Introduction aux Probabilités - Université Rennes 2
Introduction aux Probabilités - Université Rennes 2 Introduction aux Probabilités - Université Rennes 2
156 Chapitre 3. Variables aléatoires à densité 3. Pour le calcul plus général, commençons par voir qu’un accident situé à plus de trente kilomètres de la station ne peut se situer qu’en un endroit (disons à l’ouest de la station), tandis qu’un accident situé à moins de trente kilomètres de la station peut se situer en deux endroits (à l’est ou à l’ouest). Il faut 30 × 60/100 = 18 minutes pour faire 30 kms. Ainsi, pour t ∈ [18,42], le raisonnement de la question précédente s’applique : È(T > t) = 100−(30+t×100/60) 100 Pour t ∈ [0,18], on passe à l’événement complémentaire : È(T > = 7 t − 10 60 . t) = 1−È(T ≤ t) = 1− (30+t×100/60) −(30−t×100/60) 100 = 1− t 30 . Par ailleurs, il est clair queÈ(T > t) = 1 pour tout t ≤ 0 etÈ(T > t) = 0 pour tout t ≥ 42. 4. La fonction de répartition F de la variable T est nulle à gauche de 0 et vaut 1 à droite de 42, donc la densité f est nulle à gauche de 0 et à droite de 1. Pour t ∈ [0,18], nous pouvons écrire : tandis que pour t ∈ [18,42] : F(t) = 1−È(T > t) = t 30 F(t) = 1−È(T > t) = 3 t + 10 60 ⇒ f(t) = 1 30 , ⇒ f(t) = 1 60 . La densité de T est donc une fonction constante par morceaux. Dans ces conditions, la moyenne de T vaut : E[T] = Êtf(t)dt = 1 30 18 0 tdt+ 1 60 42 18 tdt = 1 30 t 2 2 18 0 + 1 60 Le temps d’intervention moyen est donc de 17 minutes et 24 secondes. Pour la variance, commençons par calculer le moment d’ordre 2 de T : E[T 2 ] = Êt 2 f(t)dt = 1 30 18 0 t 2 dt+ 1 60 42 18 t 2 dt = 1 30 t 3 3 18 0 t 2 + 1 60 2 42 t 3 3 18 42 = 17.4 18 = 444. On en déduit Var(X) = 444 − 17.4 2 = 141.24, donc σ(X) ≈ 11.88. L’écart-type du temps d’intervention est donc un peu inférieur à 12 minutes. Exercice 3.14 (Minimum d’uniformes) 1. On connaît la fonction de répartition d’une loi uniforme donc pour t ∈ [0,1] : È(U > t) = 1−È(U ≤ t) = 1−t. 2. La variable X est à valeurs dans l’intervalle [0,1] donc sa fonction de répartition vaut 0 sur Ê− et 1 sur [1,+∞[. Pour t ∈ [0,1], passons à l’événement complémentaire : F(x) =È(X ≤ x) = 1−È(X > x) = 1−È(U1 > x,...,Un > x), et appliquons l’indépendance des variables Ui : F(x) = 1−È(U1 > x)...È(Un > x) = 1−(1−x) n . Arnaud Guyader - Rennes 2 Probabilités
3.6. Corrigés 157 3. Notons f la densité de X. Il est clair que f = 0 surÊ− et sur [1,+∞[. Pour x ∈ [0,1], il suffit de dériver la fonction de répartition F, ce qui donne au final : f(x) = n(1−x) n−1 {0≤x≤1}. Le calcul de l’espérance de X est alors automatique : Êxf(x)dx 1 E[X] = = xn(1−x) n−1 dt, où l’on applique naturellement une intégration par parties : E[X] = [−x(1−x) n ] 1 0 + 1 0 0 (1−x) n dx = − (1−x)n+1 n+1 1 0 = 1 n+1 . Dans le cas particulier où n = 1, on a X = U1 et on retrouve E[X] = 1/2, moyenne d’une loi uniforme sur [0,1]. Exercice 3.15 (Racines d’un trinôme aléatoire) 1. Le discriminant de P vaut : ∆ = 16(U 2 −U −2) = 16(U +1)(U −2). 2. On peut écrire D(u) = (u+1)(u −2), d’où l’on déduit que D admet les 2 racines −1 et 2, est strictement négative sur ]−1,+2[ et strictement positive sur ]−∞,−1[ et sur ]+2,+∞[. 3. Pour que P ait deux racines réelles distinctes, il faut et il suffit que son discriminant soit strictement positif. Au vu des deux questions précédentes et puisque U prend ses valeurs sur [0,5], on en déduit que la probabilité p que P ait deux racines réelles distinctes vaut : p =È(U ∈]−∞,−1[∪]+2,+∞[) =È(2 < U ≤ 5) = 3 5 . Exercice 3.16 (Lien entre lois exponentielle et géométrique) 1. Puisque X est à valeurs dans ]0,+∞[, Y est à valeurs dansÆ∗ . Pour tout n ∈Æ∗ , on a : È(Y = n) =È(n−1 < X ≤ n) = F(n)−F(n−1) = 1−e −n − 1−e −(n−1) qui s’écrit encore : È(Y = n) = 1−e −1 e −(n−1) . = e −(n−1) −e −n On voit que Y suit donc une loi géométrique de paramètre 1−1/e, noté Y ∼ G(1−1/e). Sa moyenne vaut donc 1 e E[Y] = = ≈ 1.58. 1−1/e e−1 Sa variance vaut quant à elle : Var(Y) = 1−(1−1/e) = (1−1/e) 2 e ≈ 0.92. (e−1) 2 2. Soit alors Z = Y − X. la variable Z est à valeurs dans [0,1[ puisque pour tout réel x, x ≤ ⌈x⌉ < x+1. Soit donc z ∈ [0,1[ : dire que Z = Y −X = ⌈X⌉−X est inférieure à z, c’est dire que X est à distance inférieure à z de l’entier supérieur le plus proche, c’est-à-dire qu’il existe n ∈Æ∗ tel que n−z ≤ X ≤ n. Formalisons ceci : +∞ È(Z ≤ z) =È {n−z ≤ X ≤ n} . n=1 Probabilités Arnaud Guyader - Rennes 2
- 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 156 and 157: 152 Chapitre 3. Variables aléatoir
- Page 158 and 159: 154 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
- Page 207 and 208: A.1. Annales 203 Université Rennes
- Page 209 and 210: A.1. Annales 205 Université Rennes
156 Chapitre 3. Variables aléatoires à densité<br />
3. Pour le calcul plus général, commençons par voir qu’un accident situé à plus de trente<br />
kilomètres de la station ne peut se situer qu’en un endroit (disons à l’ouest de la station),<br />
tandis qu’un accident situé à moins de trente kilomètres de la station peut se situer en deux<br />
endroits (à l’est ou à l’ouest). Il faut 30 × 60/100 = 18 minutes pour faire 30 kms. Ainsi,<br />
pour t ∈ [18,42], le raisonnement de la question précédente s’applique :<br />
È(T > t) = 100−(30+t×100/60)<br />
100<br />
Pour t ∈ [0,18], on passe à l’événement complémentaire :<br />
È(T ><br />
= 7 t<br />
−<br />
10 60 .<br />
t) = 1−È(T ≤ t) = 1− (30+t×100/60) −(30−t×100/60)<br />
100<br />
= 1− t<br />
30 .<br />
Par ailleurs, il est clair queÈ(T > t) = 1 pour tout t ≤ 0 etÈ(T > t) = 0 pour tout t ≥ 42.<br />
4. La fonction de répartition F de la variable T est nulle à gauche de 0 et vaut 1 à droite de<br />
42, donc la densité f est nulle à gauche de 0 et à droite de 1. Pour t ∈ [0,18], nous pouvons<br />
écrire :<br />
tandis que pour t ∈ [18,42] :<br />
F(t) = 1−È(T > t) = t<br />
30<br />
F(t) = 1−È(T > t) = 3 t<br />
+<br />
10 60<br />
⇒ f(t) = 1<br />
30 ,<br />
⇒ f(t) = 1<br />
60 .<br />
La densité de T est donc une fonction constante par morce<strong>aux</strong>. Dans ces conditions, la<br />
moyenne de T vaut :<br />
E[T] =<br />
Êtf(t)dt = 1<br />
30<br />
18<br />
0<br />
tdt+ 1<br />
60<br />
42<br />
18<br />
tdt = 1<br />
30<br />
t 2<br />
2<br />
18<br />
0<br />
+ 1<br />
60<br />
Le temps d’intervention moyen est donc de 17 minutes et 24 secondes.<br />
Pour la variance, commençons par calculer le moment d’ordre 2 de T :<br />
E[T 2 ] =<br />
Êt 2 f(t)dt = 1<br />
30<br />
18<br />
0<br />
t 2 dt+ 1<br />
60<br />
42<br />
18<br />
t 2 dt = 1<br />
30<br />
t 3<br />
3<br />
18<br />
0<br />
t 2<br />
+ 1<br />
60<br />
2<br />
42<br />
t 3<br />
3<br />
18<br />
42<br />
= 17.4<br />
18<br />
= 444.<br />
On en déduit Var(X) = 444 − 17.4 2 = 141.24, donc σ(X) ≈ 11.88. L’écart-type du temps<br />
d’intervention est donc un peu inférieur à 12 minutes.<br />
Exercice 3.14 (Minimum d’uniformes)<br />
1. On connaît la fonction de répartition d’une loi uniforme donc pour t ∈ [0,1] :<br />
È(U > t) = 1−È(U ≤ t) = 1−t.<br />
2. La variable X est à valeurs dans l’intervalle [0,1] donc sa fonction de répartition vaut 0 sur<br />
Ê− et 1 sur [1,+∞[. Pour t ∈ [0,1], passons à l’événement complémentaire :<br />
F(x) =È(X ≤ x) = 1−È(X > x) = 1−È(U1 > x,...,Un > x),<br />
et appliquons l’indépendance des variables Ui :<br />
F(x) = 1−È(U1 > x)...È(Un > x) = 1−(1−x) n .<br />
Arnaud Guyader - <strong>Rennes</strong> 2 <strong>Probabilités</strong>