Trouver des contenus d'apprentissage
Fonctionnalités
Découvrir
Si tu lances un dé, il y a une probabilité égale que le résultat soit \(1\) ou \(2\) ou \(3\) ou n'importe quel autre chiffre sur le dé. Il s'agit d'une situation qui peut être modélisée par une loi uniforme. Dans ce résumé de cours, nous présenterons d'abord la loi uniforme discrète. Par la suite, nous expliquerons ce qu'est une densité de probabilité, afin d'expliciter la loi uniforme continue. Après, nous montrerons comment calculer l'espérance et la variance de la loi uniforme. Pour terminer, nous résumerons des formules utiles concernant la loi uniforme.
Des millions de fiches spécialement conçues pour étudier facilement
Inscris-toi gratuitement
Achieve better grades quicker with Premium
Geld-zurück-Garantie, wenn du durch die Prüfung fällst
Review generated flashcards
Commence à apprendre ou crée tes propres flashcards d'IA
Équipe enseignants Loi uniforme
Considérons une variable aléatoire \(X\) qui ne prend qu'un nombre fini de valeurs. Elle suit une loi uniforme discrète lorsqu'il y a une probabilité égale que \(X\) soit n'importe quelle valeur.
Une variable aléatoire \(X\) suit une loi uniforme discrète si elle prend les valeurs \(x_1, x_2, ... , x_n\) et pour \(i \in {1, 2, ... n}\), nous avons \[\mathbb{P}(X = x_i) = \frac{1}{n}\]
Si tu lances un dé normal, tu ne peux obtenir qu'un nombre fini de valeurs et la probabilité d'obtenir n'importe quelle valeur est la même. La valeur obtenue suit donc une loi uniforme discrète, avec la probabilité de chaque issue étant \(\frac{1}{6}\).
Pour expliciter la loi uniforme continue, nous devons d'abord (re)voir des notions sur les densités de probabilité.
Une densité de probabilité, aussi appelée fonction de densité, caractérise certaines lois de probabilité. En particulier, elle permet de calculer la probabilité qu'une variable aléatoire à densité soit dans un certain intervalle. Considère une variable aléatoire \(X\) caractérisée par une densité de probabilité \(f\). Soient \(c, d \in \mathbb{R} \cup \{-\infty, +\infty\}\), tels que \(c \leq d\). Nous avons alors \[\mathbb{P}(c \leq X \leq d) = \int_c^d f(x) dx\] Nous utilisons la densité de probabilité pour calculer l'espérance et la variance d'une variable aléatoire également. Si la densité de probabilité est définie sur un intervalle \([a,b]\), alors : \[\mathbb{E}[X] = \int_a^b xf(x) dx\] \[Var(X) = \mathbb{E}[X^2] - \mathbb{E}[X]^2 = \int_a^b x^2f(x) dx - \left( \int_a^b xf(x) dx \right) ^2\] Nous appliquerons ces concepts à la loi uniforme continue.
Alors qu'une loi uniforme discrète prend un nombre fini de valeurs, une loi uniforme continue peut prendre une infinité de valeurs. Le concept global reste le même : chaque issue a une probabilité égale d'arriver.
Soient \(a\) et \(b\) des nombres réels tels que \(a < b\). Une variable aléatoire suit une loi uniforme continue sur un intervalle \([a,b]\) si sa densité de probabilité est \(f(x) = \frac{1}{b - a}\).
Pour déterminer la probabilité que la variable soit dans un certain intervalle, nous devons intégrer la fonction de densité.
Soit \(X\) une variable aléatoire suivant une loi uniforme continue entre \(1\) et \(5\). Peux-tu déterminer la probabilité que \(X\) soit entre \(2{,}5\) et \(4{,}5\) ?
\(\mathbb{P}(2{,}5 \leq X \leq 4{,}5) \)
\(= \int_{2{,}5}^{4{,}5} \frac{1}{5 - 1} dx\)
\(= \int_{2{,}5}^{4{,}5} \frac{1}{4} dx\)
\(= \left[ \frac{t}{4} \right]_{2{,}5}^{4{,}5} \)
\(= \left[ \frac{4{,}5 - 2{,}5}{4} \right] \)
\(= \frac{1}{2} \)
Nous pouvons également en déduire une formule simple pour déterminer une probabilité de ce type. Soient \(c\) et \(d\) deux réels tels que \(a \leq c < d \leq b\). La probabilité que \(X\) appartienne à l'intervalle \([c,d]\) est :
\(\mathbb{P}(c \leq X \leq d)\)
\(=\int_c^d \frac{1}{b - a} dx\)
\(=\left[ \frac{t}{b - a} \right]_{d}^{c} \)
\(=\frac{d-c}{b - a}\)
La méthode pour calculer l'espérance d'une loi uniforme continue utilise une approche similaire.
Pour calculer l'espérance d'une loi uniforme continue, nous devons remplacer sa densité de probabilité dans la formule pour l'espérance. Détaillons ce calcul. Soit \(X\) une variable aléatoire qui suit une loi uniforme continue sur \([a,b]\).
\(\mathbb{E}[X] \)
\( = \int_a^b x \frac{1}{b - a} dx\)
\( = \left[ \frac{x^2}{2(b - a)} \right]_a^b\)
\( = \frac{b^2}{2(b - a)} - \frac{a^2}{2(b - a)} \)
\( = \frac{b^2 - a^2}{2(b - a)} \)
\( = \frac{(b- a)(b+a)}{2(b - a)} \)
\( = \frac{b+a}{2} \)
Pour te souvenir de cette formule, tu peux te dire qu'il s'agit de la moyenne des bornes de l'intervalle.
Considère une variable aléatoire \(X\) qui suit une loi uniforme continue sur \([1,7]\). Peux-tu calculer l'espérance de \(X\), \(\mathbb{E}[X]\) ?
\(\mathbb{E}[X] = \frac{(1+7)}{2} = 4\)
L'espérance de cette variable aléatoire est donc \(4\).
Calculer la variance d'une loi uniforme nécessite un peu plus de travail, mais reste relativement simple.
Pour calculer la variance d'une loi uniforme continue, nous devons remplacer sa densité de probabilité dans la formule pour la variance, à savoir \(Var(X) = \mathbb{E}[X^2] - \mathbb{E}[X]^2 \). Comme nous avons calculé l'espérance d'une loi uniforme dans la section précédente, la majorité du travail reste dans la détermination de \(\mathbb{E}[X^2]\). Nous considérons \(X\), une variable aléatoire qui suit une loi uniforme continue sur \([a,b]\).
\(\mathbb{E}[X^2]\)
\(= \int_a^b x^2 \frac{1}{b - a} dx\)
\(= \left[ \frac{x^3}{3(b - a)} \right]_a^b\)
\(= \frac{b^3}{3(b - a)} - \frac{a^3}{3(b - a)} \)
\(= \frac{b^3 - a^3}{3(b - a)}\)
\(= \frac{(b - a)(b^2 - ab + a^2)}{3(b - a)}\)
\(= \frac{b^2 - ab + a^2}{3}\)
Nous pouvons alors substituer cette valeur dans la formule pour la variance.
\(Var(X)\)
\(= \mathbb{E}[X^2] - \mathbb{E}[X]^2 \)
\(= \frac{b^2 - ab + a^2}{3} - \left(\frac{(b+a)}{2} \right)^2 \)
\(= \frac{b^2 - ab + a^2}{3} - \frac{b^2 + 2ab + a^2}{4} \)
\(= \frac{4(b^2 - ab + a^2)}{12} - \frac{3(b^2 + 2ab + a^2)}{12} \)
\(= \frac{b^2 - 2ab + a^2}{12}\)
\(= \frac{(b- a)^2}{12}\)
Dans le calcul de la variance, nous avons utilisé plusieurs identités remarquables. N'hésite pas à consulter notre résumé de cours sur la factorisation pour rafraîchir tes connaissances à ce sujet.
Considère une variable aléatoire \(X\) qui suit une loi uniforme continue sur \([-4,8]\). Peux-tu calculer la variance de \(X\), \(Var(X)\) ?
\(Var(X) = \frac{(8- (-4))^2}{12}\)
\(Var(X) = \frac{12^2}{12} = 12\)
La variance de cette variable aléatoire est donc \(12\).
Tu as pu probablement constater qu'il y a beaucoup de formules en lien avec la loi uniforme. Dans la prochaine section, nous résumons les principales formules que tu devras utiliser.
Voici un résumé des formules que nous utilisons habituellement lorsque nous travaillons avec la loi uniforme.
| Description | Formule |
| Densité de la loi uniforme continue sur \([a,b]\) | \(f(x) = \frac{1}{b - a}\) |
| Fonction de répartition de la loi uniforme continue | \(F(x) = \frac{x-a}{b - a}\), pour \(x \in [a,b]\) |
| Espérance de la loi uniforme continue | \(\mathbb{E}[X] = \frac{b+a}{2}\) |
| Espérance de la loi uniforme discrète avec \(n\) issues | \(\mathbb{E}[X] = \frac{n+1}{2}\) |
| Variance de la loi uniforme continue | \(Var(X) = \frac{(b- a)^2}{12}\) |
| Variance de la loi uniforme discrète avec \(n\) issues | \(Var(X) = \frac{n^2 - 1}{12}\) |
Inscris-toi gratuitement pour accéder à toutes nos fiches.
C'est quoi une probabilité uniforme ?
En mathématiques, nous n'utilisons pas l'expression « probabilité uniforme », mais nous parlons plutôt de loi uniforme, où chaque issue a une probabilité égale d'arriver.
Comment simuler une loi uniforme ?
Pour simuler une loi uniforme, nous pouvons utiliser des logiciels de programmation tels que Python, Julia, et MatLab. Ces outils ont des instructions spécifiques pour générer des nombres aléatoires selon certaines lois de probabilité, notamment la loi uniforme.
Comment savoir si une loi est uniforme ?
Il s'agit d'une loi uniforme si chaque issue a une probabilité égale d'arriver.
Comment utiliser la loi uniforme ?
Pour utiliser la loi uniforme discrète, il faut connaître le nombre d'issues possibles et appliquer les formules pertinentes. Dans le cas d'une loi uniforme continue, il faut plutôt connaître dans quel intervalle se trouvent les issues.
Pourquoi utiliser la loi uniforme ?
Nous utilisons des lois uniformes pour modéliser des situations simples où chaque issue a une probabilité égale d'arriver. Nous pouvons également utiliser la loi uniforme pour faire des simulations numériques avancées.
At StudySmarter, we have created a learning platform that serves millions of students. Meet the people who work hard to deliver fact based content as well as making sure it is verified.
Lily Hulatt is a Digital Content Specialist with over three years of experience in content strategy and curriculum design. She gained her PhD in English Literature from Durham University in 2022, taught in Durham University’s English Studies Department, and has contributed to a number of publications. Lily specialises in English Literature, English Language, History, and Philosophy.
Get to know Lily
Gabriel Freitas is an AI Engineer with a solid experience in software development, machine learning algorithms, and generative AI, including large language models’ (LLMs) applications. Graduated in Electrical Engineering at the University of São Paulo, he is currently pursuing an MSc in Computer Engineering at the University of Campinas, specializing in machine learning topics. Gabriel has a strong background in software engineering and has worked on projects involving computer vision, embedded AI, and LLM applications.
Get to know Gabriel
Resumes 
Flashcards 
StudySmarter IA 
Notes de cours 
Planning de révision 
Dossiers 
Examens 
Magazine 
Faire carrière 
App mobile