Probabilités et Statistiques : TD série 3 Variables aléatoires continues (2)
Télécharger PDFCorrection TD série 3 Variables aléatoires continues
Télécharger PDFIntroduction aux Variables Aléatoires et Lois de Probabilité
Dans le domaine des statistiques et des probabilités, les variables aléatoires jouent un rôle fondamental pour modéliser des phénomènes dont l'issue est incertaine. Qu'il s'agisse de mesurer la durée de vie d'une particule, l'épaisseur d'un composant industriel ou un simple choix numérique, les variables aléatoires nous permettent de quantifier ces incertitudes et de calculer des probabilités.
Ce guide explore divers types de variables aléatoires continues et leurs applications à travers des exemples concrets, allant de la détermination des constantes de densité à l'utilisation d'approximations pour des échantillons de grande taille.
Variables Aléatoires Continues : Concepts Fondamentaux
Une variable aléatoire continue (X) est caractérisée par une fonction de densité de probabilité f(x) qui décrit la probabilité relative que la variable prenne une valeur donnée. Contrairement aux variables discrètes, la probabilité que X prenne une valeur exacte est nulle; on s'intéresse plutôt à la probabilité qu'elle se trouve dans un intervalle donné.
La fonction de densité de probabilité
Pour qu'une fonction f(x) soit une fonction de densité de probabilité valide, elle doit satisfaire deux conditions principales : être positive ou nulle pour toutes les valeurs de x, et son intégrale sur tout l'espace des possibles doit être égale à 1. La détermination d'une constante (k) dans la fonction f(x) implique souvent de résoudre cette intégrale.
Par exemple, si une variable aléatoire continue X a une densité définie par f(x) = kx pour x entre 0 et 1, et 0 ailleurs, la valeur de k est trouvée en intégrant kx de 0 à 1 et en égalant le résultat à 1.
La fonction de répartition
La fonction de répartition (ou fonction de distribution cumulative), notée F(x), donne la probabilité que la variable aléatoire X prenne une valeur inférieure ou égale à x, soit P(X ≤ x). Elle est obtenue en intégrant la fonction de densité de probabilité f(t) de moins l'infini à x. Une fois F(x) déterminée, elle permet de calculer facilement la probabilité que X se situe dans n'importe quel intervalle [a, b] en utilisant F(b) - F(a).
Espérance et moments d'une variable aléatoire
L'espérance mathématique, ou moyenne, E[X], représente la valeur moyenne attendue d'une variable aléatoire. Pour une variable continue, elle est calculée en intégrant x multiplié par f(x) sur tout l'espace des possibles. Des moments d'ordre supérieur, comme E[X²], permettent de calculer la variance de la variable, qui mesure la dispersion des valeurs autour de la moyenne.
Pour une puissance n, l'espérance de X à la puissance n (E[Xⁿ]) est calculée de manière similaire en intégrant xⁿ * f(x) sur l'intervalle.
Loi Uniforme : Choix Aléatoire dans un Intervalle
La loi uniforme continue est utilisée lorsqu'un nombre est choisi au hasard dans un intervalle donné, et que chaque valeur de cet intervalle a une probabilité égale d'être choisie. Si un nombre est choisi au hasard entre -3 et 5, la variable aléatoire associée suit une loi uniforme sur l'intervalle [-3, 5].
Calculer la probabilité d'obtenir un nombre inférieur à une certaine valeur
Pour une loi uniforme sur [a, b], la probabilité d'obtenir un nombre strictement inférieur à une valeur c (où a ≤ c ≤ b) est simplement la longueur de l'intervalle [a, c] divisée par la longueur totale de l'intervalle [a, b]. Par exemple, pour un choix entre -3 et 5, la probabilité d'obtenir un nombre strictement inférieur à 1 est la longueur de [-3, 1] (qui est 4) divisée par la longueur de [-3, 5] (qui est 8), soit 4/8 ou 0,5.
Calculer la probabilité d'obtenir un nombre supérieur ou égal à une certaine valeur
De même, la probabilité d'obtenir un nombre supérieur ou égal à d (où a ≤ d ≤ b) est la longueur de l'intervalle [d, b] divisée par la longueur totale de [a, b].
Probabilité conditionnelle
La probabilité conditionnelle évalue la probabilité d'un événement sachant qu'un autre événement s'est déjà produit. Par exemple, quelle est la probabilité que le nombre choisi soit strictement inférieur à 1, sachant qu'il est strictement positif ? Cela implique de recalculer la probabilité sur un intervalle réduit, qui est ici (0, 5].
Loi Exponentielle : Durée de Vie et Désintégration
La loi exponentielle est fréquemment utilisée pour modéliser des durées de vie, des temps d'attente ou des intervalles entre des événements consécutifs dans un processus de Poisson. Elle est caractérisée par un seul paramètre, lambda (λ), qui représente le taux d'événements.
Détermination du paramètre λ et de la durée de vie moyenne
Pour un élément radioactif comme le carbone 14, la demi-vie (le temps nécessaire pour que la moitié des particules se désintègrent) est une information clé. La demi-vie (T½) est liée au paramètre λ par la formule T½ = ln(2)/λ. À partir de la demi-vie, on peut déduire λ et ensuite la durée de vie moyenne (espérance) de la particule, qui est 1/λ. Si X est exprimée en milliers d'années, λ sera en milliers d'années⁻¹.
Calcul de la probabilité de désintégration
La probabilité qu'une particule se désintègre au bout d'un certain temps t est donnée par la fonction de répartition de la loi exponentielle, P(X ≤ t) = 1 - e^(-λt). Cela permet de prévoir la proportion de particules désintégrées après une période donnée.
Propriété d'absence de mémoire
Une caractéristique unique de la loi exponentielle est sa propriété d'absence de mémoire. Cela signifie que la probabilité qu'un événement se produise dans un futur intervalle de temps ne dépend pas de la durée pendant laquelle il a déjà "survécu". En d'autres termes, si une particule n'est pas désintégrée après 5 000 ans, la probabilité qu'elle survive 10 000 années supplémentaires est la même que si elle était neuve et devait survivre 10 000 ans.
Détermination d'un quantile
Il est souvent utile de déterminer au bout de combien de temps une particule se désintègre avec une certaine probabilité (par exemple, 0,95). Cela revient à trouver la valeur t telle que P(X ≤ t) = 0,95. Cette valeur est un quantile de la distribution exponentielle.
Loi Normale : Applications en Production Industrielle
La loi normale, ou loi de Gauss, est l'une des distributions les plus importantes en statistique, car elle décrit de nombreux phénomènes naturels et industriels. Elle est caractérisée par sa moyenne (μ) et son écart-type (σ), qui déterminent sa position et sa dispersion. Par exemple, la longueur des barres de fer produites par une usine peut suivre une loi normale.
Calcul de probabilités dans un intervalle donné
Pour calculer la probabilité que la longueur d'une barre de fer soit comprise entre deux valeurs (par exemple, 4,98 m et 5,019 m), on utilise la fonction de répartition de la loi normale standardisée (après transformation en scores Z). Les tables de la loi normale ou des outils de calcul sont nécessaires pour obtenir ces probabilités.
Probabilité conditionnelle sur une loi normale
La probabilité conditionnelle peut également être appliquée à la loi normale. Si l'on s'intéresse à la proportion de barres ayant une longueur inférieure à 5,019 m, sachant qu'elles sont déjà supérieures à 5 m, cela implique de calculer la probabilité de l'intersection des deux événements, divisée par la probabilité de l'événement conditionnant.
Détermination d'un intervalle de confiance
Il est possible de déterminer un intervalle centré autour de la moyenne (μ - a, μ + a) dans lequel se trouve une certaine proportion (par exemple, 95%) des valeurs. Cette démarche est fondamentale pour l'établissement d'intervalles de confiance et le contrôle qualité en production.
Combinaison de Lois : Qualité des Composants
Dans l'industrie, la qualité des produits est cruciale. L'épaisseur des composants mécaniques, par exemple, peut suivre une loi normale. Cependant, l'analyse peut aller plus loin en considérant un lot de composants et le nombre de pièces défectueuses.
Probabilité qu'un composant soit utilisable (Loi Normale)
Si l'épaisseur des composants doit être comprise dans un intervalle spécifique (par exemple, entre 1,88 cm et 2,12 cm) pour être utilisable, la probabilité qu'un composant choisi au hasard soit utilisable est calculée à l'aide de la loi normale (moyenne μ = 2 cm, écart-type σ = 0,05 cm). Toute pièce en dehors de cet intervalle est rejetée.
Probabilité conditionnelle pour les composants utilisables
Si un composant est déjà choisi parmi les utilisables, la probabilité qu'il ait une épaisseur inférieure à une certaine valeur (par exemple, 2,05 cm) est une probabilité conditionnelle, calculée sur l'intervalle des composants utilisables.
Distribution du nombre de composants inutilisables (Loi Binomiale et son approximation)
Lorsqu'on sélectionne un lot de n composants, le nombre de composants inutilisables (Y) suit une loi binomiale. Le paramètre n est la taille de l'échantillon, et le paramètre p est la probabilité qu'un seul composant soit inutilisable (calculée précédemment via la loi normale).
Pour des échantillons de grande taille (n élevé), la loi binomiale peut être approximée par une loi normale. Cette approximation simplifie les calculs de probabilité, comme celle d'avoir au plus un certain pourcentage de composants inutilisables, en particulier lorsque n est égal à 200 ou 350. Une correction de continuité est souvent appliquée pour améliorer la précision de cette approximation.
Foire aux Questions (FAQ)
Qu'est-ce qu'une variable aléatoire continue ?
Une variable aléatoire continue est une variable dont les valeurs possibles sont infinies et peuvent prendre n'importe quelle valeur dans un intervalle donné. Contrairement aux variables discrètes (qui ont un nombre fini ou dénombrable de valeurs), la probabilité d'une valeur exacte est nulle, et on calcule plutôt la probabilité que la variable se situe dans un intervalle.
Comment la loi exponentielle est-elle utilisée pour modéliser une durée de vie ?
La loi exponentielle est idéale pour modéliser la durée de vie d'entités (composants, particules, etc.) qui n'ont pas de mémoire de leur âge passé. Cela signifie que la probabilité qu'elles "survivent" une période future ne dépend pas du temps qu'elles ont déjà vécu, ce qui est une caractéristique clé de certains phénomènes physiques comme la désintégration radioactive ou les pannes de systèmes sans usure.
Quand utilise-t-on une approximation normale pour une loi binomiale ?
On utilise l'approximation normale pour une loi binomiale lorsque le nombre d'essais (n) est grand et que les conditions np ≥ 5 et n(1-p) ≥ 5 sont remplies (où p est la probabilité de succès). Cette approximation simplifie les calculs de probabilité pour de grands échantillons, en transformant le problème de la loi binomiale (discrète) en un problème de loi normale (continue), souvent avec une correction de continuité pour améliorer la précision.