Aller au contenu
Probabilités 2 · L2

Leçon 1 sur 5

Variables aléatoires à densité et lois usuelles

Je sais décrire une variable aléatoire à densité par sa fonction de répartition et sa densité, calculer son espérance et sa variance, et utiliser les lois uniforme, exponentielle et normale.

  • 1 h 30
  • 6 exercices corrigés
  • QCM de 7 questions

À la fin de la leçon, vous saurez :

  • Définir la fonction de répartition et la densité d'une variable aléatoire réelle
  • Calculer probabilités, espérance, variance et quantiles à partir d'une densité
  • Reconnaître et utiliser les lois uniforme, exponentielle et normale
  • Exploiter l'absence de mémoire de la loi exponentielle et le centrage-réduction de la loi normale
  • Déterminer la loi d'une variable Y = g(X) par la fonction de répartition

Avant de commencer : Probabilités 1 (espace probabilisé, variables discrètes, espérance et variance) ; intégrales généralisées (Analyse 2).

1Je découvre

Mariama dirige « Sabou Pay », une agence fictive de transfert d'argent par mobile installée au marché de Madina, à Conakry, avec une antenne à Kankan. Pour organiser ses guichets, elle note pendant une semaine deux grandeurs : la durée de service de chaque client, en minutes, et le montant de chaque retrait, en francs guinéens.

Dans le cours de Probabilités 1, les variables comptaient des objets : nombre de clients, nombre de pannes. Ici, la durée de service peut valoir 3,2 minutes, 3,21 minutes, 3,214 minutes… Elle prend ses valeurs dans un intervalle entier. La probabilité qu'un service dure exactement 3 minutes est nulle ; seules les probabilités d'intervalles ont un sens : « entre 2 et 4 minutes », « plus de 6 minutes ».

Mariama veut répondre à des questions précises : quelle proportion de clients attend plus de 6 minutes ? Quel montant n'est dépassé que par 5 % des retraits ?

Comment décrire la loi d'une grandeur aléatoire qui prend un continuum de valeurs, et quelles lois usuelles utiliser pour la modéliser ?

2Je comprends

1. Fonction de répartition et densité

Soit X une variable aléatoire réelle sur un espace probabilisé (Ω, A, P). Sa fonction de répartition est

FX(x) = P(X ≤ x), x ∈ ℝ.

Elle caractérise la loi de X et vérifie toujours : FX est croissante, continue à droite, limx → -∞ FX(x) = 0 et limx → +∞ FX(x) = 1. Pour a < b : P(a < X ≤ b) = FX(b) - FX(a).

On dit que X est à densité s'il existe une fonction f positive, intégrable sur ℝ, telle que

FX(x) = ∫-∞x f(t) dt pour tout x.

Une fonction f est une densité si et seulement si f ≥ 0 et ∫-∞+∞ f(t) dt = 1. Conséquences :

PropriétéVariable discrèteVariable à densité
Loi décrite parP(X = k)densité f
P(X = a)peut être positivetoujours nulle
P(a ≤ X ≤ b)Σa ≤ k ≤ b P(X=k)∫ab f(t) dt
NormalisationΣk P(X=k) = 1∫ℝ f = 1
Lien avec FXFX en escalierFX continue, FX' = f là où f est continue

Attention : f(x) n'est pas une probabilité ; elle peut dépasser 1. C'est une probabilité par unité de longueur : P(x ≤ X ≤ x + h) ≈ f(x) h pour h petit.

Exemple

Durée de service X (minutes) de densité f(x) = x/8 sur [0 ; 4], f(x) = 0 ailleurs.

  1. f est positive et l'intégrale de x/8 de 0 à 4 vaut 16/16 = 1 : c'est bien une densité.
  2. Fonction de répartition : F(x) = 0 si x < 0 ; F(x) = x²/16 si 0 ≤ x ≤ 4 ; F(x) = 1 si x > 4.
  3. P(1 ≤ X ≤ 3) = F(3) − F(1) = 9/16 − 1/16 = 1/2.
  4. Médiane : F(x) = 1/2 donne x² = 8, soit x = 2√2 ≈ 2,83 minutes.

2. Espérance, variance et quantiles

Si ∫ℝ |x| f(x) dx < +∞, l'espérance de X est

E(X) = ∫-∞+∞ x f(x) dx.

Théorème de transfert : pour g continue par morceaux, E(g(X)) = ∫ℝ g(x) f(x) dx dès que cette intégrale converge absolument. On n'a pas besoin de la loi de g(X) pour calculer son espérance.

La variance est V(X) = E((X - E(X))2) = E(X2) - E(X)2, et l'écart-type σ(X) = √V(X). Comme dans le cas discret :

E(aX + b) = aE(X) + b, V(aX + b) = a2 V(X).

Pour α ∈ ]0, 1[, un quantile d'ordre α est un réel q_α tel que FX(q_α) = α ; la médiane est q1/2. Quand FX est continue et strictement croissante, q_α = FX-1(α).

Exemple

Suite de l'exemple : f(x) = x/8 sur [0 ; 4].

E(X) = intégrale de x · x/8 sur [0 ; 4] = [x³/24] = 64/24 = 8/3 ≈ 2,67 minutes.

E(X²) = intégrale de x² · x/8 sur [0 ; 4] = [x⁴/32] = 256/32 = 8.

V(X) = 8 − (8/3)² = 8 − 64/9 = 8/9, donc σ(X) ≈ 0,94 minute.

Une variable à densité peut ne pas avoir d'espérance : la loi de Cauchy, de densité 1π(1+x2), en est l'exemple classique (l'intégrale de |x| f(x) diverge).

3. Lois uniforme et exponentielle

Loi uniforme sur [a, b], notée U([a,b]) : f(x) = 1b-a sur [a,b], 0 ailleurs. Toutes les sous-parties de même longueur ont la même probabilité.

E(X) = a+b2, V(X) = (b-a)212.

Loi exponentielle de paramètre λ > 0, notée E(λ) : f(x) = λ e-λ x pour x ≥ 0, 0 sinon. Alors F(x) = 1 - e-λ x et P(X > x) = e-λ x pour x ≥ 0.

E(X) = 1λ, V(X) = 1λ2.

Elle modélise des durées de vie ou des temps d'attente sans usure : durée de service, temps avant la prochaine panne d'un composant électronique, temps entre deux arrivées de clients.

Absence de mémoire. Pour tous s, t ≥ 0 :

P(X > s + t | X > s) = e-λ(s+t)e-λ s = e-λ t = P(X > t).

Un client déjà servi depuis s minutes a la même probabilité de l'être encore t minutes de plus qu'un client qui commence. On montre que c'est la seule loi à densité sur ℝ_+ qui possède cette propriété.

Exemple

À Madina, la durée de service T suit une loi exponentielle de moyenne 4 minutes, donc λ = 1/4.

  1. P(T > 6) = e^(−6/4) = e^(−1,5) ≈ 0,223 : environ 22 % des services dépassent 6 minutes.
  2. Médiane : 1 − e^(−t/4) = 1/2 donne t = 4 ln 2 ≈ 2,77 minutes (inférieure à la moyenne).
  3. P(T > 10 | T > 4) = P(T > 6) ≈ 0,223 par absence de mémoire.
  4. Écart-type : 1/λ = 4 minutes, égal à la moyenne.

4. La loi normale

X suit la loi normale N(m, σ2), avec m ∈ ℝ et σ > 0, si sa densité est

f(x) = 1σ√2π exp(-(x - m)22σ2).

Sa courbe est « en cloche », symétrique autour de m ; E(X) = m et V(X) = σ2.

Centrer-réduire. Si X ∼ N(m, σ2), alors Z = X - mσ ∼ N(0, 1), la loi normale centrée réduite, dont la fonction de répartition Φ est tabulée. Par symétrie, Φ(-z) = 1 - Φ(z).

z11,2821,51,6451,9622,576
Φ(z)0,84130,900,93320,950,9750,97720,995

Règle pratique : P(|X - m| ≤ σ) ≈ 0,683 ; P(|X - m| ≤ 2σ) ≈ 0,954 ; P(|X - m| ≤ 3σ) ≈ 0,997.

La loi normale modélise des grandeurs résultant de l'addition de nombreux petits effets indépendants (erreurs de mesure, tailles, rendements). La leçon 5 en donnera la raison : le théorème central limite.

Exemple

Les montants des retraits X suivent (modèle) la loi N(500 000 ; 100 000²), en GNF.

  1. P(X > 700 000) = P(Z > 2) = 1 − Φ(2) ≈ 0,0228.
  2. P(400 000 < X < 650 000) = Φ(1,5) − Φ(−1) = 0,9332 − 0,1587 ≈ 0,775.
  3. Montant dépassé par 5 % des retraits : 500 000 + 1,645 × 100 000 ≈ 664 500 GNF.
  4. Le modèle donne P(X < 0) = Φ(−5), de l'ordre de 3 × 10⁻⁷ : négligeable, le modèle est acceptable.

5. Loi d'une fonction de X

Pour trouver la loi de Y = g(X), la méthode la plus sûre passe par la fonction de répartition.

Méthode

Pour déterminer la densité de Y = g(X) :

  1. Je repère l'ensemble des valeurs possibles de Y.
  2. J'écris F_Y(y) = P(g(X) ≤ y) et je transforme l'événement en un événement sur X.
  3. J'exprime F_Y(y) à l'aide de F_X.
  4. Je vérifie que F_Y est continue et dérivable par morceaux, puis je dérive : f_Y = F_Y'.
  5. Je contrôle que f_Y est positive et d'intégrale 1.

Cas affine. Si Y = aX + b avec a ≠ 0, alors fY(y) = 1|a| fX(y - ba). Ainsi, si X ∼ N(m, σ2), alors aX + b ∼ N(am + b, a2σ2).

Simulation par inversion. Si U ∼ U([0,1]), alors Y = -1λln(1 - U) ∼ E(λ). En effet, pour y ≥ 0, P(Y ≤ y) = P(U ≤ 1 - e-λ y) = 1 - e-λ y. C'est ainsi qu'un ordinateur simule des durées de service :

import random, math
lam = 1/4                       # moyenne de 4 minutes
durees = [-math.log(1 - random.random()) / lam for _ in range(100000)]
print(sum(durees) / len(durees))                # proche de 4
print(sum(d > 6 for d in durees) / len(durees)) # proche de 0,223

3Je retiens

Je retiens

F(x) = P(X ≤ x) ; X est à densité si F(x) est l'intégrale de f de −∞ à x, avec f ≥ 0 et d'intégrale 1.

Pour une variable à densité, P(X = a) = 0 et P(a ≤ X ≤ b) = F(b) − F(a).

E(X) = intégrale de x f(x) ; E(g(X)) = intégrale de g(x) f(x) (transfert) ; V(X) = E(X²) − E(X)².

Uniforme sur [a ; b] : E = (a + b)/2, V = (b − a)²/12.

Exponentielle E(λ) : P(X > x) = e^(−λx), E = 1/λ, V = 1/λ², sans mémoire.

Normale N(m, σ²) : Z = (X − m)/σ suit N(0, 1) ; Φ(−z) = 1 − Φ(z).

Loi de g(X) : passer par la fonction de répartition, puis dériver.

4Erreurs fréquentes

  • Prendre f(x) pour une probabilité : une densité peut valoir plus de 1.
  • Confondre le paramètre λ de l'exponentielle avec sa moyenne : la moyenne vaut 1/λ.
  • Oublier de centrer et réduire avant de lire la table : P(X ≤ x) = Φ((x − m)/σ).
  • Écrire N(m, σ) au lieu de N(m, σ²) sans préciser la convention utilisée.
  • Dériver F_Y sans avoir d'abord déterminé l'ensemble des valeurs de Y.

5Je m’exerce

1Exercice 1

(Questions de cours)

a) Donnez la définition d'une variable aléatoire à densité et les deux propriétés caractérisant une densité.

b) Démontrez que la loi exponentielle est sans mémoire.

c) Démontrez que si X ∼ U([a, b]), alors V(X) = (b-a)212.

Voir le corrigéCacher le corrigé

a) X est à densité s'il existe f telle que FX(x) = ∫-∞x f(t) dt pour tout réel x. Une fonction f est une densité si f ≥ 0 et ∫ℝ f = 1.

b) Pour s, t ≥ 0 : P(X > s + t | X > s) = P(X > s+t)P(X > s) car {X > s+t} ⊂ {X > s} ; cela vaut e-λ(s+t)e-λ s = e-λ t = P(X > t).

c) E(X2) = 1b-a∫ab x2 dx = b3 - a33(b-a) = a2 + ab + b23. Donc V(X) = a2+ab+b23 - (a+b)24 = 4a2 + 4ab + 4b2 - 3a2 - 6ab - 3b212 = (b-a)212.

2Exercice 2

Soit f(x) = c x(2 - x) pour x ∈ [0, 2] et f(x) = 0 ailleurs.

a) Déterminez c pour que f soit une densité.

b) Calculez la fonction de répartition F, puis P(X ≤ 12).

c) Calculez E(X) et V(X).

Voir le corrigéCacher le corrigé

a) ∫02 x(2-x) dx = [x2 - x33]02 = 4 - 83 = 43, donc c = 34.

b) Pour 0 ≤ x ≤ 2 : F(x) = 34(x2 - x33) = 3x2 - x34 ; F(x) = 0 si x < 0 et F(x) = 1 si x > 2. P(X ≤ 12) = 3/4 - 1/84 = 532 ≈ 0,156.

c) La densité est symétrique par rapport à 1, donc E(X) = 1. E(X2) = 34∫02 (2x3 - x4) dx = 34(8 - 325) = 34 × 85 = 65. V(X) = 65 - 1 = 15.

3Exercice 3

La durée de service T à l'antenne de Kankan suit la loi exponentielle de moyenne 4 minutes.

a) Quelle proportion des clients est servie en moins de 2 minutes ?

b) Calculez P(T > 4).

c) Un client est au guichet depuis 6 minutes. Probabilité qu'il y soit encore dans 4 minutes ?

Voir le corrigéCacher le corrigé

T ∼ E(14).

a) P(T < 2) = 1 - e-1/2 ≈ 0,393 : environ 39 % des clients.

b) P(T > 4) = e-1 ≈ 0,368 : la moyenne est dépassée moins d'une fois sur deux.

c) Par absence de mémoire, P(T > 10 | T > 6) = P(T > 4) = e-1 ≈ 0,368.

4Exercice 4

Les montants des retraits X suivent la loi N(500 000 ; 100 0002) (en GNF).

a) Calculez P(400 000 < X < 650 000).

b) Quel montant n'est dépassé que par 5 % des retraits ?

c) Mariama veut que la caisse couvre 97,5 % des retraits individuels. Quel montant minimal doit-elle prévoir pour un retrait ?

Voir le corrigéCacher le corrigé

Z = X - 500 000100 000 ∼ N(0,1).

a) P(-1 < Z < 1,5) = Φ(1,5) - (1 - Φ(1)) = 0,9332 - 0,1587 = 0,7745.

b) P(X > q) = 0,05 ⇔ q - 500 000100 000 = 1,645, donc q ≈ 664 500 GNF.

c) Φ(1,96) = 0,975 : q = 500 000 + 1,96 × 100 000 = 696 000 GNF.

5Exercice 5

Soit U ∼ U([0, 1]).

a) Déterminez la loi de Y = -4ln(1 - U).

b) Déterminez la fonction de répartition et la densité de W = U2. Calculez E(W) de deux façons.

Voir le corrigéCacher le corrigé

a) Y ≥ 0. Pour y ≥ 0 : P(Y ≤ y) = P(ln(1-U) ≥ -y4) = P(U ≤ 1 - e-y/4) = 1 - e-y/4. Donc Y ∼ E(14) : c'est la durée de service de la leçon.

b) W ∈ [0, 1]. Pour 0 ≤ w ≤ 1 : FW(w) = P(U ≤ √w) = √w ; FW(w) = 0 si w < 0, 1 si w > 1. Densité : fW(w) = 12√w sur ]0, 1] (elle n'est pas bornée, mais son intégrale vaut 1). Par la densité : E(W) = ∫01 w2√w dw = ∫01 √w2 dw = 13. Par transfert : E(U2) = ∫01 u2 du = 13.

6Exercice 6

(Type examen) À Kankan, un minibus passe devant l'agence à un instant uniformément réparti entre 0 et 20 minutes après l'ouverture. Fatou arrive à l'ouverture.

a) Quelle est la loi du temps d'attente A de Fatou ? Son espérance, sa variance ?

b) Calculez P(A > 15).

c) Le montant X d'un dépôt suit la loi N(300 000 ; 50 0002) (en GNF). Calculez la probabilité qu'un dépôt dépasse 400 000 GNF.

d) Déterminez le montant q tel que 90 % des dépôts lui soient inférieurs.

e) Montrez que D = X - 300 00050 000 suit une loi que l'on précisera.

Voir le corrigéCacher le corrigé

a) A ∼ U([0, 20]) : E(A) = 10 minutes, V(A) = 40012 = 1003 ≈ 33,3 (écart-type ≈ 5,77 minutes).

b) P(A > 15) = 20 - 1520 = 14.

c) P(X > 400 000) = P(Z > 100 00050 000) = 1 - Φ(2) ≈ 0,0228.

d) Φ(1,282) ≈ 0,90 : q = 300 000 + 1,282 × 50 000 ≈ 364 100 GNF.

e) Cas affine avec a = 150 000, b = -6 : D ∼ N(a × 300 000 + b, a2 × 50 0002) = N(0, 1).

Cherchez d’abord seul, sur votre cahier, puis ouvrez le corrigé pour comparer.

6Je vérifie

Choisissez une réponse pour chaque question : la correction s’affiche aussitôt.

1Pour une variable X à densité, P(X = 3) vaut :
Voir la réponse

Réponse B : 0. Une variable à densité ne charge aucun point : P(X = 3) = ∫33 f = 0.

2Une densité peut-elle prendre la valeur 5 ?
Voir la réponse

Réponse A : oui, seule son intégrale doit valoir 1. Par exemple, la densité uniforme sur [0 ; 0,2] vaut 5.

3Si T ∼ E(14), l'espérance de T vaut :
Voir la réponse

Réponse B : 4. E(T) = 1λ = 4.

4Si X ∼ N(10, 4), la variable centrée réduite est :
Voir la réponse

Réponse B : X - 102. Le second paramètre est la variance ; on divise par l'écart-type σ = 2.

5Φ(-1,5) vaut environ :
Voir la réponse

Réponse B : 0,0668. Φ(-z) = 1 - Φ(z) = 1 - 0,9332.

6La variance de la loi uniforme sur [0, 6] est :
Voir la réponse

Réponse B : 3. (6 - 0)212 = 3.

7La propriété P(X > s + t | X > s) = P(X > t) caractérise :
Voir la réponse

Réponse C : la loi exponentielle. C'est l'absence de mémoire, propre à la loi exponentielle parmi les lois à densité sur ℝ_+.

Karamö, votre enseignant

Il a lu cette leçon. Posez-lui votre question : il vous répond ici.

Connectez-vous pour poser vos questions à Karamö.

Vous avez fini la leçon ?

Avec un compte Kharandi gratuit, vous cochez les leçons terminées et vous suivez votre progression, cours par cours.

Karamö
Un point pas clair ? Dites à Karamö ce qui vous bloque dans cette leçon : il vous l’explique autrement, pas à pas, sans faire le travail à votre place. Demander à Karamö
Signaler une erreur dans cette leçon

Toutes les leçons de Probabilités 2

Pose ta question à Karamö