Sol TD4
Sol TD4
Sol TD4
1
𝑓(𝑥) = {𝑎 𝑠𝑖 0 < 𝑥 ≤ 𝑎
0 𝑠𝑖𝑛𝑜𝑛
1/ La loi probabilité de v.a Y=𝑋 2 :
soit 𝑦 ∈ ℝ
Donc
1
𝑑𝐹𝑌 (𝑦) 1 1 𝑠𝑖 0 < 𝑦 ≤ 𝑎2
𝑓𝑌 (𝑦) = =2 𝑓 (√𝑦) + 2 𝑓 (−√𝑦) = {2𝑎√𝑦
𝑑𝑦 √ 𝑦 𝑋 √ 𝑦 𝑋
0 𝑠𝑖𝑛𝑜𝑛
soit 𝑧 ∈ ℝ
Exercice 02 : Y est une v.a continue qui suit la loi exponentielle de paramètre
𝜆 > 0 et de densité de probabilité g donnée par :
−𝜆𝑦
𝑔(𝑦) = {𝜆𝑒 𝑠𝑖 𝑦 ≥ 0
0 𝑠𝑖 𝑛𝑜𝑛
X est une v.a définie par X=𝑒 𝑌
1. Déterminons la fonction de densité de la v.a X.
𝑆𝑜𝑖𝑡 𝑥 ∈ 𝑅 ; 𝐹𝑋 (𝑥) = 𝑃(𝑋 ≤ 𝑥) = 𝑃(𝑒 𝑌 ≤ 𝑥) = 𝑃(𝑌 ≤ ln 𝑥), ∀ 𝑥 > 0
= 𝐹𝑌 (ln 𝑥 ).
𝜆 −𝜆
Donc 𝑓𝑋 (𝑥) = 𝑔(ln 𝑥 ) = {𝑥 𝑥
1 𝑠𝑖 ln 𝑥 ≥ 0 = 𝜆𝑥 −(𝜆+1) 𝑠𝑖 𝑥 ≥ 1
{
𝑥
0 𝑠𝑖 𝑛𝑜𝑛 0 𝑠𝑖 𝑛𝑜𝑛
2. Déterminons la fonction de répartition F de la variable aléatoire X.
1
𝑠𝑖 𝑥 > 0 ; 𝐹𝑋 (𝑥) = 𝐹𝑌 (ln 𝑥 ).
𝑠𝑖 𝑥 ≤ 0 ; 𝐹𝑋 (𝑥) = 0.
𝑡
𝐹𝑌 (𝑡) = ∫ 𝑔(𝑦)𝑑𝑦
−∞
𝑠𝑖 𝑡 ≤ 0; 𝐹𝑌 (𝑡) = 0
𝑡 𝑡
𝑠𝑖 𝑡 > 0 ;𝐹𝑌 (𝑡) = ∫−∞ 𝑔(𝑦)𝑑𝑦 = ∫0 𝜆𝑒 −𝜆𝑦 𝑑𝑦 = [−𝑒 −𝜆𝑦 ]𝑡0 = 1 − 𝑒 −𝜆𝑡 .
−𝜆
Donc 𝐹𝑋 (𝑥) = {1 − 𝑥 𝑠𝑖 𝑥 ≥ 1
0 𝑠𝑖 𝑛𝑜𝑛
3. Calculons E(X).
+∞ +∞ +∞
𝐸(𝑋) = ∫−∞ 𝑥𝑓𝑋 (𝑥)𝑑𝑥 = ∫1 𝑥𝜆𝑥 −(𝜆+1) 𝑑𝑥 = 𝜆 ∫1 𝑥 −𝜆 𝑑𝑥.
+∞
𝑠𝑖 𝜆 = 1; 𝐸(𝑋) = ∫1 𝑥 −1 𝑑𝑥 = [ln 𝑥]1+∞ = +∞ donc 𝐸(𝑋) n’existe pas
1
𝑋 ↝ 𝑈[−2; 4] ⟹ 𝑓𝑋 (𝑥) = {6 𝑠𝑖 𝑥 ∈ [−2; 4]
0 𝑠𝑖𝑛𝑜𝑛
1/ La représentation graphique de 𝑓𝑋 :
2
𝑃(−3 ≤ 𝑋 ≤ 0) = 𝑙𝑎 𝑠𝑢𝑟𝑓𝑎𝑐𝑒 𝑐𝑜𝑚𝑝𝑟𝑖𝑠𝑒 𝑒𝑛𝑡𝑟𝑒 𝐶𝑓 ; 𝑋 = −3 𝑒𝑡 𝑋 = 0
1 1
= ×3 =
6 2
1 1
𝑃(−2 ≤ 𝑋 ≤ 0) = ×2=
6 3
1 1
𝑃(0 ≤ 𝑋 ≤ 2) = ×2=
6 3
1 1
𝑃(0 ≤ 𝑋 ≤ 3) = 6 × 3 = 2
EXERCICE 04 :
1 𝑠𝑖 𝑥 ∈ [0; 1]
𝑋 ↝ 𝑈[0; 1] ⟹ 𝑓𝑋 (𝑥) = {
0 𝑠𝑖𝑛𝑜𝑛
1/ La loi de V=-ln(X) :
= 1 − 𝐹𝑋 (𝑒 −𝑣 )
= 1 − 𝑃(−10 ≤ 𝑉 − 1 ≤ 10)
11
= 1 − P(−9 ≤ V ≤ 11) = 1 − ∫0 𝑒 −𝑣 𝑑𝑣 = 𝑒 −11 .
−𝜆𝑥
Exercice 05 𝑇𝑘 ~𝜀(𝜆) ⇔ 𝑓(𝑥) = {𝜆𝑒 𝑠𝑖 𝑥 ≥ 0
0 𝑠𝑖𝑛𝑜𝑛
−𝜆𝑥
Donc 𝐹𝑇𝑘 (𝑥) = {1 − 𝑒 𝑠𝑖 𝑥 ≥ 0
0 𝑠𝑖𝑛𝑜𝑛
1. Calculons P(𝑇𝑘 > 𝑡)
−𝜆𝑡
P(𝑇𝑘 > 𝑡) = 1 − P(𝑇𝑘 ≤ 𝑡) = 1 − 𝐹 𝑇𝑘 (𝑡) = { 𝑒 𝑠𝑖 𝑡 ≥ 0
1 𝑠𝑖𝑛𝑜𝑛
3
2. Calculons P(U>t) dans les cas suivantes :
P(U>t) = P(𝑇1 > 𝑡 𝑜𝑢 𝑇2 > 𝑡) = P(𝑇1 > 𝑡) + P(𝑇2 > 𝑡) − P(𝑇1 > 𝑡 𝑒𝑡 𝑇2 > 𝑡)
−𝜆𝑡 −𝜆𝑡
= 2P(𝑇1 > 𝑡) − P(𝑇1 > 𝑡 𝑒𝑡 𝑇2 > 𝑡) = {𝑒 (2 − 𝑒 ) 𝑠𝑖 𝑡 ≥ 0 )
1 𝑠𝑖𝑛𝑜𝑛
3. la loi de U
∀𝑡 ∈ ℝ ; 𝐹𝑈 (𝑡) = P(U ≤ t)
−2𝜆𝑡
Dans le cas i, 𝐹𝑈 (𝑡) = P(U ≤ t) = 1 − P(U > 𝑡) = {1 − 𝑒 𝑠𝑖 𝑡 ≥ 0
0 𝑠𝑖𝑛𝑜𝑛
−2𝜆𝑡
Donc 𝑓𝑈 (𝑡)={2𝜆𝑒 𝑠𝑖 𝑡 ≥ 0
0 𝑠𝑖𝑛𝑜𝑛
Donc U~ 𝜀(2𝜆)
1
E(U)= 2𝜆.
Exercice 06 :
𝑋−𝜇
Rappelle : si X~𝑁(𝜇, 𝜎 2 ) alors ~𝑁(0,1)
𝜎
𝑋−5
On a X~𝑁(5 , 0.022 ) donc 𝑍 = ~𝑁(0,1).
0.02
1. Calculons la probabilité pour que la longueur de la barre soit comprise entre 4.98m et
5.019m :
4.98−5 𝑋−5 5.019−5
𝑃(4.98 ≤ 𝑋 ≤ 5.019) = 𝑃 ( ≤ ≤ ) = 𝑃(−1 ≤ 𝑍 ≤ 0.95)
0.02 0.02 0.02
𝐹(0.95) = 0.8289.
4
𝐹(−1) = 𝑃(𝑋 ≤ −1)=P(X≥ 1) = 1 − 𝑃(𝑋 < 1)=1-F(1)
𝐹(1) = 0.8413.
0 𝑠𝑖 𝑥 < 0
1 𝑠𝑖 𝑥 ∈ [0; 1]
Exercice 07 : 𝑋𝑖 ~𝑈[0,1] ⇒ 𝑓(𝑥) = { et 𝐹𝑋𝑖 (𝑥) = {𝑥 𝑠𝑖 𝑥 ∈ [0; 1]
0 𝑠𝑖𝑛𝑜𝑛 1 𝑠𝑖 𝑥 > 1
𝑌 = inf(𝑋1 , 𝑋2 , … , 𝑋𝑛 )
Z=max(𝑋1 , 𝑋2 , … , 𝑋𝑛 )
1. La densité de probabilité de Y
1 − (1 − 𝑦)𝑛 𝑠𝑖 𝑦 ∈ [0; 1]
𝐹𝑌 (𝑦) = { 1 𝑠𝑖 𝑦 ≥ 1
0 𝑠𝑖𝑛𝑜𝑛
𝑛−1 𝑛−1
Donc 𝑓𝑌 (𝑦) = (𝐹𝑌 (𝑦))′ = 𝑛𝑓𝑋 (𝑦) (1 − 𝐹𝑋1 (𝑦)) = {𝑛(1 − 𝑦) 𝑠𝑖 𝑦 ∈ [0; 1]
0 𝑠𝑖𝑛𝑜𝑛
La densité de probabilité de Z
5
𝑛
𝐹𝑍 (𝑧) = 𝑃(𝑋1 ≤ 𝑧) .
𝑛−1 𝑛−1
Donc 𝑓𝑍(𝑧) = 𝑛𝑓𝑋 (𝑧) (𝐹𝑋1 (𝑧)) = { 𝑛𝑧 𝑠𝑖 𝑧 ∈ [0; 1]
0 𝑠𝑖𝑛𝑜𝑛
2. Calculons E(Y), E(Z) et V(Y), V(Z)
+∞ 1 1 1
E(Y)= ∫−∞ 𝑦 𝑓𝑌 (𝑦)𝑑𝑦 = ∫0 𝑛𝑦(1 − 𝑦)𝑛−1 𝑑𝑦 = [−𝑦(1 − 𝑦)𝑛 ]10 + ∫0 (1 − 𝑦)𝑛 𝑑𝑦 = [− 𝑛+1 (1 −
1
𝑦)𝑛 = (intégration par partie)
𝑛+1
+∞ 1 1 𝑛
𝐸(𝑍) = ∫−∞ 𝑧 𝑓𝑍 (𝑧)𝑑𝑧 = ∫0 𝑛𝑧𝑧 𝑛−1 𝑑𝑧 = 𝑛[𝑛+1 𝑧 𝑛+1 ]10 = 𝑛+1 .
V(Y)=E(𝑌 2 ) − (𝐸(𝑌))2
+∞ 1 𝑛 1
E(𝑌 2 ) = ∫−∞ 𝑦2 𝑓𝑌 (𝑦)𝑑𝑦 = ∫0 𝑛𝑦2 (1 − 𝑦)𝑛−1 𝑑𝑦 = [−𝑦2 (1 − 𝑦) ]10 + ∫0 2𝑦(1 − 𝑦)𝑛 𝑑𝑦
1 −𝑦 1 1 −1
= 2 ∫0 𝑦(1 − 𝑦)𝑛 𝑑𝑦 = 2[[𝑛+1 (1 − 𝑦)𝑛+1 ]10 + ∫0 𝑛+1
(1 − 𝑦)𝑛+1 𝑑𝑦] = 2[(𝑛+1)(𝑛+2) (1 − 𝑦)𝑛+1 ]10
2
=
(𝑛 + 1)(𝑛 + 2)
2 1 𝑛
𝑉(𝑌) = (𝑛+1)(𝑛+2) − (𝑛+1)2 = (𝑛+1)2 (𝑛+2) .
V(Z)=E(𝑍 2 ) − (𝐸(𝑍))2
+∞ 1 1 𝑛 𝑛
E(𝑍 2 ) = ∫−∞ 𝑧2 𝑓𝑍 (𝑧)𝑑𝑧 = ∫0 𝑧 2 𝑛𝑧 𝑛−1 𝑑𝑧 = 𝑛 ∫0 𝑧 𝑛+1 𝑑𝑧 = [𝑧 𝑛+2 ] =
𝑛+2 𝑛+2
𝑛 𝑛2 𝑛
V(Z)= − = .
𝑛+2 (𝑛+1)2 (𝑛+1)2 (𝑛+2)
Exercice 08
𝑋 − 35
𝑋~𝑁(35, 52 ) 𝑑𝑜𝑛𝑐 𝑍 = ~ 𝑁(0,1)
5
a)Calculons P(X<25) ,P(37.5<X<40) et P(32.5<X<37.5)
25−35
𝑃(𝑋 < 25) = 𝑃 (𝑍 < ) = 𝑃(𝑍 < −2) = 𝐹(−2) = 1 − 𝐹(2) = 1 − 0.9772 = 0.0228
5
𝑃(37.5 < 𝑋 < 40) = 𝑃(0.5 < 𝑍 < 1) = 𝐹(1) − 𝐹(0.5) = 0.8413 − 0.6915 = 0.1498.
(D’après la table du loi normale (1) = 0.8413; 𝐹(0.5) = 0.6915 )
𝑃(32.5 < 𝑋 < 37.5) = 𝑃(−0.5 < 𝑍 < 0.5) = 𝐹(0.5) − 𝐹(−0.5)
= 𝐹(0.5) − (1 − 𝐹(0.5)) = 2𝐹(0.5) − 1 = 2(0.6915) − 1 = 0.383.
6
Calculons l’espérance et la variance d’une v.a Y de loi normale tel que :P(Y>-3) = 0.6915 et
P(Y<2) = 0.9772.
𝑌−𝜇
Y~𝑁(𝜇, 𝜎 2 ) ⇔ 𝑍 = ~𝑁(0,1)
𝜎
𝑌−𝜇 −3−𝜇
P(Y>-3) = 0.6915⇔ 𝑃 (𝑍 = > ) = 0.6915
𝜎 𝜎
−3−𝜇 3+𝜇
⇔ 1−𝐹( ) = 0.6915 ⇔ 𝐹 ( ) = 0.6915
𝜎 𝜎
3+𝜇
⇔ = 0.5…….(1)
𝜎
Exercice 09
Calculer la valeur de la probabilité P(𝑋 2 − 6𝑋 < 1.84)
la valeur 0.3085 n’existe pas dans la table du loi normale, mais on sait que (𝑥) = 1 −
𝐹(− 𝑥) .
2−𝜇 −2+𝜇 −2+𝜇
Donc 𝐹 ( ) = 0.3085 ⇔ 𝐹 ( ) = 0.6915 ⇔ = 0.5 … . (1)
𝜎 𝜎 𝜎
𝑋−𝜇 8−𝜇
P(X > 8)= 0.0062 ⇔ 𝑃(𝑋 ≤ 8) = 0.9938 ⇔ 𝑃 (𝑍 = < ) = 0.9938
𝜎 𝜎
8−𝜇 8−𝜇
𝐹( ) = 0.9938 ⇔ = 2.5 … . (2)
𝜎 𝜎
De (1) et (2) 𝜇 = 3; 𝜎 = 2.
Rappelle : Si 𝑋1,..., 𝑋𝑛 sont des v.a. indépendantes et de même loi N(0, 1),alors 𝑋1 2 +…+
𝑋𝑛 2 suit une loi du khi-deux à n degrés de liberté.
7
P(𝑋 2 − 6𝑋 < 1.84) = 𝑃(𝑍 ≤ 2.71) = 0.9
la valeur 0.0228 n’existe pas dans la table du loi normale, mais on sait que (𝑥) = 1 −
𝐹(− 𝑥) .
2−𝜇 −2+𝜇 −2+𝜇
Donc 𝐹 ( ) = 0.0228 ⇔ 𝐹 ( ) = 0.9772 ⇔ = 2 … . (1)
𝜎 𝜎 𝜎
𝑌−𝜇 −3.5−𝜇
P(Y >3.5 )= 0.1587 ⇔ 𝑃(𝑌 ≤ −3.5) = 0.8413 ⇔ 𝑃 (𝑍 = < ) = 0.8413
𝜎 𝜎
3.5−𝜇 −3.5−𝜇
⇔ 𝐹( ) = 0.8413 ⇔ = 1 … . (2)
𝜎 𝜎
1
De (1) et (2) on trouve 𝜇 = 3, 𝜎 = 2
𝑌−3 𝑌−3 2
On sait que 1 ~𝑁(0,1) 𝑑𝑜𝑛𝑐 ( 1 ) ~𝜒 2 (1)
2 2
2
2 𝑌−3 𝑎
Et P((𝑌 − 3) < 𝑎) = 0.975 ⇔ 𝑃 (( 1 ) < 12 ) = 0.975
2 2
2
𝑌−3 𝑎
⇔ 𝑃 (( ) < ) = 𝑃(𝑍 < 5.024)
1 1 2
(2)
2
⇔ 4𝑎 = 5.024 ⇔ 𝑎 = 1.31
Exercice 10
1 −1 2
𝑥
𝑋~𝑁(0,1) ⇔ 𝑓(𝑥) = 𝑒 2 ;𝑥 ∈ℝ
√2𝜋
−1 2 −1 2
+∞ 𝑥 1
1. E(X)=∫−∞ 𝑒 2 𝑥 𝑑𝑥 = [−𝑒 2 𝑥 ]+∞
−∞ = 0
√2𝜋 √2𝜋
+∞ 𝑥2 −1𝑥2 1 −1 2
+∞ −1 2 1
V(X)= E(𝑋 2 ) = ∫−∞
√2𝜋
𝑒 2 𝑑𝑥 = √2𝜋 ([−𝑥𝑒 2 𝑥 ]+∞
−∞
+ ∫−∞ 𝑒 2 𝑥 𝑑𝑥) = √2𝜋 . √2𝜋 = 1.
−1 2
+∞
(𝑐𝑎𝑟 ∫−∞ 𝑒 2 𝑥 𝑑𝑥 = √2𝜋)
8
𝑦−𝜇 𝑦−𝜇
∀𝑦 ∈ ℝ, 𝐹𝑌 (𝑦) = 𝑃(𝑌 ≤ 𝑦) = 𝑃(𝜎𝑋 + 𝜇 ≤ 𝑦) = 𝑃 (𝑋 ≤ ) = 𝐹𝑋 ( )
𝜎 𝜎
1 𝑦−𝜇 2
1 𝑦−𝜇 1
Donc 𝑓𝑌 (𝑦) = 𝜎 𝑓𝑋 ( ) = 𝜎√2𝜋 𝑒 −2( 𝜎
)
;𝑦 ∈ ℝ
𝜎
=𝜎 2 E(𝑋2 ) + 𝜇𝜎𝐸(𝑋) + 𝜇2 − 𝜇 2 = 𝜎 2 .
Exercice 11 :
X~𝜉(2) alors la fonction de répartition de X est 𝐹𝑋 (𝑥) = 1 − 𝑒 −2𝑥 , 𝑥 > 0
1 𝑠𝑖 𝑋 > 1
𝑌={
−1 𝑠𝑖 𝑋 ≤ 1
La loi de Y :𝑌(Ω) = {−1,1}
Exercice 12
= 𝑃(𝑋 ≥ − ln 𝑦 + 𝜃) = 1 − 𝐹𝑋 (− ln 𝑦 + 𝜃)
1 1
Donc 𝑓𝑌 (𝑦) = 𝑦 𝑓𝑋 (− ln 𝑦 + 𝜃) = 𝑦 exp(ln 𝑦 − 𝑦) = 𝑒 −𝑦 ; 𝑠𝑖𝑦 ∈ ℝ+
𝑒 −𝑦 𝑠𝑖 𝑦 ≥ 0
𝑓𝑌 (𝑦) = {
0 𝑠𝑖𝑛𝑜𝑛
Donc 𝑌~𝜀(1) et 𝑆𝑛 = ∑𝑛𝑖=1 𝑌𝑖 ~𝜀(𝑛).
9
La somme de deux variables aléatoires indépendantes, suivant des lois exponentielles de
paramètres respectifs 𝜆1 et 𝜆2 , est une variable aléatoire suivant une loi exponentielle de
paramètre 𝜆1 + 𝜆2 .
Exercice 13 :
1. (voire le cours)
1 2
2 1 +∞ 𝑡x2
2. Z = T 2 , 𝑀𝑍 (𝑡) = 𝐸(𝑒 𝑡𝑍 ) = 𝐸(𝑒 𝑡T ) = ∫ 𝑒 𝑒 −2x 𝑑𝑥
√2𝜋 −∞
+∞
1 1 2
= ∫ 𝑒 −2(1−2𝑡)x 𝑑𝑥
√2𝜋 −∞
1
si 1 − 2𝑡 > 0 alors 𝑡 <
2
on pose 𝑢 = 𝑥√1 − 2𝑡 d’où du= √1 − 2𝑡𝑑𝑥 , alors on a
+∞
1 1
− u2 𝑑𝑢
𝑀𝑍 (𝑡) = ∫ 𝑒 2
√2𝜋 −∞ √1 − 2𝑡
1 1 1
𝑀𝑍 (𝑡) = √2𝜋 =
√2𝜋 √1 − 2𝑡 √1 − 2𝑡
3. Calcul de E(Z) et V(Z) :
On sait que E(Z)= 𝑀′𝑍 (0) et V(Z) =𝑀𝑍′′ (0) − (𝑀′𝑍 (0))2
2
−5
Et on a 𝑀𝑍′ (𝑡) = 2√1−2𝑡
et 𝑀𝑍′′ (𝑡) = 3(1 − 𝑡) 2
1−2𝑡
Pour t=0 on obtient : E(Z)= 𝑀′𝑍 (0) = 1 𝑒𝑡 𝑀𝑍′′ (0) = 3
V(Z) =𝑀𝑍′′ (0) − (𝑀′𝑍 (0))2 = 3 − 1 = 2
Exercice 14 :
a) 𝑋~𝔅(100, 0.2) donc 𝐸(𝑋) = 𝑛𝑝 = 20 , 𝜎 = √𝑛𝑝𝑞 = 4
b) Dans cette situation la probabilité binomiales peuvent être estimées par la loi normale car :
; 𝑋𝔅 ≈ 𝑋𝑁 ~𝑁(20, 42 ).
17.5 − 20 𝑋𝑁 − 20 22.5 − 20
𝑃(18 ≤ 𝑋𝔅 ≤ 22) ≈ 𝑃(17.5 ≤ 𝑋𝑁 ≤ 22.5) = 𝑃 ( ≤ ≤ )
4 4 4
10
= 𝑃(−0.625 ≤ 𝑍 ≤ 0.625) = 2𝐹(0.625) − 1 = 2(0.7324) − 1 = 0.4648
𝑋𝑁 − 20 15.5 − 20
𝑃(𝑋𝔅 ≤ 15) ≈ 𝑃(𝑋𝑁 ≤ 15.5) = 𝑃 ( ≤ ) = 𝐹(−1.125) = 1 − 𝐹(1.125)
4 4
= 1 − 0,8686 = 0.131
11