Introduction aux Probabilités - Université Rennes 2
Introduction aux Probabilités - Université Rennes 2 Introduction aux Probabilités - Université Rennes 2
152 Chapitre 3. Variables aléatoires à densité 0.1 0.09 0.08 0.07 0.06 0.05 0.04 0.03 0.02 0.01 0 0 50 100 150 200 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 50 100 150 200 Figure 3.13 – Densité et fonction de répartition de la loi de Pareto. 3. Commençons par calculer la probabilité p qu’un composant fonctionne durant au moins 15 heures. Celle-ci s’écrit : +∞ 10 p =È(T > 15) = dt = − 15 t2 10 +∞ = t 15 2 3 . Puisque les composants sont indépendants, le nombre de composants parmi les 6 à être encore en fonctionnement après 15 heures est une variable X distribuée suivant une loi binomiale B(6,2/3). Ainsi la probabilité P que parmi 6 composants indépendants, au moins 3 d’entre eux fonctionnent durant au moins 15 heures s’écrit : P =È(X ≥ 3) = 1−È(X < 3) = 1−(È(X = 0)+È(X = 1)+È(X = 2)), qui se développe en : 6 0 6 1 5 2 4 2 1 6 2 1 6 2 1 P = 1− + + = 0 3 3 1 3 3 2 3 3 656 ≈ 0.9 729 Il y a donc environ 90% de chances qu’au moins 3 des composants fonctionnent durant au moins 15 heures. Exercice 3.8 (Tirages uniformes sur un segment) Cet exercice a été traité dans le chapitre 1 (exercice 1.37). La seule différence ici se trouve dans la formulation en termes de variables aléatoires. Exercice 3.9 (Problèmes de densité) 1. Puisque X prend ses valeurs dans [0,1], Y = 1−X aussi, donc si on note F la fonction de répartition de Y , il en découle que F est nulle à gauche de 0 et vaut 1 à droite de 1. Pour y ∈ [0,1], il suffit de se ramener à X : F(y) =È(Y ≤ y) =È(1−X ≤ y) =È(X ≥ 1−y) = 1−(1−y) = y, où l’on retrouve la fonction de répartition de la loi uniforme sur [0,1], ainsi Y ∼ U [0,1]. ce résultat était intuitivement clair : puisque X se distribue de façon uniforme sur [0,1], il en va de même pour1−X. Concernant la variable aléatoire Z = (X+Y), on aZ = X+(1−X) = 1, c’est-à-dire que Z ne prend que la valeur 1 et n’a rien d’aléatoire. On peut aussi voir Z comme une variable discrète prenant la valeur 1 avec probabilité 1. Ce petit exemple montre que la somme de deux variables à densité n’a pas forcément de densité (tandis que la somme de deux variables discrètes reste toujours une variable discrète). Arnaud Guyader - Rennes 2 Probabilités
3.6. Corrigés 153 2. La variable X est à valeurs dans [0,1], donc sa fonction de répartition est nulle surÊ− et vaut 1 sur [1,+∞[. Notons P (respectivement F) l’événement “la pièce donne Pile (respectivement Face)” et U le résultat du tirage uniforme. Considérons x ∈ [0,1[, alors par indépendance du lancer de dé et du tirage uniforme il vient : F(x) =È(X ≤ x) =È({U ≤ x}∩{F}) =È(U ≤ x)È(F) = x 2 . Ainsi F est une fonction continue par morceaux, avec un saut d’amplitude 1/2 en 1 (cf. figure 3.14). Autrement dit, la variable X n’est ni discrète ni absolument continue, c’est une sorte de cocktail. 1 1/2 Figure 3.14 – Fonction de répartition de la variable “cocktail”. Exercice 3.10 (Minimum de variables exponentielles) 1. On considère deux variables aléatoires indépendantes X1 et X2 exponentielles de paramètres respectifs λ1 et λ2. Soit Y = min(X1,X2) le minimum de ces deux variables. (a) Pour tout réel y : P(X1 > y) = 1−P(X1 ≤ y) = 1−F1(y), où F1 est la fonction de répartition de la loi exponentielle E(λ1). Ainsi, P(X1 > y) = 1 si y ≤ 0, et si y ≥ 0 nous avons −λ1y P(X1 > y) = 1− 1−e = e −λ1y . (b) La variable Y , en tant que minimum de deux variables positives, est elle-même positive donc P(Y > y) = 1 pour tout y ≤ 0. Pour y > 0, utilisons l’indépendance des deux variables pour transformer une probabilité d’intersection en produit de probabilités : P(Y > y) =È(min(X1,X2) > y) =È(X1 > y,X2 > y) =È(X1 > y)È(X2 > y) c’est-à-dire : P(Y > y) = e −λ1y e −λ2y = e −(λ1+λ2)y . En notant F la fonction de répartition de la variable Y , il en découle que pour tout y > 0 : F(y) = 1−P(Y > y) = 1−e −(λ1+λ2)y , et bien sûr F(y) = 0 si Y ≤ 0. (c) La fonction de répartition caractérisant complètement la loi d’une variable aléatoire, on en déduit que Y suit une loi exponentielle de paramètre (λ1 +λ2). Probabilités Arnaud Guyader - Rennes 2 1
- Page 106 and 107: 102 Chapitre 2. Variables aléatoir
- Page 108 and 109: 104 Chapitre 2. Variables aléatoir
- Page 110 and 111: 106 Chapitre 2. Variables aléatoir
- Page 112 and 113: 108 Chapitre 2. Variables aléatoir
- Page 114 and 115: 110 Chapitre 2. Variables aléatoir
- Page 116 and 117: 112 Chapitre 2. Variables aléatoir
- Page 118 and 119: 114 Chapitre 2. Variables aléatoir
- Page 120 and 121: 116 Chapitre 3. Variables aléatoir
- Page 122 and 123: 118 Chapitre 3. Variables aléatoir
- Page 124 and 125: 120 Chapitre 3. Variables aléatoir
- Page 126 and 127: 122 Chapitre 3. Variables aléatoir
- Page 128 and 129: 124 Chapitre 3. Variables aléatoir
- Page 130 and 131: 126 Chapitre 3. Variables aléatoir
- Page 132 and 133: 128 Chapitre 3. Variables aléatoir
- Page 134 and 135: 130 Chapitre 3. Variables aléatoir
- Page 136 and 137: 132 Chapitre 3. Variables aléatoir
- Page 138 and 139: 134 Chapitre 3. Variables aléatoir
- Page 140 and 141: 136 Chapitre 3. Variables aléatoir
- Page 142 and 143: 138 Chapitre 3. Variables aléatoir
- Page 144 and 145: 140 Chapitre 3. Variables aléatoir
- Page 146 and 147: 142 Chapitre 3. Variables aléatoir
- Page 148 and 149: 144 Chapitre 3. Variables aléatoir
- Page 150 and 151: ∈Ê 146 Chapitre 3. Variables al
- Page 152 and 153: 148 Chapitre 3. Variables aléatoir
- Page 154 and 155: 150 Chapitre 3. Variables aléatoir
- Page 158 and 159: 154 Chapitre 3. Variables aléatoir
- Page 160 and 161: 156 Chapitre 3. Variables aléatoir
- Page 162 and 163: 158 Chapitre 3. Variables aléatoir
- Page 164 and 165: 160 Chapitre 3. Variables aléatoir
- Page 166 and 167: 162 Chapitre 3. Variables aléatoir
- Page 168 and 169: 164 Chapitre 3. Variables aléatoir
- Page 170 and 171: 166 Chapitre 3. Variables aléatoir
- Page 172 and 173: 168 Chapitre 3. Variables aléatoir
- Page 174 and 175: 170 Chapitre 3. Variables aléatoir
- Page 176 and 177: 172 Chapitre 3. Variables aléatoir
- Page 178 and 179: 174 Chapitre 3. Variables aléatoir
- Page 181 and 182: Annexe A Annexes A.1 Annales Univer
- Page 183 and 184: A.1. Annales 179 Université de Ren
- Page 185 and 186: A.1. Annales 181 Université de Ren
- Page 187 and 188: A.1. Annales 183 3. Montrer que E[X
- Page 189 and 190: A.1. Annales 185 4. Par définition
- Page 191 and 192: A.1. Annales 187 4. Soit Y la varia
- Page 193 and 194: A.1. Annales 189 0.50 0.45 0.40 0.3
- Page 195 and 196: A.1. Annales 191 4. (Bonus) La prob
- Page 197 and 198: A.1. Annales 193 III. Pièces défe
- Page 199 and 200: A.1. Annales 195 Tandis que dans le
- Page 201 and 202: A.1. Annales 197 IV. Jeu d’argent
- Page 203 and 204: A.1. Annales 199 4. L’espérance
- Page 205 and 206: A.1. Annales 201 1. Dire que T est
3.6. Corrigés 153<br />
2. La variable X est à valeurs dans [0,1], donc sa fonction de répartition est nulle surÊ− et vaut<br />
1 sur [1,+∞[. Notons P (respectivement F) l’événement “la pièce donne Pile (respectivement<br />
Face)” et U le résultat du tirage uniforme. Considérons x ∈ [0,1[, alors par indépendance du<br />
lancer de dé et du tirage uniforme il vient :<br />
F(x) =È(X ≤ x) =È({U ≤ x}∩{F}) =È(U ≤ x)È(F) = x<br />
2 .<br />
Ainsi F est une fonction continue par morce<strong>aux</strong>, avec un saut d’amplitude 1/2 en 1 (cf. figure<br />
3.14). Autrement dit, la variable X n’est ni discrète ni absolument continue, c’est une sorte<br />
de cocktail.<br />
1<br />
1/2<br />
Figure 3.14 – Fonction de répartition de la variable “cocktail”.<br />
Exercice 3.10 (Minimum de variables exponentielles)<br />
1. On considère deux variables aléatoires indépendantes X1 et X2 exponentielles de paramètres<br />
respectifs λ1 et λ2. Soit Y = min(X1,X2) le minimum de ces deux variables.<br />
(a) Pour tout réel y :<br />
P(X1 > y) = 1−P(X1 ≤ y) = 1−F1(y),<br />
où F1 est la fonction de répartition de la loi exponentielle E(λ1). Ainsi, P(X1 > y) = 1<br />
si y ≤ 0, et si y ≥ 0 nous avons<br />
<br />
−λ1y<br />
P(X1 > y) = 1− 1−e = e −λ1y<br />
.<br />
(b) La variable Y , en tant que minimum de deux variables positives, est elle-même positive<br />
donc P(Y > y) = 1 pour tout y ≤ 0. Pour y > 0, utilisons l’indépendance des deux<br />
variables pour transformer une probabilité d’intersection en produit de probabilités :<br />
P(Y > y) =È(min(X1,X2) > y) =È(X1 > y,X2 > y) =È(X1 > y)È(X2 > y)<br />
c’est-à-dire :<br />
P(Y > y) = e −λ1y e −λ2y = e −(λ1+λ2)y .<br />
En notant F la fonction de répartition de la variable Y , il en découle que pour tout<br />
y > 0 :<br />
F(y) = 1−P(Y > y) = 1−e −(λ1+λ2)y ,<br />
et bien sûr F(y) = 0 si Y ≤ 0.<br />
(c) La fonction de répartition caractérisant complètement la loi d’une variable aléatoire, on<br />
en déduit que Y suit une loi exponentielle de paramètre (λ1 +λ2).<br />
<strong>Probabilités</strong> Arnaud Guyader - <strong>Rennes</strong> 2<br />
1