
On calcule maintenant l’intégrale : Z b
0
xf(x)dx =G(b)−G(0) =−be−λb− 1
λe−λb+ 1 λ
= 1 λ
−λbe−λb−e−λb+1
b→+∞lim e−λb=0 ; lim
X→−∞XeX=0
A. OLLIVIER Variables aléatoires continues
suite de la démonstration
On calcule maintenant l’intégrale : Z b
0
xf(x)dx =G(b)−G(0) =−be−λb− 1
λe−λb+ 1 λ
= 1 λ
−λbe−λb−e−λb+1
b→+∞lim e−λb=0 ; lim
X→−∞XeX=0 d’où, par composition :
b→+∞lim λbe−λb=. . .
On calcule maintenant l’intégrale : Z b
0
xf(x)dx =G(b)−G(0) =−be−λb− 1
λe−λb+ 1 λ
= 1 λ
−λbe−λb−e−λb+1
b→+∞lim e−λb=0 ; lim
X→−∞XeX=0 d’où, par composition :
b→+∞lim λbe−λb=0.
A. OLLIVIER Variables aléatoires continues
suite de la démonstration
On calcule maintenant l’intégrale : Z b
0
xf(x)dx =G(b)−G(0) =−be−λb− 1
λe−λb+ 1 λ
= 1 λ
−λbe−λb−e−λb+1
b→+∞lim e−λb=0 ; lim
X→−∞XeX=0 d’où, par composition :
b→+∞lim λbe−λb=0.
En conclusion
On calcule maintenant l’intégrale : Z b
0
xf(x)dx =G(b)−G(0) =−be−λb− 1
λe−λb+ 1 λ
= 1 λ
−λbe−λb−e−λb+1
b→+∞lim e−λb=0 ; lim
X→−∞XeX=0 d’où, par composition :
b→+∞lim λbe−λb=0.
En conclusion
E(T) = lim
b→+∞
Z b 0
xf(x)dx = 1 λ
A. OLLIVIER Variables aléatoires continues
suite de la démonstration
On calcule maintenant l’intégrale : Z b
0
xf(x)dx =G(b)−G(0) =−be−λb− 1
λe−λb+ 1 λ
= 1 λ
−λbe−λb−e−λb+1
b→+∞lim e−λb=0 ; lim
X→−∞XeX=0 d’où, par composition :
b→+∞lim λbe−λb=0.
En conclusion