Introduction aux Probabilités - Université Rennes 2
Introduction aux Probabilités - Université Rennes 2 Introduction aux Probabilités - Université Rennes 2
172 Chapitre 3. Variables aléatoires à densité 5. On a donc via une intégration par parties E[X] = +∞ 0 x 2 e −x2 2 dx = +∞ 0 x× xe −x2 2 dx = −xe −x2 +∞ 2 + 0 +∞ 6. Soit U une variable aléatoire distribuée suivant une loi uniforme sur ]0,1]. 0 e −x2 π 2 dx = 2 . (a) La fonction de répartition FU vaut 0 à gauche de 0, 1 à droite de 1, et FU(u) = u pour 0 ≤ u ≤ 1. (b) Puisque U prend ses valeurs entre 0 et 1, la variable aléatoire X = √ −2lnU prend ses valeurs dans l’intervalle [0,+∞[. (c) De fait sa fonction de répartition FX vaut 0 surÊ− , et pour x ≥ 0, il suffit d’écrire que FX(x) =È(X ≤ x) =È( √ −2lnU ≤ x) =È(0 ≤ −2lnU ≤ x 2 ) =È(U ≥ e −x2 2 ) c’est-à-dire FX(x) = 1−FU(e −x2 2 ) = 1−e −x2 2 . Ainsi X suit bien une loi de Rayleigh de paramètre 1 et la messe est dite. Exercice 3.32 (Loi de Rademacher et marche aléatoire) Soit X une variable suivant une loi de Bernoulli de paramètre 1/2. 1. Moyenne et variance valent respectivement E[X] = 1/2 et Var(X) = 1/4. 2. La variable aléatoire Y = 2X−1 peut prendre les valeurs−1 et 1, et ce de façon équiprobable. 3. Sa moyenne et sa variance découlent directement de celles de X : E[Y] = 2E[X]−1 = 0 et Var(Y) = 2 2 Var(X) = 1. 4. (a) Une seconde de réflexion permet de voir que la variable S100 peut prendre toutes les valeurs paires de -100 à 100, c’est-à-dire que S100 ∈ {−100,−98,...,98,100}. Par linéarité de l’espérance, on a tout d’abord E[S100] = 100E[Y1] = 0, et par indépendance des variables intervenant dans la somme, on a aussi Var[S100] = 100Var[Y1] = 100. (b) Nous sommes exactement dans le cadre de la question précédente : l’ivrogne part du point d’abscisse 0, puis Y1 = 1 s’il fait son premier pas à droite (respectivement Y1 = −1 s’il fait son premier pas à gauche), et ainsi de suite jusqu’au centième pas. La variable S100 correspond donc à l’abscisse de l’aviné au bout de 100 pas. Puisque les pas sont indépendants et identiquement distribués, on peut appliquer le théorème central limite pour approcher la loi de cette variable : S100 ≈ N(0,10 2 ). De fait, il y a 95% de chances de trouver le poivrot à une distance inférieure à deux fois l’écart-type de sa moyenne, c’est-à-dire à une distance inférieure à 20 mètres de son point de départ. Exercice 3.33 (Précipitation vs. précision) On note Φ la fonction de répartition de la loi normale centrée réduite. 1. La quantité annuelle de précipitations (en cm) dans une certaine région est une variable X distribuée selon une loi normale de moyenne 140 et de variance 16. (a) La probabilité qu’en une année il pleuve plus de 150 cm est d’environ 0.6% puisque 5 È(X ≥ 150) = 1−Φ ≈ 0.0062 2 (b) La probabilité qu’il faille attendre au moins 10 ans est la probabilité qu’un événement de probabilité 0.9938 se répète 10 années de suite, c’est-à-dire p = 0.9938 10 ≈ 0.9397 ≈ 94% Arnaud Guyader - Rennes 2 Probabilités
3.6. Corrigés 173 2. La largeur (en cm) d’une fente entaillée dans une pièce est une variable X qui suit une loi normale de moyenne m = 2 et d’écart-type σ. Les limites de tolérance sont données comme étant 2±0.012. (a) Si σ = 0.007, le pourcentage de pièces défectueuses est 1−È(2−0.012 ≤ X ≤ 2+0.012) = 2−2Φ(1.71) ≈ 0.0892 soit environ 9% de pièces défectueuses. (b) Avec le même raisonnement, la valeur maximale que peut prendre σ de sorte que le pourcentage de pièces défectueuses ne dépasse pas 1% est telle que 0.012 0.012 2−2Φ ≤ 0.01 ⇔ Φ ≥ 0.995 ⇔ σ σ 0.012 ≥ 2.58 σ c’est-à-dire σ ≤ 0.0047 ≈ 0.005. Exercice 3.34 (Loi de Weibull) On considère une variable aléatoire X de densité 3x2 e−x f(x) = 3 si x ≥ 0 0 si x < 0 Figure 3.24 – Densité et fonction de répartition de la loi de Weibull. 1. f est positive et elle intègre à 1 puisque +∞ −∞ f(x)dx = +∞ 0 3x 2 e −x3 dx = −e −x3 +∞ = 1. 0 2. La dérivée de f est bien sûr nulle à gauche de 0, et pour tout x ≥ 0 : f ′ (x) = 3x(2−3x 3 )e −x3 Le mode de f se situe donc au point x0 = (2/3) 1/3 ≈ 0.87. 3. La représentation de f est fournie figure 3.24 à gauche. 4. La fonction de répartition F de X est nulle sur ]−∞,0] et pour tout x ≥ 0 on trouve F(x) = x 0 f(t)dt = −e −t3 x Sa représentation de f est fournie figure 3.24 à droite. 0 = 1−e−x3 . Probabilités Arnaud Guyader - Rennes 2 (3.2)
- 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 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 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
- Page 219 and 220: A.1. Annales 215 3. Pour la varianc
- Page 221 and 222: A.1. Annales 217 à la suite de quo
- Page 223: Bibliographie [1] Nicolas Bouleau.
172 Chapitre 3. Variables aléatoires à densité<br />
5. On a donc via une intégration par parties<br />
E[X] =<br />
+∞<br />
0<br />
x 2 e −x2<br />
2 dx =<br />
+∞<br />
0<br />
x×<br />
<br />
xe −x2<br />
2<br />
<br />
dx = −xe −x2<br />
+∞<br />
2 +<br />
0<br />
+∞<br />
6. Soit U une variable aléatoire distribuée suivant une loi uniforme sur ]0,1].<br />
0<br />
e −x2<br />
<br />
π<br />
2 dx =<br />
2 .<br />
(a) La fonction de répartition FU vaut 0 à gauche de 0, 1 à droite de 1, et FU(u) = u pour<br />
0 ≤ u ≤ 1.<br />
(b) Puisque U prend ses valeurs entre 0 et 1, la variable aléatoire X = √ −2lnU prend ses<br />
valeurs dans l’intervalle [0,+∞[.<br />
(c) De fait sa fonction de répartition FX vaut 0 surÊ− , et pour x ≥ 0, il suffit d’écrire que<br />
FX(x) =È(X ≤ x) =È( √ −2lnU ≤ x) =È(0 ≤ −2lnU ≤ x 2 ) =È(U ≥ e −x2<br />
2 )<br />
c’est-à-dire<br />
FX(x) = 1−FU(e −x2<br />
2 ) = 1−e −x2<br />
2 .<br />
Ainsi X suit bien une loi de Rayleigh de paramètre 1 et la messe est dite.<br />
Exercice 3.32 (Loi de Rademacher et marche aléatoire)<br />
Soit X une variable suivant une loi de Bernoulli de paramètre 1/2.<br />
1. Moyenne et variance valent respectivement E[X] = 1/2 et Var(X) = 1/4.<br />
2. La variable aléatoire Y = 2X−1 peut prendre les valeurs−1 et 1, et ce de façon équiprobable.<br />
3. Sa moyenne et sa variance découlent directement de celles de X : E[Y] = 2E[X]−1 = 0 et<br />
Var(Y) = 2 2 Var(X) = 1.<br />
4. (a) Une seconde de réflexion permet de voir que la variable S100 peut prendre toutes les<br />
valeurs paires de -100 à 100, c’est-à-dire que S100 ∈ {−100,−98,...,98,100}. Par linéarité<br />
de l’espérance, on a tout d’abord E[S100] = 100E[Y1] = 0, et par indépendance des<br />
variables intervenant dans la somme, on a aussi Var[S100] = 100Var[Y1] = 100.<br />
(b) Nous sommes exactement dans le cadre de la question précédente : l’ivrogne part du<br />
point d’abscisse 0, puis Y1 = 1 s’il fait son premier pas à droite (respectivement Y1 = −1<br />
s’il fait son premier pas à gauche), et ainsi de suite jusqu’au centième pas. La variable<br />
S100 correspond donc à l’abscisse de l’aviné au bout de 100 pas. Puisque les pas sont<br />
indépendants et identiquement distribués, on peut appliquer le théorème central limite<br />
pour approcher la loi de cette variable : S100 ≈ N(0,10 2 ). De fait, il y a 95% de chances<br />
de trouver le poivrot à une distance inférieure à deux fois l’écart-type de sa moyenne,<br />
c’est-à-dire à une distance inférieure à 20 mètres de son point de départ.<br />
Exercice 3.33 (Précipitation vs. précision)<br />
On note Φ la fonction de répartition de la loi normale centrée réduite.<br />
1. La quantité annuelle de précipitations (en cm) dans une certaine région est une variable X<br />
distribuée selon une loi normale de moyenne 140 et de variance 16.<br />
(a) La probabilité qu’en une année il pleuve plus de 150 cm est d’environ 0.6% puisque<br />
<br />
5<br />
È(X ≥ 150) = 1−Φ ≈ 0.0062<br />
2<br />
(b) La probabilité qu’il faille attendre au moins 10 ans est la probabilité qu’un événement<br />
de probabilité 0.9938 se répète 10 années de suite, c’est-à-dire<br />
p = 0.9938 10 ≈ 0.9397 ≈ 94%<br />
Arnaud Guyader - <strong>Rennes</strong> 2 <strong>Probabilités</strong>