lois continues

January 9, 2018 | Author: Anonymous | Category: Mathématiques, Statistiques et probabilités
Share Embed Donate


Short Description

Download lois continues...

Description

EXEMPLES DE LOIS CONTINUES 1°) Loi de probabilité continue. Lorsque l'ensemble des valeurs prises par une variable aléatoire n'est plus fini, mais est un intervalle I, on ne peut plus définir la probabilité de chaque élément de I (elle serait d'ailleurs nulle). On ne peut plus s'intéresser à P(X = a) mais on s'intéressera à P( X appartient à un intervalle). Déf 1 : Soit a un réel et f une fonction qui admet des primitives sur IR. Si les limites suivantes existent, t f (x) dx. lim ⌠ + ∞ f (x) dx = t → ⌠ + ∞ ⌡a ⌡a a a f (x) d x. ⌠ lim ⌠ ⌡- ∞ f (x) dx = t → - ∞ ⌡t a a Pour tout réel a, ⌠ + ∞ f (x) dx = ⌠ ⌡- ∞ f (x) dx +⌠ ⌡- ∞ f (x) dx . ⌡- ∞ Déf 2 : On dit que la fonction f définie sur IR est une loi de densité si : f est définie sur IR, continue sur IR sauf peut-être en quelques points f est positive sur IR +∞ ⌠ ⌡- ∞ f (x) dx = 1 Déf 3 : On dit que X est une variable aléatoire continue s'il existe une loi de densité f telle que pour tout intervalle b [a ; b] P(X ∈ [a ; b] ) = P(a ≤ X ≤ b) = ⌠ ⌡a f (x) dx . On démontre que P(a ≤ X ≤ b) = P(a < X ≤ b) = P(a ≤ X < b) = P(a < X < b). P(a ≤ X ≤ b) est l'aire de la portion de plan comprise entre l'axe des abscisses, les droites d'équations x = a et x = b et la courbe. L'aire de la portion de plan comprise entre la courbe et l'axe des abscisses est égale à 1.

o a b π Exemple Soit f définie sur IR par f (x) = cos x pour x ∈ [0 ; ] et f (x) = 0 sinon. 2 π Démontrer que f est une densité de probabilité et calculer P(0 ≤ X ≤ ). 3

2°) Loi uniforme. Le tirage au sort d'un réel dans un intervalle [a ; b] se modélise par une loi continue de densité constante. Déf 4 : On appelle loi uniforme sur l'intervalle [a ; b], la loi de probabilité continue sur I dont la densité f est la 1 fonction constante et égale à sur [a ; b] et nulle ailleurs. b–a Prop 1 : Pour cette loi, la probabilité d'un intervalle [α α ; β ] inclus dans [a ; b] est égale au quotient de la longueur de [α α ; β ] par celle de [a ; b]. β–α β 1 P ([α α ; β ] ) = P ( α ≤ X ≤ β) = ⌠ ⌡α b – a dx = b – a . Prop 2 : Pour cette loi, E(X) =

a+b . 2

1 exemple : Le tirage au hasard d'un nombre dans [-2 ; 4] se modélise par la loi uniforme sur [-2; 4] de densité . 6 3–0 1 3 – (-2) 5 P(X= 1) = 0 ; P(0 ≤ X ≤ 3) = = ; P(X3) = 1 – P(X < 3). 6 6

3 remarque: on a aussi P(0 ≤ X ≤ 3) = ⌠ ⌡0

1 1 3 1 dx =  x 0 = . 6 2 6 

3°) Loi exponentielle ou durée de vie sans vieillissement. Déf 5 : On dit que la durée de vie d'un appareil est sans vieillissement ou sans mémoire lorsque la probabilité qu'il fonctionne encore au moins h heures ne dépend que de h et pas du temps t durant lequel il a déjà fonctionné. pour tous t et h strictement positifs P(X > t) ≠ 0 et PX > t ( X > t + h) = P(X > h). Prop 3 : Soit λ un réel strictement positif.

λ e - λ x si x ∈ [ 0 , + ∞ [ est une densité de probabilité.  0 sinon 

f (x) = 

La fonction f définie sur IR par

Déf 6 : Soit λ un réel strictement positif et X une variable aléatoire réelle. On dit que X suit la loi exponentielle de paramètre λ lorsque X est à valeurs positives et suit la loi à densité  λ e - λ x si x ∈ [ 0 , + ∞ [ continue f définie par f (x) =  .  0 sinon b -λ x y Pour tout intervalle [a ; b] de IR+ , P( [a ; b]) = ⌠ dx. ⌡a λ e exemple : pour λ = 2

⌠12 2 e – 2 x dx = 2 P([ 1 ; 2]) = P( 1 ≤ X ≤ 2) = ⌡ 

[ -e

-2x 2

] 1= - e

–4

– (- e

-2

)=e

–2

–e

e

-2x

2

= - 2  1

–4

.

o

1

1,5

x

Prop 4 : Soit X une variable aléatoire qui suit une loi à densité continue. X suit une loi exponentielle de paramètre λ ⇔ X suit une loi de durée de vie sans vieillissement. Déf 7 : Soit X une variable aléatoire réelle. On appelle fonction de répartition de X la fonction F définie sur IR par F(x) = P(X ≤ x) pour tout réel x.. ⌠-x∞ f (x) dx. Si X suit une loi à densité continue f, F(x) = ⌡ x λ e - λ x dx = 1 – e - λ x si x ≥ 0 ⌠ ⌡ 0 Si X suit une loi exponentielle de paramètre λ F(x) =   0 sinon

Déf 8 : Soit X une variable aléatoire réelle. On appelle fonction de fiabilité de X la fonction R définie sur IR par R(x) = P(X ≥ x) pour tout réel x.. +∞ Si X suit une loi à densité continue f, R(x) = ⌠ ⌡x f (x) dx = 1 – F(X). e - λ x si x ≥ 0  1 sinon 

Si X suit une loi exponentielle de paramètre λ R(x) = 

Prop 5 : Soit X une variable aléatoire qui suit une loi exponentielle de paramètre λ . On appelle mode toute valeur de X pour laquelle la densité f est maximum : le mode est 0. La médiane est la valeur t de X pour laquelle P(X ≤ t) =

1 2

1 +∞ +∞ -λ x L'espérance est E(X) = ⌠ dx = . ⌡0 x f (x) dx = ⌠ ⌡0 λ x e λ

t =

ln 2 . λ

View more...

Comments

Copyright � 2017 NANOPDF Inc.
SUPPORT NANOPDF