Séminaire de Statistique

Transcription

1 Master 1 - Economie & Management Séminaire de Statistique Support (2) Variables aléatoires & Lois de probabilité R. Abdesselam /2014 Faculté de Sciences Economiques et de Gestion Université Lumière Lyon 2, Campus Berges du Rhône Rafik.abdesselam@univ-lyon2.fr

2 Différents types de variables aléatoires Variable aléatoire Discrète Finie ou infinie dénombrable de valeurs généralement entières Continue Infinité de valeurs réelles

3 Exemples Variable aléatoire discrète Nombre fini ou infini de valeurs, généralement entières Exemple 1 : Nombre d entreprises défaillantes n ayant pas remboursé leurs émissions obligataires ces 15 dernières années ( ) Valeurs possibles : 0, 1, 2, 3 Exemple 2 : Nombre de pièces prélevées jusqu à l obtention d une pièce défectueuse Valeurs possibles : 1, 2, 3, 4,.

4 Exemples Variable aléatoire continue Nombre infini de valeurs réelles Exemple 1 : Rendements de l indice CAC40 Valeurs possibles : IR = ]-, + [ ou un intervalle de IR Exemple 2 : Cours du titre France Telecom Valeurs possibles : IR+ = [ 0, + [

5 Loi de probabilité Loi de probabilité d une v.a.r. Discrète (finie ou infinie) - Distribution de probabilité : ( x i ; p i = P(X = x i ) ) (Diagramme en bâtons) Loi de probabilité d une v.a.r. Continue n (+ ) - Fonction de répartition : F(x) = P(X x) = p i i = 1 (Courbe en escaliers) - Fonction densité de probabilité : ( x ; f(x) ) (Courbe de la fonction densité f ) x - Fonction de répartition : F(x) = P(X x) = f(x) dx - (Courbe de la fonction de répartition F) F est la primitive de la fonction densité f de X.

6 Lois de probabilité usuelles Discrète Loi de probabilité Loi Hypergéométrique Loi Binomiale Loi de Poisson Continue Normale Log-Normale Exponentielle

7 Caractéristiques d une variable aléatoire Espérance mathématique Variance V(X) = E(X) = n (+ ) n (+ ) p i x i i = 1 + x f(x) dx - p i ( x i E(X) )² i = 1 E(X²) E(X)² v.a.r. discrète v.a.r. continue v.a.r. discrète + ( x E(X) )² f(x) dx - Ecart-type : x = V(X) v.a.r. continue CV : x / E(X)

8 Propriétés Si X est une variable aléatoire Alors Y = a X b est une variable aléatoire ( a, b constantes non nuls ) Espérance mathématique : E(Y) = E(aX b) = E(aX) E(b) = a E(X) b Variance mathématique : V(Y) = V(aX b) = V(aX) V(b) = a² V(X) 0

9 Exemples d application Soit f : IR IR la fonction définie par : ke x si x < 0 f(x) = x si 0 x 1 0 si x > 1 Déterminer la valeur de la constante k pour que f soit une densité de probabilité d une v.a.r. absolument continue X. Conditions à vérifier : Exemple de fonction densité de probabilité 1) x IR f(x) 0 : si x < 0 alors k e x 0 k 0 ; si 0 x 1 alors f(x) = x 0 si x > 1 alors f(x) = ) f(x) dx = 1 : f(x) dx = k e x dx + x dx + 0 dx = k [e x ] [x²/2] = k (1 0) + (1/2) (1-0) = 1 = k + 1/2 = 1 k = 1/2. e x /2 si x < 0 Fonction densité de probabilité f : IR IR f(x) = x si 0 x 1 0 si x > 1 9

10 Exemples d application Exemple de fonction de répartition Déterminer la fonction de répartition F de la v.a.r. X continue, caractérisée par sa fonction densité de probabilité f : IR IR e x /2 si x < 0 f(x) = x si 0 x 1 0 si x > 1 x x 0 1 x Si x > 1 : F(x) = P(X x) = f(x) dx = e x /2 dx + x dx + 0 dx x Si x < 0 : F(x) = P(X x) = f(x) dx = e x /2 dx = (1/2) [e x ] - = (1/2) (e x 0) = e x /2 - - x 0 x Si 0 x 1 : F(x) = P(X x) = f(x) dx = (e x /2) dx + x dx = (1/2) [e x ] - + [x²/2] 0 x = (1/2) (1 0) + (1/2) (x² - 0) = (1/2) + (1/2) x² = (1 + x²) /2 = (1/2) [e x ] [x²/2] = (1/2) (1 0) + (1/2) (1-0) = 1 x 0 e x /2 si x < 0 Fonction de répartition F : IR IR F(x) = (1 + x 2 ) / 2 si 0 x 1 1 si x > 1 10

11 Espérance mathématique Exemples d application Calculer l espérance mathématique de la v.a.r. X 1) discrète et finie caractérisée par sa distribution de probabilité : x i P i = P(X = x i ) F(x) = P(X x ) 0 p 0 = 1/4 p 0 = 1/4 1 p 1 = 1/2 p 0 + p 1 = 3/4 2 p 2 = 1/4 p 0 + p 1 + p 2 = 1 2 p i x i = (1/4)x0 + (1/2)x1 + (1/4)x2 = 3/4. i = 0 2) Continue, caractérisée par sa fonction de répartition F : e x /2 si x < 0 F(x) = (1 + x 2 ) / 2 si 0 x 1 1 si x > 1 fonction densité de probabilité f : e x /2 si x < 0 f(x) = x si 0 x 1 0 si x > E(X) = x f(x) dx = (x e x )/2 dx + x 2 dx + x.0 dx = - 1/ Intégration par parties 11

12 Variance mathématique Exemples d application Calculer la variance de la v.a.r. X dans les 2 cas de l'application précédente. 1) discrète et finie caractérisée par sa distribution de probabilité : x i P i = P(X = x i ) F(x) = P(X x i ) 0 p 0 = 1/4 p 0 = 1/4 1 p 1 = 1/2 p 0 + p 1 = 3/4 2 p 2 = 1/4 p 0 + p 1 + p 2 = 1 E(X) = 3/4 2 E(X²) = p i x i 2 = (1/4)x0 2 + (1/2)x1 2 + (1/4)x2 2 = 5/4 i = 0 V(X) = E(X²) E(X)² = (5/4) (3/4)² = 11/16. 2) Continue, caractérisée par sa fonction de répartition F : e x /2 si x < 0 fonction densité de probabilité f : F(x) = (1 + x 2 ) / 2 si 0 x 1 1 si x > 1 e x /2 si x < 0 f(x) = x si 0 x 1 0 si x > E(X) = - 1/6 ; E(X 2 ) = x 2 f(x) dx = (x 2 e x )/2 dx + x 3 dx + x 2.0 dx = 5/ V(X) = E(X²) E(X)² = (5/6) (-1/6)² = 11/9. 12

13 Variable aléatoire réelle centrée réduite V.A.R. Centrée et réduite Si E(X) = 0 alors la v.a.r. X est dite centrée. Si x = 1 alors la v.a.r. X est dite réduite. On pose Y = X - E(X), Y est la v.a.r. centrée associée à la v.a.r. X. En effet, E(Y) = E [(X E(X)] = E(X) E(E(X)) = E(X) E(X) = 0 L espérance mathématique est un opérateur linéaire. X - E(X) On pose U =, U est la v.a.r. centrée réduite associée à X ( x 0). x En effet, E(U) = E [(X E(X))/ x ] = (E(X) E(X) / x = 0 V(U) = V [(X E(X))/ x ] = (1/ x 2 ) V [X E(X)] = (1/ x 2 ) V(X) = 1 13

14 Paramètres Loi de probabilité discrète finie Loi Binomiale X B( n ; p ) n : Nombre de répétitions ( mêmes conditions ) d une expérience à 2 résultats «événements» possibles. Taille de l échantillon p : Probabilité de l un des 2 événements possibles q = 1 - p : Probabilité de l autre événement possible

15 Loi de probabilité discrète finie Loi Binomiale X B( n ; p ) Distribution de probabilité Fonction Excel : LOI.BINOMIALE( x i ; n ; p ; FAUX) Caractéristiques p i = P(X = x i ) = C n x i E(X) = n p pour tout x i = 0, 1, 2,...,n p x i (1 - p) n - x i V(X) = npq = np(1 p) Représentation graphique : Diagramme en bâtons

16 Loi Binomiale X B( n ; p ) Fonction de répartition Fonction Excel : LOI.BINOMIALE( x i ; n ; p ; VRAI ) Propriété : F(x) = P( X x ) = P(X = x i ) { x i / x i x } Représentation graphique :: Courbe en escaliers Si X B( n 1 ; p) et Y B( n 2 ; p) deux v.a.r. aléatoires indépendantes alors : Alors S = X + Y B( n 1 + n 2 ; p )

17 Exemples d application Exemple d application 1 : D après un représentant de la compagnie aérienne Lyon Air, 15% des clients réservent un siège en première classe. Parmi les 10 prochaines réservations, - Quelle est la loi de probabilité suivie par la v.a.r. X associée au nombre de clients qui réservent en 1 ère classe parmi les 10 prochaines réservations. X B (n = 10, p = 0.15) ; P(X = k) = C 10 k p k (1-p) 10-k k = 0,1,,10 - Quelle est la probabilité qu'aucune personne ne réserve en première classe? P(X = 0) = C = = 19.69% - Quelle la probabilité d'avoir exactement une réservation en première classe? P(X = 1) = C = 34.74% - Quelle est la probabilité d'avoir au plus une réservation en première classe? P(X 1) = F(1) = P(X = 0) + P(X = 1) = 54.43% - Quelle est la probabilité d'avoir plus une réservation en première classe? P(X > 1) = 1 - P(X 1) = 1 - F(1) = 45.57% 17

18 Exemples d application Exemple d application 1 : X : nombre de clients qui réservent en 1 ère classe parmi les 10 prochaines réservations. X B (n = 10, p = 0.15) - Quelle est la probabilité d'avoir un nombre de réservations en première classe compris entre la moyenne plus ou moins un écart-type? E(X) = np = 1.5 ; V(X) = npq = et X = 1.13 P[ E(X) - X X E(X) + X ] = P( 0.37 X 2.63 ) = P(X = 1) + P(X = 2) = 62.33% - Parmi ces 10 prochaines réservations, quel est le nombre le plus probable de réservations en première classe? x i p i F(x) 0 0, , , , , , , , , , , , , , , , ,3326E-06 0, ,2677E-07 0, ,7665E-09 1 Mode = 1 : c est le nombre de réservations en 1 ère classe le plus probable parmi les 10 prochaines réservations : P(X = 1) = 34.74% Médiane = 1 : F(1) = 54.43% 18

19 F(x) = P(X <= x) p i = P(X = x i ) Exemples d application 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% Diagramme en bâtons - Distribution de probabilité "Nombre de clients qui réservent en 1 ère classe parmi les 10 prochaines réservations 20% 35% 28% 13% 4% 1% 0% 0% 0% 0% 0% x i : nombre de clients qui réservent en 1 ère classe Courbe en escalier - Fonction de répartition 100% 75% 50% 25% 0% xi : nombre de clients qui réservent en 1ère classe 19

20 Exemples d application Exemple d application 2 : Une société de location de voitures a calculé que la probabilité qu'une de ses voitures louées ait un accident dans une journée est de l'ordre de 3% ( la probabilité qu'une voiture louée ait plus d'un accident par jour est supposée nulle ). Les accidents sont supposés indépendants les uns des autres. Chaque jour, 20 voitures de la société sont en circulation. On notera par X : '' Le nombre d'accidents par jour enregistré par cette société '' a) Quelle est la probabilité d'observer, parmi les 20 voitures en circulation, qu'un accident dans la journée? b) Quelle est la probabilité d'observer, parmi les 20 voitures en circulation, jusqu'à 2 accidents dans la journée? c) Quelle est la probabilité d'observer, parmi les 20 voitures en circulation, plus de 2 accidents dans la journée? d) Quelle est la probabilité d'observer, parmi les 20 voitures en circulation, de 1 à 2 accidents dans la journée? e) Quelle est en moyenne, le nombre d'accidents par jour que peut enregistrer cette société?

21 Loi de probabilité discrète infinie dénombrable Loi de Poisson X P( ) Loi des événements rares : (assurance : sinistres, accidents, files d attente, etc.) Distribution de probabilité Fonction Excel : LOI.POISSON( x i ; ; FAUX) p i = P(X = x i ) = e - x i / x i! pour tout x i = 0, 1, 2,...,+ Caractéristiques : E(X) = V(X) = Représentation graphique : Diagramme en bâtons

22 Loi de Poisson X P( ) Fonction de répartition Fonction Excel : LOI.POISSON( x i ; ; VRAI ) Propriété : F(x) = P( X x ) = P(X = x i ) { x i / x i x } Représentation graphique : Courbe en escalier Si X P( 1 ) et Y P( 2 ) deux v.a.r. aléatoires indépendantes alors : Alors S = X + Y P( )

23 Exemples d application Exemple d application 1 : Le responsable d'une compagnie d'assurances a effectué une compilation du nombre de sinistres qui se sont produits ces dernières années. Ceci a permis d'établir que le taux moyen de sinistres enregistrés par la compagnie a été de 2,5 sinistres par jour. En admettant que le nombre de sinistres en une journée obéit à la loi de Poisson, X : le nombre de sinistres / jour ; E(X) = = 2.5 sinitres / jour X P ( = 2.5 ) ; P(X = k) = e k / k! k = 0, 1,, + - Quelle est la probabilité que cette compagnie n enregistre aucun sinistre dans la journée? P(X = 0) = e / 0! = e -2.5 = 8.21% - Quelle est la probabilité que cette compagnie enregistre plus de 3 sinistres par jour? P(X > 3) = 1 P(X 3) = 1 F(3) = 1 [ P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) ] = = 24.24% - Sur une période d'une année, quel est vraisemblablement le nombre de jours où la compagnie n'a enregistré aucun sinistre? 1 année = 365 jours ; 365 x P(X = 0) = 365 x 8.21% = jours 1 mois 23

24 Probabilité P(X = k) Exemples d application Exemple d application 1 : - Calculer la probabilité d'avoir un nombre de sinistres compris entre le taux moyen de sinistres plus ou moins un écart-type. E(X) = V(X) = = 2.5 ; X = V(X) = 1.58 P[ E(X) - X < X < E(X) + X ] = P[ < X < ] = P( 0.92 < X < 4.08 ) = P(X = 1) + P(X = 2) + P(X = 3) + P(X = 4) = 80.91% - Quel est le nombre de sinistres par jour le plus probable et quelle est sa probabilité? Mode = 2 ; P(X = 2) = 25.65% - Représenter graphiquement la distribution de probabilité de X. 0,3 Distribution de probabilité du nombre d'accidents / jour 0,25 0,2 0,15 0,1 0, k : nombre d'accidents / jour 24

25 Exercice d application Le responsable d'une compagnie d'assurances a effectué une compilation du nombre de sinistres qui se sont produits ces dernières années. Ceci a permis d'établir que le taux moyen de sinistres enregistrés par la compagnie a été de 2,5 sinistres par jour. On associera à la variable aléatoire X : '' Le nombre de sinistres/jour enregistré par cette compagnie ''. En admettant que le nombre de sinistres en une journée obéit à la loi de Poisson, a) Quelle est la probabilité que cette compagnie enregistre plus de 3 sinistres par jour? b) Sur une période d'une année, quel est vraisemblablement le nombre de jours où la compagnie n'a enregistré aucun sinistre? c) Calculer la probabilité d'avoir un nombre de sinistres compris entre le taux moyen de sinistres plus ou moins un écart-type. d) Sachant que le coût moyen de l'indemnisation d'un sinistre est de l'ordre de 15 M, calculer la probabilité que la compagnie ait à débourser plus 80 M par jour?

26 Approximation X B( n ; p ) Conditions d approximation : Si n 30, p 10% et n p 5 Alors X P( = n p ) Plus la taille d échantillon n est grande et plus la probabilité p est petite, meilleure sera l approximation

27 X Loi de probabilité continue Loi de probabilité continue Normale, log-normale, Exponentielle, etc Fonction densité de probabilité + Conditions : f(x) 0 et f(x) dx = 1 pour tout x IR - Fonction de répartition Propriété : F(x) = P(X x) = f(x) dx x - pour tout x IR P( a < X < b) = P( a X b) = F(b) F(a) = P( a X < b) = P( a < X b)

28 Loi de probabilité continue Loi normale X N( m ; ² ) Fonction densité de probabilité Fonction Excel : LOI.NORMALE( x ; m ; ; FAUX) Caractéristiques : 1 f(x) = exp{- [(x m)/ ]² / 2} 2 pour tout x ] -, + [ = IR E(X) = m et V(X) = ² Représentation graphique : Courbe en cloche centrée en m

29 Loi de probabilité continue Loi normale X N( m ; ² ) Fonction de répartition Fonction Excel : LOI.NORMALE( x ; m ; ; VRAI ) x F(x) = P(X x) = f(x) dx - pour tout x ] -, + [ = IR Représentation graphique F(- ) = 0 Courbe bornée 1 = F(+ ) Fonction inverse Fonction Excel : LOI.NORMALE.INVERSE( F(x) ; m ; ) x =? connaissant F(x) = P(X x)

30 Courbe en cloche Aire sous la cloche = 1 Caractéristiques d une loi normale Fonction densité de probabilité N( m ; ² ) 0,2 0,18 0,16 0,14 0,12 0,1 0,08 0,06 0,04 0,02 50% m- m m+ + x 50% 1/ 2 Axe de symétrie (parfaite) Fonction paire : f(-x) = f(x) Mode = Médiane = m Coefficient d asymétrie = 0 x F(x) = P(X x) = f(x) dx - Fonction de répartition N( m ; ² ) 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 F(m) = P(X m) = 1/ m + x 30

31 Caractéristiques d une loi normale Remarques 0,2 0,15 0,1 0,05 Distributions normales m 1 < m2 & 1 = 2 Distributions normales m 1 = m 2 & 2 > 1 0,2 0,15 0,1 0, CV 1 < CV 2 la distribution 2 est plus homogène que la distribution Plus la variance est élevée, plus la courbe sera aplatie Propriétés 3) La somme ou la différence de 2 lois normales indépendantes suit une loi normale. X 1 N(m 1 ; 1 ²) S = X 1 + X 2 N( m 1 + m 2 ; ( 1 ²+ 1 ² )² ) X 2 N(m 2 ; 2 ²) X 1 et X 2 indépendantes D = X 1 - X 2 N( m 1 - m 2 ; ( 1 ²+ 1 ² )² ) 31

32 Loi de probabilité continue Loi normale : fonction densité de probabilité X N( ; ² )

33 Loi de probabilité continue Loi normale : fonction de répartition

34 Loi de probabilité continue Loi normale centrée réduite U = (X m)/ N( 0 ; 1 ) Fonction de répartition Fonction Excel : LOI.NORMALE.STANDARD( u ) u F(u) = P(U u) = f(u) du - pour tout u ] -, + [ = IR Fonction inverse Fonction Excel : LOI.NORMALE.STANDARD.INVERSE( F(u) ) u =? connaissant F(u) = P(U u)

35 Caractéristiques d une loi normale centrée réduite : Fonction densité de probabilité N( 0 ; 1 ) 0,2 Courbe en cloche 1/ 2 Aire sous la cloche = 1 0,15 0,1 Symétrie - Fonction paire : f(-u) = f(u) Points d inflexion : u = -1 et u = 1 + 1/2 = (1/ 2 ) e -u²/2 du 50% 0,05 50% = P(U 0) = (0) = 1/ u (0) = 1/2 : Fonction de répartition N( 0 ; 1 ) 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 (u) = P(U u) (valeurs tabulées) (-u) = 1 - (u) Point d inflexion : u = 0 ; (0) = 1/ u 35

36 Table statistique de la loi normale centrée-réduite : N(0, 1) Fonction de répartition de la loi normale centrée réduite : U N( 0, 1). Probabilité de trouver une valeur inférieure à u. (u) = P(U u) ; (-u) = P(U - u) = 1 - (u) u Exemples : P(U 1.26) = (u) (1.26) = 89.62% P(U ) = (-1.51) = 1 - (1.51) = = 6.55% 36

37 Exemples d application Exemple d application 1 : 1- Usage de la table N(0, 1) : Soit X une v.a.r. qui suit une N(5, 4²). a) Calculer les probabilités suivantes : P(X 10), P(X > 2) et P(2 < X 10). F(10) = P(X 10) = P[ (X-m)/ (10 5)/4 ] = P(U 5/4) = (1.25) = = 89.44%. P(X > 2) = 1 - P(X 2) = 1 - P[ (X-m)/ (2 5)/4 ] = P(U -3/4) = (-0.75) = 1 - (0.75) = = 22.66%. P(2 < X 10) = P[ (2 5)/4 < (X-m)/ (10 5)/4 ] = P(-0.75 < U 1.25) = (1.25) - (-0.75) = (1.25) - (1 - (0.75)) = (1.25) + (0.75) 1 = = 66.78%. b) Déterminer x de telle sorte que F(x) = P(X x) = 0,77 ; F(x) = P(X x) = 0,39 x =? / P(X x ) = 0.77 P[(X-m)/ (x 5)/4 ) = P(U (x 5)/4 ) = 0.77 [(x 5)/4] = (u) = 0.77 cf. table N(0;1) u = (x 5)/4 = x = 4 x = x =? / P(X x ) = 0.39 P[(X-m)/ (x 5)/4 ) = P(U (x 5)/4 ) = 0.39 [(x 5)/4] = (u) = 0.39 [- (x 5)/4 ] = (- u) = 1 - (u) = = u = - (x 5)/4 = x = 5-4 x =

38 Exemple d application 1 : Exemples d application 2- Soit X N(m, ²), déterminer la probabilité des intervalles suivants : [m - ; m + ] ; [m - 1,96 ; m + 1,96 ] ; [m - 2,58 ; m + 2,58 ]. P(m - X m + ) = P[ -1 (X-m)/ 1 ] = P(- 1 < U 1) = P(- 1 < U 1) = (1) - (-1) = (1) - (1 - (1)) = 2 (1) 1 = 2 x = 68.26%. P(m 1.96 X m ) = P[ (X-m)/ 1.96 ] = P( < U 1.96) = P( < U 1.96) = 2 (1.96) 1 = 2 x = 95%. P(m 2.59 X m ) = P[ (X-m)/ 2.58 ] = P( < U 2.58) = P( < U 2.58) = 2 (2.58) 1 = 2 x = 99%. 38

39 Exemple d application 1 : Exemples d application 2- Soit X N(m, ²), déterminer la probabilité des intervalles suivants : [m 1 ; m + 1 ] ; [m 1.96 ; m ] ; [m 2.58 ; m ]. P(m 1 X m + 1 ) = 68.26% P(m 1.96 X m ) = 95% P(m 2.58 X m ) = 99% U N( 0 ; 1) f(u) u 68.26% 95% 99% 39

40 Exemples d application Exemple d application 2 : Le service comptable d'une compagnie d'assurances a évalué la montant de la cotisation annuelle d'un contrat d'assurance complémentaire proposé depuis plusieurs années, et en a établi que cette cotisation était distribuée normalement avec une moyenne m = 500 et un écart-type = 50. On notera par X : '' Le montant de la cotisation annuelle des assurés'' X N( m = 500 ; ² = 50² ) a) Déterminer puis interpréter la valeur du coefficient de variation du montant de la cotisation annuelle des assurés? CV% = 50 / 500 = 10% ; la distribution du montant de la cotisation est très homogène b) Quelle est la probabilité qu'un contrat d'assurance, choisi au hasard, ait une cotisation annuelle inférieure à 440? P(X 440 ) = P[ U ( ) / 50 ] = P(U -1.2) = (-1.2) = 1 - (1.2) = = 11.51%. c) Quelle est la probabilité qu'un contrat d'assurance, choisi au hasard, ait une cotisation annuelle supérieure à 560? P(X > 560 ) = P[ U > ( ) / 50 ] = P(U > 1.2) = 1 - P(X 1.2 ) = 1 - (1.2) = = 11.51%. 40

41 Exemples d application Exemple d application 2 : X : '' Le montant de la cotisation annuelle des assurés'' X N( m = 500 ; ² = 50² ) d) Sur les 3600 assurés de cette compagnie, combien auront une cotisation annuelle comprise entre 440 et 560? P(440 < X 560) = P[ ( )/50 < U ( )/50 ] = P(-1.2 < U 1.2) = (1.2) - (-1.2) = 2 (1.2) - 1 = 2 x = 76.98%. Nombre d assurés : 76.98% x3600 = assurés. e) 25% des contrats de cette compagnie, ont une cotisation annuelle inférieure ou égale à quelle valeur? x =? / P(X x ) = 0.25 P[ U (x 500)/50 ] = [u = (x 500)/50 ] = 0.25 u = (x 500)/50 = x = f) Les 10% des contrats ayant des cotisations les plus élevées, ont une cotisation supérieure à quelle valeur? x =? / P(X > x ) = 0.10 F(x) = P(X x ) = P[ U (x 500)/50 ] = 0.90 [u = (x 500)/50 ] = 0.90 u = (x 500)/50 = x =

42 Exemple d application 2 : Exemples d application X : '' Le montant de la cotisation annuelle des assurés'' X N( m = 500 ; ² = 50² ) h) Entre quelles valeurs autour de la moyenne se situe la cotisation des 95% des assurés de cette compagnie? [ m 1.96 ; m ] : [ 402 ; 598 ] En effet, P(-x < X - m x ) = P(-x < X - m x ) = 0.95 = P[ -x / 50 < U x / 50 ] = (x/50) - (-x/50) = 2 (x/50) - 1 = 0.95 (x/50) = u = x/50 = 1.96 x = 98. i) En supposant que l écart-type reste inchangé, à quel montant moyen doit être fixée la cotisation de sorte que seulement 5% des assurés auront une cotisation annuelle supérieure à 564,08? m* =? / P(X > ) = 0.05 P(X ) = 0.95 = P[ U ( m*)/50 ] [u = ( m*)/50 ] = 0.95 u = ( m*)/50 = m* =

43 Approximations Discrète finie Continue Si X B( n ; p ) Conditions d approximation : n 30, np 15 et n pq > 5 Alors X N( m = n p ; ² = n pq ) Discrète infinie Continue X P( ) Conditions d approximation : Si > 20 Alors X N( m = ; ² = )

44 Loi de probabilité continue Loi log-normale Y LN( m x ; x ² ) 1 g(y) = exp{-[(lny m x )/ x ]² / 2} pour tout y > 0 y x 2 = f( lny ) / y Si lny = X N( m x ; x ² ) Fonction densité de probabilité Fonction Excel : LOI.NORMALE( lny ; m x ; x ; FAUX) / y

45 Loi de probabilité continue Loi log-normale Y LN( ; ² )

46 Domaines d application Loi de probabilité continue Loi exponentielle X Exp( ) Industrie, génie industriel, recherche opérationnelle ( file d attente, durée de service, etc. ) Exemple : Durée de vie d un composant électronique Analyse de la fiabilité du composant afin de mesurer son aptitude à fonctionner sans défaillance. Paramètres : taux moyen de défaillance du composant = 1/ : Moyenne des Temps de Bon Fonctionnement Temps moyen entre défaillances

47 Loi de probabilité continue Loi exponentielle X Exp( ) Fonction densité de probabilité : Fonction Excel : LOI.EXPONENTIELLE( x ; ; FAUX) f(x) = e - x si x 0 0 sinon Caractéristiques : E(X) = 1 / et V(X) = 1 / ² Représentation graphique : Courbe exponentielle

48 Fonction de répartition : Loi de probabilité continue Loi Exponentielle X Exp( ) Fonction Excel : LOI.EXPONENTIELLE( x ; ; VRAI) F(x) = P(X x) = 1 - e - x si x 0 0 sinon F(- ) = 0 Courbe bornée 1 = F(+ )

49 Exemple d application 1 : Exemples d application Un composant électronique a une durée de vie qui est distribuée selon une loi exponentielle dont la durée de vie moyenne est de 500 heures. - Quelle est alors la valeur du paramètre? Que représente ce paramètre dans ce contexte? X : la durée de vie d un composant électronique ; E(X) = 500 = 1/ = 1/500 = X Exp ( = 0.002) ; f(x) = e - x si x 0 ; f(x) = 0 sinon F(x) = 1 - e - x si x 0 ; F(x) = 0 sinon = 1/500 = composant / h, il représente le taux moyen de défaillance - Quelle est la probabilité qu un composant ait une durée inférieure à 250 heures? P(X < 250) = F(250) = 1 e -250/500 = 39.35% - Quelle est la probabilité qu un composant ait une durée inférieure à la durée de vie moyenne? P(X < E(X) = 500) = F(500) = 1 e -500/500 = 1 e -1 = 63.21% - Sur 1000 composants, combien auront vraisemblablement une durée de vie supérieure à 345 heures? P(X > 345) = 1 P(X 345) = 1 - F(345) = 1 e -345/500 = 50.20% Sur 1000 composants 502 composants qui auront une durée de vie supérieure à 345 h. 49

50 F(x) f(x) Exemples d application 0,0025 0,002 0,0015 Densité de probabilité Durée de vie d'un composant électronique 0,001 0, x : durée de vie en heures 1 Fonction de répartition Durée de vie d'un composant électronique 0,8 0,6 0,4 0, x : durée de vie en heures 50

51 Exemple d application 1 : Exemples d application X : la durée de vie d un composant électronique ; E(X) = 500 = 1/ = 1/500 = si x < 0 0 si x < 0 X Exp ( = 0.002) ; f(x) = F(x) = 0.002e x si x e x si x 0 -Quelle est la probabilité qu un composant ait une durée vie comprise entre 250 et 500 heures? P(250 < X < 500) = F(500) F(250) = 63.21% % = 23.86% - Quelle est la probabilité qu un composant ait une durée de vie inférieure à 500 heures sachant qu il a duré plus de 250 heures? P (X > 250) (X < 500) = P[(X < 500)/(X > 250)] = P[(X < 500) (X > 250)] / P(X > 250) = P(250 < X < 500) / [1 - P(X 250)] = [F(500) F(250)] / [1 F(250)] = / = 39.34% 51

52 Exemple d application 2 : Exemples d application Dans un magasin de pièces détachées, le temps nécessaire pour servir des clients est distribué selon une loi exponentielle avec une durée moyenne de service de 5 minutes par client. Quelle est alors la valeur du paramètre lambda? X : la durée de service d un client ; X Exp ( = 0.2) E(X) = 1/ = 1/E(X) = 1/5 = 0.2, il représente le taux moyen de service f(x) = 0.2e -0.2x si x 0 F(x) = 1 - e -0.2x si x 0 0 si x < 0 0 si x < 0 - Quelle est la probabilité que la durée de service soit supérieure à 6 minutes? P(X > 6) = 1 - P(X 6) = 1 - F(6) = e -0.2x6 = 30.12% Comprise entre 3 et 8 minutes? P(3 < X < 8) = F(8) F(3) = (1 e -0.2x8 ) - (1 e -0.2x3 ) = 34.69% Inférieure à 8 minutes sachant qu elle est supérieure à 3 minutes? P (X > 3) (X < 8) = P[(X < 8) / (X > 3)]= P[(X < 8) (X > 3)] / P(X > 3) = P(3 < X < 8) / P(X > 3) = [F(8) F(3)] / [1 P(X 3) ] = [F(8) F(3)] / [1 F(3)] = / e -0.2x3 = 63.21% - Est-ce exacte de dire qu il y a 50% de chances pour que la durée de service d un client soit inférieure à la durée moyenne de service? Non, P(X < E(X) = 5) = F(5) = 1 e -0.2x5 = 63.21% (loi asymétrique à gauche) 52

53 Exemple d application 3 : Exemples d application Un fabricant de moniteur-vidéo veut déterminer la période de garantie qu il devrait associer aux tubes-écran qu il commercialise. Des essais en laboratoire ont indiqué que la durée de vie utile (en années) de ce composant est distribué selon une loi exponentielle avec un taux moyen de défaillance de 0,20 tube/an. - Quelle est la durée de vie moyenne des tubes? X : la durée de vie (en années) d un tube-écran ; X Exp ( = 0.2 ) E(X) = 1/ = 5 ans ; durée de vie moyenne d un tube - Quelle est la probabilité qu un tube opère sans défaillance pour une période excédant sa durée de vie espérée? P(X > E(X) = 5) = 1 - P(X 5) = 1 - F(5) = e -0.2x5 = 36.79% - 50% des tubes fonctionnent sans défaillance pendant combien de temps? x =? / P(X > x ) = 50% 1 P(X x) = 1 F(x) = 50% F(x) = 1 - e -0.2 x = 0.5 e -0.2x = 0.5 ln e -0.2 x = ln x = ln 0.5 x = - ln 0.5 / 0.2 = 3,47 3 ans et demi. On veut donner une période de garantie à ces tubes ; toutefois, on ne veut pas remplacer plus de 18% de tubes au cours de cette période de garantie. Quelle devrait être la période de garantie? x =? / P(X x ) 18% F(x) = 1 - e -0.2 x 0,18 e -0.2x 0.82 ln e -0.2 x ln x ln 0.82 x - ln 0.82 / 0.2 = ans. 53