La densité de probabilité
On considère une expérience aléatoire et un univers associé \Omega, muni d'une probabilité P.
Variable aléatoire continue
Une variable aléatoire continue est une fonction X qui à chaque événement élémentaire de \Omega associe un nombre réel d'un intervalle I de \mathbb{R}.
Loi de probabilité continue et densité de probabilité
Soit f une fonction continue et positive ou nulle sur un intervalle I de \mathbb{R} telle que \int_{I}f\left(x\right) \ \mathrm dx = 1.
Soit X une variable aléatoire continue sur \Omega.
On dit que f est une densité de probabilité de X si, pour tout intervalle J inclus dans I :
p\left(X\in J\right) =\int_{J}^{}f\left(x\right) \ \mathrm dx
Considérons la fonction f définie sur \left[0;2\right] par f\left(x\right)=\dfrac{x}{2} :
- f est continue sur \left[0;2\right].
- f est positive sur \left[0;2\right].
- Une primitive de f sur \left[0;2\right] est la fonction F définie sur \left[0;2\right] par F\left(x\right)=\dfrac{x^2}{4}. Donc \int_{0}^{2} f\left(x\right) \ \mathrm dx=F\left(2\right)-F\left(0\right)=\dfrac44-0=1.
Cette fonction est donc une fonction de densité sur \left[0;2\right].
- Si I=\left[ a;+\infty \right[, on a : \int_{I}f\left(x\right) \ \mathrm dx = \lim\limits_{b \to +\infty}\int_{a}^{b} f\left(x\right) \ \mathrm dx
- Si I=\left] -\infty;b \right[, on a : \int_{I}f\left(x\right) \ \mathrm dx = \lim\limits_{a \to -\infty}\int_{a}^{b} f\left(x\right) \ \mathrm dx
- Si I=\mathbb{R}, on a : \int_{I}f\left(x\right) \ \mathrm dx = \lim\limits_{a \to -\infty;b \to +\infty}\int_{a}^{b} f\left(x\right) \ \mathrm dx
- Si I=\left[ a;b \right] et J=\left[ c;d \right]\subset\left[ a;b \right], on a : p\left(X\in J\right) =\int_{c}^{d}f\left(x\right) \ \mathrm dx
Pour tous réels a et b de I tels que a\leqslant b :
p\left(X \in \left[a ; b\right]\right) = p\left(a \leq X \leq b\right)
Si X est une variable aléatoire admettant une densité de probabilité, alors pour tous réels a et b tels que a\leqslant b :
- p\left(X\in\left[a ; b\right]\right) = p\left(X\in\left[a ; b\right[\right) = p\left(X\in\left]a ; b\right]\right) = p\left(X\in\left]a ; b\right[\right)
- p\left(X\in\left[a ; a\right]\right) =p\left(X=a\right)= 0
- p\left(a \leq X \leq b\right) = p\left(X \leq b\right) - p\left(X \leq a\right)
- p\left(X \leq a\right) + p\left(X \gt a\right) = 1
Espérance
L'espérance d'une variable aléatoire X de densité f sur un intervalle \left[ a;b \right] est :
E\left(X\right)=\int_{a}^{b} xf\left(x\right) \ \mathrm dx
La loi uniforme sur \left[a ; b\right]
Loi uniforme
Une variable aléatoire X suit la loi uniforme sur l'intervalle \left[a ; b\right] (a \lt b) si elle admet pour densité la fonction f définie sur \left[a ; b\right] par :
f\left(x\right) = \dfrac{1}{b-a}
Si X suit une loi uniforme sur l'intervalle \left[4;6\right] alors une densité de probabilité de X est la fonction f définie pour tout x de \left[4;6\right] par : f\left(x\right)=\dfrac{1}{6-4}=\dfrac12.
Si X suit la loi uniforme sur l'intervalle \left[a ; b\right] (avec a\lt b ), alors pour tous réels c et d tels que a \leq c \leq d \leq b :
p\left(c \leq X \leq d\right) = \dfrac{d-c}{b-a}
Si X suit la loi uniforme sur l'intervalle \left[2 ; 5\right], alors :
p\left(3\leq X \leq 4\right) = \dfrac{4-3}{5-2}=\dfrac13
Espérance d'une loi uniforme
E\left(X\right) = \dfrac{a+b}{2}
Si X suit la loi uniforme sur l'intervalle \left[2 ; 5\right], alors :
E\left(X\right)=\dfrac{2+5}{2}=\dfrac72
Les lois exponentielles
Loi exponentielle
Soit \lambda un réel strictement positif.
La loi exponentielle de paramètre \lambda (ou loi de durée de vie sans vieillissement) a pour densité de probabilité la fonction f définie pour tout réel positif par :
f\left(t\right) = \lambda e^{-\lambda t}
La fonction définie sur \left[0;+\infty\right[ par f\left(x\right)=3e^{-3x} est une densité de probabilité de la loi exponentielle de paramètre 3.
Probabilité d'une loi exponentielle
Si X suit la loi exponentielle de paramètre \lambda, et si a et b sont deux réels positifs vérifiant a\leqslant b :
P\left(a \leq X \leq b\right) =\int_{a}^{b}\lambda e^{-\lambda t} \ \mathrm dt
Si X suit une loi exponentielle de paramètre \lambda=2 alors :
P\left(5\leq X\leq7\right)=\int_{5}^{7} 2e^{-2t} \ \mathrm dt=\left[ -e^{-2t} \right]_5^7=-e^{-14}+e^{-10}
Soit X une variable aléatoire suivant la loi exponentielle de paramètre \lambda (\lambda\gt0). Soit un réel positif a.
- p\left(X \leq a\right) =\int_{0}^{a}\lambda e^{-\lambda t} \ \mathrm dt= 1 - e^{-\lambda a}
- p\left(X \gt a\right) = 1 - P\left(X \leq a\right) = e^{-\lambda a}
Si X suit une loi exponentielle de paramètre \lambda=2 alors :
P\left(X \leq 3\right)= 1 - e^{-2\times 3}=1-e^{-6}
P\left(X \gt 4\right) = e^{-2\times 4}=e^{-8}
Loi de durée de vie sans vieillissement
Soit T une variable aléatoire suivant la loi exponentielle de paramètre \lambda (\lambda\gt0).
Pour tous réels positifs t et h :
P_{\, \left(T \geq t\right)}\left(T\geq t+h\right)=P\left(T\geq h\right)
Soit T une variable aléatoire suivant la loi exponentielle de paramètre \lambda=2.
P_{\,\left(T \geq 1\right)}\left(T\geq 5\right)=P_{\, \left(T \geq 1\right)}\left(T\geq 1+4\right)=P\left(T\geq 4\right)
Espérance d'une loi exponentielle
Si X suit une loi exponentielle de paramètre \lambda\gt0 alors :
E\left(X\right)=\dfrac{1}{\lambda}
Si X suit une loi exponentielle de paramètre \lambda=10 alors : E\left(X\right)=\dfrac{1}{10}=0{,}1.
La loi normale centrée réduite
Loi normale centrée réduite
Une variable aléatoire X suit la loi normale centrée réduite notée \mathcal{N}\left(0;1\right) si elle admet pour densité la fonction de Gauss normalisée f définie sur \mathbb{R} par :
f\left(x\right) = \dfrac{1}{\sqrt{2\pi }} e^{-\frac{x^2}{2}}
Probabilité d'une loi normale centrée réduite
Si X suit la loi normale centrée réduite, alors :
p\left(X \leq a\right) =\lim\limits_{x \to -\infty\\} \dfrac{1}{\sqrt{2\pi }}\ \int_{x }^{a}e^{-\frac{t^2}{2}} \ \mathrm dt
Espérance de la loi normale centrée réduite
Si X suit la loi normale centrée réduite, son espérance est alors égale à :
E\left(X\right) = 0
De façon similaire au cas des variables aléatoires discrètes, on peut définir la variance et l'écart-type d'une variable aléatoire continue par les formules :
V\left(X\right)=E\left(X^2\right)-\left(E\left(X\right)\right)^2
\sigma\left(X\right)=\sqrt{V\left(X\right)}
Variance de la loi normale centrée réduite
Si X suit la loi normale centrée réduite, sa variance (et son écart-type) est alors égale à :
V\left(X\right) = 1
N'ayant pas de primitive de la fonction de densité correspondant à une variable aléatoire suivant une loi N\left(0;1\right), on a besoin de la calculatrice pour déterminer des probabilités d'événements.
La loi normale générale
Loi normale \mathcal{N}\left(\mu;\sigma^2\right)
Une variable aléatoire X suit la loi normale \mathcal{N}\left(\mu;\sigma^2\right) (\mu \in \mathbb{R}, \sigma \in \mathbb{R}^{+*}) si et seulement si la variable aléatoire \dfrac{X-\mu}{\sigma} suit la loi normale centrée réduite.
Espérance d'une loi normale
E\left(X\right) = \mu
Variance d'une loi normale
Si X suit la loi normale \mathcal{N}\left(\mu;\sigma^2\right), sa variance est alors égale à :
V\left(X\right) = \sigma^2
et son écart-type est donc égal à \sigma.
Si \mu=0 et \sigma=1, on retrouve la courbe de Gauss normalisée, soit la loi normale centrée réduite.
Si X suit la loi normale \mathcal{N}\left(\mu;\sigma^2\right), on a les valeurs remarquables suivantes :
p\left(\mu - \sigma \leq X \leq\mu + \sigma\right) \approx 0{,}683
p\left(\mu - 2\sigma \leq X \leq \mu + 2\sigma\right) \approx 0{,}954
p\left(\mu - 3\sigma \leq X \leq \mu + 3\sigma\right) \approx 0{,}997
N'ayant pas de primitive de la fonction de densité correspondant à une variable aléatoire suivant une loi N\left(\mu;\sigma^2\right), on a besoin de la calculatrice pour déterminer des probabilités d'événements.