Introduction aux Probabilités - Université Rennes 2

Introduction aux Probabilités - Université Rennes 2 Introduction aux Probabilités - Université Rennes 2

sites.univ.rennes2.fr
from sites.univ.rennes2.fr More from this publisher
26.06.2013 Views

170 Chapitre 3. Variables aléatoires à densité Figure 3.22 – Densité f(x) = 6x(1−x) [0,1](x) et fonction de répartition F associée. 1. La constante c doit être positive pour que f le soit et f doit sommer à 1, or : 1 1 c x(1−x)dx = c (x−x 2 x2 1 x3 )dx = c − = 2 3 c ⇒ c = 6 6 0 0 et f(x) = 6x(1−x) [0,1](x). Cette densité est représentée figure 3.22 à gauche. 2. La fonction de répartition F est nulle à gauche de 0, vaut 1 à droite de 1, et pour 0 ≤ x ≤ 1 un petit calcul s’impose F(x) = x −∞ f(t)dt = x 0 6t(1−t)dt = 3t 2 −2t 3 x 0 = 3x2 −2x 3 . Cette fonction de répartition est représentée figure 3.22 à droite. 3. On en déduit immédiatement queÈ(1/4 < X < 3/4) = F(3/4)−F(1/4) = 11/16. 4. L’espérance de X vaut E[X] = +∞ −∞ xf(x)dx = 1 0 6x 2 (1−x)dx = 0 2x 3 − 3 2 x4 1 = 0 1 2 , ce qui était évident par symétrie de la densité autour de 1/2. Pour le calcul de la variance, on commence par le moment d’ordre 2 : E[X 2 1 ] = 6x 0 3 3 (1−x)dx = 2 x4 − 6 5 x5 1 = 0 3 10 , d’où Var(X) = E[X 2 ]−E[X] 2 = 3 1 − 10 4 = 1 20 . 5. L’inégalité de Tchebychev permet de majorer la probabilité qu’a une variable aléatoire de s’éloigner de sa moyenne en fonction de sa variance. Précisément, elle nous assure que pour tout t > 0È(|X −E[X]| ≥ t) ≤ Var(X) t2 ⇔È(−t < X −E[X] < t) ≥ 1− Var(X) t2 Puisque E[X] = 1/2, on l’applique ici avec t = 1/4, ce qui donne È 1 3 < X < =È − 4 4 1 1 1 < X − < ≥ 1− 4 2 4 Var(X) 1 = (1/4) 2 5 . Bien entendu, cette borne est inférieure à la vraie valeur 11/16 trouvée précédemment. Arnaud Guyader - Rennes 2 Probabilités

3.6. Corrigés 171 6. Pour tout n ∈Æ∗ , le moment d’ordre n de X vaut E[X n 1 ] = 6x n+1 xn+2 (1−x)dx = 6 n+2 0 1 xn+3 − = n+3 0 6 (n+2)(n+3) . On vérifie bien sûr que ceci coïncide avec les résultats trouvés pour E[X] et E[X 2 ]. Exercice 3.31 (Loi de Rayleigh) On considère une variable aléatoire X de densité f(x) = Figure 3.23 – Densité f(x) = x e −x2 2 c x e −x2 2 x ≥ 0 0 x < 0 [0,+∞[(x) et fonction de répartition F associée. 1. Il est clair d’une part que f est bien positive, et d’autre part que son intégrale sur [0,+∞[ est égale à 1, puisque +∞ 0 xe −x2 2 dx = −e −x2 +∞ 2 = 1. 0 Cette densité est représentée figure 3.23 à gauche. 2. La fonction de répartition F de X vaut 0 sur ]−∞,0] et pour x ≥ 0, on a F(x) = x 0 te −t2 2 dt = −e −t2 2 x 0 = 1−e −x2 2 . Cette fonction de répartition est représentée figure 3.23 à droite. 3. La médiane de X vérifieÈ(X > m) = 1/2, ce qui équivaut à dire que F(m) = 1/2, donc 1−e −m2 2 = 1 2 ⇔ m = √ 2ln2. 4. On reconnaît la densité d’une loi normale centrée réduite donc 1 √ 2π +∞ −∞ e −x2 2 dx = 1. Par parité de la fonction x ↦→ e −x2 2 surÊ, il est clair que +∞ 0 e −x2 2 dx = 1 2 +∞ −∞ e −x2 2 dx = √ 2π 2 1 √2π +∞ −∞ e −x2 π 2 dx = 2 . Probabilités Arnaud Guyader - Rennes 2 (3.2)

3.6. Corrigés 171<br />

6. Pour tout n ∈Æ∗ , le moment d’ordre n de X vaut<br />

E[X n 1<br />

] = 6x n+1 <br />

xn+2 (1−x)dx = 6<br />

n+2<br />

0<br />

1 xn+3<br />

− =<br />

n+3 0<br />

6<br />

(n+2)(n+3) .<br />

On vérifie bien sûr que ceci coïncide avec les résultats trouvés pour E[X] et E[X 2 ].<br />

Exercice 3.31 (Loi de Rayleigh)<br />

On considère une variable aléatoire X de densité<br />

<br />

f(x) =<br />

Figure 3.23 – Densité f(x) = x e −x2<br />

2<br />

c x e −x2<br />

2 x ≥ 0<br />

0 x < 0<br />

[0,+∞[(x) et fonction de répartition F associée.<br />

1. Il est clair d’une part que f est bien positive, et d’autre part que son intégrale sur [0,+∞[<br />

est égale à 1, puisque<br />

+∞<br />

0<br />

xe −x2<br />

<br />

2 dx = −e −x2<br />

+∞<br />

2 = 1.<br />

0<br />

Cette densité est représentée figure 3.23 à gauche.<br />

2. La fonction de répartition F de X vaut 0 sur ]−∞,0] et pour x ≥ 0, on a<br />

F(x) =<br />

x<br />

0<br />

te −t2<br />

2 dt =<br />

<br />

−e −t2<br />

2<br />

x<br />

0<br />

= 1−e −x2<br />

2 .<br />

Cette fonction de répartition est représentée figure 3.23 à droite.<br />

3. La médiane de X vérifieÈ(X > m) = 1/2, ce qui équivaut à dire que F(m) = 1/2, donc<br />

1−e −m2<br />

2 = 1<br />

2 ⇔ m = √ 2ln2.<br />

4. On reconnaît la densité d’une loi normale centrée réduite donc<br />

1<br />

√ 2π<br />

+∞<br />

−∞<br />

e −x2<br />

2 dx = 1.<br />

Par parité de la fonction x ↦→ e −x2<br />

2 surÊ, il est clair que<br />

+∞<br />

0<br />

e −x2<br />

2 dx = 1<br />

2<br />

+∞<br />

−∞<br />

e −x2<br />

2 dx =<br />

√ 2π<br />

2<br />

1<br />

√2π<br />

+∞<br />

−∞<br />

e −x2<br />

<br />

π<br />

2 dx =<br />

2 .<br />

<strong>Probabilités</strong> Arnaud Guyader - <strong>Rennes</strong> 2<br />

(3.2)

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!