Introduction aux Probabilités - Université Rennes 2
Introduction aux Probabilités - Université Rennes 2 Introduction aux Probabilités - Université Rennes 2
164 Chapitre 3. Variables aléatoires à densité Exercice 3.26 (Surbooking (bis)) Figure 3.19 – Lois binomiale, de Poisson et normale pour le surbooking. 1. Le nombre d’absents à l’embarquement est une variable aléatoire S qui suit une loi binomiale B(94,0.05). Puisque E[S] = 4.7 et Var(S) = 4.465, on peut être tenté d’approcher cette loi binomiale par une loi normale N(4.7;4.465) pour estimer le nombre d’absents et la probabilité qu’il y ait trop de monde à l’embarquement. La figure 3.19 représente les lois binomiale, de Poisson et normale. Puisqu’une loi normale prend ses valeurs dansÊet non dansÆ, on coupe la poire en deux et on estime cette probabilité par 4.7−3.5 È(N(4.7;4.465) ≤ 3.5) = 1−Φ √ ≈ 1−0.7157 = 0.284 4.465 2. La probabilité réelle qu’il y ait trop de monde à l’embarquement est en fait : 0 94 3 91 94 5 95 94 5 95 È(S ≤ 3) =È(S = 0)+···+È(S = 3) = +···+ 0 100 100 3 100 100 doncÈ(S ≤ 3) ≈ 0.303. L’approximation par une loi normale aboutit donc à une erreur relative de (0.303−0.284)/0.303 ≈ 6.3%. La figure 3.20 illustre ce phénomène. Par ailleurs, nous avons vu que l’approximation de la loi binomiale B(94,0.05) par une loi de Poisson P(94×0.05) = P(4,7) donne comme estimation : soit une erreur relative de 2.3%. È(P(4,7) ≤ 3) = e −4,74,70 0! +···+e−4,74,73 3! ≈ 0,310 Figure 3.20 – Comparaison des probabilités de problème à l’embarquement. Arnaud Guyader - Rennes 2 Probabilités
3.6. Corrigés 165 Exercice 3.27 (Queue de la gaussienne) On appelle fonction de Marcum, ou queue de la gaussienne, la fonction définie pour tout réel x par : Q(x) = 1 √ 2π 1. Pour tout réel x, on a F(x) = 1−Q(x). +∞ x e −t2 2 dt. 2. Soit x > 0 fixé. Le changement de variable t = x + u et le fait que e−ux ≤ 1 pour x et u positifs donne Q(x) = 1 √ 2π +∞ 0 e −(x+u)2 2 du = e −x2 2 · 1 √ 2π +∞ et on aura reconnu la densité de la gaussienne standard 1 √ 2π +∞ ce qui donne bien pour tout x positif 3. Pour t ≥ x > 0, on a 0 e −u2 2 du = 1 2 1+ 1 1 ≤ 1+ t2 x L’inégalité de droite est encore plus évidente. 4. On en déduit alors 1 (1+ 1 x 2) √ 2π +∞ x 0 1 √2π Q(x) ≤ 1 2 e−x2 2 . 1+ 1 t2 e −t2 2 dt ≤ 1 √ 2π e −ux e −u2 2 du ≤ e −x2 2 · 1 √ 2π +∞ −∞ 1 1+ t ⇒ 2 2 +∞ 1+ 1 5. Pour tout réel non nul t 1 t e−t2 ′ 2 = − 1+ 1 t2 e −t2 2 Ainsi +∞ x x x 2 e −u2 2 du = 1 2 ≤ 1 1×e −t2 2 dt ≤ 1 x √ 2π 1+ 1 t2 e −t2 2 dt = − 1 t e−t2 +∞ 2 = x 1 x e−x2 2 +∞ 0 +∞ et l’inégalité de gauche est acquise. Celle de droite est encore plus simple puisque +∞ x te −t2 2 dt = Au total, on a bien montré que pour tout x > 0 6. Cet encadrement permet de voir que −e −t2 2 +∞ x = e −x2 2 1 (1+ 1 x2)x √ 2π e−x2 2 ≤ Q(x) ≤ 1 x √ 2π e−x2 2 . Q(x) 1 x √ 2π e−x2 2 −−−−→ x→+∞ 1 d’où un équivalent très simple de Q(x) lorsque x tend vers +∞ : Q(x) ∼ 1 x √ 2π e−x2 2 x e −u2 2 du te −t2 2 dt Probabilités Arnaud Guyader - Rennes 2
- 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 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 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
- Page 211 and 212: A.1. Annales 207 Ainsi, le taux de
- Page 213 and 214: A.1. Annales 209 Université Rennes
- Page 215 and 216: A.1. Annales 211 4. Soit X1 et X2 d
- Page 217 and 218: A.1. Annales 213 Figure A.5 - Densi
164 Chapitre 3. Variables aléatoires à densité<br />
Exercice 3.26 (Surbooking (bis))<br />
Figure 3.19 – Lois binomiale, de Poisson et normale pour le surbooking.<br />
1. Le nombre d’absents à l’embarquement est une variable aléatoire S qui suit une loi binomiale<br />
B(94,0.05). Puisque E[S] = 4.7 et Var(S) = 4.465, on peut être tenté d’approcher cette loi<br />
binomiale par une loi normale N(4.7;4.465) pour estimer le nombre d’absents et la probabilité<br />
qu’il y ait trop de monde à l’embarquement. La figure 3.19 représente les lois binomiale, de<br />
Poisson et normale. Puisqu’une loi normale prend ses valeurs dansÊet non dansÆ, on<br />
coupe la poire en deux et on estime cette probabilité par<br />
<br />
4.7−3.5<br />
È(N(4.7;4.465) ≤ 3.5) = 1−Φ √ ≈ 1−0.7157 = 0.284<br />
4.465<br />
2. La probabilité réelle qu’il y ait trop de monde à l’embarquement est en fait :<br />
0 94 3 91 94 5 95 94 5 95<br />
È(S ≤ 3) =È(S = 0)+···+È(S = 3) =<br />
+···+<br />
0 100 100 3 100 100<br />
doncÈ(S ≤ 3) ≈ 0.303. L’approximation par une loi normale aboutit donc à une erreur<br />
relative de (0.303−0.284)/0.303 ≈ 6.3%. La figure 3.20 illustre ce phénomène. Par ailleurs,<br />
nous avons vu que l’approximation de la loi binomiale B(94,0.05) par une loi de Poisson<br />
P(94×0.05) = P(4,7) donne comme estimation :<br />
soit une erreur relative de 2.3%.<br />
È(P(4,7) ≤ 3) = e −4,74,70<br />
0! +···+e−4,74,73<br />
3!<br />
≈ 0,310<br />
Figure 3.20 – Comparaison des probabilités de problème à l’embarquement.<br />
Arnaud Guyader - <strong>Rennes</strong> 2 <strong>Probabilités</strong>