Lois à densité

Les images ne sont pas encore disponibles pour ce cours.

Celles présentes sont juste des « brouillons »
afin de permettre une meilleure compréhension du cours,
jusqu’à ce que les définitives soient prêtes.

Nos graphistes font tout leur possible pour les réaliser au plus vite.

😉

Introduction :

Dans ce cours, nous allons introduire les lois de probabilité à densité, qui sont nécessaires dans tous les problèmes de probabilités dont la variable n’est pas discrète mais continue (c’est-à-dire qu’elle peut prendre n’importe quelle valeur dans un intervalle donné).
Ce type de loi intervient par exemple lorsqu’on s’intéresse à un temps d’attente (au téléphone, à une caisse, pour un bus…) ou encore lorsqu’on s’intéresse à la durée de vie d’un composant électronique, ou même tout simplement pour un tirage aléatoire d’un nombre dans un intervalle donné.
Après avoir défini ce que l’on appelle une loi à densité et les termes de densité de probabilité, fonction de répartition, espérance et variance, nous étudierons plus spécifiquement deux cas de loi à densité que l’on rencontre souvent : la loi uniforme et la loi exponentielle.

Notion de loi à densité

Dans le cas d’une loi à densité, la variable aléatoire associée est continue, c’est-à-dire qu’elle peut prendre une infinité de valeurs possibles dans un intervalle donné.

  • Comment dans ce cas estimer les probabilités ?

Il faut garder à l’esprit deux points essentiels liés aux probabilités : une probabilité est une valeur positive (ou nulle) comprise entre 00 et 11 (00 et 11 inclus). De plus, si on considère l’ensemble des cas possibles, alors la somme des probabilités est de 11 (100%100\,\% des cas).
Ceci reste valable qu’il s’agisse d’une loi à densité ou d’une loi de probabilité liée à une variable discrète.

La densité de probabilité

Dans le cas d’une variable continue qui prend ses valeurs dans un intervalle II, on ne s’intéresse pas à la probabilité qu’elle prenne une valeur précise, mais à la probabilité qu’elle appartienne à tout intervalle de II.

  • Pour cela, nous définissons une fonction de densité.
bannière definition

Définition

Fonction de densité :

Soit une fonction ff sur un intervalle I=[a ;b]I=[a\ ;\, b] de R\mathbb R.
On dit que ff est une densité de probabilité, aussi appelée fonction de densité, sur II, si :

  • ff est continue et positive sur II ;
  • l’aire (en unité d’aire) du domaine compris entre l’axe des abscisses et la courbe représentative de ff sur l’intervalle II est égale à 11 ; autrement dit, l’intégrale de ff sur II est égale à 11 :

abf(x)dx=1\int_a^b f(x) \text dx=1

Prenons deux exemples pour bien comprendre.

bannière exemple

Exemple

  • Soit la fonction ff définie sur l’intervalle I=[0 ;1]I=[0\ ;\, 1] par f(x)=2xf(x)=2x.

ff est bien continue et positive sur cet intervalle. La première condition est vérifiée.

Nous avons de plus :

01f(x)dx=012xdx=[x2]01=1202=1\begin{aligned} \int0^1 f(x) \text dx &=\int0^1 2x \text dx \ &=\big[x^2\big]_0^1 \ &=1^2-0^2 \ &=1 \end{aligned}

La deuxième condition est aussi vérifiée.

  • La fonction ff est bien une fonction de densité sur l’intervalle [0 ;1][0\ ;\, 1].

Alt texte Image temporaire

  • Soit la fonction g(x)=3x2g(x)=3x^2 définie et positive sur l’intervalle I=[1 ;0]I=[-1\ ;\, 0]. Nous avons de plus :

10g(x)dx=103x2dx=[x3]10=03(1)3=(1)=1\begin{aligned} \int{-1}^0 g(x)\text dx&=\int{-1}^0 3x^2 \text dx \ &=\big[x^3\big]_{-1}^0 \ &=0^3-(-1)^3 \ &=-(-1) \ &=1 \end{aligned}

  • Cette fonction gg est bien une fonction de densité sur l’intervalle [1 ;0][-1\ ;\, 0].

Alt texte Image temporaire

Remarquons que l’intervalle II considéré peut être non borné, comme par exemple [a ;+[[a\ ;\, +\infty[ (aa réel), comme nous le verrons notamment dans la dernière partie de ce cours, quand nous aborderons la loi exponentielle.

  • Nous notons alors :

limb+abf(x)dx=1\lim\limits{b \to +\infty} \int{a}^{b} f(x) \text d x=1

bannière exemple

Exemple

Soit la fonction ff définie sur [0 ;+[[0\ ;\, +\infty[ par : f(x)=exf(x)=\text{e}^{-x}.
Montrons qu’il s’agit d’une fonction de densité.

  • Pour tout x0x\geq 0, ex\text{e}^{-x} est strictement positif.
  • ff est donc strictement positive sur [0 ;+[[0\ ;\, +\infty[.
  • Une primitive de ff sur [0 ;+[[0\ ;\, +\infty[ est la fonction xexx\mapsto -\text{e}^{-x}.

Pour tout réel b>0b>0 :

0bf(x)dx=0bexdx=[ex]0b=eb(e0)=eb+1\begin{aligned} \int{0}^{b} f(x) \text d x &= \int{0}^{b} \text{e}^{- x} \text d x \ &=\big[ -\text{e}^{- x} \big]_0^b \ &=-\text{e}^{- b}-(-\text{e}^{ 0}) \ &=-\text{e}^{- b}+1 \end{aligned}

Quand bb tend vers ++\infty, b-b tend vers -\infty et eb\text{e}^{-b} tend vers 00.

  • Nous obtenons donc :

limb+0bf(x)dx=limb+eb+1=0+1=1\begin{aligned} \lim\limits{b \to +\infty} \int{0}^{b} f(x) \text d x &= \lim\limits_{b \to +\infty} -\text{e}^{- b}+1 \ &=0+1 \ &=1 \end{aligned}

Variable aléatoire et probabilité

Maintenant que nous avons défini ce qu’était une fonction de densité, voyons le lien avec les probabilités.

bannière definition

Définition

Variable aléatoire suivant une loi de fonction de densité ff :

Soit ff une densité de probabilité sur un intervalle I=[a ;b]I=[a\ ;\, b].
On dit que la variable aléatoire XX suit la loi de densité de probabilité ff sur II si, pour tout intervalle [c ;d][c\ ;\, d] inclus dans II, la probabilité que XX soit compris dans cet intervalle, autrement dit : p(X[c ;d])p(X\in [c\ ;\, d]), est égale à l’aire du domaine compris entre l’axe des abscisses, la courbe représentative de ff et les droites d’équations x=cx=c et x=dx=d.

  • Ce que l’on traduit par :

p(X[c ;d])=p(cXd)=cdf(x)dx\begin{aligned} p(X\in [c\ ;\, d])&=p(c\leq X \leq d) \ &=\int_{c}^{d} f(x) \text dx \end{aligned}

  • XX est la variable aléatoire associée à ff.
  • XX suit la loi de densité ff.

Cette définition nous permet d’écrire, pour tout réel cIc\in I :

p(X=c)=p(cXc)=ccf(x)dx=0\begin{aligned} p(X=c)&=p(c\leq X\leq c) \ &=\int_{c}^{c} f(x) \text d x \ &=0 \end{aligned}

En effet, puisque XX peut prendre une infinité de valeurs dans II, la probabilité pour qu’il prenne une valeur précise est nulle.

bannière à retenir

À retenir

Nous pouvons aussi en tirer les conséquences suivantes : p(cXd)=p(c<Xd)=p(cX<d)=p(c<X<d)p(c \leq X\leq d)= p(c < X\leq d)= p(c \leq X< d)= p(c < X< d)

La meilleure façon de se représenter cette notion est de la traiter à travers un exemple.

bannière exemple

Exemple

Soit la fonction ff définie sur [0 ;2][0\ ;\, 2] par : f(x)=12x+1f(x)=-\frac 12 x+1.

  • Montrons tout d’abord que ff est une fonction de densité.

02(12x+1)dx=[14x2+x]02=14×22+2(14×02+0)=1+2=1\begin{aligned} \int{0}^{2} \left(-\dfrac 12 x+1\right) \text d x&=\left[-\dfrac14x^2+x\right]0^2 \ &=-\dfrac14\times 2^2+2-\left(-\dfrac14\times 0^2+0\right) \ &=-1+2 \ &=1 \end{aligned}

Alt texte Image temporaire

  • ff est bien une fonction de densité.
  • Soit XX la variable aléatoire associée à la fonction de densité ff. Calculons la probabilité que XX soit compris entre 12\frac 12 et 11.

p(12X1)=121(12x+1)dx=[14x2+x]121=14×12+1(14×(12)2+12)=14+1+11612=516\begin{aligned} p\left(\dfrac 12\leq X\leq 1\right)&=\int{\frac 12}^{1} \left(-\dfrac 12 x+1\right) \text d x \ &=\left[-\dfrac14x^2+x\right]{\frac 12}^1 \ &=-\dfrac14\times 1^2+1-\left(-\dfrac14\times \left(\dfrac 12\right)^2+\dfrac 12\right) \ &=-\dfrac 14+1+\dfrac1{16}-\dfrac 12 \ &=\dfrac 5{16} \end{aligned}

Alt texte Image temporaire

  • La probabilité pour que XX appartienne à l’intervalle [12 ;1]\left[\frac 12\ ;\, 1\right] est égale à 0,31250,3125.

Fonction de répartition

Le calcul de probabilité avec une loi à densité implique donc d’intégrer la fonction ff, ce qui est possible puisque celle-ci est continue. Le calcul de cette intégrale nécessite de déterminer une primitive FF de la fonction ff.

bannière definition

Définition

Fonction de répartition :

Soit XX une variable aléatoire qui suit la loi de densité ff sur I=[a ;b]I=[a\ ;\, b].
On appelle fonction de répartition de la variable XX la fonction FF, définie sur R\mathbb R par :

F(x)=p(Xx)F(x)=p(X\leq x)

La fonction de répartition FF est en fait la primitive de ff sur l’intervalle [a ;b][a\ ;\, b] qui s’annule en aa.

  • Sa connaissance permet de calculer directement la probabilité p(X[c ;d])p(X\in [c\ ;\, d]), pour tous cc et dd de II tels que cdc\leq d :

p(cXd)=p(Xd)p(Xc)=F(d)F(c)\begin{aligned} p(c\leq X\leq d) &=p(X\leq d)-p(X\leq c) \ &=F(d)-F(c) \end{aligned}

bannière exemple

Exemple

Soit la fonction de densité g:xg(x)=3x2g:x\mapsto g(x)=3x^2 définie sur l’intervalle [1 ;0][-1\ ;\, 0].

  • On donne aussi la fonction de répartition associée : G:xG(x)=x3+1G:x\mapsto G(x)=x^3+1.

En effet, nous avons, pour tout xIx\in I :

G(x)=3x2et : G(1)=(1)3+1=0\begin{aligned} G^{\prime}(x)&=3x^2 \ \textcolor{#A9A9A9}{\text{et\ :\ }} G(-1)&=(-1)^3+1 \ &=0 \end{aligned}

Soit maintenant XX la variable aléatoire qui suit la loi de densité gg sur l’intervalle [1 ;0][-1\ ;\, 0].

  • Nous avons par exemple :

p(34X12)=G(12)G(34)=(12)3+1((34)3+1)=18+2764=1964\begin{aligned} p\left(-\dfrac 34\leq X\leq -\dfrac 12\right) &= G\left(-\dfrac 12\right)-G\left(-\dfrac34\right) \ &=\left(-\dfrac 12\right)^3+1-\left( \left( -\dfrac 34\right)^3+1 \right) \ &=-\dfrac 18+\dfrac{27}{64} \ &=\dfrac{19}{64} \end{aligned}

Indicateurs d’une variable aléatoire suivant une loi à densité

Il est souvent intéressant de connaître la valeur « moyenne » que peut prendre la variable aléatoire XX associée à une loi de densité ff sur l’intervalle II.
Mais, comme vous le savez, on ne peut pas à proprement parler de valeur « moyenne » puisqu’il s’agit de probabilité, on parle plutôt d’espérance.

bannière propriete

Propriété

Soit XX une variable aléatoire qui suit une loi de densité ff sur [a ;b][a\ ;\, b].
L’espérance de XX, notée E(X)E(X), est alors donnée par :

E(X)=abxf(x)dxE(X)=\int_a^b x f(x) \text{d}x

Rappelons-nous que l’espérance est un paramètre de position, cela correspond théoriquement à la moyenne des valeurs observées prises par la variable aléatoire lors d’un nombre infini de répétitions de l’expérience.

bannière exemple

Exemple

  • Soit ff la fonction de densité définie sur [0 ;1][0\ ;\, 1] par : f(x)=2xf(x)=2x.
    Soit XX la variable aléatoire qui suit la loi de densité ff.

Nous avons alors :

E(X)=01xf(x)dx=01x2xdx=012x2dx=[23x3]01=23×1223×02=23\begin{aligned} E(X)&=\int{0}^1 x f(x) \text{d}x \ &= \int{0}^1 x 2x \text{d}x \ &=\int{0}^1 2x^2dx \ &= \left[\dfrac{2}{3}x^3\right]{0}^1 \ &=\dfrac{2}{3}\times 1^2- \dfrac{2}{3}\times 0^2 \ &= \dfrac{2}{3} \end{aligned}

  • L’espérance de XX sur l’intervalle [0 ;1][0\ ;\, 1] est 23\frac{2}{3}.
  • Soit gg la fonction de densité définie sur [1 ;0][-1\ ;\, 0] par : g(x)=3x2g(x)=3x^2.
    Soit YY la variable aléatoire qui suit la loi de densité gg.

E(Y)=10xg(x)dx=10x3x2dx=103x3dx=[34x4]10=34×0434×(1)4=34\begin{aligned} E(Y)&=\int{-1}^0 x g(x) \text{d}x \ &= \int{-1}^0 x 3x^2 \text{d}x \ &=\int{-1}^0 3x^3 \text{d}x \ &= \left[\dfrac{3}{4}x^4\right]{-1}^0 \ &=\dfrac{3}{4}\times 0^4- \dfrac{3}{4}\times (-1)^4 \ &= -\dfrac{3}{4} \end{aligned}

  • L’espérance de YY sur l’intervalle [1 ;0][-1\ ;\, 0] est 34-\frac{3}{4}.

Nous en avons désormais l’habitude, donner l’espérance ne suffit pas dans la plupart des cas, car il est tout aussi important de mesurer la dispersion autour de l’espérance des valeurs prises par la variable aléatoire.

bannière propriete

Propriété

Soit XX une variable aléatoire qui suit une loi de densité ff sur [a ;b][a\ ;\, b].
La variance de XX, notée V(X)V(X), et son écart-type, noté σ(X)\sigma(X) sont alors donnés par :

V(x)=ab(xE(X))2f(x)dxσ(X)=V(X)\begin{aligned} V(x)&=\int_a^b \big(x-E(X)\big)^2 f(x) \text{d}x \ \sigma(X)&=\sqrt{V(X)} \end{aligned}

bannière exemple

Exemple

Soit ff la fonction de densité définie sur [0 ;1][0\ ;\, 1] par : f(x)=2xf(x)=2x.
Soit XX la variable aléatoire qui suit la loi de densité ff.
Nous avons calculé plus haut l’espérance de XX : E(X)=23E(X)=\frac 23.

  • Nous pouvons donc calculer la variance et l’écart-type :

V(X)=01(xE(X))2f(x)dx=01(x23)2×2x dx=01(x243x+49)×2x dx=01(2x383x2+89x)dx=[12x489x3+49x2]01=1289+49=118σ(X)=118=132=26\begin{aligned} V(X)&=\int0^1 \big(x-E(X)\big)^2 f(x) \text{d}x \ &=\int0^1 \left(x-\dfrac{2}{3}\right)^2 \times 2x \text{ d} x \ &=\int0^1 \left(x^2-\dfrac{4}{3}x +\dfrac{4}{9}\right) \times 2x \text{ d} x \ &=\int0^1 \left(2x^3-\dfrac{8}{3}x^2 +\frac{8}{9}x\right) \text dx \ &=\left[\dfrac{1}{2}x^4-\frac{8}{9}x^3+\frac{4}{9}x^2\right]_0^1 \ &=\dfrac{1}{2}-\dfrac{8}{9}+\dfrac{4}{9} \ &=\frac{1}{18} \ \ \sigma(X)&=\sqrt{\dfrac 1{18}} \ &=\dfrac 1{3\sqrt2}=\dfrac{\sqrt 2}6 \end{aligned}

Loi uniforme sur un intervalle [a ;b][a\ ;\, b]

Considérons une personne qui attend un ami, celui-ci pouvant arriver à n’importe quel moment dans le quart d’heure qui suit. Considérons aussi qu’il n’y a pas de raison pour que le retardataire arrive à un moment plutôt qu’à un autre.
Soit XX la variable aléatoire correspondant au nombre de minutes que doit attendre la première personne.

  • Si on arrondit à la minute supérieure le temps d’attente, alors XX est une variable aléatoire discrète, qui suit une loi uniforme sur {1,2,,15}\lbrace 1,\,2,\,…,\,15 \rbrace.
  • Nous avons étudié ce cas dans le cours précédent.
  • En revanche, si on considère que XX peut prendre n’importe quelle valeur entre 00 et 1515, il s’agit d’une variable continue.
  • De manière analogue, on dit que XX suit une loi uniforme sur [0 ;15][0\ ;\, 15].

Définitions et propriétés

Commençons par définir une loi uniforme sur [0 ;1][0\ ;\, 1].

bannière definition

Définition

Loi uniforme sur [0 ;1][0\ ;\, 1] :

Une variable aléatoire XX suit la loi uniforme sur [0 ;1][0\ ;\, 1] si celle-ci a pour fonction de densité la fonction constante ff, définie sur [0 ;1][0\ ;\, 1] par :

f(x)=1f(x)=1

  • On note cette loi uniforme U([0 ;1])U([0\ ;\, 1]).

Dans ce cas, une primitive de ff est xxx\mapsto x.

  • Nous pouvons alors calculer la probabilité pour que XX appartienne à un intervalle [c ;d][c\ ;\, d] (avec cc et dd des réels de [0 ;1][0\ ;\, 1]) :

p(cXd)=[x]cd=dc\begin{aligned} p(c\leq X\leq d)&=\big[x\big]_{c}^{d} \ &=d-c \end{aligned}

bannière à retenir

À retenir

Ainsi, la probabilité pour que XX appartienne à tout intervalle [c ;d][c\ ;\, d] (avec cc et dd des réels de [0 ;1][0\ ;\, 1]) est égale à la longueur de l’intervalle [c ;d][c\ ;\, d].

Nous pouvons maintenant généraliser à tout intervalle [a ;b][a\ ;\, b] de R\mathbb R.

bannière definition

Définition

Loi uniforme sur [a ;b][a\ ;\, b] :

Soit aa et bb des réels tels que a<ba< b.
Une variable aléatoire XX suit la loi uniforme sur [a ;b][a\ ;\, b] si celle-ci a pour fonction de densité la fonction constante ff, définie sur [a ;b][a\ ;\, b] par :

f(x)=1baf(x)=\dfrac 1{b-a}

  • On note cette loi uniforme U([a ;b])U([a\ ;\, b]).

Puisque a<ba< b, on a bien ba>0b-a>0 et 1ba>0\frac 1{b-a}>0. La fonction ff est donc positive sur [a ;b][a\ ;\, b].
De plus, une primitive de ff étant xxbax\mapsto \frac x{b-a}, nous avons :

ab1badx=[xba]ab=baba=1\begin{aligned} \inta^b \dfrac 1{b-a}\text{d}x&=\left[\dfrac{x}{b-a}\right]a^b \ &=\dfrac{b-a}{b-a} \ &=1 \end{aligned}

  • Les deux conditions définissant une densité de probabilité sont bien vérifiées.

Alt texte Image temporaire

Nous l’avons vu plus haut, la fonction de répartition donne, pour tout réel xx, la probabilité que XX prenne une valeur inférieure ou égale à xx. Nous avons alors la propriété suivante.

bannière propriete

Propriété

Soit XX une variable aléatoire qui suit la loi uniforme U[a ;b]U[a\ ;\, b].
La fonction de répartition FF associée est définie sur R\mathbb R par :

{F(x)=0si x<aF(x)=xabasi x[a ;b]F(x)=1si x>b\begin{cases} F(x) = 0 & \textcolor{#A9A9A9}{\text{si\ } x < a } \ F(x)=\dfrac{x-a}{b-a} & \textcolor{#A9A9A9}{\text{si\ }x\in [a\ ;\, b]} \ F(x)=1 & \textcolor{#A9A9A9}{\text{si\ }x > b} \end{cases}

bannière demonstration

Démonstration

  • XX prend toutes ses valeurs dans [a ;b][a\ ;\, b], donc :
  • la probabilité que XX soit inférieur ou égal à un nombre strictement inférieur à aa est nulle ;
  • l’événement : « XX est inférieur ou égal à un nombre strictement supérieur à bb », est un événement certain.
  • Sur [a ;b][a\ ;\, b], une primitive de f:t1baf:t\mapsto \frac 1{b-a} est ttbat\mapsto \frac t {b-a}. Nous avons donc, pour tout x[a ;b]x\in[a\ ;\, b] :

F(x)=p(Xx)=p(aXx)=ax1badt=[tba]ax=xbaaba=xaba\begin{aligned} F(x) &=p(X\leq x) \ &=p(a\leq X \leq x) \ &=\int{a}^{x} \dfrac 1{b-a} \text d t \ &=\left[\dfrac t {b-a}\right]a^x \ &=\dfrac{x}{b-a}-\dfrac{a}{b-a} \ &=\dfrac{x-a}{b-a} \end{aligned}

Alt texte Image temporaire

Puisque F:xxabaF:x\mapsto \frac{x-a}{b-a} est la fonction de répartition associée à XX qui suit une loi uniforme U([a ;b])U([a\ ;\, b]), nous avons, pour tout intervalle [c ;d][c\ ;\, d] inclus dans [a ;b][a\ ;\, b] :

p(cXd)=F(d)F(c)=dabacaba=dcba\begin{aligned} p(c\leq X\leq d) &= F(d)-F(c) \ &=\dfrac{d-a}{b-a}-\dfrac{c-a}{b-a} \ &=\dfrac{d-c}{b-a} \end{aligned}

bannière propriete

Propriété

Soit XX une variable aléatoire qui suit la loi uniforme U[a ;b]U[a\ ;\, b].
Alors, pour tout intervalle [c ;d][c\ ;\, d] inclus dans [a ;b], on a :

p(X[c ;d])=dcbap(X \in [c\ ;\, d])=\dfrac{d-c}{b-a}

Alt texte Image temporaire

bannière astuce

Astuce

Remarquons, pour mieux nous en souvenir, que p(X[c ;d])p(X \in [c\ ;\, d]) est tout simplement égale au quotient de la longueur de l’intervalle [c ;d][c\ ;\, d] par la longueur de [a ;b][a\ ;\, b].

Prenons maintenant un exemple pour appliquer sur un problème concret tout ce que nous venons de voir sur la loi uniforme.

bannière exemple

Exemple

Thomas a commandé un canapé en livraison. Le transporteur l’a averti ce matin qu’il serait livré dans l’après-midi, entre 14 heures 30 et 18 heures. Nous admettrons que l’horaire de livraison est aléatoire dans le créneau donné.
Mais Thomas a une réunion en visioconférence, prévue entre 14 heures 45 et 15 heures 30.
Quelle est la probabilité pour que le livreur le dérange durant sa réunion ?

  • Soit la variable aléatoire XX qui donne le temps écoulé, en minutes, entre 14 heures 30 et l’instant du coup de sonnette du livreur.

XX prend ses valeurs dans l’intervalle [0 ;210][0\ ;\, 210] (si la livraison a lieu à 14 heures 30 pétantes, le temps d’attente est nul et, si elle a lieu à 18 heures pétantes, le temps d’attente est de trois heures et demie, soit 210210 minutes).

  • XX suit une loi uniforme U([0 ;210])U([0\ ;\, 210]).
  • La réunion commencera 1515 minutes après 14 heures 30 et se terminera 6060 minutes après 14 heures 30.

Nous nous intéressons donc à p(15X60)p(15\leq X\leq 60).

Comme XX suit la loi uniforme U([0 ;210])U([0\ ;\, 210]), nous pouvons donner :

  • sa fonction de densité ff, définie sur [0 ;210][0\ ;\, 210] par :

f(x)=12100=1210\begin{aligned} f(x)&=\dfrac 1{210-0} \ &=\dfrac1{210} \end{aligned}

  • sa fonction de répartition FF, définie sur [0 ;210][0\ ;\, 210] par :

F(x)=x02100=x210\begin{aligned} F(x)&=\dfrac {x-0}{210-0} \ &=\dfrac x{210} \end{aligned}

  • Nous en déduisons :

p(15X60)=F(60)F(15)=6021015210=45210=314\begin{aligned} p(15\leq X\leq 60)&=F(60)-F(15) \ &=\dfrac {60}{210}-\dfrac{15}{210} \ &=\dfrac{45}{210} \ &=\dfrac 3{14} \end{aligned}

Indicateurs d’une variable suivant une loi uniforme

Nous pouvons comprendre, intuitivement, que l’espérance d’une variable aléatoire suivant une loi uniforme U([a ;b])U([a\ ;\, b]) sera égale au centre de [a ;b][a\ ;\, b]. Nous pouvons ainsi donner les formules pour calculer les indicateurs de la variable aléatoire.

bannière propriete

Propriété

Soit XX une variable aléatoire qui suit la loi uniforme U([a ;b])U([a\ ;\, b]).
Son espérance E(X)E(X), sa variance V(X)V(X) et son écart-type σ(X)\sigma(X) sont données par :

E(X)=a+b2V(X)=(ba)212σ(X)=ba23\begin{aligned} E(X)&=\dfrac{a+b}{2} \ V(X)&=\dfrac{(b-a)^2}{12} \ \sigma(X)&=\dfrac{b-a}{2 \sqrt{3}} \end{aligned}

Alt texte Image temporaire

Reprenons le dernier exemple.

bannière exemple

Exemple

Le transporteur donne toujours à ses clients une plage horaire de 3 heures et 30 minutes (soit 210210 minutes) pour la livraison et considère que celle-ci s’y fait de manière aléatoire.
XX, qui donne le nombre de minutes que dure l’attente du client à partir du début du créneau indiqué, suit une loi uniforme U([0 ;210])U([0\ ;\, 210]).

  • Nous avons donc :

E(X)=0+2102=105σ(X)=210023=105360,62\begin{aligned} E(X)&=\dfrac {0+210}2 \ &=105 \ \ \sigma(X)&=\dfrac{210-0}{2\sqrt 3} \ &=\dfrac{105}{\sqrt{3}} \ &\approx 60,62 \end{aligned}

La variable aléatoire XX est d’espérance 105105 et d’écart-type environ 60,6260,62.

  • Sur un grand nombre de livraisons, les clients attendront en moyenne 1 heure et 45 minutes.
  • Remarquons tout de même que l’écart-type est significativement grand (plus de 1 heure) et que donc les durées d’attente seront assez dispersées autour de l’espérance, d’une livraison à l’autre.

Loi exponentielle

La durée de vie de certains composants électroniques, ou encore d’éléments radioactifs, est modélisée par une variable aléatoire suivant une loi dite exponentielle. Nous allons définir, dans la dernière partie de ce cours, cette loi aux applications omniprésentes dans notre monde moderne.

Définition et propriétés

Dans la toute première partie de ce cours, nous avons dit que la fonction xex=1×e1×xx\mapsto \text{e}^{-x}=\purple 1\times \text{e}^{-\purple 1\times x}, définie sur [0 ;+[[0\ ;\, +\infty[, était une densité de probabilité.

  • Il s’agissait en fait de la densité de probabilité associée à une loi exponentielle de paramètre λ=1\lambda=\purple 1.
bannière definition

Définition

Loi exponentielle :

Soit λ\lambda un nombre réel strictement positif.
La variable aléatoire XX suit la loi exponentielle de paramètre λ\lambda sur l’intervalle [0 ;+\infty[ si la fonction de densité ff associée est définie sur [0 ;+\infty[ par :

f(x)=λeλxf(x)=\lambda \text{e}^{-\lambda x}

Nous allons démontrer que cette fonction est bien une densité de probabilité, de manière analogue à ce que nous avons fait pour la fonction xexx\mapsto \text{e}^{-x}.

bannière demonstration

Démonstration

ff est donc définie sur [0 ;+[[0\ ;\, +\infty[ par : f(x)=λeλxf(x)=\lambda \text{e}^{-\lambda x}.

  • Pour tout x0x\geq 0, eλx\text{e}^{-\lambda x} est strictement positif.
  • Donc, pour tout λ>0\lambda >0, ff est strictement positive sur [0 ;+[[0\ ;\, +\infty[.
  • Une primitive de ff sur [0 ;+[[0\ ;\, +\infty[ est la fonction xeλxx\mapsto -\text{e}^{-\lambda x}.

Pour tout réel b>0b>0 :

0bf(x)dx=0bλeλxdx=[eλx]0b=eλb(eλ0)=eλb+1\begin{aligned} \int{0}^{b} f(x) \text d x &= \int{0}^{b} \lambda \text{e}^{-\lambda x} \text d x \ &=\big[ -\text{e}^{-\lambda x} \big]_0^b \ &=-\text{e}^{-\lambda b}-(-\text{e}^{-\lambda 0}) \ &=-\text{e}^{-\lambda b}+1 \end{aligned}

  • Et nous avons enfin :

limb+0bf(x)dx=limb+eλb+1=0+1 [car limXeX=0]=1\begin{aligned} \lim\limits{b \to +\infty} \int{0}^{b} f(x) \text d x &= \lim\limits_{b \to +\infty} -\text{e}^{-\lambda b}+1 \ &=0+1 \footnotesize{\textcolor{#A9A9A9}{\text{ [car $\lim\limits_{X \to -\infty}\text{e}^X=0 $]}}} \ &=1 \end{aligned}

Donnons les courbes représentatives des fonctions de densité ff, gg et hh, définies sur [0 ;+[[0\ ;\, +\infty[ respectivement par :

f(x)=0,5e0,5x (λ=0,5)g(x)=ex (λ=1)h(x)=1,5e1,5x (λ=1,5)\begin{aligned} f(x)&=0,5\text{e}^{-0,5x} \footnotesize{\textcolor{#A9A9A9}{\text{ ($\lambda=0,5$)}}} \ g(x)&=\text{e}^{-x} \footnotesize{\textcolor{#A9A9A9}{\text{ ($\lambda=1$)}}} \ h(x)&=1,5\text{e}^{-1,5x} \footnotesize{\textcolor{#A9A9A9}{\text{ ($\lambda=1,5$)}}} \ \end{aligned}

Alt texte Image temporaire

Nous pouvons maintenant donner la définition de sa fonction de répartition.

bannière propriete

Propriété

Soit XX une variable aléatoire qui suit la loi exponentielle de paramètre λ\lambda.
La fonction de répartition FF associée est définie sur R\mathbb R par :

{F(x)=0si x<0F(x)=1eλxsi x0\begin{cases} F(x) = 0 & \textcolor{#A9A9A9}{\text{si\ } x < 0 } \ F(x)=1-\text{e}^{-\lambda x} & \textcolor{#A9A9A9}{\text{si\ }x\geq 0 } \end{cases}

bannière demonstration

Démonstration

  • XX prend toutes ses valeurs dans [0 ;+[[0\ ;\,+\infty[, donc la probabilité que XX soit strictement inférieur à 00 est nulle.
  • Sur [0 ;+[[0\ ;\, +\infty[, une primitive de f:tλeλtf:t\mapsto \lambda\text{e}^{-\lambda t} est teλtt\mapsto -\text{e}^{-\lambda t}. Nous avons donc, pour tout x[a ;b]x\in[a\ ;\, b] :

F(x)=p(Xx)=p(0Xx)=0xλeλtdt=[eλt]0x=eλx(eλ0)=eλx+1\begin{aligned} F(x) &=p(X\leq x) \ &=p(0\leq X \leq x) \ &=\int{0}^{x} \lambda\text{e}^{-\lambda t} \text d t \ &=\big[-\text{e}^{-\lambda t}\big]0^x \ &=-\text{e}^{-\lambda x} - (-\text{e}^{-\lambda 0}) \ &=-\text{e}^{-\lambda x}+1 \end{aligned}

Nous en déduisons les propriétés suivantes.

bannière propriete

Propriété

Soit XX une variable aléatoire qui suit la loi exponentielle de paramètre λ\lambda.
Alors, pour tous réels positifs cc et dd tels que c<dc < d, nous avons :

p(Xc)=1eλcp(Xc)=eλcp(cXd)=eλceλd\begin{aligned} p(X\leq c)&=1-\text{e}^{-\lambda c} \ p(X\geq c)&= \text{e}^{-\lambda c} \ p(c\leq X \leq d)&= \text{e}^{-\lambda c}-\text{e}^{-\lambda d} \end{aligned}

bannière demonstration

Démonstration

En effet, nous avons :

p(Xc)=p(0Xc)=F(c)F(0)=1eλcp(Xc)=1p(Xc)[car (Xc) est l’eˊveˊnement contraire de (Xc)]=1(1eλc)=eλcp(cXd)=F(d)F(c)=1eλd(1eλc)=eλceλd\begin{aligned} p(X\leq c)&=p(0\leq X \leq c) \ &=F(c)-F(0) \ &=1-\text{e}^{-\lambda c} \ \ p(X\geq c)&=1- p(X\leq c) \ &\footnotesize{\textcolor{#A9A9A9}{\text{[car $(X\geq c)$ est l’événement contraire de $(X\leq c)$]}}} \ &=1-(1-\text{e}^{-\lambda c}) \ &=\text{e}^{-\lambda c} \ \ p(c \leq X \leq d)&=F(d)-F(c) \ &=1-\text{e}^{-\lambda d}-(1-\text{e}^{-\lambda c}) \ &=\text{e}^{-\lambda c}-\text{e}^{-\lambda d} \end{aligned}

Alt texte Image temporaire

Dans le cours précédent, nous avons dit que la loi géométrique était « sans mémoire ».

  • La loi exponentielle possède aussi cette propriété, dite d’« absence de mémoire ».
bannière propriete

Propriété

Soit XX une variable aléatoire qui suit la loi exponentielle de paramètre λ\lambda.
Nous avons, pour tous réels positifs xx et hh :

pXx(Xx+h)=p(Xh)p_{X\geq x}(X\geq x+h)=p(X\geq h)

Autrement dit, par exemple si XX modélise la durée de vie d’un composant électronique, alors la probabilité que le composant tombe en panne après une durée x+hx+h, sachant qu’il a fonctionné pendant la durée xx, est égale à la probabilité qu’il tombe en panne après la durée hh. Cette probabilité ne dépend donc pas de l’« âge » du composant.

  • On parle aussi de « durée de vie sans vieillissement ».

Concrètement, la probabilité que le composant tombe en panne après 1111 ans (soit 10+1\green{10}+\red 1), sachant qu’il a fonctionné 10\green{10} ans, est égale à la probabilité qu’il tombe en panne après 1\red 1 an.

  • Il serait donc faux de considérer que l’âge de 1010 ans du composant augmente la probabilité qu’il tombe en panne dans l’année qui suit.

Démontrons cette « absence de mémoire » de la loi exponentielle.

bannière demonstration

Démonstration

Par définition des probabilités conditionnelles, nous avons :

pXx(Xx+h)=p((Xx)(Xx+h))p(Xx) p_{X\geq x}(X\geq x+h)=\dfrac{ p\big((X\geq x)\cap (X\geq x+h)\big)}{p(X\geq x)}

Or, xx et hh sont des réels positifs, donc x+hxx+h\geq x.
Ainsi, si XX est supérieur ou égal à x+hx+h, il est aussi supérieur ou égal à xx. Et l’événement ((Xx)(Xx+h))\big((X\geq x)\cap (X\geq x+h)\big) est égal à l’événement (Xx+h)(X\geq x+h).

  • p((Xx)(Xx+h))=p(Xx+h)p\big( (X\geq x)\cap (X\geq x+h)\big)=p(X\geq x+h).

Nous obtenons alors :

pXx(Xx+h)=p(Xx+h)p(Xx)=eλ(x+h)eλx [car p(Xc)=eλc]=eλx+(λh)eλx=eλx×eλheλx [car ea+b=eaeb]=eλh=p(Xh)\begin{aligned} p_{X\geq x}(X\geq x+h)&=\dfrac{p(X\geq x+h)}{p(X\geq x)} \ &=\dfrac{\text{e}^{-\lambda (x+h)} }{\text{e}^{-\lambda x}} \ &\footnotesize{\textcolor{#A9A9A9}{\text{ [car $p(X\geq c)=\text{e}^{-\lambda c}$]}}} \ &=\dfrac{\text{e}^{-\lambda x+(-\lambda h)} }{\text{e}^{-\lambda x}} \ &=\dfrac{\text{e}^{-\lambda x}\times \text{e}^{-\lambda h}}{\text{e}^{-\lambda x}} \ &\footnotesize{\textcolor{#A9A9A9}{\text{ [car $\text{e}^{a+b}=\text{e}^a\text e^b$]}}} \ &= \text{e}^{-\lambda h} \ &=p(X\geq h) \end{aligned}

Traitons plus précisément l’exemple que nous venons de prendre d’un composant électronique.

bannière exemple

Exemple

Une usine high-tech produit des transistors pour des puces informatiques. La durée de vie d’un transistor, exprimée en millier d’heures, est modélisée par une variable aléatoire XX qui suit la loi exponentielle de paramètre λ=0,005\lambda=0,005.

  • Sachant qu’un transistor a fonctionné pendant 2525 mille heures, quelle est la probabilité pour qu’il cesse de fonctionner avant 4040 mille heures ?

Nous avons donc :

pX25(X40)=1pX25(X40) [car pA(B)=1pA(Bˉ)]=1pX25(X25+15)=1p(X15) [par la proprieˊteˊ d’absence de meˊmoire]=1e0,005×15 [car p(Xc)=eλc]0,072\begin{aligned} p{X\geq 25}(X\leq 40)&=1-p{X\geq 25}(X\geq 40) \footnotesize{\textcolor{#A9A9A9}{\text{ [car $p_A(B)=1-p_A(\bar B)$]}}} \ &=1-p_{X\geq \purple{25}}(X\geq \purple {25}+\green{15}) \ &=1-p(X\geq \green{15}) \footnotesize{\textcolor{#A9A9A9}{\text{ [par la propriété d’absence de mémoire]}}} \ &=1-\text{e}^{-0,005\times 15} \footnotesize{\textcolor{#A9A9A9}{\text{ [car $p(X\geq c)=\text{e}^{-\lambda c}$]}}} \ &\approx 0,072 \end{aligned}

  • La probabilité qu’un transistor qui a fonctionné 2500025\,000 heures tombe en panne avant 4000040\,000 heures est donc égale à la probabilité qu’il tombe en panne avant 1500015\,000 heures, soit environ 0,0720,072.

Enfin, nous pouvons là aussi déterminer les indicateurs d’une variable aléatoire suivant une loi exponentielle grâce à des formules simples.

bannière propriete

Propriété

Soit XX une variable aléatoire qui suit la loi exponentielle de paramètre λ>0\lambda > 0.
Son espérance E(X)E(X), sa variance V(X)V(X) et son écart-type σ(X)\sigma(X) sont données par :

E(X)=1λV(X)=1λ2σ(X)=1λ\begin{aligned} E(X)&=\dfrac{1}{\lambda} \ V(X)&=\dfrac{1}{\lambda^2} \ \sigma(X)&=\dfrac{1}{\lambda} \end{aligned}

Application à la durée de vie d’un élément radioactif

Dans cette dernière partie, nous allons, à travers un exemple, appliquer ce que nous avons découvert sur les lois exponentielles. Cela nous permettra d’aborder la notion de demi-vie.

On modélise la durée de vie d’un atome d’un corps radioactif par une variable aléatoire XX qui suit une loi exponentielle de paramètre λ\lambda sur [0 ;+[[0\ ;\, +\infty[.

  • On appelle demi-vie la durée DD telle que la probabilité que XX soit inférieur ou égal à DD est égale à la probabilité que XX soit supérieur ou égal à DD, soit :

p(0XD)=p(XD)=12p(0\leq X\leq D)=p(X\geq D)=\dfrac 12

Alt texte Image temporaire

  • Exprimons DD en fonction du paramètre λ\lambda de la loi exponentielle.

Comme XX suit la loi exponentielle de paramètre λ\lambda, par la propriété que nous avons vue plus haut :

p(XD)=eλD=12p(X\geq D)=\text{e}^{-\lambda D}=\dfrac 12

  • Nous obtenons donc :

eλD=12ln(eλD)=ln(12)λD=ln(1)ln(2)[car ln et exp sont reˊciproques et ln(ab)=ln(a)ln(b)]λD=ln(2) [car ln(1)=0]D=ln(2)λ\begin{aligned} \text{e}^{-\lambda D}=\dfrac 12 &\Leftrightarrow \ln{(\text{e}^{-\lambda D})}=\ln\left(\dfrac 12\right) \ &\Leftrightarrow -\lambda D=\ln{(1)}-\ln{(2)} \ &\footnotesize{\textcolor{#A9A9A9}{\text{[car $\ln$ et $\exp$ sont réciproques et $\ln\left(\frac ab\right)=\ln{(a)}-\ln{(b)}$]}}} \ &\Leftrightarrow \lambda D=\ln{(2)} \footnotesize{\textcolor{#A9A9A9}{\text{ [car $\ln{(1)}=0$]}}} \ &\Leftrightarrow \boxed{D=\dfrac{\ln{(2)}}{\lambda}} \end{aligned}

  • Le plutonium 239 a pour demi-vie environ 2400024\,000 ans. Calculons le paramètre correspondant, en prenant pour unité le millier d’années.

Nous avons donc D=24D=24 et nous en déduisons :

24=ln(2)λλ=ln(2)240,0289\begin{aligned} 24=\dfrac{\ln{(2)}}{\lambda} \Leftrightarrow \lambda&=\dfrac{\ln{(2)}}{24} \ &\approx 0,0289 \end{aligned}

La durée de vie d’un atome de plutonium 239 est modélisée par la variable aléatoire XX qui suit la loi exponentielle de paramètre λ=ln(2)24\lambda=\frac{\ln{(2)}}{24}.

  • La fonction de densité uu associée est la fonction définie sur [0 ;+[[0\ ;\, +\infty[ par :

u(x)=ln(2)24×eln(2)24xu(x)= \dfrac{\ln{(2)}}{24}\times \text{e}^{-\frac{\ln{(2)}}{24}x}

  • Calculons maintenant la durée de vie moyenne d’un atome de plutonium 239.

Cela revient à calculer l’espérance, que nous obtenons avec la propriété que nous avons vue :

E(X)=1λ=1ln(2)24=24ln(2)34,62\begin{aligned} E(X)&=\dfrac 1\lambda \ &=\dfrac 1 {\frac{\ln{(2)}}{24}} \ &=\dfrac {24}{\ln{(2)}} \ &\approx 34,62 \end{aligned}

  • Un atome de plutonium 239 met, en moyenne, près de 3535 mille ans à se désintégrer.
  • Calculons maintenant la probabilité qu’un atome de plutonium 239 se désintègre avant 1010 mille ans, d’une part, et, d’autre part, qu’un atome ne soit toujours pas désintégré après 4545 mille ans.
  • En utilisant les propriétés de la loi exponentielle pour les probabilités, et notamment la définition de la fonction de répartition, nous obtenons :

p(X10)=1eλ×10=1eln(2)24×100,25p(X45)=eλ×45=eln(2)24×450,27\begin{aligned} p(X\leq 10) &=1-\text{e}^{-\lambda\times 10} \ &=1-\text{e}^{-\frac{\ln{(2)}}{24}\times 10} \ &\approx 0,25 \ \ p(X\geq 45) &= \text{e}^{-\lambda \times 45} \ &=\text{e}^{-\frac{\ln{(2)}}{24}\times 45} \ &\approx 0,27 \end{aligned}

Nous pouvons noter, au passage, que la probabilité pour qu’un atome de plutonium 239 ne soit pas désintégré après 4545 milliers d’années est supérieure à celle qu’il se désintègre avant 1010 mille ans.

bannière attention

Attention

Certains exercices vous demanderont de redémontrer les propriétés que nous venons d’utiliser :

p(Xc)=1eλcp(Xc)=eλc[avec c un reˊel positif]\begin{aligned} p(X\leq c)&= 1-\text{e}^{-\lambda c} \ p(X\geq c)&= \text{e}^{-\lambda c} \ &\footnotesize{\textcolor{#A9A9A9}{\text{[avec $c$ un réel positif]}}} \end{aligned}

Il est donc important de bien retenir les démonstrations que nous avons données.

  • Elles se retrouvent facilement à partir de la densité de probabilité, si on l’intègre sur l’intervalle qui nous intéresse, que ce soit pour déterminer la fonction de répartition et les probabilités qui s’ensuivent.

Conclusion :

Dans ce cours, nous avons introduit la notion de loi à densité qui intervient en probabilité lorsque la variable aléatoire est continue.
Les caractéristiques principales des lois à densité ont été définies puis appliquées à deux cas particuliers de loi à densité : la loi uniforme et la loi exponentielle.

Si la première, la loi uniforme, est adaptée pour les temps d’attente, les probabilités de tirage aléatoire sur des variables continues, la seconde, la loi exponentielle, est fréquemment utilisée pour modéliser la durée de vie de composants électroniques ou d’atomes de corps radioactifs. Vous en découvrirez ainsi des applications directes en physique-chimie.