Professional Documents
Culture Documents
Variables Aléatoires Continues Usuelles Et Approximation
Variables Aléatoires Continues Usuelles Et Approximation
3.1 Définition :
Une fonction 𝒇 ∶ ℝ ⟶ ℝ est dite densité de probabilité si :
1. 𝒇(𝒙) ≥ 𝟎, ∀𝒙 ∈ ℝ.
2. 𝒇 est continue sauf, éventuellement, en un nombre fini de points
où elle a des discontinuités de première espèce.
+∞
3. ∫−∞ 𝒇(𝒙) 𝒅𝒙 = 𝟏.
3.2 Exemple :
𝝅
𝒄𝒐𝒔𝒙 , 𝒔𝒊 𝟎 ≤ 𝒙 ≤
𝒇(𝒙) = { 𝟐
𝟎 , 𝒔𝒊𝒏𝒐𝒏
𝝅
𝟐
3.3 Définition :
Soit 𝑿 une variable aléatoire continue. On dit que 𝑿 admet une
densité 𝒇, si sa fonction de répartition : 𝑭(𝒙) = 𝑷(𝑿 ≤ 𝒙) admet
la représentation intégrale suivante :
𝒙
𝑭(𝒙) = 𝑷(𝑿 ≤ 𝒙) = ∫−∞ 𝒇(𝒕)𝒅𝒕 , ∀𝒙 ∈ ℝ.
1
3.4 Exemple :
𝝅
𝒄𝒐𝒔𝒙 , 𝒔𝒊 𝟎 ≤ 𝒙 ≤
𝒇(𝒙) = { 𝟐
𝟎 , 𝒔𝒊𝒏𝒐𝒏
Calculer sa fonction de répartition.
3.5 Définition :
+∞
Si 𝑿 est une variable aléatoire à densité 𝒇 et si ∫−∞ 𝒙𝒇(𝒙)𝒅𝒙 est
absolument convergente, on définit l’espérance mathématique de 𝑿 par:
+∞
𝑬(𝑿) = ∫ 𝒙𝒇(𝒙)𝒅𝒙.
−∞
2
3.6 Exemple :
3.7 Remarque :
3.8 Exemple :
+∞ +∞ 𝟏 𝟏 +∞ 𝟐𝒙
𝑬(𝑿) = ∫−∞ 𝒙𝒇 (𝒙)𝒅𝒙 = ∫−∞ 𝒙 𝒅𝒙 = ∫−∞ 𝒅𝒙.
𝝅(𝟏+𝒙𝟐 ) 𝟐𝝅 (𝟏+𝒙𝟐 )
Or,
+∞
𝟐𝒙
𝑰=∫ 𝒅𝒙 = 𝐥𝐢𝐦 𝒍𝒏(𝟏 + 𝑨𝟐 ) = +∞
𝝅 (𝟏 + 𝒙𝟐 ) 𝑨⟶+∞
𝟎
3.10 Exemples :
+∞
1. Si 𝒀 = 𝑿𝟐 , alors 𝑬(𝒀) = ∫−∞ 𝒙𝟐 𝒇(𝒙)𝒅𝒙.
+∞
2. Si 𝒀 = 𝒔𝒊𝒏𝑿, alors 𝑬(𝒀) = ∫−∞ 𝒔𝒊𝒏𝒙𝒇(𝒙)𝒅𝒙.
+∞
3. Si 𝒀 = √𝑿, alors 𝑬(𝒀) = ∫−∞ √𝒙𝒇(𝒙)𝒅𝒙.
+∞
4. Si 𝒀 = 𝒂𝑿 + 𝒃, alors 𝑬(𝒀) = 𝒂 ∫−∞ 𝒙𝒇(𝒙)𝒅𝒙 + 𝒃 = 𝒂𝑬(𝑿) + 𝒃.
3.11 Propriété :
quantité :
+∞
𝟐 𝟐
𝑽(𝑿) = 𝑬 ((𝑿 − 𝑬(𝑿)) ) = ∫ (𝒙 − 𝑬(𝑿)) 𝒇(𝒙)𝒅𝒙.
−∞
3.13 Proposition :
3.14 Remarque :
4
Exemple :
Si 𝑿 a pour densité :
𝟐
𝒇(𝒙) = { 𝒙𝟑 , 𝒔𝒊 𝒙 ≥ 𝟏
𝟎, 𝒔𝒊𝒏𝒐𝒏
On vérifie que 𝑬(𝑿) = 𝟐, mais 𝑽(𝑿) n’existe pas car 𝑬(𝑿𝟐 ) = +∞ !
3.15 Définition :
3.16 Proposition :
3.17 Définition :
Soit 𝑿 une variable aléatoire continue. On dit que 𝑿 suit la loi uniforme
sur [𝒂, 𝒃] et on note 𝑿 ↪ 𝓤[𝒂, 𝒃] si 𝑿 admet pour densité, la fonction :
𝟏
𝒇(𝒙) = {𝒃 − 𝒂 , 𝒔𝒊 𝒂 ≤ 𝒙 ≤ 𝒃
𝟎, 𝒔𝒊𝒏𝒐𝒏
5
𝟏
𝒃−𝒂
a b
3.18 Fonction de répartition :
𝟎 , 𝒔𝒊 𝒙 < 𝒂
𝒙−𝒂
𝒙 , 𝒔𝒊 𝒂 ≤ 𝒙 ≤ 𝒃
𝑭(𝒙) = 𝑷(𝑿 ≤ 𝒙) = ∫−∞ 𝒇(𝒕)𝒅𝒕 = 𝒃−𝒂
𝟏 , 𝒔𝒊 𝒙 > 𝒃
{
a b
6
3.19 Espérance et variance :
𝒂+𝒃 (𝒃 − 𝒂) 𝟐
𝑬( 𝑿 ) = , 𝑽 (𝑿 ) =
𝟐 𝟏𝟐
2. Loi exponentielle :
3.20 Définition :
−𝜶𝒙
𝜶𝒆 , 𝒔𝒊 𝒙 ≥ 𝟎
𝒇(𝒙) = {
𝟎, 𝒔𝒊𝒏𝒐𝒏
𝒙 𝟏 − 𝒆−𝜶𝒙 , 𝒔𝒊 𝒙 ≥ 𝟎
𝑭(𝒙) = 𝑷(𝑿 ≤ 𝒙) = ∫−∞ 𝒇(𝒕)𝒅𝒕 ={
𝟎 , 𝒔𝒊𝒏𝒐𝒏
3.22 Espérance et variance :
𝟏 𝟏
𝑬(𝑿 ) = , 𝑽(𝑿) =
𝜶 𝜶𝟐
7
3.23 Propriétés :
3. Loi normale :
3.24 Définition :
𝟏 𝟏 𝒙−𝝁 𝟐
− ( )
𝒇(𝒙) = 𝒆 𝟐 𝝈 ; ∀𝒙 ∈ ℝ.
𝝈√𝟐𝝅
𝒇 est bien une densité car :
𝒇 est positive sur ℝ.
𝒇 est continue sur ℝ.
+∞
∫−∞ 𝒇(𝒙) 𝒅𝒙 = 𝟏.
𝒙 −∞ 𝝁 +∞
𝒇′ + −
𝟏
𝝈 √𝟐𝝅
𝒇
0
0
La courbe de 𝒇 est une courbe en cloche, elle présente un axe de symétrie en
Espérance et variance :
𝑬(𝑿) = 𝝁 ; 𝑽(𝑿) = 𝝈𝟐 ; 𝝈𝑿 = 𝝈.
Conséquence immédiate :
𝑿−𝝁
Si 𝑿∗ = , alors 𝑬(𝑿) = 𝟎 et 𝝈𝑿 = 𝟏.
𝝈
Propriété fondamentale :
𝟏
𝝈√𝟐𝝅
−𝒙 +𝒙
9
Conséquence importante :
Théorèmes d’approximation
𝒆−𝝀𝝀𝒌
𝑷(𝑿 = 𝒌) = 𝑪𝒌𝒏 𝒑𝒌 𝒒𝒏−𝒌 ≈ 𝑷(𝒀 = 𝒌) ; 𝒀 ↪ 𝓟(𝝀 = 𝒏𝒑)
𝒌!
Exemple :
Les lampes fabriquées par une usine, comme toutes les productions, sont
10
usine. Quelle est la probabilité que dans un lot de 100 lampes, 8 sont
défectueuses ?
Solution :
obtient :
𝒆−𝟑 𝟑𝟖
𝑷 (𝒀 = 𝟖 ) = = 𝟎. 𝟎𝟎𝟖𝟏.
𝟖!
∗
𝑿 − 𝑬(𝑿 ) 𝑿 − 𝒏𝒑
𝑿 = = ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗
𝒏 ⟶ +∞ 𝓝(𝟎, 𝟏)
𝝈𝑿 √𝒏𝒑𝒒
bonne.
11
Exemple :
Solution :
= 𝟎, 𝟕𝟐𝟕𝟎.
12