Previous Up Next

Chapitre 2  Résumé de probabilité

2.1  Rappel des différentes lois de probabilités

Les lois de probabilités sont des objets mathématiques qui permettent aux statisticiens de fabriquer des modéles pour décrire des phénomènes où le hasard intervient.
Une loi de probabilité est une distribution théorique de fréquences.
Soit Ω un ensemble muni d’une probabilité P. Une variable aléatoire X est une application définie sur Ω dans ℝ. X permet de transporter la loi P en la loi P’ définie sur Ω′=X(Ω) : on a P′(xj)=P(X−1(xj))=P(X=xj). La loi P′ est appelée loi de X.

2.2  Variable aléatoire discréte

Une variable aléatoire discréte X est une application dont la valeur est la valeur du caractère étudié, c’est à dire le résultat d’une épreuve.
Si X prend n valeurs x1,...xn, on définit :

Les n valeurs observées du caractère forment un échantillon de X d’ordre n : on dira que ces n valeurs sont les valeurs de n variables aléatoires X1,X2,...,Xn qui suivent la même loi que X. Par exemple, lorsqu’on lance un dé, on peut définir la variable aléatoire X qui est égale à la valeur de la face visible, donc X vaut 1 ou 2 ou ... 6.
Il y a trop de paramètres en jeu pour pouvoir déterminer le résultat du lancer d’un dé, mais à chaque lancer la valeur de X est définie.
Attention
Ce n’est pas parce que deux variables aléatoires suivent la même loi qu’elles sont égales. Par exemple, je lance deux dés, un rouge et un vert : la variable X1 égale à la face visible du dé rouge et la variable X2 égale à la face visible du dé vert suivent toutes les deux une loi équirépartie de probabilité p=1/6 sur {1,2,3,4,5,6}.

La loi équirépartie

La loi équirépartie P sur un ensemble Ω à k éléments ω01k−1 est définie par : Pj)=1/k pour tout j=0 .. k−1.
Choisir un élément de Ω selon la loi équirépartie P, c’est choisir au hasard un élément de Ω.
La variable aléatoire X suit une loi équirépartie si : X a pour valeurs x0,x1,xk−1 et si P(X=xj)=1/k pour tout j=0 .. (k−1). On a :
µ=E(X)=1/kj=0k−1xj
σ22(X)=1/kj=0k−1xj2−µ2

La loi de Bernouilli

La variable aléatoire X suit une loi de Bernouilli de probabilité p, si X vaut 1 ou 0 avec les probabilités respectives p et 1−p.
On a alors :
E(X)=p,
E(X2)=p,
σ(X)=√p(1−p).

La loi binomiale

Si la variable aléatoire X suit une loi binomiale B(n,p), cela veut dire que X est égale au nombre de succès obtenus dans une série de n épreuves de Bernouilli de probabilité p. La variable aléatoire X peut donc prendre n+1 valeurs : 0,1,...,n.
La loi binomiale B(n,p) est la somme de n variables de Bernouilli indépendantes.
On a :
Proba(X=k)=Cnk pk(1-p)n-k, pour 0 ≤ kn,
E(X)=np,
σ(X)=√np(1−p). Exercice
On fabrique des pièces et on suppose que la probabilité pour qu’une pièce soit défectueuse est p=0.05 et donc il y a un contrôle de ces pièces.
Soit X la variable alèatoire égale au nombre de défectueuses trouvées lors d’un contrôle de n=1000 pièces Déterminer la loi de X ainsi que son espérance et son écart-type.
Ici X suit une loi binomiale B(n,p) de probabilité p.
E(X)=np=50
σ(X)=√np(1−p)=6.89202437604

La loi des fréquences

Si la variable aléatoire Y suit la loi, dite loi des fréquences, cela veut dire que Y est égale à la fréquence des succès obtenus dans une série de n épreuves de Bernouilli de probabilité p. La variable aléatoire Y peut donc prendre n+1 valeurs : 0,1/n,2/n...,n/n avec les probabilités : p0=(1−p)n,p−1=comb(n,1)p(1−p)n−1,p−2=comb(n,2)p2(1−p)n−2,...pn.
On a :
Proba(Y=k/n)=Cnk pk(1-p)n-k, pour 0 ≤ kn,
E(Y)=p,
σ(Y)=√p(1−p)/n.

La loi géométrique

On dit que la variable aléatoire X suit une loi géométrique de probabilité p, si X est égale au nombre de tirages à effectuer pour avoir un succès dans une série d’épreuves de Bernouilli de probabilité p. La variable aléatoire X peut donc prendre toutes les valeurs entières : 1,..,n,...
On a donc :
Proba(X=1)=p
Proba(X=2)=(1−p)p
.....
Proba(X=n)=(1−p)n−1p
.....
On vérifie que l’on a bien :∑j=1+∞(1−p)k−1p=1
Donc :
F(1)=p
F(n)=∑k=1n(1−p)k−1p=1−(1−p)n
Espérance

E(X)=
+∞
n=1
n(1−p)n−1p=
1
p

Variance et Ecart type

V(X)=
+∞
n=1
(n−1/p)2(1−p)n−1p=
1−p
p2
σ(X)=
1−p
p

Exercice
On fabrique des pièces et on suppose que la probabilité pour qu’une pièce soit défectueuse est p=0.05 et donc il y a un contrôle de ces pièces.
Soit X la variable alèatoire égale à la valeur du nombre de contrôles effectués pour trouver une pièce défectueuse. Déterminer la loi de X ainsi que son espérance et son écart-type.
Ici X suit une loi géométrique de probabilité p=0.05.
E(X)=1/p=20
σ(X)=√1−p/p=19.4935886896

La loi negbinomiale

La loi binomiale négative est une distribution de probabilité discrète. Elle dépend de 2 paramètres : un entier n (le nombre de succès attendus) et un réel p de ]0,1[ (la probabilité d’un succés).
On la note NegBin(n,p).
Elle permet de décrire la situation suivante : on fait une suite de tirages indépendants (avec pour chaque tirage, la probabilité p d’avoir un succès) jusqu’à obtenir n succès. La variable aléatoire représentant le nombre d’échecs qu’il a fallut avant d’avoir n succès, suit alors une loi binomiale négative.
Si on définit comb(n,k) pour n<0 par comb(n,k)=n*(n-1)*..*(n-k-1)/k!, alors Si XNegBin(n,p) (n ∈ ℕ et p ∈ ]0;1[) alors Proba(X=k)=pn*(p-1)k*comb(-n,k) ce qui justifie le nom de loi binomiale négative et qui facilite le calcul de l’espérance (égale à n(1−p)/p) et de la variance (égale à n(1−p)/p2).
On tape :

negbinomial(10,12,0.4)

On obtient :

0.0670901607617

La loi de Poisson

La variable aléatoire X suit une loi de Poisson P(λ) de paramètre λ (λ ≥ 0) si :
- X a pour valeurs les entiers naturels,
- Prob(X=k)=e−λλk/k!, pour k∈ ℕ.
On a :
E(X)=λ
σ(X)=√λ
Exercice 1
Soit une variable aléatoire X qui vérifie pour λ ≥ 0 et pour tout entier n ≥ 1 :
Prob(X=n)=λ/nProb(X=n−1)
Montrer que X suit une loi de Poisson.
On cherche pour k entier strictement positif :
Prob(X=k)=λ/kProb(X=k−1)=... λk/(k)!Prob(X=0).
Donc :

Prob(X=k)=
λk
(k)!
Prob(X=0)

On tape :
sum(lambda^k/k!,k=0..inf)
On obtient :
exp(lambda)
On doit avoir :
k=0+∞Prob(X=k)=1
Donc on a le relation :
Prob(X=0)*∑k=0+∞λk/k!=exp(λ)*Prob(X=0)=1
c’est à dire :
Prob(X=0)=exp(−λ)
Donc on a bien :
Prob(X=k)=e−λλk/k!, pour k∈ ℕ

Exercice 2
Soient X et Y deux variables aléatoires indépendantes qui suivent une loi de Poisson :
X suit une loi de Poisson P1) de paramètre λ11 ≥ 0) et
Y suit une loi de Poisson P2) de paramètre λ22 ≥ 0).
Déterminer la loi de la variable aléatoire Z=X+Y.
On a :
Prob(X=k)=e−λ1λ1k/k!, pour k∈ ℕ
Prob(X=k)=e−λ2λ2k/k!, pour k∈ ℕ
Donc :
Prob(Z=n)=Prob(X+Y=n)=∑k=0nProb(X=k)*Prob(Y=nk)=∑k=0ne−λ1λ1k/k!*e−λ2λ2nk/(nk)!
On sait que : (λ12)n=∑k=0nλ1kλ2nkn!/k!(nk)!
Donc :
Prob(Z=n)=e−(λ12)12)n/n!
Donc Z suit une loi de Poisson de paramètre λ12.

2.3  Variable aléatoire absolument continue

Définitions

Variable aléatoire absolument continue
Une variable aléatoire X est absolument continue si il existe f(x) telle que sa fonction de répartition F(x) est égale à :

Prob(X≤ x)=F(x)=
x


−∞
 f(t)dt

Densité de probabilité
La fonction f(x) est appelée densite de probabilité et on a :

f(x)=F′(x)

Espérance mathématique
L’espérance mathématique ou moyenne de x est :

E(X)=
X
=
+∞


−∞
t*f(t)dt

Variance et Ecart type
La variance de X est :

V(X)=
+∞


−∞
(tE(X))2f(t)dt

L’ecart type de X est :

σ(X)=
V(X)

La loi uniforme

Définition
On dit que la variable aléatoire X suit une loi uniforme sur un segment [a,b] si sa densité de probabilité f(x) est une constante C sur [a,b] et est nulle en dehors du segment [a,b].
On a donc :
C=1/ba puisque ∫abCdt=1
F(x)=0 pour x<a
F(x)=xa/ba pour ax<b
F(x)=1 pour xb
Espérance

E(X)=
1
ba
b


a
tdt=
a+b
2

Variance et Ecart type

V(X)=
1
2b−2a
b


a
(2tab)2dt=
(ba)2
12
σ(X)=
(ba)
2
3

Exercice
Soient n variables aléatoires indépendantes Uk qui suivent une loi uniforme sur [0,1].
On considère les variables X=Max(Uk) et Y=Min(Uk).
Déterminer les fonctions de répartition de X et Y
Calculer E(X), E(Y), V(X), V(Y).
On a :
Proba(Xx)=Proba(U1x) et Proba(U2x)...et Proba(Unx)
Donc puisque les Uk sont indépendantes :
Proba(Xx)=Πk=1nProba(Ukx) Soit : FX(x)=0 pour x<0
FX(x)=xn pour x∈ [0,1] FX(x)=1 pour x>1 La densité de probabilités vaut fX(x)=nxn−1 sur [0,1] donc :
E(X)=n01xndx=n/n+1
V(X)=n01(xn/(n+1))2xn−1dx=n/n3+4*n2+5*n+2
En effet, on tape :
assume(n>=1)
n*int(1(x-n/(n+1))^2*x^(n-1),x=0..1)
On obtient :
n/(n^3+4*n^2+5*n+2)
On a :
Proba(Yx)=Proba(U1x) ou Proba(U2x)...ou Proba(Unx)
On sait que :
Proba(Y<x)=1−Proba(Y>x) et
Proba(Uk<x)=0 et Proba(Uk>x)=1 si x<0
Proba(Uk<x)=x et Proba(Uk>x)=1−x si 0<x<1
Proba(Uk<x)=1 et Proba(Uk>x)=0 si x>1
On calcule :
Proba(Y>x)=Proba(U1>x) et Proba(U2>x) et....Proba(Un>x)
Comme les Uk sont independants :
Proba(Y>x)=1 si x<0
Proba(Y>x)=(1−x)n si 0<x<1
Proba(Y>x)=0 si 1<x
Donc :
Proba(Y<x)=1−1=0 si x<0
Proba(Y<x)=1−(1−x)n si 0<x<1
Proba(Y<x)=1−0=1 si x>1
La densité de probabilité est donc :
fY(x)=n(1−x)n−1 sur [0;1] et 0 en dehors de [0;1].
donc :
E(Y)=n01x(1−x)n−1dx=1/n+1
V(Y)=n01(x−1/(n+1))2(1−x)n−1dx=n/n3+4*n2+5*n+2
En effet, on tape :
assume(n>=1)
n*int(x*(1-x)^(n-1),x=0..1)
On obtient :
1/(n+1)
On tape :
assume(n>=1)
n*int((x-1/(n+1))^2*(1-x)^(n-1),x=0..1)
On obtient :
n/(n^3+4*n^2+5*n+2)

La loi exponentielle

Définition
On dit que la variable aléatoire X suit une loi exponentielle si sa densité de probabilité vaut pour a>0 :
f(x)=aexp(−ax) pour x≥ 0 et
f(x)=0 pour x<0 On a donc :
F(x)=Proba(Xx)=a0xexp(−at)dt=1−exp(−ax)
Espérance

E(X)=a
+∞


0
texp(−at)dt=
1
a

Variance et Ecart type

V(X)=a
+∞


0
(t−1/a)2exp(−at)dt=
1
a2
σ(X)=
1
a

La loi Normale ou loi de Gauss

La variable aléatoire X suit une loi Normale ou loi de Gauss de paramètres µ,σ (σ > 0) si :
- X a pour valeurs tous les réels,
- Prob(aX<b)=∫ab f(t) dtf(x)=1/σ√e−1/2(x−µ/σ)2 (f est la densité de probabilité et a comme représentation graphique une courbe en cloche).
On note cette loi N(µ,σ).
On a :
E(X)=µ
σ(X)=σ.
On dit que N(0,1) est la loi normale centrée réduite. Si X suit la loi N(0,1) alors :
Prob(aX<b)=∫ab =1/√et2/2dt
Si X suit la loi N(µ,σ) alors X−µ/σ suit la loi N(0,1).
On a des tables où on peut lire que :
P(|X−µ|/σ >1.96)=0.05,
P(|X−µ|/σ >2.58)=0.01,
P(|X−µ|/σ >3.1)=0.001,
et on a P(|X−µ|/σ>t)=1−2∫0t f(x)dx.

Théorèmes

On montre qu’une loi binomiale B(n,p) peut être approchée :

2.3.1  Probabilités et fréquences

La distribution des fréquences issues de la répétition d’expériences identiques et indépendantes varient alors qu’une loi de probabilité associée à la réalisation d’une expérience est un invariant.
La fréquence d’un élément est calculée à partir de données expérimentales alors que sa probabilité est calculée mathématiquement selon le modéle choisi. Les calculs de la statistique consistent à nous aider à choisir le bon modèle.
Exemple :
On lance 100 fois, une pièce bien équilibrée, et on obtient 48 faces : la probabilité de tomber sur "face" est 0.5 alors que la fréquence d’apparition des "faces" est ici 0.48.
En statistique on étudie la valeur d’un caractère et en en langage probabiliste on étudie la valeur d’une variable aléatoire.
En statistique on parle de fréquences et en langage probabiliste on parle de probabilité.
En statistique on parle de moyennes et en en langage probabiliste on parle d’espérance.
Dans le monde théorique défini par une loi de probabilité P sur un ensemble Ω, les fréquences des éléments de Ω dans une suite de n expériences identiques et indépendantes tendent vers leur probabilité quand n augmente indéfiniment.

2.4  Probabilités conditionnelles

Définition
Soit, deux événements A et B dans un espace de probabilisé.
On dit que les événements A et B sont indépendants si et seulement si :
Prob(AB)=Prob(A)*Prob(B) Définition
La probabilité de B sachant A notée ProbA(B) est la probabilité de B quand A est réalisé.
Théorème
On a :

ProbA(B)=
Prob(A⋂ B)
Prob(A)

Exercice Dans une fabrique de pièces il y a 5% de pièces défectueuses.
Lors des contrôles :
- les pièces bonnes sont refusées avec une probabilité de 4%.
- les pièces défectueuses sont refusées avec une probabilité de 98%.
Calculer pour une pièce :

On a les événements :
A la pièce est acceptée,
R la pièce est refusée,
B la pièce est bonne,
D la pièce est défectueuse.
C la pièce est jugée conforme.
On a les probabilités :
ProbB(R)=0.04
ProbD(R)=0.98
ProbD(A)=0.02
Prob(B)=0.95
Prob(D)=0.05

2.5  Variables aléatoires

Une variable aléatoire permet de faire correspondre à un espace probabilisable Ω, un espace probabilisable d’univers ℝ.
Définitions
Soit (Ω, τ) un espace probabilisable.
On appelle variable aléatoire sur cet espace toute application X de Ω vers ℝ telle que toute réunion dénombrables d’intervalles B de ℝ, X−1B.

On appelle fonction de répartition d’une variable aléatoire X la fonction F de ℝ dans [0,1] par :
F(x)=Prob(Xx).

Une variable aléatoire peut être :
discréte et finie (si X(Ω)={x1,x2....xn}) ou,
discréte et infinie (si X(Ω)={x1,x2....xj...}) ou,
absolument continue (si sa fonction de répartition F(x)=∫−∞xf(t)dt).
La fonction f est alors appelée densité de probabilité de la variable aléatoire X.

On appelle espérance mathématique (ou moyenne) de la variable aléatoire X, le nombre :

On appelle variance de la variable aléatoire X, le nombre :

On a :
V(X)=E(X2)−E(X)2.

On appelle écart type de la variable aléatoire X, le nombre :
σ(X)=√V(X)

2.6  Le processus de Poisson

2.6.1  Définitions

Le processus de Poisson gére les événements qui se produisent aléatoirement.
On dit que des événements aléatoires suivent un processus de Poisson de paramètre λ si le nombre d’événements produit dans l’intervalle t suit une loi de Poisson de paramètre λ t.
Si les intervalles de temps sont disjoints le nombre d’événements produit dans ces intervalles sont indépendants.
On a donc si N(t) est le nombre d’événements produit dans l’intervalle t : Proba(N(t)=k)=e−λ tt)k/k! et donc :
Proba(N(t)=0)=e−λ t On considère les variables aléatoires T1, T2, Tn qui représentent l’intervalle d’attente entre la production de 2 évenements. T1, T2, Tn sont indépendantes et suivent une loi exponnentielle de paramètre λ, en effet :
Proba(T1(t)≤ t)=1−Proba(T1(t)≥ t)=1−Proba(N(t)=0)=1−e−λ t.
Soit Sn la variable aléatoire qui représente le temps d’attente de la production du n-ième évenement. On a donc :
Sn(t)=T1(t)+T2(t)+...+ Tn(t) et
Proba(Sn(t)≤ t)=Proba (N(t)≥ n)=1−e−λ tk=0n−1t)k/k!.
La densité de probabilité fSn(t) de Sn est donc égale à :
fSn(t)=−e−λ t(−λ ∑k=0n−1t)k/k!+λ ∑k=1n−1t)k−1/(k−1)!)
Donc :
fSn(t)=λ e−λ tt)n−1/(n−1)!
Sn suit donc une loi gamma ou loi de Erlang de paramètres n et λ.
Puisque Sn(t)=T1(t)+T2(t)+...+ Tn(t) et que les Tj sont indépendantes et suivent la même loi, on a :
E(Sn)=n*E(T1)=n/λ et
V(Sn)=n*V(T1)=n2

2.6.2  Exercices

2.7  Couple de variables aléatoires discrètes

2.7.1  Définitions

On appelle fonction de répartition du couple de variables aléatoires discrètes (X,Y) sur le même espace probabilisé, la fonction F définie par :
F(x,y)=Prob((Xx)∩ (Yy)).

On appelle loi conjointe du couple de variables aléatoires discrètes (X,Y), l’application p définie par :
p(xi,yj)=Prob((X=xi)∩ (Y=yj)).
On a donc si xpxx<xpx+1 et yqyy<yqy+1 :
F(x,y)=∑i=1pxi=1qyp(xi,yj).

On appelle loi de probabilités marginales du couple de variables aléatoires discrètes (X,Y), les lois de probabilité de X et de Y i.e. l’application pX définie par :
p(xi)=Prob(X=xi) et
l’application pY définie par :
p(yj)=Prob(Y=yj).

On appelle répartitions marginales du couple de variables aléatoires discrètes (X,Y), les fonctions de répartition FX pour X et FY pour Y définies par :
FX(x)=Prob(Xx) et
FY(y)=Prob(Yy).

On appelle loi de probabilité conditionnelle de Y sachant que X=xi l’application qui a yj fait correspondre :

 
Prob((X=xi)⋂ (Y=yj))
Prob(X=xi)

2.7.2  Exercices

  1. Soient deux variables aléatoires X et Y valant 0 ou 1 et telles que :
    Prob((X=0)∩(Y=0))=0.4
    Prob((X=0)∩(Y=1))=0.2
    Prob((X=1)∩(Y=0))=0.1
    Prob((X=1)∩(Y=1))=0.3
    Calculer la probabilité de X sachant que Y=1.
  2. Soient deux variables aléatoires X et Y indépendantes qui suivent une loi de Poisson de paramètres λ1 et λ2. Calculer la probabilité de X sachant que X+Y=n avec n ∈ ℕ.
  1. On a :
    Prob(Y=1)=Prob((X=0)∩(Y=1))+Prob((X=0)∩(Y=1))=0.2+0.3=0.5 et
    Prob((X=0)/(Y=1))=Prob((X=0)∩(Y=1))/Prob(Y=1)
    Prob((X=1)/(Y=1))=Prob((X=1)∩(Y=1))/Prob(Y=1)
    Donc :
    Prob((X=0)/(Y=1))=0.2/0.5=0.4 et
    Prob((X=1)/(Y=1))=0.3/0.5=0.6
  2. On a :
    Prob(X=k)=λ1ke−λ1/k! et
    Prob((X=k)/(X+Y=n))=Prob((X=k)∩(Y=nk))/Prob(X+Y=n)
    On a montré (cf 2.2) que Z=X+Y suit une loi de poisson de paramètre λ12 donc
    Prob(X+Y=n)=(λ12)ne−(λ12)/n!
    Les variables aléatoires X et Y sont indépendantes donc pour 0≤ kn on a :
    Prob((X=k)∩(Y=nk))=Prob(X=k)*Prob(Y=nk)
    Donc :
    Prob((X=k)/(X+Y=n))=λ1ke−λ1λ2nke−λ2n!/k!(nk)!(λ12)ne−(λ12)
    Prob((X=k)/(X+Y=n))=λ1kλ2nkn!/(λ12)nk!(nk)!=
    n!/k!(nk)!(λ112)k212)nk.
    Donc la probabilité de X sachant que X+Y=n avec n ∈ ℕ est la loi binomiale B(n112212)

2.8  Couple de variables aléatoires continues

2.8.1  Définitions

On appelle fonction de répartition du couple de variables aléatoires continues (X,Y) sur le même espace probabilisé, la fonction F(X,Y) définie par :
F(X,Y)(x,y)=∫−∞x(∫−∞yf(X,Y)(u,v)dv)du.
La fonction f(X,Y) est appelée densité de probabilité du couple de variables aléatoires continues (X,Y).

La probabilité relative à un pavé D={(x,y)∈ ℝ2 axb,cyd } est :
Prob((X=x et Y=y et (x,y)∈ D ))=∫cd(∫ab f(x,y)dx) dy.

La probabilité relative à un domaine de Borel D (D est la reunion (ou intersection) dénombrable d’une suite de pavés) est :
Prob((X=x et Y=y et (x,y)∈ D ))=∫∫D f(x,y)dx dy.

On appelle répartitions marginales du couple de variables aléatoires continues (X,Y), les fonctions de répartition FX pour X et FY pour Y définie par :
FX(x)=∫−∞x(∫−∞+∞f(X,Y)(u,v)dv)du et
FY=∫−∞y(∫−∞+∞f(X,Y)(u,v)du)dv.
On appelle densités marginales du couple de variables aléatoires continues (X,Y), les fonctions fX pour X et fY pour Y définies par :
fX(x)=∫−∞+∞f(X,Y)(x,y)dy et
fY(y)==∫−∞+∞f(X,Y)(x,y)dx.
On a donc : f(X,Y)(x,y)=∂2F(X,Y)/∂ xy.

On appelle probabilité conditionnelle de Y sachant que xXx+dx l’application qui a y fait correspondre :

 
y


−∞
f(X,Y)(x,v)dv
+∞


−∞
f(X,Y)(x,v)dv

On appelle densité conditionnelle de Y sachant que xXx+dx l’application fY/X définie par :

 fY/X(y/x)=
f(x,y)
fX(x)

Si X et Y sont indépendantes alors f(X,Y)(x,y)=fX(x)* fY(y)

2.8.2  Exercices

  1. Soit f est la fonction densité de probabilité du couple de variables aléatoires continues (X,Y) définie par :
    f(x,y)=12/5x(2xy) si x∈ [0,1] et y∈ [0,1] et f(x,y)=0 sinon.
    Calculer la probabilité conditionnelle de X sachant que yYy+dy.
    On vérifie :
    010112/5x(2−xy)dxdy=∫0112/5(1−1/3−y/2)dy=12/5(2/3−1/4)=1
    Ou on tape avec Xcas :
    int(int(12/5*x*(2-x-y),x=0..1),y=0..1)
    On obtient : 1
    On calcule fY(y) et on tape :
    int(12/5*x*(2-x-y),x=0..1)
    On obtient : -6/5*y+8/5
    On calcule fX/Y(x/y) et on tape :
    factor((12/5*x*(2-x-y))/(-6/5*y+8/5))
    On obtient : (6*x*(y+x-2))/(3*y-4)
    Donc fX/Y(x/y) est égale à :
    6x(y+x−2)
    3*y−4
  2. Soit f est la fonction densité de probabilité du couple de variables aléatoires continues (X,Y) définie par :
    f(x,y)=6/7(x2+xy/2) si x∈ [0,1] et y∈ [0,2] et f(x,y)=0 sinon.
    Calculer :
    1. la densité de probabilité de X.
    2. P(X>Y).
    3. P(Y>1/2|X<1/2).

    On vérifie que :
    01(∫02 f(x,y)dy)dx=1
    On tape :
    6/7*int(int(x^2+x*y/2,y=0..2),x=0..1)
    On obtient : 1
    1. la densité de probabilité de X est égale à :
      fX(x)=∫02f(x,y)dy
      On tape :
      6/7*(int(x^2+x*y/2,y=0..2)
      On obtient : (6*(2*x^2+x))/7
      la fonction de répartition de X est donc égale à :
      FX(x)=∫01fX(u)du
      On tape :
      6/7*(int(2*u^2+u,u=0..x)
      On obtient : (6*(2/3*x^3+1/2*x^2))/7
    2. P(X>Y).
      On a si T={((x,y) ∈ [0,1]×[0,2]; x>y }:
      P(X>Y)=∫∫Tf(x,y)dxdy T est le triangle rectangle isocèle de sommets (0,0),(1,0),(1,1) donc :
      P(X>Y)=∫010xf(x,y)dxdy
      On tape :
      6/7*int(int(x^2+x*y/2,y=0..x),x=0..1)
      On obtient : 15/56
    3. P(Y>1/2|X<1/2). On a :
      P(Y>1/2|X<1/2)=P((Y>1/2) ∩ (X<1/2))/P(X<1/2)
      On a déja calculer P(X<1/2) :
      P(X<1/2)=FX(1/2)
      On tape :
      subst((6*(2/3*x^3+1/2*x^2))/7,x=1/2)
      On obtient : 5/28 On calcule P((Y>1/2) ∩ (X<1/2)) :
      P((Y>1/2) ∩ (X<1/2))=∫01/2(∫1/22f(x,y)dy)dx
      On tape :
      6/7*int(int(x^2+x*y/2,y=1/2..2),x=0..1/2)
      On obtient : 69/448
      Donc :
      P(Y>1/2|X<1/2)=(69/448)/(5/28)=69/80
  3. Soit f est la fonction densité de probabilité du couple de variables aléatoires continues (X,Y) définie par :
    f(x,y)=e−(x+y) si x∈ ]0,+∞[ et y∈ ]0,+∞[ et f(x,y)=0 sinon.
    Calculer la densité de probabilité de Y.
    Calculer P(X<Y).

    On vérifie tout d’abord que :
    0+∞(∫0+∞ e−(x+y)dx)dy=1
    On tape :
    int(int(exp(-(x+y)),y=0..inf),x=0..inf)
    On obtient :
    1
    On a :
    fY(y)=∫0+∞ e−(x+y)dx
    On tape :
    int(exp(-(x+y)),x=0..inf)
    On obtient :
    exp(-y)
    On a si D est la portion de plan {x>0,y>x}:
    P(X<Y)=∫∫D e−(x+y)dx)dy
    On tape :
    int(int(exp(-(x+y)),y=x..inf),x=0..inf)
    On obtient :
    1/2
  4. Soit f est la fonction densité de probabilité du couple de variables aléatoires continues (X,Y) définie par :
    f(x,y)=ex/yey/y si x∈ ]0,+∞[ et y∈ ]0,+∞[ et f(x,y)=0 sinon.
    Calculer la densité de probabilité de Y.
    Calculer la probabilité de l’événement X>1 sachant que Y=y.
    On vérifie tout d’abord que :
    0+∞(∫0+∞ ex/ydx)ey/ydy=1
    On tape :
    assume(y>0)
    integrate(integrate(exp(-x/y),x=0..inf)*exp(-y)/y,y=0..inf)
    On obtient :
    1
    La densité de probabilité de Y
    fY(y)=∫0+∞f(x,y)dx=∫0+∞ex/yey/ydx
    On tape :
    integrate(exp(-x/y)*exp(-y)/y,x=0..inf)
    On obtient :
    exp(-y)
    La densité de probabilité de X sachant que Y=y est :
    f(x,y)/fY(y)=ex/yey/y/ey=ex/y/y
    La probabilité de l’événement X>1 sachant que Y=y est :
    Prob(X>1/Y=y)=1−Prob(X<1/Y=y)=1−∫01ex/y/ydx
    On tape :
    integrate(exp(-x/y)/y,x=0..1)
    On obtient :
    -exp(-(1/y))+1
    Donc Prob(X>1/Y=y)=e−1/y
  5. Soit f est la fonction densité de probabilité du couple de variables aléatoires continues (X,Y) définie par :
    f(x,y)=6/7(x2+xy/2) si x∈ [0,1] et y∈ [0,2] et f(x,y)=0 sinon.
    Calculer la densité de probabilité de X.
    Calculer la probabilité de l’événement X>Y.
    Calculer la probabilité conditionnelle de X sachant que yYy+dy.
    On vérifie tout d’abord que :
    6/7∫01(∫02 (x2+xy/2dy)dx=1
    On tape :
    integrate(integrate(6/7*(x^2+x*y/2),y=0..2),x=0..1)
    On obtient :
    1
    La densité de probabilité de X vaut :
    fX(x)=∫02f(x,y)dy=6/7∫02x2+xy/2dy=2x2+x
    La probabilité de l’événement X>Y est :
    Prob(X>Y)=∫∫TdxdyT est l’intersection du rectangle R=[0,1]× [0,2] et du demi-plan x>y c’est à dire le triangle T rectangle isocèle de côtés 1.
    Prob(X>Y)=6/7∫01(∫0xx2+xy/2dy)dx
    On tape :
    integrate(integrate(6/7*(x^2+x*y/2),y=0..x),x=0..1)
    On obtient :
    15/56
  6. Soient X et Y deux variables aléatoires uniformes et indépendantes sur [0,1].
    Calculer la fonction de répartition, la moyenne,la variance et l’écart type des variables aléatoires Z1=X+Y, Z2=|XY| et Z3=X/Y.
    On cherche les fonctions de répartition de Z1, Z2 et de Z3 c’est à dire :
    FZ1(z)=Prob(Z1≤ z)=Prob(X+Yz) et
    FZ2(z)=Prob(Z2≤ z)=Prob(|XY|≤ z).
    FZ3(z)=Prob(Z3≤ z)=Prob(X/Yz).
    X et Y sont deux variables aléatoires indépendantes qui suivent une loi uniforme sur [0,1] donc :
    Prob(Xx)=0 si x≤ 0
    Prob(Xx)=x si x∈[0,1]
    Prob(Xx)=1 si x≥ 1
    et
    Prob(Yy)=0 si y≤ 0
    Prob(Yy)=y si y∈[0,1]
    Prob(Yy)=1 si y≥ 1
    Donc puisque X et Y sont deux variables aléatoires indépendantes :
    la densité de probabilité du couple (X,Y) est le produit de la densité de probabilité de X par la densité de probabilité de Y :
    f(X,Y)(x,y)=fX(x)*fY(y) c’est à dire :
    f(X,Y)(x,y)=0 si (x,y)∉ [0,1]× [0,1]
    f(X,Y)(x,y)=xy si (x,y)∈ [0,1]× [0,1]
    1. Étude de Z1
      Prob(X+Yz)=∫∫DdxdyD est l’intersection du carré C (C=[0,1]× [0,1]) et de {(x,y); y+xz}.
      On va considérer 4 cas :
      • si z≤ 0, l’intersection de {(x,y); y+xz} et du carré C est vide donc FZ1(z)=Prob(Z1≤ z)=0 et fZ1(z)=0
      • si 0<z≤ 1, l’intersection D de {(x,y); y+xz} et du carré C est un le triangle rectangle isocèle de côtés z donc :
        FZ1(z)=Prob(Z1≤ z)=∫∫Ddxdy=z2/2 et fZ1(z)=z
      • si 1<z<2, l’intersection D de {(x,y); y+xz} et du carré C est un le carré privé d’un triangle rectangle isocèle T de côtés 2−z donc on a :
        FZ1(z)=Prob(Z1≤ z)=∫∫Ddxdy=1−(2−z)2/2 et fZ1(z)=2−z
      • si z≥ 2, l’intersection de {(x,y) ; y+xz} et du carré C est C donc FZ1(z)=Prob(Z1≤ z)=1 et fZ1(z)=0
      Donc :
      fZ1(z)=



      zsi 0≤ z ≤ 1
      2−zsi 1≤ z ≤ 2
      0si z≤ 0  ou  z ≥ 2
      Calcul de E(Z1)
      On a :
      E(Z1)=∫−∞+∞zfZ1(z)dz=∫01z2dz+∫12z(2−z)dz=
      1/3+3−8/3+1/3=1
      Ou on tape :
      int(z^2,z=0..1)+int(z*(2-z),z=1..2)
      On obtient : 1
      Donc E(Z1)=1

      Calcul de V(Z1) et de σ(Z1)
      On a :
      V(Z1)=∫−∞+∞(z−1)2fZ1(z)dz=
      01z(z−1)2dz+∫12(z−1)2(2−z)dz
      On tape :
      int(z*(z-1)^2,z=0..1)+int((z-1)^2*(2-z),z=1..2)
      On obtient : 1/6
      Donc V(Z1)=1/6 et σ(Z1)=√6/6.

    2. Étude de Z2
      Prob(|XY|≤ z)=∫∫DdxdyD est l’intersection de {(x,y) / |xy|≤ z} et du carré C =[0,1]× [0,1].
      On va considérer 3 cas :
      • si z≤ 0, l’intersection de {(x,y) / |xy|≤ z} et du carré C est vide puisque {(x,y) / |xy|≤ z} est vide donc FZ2(z)=Prob(Z2≤ z)=0 et fZ2(z)=0
      • si 0<z≤ 1, l’intersection B de {|xy| ≤ z} et du carré C est une portion du carré limité par les droites y=x+z et y=xz c’est à dire C privé de deux triangles rectangles isocèles de côtés 1−z donc :
        F22(z)=Prob(Z2≤ z)=∫∫Bdxdy=1−2*(1−z)2/2=2zz2 et fZ2(z)=2−2z
      • si z≥ 1, l’intersection de {(x,y) / y+xz} et du carré C est C donc FZ2(z)=Prob(Z2≤ z)=1 et fZ2(z)=0
      Donc :
      fZ2(z)=

      2−2zsi 0≤ z ≤ 1
      0si z≤ 0  ou  z ≥ 1
      Calcul de E(Z2)
      On a :
      E(Z2)=∫−∞+∞zfZ2(z)dz=∫01z(2−2z)dz=1−2/3=1/3
      Ou on tape :
      int(z*(2-2z),z=0..1)
      On obtient : 1/3
      Donc E(Z2)=1/3

      Calcul de V(Z2) et de σ(Z2)
      On a :
      V(Z2)=∫−∞+∞(z−1)2fZ1(z)dz=∫01(2−2z)(z−1/3)2dz
      On tape :
      int((2-2z)*(z-1/3)^2,z=0..1)
      On obtient : 1/18
      Donc V(Z2)=1/18 et σ(Z2)=√2/6

    3. Étude de Z3
      Prob(X/Yz)=∫∫DdxdyD est l’intersection du carré C (C=[0,1]× [0,1]) et de {(x,y); x/yz}.
      On va considérer 3 cas :
      • si z≤ 0, l’intersection de {(x,y); x/yz} et du carré C est vide donc FZ3(z)=Prob(Z3≤ z)=0 et fZ3(z)=0
      • si 0<z≤ 1, l’intersection T de {(x,y); x/yz} et du carré C est un le triangle rectangle de côtés 1 et z donc :
        FZ3(z)=Prob(Z3≤ z)=∫∫Tdxdy=z/2 et fZ3(z)=1/2
      • si 1<z, l’intersection D de {(x,y); x/yz} et du carré C est un le carré privé d’un triangle rectangle T de côtés 1 et 1/z donc on a :
        FZ3(z)=Prob(Z3≤ z)=∫∫Ddxdy=1−1/(2*z) et fZ1(z)=1/(2*z2)
      Donc :
      fZ3(z)=



      0si z ≤ 0
      1/2si 0 ≤ z ≤ 1
      1/(2*z2)si z ≥ 1
      Calcul de E(Z3)
      On ne peut pas calculer E(Z3) car :
      +∫1+∞z/(2*z2)dz n’est pas convergente.
  7. Soient X une variable aléatoire uniforme sur [0,1] et Y une variable aléatoire qui suit une loi exponentielle de paramètre λ=1.œn suppose X et Y indépendantes.
    Calculer la fonction de répartition, la moyenne,la variance et l’écart type des variables aléatoires Z1=X+Y, Z2=|XY| et Z3=X/Y.
    On a :
    fX(x)=1 pour 0≤ x ≤ 1 et
    fY(y)=0 pour x<0 ou x>1 donc :
    Prob(Xx)=0 si x≤ 0
    Prob(Xx)=x si x∈[0,1]
    Prob(Xx)=1 si x≥ 1
    On a :
    fY(y)=exp(−y) pour y≥ 0 et
    fY(y)=0 pour y<0 donc :
    Prob(Yy)=0 si y≤ 0
    Prob(Yy)=1−exp(−y) si y∈[0,∞[
    On cherche les fonctions de répartition de Z1, Z2 et de Z3 c’est à dire :
    FZ1(z)=Prob(Z1≤ z)=Prob(X+Yz) et
    FZ2(z)=Prob(Z2≤ z)=Prob(|XY|≤ z).
    FZ3(z)=Prob(Z3≤ z)=Prob(X/Yz).
    Donc puisque X et Y sont deux variables aléatoires indépendantes :
    la densité de probabilité du couple (X,Y) est le produit de la densité de probabilité de X par la densité de probabilité de Y :
    f(X,Y)(x,y)=fX(x)*fY(y) c’est à dire :
    Si D=D=[0,1]× [0,+∞[ on a f(X,Y)(x,y)=0 si (x,y) ∉ D
    f(X,Y)(x,y)=exp(−y) si (x,y) ∈ D
    1. Étude de Z1
      Prob(X+Yz)=∫∫Kexp(−y)dxdyK est l’intersection de D (D=[0,1]× [0,+∞[) et de {(x,y); y+xz}.
      On va considérer 3 cas :
      • si z≤ 0, l’intersection de {(x,y); y+xz} et de D est vide donc FZ1(z)=Prob(Z1≤ z)=0 et fZ1(z)=0
      • si 0<z≤ 1, l’intersection K de {(x,y); y+xz} et de D est un le triangle rectangle isocèle de côtés z donc :
        FZ1(z)=Prob(Z1≤ z)=∫0z(∫0xexp(−y)dy)dx
        On tape :
        int(int(exp(-y),y=0..x),x=0..z)
        On obtient : z+exp(-z)-1
        donc FZ1(z)=Prob(Z1≤ z)=z+exp(−z)−1 et fZ1(z)=1−exp(−z)
      • si 1<z<+∞, l’intersection K de {(x,y); y+xz} et de D est un le trapèze rectangle de hauteur 1 et de côtés z et z−1 donc on a :
        FZ1(z)=Prob(Z1≤ z)=∫01(∫0zxexp(−y)dy)dx.
        On tape :
        int(int(exp(-y),y=0..z-x),x=0..1)
        On obtient : -exp(-z+1)+1+exp(-z)
        donc FZ1(z)=Prob(Z1≤ z)=−exp(−z+1)+1+exp(−z)−1 et fZ1(z)=exp(−z+1)−exp(−z)
      Donc :
      fZ1(z)=



      0si z≤ 0 
      1−exp(−z)si 0≤ z ≤ 1
      exp(−z+1)−exp(−z)si 1≤ z
      Calcul de E(Z1)
      On a :
      E(Z1)=∫−∞+∞zfZ1(z)dz=
      01zzexp(−z)dz+∫1+∞z(exp(−z+1)−exp(−z))dz
      On tape :
      normal(int(z-z*exp(-z),z=0..1)+
      int(z*exp(-z+1)-z*exp(-z),z=1..inf))

      On obtient : 3/2
      Donc E(Z1)=3/2

      Calcul de V(Z1) et de σ(Z1)
      On a :
      V(Z1)=∫−∞+∞(z−3/2)2fZ1(z)dz=∫01(z−3/2)2(1−exp(−z))dz+ ∫1+∞(z−3/2)2(exp(−z+1)−exp(−z))dz
      On tape :
      int((z-3/2)^2*(1-exp(-z)),z=0..1)+
      int((z-3/2)
      ^2*(exp(-z+1)-exp(-z)),z=1..inf)
      On obtient : 13/12
      Donc V(Z1)=13/12 et σ(Z1)=√13/(2√3).

    2. Étude de Z2
      Prob(|XY|≤ z)=∫∫DdxdyD est l’intersection de {(x,y) / |xy|≤ z} et de D =[0,1]× [0,+∞[.
      On va considérer 3 cas :
      • si z≤ 0, l’intersection de {(x,y) / |xy|≤ z} et de D est vide puisque {(x,y) / |xy|≤ z} est vide donc FZ2(z)=Prob(Z2≤ z)=0 et fZ2(z)=0
      • si 0<z≤ 1, l’intersection B de {|xy| ≤ z} et de D est une portion de D limitée par les droites y=x+z et y=xz donc :
        F22(z)=Prob(Z2≤ z)=∫∫Df(x,y)dxdy
        F22(z)=∫0z(∫0x+zexp(−y)dy)dx+∫z1(∫xzx+zexp(−y)dy)dx On tape :
        normal(int(int(exp(-y),y=0..x+z),x=0..z)+
        int(int(exp(-y),y=x-z..x+z),x=z..1))

        On obtient : z+exp(-(z+1))-exp(-z)-exp(z-1)+1
        Donc F22(z)=z+exp(−(z+1))−exp(−z)−exp(z−1)+1 et fZ2(z)=1−exp(−(z+1))+exp(−z)−exp(z−1)
      • si z≥ 1, l’intersection de {(x,y) / y+xz} et de D est la portion de D située sous la droite y=x+z donc FZ2(z)=Prob(Z2≤ z)=∫01(∫0x+zexp(−y)dy)dx On tape :
        int(int(exp(-y),y=0..x+z),x=0..1)
        On obtient : exp(-1-z)+1-exp(-z)
        Donc F22(z)=exp(−1−z)+1−exp(−z) et fZ2(z)=−exp(−1−z)+exp(−z)
      Donc :
      fZ2(z)=



      0si z≤ 0 
      1−exp(−(z+1))+exp(−z)−exp(z−1)si 0≤ z ≤ 1
      −exp(−1−z)+exp(−z)si z ≥ 1
      Calcul de E(Z2)
      On a :
      E(Z2)=∫−∞+∞zfZ2(z)dz
      On tape :
      normal(int(z*(1-exp(-(z+1))+exp(-z)-exp(z-1)),z=0..1)+
      int(z*(-exp(-1-z)+exp(-z)),z=1..inf))

      On obtient : -2*exp(-1)+3/2
      Donc E(Z2)=−2exp(−1)+3/2

      Calcul de V(Z2) et de σ(Z2)
      On a :
      V(Z2)=∫−∞+∞(z+2exp(−1)−3/2)2fZ1(z)dz
      On tape :
      normal(int((z+2*exp(-1)-3/2)^2*(1-exp(-(z+1))+exp(-z)-exp(z-1)),z=0..1)+ int((z+2*exp(-1)-3/2)^2*(-exp(-1-z)+exp(-z)),z=1..inf))
      On obtient : 6*exp(-1)-4*exp(-2)+(-11)/12
      Donc V(Z2)=6exp(−1)−4exp(−2)+(−11)/12 et σ(Z2)=√V(Z2)

    3. Étude de Z3
      Prob(X/Yz)=∫∫KdxdyK est l’intersection de D (D=[0,1]× [0,+∞[) et de {(x,y); x/yz}.
      On va considérer 2 cas :
      • si z≤ 0, l’intersection de {(x,y); x/yz} et de D est vide donc FZ3(z)=Prob(Z3≤ z)=0 et fZ3(z)=0
      • si 0<z, l’intersection K de {(x,y); x/yz} et de D est égal à D privé du triangle rectangle de côtés 1 et 1/z donc :
        FZ3(z)=Prob(Z3≤ z)=∫∫Df(x,y)dxdy=z/2
        On tape :
        int(int(exp(-y),y=x/z..inf),x=0..1)
        On obtient : -z*exp(-(1/z))+z
        Donc :
        FZ3(z)=−zexp(−(1/z))+z et fZ3(z)=(−z*exp(−(1/z))+zexp(−(1/z)))/z
      Donc :
      fZ3(z)=

      0si z ≤ 0
      (−zexp(−(1/z))+z−exp(−(1/z)))/zsi 0 ≤ z 
      Calcul de E(Z3)
      On a :
      E(Z3)=∫−∞+∞zfZ2(z)dz
      On tape :
      romberg((-z*exp(-1/z)+z-exp(-1/z)),z=0..1e20)
      On obtient : -2*exp(-1)+3/2
      Donc E(Z2)∼ 7.8

      Calcul de V(Z3) et de σ(Z3)
      On a :
      V(Z3)=E(Z32)−(E(Z3))2
      E(Z32)=∫0+∞z*(−z*exp(−1/z)+zexp(−1/z))dz
      On tape :
      limit(z*(-z*exp(-1/z)+z-exp(-1/z)),z=inf)
      On obtient : 1/2
      Donc l’intégrale calculant E(Z32) diverge donc on ne peut pas calculer la variance de Z3.

  8. Soit f est la fonction densité de probabilité du couple de variables aléatoires continues (X,Y) définie pour c∈ ℝ par :
    f(x,y)=c(x2y2)exp(−x) si x∈ ]0,+∞[ et y∈ [−x,x] etf(x,y)=0 sinon.
    Calculer :
    1. la valeur de c,
    2. la probabilité conditionnelle de Y sachant que xXx+dx.
    1. On doit avoir :
      I= c0+∞(∫xx(x2y2)exp(−x)dy)dx=1
      On a :
      I=c0+∞2(x3x3/3)exp(−x)dx=4c/3∫0+∞x3exp(−x)dx
      La primitive de x3exp(−x) est de la forme (ax3+bx2+cx+d)exp(−x) donc on a pour tout x :
      ax3+(3ab)x2+(2bc)x+cd=x3 soit :
      a=1, b=3, c=6 d=6 c’est à dire :
      I=4c/3∫0+∞x3exp(−x)dx=4c/3*6=1 Donc 8c=1 d’où c=1/8.
      Ou on tape avec Xcas :
      int(int((x^2-y^2)*exp(-x),y=-x..x),x=0..inf)
      On obtient : 8
      Donc 8c=1 d’où
      c=
      1
      8
    2. la probabilité conditionnelle de Y sachant que xXx+dx est :
      Prob(Y<y0|X=x)=
      y0


      x
      f(x,y)
      fX(x)
      dy
      Calcul de fX(x) :
      fX(x)=∫xxf(x,y)dy=cxx(x2y2)exp(−x)dy=4c/3x3exp(−x) donc :
      Prob(Y<y0|X=x)=∫xy03(x2y2)/4x3dy= ∫xy03/4x−3y2)/4x3dy=3y0/4x+3/4−y03)/4x3−1/4
      donc
      Prob(Y<y|X=x)=1/2+3y/4xy3)/4x3
      Ou on tape avec Xcas :
      int((x^2-y^2)*exp(-x)/int((x^2-y^2)*exp(-x),y=-x..x),y=-x..y)
      On obtient : (3*x^2*y-y^3)/(4*x^3)-(1/-2)

Previous Up Next