Documente Academic
Documente Profesional
Documente Cultură
Exemples :
– Soit la v.a. X représentant la durée de vie, en jours d’une ampoule électrique.
– Soit la v.a. X représentant le pourcentage d’un projet réalisé après 6 mois.
Important:
Pour une v.a.c. X, on ne peut pas parler de la probabilité que X prenne une
valeur x mais plutôt de la probabilité qu’elle se retrouve dans un intervalle
donné
3.1 Variable aléatoire continue
Exemple
f(x): fonction de densité de probabilité où X est la variable aléatoire
correspondant à la durée de vie en années d’une ampoule
Forme analytique
x si 0 x 1
f ( x) 2 x si 1 x 2
0
ailleurs
3.1 Variable aléatoire continue:
Loi et fonction de répartition
La probabilité que la v.a.c. X prenne une valeur dans un intervalle entre
a et b est donnée par l’aire sous le graphique de la fonction de densité de
probabilité f(x) entre a and b.
b L’aire sous la courbe
P(a X b) f ( x)dx F(b) - F(a) doit être égale à 1.
a
F représente la fonction de répartition de X:
a
F(a) P(X a)
f ( x ) dx
0,6
P(X a) f ( x)dx 0 0,4
a 0,2
0
PuisqueX () IR alors: 0 0,5 1 1,5 2
Durée de vie x
p( IR)
f ( x)dx 1 Une probabilité est toujours positive
3.1 Variable aléatoire continue:
Représentation graphique
P(0≤X≤1,5)
Densité f(x)
0,8
0,6
0,4
0,2
0
0 0,5 1 1,5 2
Durée de vie x
Exemple :
Calculer la probabilité que la durée de vie de l’ampoule électrique soit
comprise entre 0 et1,1,5
5
an. 1 1, 5
P (0 X 1,5) f ( x)dx xdx ( 2 x) dx 0,1875
0 0 1
0 si t 0
1 2
t 2 t si 0 t 1
F (t ) p ( X t ) f ( x)dx
2 t 2t 1 si 1 t 2
1 2
1 si 2 t
3.1 variable aléatoire continue:
Espérance et variance
L’espérance d’une variable aléatoire est définie comme suit:
E( X )
x. f ( x)dx
(X ) 7
6 1,08 représente l' erreur de dispertion des autres valeurs autour de la moyenne
3.2 Distribution uniforme:
Définition, Espérance et variance
Lorsque la probabilité est proportionnelle à la longueur de l’intervalle, la
v.a.c. est distribuée de façon uniforme
Une v.a.c X obéit à une distribution uniforme sur un intervalle [a, b] si sa
densité de probabilité est donnée par :
b
1
si a xb
f ( x) a
0 ailleurs
1
si 6 x 22
f (x) 22 6
0 ailleurs
Définition: Soit m >0, on dit qu’une v.a.c X suit la loi exponentielle si sa fonction
densité est de la forme:
0 if x 0
1
f x e x/m if x 0
m
L’espérance , la variance et la fonction de répartition de X sont :
E(X) m ; en effet, E(X) [-xe - x/μ
] 0 e dx μ.e
-x/μ -x/μ
0 0
V(X) m 2 ; en effet, il suffit d' appliquer 2 fois l' integratio n par parties.
0 si x 0
Fx -x/ m
1 - e si x 0
3.3 Distribution exponentielle:
Notes
La loi exponentielle est utile pour décrire la durée de réalisation d’une
tâche
Exemples:
– le temps entre les arrivées à un lave-autos
– la distance entre les défauts majeurs d’une autoroute
– dans les files d’attente, la distribution exponentielle est souvent
utilisée pour le temps de service
Liée à la loi de Poisson qui fournit une bonne description du nombre
d’occurrences par intervalle
Loi exponentielle fournit une bonne description de la longueur de
l’intervalle entre les occurrences
3.3 Distribution exponentielle:
Relation entre les distributions de Poisson
et exponentielle
Définition: Une v.a.c X pouvant prendre toutes les valeurs réelles x dans
l’intervalle de - à +, pour m , pour + dont la fonction de densité
est : 1 xm
2
1
f ( x) e 2
2
s’appelle une v.a. normale de paramètres m et : X N(m , 2)
2
V(X) 2
3.4 Distribution normale:
Forme de la distribution normale
• Ilexiste une famille entière de lois normales. Elles se différencient par leur moyenne
et leur variance
• Courbe en cloche
• Courbe symétrique
• La moyenne, le mode et la médiane correspondent au même point (le point le plus
élevé)
• L’écart type détermine la largeur de la courbe, plus il est grand, plus la courbe sera
large et aplatie
• L’aire totale sous la courbe est 1 f(x)
• Aussi appelée loi Gaussienne ou loi de Gauss
m x
3.4 Distribution normale:
Notes
68,26% des valeurs d’une variable aléatoire normale sont
comprises dans l’intervalle m;m]
-4 -2 0 2 4
Valeurs de z
3.4 Distribution normale:
Exemple
z ,00 ,01 ,02 ,03 ,04 ,05 ,06 ,07 ,08 ,09 Aire cherché
,0 ,0000 ,0040 ,0080 ,0120 ,0160 ,0199 ,0239 ,0279 ,0319 ,0359
,1 ,0398 ,0438 ,0478 ,0517 ,0557 ,0596 ,0636 ,0675 ,0714 ,0753
,2 ,0793 ,0832 ,0871 ,0910 ,0948 ,0987 ,1026 ,1064 ,1103 ,1141
,3 ,1179 ,1217 ,1255 ,1293 ,1331 ,1368 ,1406 ,1443 ,1480 ,1517
,4 ,1554 ,1591 ,1628 ,1664 ,1700 ,1736 ,1772 ,1808 ,1844 ,1879
,5 ,1915 ,1950 ,1985 ,2019 ,2054 ,2088 ,2123 ,2157 ,2190 ,2224
,6 ,2257 ,2291 ,2324 ,2357 ,2389 ,2422 ,2454 ,2486 ,2518 ,2549 0,25
z
0
,7 ,2580 ,2612 ,2642 ,2673 ,2704 ,2734 ,2764 ,2794 ,2823 ,2852
,8 ,2881 ,2910 ,2939 ,2967 ,2995 ,3023 ,3051 ,3078 ,3106 ,3133
,9 ,3159 ,3186 ,3212 ,3238 ,3264 ,3289 ,3315 ,3340 ,3365 ,3389
3.4 Distribution normale:
Convergence de la binomiale vers la normale