Vous êtes sur la page 1sur 95

DENOMBREMENT CALCUL DE PROBABILITES

Exercice 1. ARRANGEMENTS.
Une tlvision prive dcide d'opter pour le systme de programmes page en utilisant des dcodeurs commands par des codes huit chiffres. a) Donner le nombre d'abonns potentiels puis le nombre d'abonns avec code composs de huit chiffres diffrents. b) Calculer le nombre de codes 2 chiffres diffrents, l'un tant utilis 1 fois et l'autre 7 fois. c) Mme question avec 3 chiffres diffrents, dont 2 sont utiliss une fois et le troisime 6 fois.

SOLUTION. 1. Nombre d'arrangements avec rptitions de dix lments huit huit.


Un abonn potentiel correspond un code possible, c'est--dire une suite de huit chiffres, chacun tant pris parmi les 10 chiffres possibles { 0 , 1 , 2 , 3 , 4 , 5 , 6 , 7 , 8 , 9 }. Il y a 10 faons de choisir le premier chiffre, 10 faons de choisir le deuxime chiffre, etc., 10 faons de choisir le huitime chiffre, soit au total 10 10 ... 10 = 108 faons de choisir un code. Il y a donc 108 abonns potentiels ayant chacun un code diffrent.

2. Nombre d'arrangements sans rptition de dix lments huit huit.


Un abonn avec code compos de huit chiffres diffrents correspond une suite de huit chiffres diffrents pris parmi les dix chiffres possibles { 0 , 1 , 2 , 3 , 4 , 5 , 6 , 7 , 8 , 9 }. Il y a 10 faons de choisir le premier chiffre, 9 faons de choisir le deuxime chiffre, etc., 3 faons de choisir le huitime chiffre, soit au total 10 9 ... 3 = 1 10 ! abonns potentiels ayant chacun un code 814 400 faons de choisir un code. Il y a donc 1 814 400 = (10 8) ! diffrent compos de huit chiffres diffrents.

3. Nombre de codes de deux chiffres diffrents, l'un utilis une fois, l'autre sept fois.
2 Il y a A10 =

= 90 faons de choisir deux chiffres diffrents parmi les dix chiffres possibles, lorsque le (10 2) ! premier chiffre n'apparatra qu'une fois et le deuxime chiffre sept fois. Pour chaque choix de deux chiffres

10 !

diffrents, le premier chiffre peut occuper l'une quelconque des C 1 8 = 8 places dans le code, d'o le nombre de codes de deux chiffres diffrents, l'un utilis une seule fois et l'autre sept fois : 10 ! 2 A10 C1 8 = 720 8 = 8!

4. Nombre de codes de 3 chiffres diffrents, dont 2 utiliss une fois et le 3e six fois.
3 Il y a A10 = 720 faons de choisir le chiffre qui sera utilis 6 fois et les deux chiffres qui ne seront utiliss qu'une fois. Pour chaque choix de trois chiffres, le deux chiffres qui ne sont utiliss qu'une fois peuvent 2 3 2 tre placs de C 8 = 28 faons dans le code. Il y a donc au total A10 C8 = 20 160 codes possibles de ce type.

Exercice 2. COMBINAISONS.
Neuf personnes se prsentent la mdecine du travail pour passer la visite annuelle. Deux mdecins les reoivent. Le premier verra 5 personnes, le second 4. 1. De combien de faons diffrentes les neuf personnes peuvent-elles tre rparties entre chaque mdecin ? 2. Il y a 4 personnes portant des lunettes. De combien de faons diffrentes peut-on raliser cette rpartition, sachant que chaque mdecin verra 2 personnes portant des lunettes ? 3. De plus, on veut que M. Durand qui porte des lunettes et M. Dupond qui n'en porte pas, soient examins par le mme mdecin. Combien de rpartitions sont possibles ?

SOLUTION.
1. Nombre de faons de rpartir 4 personnes pour un mdecin et 5 pour l'autre.
1 Il y a C 4 9 = 126 faons de choisir 4 personnes parmi les 9, et C 2 = 2 faons de choisir le mdecin qui recevra 4

personnes, soit, au total, mdecins.

1 C4 9 C 2 = 252 faons de rpartir les 9 personnes en groupes de 4 et de 5 entre les

2. Nombre de faons dont chaque mdecin peut voir 2 personnes lunettes.


2 Il y a C 1 2 = 2 faons de choisir le mdecin qui recevra 4 personnes. Parmi les 4 personnes lunettes, il y a C 4 = 2 6 faons d'en choisir 2 pour le mdecin qui recevra 4 personnes. Parmi les 5 personnes sans lunette, il y a C 5 = 10 faons de choisir les 2 autres personnes qui seront vues par le mdecin qui recevra 4 personnes. Il y a donc au total : 2 2 C1 2 C 4 C 5 = 2 6 10 = 120 faons dont les 2 mdecins peuvent voir chacun deux personnes lunettes.

3. Nombre de faons dont MM. Durand et Dupond peuvent tre vus par le mme mdecin.
Si MM Durand, lunettes, et Dupond, sans lunettes, sont vus par le mdecin qui voit 4 malades, dont 2 lunettes, il y a
1 C1 3 = 3 faons de choisir un autre patient lunettes et C 4 = 4 faons de choisir un autre patient 1 sans lunettes, soit C 1 3 C 4 = 12 faons de choisir un groupe de 4 personnes dont 2 lunettes, contenant MM

Durand et Dupond. Si MM Durand, lunettes, et Dupond, sans lunettes, sont vus par le mdecin qui voit 5 malades, dont 2 lunettes, il y a
2 C1 3 = 3 faons de choisir un autre patient lunettes et C 4 = 6 faons de choisir un autre patient 2 sans lunettes, soit C 1 3 C 4 = 18 faons de choisir un groupe de 5 personnes dont 2 lunettes, contenant MM

Durand et Dupond. Comme, par ailleurs, il y a 2! = 2 faons, pour les mdecins de se rpartir les groupes de 4 et 5 personnes, cela fait au total : 2! ( 12 + 18 ) = 60 faons dont MM Durand et Dupond peuvent tre examins ensemble.

Exercice 3. COMBINAISONS.
L'preuve orale de statistique et probabilits d'un DEUG est organise en lots de 3 sujets tirs au sort parmi 80 sujets portant sur ce cours. L'tudiant doit traiter un des sujets de son choix. 1/ Combien d'preuves diffrentes peut-on organiser ? 2/ Un candidat se prsente en n'ayant rvis que 50 sujets. Quelle est la probabilit pour qu'il puisse traiter : a) les 3 sujets, b) deux sujets, c) un sujet, d) aucun sujet. 3/ Combien de sujets un tudiant doit-il rviser pour avoir une probabilit au moins gale 0,99 de rpondre au moins un sujet ?

SOLUTION.
1. Nombre possible d'preuves diffrentes.
C'est le nombre de faons de choisir 3 sujets parmi 80, sans tenir compte de l'ordre :
3 C 80 = 82 160

2. Probabilits relatives un tudiant n'ayant rvis que 50 sujets.


3 Le nombre de cas possibles est C 80 = 82 160.

a) Le nombre de cas favorables est le nombre des combinaisons des 50 sujets rviss, 3 3 : probabilit pour que l'tudiant tombe sur 3 sujets qu'il a rvis est donc : C3 = 19600 = 245 0,24 P(3) = 50 3 82160 1027 C80 b) Le nombre de cas favorables est sur 2 sujets qu'il a rviss est donc :
2 C 50 C1 30

3 C 50 = 19 600. La

= 1225 30 = 36750. La probabilit pour que l'tudiant tombe

2 C50 C1 30 = 36750 = 3675 0,45 3 82160 8216 C80 1 2 c) Le nombre de cas favorables est C 50 C 30 = 50 435 = 21750. La probabilit pour que l'tudiant tombe sur

P(2) =

un sujet, et un seul, qu'il a rvis, est : P(1) = d) Le nombre de cas favorables est qu'il a rviss est :
2 C1 50 C30 3 C80

21750 2175 = 0,26 82160 8216

C3 30

= 4060. La probabilit pour que l'tudiant tombe sur aucun des sujets

P(0) =

C3 30 3 C80

4060 203 = 0,05 82160 4108

3. Nombre de sujets rviser pour avoir une probabilit 0,99 de tomber sur un sujet rvis.
Soit x le nombre de sujets rviser : on doit avoir P(0) =
3 C80 x 3 C80 3 3 0,01, donc C 80 x 821,60, soit x = 62. ( C18 = 816 ).

Exercice 4. PROBABILITES.
Une tude de la population d'une grande ville de province a fait apparatre que pendant un mois : 35 % des personnes sont alles au cinma, 12 % des personnes sont alles au muse, 6 % des personnes sont alles aux deux. Calculer la probabilit que, pendant ce mois, une personne ait fait les choix suivants : a) Aller au cinma ou au muse, b) Ne pas aller au cinma, c) N'aller ni au cinma, ni au muse, d) Aller au cinma mais pas au muse.

SOLUTION.
Les rsultats de l'tude peuvent tre prsents sous forme de tableau : Sont alles au muse Sont alles au cinma Ne sont pas alles au cinma Total 6% Ne sont pas alles au muse Total 35 %

12 %

Les cases vides du tableau peuvent tre compltes par diffrence : Sont alles au muse Sont alles au cinma Ne sont pas alles au cinma Total 6% 6% 12 % Ne sont pas alles au muse 29 % 59 % 88 % Total 35 % 65 % 100 %

Ce tableau montre que : 59 % des personnes ne sont alles ni au cinma, ni au muse, donc, par diffrence, 41 % sont alles au cinma ou au muse. 65 % des personnes ne sont pas alles au cinma. 29 % sont alles au cinma mais ne sont pas alles au muse.

Exercice 5. PROBABILITES.
Dans un laboratoire se trouve une cage avec 100 souris prsentant deux caractres : sexe (mle ou femelle ), couleur (blanche ou noire) ; 87 sont mles, 57 sont blanches et 55 sont mles et blanches. 1/ Donner l'effectif par catgorie. 2/ Une assistante prend une souris au hasard. Calculer la probabilit pour qu'elle obtienne une souris blanche ou une souris mle. 3/ Elle dcide de choisir 6 souris. Calculer la probabilit qu'elle obtienne 6 souris blanches si les prlvements sont raliss : a) avec remise b) sans remise

SOLUTION.
1. Tableau des effectifs.
Les quatre donnes de l'nonc permettent de remplir le tableau des effectifs, suivant les caractres. Blanche Noire Total Mle 55 32 87 Femelle 2 11 13 Total 57 43 100

2. Probabilit de tirer une souris blanche ou mle.


Soit B = La souris est blanche M = La souris est mle P ( B M ) = P ( B ) + P ( M ) - P ( B M ) = 0,57 + 0,87 - 0,55 = 0,87 + 0,02 = 0,89.

3. Probabilit de tirer 6 souris blanches dans un tirage avec remise.


Dans un tirage, la probabilit de tirer une souris blanche est P ( B ) = 0,57. Dans 6 tirages indpendants, la probabilit de tirer 6 souris blanches est P ( 6 B ) = ( 0,57 )6 = 0,034296447249 3,43 10-2.

4. Probabilit de tirer 6 souris blanches en 6 tirages sans remise.


Pour n = 1 6, quand on a dj tir n - 1 souris blanches, la probabilit de tirer une souris blanche au n-ime 57 ( n 1 ) tirage est . La probabilit de tirer 6 souris blanches en 6 tirages successifs sans remise est alors le 100 ( n 1 ) produit des probabilits : 57 56 55 54 53 52 P(6B)= 3,04 10-2. 100 99 98 97 96 95 6 Cette probabilit peut tre calcule en faisant le rapport du nombre de cas favorables C 57 au nombre de cas
6 possibles C100 : 6 C57 6 C100

P(6B)=

36288252 2067 = = 0,030441826215 3,04 10-2. 1192052400 67900

Exercice 6.
On veut tudier linfluence de lordre de la prise de trois mdicaments sur lefficacit dun traitement constitu par ces trois produits. De combien de faons possibles peut-on organiser ce traitement ?

SOLUTION.
Le nombre de traitements possibles est le nombre de permutations dun ensemble trois lments, qui est aussi le nombre de bijections dun ensemble trois lments : cest 3 !, factorielle 3, qui vaut 3 2 1 = 6. Il y a 6 faons possibles dorganiser le traitement. On peut numrer facilement les six faons possibles dorganiser le traitement avec trois produits A, B, C : (A, B, C) (A, C, B) (B, C, A) (B, A, C) (C, A, B) (C, B, A).

Exercice 7.
Soit lensemble des chiffres de 0 9 inclus. Combien peut-on former de nombres de cinq chiffres, tous distincts, avec les dix chiffres de lensemble ? (On rappelle quun nombre de cinq chiffres commenant par un 0 est considr comme un nombre de quatre chiffres).

SOLUTION.
1e mthode.
Il y a A 9 = 9 faons de choisir le premier chiffre parmi les chiffres de 1 9. Une fois le premier chiffre choisi, il y a A 9 = 9 8 7 6 = 3 024 faons de choisir les 4 chiffres suivants. Au total, il y a 9 3 024 = 27 216 nombres de 5 chiffres diffrents ne commenant pas par un 0. 27 216 nombres de 5 chiffres diffrents ne commencent pas par un 0.
4 1

2e mthode.
Il y a 9 faons de choisir le premier chiffre diffrent de 0. Il y a 9 faons de choisir le deuxime chiffre parmi les 9 chiffres restant aprs le choix du premier chiffre. Il y a 8 faons de choisir le 3e chiffre parmi les 8 chiffres restant aprs le choix des deux premiers chiffres. Il y a 7 faons de choisir le 4e chiffre parmi les 7 chiffres restant aprs le choix des trois premiers chiffres. Il y a 6 faons de choisir le 5e chiffre parmi les 6 chiffres restant aprs le choix des quatre premiers chiffres. Au total, nous obtenons 9 9 8 7 6 = 27 216 nombres de 5 chiffres diffrents ne commenant pas par un 0. 27 216 nombres de 5 chiffres diffrents ne commencent pas par un 0.

3e mthode.
Il y a A10 = 10 9 8 7 6 = 30 240 faons de choisir 5 chiffres diffrents parmi les 10 chiffres de 0 9, et de les ordonner pour faire un nombre de 5 chiffres. Il y a A 9 = 9 8 7 6 = 3 024 nombres ayant quatre chiffres diffrents de 0 et diffrents entre eux. Ces A 9 sont en correspondance biunivoque avec les nombres de 5 chiffres diffrents commenant par un 0. Il y a donc A10 A 9 = 30 240 3 024 = 27 216 nombres de 5 chiffres diffrents ne commenant pas par un 0. 27 216 nombres de 5 chiffres diffrents ne commencent pas par un 0.
5 4 4 4 5

4e mthode.
Il y a A10 = 10 9 8 7 6 = 30 240 faons de choisir 5 chiffres diffrents parmi les 10 chiffres de 0 9, et de les ordonner pour faire un nombre de 5 chiffres. Pour chacun de ces 30 240 nombres possibles, il y a une chance sur 2 pour quil y ait un 0, puisque lon prend 5 chiffres sur 10. Parmi les nombres contenant un 0, il y a une chance sur 5 pour que le 0 soit soit plac au dbut, puisque les nombres ont 5 chiffres. Donc, parmi les 30 240 1 1 1 nombres possibles, il y a une chance sur 10 ( = ) pour que le nombre commence par un 0, et 9 chances 2 5 10 sur 10 pour quil ne commence pas par un 0. Il y a donc 0,9 30 240 = 27 216 nombres de 5 chiffres diffrents ne commenant pas par un 0.
5

27 216 nombres de 5 chiffres diffrents ne commencent pas par un 0.

Exercice 8.
On dispose de cinq antibiotiques efficaces pour traiter une maladie infectieuse. On a vrifi au laboratoire que les cinq produits sont galement actifs in vitro sur le microbe, mais on ne peut pas donner plus de deux antibiotiques la fois. Combien y a-t-il de traitements possibles en associant deux antibiotiques ?

SOLUTION.
Il y a C 5 =
2

5 4

1 2 ligne de compte.

= 10 traitements utilisant 2 antibiotiques si lordre de la prise des mdicaments nentre pas en

10 traitements possibles comprenant deux des cinq antibiotiques utilisables. Il est facile dnumrer les traitements possibles en notant A, B, C, D, E les antibiotiques : { A, B } { A, C } { A, D } { A, E } { B, C } { B, D } { B, E } { C, D } { C, E } { D, E }.

Exercice 9.
Une urne contient dix boules (6 blanches et 4 rouges). On tire au hasard et successivement deux boules de cette urne. Calculer, dans le cas o le tirage est effectu avec remise, puis dans le cas o le tirage est effectu sans remise, les probabilits suivantes : probabilit pour que les deux boules soient blanches, probabilit pour que les deux boules soient de mme couleur, probabilit pour que l'une au moins des boules tires soit blanche.

SOLUTION.
A. Tirage avec remise.
Dans ce cas, les preuves sont indpendantes et les probabilits sont les mmes dans les deux tirages successifs. Dans un tirage, la probabilit d'une boule blanche est gale au nombre de cas favorables (6), divis par le nombre de cas possibles (10), c'est donc 0,6.

1. Probabilit pour que les deux boules soient blanches.


Notons B 1 l'vnement : " La boule tire dans le premier tirage est blanche ". Notons B 2 l'vnement : " La boule tire dans le deuxime tirage est blanche ". On a : P (B 1 ) = 0,6 P (B 2 ) = 0,6 P (B 1  B 2 ) = P (B 1 ) P (B 2 ) (relation traduisant l'indpendance en probabilit). On en dduit la valeur de la probabilit de l'vnement B 1  B 2 : " La boule tire dans le premier tirage est blanche et la boule tire dans le deuxime tirage est blanche ". P (B 1  B 2 ) = P (B 1 ) P (B 2 ) = 0,6 = 0,36. La probabilit pour que les deux boules tires soient blanches est 0,36.

2. Probabilit pour que les deux boules soient de la mme couleur.


Soient B 1 l'vnement : " La boule tire dans le premier tirage est blanche ", B 2 l'vnement : " La boule tire dans le deuxime tirage est blanche ", l'vnement : " La boule tire dans le premier tirage est rouge ", l'vnement : " La boule tire dans le deuxime tirage est rouge ". On a : P (B 1 ) = 0,6 P (B 2 ) = 0,6 P( ) = 1 P (B 1 ) = 0,4 P ( ) = 1 P (B 2 ) = 0,4 L'vnement C : " Les boules tires lors des deux tirages successifs sont de mme couleur " peut tre crit : C = (B 1  B 2 ) s ( Or les vnements B 1  B 2 et indique alors que l'on a :
 

sont incompatibles, leur intersection est vide. L'axiome des probabilits totales

P ( C ) = P (B 1  B 2 ) + P (

P ( C ) = P (B 1  B 2 ) + P ( ) = P ( B 1  B 2 ) + 1 P (B 1 s B 2 ) P ( C ) = P ( B 1 ) P (B 2 ) + 1 ( P (B 1 ) + P ( B 1 ) P ( B 1  B 2 ) ) = 1 + 2 P (B 1 ) P ( B 2 ) P ( B 1 ) P ( B 2 ) P ( C ) = 1 + 2 0,6 0,6 0,6 0,6 = 1,72 1,20 = 0,52. La probabilit pour que les deux boules tires soient de mme couleur est 0,52. On aurait pu crire aussi = (B 1  )s( L'axiome des probabilits totales donne : P ( ) = P (B 1  )+P(
 B 2 ), qui est aussi la runion de deux vnements incompatibles.

 B 2 ) = P (B 1 ) P (

)+P(

) P (B 2 ) = 0,6 0,4 + 0,4 0,6 = 0,48

P ( C ) = 1 P ( ) = 0,52.

3. Probabilit pour que l'une au moins des boules tires soit blanche.
Soit B l'vnement : " L'une au moins des boules tires est blanche ". L'vnement complmentaire boules tires sont rouges ", = P( )=P(
 

est : " Les deux

)=P(

)P(

) = ( 1 P (B 1 ))( 1 P (B 2 )) = ( 1 0,6) ( 1 0,6) = 0,16 ) = 1 0,16 = 0,84

P ( B) = 1 P (

La probabilit pour que l'une au moins des boules tires soit blanche est 0,84.

B. Tirage exhaustif (sans remise).


Dans ce cas, la probabilit de tirer une boule blanche dans le premier tirage est P (B 1 ) = 0,6. Mais la probabilit de tirer une boule blanche dans le deuxime tirage dpend de la boule tire au premier tirage : Si la premire boule tire est blanche : P ( B 2 | B 1 ) = , sinon P ( B 2 | )= .

1. Probabilit pour que les deux boules tires soient blanches.


La dfinition des probabilit conditionnelles donne : P (B 1  B 2 ) = P ( B 1 ) P ( B 2 | B 1 ) = =

La probabilit pour que les deux boules tires soient blanches est

2. Probabilit pour que les deux boules tires soient de la mme couleur.
Comme prcdemment, l'vnement C : " Les boules tires lors des deux tirages successifs sont de mme couleur " peut tre crit : C = (B 1  B 2 ) s ( Or les vnements B 1  B 2 et indique alors que l'on a :
 

sont incompatibles, leur intersection est vide. L'axiome des probabilits totales

P ( C ) = P (B 1  B 2 ) + P (

La diffrence vient de l'expression des probabilits du deuxime membre puisque les tirages ne sont pas indpendants : P (B 1  B 2 ) = P ( B 1 ) P ( B 2 | B 1 ) = P(


)=P(

)P(

) = ( 1 P (B 1 )) ( 1 P ( B 2 |


)) = ( 1 0,6) ( 1 =

)=

P ( C ) = P (B 1  B 2 ) + P (

)=

La probabilit pour que les deux boules soient de mme couleur est

3. Probabilit pour que l'une au moins des boules soient blanches.


Soit B l'vnement : " L'une au moins des boules tires est blanche ". L'vnement complmentaire boules tires sont rouges ", = P( )=P(
 

est : " Les deux

. )= =

P (B) = 1 P ( ) = 1

La probabilit pour que l'une au moins des boules tires soit blanche est

Exercice 10.
Les cultures de tissus vgtaux peuvent tre infectes soit par des champignons, soit par des bactries. La probabilit d'une infection par un champignon est 15 %. La probabilit d'infection par une bactrie est 8 %. 1/ Quelle est la probabilit d'une infection simultane par champignons et bactries, dans le cas o les infections sont indpendantes, dans le cas o les infections n'tant pas indpendantes, la probabilit d'infection par les bactries quand on a une infection par les champignons est gale 4 %. 2/ Calculer la probabilit d'infection quelle qu'en soit l'origine (dans les deux cas proposs ci-dessus).

SOLUTION.
Nous noterons : B l'vnement : " La culture est infecte de bactries ", C l'vnement : " La culture est infecte de champignons ". Donnes : % C Total B P ( B c C) 8 92 Total 15 85 100

1. Probabilit d'infection simultane par champignons et bactries.


1.1. Infections indpendantes. On cherche la probabilit de l'vnement B c C. Par dfinition de l'indpendance en probabilit, on a : P (B c C) = P ( B ) P ( C ) = 0,08 0,15 = 0, 012 La probabilit d'une infection simultane par champignons et bactries est 1,2 %. 1.2. Champignons scrtant un antibiotique. P (B c C) = P ( C ) P ( B | C ) = 0,15 0,04 = 0, 006 La probabilit d'une infection simultane par bactries et champignons est 0,6 %.

2. Probabilit d'une infection.


On cherche la probabilit de l'vnement B  C. 2.1. Infections indpendantes. P (B  C) = P (B) + P ( C ) P ( B c C ) = 0,080 + 0,150 0,012 = 0,218 La probabilit d'une infection par bactries ou champignons est 0, 218. 2.2. Champignons scrtant un antibiotique. P (B  C) = P (B) + P ( C ) P ( B c C ) = 0, 080 + 0, 150 0, 006 = 0, 224 La probabilit d'une infection par bactries ou champignons est 0, 224.

Exercice 11.
Pour garantir l'anonymat dans certaines enqutes par sondage, on introduit le hasard dans les rponses possibles. Admettons que l'on cherche savoir quelle est la proportion de mdecins ayant pratiqu illgalement l'avortement. On demande alors chaque mdecin interrog de se retirer dans son cabinet et de jouer pile ou face de la faon suivante : S'il obtient pile, il doit rpondre, sincrement, la question : " Avez-vous un jour pratiqu un avortement illgal ? S'il obtient face, il doit rejouer et rpondre, toujours aussi sincrement, la question : " Avez-vous obtenu face au deuxime tirage ? Ainsi le mdecin donne une seule rponse, " Oui " ou " Non ", mais l'enquteur ne sait pas s'il a rpondu la premire ou la deuxime question. Supposons que la proportion de " Oui " ait t de 41 % . Quelle est la proportion de mdecins ayant pratiqu un avortement illgal ?

SOLUTION.
Notons F 1 l'vnement : " On obtient face au premier tirage du jeu de pile ou face ", F 2 l'vnement : " On obtient face au deuxime tirage du jeu de pile ou face ", A l'vnement : " Le mdecin a pratiqu un avortement illgal ", Oui l'vnement : " Le mdecin a rpondu Oui l'enqute ". On connat : P (F 1 ) = P ( F 2 ) = 0,5 et les vnements F 1 et F 2 sont indpendants. P (Oui) = 0,41 On cherche calculer P (A) = P (Oui | ) Oui = (Oui  F 1 )  (Oui  Comme les vnement (Oui  F 1 ) et (Oui  )

) sont incompatibles, l'axiome des probabilits totales donne :

P (Oui) = P (Oui  F 1 ) + P (Oui  ) P (Oui  F 1 ) = P (F 1 ) P (Oui | F 1 ) = P (F 1 ) P (F 2 | F 1 ) = P (F 1 ) P (F 2 ) P (Oui  ) = P ( ) P (Oui | ) = ( 1 P (F 1 )) P (A ) P (Oui) = P (F 1 ) P (F 2 ) + ( 1 P (F 1 )) P (A ) P (A ) = = = 0,32

La proportion de mdecins ayant pratiqu un avortement illgal est de 32 %.

PROBABILITES CONDITIONNELLES INDEPENDANCE EN PROBABILITE


Exercice 12.
Un nouveau vaccin a t test sur 12500 personnes ; 75 d'entre elles, dont 35 femmes enceintes, ont eu des ractions secondaires ncessitant une hospitalisation. 1/ Sachant que ce vaccin a t administr 680 femmes enceintes, quelle est la probabilit qu'une femme enceinte ait eu ne raction secondaire si elle reoit le vaccin ? 2/ Quelle est la probabilit qu'une personne non enceinte ait une raction secondaire ?

SOLUTION.
1. Probabilit de raction secondaire pour une femme enceinte vaccine.
Les donnes de l'nonc peuvent tre prsentes dans un tableau : Femme enceinte Personne non enceinte Total Ractions secondaires 35 75 Pas de raction secondaire Total 680 12500

et ce tableau peut tre complt par diffrences : Femme enceinte Personne non enceinte Total Ractions secondaires 35 40 75 Pas de raction secondaire 645 11780 12425 Total 680 11820 12500

35 femmes enceintes sur 680 prsentent une raction secondaire ncessitant une hospitalisation. La probabilit de 35 7 = 5,1 10-2. raction secondaire pour une femme enceinte est donc 680 136

2. Probabilit de raction secondaire pour une personne non enceinte vaccine.


Le tableau prcdent montre que 40 personnes non enceintes vaccines sur 11 820 prsentent une raction secondaire ncessitant une hospitalisation. La probabilit de raction secondaire pour une personne non enceinte 40 2 est donc = 3,4 10-3. 11820 591

Exercice 13.
La population des USA en 1980, classe par rgion, rpondu de la faon suivante un sondage sur son attitude face la lgislation de la marijuana : (noter que la somme des proportions est gale 100 %) Rgion Est Autres rgions Pour 7,8 % 18,2 % Contre 22,2 % 51,8 %

1/ Quelle est la probabilit pour quun individu choisi au hasard soit pour la lgislation ? 2/ Quelle est la probabilit pour quun individu de la Rgion Est soit pour la lgislation ? 3/ Peut-on dire que les vnements Appartenir la Rgion Est et Etre pour la lgislation de la marijuana sont indpendants ?

SOLUTION.
1. Probabilit pour quun individu choisi au hasard soit pour la lgislation.
On peut complter le tableau des donnes par les proportions marginales : Pour Rgion Est Autres Rgions Total 7,8 % 18,2 % 26,0 % Contre 22,2 % 51,8 % 74,0 % Total 30 % 70,0 % 100,0 %

Dans ce tableau, on voit que 26 % des individus sont pour la lgislation de la marijuana : la probabilit pour quun individu tir au hasard dans la population soit pour la lgislation de la marijuana est donc P (Pour) = 0,26

2. Probabilit pour quun individu de la rgion Est soit pour la lgislation.


Par dfinition de la probabilit conditionnelle : P (Pour | Est) =

P( Pour Est ) P( Est )

7 ,8 % 30,0 %

= 0, 26

P (Pour | Est) = 0,26

3. Indpendance en probabilit de deux vnements.


Les vnements Est et Pour sont indpendants en probabilit si la relation suivante est vrifie : P(Pour  Est) = P(Pour) P(Est) ce qui est quivalent : P(Pour|Est) = P(Pour). Or on vient de montrer que ces deux probabilits sont gales 0,26. Donc les deux vnements sont indpendants. Appartenir la Rgion Est et Etre pour la lgislation de la marijuana sont des vnements indpendants.

Exercice 14.
Dans le cadre de la mise au point d'un alcootest, on a observ les rsultats suivants : Sujets ivres Alcootest positif Alcootest ngatif 150 10 Sujets sains 18 322

les sujets ayant t classs en sujets ivres et sains d'aprs leur alcoolmie, c'est--dire leur concentration sanguine en alcool. -1- Donner la frquence des rponses faux positifs et des rponses faux ngatifs . -2- Calculer la sensibilit et la spcificit de ce test. -3- Calculer les valeurs prdictives positive et ngative ainsi que l'efficacit du test lorsqu'il est appliqu : une population o la probabilit a priori de trouver un sujet ivre est P = 0,01 ; un soir de rveillon, une population de sujets dont la probabilit a priori d'tre ivres est P = 0,20. -4- En supposant que la spcificit prenne sa valeur maximale et que P = 0,01 : quelle valeur aurait VPP ? quelle valeur devrait avoir Sp pour que VPP > 0,50 ?

SOLUTION.
Le tableau des donnes peut tre complt par les effectifs marginaux : Sujets ivres Alcootest positif Alcootest ngatif Total 150 10 160 Sujets sains 18 322 340 Total 168 332 500

1. Frquence des faux positifs et des faux ngatifs.


Il y a, d'aprs le tableau prcdent, 18 alcootests positifs sur 340 sujets sains, soit une frquence de faux positifs de : 18 9 FP = = 5,29 10 2. 340 170 De mme, le tableau prcdent montre qu'il y a 10 alcootests ngatifs sur 160 sujets ivres, soit une frquence de faux ngatifs de : 10 1 FN = = = 6,25 10 2. 160 16

2. Sensibilit et spcificit du test.


La sensibilit Se est dfinie comme la probabilit d'obtenir un alcotest positif chez un sujet ivre : Se = P ( Alcootest positif | Sujet ivre ) = 1 - FN = 0,9375. La spcificit Sp est dfinie comme la probabilit d'obtenir un alcootest ngatif chez un sujet sain : Sp = P ( Alcootest ngatif | Sujet sain ) = 1 - FP 0,9471.

3. Valeurs prdictives positives et ngatives du test dans deux cas.


La valeur prdictive positive VPP est, par dfinition, la probabilit d'tre ivre lorsque le test est positif : VPP = P ( Sujet ivre | Alcootest positif ) =

Cette probabilit ne se calcule pas partir du tableau directement car, dans le tableau, la probabilit d'tre ivre est de = 0,32, diffrente des valeurs indiques de 0,01 et de 0,20. Il faut la calculer en fonction de la valeur de P dans la population, compte tenu des valeurs de sensibilit et de spcificit du test. VPP = VPP = VPP = VPP =

La valeur prdictive ngative VPN est la probabilit de ne pas tre ivre lorsque l'alcootest est ngatif : VPN = P ( Sujet sain | Alcootest ngatif ) = VPN = VPN = VPN = VPN =

Les valeurs de sensibilit S e et spcificit S p sont connues pour le test considr. La valeur de la prvalence P de l'ivresse dpend de la population tudie. L'efficacit Ef du test est la probabilit d'obtenir une rponse correcte du test : Ef = P ( Alcootest positif f Sujet ivre ) + P ( Alcootest ngatif f Sujet sain ) Ef = P (Alcootest positif | Sujet ivre) P (Sujet ivre) + P (Alcootest ngatif | Sujet sain) P (Sujet sain) Ef = S e P + S p ( 1 P ) = ( S e S p ) P + S p = Ef = ( S e S p ) P + S p

3.1. Pour P = 0,01 :


On trouve : VPP = = = 0,1517

VPN =

0,9993

Ef = ( S e S p ) P + S p =

= 0,9470

3.2. Pour P = 0,20 :


On trouve : VPP = = = 0,8157

VPN =

0,9838

Ef = ( S e S p ) P + S p =

= 0,9451

3.3. Remarques.
* Dans une population o la probabilit a priori P d'tre ivre est faible, le test n'a pas grande valeur pour dtecter les sujets ivres (moins d'une chance sur 6 que le sujet soit ivre si le test est positif), bien que sensibilit et spcificit du test soient leves. Le contrle de l'alcoolmie reste donc important. * Par contre, la probabilit de laisser passer un sujet ivre est trs faible ( 1 VPN = 0,0007 si P = 0,01). * VPN et VPP varient en sens inverse en fonction de P.

4. Cas o la spcificit est maximale.


La valeur maximum de S e est S e = 1. Dans ce cas, les formules tablies plus haut deviennent :

VPP =

; VPN = 1 ; Ef = P + (1 P) S p

Pour P = 0,01, on obtient : 0,1602 ; VPN = 1 ; Ef = VPP =

0,9476

Pour que VPP soit plus grand que 0,50, il faudrait que l'on ait : P > 0,50 (P + (1 S p ) (1 P)), soit P > (1 - S p ) (1 P) Sp > 1 = = 0,9899.

Exercice 15.
Dans une population prsentant une douleur abdominale, 30 % des patients ont une appendicite aigu. Parmi ces derniers, 70 % ont une temprature corporelle suprieure 37, 5 C alors que chez des patients sans appendicite, une temprature suprieure 37, 5 C est retrouve dans 40 % des cas. Pour un patient de cette population prsentant une douleur abdominale, on dfinit les vnements suivants : A : le patient prsente une appendicite aigu T : le patient a une temprature corporelle suprieure 37, 5 C. 1.On demande de calculer les probabilits suivantes : P ( A) = Rponse 1 P (T | A ) = Rponse 2 P (T | ) = Rponse 3 P( |A)= Rponse 4 P (T ) = Rponse 5 2. Pour un patient ayant une temprature suprieure 37, 5 C, calculer la probabilit "P 1" qu'il ait une appendicite aigu. P1 = Rponse 6 3. Pour un patient n'ayant pas une temprature suprieure 37, 5 C, calculer la probabilit "P 2" qu'il n'ait pas une appendicite aigu. Rponse 7 P2 = Tableau de rponses de l'exercice 15 (Rponses 1 7)

SOLUTION.
1/ Probabilits conditionnelles.
Les donnes de l'nonc permettent de construire le tableau des probabilits conjointes. Ce tableau peut tre complt par soustraction et addition. Sur ce tableau, on lit alors : P (A) = 0, 30 Rponse 1 : ABD P (T | A ) = P (T | )= = 0, 70 = 0,40 = 0,30 Rponse 2 : ABCE Rponse 3 : ACE Rponse 4 : ABD Rponse 5 : BCD

P( |A)= P (T ) = 0,49

2/ Probabilit P 1 .
P 1 = P (A | T ) = = = 0, 43 Rponse 6 : ADE

3/ Probabilit P 2.
P1 = P ( | )= = = 0,82 Rponse 7 : BCDE

Exercice 16.

Solution.
La formule de Bayes donne :

avec

1/ Tirage en deux tapes.


Les botes sont quiprobables : P (B 1 ) = P (B 2 ) = P (B 3 ) = . La formule de Bayes ci-dessus se rduit : P (B i | R ) = =

D'o :

2/ Tirage en une tape.


La probabilit P (B i ) pour que le comprim tir provienne de la bote B i est gale au nombre de cas favorables, nombre de comprims de la bote B i , divis par le nombre de cas possibles, nombre total de comprims, soit 25. P (B 1 ) = P (B 2 ) = = 0,4 = 0,2

P (B 3 ) =

= 0,4

La formule de Bayes devient : P (B i | R ) = = = 25 P (B i )

= (nombre de comprims de la bote B i )

On obtient donc :

Exercice 17.
Dans une population contenant 0,1 % de malades atteints d'une maladie " M ", on choisit une personne au hasard. Cette personne subit un test donn " T ". On suppose que l'aptitude du test dceler la maladie " M " est dfinie ainsi : sur 100 personnes atteintes de la maladie " M ", 90 auront un test positif. sur 100 personnes non atteintes de la maladie " M ", 1 personne aura un test positif. On dfinit les vnements alatoires suivants : T : " Le test considr est positif " : " Le test considr est ngatif " M : " La personne choisie au hasard est atteinte de la maladie M " : " La personne choisie au hasard n'est pas atteinte de la maladie M " . 1/ Donner les valeurs des probabilits suivantes : P (M ), P ( ), P (T | M ), P (T | ). 2/ Calculer la spcificit du test. 3/ En remarquant que l'on peut crire T = (M  T )  (  T ), calculer la probabilit pour que le test " T " soit positif. 4/ En dduire la valeur prdictive positive du test, c'est--dire la valeur de la probabilit pour que, le test tant positif, la personne choisie soit rellement atteinte de la maladie " M ". 5/ Calculer la valeur prdictive ngative et l'efficacit du test. 6/ Refaire l'exercice en supposant que la prvalence de la maladie est 10 %.

Solution
1/ Valeurs de probabilits.
Les donnes peuvent tre rsumes dans le tableau suivant :

Les probabilits demandes se lisent sur le tableau : P (M ) = P( )= = 0,1 % = 99,9 % = 90 % =1%

P (T | M ) = P (T | )=

2/ Spcificit.
Par dfinition, la spcificit du test est l'aptitude liminer les faux malades : c'est la probabilit pour que le test soit ngatif lorsque la personne n'est pas malade : Sp = P ( | )

La spcificit est ici : S p =

S p = 99 %

3/ Probabilit d'un test positif.


Le tableau :

donne la rponse : = 1,089 10 2

P (T ) =

4/ Valeur prdictive positive du test.


La valeur prdictive positive se dduit du tableau :

VPP = P (M | T ) =

= 8,3 %

5/ Valeur prdictive ngative du test.


La valeur prdictive ngative se dduit du tableau :

VPN = P (

| )=

= 99,99 %

6/ Cas d'une prvalence de 10 %.


Le tableau est alors le suivant :

Les nouvelles valeurs de probabilit se dduisent du tableau : P (M ) = 10 % P( ) = 90 % P (T | M ) = 90 % (Sensibilit) P (T | )=1%

Sensibilit (S e ) = P (T | M ) = 90,00 % Spcificit (S p ) = P ( | )= = 99,00 % = 90,91 % = 98,89 %.

Valeur prdictive positive (VPP) = P (M | T ) = Valeur prdictive ngative (VPN) = P( | )=

On peut calculer aussi : Le rapport de vraisemblance du test : k = Le risque relatif : = = = 91,82 %. = 90.

On voit donc que c'est surtout la valeur prdictive positive du test qui est augmente, ainsi que le risque relatif, lorsque la prvalence augmente.

VARIABLES ALEATOIRES DISCRETES


Exercice 18.
On place un hamster dans une cage. Il se trouve face 5 portillons dont un seul lui permet de sortir de la cage. A chaque essai infructueux, il reoit une dcharge lectrique et on le replace l'endroit initial. 1 En supposant que le hamster ne soit pas dou d'apprentissage et qu'il choisisse donc de faon quiprobable entre les 5 solutions chaque nouvel essai, dterminer la probabilit des vnements : a) le hamster sort au premier essai, b) le hamster sort au troisime essai, c) le hamster sort au septime essai. 2 Le hamster mmorise maintenant les essais infructueux et choisit de faon quiprobable entre les portillons qu'il n'a pas encore essays. On dsigne par X la variable alatoire gale au nombre d'essais effectus. a) Quelles valeurs peut prendre X ? Dterminer sa loi de probabilit. b) Dterminer lesprance mathmatique E(X) : interprter le rsultat. c) Dterminer la variance V(X).

SOLUTION.
1/ Hamster non dou d'apprentissage.
Les essais sont indpendants et, pour chaque essai, la probabilit p de tomber sur le bon portillon est la mme : 1 P ( succs ) = p = = 0,20. 5 4 A chaque essai, la probabilit qu'a le hamster de se tromper est la mme : P ( chec ) = q = 1 p = = 0,80. 5 1 a) P ( un essai ) = = 0,20. 5 b) P ( trois essais ) = P ( chec au premier essai chec au deuxime essai succs au troisime essai ) = P ( chec au premier essai ) P ( chec au deuxime essai ) P ( succs au troisime essai ) = P ( chec ) P ( chec ) P ( succs ) = q p 4 4 1 16 = = = 0,128 5 5 5 125 4 6 1 6 c) P (sept essais) = q p = = 0,0524288 5,24 10-2. 5 5 Si le hamster dispose d'un nombre infini d'essais, sa probabilit de sortir de la cage est :

P ( sortie ) = p

i=0

qi

=p

1 = 1. 1 q

A force d'essayer au hasard, le hamster est sr de sortir de sa cage ! Mais il peut mettre longtemps.

2/ Hamster dou de mmoire des checs.


a) Valeurs de X et loi de probabilit.
Comme il y a 5 portillons, le hamster est sr de pouvoir sortir de sa cage en 5 essais au maximum, puisqu'il n'essaie pas deux fois la mme mauvaise porte. Le nombre d'essais X que doit faire le hamster pour trouver le bon portillon de sortie peut prendre les valeurs 1, 2, 3, 4 et 5. C'est une variable alatoire discrte. Sa loi de probabilit s'obtient en calculant les probabilits pour que X soit gal 1, 2, 3, 4 ou 5.

Au dpart, le hamster a une chance sur 5 de trouver le bon portillon du premier coup. P (X = 1) = 0,20. Si le hamster n'a pas trouv du premier coup le bon portillon (probabilit q = chance avec une chance sur 4 de russite : P (X = 2 ) = 4 1 1 = = 0,20. 5 4 5

1 = 5

4 ), il tente nouveau sa 5

Si le hamster n'a toujours pas trouv le bon portillon au deuxime essai (probabilit tente nouveau sa chance avec une chance sur 3 de russite : P ( X = 3 ) =

4 3 3 = ), il 5 4 5

3 1 1 = = 0,20. 5 3 5 4 3 2 2 Si le hamster n'a toujours pas trouv le bon portillon au troisime essai (probabilit = ), il 5 4 3 5 2 1 1 tente nouveau sa chance avec une chance sur 2 de russite : P ( X = 4 ) = = = 0,20. 5 2 5 4 3 2 1 Si le hamster n'a toujours pas trouv le bon portillon au quatrime essai (probabilit = 5 4 3 2 1 1 ), il est assur de trouver le bon portillon au dernier essai puisqu'il n'en reste qu'un essayer : P ( X = 5 ) = = 5 5 0,20. Nous pouvons donc dresser le tableau suivant de la loi de probabilit de X : Valeurs de X = nombre d'essais xi P ( X = xi ) 1 0,20 2 0,20 3 0,20 4 0,20 5 0,20

Le hamster a la mme probabilit de pouvoir sortir de la cage au bout de 1, 2, 3, 4 ou 5 essais. La somme des probabilits des valeurs de X est bien gale 1 :

P ( X = x ) = 1.
i

i=5

i =1

b) Esprance mathmatique de X.
E(X) =

x P ( X = x ) = ( 1 + 2 + 3 + 4 + 5 ) 0,2 = 3
i i

i=5

i =1

En moyenne, le hamster trouvera la bonne porte de sortie en trois essais.

c) Variance de X.
V(X) = E (X ) - [ E(X) ] = ( 1 + 2 + 3 + 4 + 5 ) 0,2 3 = 2

Exercice 19.
Un certain jeu dpend du nombre de points X obtenus en jetant un d quilibr. 1/ Calculer la loi de probabilit de X. Calculer lesprance mathmatique E(X) et la variance V(X). 2/ Le gain de ce jeu est donn par la fonction linaire suivante G = 2 X + 8. Tabuler la distribution de G ; Calculer le gain espr E(G) et la variance V(G).

SOLUTION.
1/ Loi de probabilit de la variable alatoire X.
Chaque valeur de X est quiprobable, donc, avec un d six faces bien quilibr, les probabilits des valeurs de X sont donnes dans le tableau suivant : X = xi P ( X = xi ) 1 1 6 2 1 6 3 1 6 4 1 6 5 1 6 6 1 6

Ce tableau permet de calculer les paramtres de la distribution de X :


E(X) =

7 = = 3,5 x P(X=x )=(1+2+3+4+5+6) 1 6 2


i i

i=6

i =1

V(X) = E(X) [E(X)] = ( 1 + 2 + 3 + 4 + 5 + 6 )

2 1 7 91 49 35 = 2,9167 = 6 2 6 4 12

L'cart-type de X est la racine carre de la variance :


35 2 X = = 12
1

105 6

1,708

2/ Loi de probabilit de la variable alatoire G.


G = g i = 2 xi + 8 P ( G = gi ) = P ( X = xi )

10 1 6

12 1 6

14 1 6

16 1 6

18 1 6

20 1 6

La relation G = 2 X + 8 permet de calculer les pramtres de la distribution de G. 7 E(G) = 2 E(X) + 8 = 2 + 8 = 15. 2 35 35 = V(G) = 2 V(X) = 4 11,67 12 3

105 3,416 G = 2 X =
3

Exercice 20.
La probabilit d'observer une maladie dans une population est P = 0,1 et la maladie peut tre dtecte sans erreur par un dosage sanguin. On souhaite dterminer par ce dosage le nombre de personnes malades sur un chantillon de 100 personnes. Mais au lieu de tester le srum de chaque individu, on partitionne au hasard l'chantillon en 10 groupes de 10 personnes dont on mlange les srums. Si le test est ngatif, sur l'un de ces mlanges, on considre que les 10 personnes correspondantes sont toutes ngatives et l'on est ainsi dispens des 10 tests individuels. Si, au contraire, le test est positif, c'est qu'alors au moins une personne est atteinte de la maladie et il faut alors tester sparment chacun des 10 srums ayant particip au mlange, on doit donc, dans ce cas, effectuer 11 tests. 1/ Trouver les probabilits pour que, dans un groupe, on observe : aucune personne malade, une et une seule personne malade, au moins une personne malade. 2/ En dsignant par N le nombre total de tests effectuer avec cette mthode de partition pour un chantillon de 100 personnes, trouver les probabilits suivantes : P ( N = 110 ) P ( N = 100 ) 3/ Calculer le nombre moyen de tests E(N) et la variance du nombre des tests Var (N).

SOLUTION.
1/ Loi de probabilit du nombre X de personnes malades dans un groupe de 10 personnes.
Pour une personne du groupe, de deux choses l'une : ou bien elle est atteinte de la maladie (probabilit P = 0,1), ou bien elle n'est pas atteinte de la maladie (probabilit q = 0,9). Le fait de regarder si la personne est, ou non, atteinte de la maldie constitue une preuve de Bernoulli. Si l'on rpte pour les 10 personnes du groupe cette preuve de Bernoulli, le nombre X de succs, c'est--dire le nombre de personnes atteintes de la maladie suit une loi binomiale B ( 10 ; 0,1 ) :
k P ( X = k ) = C10 ( 0,1 )k ( 0,9 )10 k.

De cette loi binomiale, on tire : P ( X = 0 ) = ( 0,9 )10 0,35 P ( X = 1 ) = 10 0,1 ( 0,9 )9 0,39 P ( X 1 ) = 1 P ( X = 0 ) 1 0,35 = 0,65

2/ Loi de probabilit du nombre total N de tests effectuer.


Pour un groupe, de deux choses l'une : ou bien il contient au moins un malade (probabilit p = 1 0,910 = 0,65 ) et, dans ce cas, l'on refait 10 tests, ou bien il ne comporte aucun malade (probabilit q = 0,910 = 0,35 ) et, dans ce cas, l'on ne refait aucun test. Le fait de regarder, dans un groupe, s'il y a ou non au moins un malade, c'est--dire le fait de regarder, pour un groupe, si le test est positif, constitue une preuve de Bernoulli. Lorsque l'on rpte cette preuve de Bernoulli pour les 10 groupes, le nombre X de succs, c'est--dire le nombre de groupes pour lesquels il faut refaire 10 tests, suit une loi binomiale B ( 10 ; 1 0,910 ) :
k P ( X = k ) = C10 ( 1 0,910 )k 0,910(10 k).

Lorsque l'on a X = k, le nombre N de tests faire est N = 10 + 10 k = 10 ( k + 1 ). Inversement si l'on pratique au total N = 10 ( k + 1 ) tests, c'est que l'on a refait k fois 10 tests, donc qu'il y avait X = k groupes test positif. Ainsi : X = k N = 10 ( k + 1 ). La loi de probabilit de X donne alors la loi de probabilit de N :
k P [ N = 10 ( k + 1 ) ] = C10 ( 1 0,910 )k 0,910(10 k).

Pour k = 10 (10 groupes ayant au moins un malade), cette loi de probabilit donne : P ( N = 110 ) = ( 1 0,910 )10 = 1,37 10-2. Pour k = 9 (9 groupes ayant au moins un malade), cette loi de probabilit donne : P ( N = 100 ) = 10 ( 1 0,910 )9 0,910 = 7,36 10-2.

3/ Paramtres statistiques de la loi de probabilit de N.


Le nombre X de groupes dans lesquels il faut refaire 10 tests parce le test est positif, suit une loi binomiale B ( 10 ; 1 0,910 ) La valeur moyenne de X est donne par E ( X ) = 10 ( 1 0,910 ) 6,51. La variance de X est donne par Var ( X ) = 10 ( 1 0,910 ) 0,910 2,27. Les paramtres statistiques de X permettent de calculer les paramtres statistiques de N = 10 ( X + 1 ) : E ( N ) = 10 ( E ( X ) + 1 ) = 100 ( 1 0,910 ) + 10 = 110 - 100 0,910 75,132. Var ( N ) = 100 Var ( X ) = 103 ( 1 0,910 ) 0,910 227,1018.

4/ Cas de G groupes de taille n.


Si l'on considre un groupe de taille n, la probabilit pour qu'il contienne au moins un malade est 1 0,9n . Si l'on considre G groupes de taille n, le nombre x de groupes comportant au moins un malade suit une loi binomiale B ( G ; 1 0,9n ) La valeur moyenne de X est donne par E ( X ) = G ( 1 0,9n ). La variance de X est donne par Var ( X ) = G ( 1 0,9n ) 0,9n . Le nombre N de tests effectuer, qui est donn par N = G + n X, a pour paramtres statistiques :
E ( N ) = n E ( X ) + G = n G ( 1 0,9n ) + G Var ( N ) = n Var ( X ) = n G ( 1 0,9n ) 0,9n

a) Pour G = 5 groupes de n = 20 personnes :

E ( N ) = n G ( 1 0,9n ) + G = 100 ( 1 0,920 ) + 5 = 92,842 Var ( N ) = n G ( 1 0,9n ) 0,9n = 2000 ( 1 0,920 ) 0,920 = 213,592

b) Pour G = 20 groupes de n = 5 personnes :

E ( N ) = n G ( 1 0,9n ) + G = 100 ( 1 0,95 ) + 20 = 60,951 Var ( N ) = n G ( 1 0,9n ) 0,9n = 500 ( 1 0,95 ) 0,95 = 120,906

c) Remarques.
Lorsqu'on prend n G = 100, les formules donnant E ( N ) et Var ( N ) peuvent s'crire en fonction du seul paramtre n (taille des groupes), pour n > 1 (pour n = 1 : E ( N ) = 100, Var ( N ) = 0) : 100 E ( N ) = 100 ( 1 0,9n ) + n Var ( N ) = 100 n ( 1 0,9n ) 0,9n

Ces formules permettent d'tudier la variation de E ( N ) et de Var ( N ) en fonction de la taille des groupes.

250 200 150 100 50 0 0 20 40 60 80 100

Evolution du nombre moyen de tests E(N) et de la variance Var(N) du nombre de tests effectuer en fonction de la taille des groupes constitus dans une population de 100 tests.

Exercice 21.
On sait que la probabilit pour qu'une personne soit allergique un certain mdicament est gale 103. On s'intresse un chantillon de 1000 personnes. On appelle X la variable alatoire dont la valeur est le nombre de personnes allergiques dans l'chantillon. 1 - Dterminer, en la justifiant, la loi de probabilit de X. 2 - En utilisant une approximation que l'on justifiera, calculer les probabilits des vnements suivants : a) Il y a exactement deux personnes allergiques dans l'chantillon. b) Il y a au moins deux personnes allergiques dans l'chantillon.

SOLUTION.
1/ Loi de probabilit de X.
Pour une personne de l'chantillon, de deux choses l'une : ou bien elle est allergique (probabilit p = 103 ), ou bien elle ne l'est pas (probabilit q = 1 p = 0,999 ). L'preuve qui consiste regarder, pour une personne de l'chantillon si elle allergique ou non, constitue une preuve de Bernoulli. Lorsqu'on rpte cette preuve de Bernoulli pour les n = 1000 individus de l'chantillon, le nombre X de succs, c'est--dire le nombre X de personnes allergiques, suit une loi binomiale B ( 1000 ; 103 ) :
k P ( X = k ) = C1000 10 3k ( 0,999 )1000 3k.

2/ Approximation de la loi de probabilit de X par une loi de Poisson.


Les trois conditions pour que l'approximation par la loi de Poisson soit valable sont ralises : n = 1000 est grand p = 103 est petit np = 1 est de l'ordre de grandeur de l'unit, ni trop grand, ni trop petit. On peut donc remplacer la loi binomiale B ( 1000 ; 103 ) par une loi de Poisson de paramtre = n p = 1. k 1 P ( X = k ) = e- = e1 k! k! 1 a) P ( X = 2 ) = = 0,1839 2e 2 b) P ( X 2 ) = 1 P ( X < 2 ) = 1 P ( X = 0 ) P ( X =1 ) = 1 e-1 e-1 = 1 = 0,2642. e

Exercice 22.
Le temps T ncessaire un rat pour parcourir un labyrinthe est une variable alatoire dont la distribution de probabilit est donne par : T (en secondes) P( T = t) 2 0,1 3 0,1 4 0,3 5 p5 6 0,2 7 0,1

1/ Complter le tableau en calculant p5 = P ( T = 5 ). 2/ Calculer le temps moyen, la variance, lcart-type. 3/ Le rat est rcompens laide dun biscuit pour chaque seconde conomise sur un temps de parcours de 6 secondes (par exemple, sil met 4 secondes, il reoit 2 biscuits, mais, sil met 6 secondes ou plus, il ne reoit rien). Tabuler la loi de probabilit de la variable Rcompense R gale au nombre de biscuits reus. Calculer la rcompense moyenne du rat, ainsi que la variance et lcart-type de R. 4/ Supposons que le rat soit puni par un choc lectrique dont la puissance augmente fortement avec le temps mis parcourir le labyrinthe, soit un choc de T2 volts pour un temps de T secondes. Calculer la punition moyenne du rat. 5/ Reprendre la question prcdente en supposant que la punition soit un choc lectrique dont la puissance varie avec le temps selon la formule P = 10 T +5 (la puissance du choc lectrique est exprime en volts). Calculer de deux faons diffrentes la punition moyenne ainsi que Var ( P).

SOLUTION.
1/ Condition de normalisation.
La somme des probabilits est toujours gale 1 : P(T = 2) + P(T = 3) + P(T = 4) + P(T = 5) + P(T = 6)+ P(T = 7)= 1 Cest la condition de normalisation . Il en rsulte : P(T = 5) = 1 ( P(T = 2) + P(T = 3) + P(T = 4) + P(T = 6)+ P(T = 7) ) = 1 0,8 = 0,2 P(T = 5) = 0,2

2/ Esprance mathmatique, variance, cart-type.


Par dfinition, E(T) = E(T)

P(T = t ) t . On a donc ici :


i i

= 2 0,1 + 3 0,1 + 4 0,3 + 5 0,2 + 6 0,2 + 7 0,1 = 0,2 + 0,3 + 1,2 + 1,0 + 1,2 + 0,7 = 4,6 E(T) = 4,6 s

Var (T) =

P(T = ti )(ti E(T))2 = E(T2 ) (E(T))2 (formule de la variance). On en dduit :

Var(T) =

P(T = ti ) ti2 (4,6)2

= 4 0,1 + 9 0,1 + 16 0,3 + 25 0,2 + 36 0,2 + 49 0,1 21,16 = 0,4 + 0,9 + 4,8 + 5,0 + 7,2 + 4,9 21,16 = 23,2 21,16 = 2,04 Var(T) = 2,04 s2

Lcart-type est la racine carre de la variance :

T = 1,43 s

3/ Rcompense : variable R.
Valeurs de R en fonction des valeurs de T : T R P(T)

2 4 0,1

3 3 0,1

4 2 0,3

5 1 0,2

6 0 0,2

7 0 0,1

Loi de probabilit de la variable R : R P(R)

0 0,3

1 0,2

2 0,3

3 0,1

4 0,1

Cette loi de probabilit permet de calculer les paramtres de la variable R : E ( R ) = 0 0,3 + 1 0,2 + 2 0,3 + 3 0,1 + 4 0,1 = 0,2 + 0,6 + 0,3 + 0,4 = 1,5 Le rat reoit, en moyenne, 1,5 biscuits.
Var ( R ) = E ( R2 ) ( E ( R ) )2 = 0 0,3 + 1 0,2 + 4 0,3 + 9 0,1 + 16 0,1 (1,5)2 = 0,2 + 1,2 + 0,9 + 1,6 2,25 = 3,90 2,25 = 1,65 Var ( R ) = 1,65 biscuits 2 R = Var ( R )

= 1,65 = 1,28 biscuits


R = 1,28 biscuits

4/ Punition : variable P1.


Valeurs de P1 en fonction des valeurs de T :

T P1 = T2

2 4

3 9

4 16

5 25

6 36

7 49

P(T)

0,1

0,1

0,3

0,2

0,2

0,1

Ce tableau donne aussi la Loi de probabilit de la variable P1 . Cette loi de probabilit permet de calculer les paramtres de la variable P1 : E ( P1 ) = E ( T2 ) = 23,2 (dj calcul dans la premire question) E ( P1 ) = 23,2 volts

5/ Punition : variable P2.


Valeurs de P2 en fonction des valeurs de T :

T P2 = 10 T + 5 P(T)

2 25 0,1

3 35 0,1

4 45 0,3

5 55 0,2

6 65 0,2

7 75 0,1

Ce tableau donne aussi la Loi de probabilit de la variable P2 . Cette loi de probabilit permet de calculer les paramtres de la variable P2 : E ( P2 ) = 25 0,1 + 35 0,1 + 45 0,3 + 55 0,2 + 65 0,2 + 75 0,1 = 2,5 + 3,5 + 13,5 + 11,0 + 13,0 + 7,5 = 51,0 volts E ( P2 ) = 51 V Var ( P2 ) = E ( P22 ) ( E ( P2 ))2 = 252 0,1 + 352 0,1 + 452 0,3 + 552 0,2 + 652 0,2 + 752 0,1 512 = 625 0,1 + 1225 0,1 + 2025 0,3 + 3025 0,2 + 4225 0,2 + 5625 0,1 2601 = 62,5 + 122,5 + 607,5 + 605,0 + 845,0 + 562,5 2601 = 2805 2601 = 204 Var ( P2 ) = 204 V2 Comme la variable alatoire P2 est une fonction linaire de la variable alatoire T : P2 = 10 T + 5 on peut calculer les paramtres de P2 en fonction des paramtres, dj calculs de T. Pour cela on utilise les formules, faciles dmontrer : E(aT+b)=aE(T)+b Var ( a T + b ) = a2 Var ( T ) Ces formules donnent ici : E ( P2 ) = E ( 10 T + 5 ) = 10 E ( T ) + 5 = 10 4,6 + 5 = 51 V Var ( P2 ) = Var ( 10 T + 5 ) = 102 Var ( T ) = 100 Var ( T ) = 100 2,04 = 204 On retrouve, bien plus facilement, les rsultats obtenus directement partir de la loi de probabilit.

Exercice 23.
Les centres de transfusion sanguine diffusent un tableau donnant la rpartition en France des principaux groupes sanguins : O Rhsus + Rhsus 37,0 % 7,0 % A 38,1 % 7,2 % B 6,2 % 1,2 % AB 2,8 % 0,5 %

1/ Dix personnes prises au hasard en France donnent leur sang. Soit X la variable alatoire qui prend pour valeur le nombre de personnes appartenant au groupe A. On demande de calculer : E(X); Var ( X ) ; P(X=4); P(X=0); P ( X > 0 ). 2/ Pour une intervention chirurgicale, on doit avoir au moins 3 donneurs de groupe O et de rhsus +. Dix personnes ignorant leur groupe sanguin sont disposes ce don. Calculer la probabilit davoir au moins les donneurs ncessaires parmi les dix volontaires.

SOLUTION.
1/ Loi de probabilit de X.
Pour une personne choisie au hasard en France, de deux choses lune : ou bien elle est de groupe A (probabilit 0,381 + 0,072 = 0,453) ou bien elle nest pas de groupe A (probabilit 1 0,453 = 0,547) Ainsi lpreuve qui consiste regarder si une personne choisie au hasard en France est de groupe A ou nest pas de groupe A est une preuve de Bernoulli, avec deux rsultats possibles : tre ou ne pas tre de groupe A, les probabilits tant toujours les mmes. Quand on rpte cette preuve de Bernoulli 10 fois, le nombre de susss de lpreuve, cest--dire le nombre de personnes de groupe A parmi les 10 personnes choisies au hasard, suit une loi binomiale de paramtres n = 10 et p = 0,453. La loi de probabilit de X est donc donne par la formule de la loi binomiale : P ( X = k ) = B( n ; p ) ( k ) = C n pk ( 1 p )n k
k

P ( X = k ) = C10 (0,453)k (1 0,453)10 k


k

o C10 est le coefficient binomial dindices 10 et k, donn par : 10 ! k C10 = k !( 10 k )! Pour la loi binomiale dindices n et p, le paramtres de la variable alatoire sont :

E(X)=np Var ( X ) = n p ( 1 p ). Nous obtenons donc ici : E ( X ) = 10 0,453 = 4,53 Var ( X ) = 4,53 0,547 = 2,48 P ( X = 4 ) = C10 0,4534 0,5476 = 210 0,042 0,027 = 0,237 P ( X = 0 ) = 0,54710 = 2,4 10 3 P(X>0)=1P(X=0) = 1 2,4 10 3 = 0,998
4

2/ Probabilit davoir 3 O+ dans un groupe de 10.


Pour une personne choisie au hasard, la probabilit dtre du groupe O et de rhsus positif est, daprs le tableau, de 0,37. Nous supposerons que les dix volontaires constituent un chantillon alatoire, cest--dire constitu au hasard. Cette hypothse ne va pas de soi, mme si les volontaires ignorent leur groupe sanguin, car les volontaires viennent peut-tre de la famille. Sous cette hypothse, le nombre X de O+ dans un groupe de 10 suit une loi binomiale de paramtres n = 10 et p = 0,37. Et lon a : P ( X 3 ) = 1 P ( X = 0) P ( X = 1) P ( X = 2 ) = 1 0,6310 10 0,37 0,639 45 0,372 0,638 = 0,706 P( X 3 ) = 0,706 Si les volontaires ont t recruts parmi les membres de la famille, on peut penser que la probabilit davoir des gens de groupe O+ sera encore plus forte.

Exercice 24.
On considre deux portes de lapereaux dune race donne : la premire porte est de 6 lapereaux et la deuxime de 8 lapereaux. On regroupe tous les lapereaux et on suppose que chacun a la mme probabilit dtre choisi. 1/ On prlve simultanment 4 lapereaux. Calculer les probabilits dobtenir : 3 lapereaux de la premire porte ; 1 lapereau de la deuxime porte ; au plus un lapereau de la deuxime porte. 2/ Donner le nombre moyen attendu de lapereaux de la premire porte.

SOLUTION.
Soit X le nombre de lapereaux de la premire porte, tirs dans un chantillon de n = 4 lapereaux tirs simultanment. Soit Y le nombre de lapereaux de la deuxime porte, tirs dans un chantillon de n = 4 lapereaux tirs simultanment.

1/ Loi hypergomtrique.
La probablit pour que X = k est le rapport du nombre de cas favorables au nombre de cas possibles. Le nombre de cas possibles est le nombre dchantillons de n = 4 lapereaux que lon peut constituer avec N = n1 + n2 = 6 + 8 = 14 lapereaux : cest C N = C14 = 1 001. k n k 3 1 Il y a C n = C 6 faons de choisir k = 3 lapereaux de la premire porte, et C n = C 8 faons de choisir le 4e
1 2

lapereau dans la 2e porte. Le nombre de cas favorables est donc : Cn Cn


1

n k
2

= C 6 C 8 = 20 8 = 160

et la probabilit davoir exactement k = 3 lapereaux de la premire porte dans le tirage effectu est : P(X=k)= Cn Cn
1

n k
2

n Cn +n 1 2

C6 C8
4 C14

160 1001

= 0,1598

P ( X = 3 ) = 0,1598

Lvnement Y = 1 est le mme que lvnement X = 3. Les probabilits sont donc les mmes :
P ( Y = 1 ) = P ( X = 3 ) = 0,1598

Enfin lvnement Au plus un lapereau de la deuxime porte est la runion des deux vnements disjoints 3 lapereaux de la 1e porte et 1 lapereau de la 2e porte et 4 lapereaux de la 1e porte et 0 lapereau de la 2e porte . La probabilit de cette runion est la somme des probabilits (axiome des probabilits totales) : P ( Y 1) = P ( Y = 1 ) + P ( Y = 0 ) =P(X=3)+P(X=4)
= = = C6 C8 C14 160
4 3 1

C6 C8 C14
4

1001 175

15 1001

1001 = 0,1748

P ( Y 1 ) = 0,1748

2/ Paramtres de la loi hypergomtrique.


E(X)=

k
k =0

k =n

Cn Cn
1

n k
2 2

Cn +n
1

On dmontre que cette quantit est donne par la formule :


E(X)= np=n n1 n1 + n2

est la probabilit de tirer un lapereau de la premire porte quand on tire au hasard un lapereau n1 + n2 dans le lot des 14 lapereaux. Ici, nous obtenons numriquement : 6 12 = = 1,7143 E(X)=4 14 7 o p =
E ( X ) = 1,7143 lapereaux

n1

La variance de X est donne par :


Var ( X ) =

N n N 1

npq

o N = n1 + n2 et q = 1 p. Ici, elle vaut : 14 4 6 8 10 48 480 = = = 0,7535 Var ( X ) = 4 14 1 14 14 13 49 637 On considre que cette variance est pratiquement gale n p q ds que le taux de sondage n/N est infrieur 0,1. Dans ce cas, on peut approcher la loi hypergomtrique par une loi binomiale de paramtres n et p. Cette approximation revient en fait considrer que le tirage se fait avec remise et que la probabilit de tirage reste la mme pour tous.

Exercice 25.
On considre quil apparat, en moyenne, chaque anne 20 nouveaux cas de poliomylite pour 100 000 habitants. On appelle X le nombre de nouveaux cas de poliomylite dans lanne, dans une ville de 50 000 habitants (respectivement 5 000 habitants). 1/ Montrer que la variable X suit une loi binomiale. 2/ Montrer que lon peut faire ici lapproximation de la loi binomiale par une loi de Poisson. 3/ Calculer la probabilit pour quil apparaisse au plus quatre nouveaux cas de poliomylite : a) dans une ville de 50 000 habitants. b) dans une ville de 5 000 habitants.

SOLUTION.
1/ Loi de probabilit de la variable alatoire X.
Pour un individu, la probabilit de contracter la poliomylite dans un dlai dun an est 20 p= = 2,0 104. 100.000 Considrons lpreuve suivante : on regarde si un individu a contract la poliomylite dans lanne qui prcde lobservation. Cette preuve a deux rsultats possibles le succs : probabilit p = 2,0 104 lchec : probabilit q = 1 p. Cest une preuve de Bernoulli. Lorsquon recommence n fois cette preuve de Bernoulli, pour tous les habitants dune ville, le nombre de succs est le nombre X de cas de poliomylite apparus dans la ville dans lanne prcdant lobservation. La variable alatoire X suit une loi binomiale de paramtres n et p.
P(X = k) = C n pk (1 p)nk.
k

2/ Approximation par la loi de Poisson.


Pour quon puisse approcher une loi binomiale de paramtres n et p par une loi de Poisson de paramtre , il faut que le paramtre reprsente la fois lesprance mathmatique n p et la variance n p q. Il faut donc dj que q soit voisin de 1. Cest la premire condition : p doit tre petit. De plus, pour que les probabilits n k k k n! n! p p k k C n pk qn k = pk C n qn k = ( 1 p )n k = 1 k ! ( n k )! k ! ( n k )! n
et e

= p k e

n k e

k! k! k! soient voisines, il faut que k soit ngligeable devant n, au moins pour les termes intressants, cest--dire pour les termes entourant la moyenne = n p. Cest le cas si n est grand et si le produit n p reste de lordre dau plus quelques units, car, dans ce cas, on a : n k n! nk et 1 e n ( n k )! En rsum, lapproximation de la loi binomiale par la loi de Poisson est justife si : p est petit n est grand n p est de lordre de grandeur de lunit En pratique, on considre que lapproximation est justifie pour p < 0,1 n > 30 n p de lordre de quelques units Dans le cas prsent, nous avons :

p = 2 10 4 < 0,1 n = 50 000 ou n = 5 000. Les deux valeurs sont suprieures 30 n p = 10 ou 1. On peut donc considrer que, dans les deux cas, lapproximation par la loi de Poisson de paramtre = n p est justifie.

3/ Ville de 50 000 habitants.


La probabilit pour quil apparaisse au plus 4 cas de poliomylite dans la ville dans lanne venir est : P(X 4) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) + P(X = 4) 100 1000 10000 + e 10 + e 10 e 10 + e 10 10 + e 10 2 6 24 4,5 105 + 4,5 104 +2,3 103 + 7,6 103 +1,9 102 = 2,9 102 P(X 4) 2,9 102

2/ Ville de 5 000 habitants.


La probabilit pour quil apparaisse au plus 4 cas de poliomylite dans la ville dans lanne venir est : P(X 4) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) + P(X = 4) 1 1 1 e 1 + e 1 + e 1 + e 1 + e 1 2 6 24 65 = 0,9963 24 e P(X 4) = 0,9963

DISTRIBUTIONS CONJOINTES
Exercice 26.
Soient X et Y deux variables alatoires indpendantes de lois : x P(X=x) 1 1 2 2 1 2 y P(Y=y) 1 1 4 2 1 2 3 1 4

1/ Calculer E(X) ; Var(X) ; E(Y) ; Var(Y). 2/ Donner la loi de probabilit conjointe de X et Y. 3/ Etablir la loi de probabilit de T = X + Y. Calculer E(T) et Var (T). 4/ Etablir la loi de probabilit de Z = X Y. Calculer E(Z) et Var(Z). 5/ Vrifier par le calcul que Cov (X,Y) = 0.

SOLUTION.
1/ Paramtres des lois de probabilits de X et de Y.
E(X) =

xi P ( X = xi ) = ( 1 + 2 ) 2
i

3 = 1,5. 2

2 1 3 1 V(X) = E(X) [ E(X) ] = ( 1 + 2 ) = . 4 2 2 1 1 1 E(Y) = yi P ( Y = yi ) = 1 + 2 + 3 = 2. 4 2 4 i

V(Y) = E(Y) [ E(Y) ] = 1

1 1 1 1 + 2 + 3 2 = . 4 2 4 2

2/ Loi de probabilit conjointe de X et Y.


Comme les variables X et Y sont supposes indpendantes, pour chaque modalit xi et chaque modalit yj , la probabilit de l'vnement X = xi et Y = yj est gale au produit des probabilits des vnements X = xi et Y = yj : P ( X = xi et Y = yj ) = P ( X = xi ) P ( Y = yj ). La probabilit conjointe est le produit des probabilits marginales de X et Y. On obtient ainsi le tableau suivant : X

\Y
1 2

1 1 8 1 8 1 4

2 1 4 1 4 1 2

3 1 8 1 8 1 4

P(X=x) 1 2 1 2 1

P(Y=y)

3/ Loi de probabilit de la somme T = X + Y.


La somme T peut prendre les valeurs contenues dans le tableau suivant :

\Y
1 2

1 2 3 1 8

2 3 4

3 4 5

P ( T = 2 ) = P ( X = 1 et Y = 1 ) =

1 1 3 + = 4 8 8 1 1 3 P ( T = 4 ) = P ( X = 1 et Y = 3 ) + P ( X = 2 et Y = 2 ) = + = 8 4 8 1 P ( T = 5 ) = P ( X = 2 et Y = 3 ) = 8 Ces valeurs donnent le tableau suivant de la loi de probabilit de T : P ( T = 3) = P ( X = 1 et Y = 2 ) + P ( X = 2 et Y = 1 ) = t P(T=t) 2 1 8 3 3 8 4 3 8 5 1 8

La loi de probabilit de T permet de calculer les paramtres : 1 3 3 1 28 7 = = 3,5 E(T) = ti P (T = ti ) = 2 + 3 + 4 + 5 = 8 8 8 8 8 2

V(T) = E(T) - [ E(T) ] = 2


Remarques :

2 1 3 3 1 7 3 + 3 + 4 + 5 = = 0,75. 8 8 8 8 2 4

3 7 +2= 2 2 La loi de probabilit de T est symtrique, donc la moyenne est la valeur centrale de la distribution. 1 1 3 Comme les variables X et Y sont indpendantes, on a V(T) = V(X + Y) = V(X) + V(Y) = + = . 4 2 4 E(T) = E(X + Y) = E(X ) + E(Y) =

4/ Loi de probabilit du produit Z = X Y.


On peut mettre dans un tableau les vnements lmentaires avec leurs probabilits et les valeurs de Z correspondantes :

\Y
1

1 Z=1 1 P(1;1)= 8 Z=2 1 P(2;1)= 8

2 Z=2 1 P(1;2)= 4 Z=4 1 P(2;2)= 4

3 Z=3 P(1;3)= Z=6 P(2;3)= 1 8 1 8

On dduit de ce tableau la loi de probabilit de Z en recensant les valeurs de Z et les probabilits lmentaires correspondantes : z P(Z=z) 1 1 8 2 1 1 3 + = 8 4 8 3 1 8 4 1 4 6 1 8

Ce tableau permet de calculer les paramtres de la loi : 1 3 1 1 1 E(Z) = 1 + 2 + 3 + 4 + 6 = 3 8 8 8 4 8

V(Z) = E(Z) - [ E(Z) ] = 1

1 3 1 1 1 9 + 2 + 3 + 4 + 6 - 3 = = 2,25. 8 8 8 4 8 4

5/ Calcul de la covariance de X et Y.
a) Premire mthode.
La formule V ( X + Y ) = V ( X ) + V ( Y ) + 2 Cov ( X , Y ), jointe la remarque V ( X + Y ) = V ( X ) + V ( Y ) du 3/, montre que l'on a : Cov ( X , Y ) = 0

b) Deuxime mthode.
La formule Cov ( X , Y ) = E ( X Y ) E ( X ) E ( Y ) donne, avec les valeurs numriques obtenues : 3 Cov ( X , Y ) = 3 2 = 0 2

Exercice 27.
La loi du couple ( X , Y ) est dfinie par le tableau suivant : X

\Y
1

1 0 1 4

2 1 2 0

3 0 1 4

1/ Trouver les lois marginales de X et Y. 2/ Montrer que X et Y ne sont pas indpendantes. 3/ Calculer la covariance de X et Y et le coefficient de corrlation linaire .

SOLUTION.
1/ Lois marginales de X et Y.
On obtient les lois de probabilits marginales de X et de Y en faisant les sommes par lignes ou par colonnes des probabilits lmentaires du tableau de probabilits conjointes : x P(X=x) y P(Y=y) 1 1 4 1 1 2 2 1 2 2 1 2 3 1 4

Ces tableaux permettent de calculer les paramtres des distributions de X et Y : 3 1 1 ; E ( Y ) = 2 (loi symtrique) ; Var ( Y ) = . E ( X) = (loi symtrique) ; Var ( X ) = 2 4 2

2/ Les variables X et Y ne sont pas indpendantes.


On a, par exemple : P ( X = 1 et Y = 1 ) = 0 P ( X = 1 ) P ( Y = 1 ) = 1 8

3/ Covariance et coefficient de corrlation linaire de X et Y.


La covariance Cov ( X , Y ) de X et de Y se calcule par la formule Cov ( X , Y ) = E ( X Y ) E ( X ) E ( Y ). Comme on connat dj E ( X ) et E ( Y ), il suffit de calculer E ( X Y ). Pour cela, tudions la distribution du produit Z = X Y. 1 2 3 X Y Z=3 Z=2 Z=1 1 1 P(1;2)= P(1;3)=0 P(1;1)=0 2 Z=6 Z=4 Z=2 1 1 2 P(2;3)= P(2;1)= P(2;2)=0 4 4

Z P(Z=z)

1 0

2 1 1 3 + = 4 2 4

3 0

4 0

6 1 4

Ce tableau permet le calcul des paramtres de la distribution de Z, notamment E ( Z ) = E ( X Y ) = 3. La formule Cov ( X , Y ) = E ( X Y ) E ( X ) E ( Y ) montre alors que l'on a Cov ( X , Y ) = 3 3 2 = 0. 2 Et cela permet de vrifier que X et Y peuvent ne pas tre indpendants, mme si leur covariance est nulle :
Cov ( X , Y ) = 0 n'entrane pas X et Y indpendants .

Le coefficient de corrlation linaire est li la covariance par la formule : Cov ( X ,Y ) = =0 X Y

Exercice 28.
Pour essayer de savoir si le bonheur dpend du niveau dinstruction, on a demand aux individus dune population donne de se classer eux-mmes en fonction de l indice bonheur X suivant : X = 1 sils sestiment malheureux X = 0 sils sestiment moyennement heureux X = 1 sils sestiment heureux X = 2 sils sestiment trs heureux En mme temps, on a relev, pour chaque individu, le degr dinstruction Y : Y = 1 sils nont aucun diplme Y = 0 sils ont le niveau du baccalaurat Y = 1 sils ont un diplme suprieur La loi de probabilit conjointe des deux variables alatoires X et Y dans la population considre est la suivante :

X : indice bonheur Y : degr dinstruction 1 0 1


1/ Calculer les probabilits suivantes :

0, 01 0, 00 0, 35

0, 07 0, 12 0, 04

0, 01 0, 30 0, 00

0, 00 0, 10 0, 00

P(X=1) P ( X = 0 et Y 0 ) P(X=0|Y0)
2/ Calculer :

Rponse : 1 Rponse : 2 Rponse : 3


Var (X) Cov (X , Y)

E(X) E(XY)

Rponse : 4 Rponse : 6

Rponse : 5 Rponse : 7

3/ Cocher les propositions exactes :

A: B: C: D:

Lindice bonheur X est indpendant du degr dinstruction Y. Lindice bonheur X et le degr dinstruction Y ne sont pas indpendants. Cov ( X , Y ) = 0 Les deux variables X et Y sont indpendantes Cov ( X , Y ) = 0 Les deux variables X et Y sont lies.

Rponse : 8
( Tableau des rponses de l'Exercice 3 : Rponses 1 7)
0,99 0,81 0,55 0,40 0,29 0,10 1,00 0,85 0,62 0,49 0,35 0,15 0,00
B C D E AB AC AD AE BC BD BE CD

0,10 0,12
CE DE

0,15 0,16
ABC ABD

0,18 0,25
ABE ACD

0,31 0,35
ACE ADE

0,39 0,44
BCD BCE

0,51 0,59
BDE CDE

0,63 0,75
ABCD ABCE

0,87 0,91
ABDE ACDE

0,99 1,00
BCDE ABCDE

1/ Calcul de diverses probabilits.


Commenons par complter le tableau de donnes par les probabilits marginales.

X : indice bonheur Y : degr dinstruction 1 0 1 Total

Total

0, 01 0, 00 0, 35 0, 36

0, 07 0, 12 0, 04 0, 23

0, 01 0, 30 0, 00 0, 31

0, 00 0, 10 0, 00 0, 10

0, 09 0, 52 0, 39 1, 00

Rponse 1 : ACE Sur ce tableau, on voit apparatre la probabilit marginale P (X = 1) = 0, 31 Rponse 2 : ABD Dans la colonne X = 0, la somme des probabilits pour que Y = 0 ou Y = 1 est 0,16 P( X = 0 et Y 0 ) P( X = 0 et Y = 0 ) + P( X = 0 et Y = 1 ) 0,12 + 0,04 16 = = P ( X = 0 | Y 0) = = = 0, 176 P( Y 0 ) P( Y = 0 ) + P( Y = 1 ) 0,52 + 0,39 91 Rponse 3 : ABE

2/ Esprance mathmatique, variance, covariance.


E (X)

x P (X = x ) = 0,36 + 0,31 + 2 0,10 = 0,15 Var (Y) = E (Y) (E(Y)) = y P (Y = y ) ( y P (Y = y ))


=
i i

Rponse 4 : ABC

2 i

E (X Y) =

x y P( X = x et Y = y )
i i i i

= 0,09 + 0,39 ( 0,09 + 0,39 )2 = 0,39

Rponse 5 : BCD

= 0,01 0,35 0,01 = 0,35 Cov (X,Y) = E(XY) E(X) E(Y) = 0,35 0,15 0,30 = 0,405

Rponse 6 : AE Rponse 7 : AD

3/ Indpendance en probabilit des deux variables.


La relation 0,36 0,09 0,01 montre que lon a : P (X = 1) P ( Y = 1) P ( X = 1 et Y = 1) et ceci suffit pour montrer que les deux variables X et Y ne sont pas indpendantes : A est faux, B est vrai. On sait aussi que lorsque deux variables sont indpendantes, leur covariance est nulle, mais que la rciproque est fausse (voir, par exemple, lexercice 2, prcdent). Il en rsulte que C est faux et D est vrai.

Rponse 8 : BD

Exercice 29.
Soient X et Y deux variables alatoires indpendantes de lois :
X P(X = xi )

20 0,25

40 0,75

Y P(Y = yi )

10 0,16

20 0,32

40 0,32

80 0,20

1/ Calculer E(X), Var(X), E(Y), Var(Y). 2/ Donner la loi de probabilit conjointe de X et Y. 3/ Etablir la loi de probabilit de la variable alatoire T = X + Y et calculer E(T) et Var(T). 4/ Etablir la loi de probabilit de la variable alatoire Z = X.Y et calculer E(Z) et Var(Z). 5/ Vrifier par le calcul que Cov(X,Y) = 0.

SOLUTION.
1/ Esprance mathmatique et variance de X et Y.
= 35 4 Var(X) = 0,25 (20 35)2 + 0,75 (40 35)2 = 0,25 125 + 0,75 25 = 0,25 25 (5 + 3) = 2 25 = 50 E(Y) = 0,16 10 + 0,32 20 + 0,32 40 + 0,20 80 = 1,6 + 6,4 + 12,8 + 16 = 36,8 Var(Y) = 0,16 (1036,8)2 + 0,32 (2036,8)2 + 0,32 (4036,8)2 + 0,20 (8036,8)2 = 114,9184 + 90,3168 + 3,2768 + 373,2480 = 581,7600 E(X) E(X) = 35 Var(X) = 50 E(Y) = 36,8 Var(Y) = 581,76 = 0,25 20 + 0,75 40 = 0,25 ( 20 + 3 40 ) = 0,25 140 =

140

2/ Loi de probabilit conjointe de X et Y.


Probabilits associes aux valeurs de X et Y :
X Y

10 0,04 0,12 0,16

20 0,08 0,24 0,32

40 0,08 0,24 0,32

80 0,05 0,15 0,20

Probabilits 0,25 0,75 1,00

20 40 Probabilits

Ce tableau donne la loi conjointe de X et Y. Comme les variables alatoires sont indpendantes par hypothse, chaque probabilit conjointe sobtient par produit des probabilits marginales :
P(X = xi et Y = yj ) = P(X = xi ) P(Y = yj )

3/ Loi de probabilit de la variable alatoire T = X + Y.


Valeurs de T = X + Y.
X Y

10 30 50

20 40 60

40 60 80

80 100 120

20 40

Probabilits associes aux vnements lmentaires :


X Y

10 0,04 0,12

20 0,08 0,24

40 0,08 0,24

80 0,05 0,15

20 40
Loi de probabilit de T = X + Y. T P(T=ti )

30 0,04

40 0,08

50 0,12

60 0,32

80 0,24

100 0,05

120 0,15

E(T) = E(X) + E(Y) = 35 + 36,8 = 71,8 Var(T) = Var(X) + Var(Y) = 50 + 581,76 = 631,76

4/ Loi de probabilit de la variable alatoire Z = X Y.


Valeurs de Z = X Y.
X Y

10 200 400

20 400 800

40 800 1600

80 1600 3200

20 40

Probabilits associes aux vnements lmentaires :


X Y

10 0,04 0,12

20 0,08 0,24

40 0,08 0,24

80 0,05 0,15

20 40
Loi de probabilit de Z = X Y. Z P(Z=zi ) E(Z)

200 0,04

400 0,20

800 0,32

1600 0,29

3200 0,15

= 0,04 200 + 0,20 400 + 0,32 800 + 0,29 1600 + 0,15 3200 = 8 + 80 + 256 + 464 + 480 = 1288

Var(Z) = 0,04(2001288)2 + 0,20(4001288)2 + 0,32(8001288)2 + 0,29(16001288)2 + 0,15(32001288)2 = 47349,76 + 157708,80 + 76206,08 + 28229,76 + 548361,60 = 857856

5/ Calcul de la covariance de X et Y.
Cov(X,Y) = E(X Y) E(X) E(Y) = E(Z) E(X) E(Y) = 1288 35 36,8 = 0

Exercice 30.
Dans certains accidents de la route, les chocs peuvent tre latraux ou frontaux : ces deux tats sont rsums par la variable alatoire X deux valeurs 0 et 1 ; choc latral : X = 0 ; choc frontal : X = 1. La gravit de laccident est dcrite par la variable alatoire Y trois valeurs 1, 2, 3. X 0 1 Une enqute ralise sur un grand nombre daccidents conduit au tableau Y ci-contre donnant la loi de probabilit conjointe du couple ( X , Y ) : 1 0,10 0,15 2 0,08 0,25 1/ Calculer les probabilits suivantes : 3 0,02 0,40 P(X=1) P ( X = 0 et Y 2 ) P(X=0|Y2) 2/ Calculer les lois de probabilit marginales de X et de Y, ainsi que leurs esprances mathmatiques et leurs variances. 3/ Les variables alatoires X et Y sont-elles indpendantes ? 4/ Etablir la loi de probabilit de la variable alatoire Z = X. Y et calculer E ( Z ) et Var ( Z ). 5/ Calculer la covariance Cov ( X , Y ) et le coefficient de corrlation linaire . Conclusion ? 6/ Calculer lesprance mathmatique et la variance de la variable alatoire T = X + Y. 7/ On dfinit une fonction de gravit G = a X + b Y o a = 0,2 et b = 0,8. Calculer E ( G ) et Var ( G ).

SOLUTION.
1/ Probabilits marginales.
Le tableau des donnes peut tre compt par une ligne de totaux et une colonne de totaux :
Y X

0 0,10 0,08 0,02 0,20

1 0,15 0,25 0,40 0,80

Total 0,25 0,33 0,42 1,00

1 2 3 Total

Ce tableau permet de rpondre aux deux premires questions : P ( X = 1 ) = 0,80 P ( X = 0 et Y 2 ) = P ( X = 0 et Y = 2 ) + P ( X = 0 et Y = 3 ) = 0,08 + 0,02 = 0,10 P( X = 0 et Y 2 ) P( X = 0 et Y = 2 ) + P( X = 0 et Y = 3 ) 0,08 + 0,02 0 ,10 2 = = = = P(X=0|Y2)= P( Y 2 ) P( Y = 2 ) + P( Y = 3 ) 0 ,33 + 0,42 0,75 15 La loi de probabilit marginales de la variable alatoire X se lit sur la dernire ligne :

X P ( X = xi )

0 0,20

1 0,80

La loi de probabilit marginale de la variable alatoire Y se lit dans la dernire colonne : Y P ( Y = yj ) 1 0,25 2 0,33 3 0,42

De la loi de probabilit de la variable alatoire X, on tire les paramtres de X : E ( X ) = 0,20 0 + 0,80 1 = 0,80 Var ( X ) = 0,20 ( 0 0,80 )2 + 0,80 ( 1 0,80 )2 = 0,20 0,64 + 0,80 0,04 = 0,128 + 0,032 = 0,1600 De la loi de probabilit de la variable alatoire Y, on tire les paramtres de Y : E ( Y ) = 0,25 1 + 0,33 2 + 0,42 3 = 2,17 Var ( Y ) = E ( Y2 ) ( E ( Y ) )2 = 0,25 12 + 0,33 22 + 0,42 32 2,172 = 5,35 4,7089 = 0,6411

2/ Indpendance des variables alatoires X et Y.


Dire que les deux variables alatoires X et Y sont indpendantes, cest dire que, pour tout couple ( xi , yj ) de valeurs de X et Y, on a : P ( X = xi et Y = yj ) = P ( X = xi ) P ( Y = yj ) Or on a, par exemple : P ( X = 0 et Y = 1 ) = 0,10 et P ( X = 0 ) P ( Y = 1 ) = 0,20 0,25 = 0,05 0,10 = P ( X = 0 et Y = 1 ) Les deux variables alatoires X et Y ne sont donc pas indpendantes en probabilit.

3/ Loi de probabilit de la variable alatoire Z = X Y.


Tableau des valeurs de Z : Y 1 2 3 X 0 0 0 0 1 1 2 3

En comparant ce tableau avec la loi de probabilit conjointe de X et Y, on dduit la loi de probabilit de Z : Z P (Z=zi ) 0 0,20 1 0,15 2 0,25 3 0,40

Cette loi de probabilit permet de calculer les paramtres de la variable alatoire Z. E ( Z ) = 0,20 0 + 0,15 1 + 0,25 2 + 0,40 3 = 1,85 Var ( Z ) = E ( Z2 ) ( E ( Z ))2 = 0,20 02 + 0,15 12 + 0,25 22 + 0,40 32 1,852 = 4,75 3,4225 = 1,3275

4/ Covariance et coefficient de corrlation linaire.


La covariance de X et Y, dfinie comme lesprance mathmatique du produit des alatoires centres : Cov ( X , Y ) = E ( ( X E ( X ) )( Y E ( Y ) ) ) peut se calculer par la formule de la covariance : Cov ( X , Y ) = E ( X Y ) E ( X ) E ( Y ) ( moyenne du produit, moins produit des moyennes ). Il vient ainsi : Cov ( X , Y ) = E ( Z ) E ( X ) E ( Y ) = 1,85 0,80 2,17 = 0,1140 Le coefficient de corrlation linaire est le rapport de la covariance au produit des carts-types marginaux : Cov ( X ,Y ) = X Y On obtient ici : 0,1140 = = 0,3559 0,1600 0,6411
Conclusion : Le fait que la covariance et le coefficient de corrlation linaire ne soient pas nuls confirme ce que lon savait dj dautre part : les variables alatoires X et Y ne sont pas indpendantes en probabilit.

5/ Variable alatoire T = X + Y.
Par combinaison linaire, on obtient : E ( T ) = E ( X + Y ) = E ( X ) + E ( Y ) = 0,80 + 2,17 = 2,97 Var ( T ) = Var ( X + Y ) = Var ( X ) + Var ( Y ) + 2 Cov ( X , Y ) = 0,16 + 0,6411 + 2 0,114 = 1,029

6/ Fonction de gravit G.
E(G) Var ( G ) G = 0,2 X + 0,3 Y = 0,2 E ( X ) + 0,3 E ( Y ) = 0,2 0,8 + 0,3 2,17 = 0,811 = Var( 0,2 X + 0,3 Y ) = 0,22 Var ( X ) + 0,32 Var ( Y ) + 2 0,2 0,3 Cov ( X , Y ) = 0,04 0,16 + 0,09 0,6411 + 2 0,06 0,114 = 0,077779

Exercice 31.
1/ Soit X le nombre de filles dans une famille de trois enfants : Etablir la loi de probabilit de X. (On suppose que la probabilit de naissance dune fille ou dun garon est la mme chaque naissance, soit p = 0,5). Quelle est la probabilit davoir au moins deux garons ? 2/ Soit Y le nombre de squences. On appelle squence une suite denfants de mme sexe (exemples : FFF Y = 1 ; GFF Y = 2 ; GFG Y = 3). Donner la loi de probabilit conjointe de X et Y. Etablir la loi marginale de Y.

SOLUTION.
1/ Loi de probabilit du nombre de filles dans une famille de trois enfants.
Pour une naissance, lpreuve qui consiste regarder de quel sexe est le nouveau-n, est une preuve de Bernoulli avec deux rsultats possibles : le succs, naissance dune fille, avec une probabilit p = 0,5 ; lchec, avec naissance dun garon, avec une probabilit q = 0,5. Lorsquon rpte cette preuve pour les trois enfants de la famille, le nombre de succs est le nombre X de filles dans la famille ; cette variable alatoire suit une loi binomiale de paramtres n = 3 et p = 0,5.
P( X = k) = C n pk (1 p)nk =
k

C3 8

La loi de probabilit de la variable alatoire X est donne par le tableau suivant : X P(X = xi ) 0 1 8 1 3 8 2 3 8 3 1 8

La probabilit davoir au moins deux garons est la probabilit davoir au plus une fille, cest donc la somme : 1 3 P(X = 0) + P(X = 1) = + = 0,5 8 8 Il y a une chance sur deux davoir au moins deux garons.

2/ Loi de probabilit du nombre de squences dans une famille de trois enfants.


Le nombre de squences Y nest pas le mme quelle que soit la valeur de X : Si X = 0, il ny a que des garons, il y a donc une seule squence, la valeur de Y est 1. La probabilit de cette valeur est 1. P(Y=1|X=0) = 1. Si X = 1, il y a une seule fille : si elle est lane, elle forme elle seule une squence, puis, aprs elle, les garons forment une deuxime squence et Y = 2. Si la fille est la cadette, on a aussi Y = 2. Enfin si la fille est le deuxime enfant de la famille, les sexes sont alterns, il y a trois squences, Y = 3. Chaque possibilit a la mme probabilit : la fille peut tre lane, la cadette ou la pune avec une gale probabilit de 1/3. De faon symtrique, si X = 2 ou si X = 3, on peut changer les rles des filles et des garons : les nombres de squences sont les mmes. En dfinitive, on obtient le tableau suivant de probabilits conjointes, quon peut complter par les probabilits marginales :

0 0,125 0 0 0,125

1 0 0,250 0,125 0,375

2 0 0,250 0,125 0,375

3 0,125 0 0 0,125

P(Y = yj ) 0,250 0,500 0,250 1,000

1 2 3 P(X = xi )

La loi de probabilit marginale de la variable alatoire Y est donne dans la dernire colonne : Y P ( Y = yj ) 1 0,25 2 0,50 3 0,25

Cette loi de probabilit est symtrique : son esprance mathmatique est donc la valeur centrale 2, qui est aussi mode et mdiane.

VARIABLES ALEATOIRES CONTINUES


Exercice 32.
Soit la fonction f ( x ) = a x + b x + c dfinie et positive sur l'intervalle [ 0 ; 1 ]. 1/ Ecrire la relation de normalisation existant entre les coefficients a, b, et c pour que la fonction f(x) puisse tre considre comme la fonction densit de probabilit d'une variable alatoire continue X prenant ses valeurs dans l'intervalle [ 0 ; 1 ] de R. 2/ Parmi les fonctions densit de probabilit f(x) prcdentes, trouver celle qui s'annule pour x = 0 et x = 1. Donner l'expression de sa fonction de rpartition et reprsenter graphiquement ces deux fonctions. 3/ Calculer la moyenne , la variance et l'cart-type de la variable alatoire X. 4/ Calculer la mdiane et le mode de la variable alatoire X. 1 1 2 5/ Calculer les probabilits suivantes : Pr ( X = ) ; Pr ( X < ) et Pr ( X > ). 3 3 3 6/ Calculer les probabilits des intervalles de fluctuation dfinis par la relation | X | < 2 Comparer les rsutats avec ceux qui auraient t fournis par l'ingalit de Bienaym-Tchebychev dans le cas o la loi de probabilit de la variable alatoire est inconnue.

SOLUTION.
1/ Relation liant les coefficients a, b, c, de la densit de probabilit f(x).
Comme la fonction f(x) dfinie par f(x) = a x + b x + c sur [ 0 ; 1 ] et 0 ailleurs, est continue sur 'intervalle ouvert ] 0 ; 1 [, elle dfinit une densit de probabilit si :
Elle vrifie la condition de normalisation : Elle est positive sur l'intervalle [ 0 ; 1 ]

f(x) dx = 1.

a) Condition de normalisation.
Puisque f(x) est nulle en dehors de l'intervalle [ 0 ; 1 ], la condition de normalisation se rduit : 3 2 1 x =1 x x a b +b +cx ( a x + b x + c ) dx = 1, soit a = 1, ou encore : + + c = 1, 3 2 3 2 x=0 0

c'est l'quation d'un plan dans l'espace ( a , b c ), qui s'crit aussi : 2a+3b+6c=6
Cette condition n'est pas suffisante, comme on le voit en prenant, par exemple : a = 0, c = 1 , b = 4. Avec ces valeurs, la relation prcdente est vrifie, mais f(x), qui est reprsente par la droite y = 4 x - 1, est ngative 1 : ce ne peut donc pas tre une densit de probabilit. Tous les points du plan 2a + 3b + 6c = 6 ne entre 0 et 4 conviennent pas.

b) Positivit sur [ 0 ; 1 ].
Ltude de la positivit de f(x) est ici hors du sujet de lexercice. La positivit sur l'intervalle [ 0 ; 1 ] se traduit par : f(0) 0 et f(1) 0 ; f(x) = 0 x ] 0 ; 1 [. f(0) 0 donne c 0. f(1) 0 donne a + b + c 0.

Or la condition de normalisation 2 a + 3 b + 6 c = 6, s'crit aussi : 3 b = 6 (1 c ) 2 a = 2 ( 3 ( 1 c ) a ), soit 2 b = [ a + 3 ( c 1) ] 3 donc la condition a + b + c 0 s'crit aussi 3 a 2 [ a + 3 ( c 1 ) ] + 3 c 0, soit a 3 c + 6 0, a3(c2) Dans le plan ( c , a ), ou b = 0, les conditions c 0 et a 3 ( c 2 ) dfinissent l'angle compris entre les droite c = 0 et a = 3 ( c 2 ). Donc seuls les points du secteur du plan 2 a + 3 b + 6 c = 6 qui se projettent paralllement l'axe b dans l'angle du plan b = 0 que l'on vient de dfinir peuvent ventuellement donner des fonctions f(x) = a x + b x + c densits de probabilit. Le discriminant = b 4 a c de f(x) s'crit, par limination de b, uniquement en fonction de a et c sous la forme : 4 = [ a + 6 a ( c 1 ) + 9 ( c 1 ) ] 4 a c 9 de sorte que l'on a : 9 = a + 6 a ( c 1 ) + 9 ( c 1 ) - 9 a c 4 9 = a 3 a c + 9 c 6 a 18 c + 9 4 On voit ainsi que, pour discuter des valeurs de a, b et c qui peuvent ventuellement donner des densits de probabilit, il faut tudier la conique d'quation : Y 3 X Y + 9 X 6 Y 18 X + 9 = 0 quation qui est de la forme : A Y + B X Y + C X + D Y + C X + E = 0 Si l'on ordonne l'quation par rapport Y, on obtient : Y - 3 ( X + 2 ) Y + 9 ( X - 2 X + 1) = 0, d'o l'on tire Y en fonction de X : 1 3 Y = {3 ( X + 2 ) 3 [ ( X + 2 ) 4 ( X 1 ) ] } = { X + 2 [ ( X + 2 + 2 ( X 1 ) ) ( X + 2 2 ( X 1 ) ) ] } 2 2 3 Y = { X + 2 [ 3 X ( 4 X) ] } 2

Toute la conique est contenue entre les droites X = 0 et X = 4 : c'est une ellipse ( E0 ). Cette ellipse ( E0 ) est la projection paralllement l'axe b d'une ellipse ( E ) du plan d'quation 2 a + 3 b + 6 c = 6. Le centre de l'ellipse ( E0 ) est le point X = 2, Y = 6. En ce point, le polynme qui dfinit l'ellipse vaut 3636+363636+9 = 25. Il est ngatif. Donc : le discriminant = b 4 a c de f(x) est ngatif l'intrieur de l'ellipse ( E ), est nul sur l'ellipse ( E ). est positif l'extrieur de l'ellipse ( E ).
1er cas : Intrieur et frontire de l'ellipse ( E0 ). C'est la rgion (dite adhrence) dfinie par : 0c4 3 3 {c + 2 - [ 3 c ( 4 c) ] } a { c + 2 + [ 3 c ( 4 c) ] } 2 2

Dans ce domaine, est plus petit que zro, f(x) garde toujours le signe de a. Or { c + 2 [ 3 c ( 4 c) ] } 0 puisque 3 c ( 4 - c ) = ( c + 2 ) - 4 ( c - 1 ), qui est positif, est plus petit que ( c + 2 ), avec un c + 2 compris entre 2 et 6, donc a est positif et f(x) est positif quel que soit x. Ainsi, lorsque le point ( a , c ) est adhrent l'ellipse, f(x) dfinit toujours une densit de probabilit. On peut rsumer ce raisonnement de la faon suivante : Pour a b 3 3 + + c = 1 , 0 c 4 et {c + 2 - [ 3 c ( 4 c) ] } a { c + 2 + [ 3 c ( 4 c) ] }, 3 2 2 2 f(x) = a x + b x + c dfinit toujours une densit de probabilit sur [ 0 ; 1 ].

2me cas : Extrieur de l'ellipse. L'extrieur de l'ellipse est dfini par :

3 {c + 2 + [3c( 4 c) ] }]} 2 2 Dans ce domaine, le discriminant de f(x) est strictement positif, f(x) a deux racines relles distinctes : 1 1 { a + 3 ( c 1) + [ a 3 a c + 9 c 6 a 18 c + 9 ] } (b )= x1 = 2a 3a 1 1 x2 = { a + 3 ( c 1) [ a 3 a c + 9 c 6 a 18 c + 9 ] } (b+ )= 2a 3a Pour que f(x) ne change pas de signe l'intrieur de l'intervalle, ces deux racines doivent tre toutes deux l'extrieur de l'intervalle [ 0 ; 1 ]. Pour que f(x) soit positif dans l'intervalle [ 0 ; 1 ], il faut que l'on ait : ou bien : a > 0 et les racines sont toutes deux du mme ct de l'intervalle [ 0 ; 1 ], ou bien : a < 0 et les racines sont de part et d'autre de l'intervalle [ 0 ; 1 ]. Ces conditions peuvent s'crire aussi : ou bien : a > 0 et ( x2 < 0 ou x1 > 1 ) ou bien : a < 0 et ( x1 < 0 et x2 > 1 ). Les conditions f(0) 0 et f(1) 0 limitent l'tude au secteur de plan dfini par c 0 et a 3 ( c - 2 ). La droite c = 0 du plan ( c , a ) est tangente l'ellipse. La droite a = 3 ( c - 2 ) est tangente, elle aussi, l'ellipse. En effet : Pour c = 3, le point de la droite a pour ordonne a = 3, et le point ( 3 , 3 ) est sur l'ellipse puisque l'on a : a 3 a c + 9 c 6 a 18 c + 9 = 9 - 27 + 81 - 18 - 54 + 9 = 99 - 99 = 0. 3 En ce point de l'ellipse, la tangente a pour pente la valeur de la drive de {c + 2 - [ 3 c ( 4 c) ] }, 2 soit : 3 1 { 1 - ( - 6 c + 12 ) [ 3 c ( 4 c) ] - } = 3 2 2 La tangente est donc la droite de pente 3 qui passe par le point ( 3 , 3 ), c'est la droite a = 3 ( c - 2 ). Dans la rgion dfinie, entre les deux droites c = 0 et a = 3 ( c - 2 ), par c 0 et a 3 ( c - 2 ), on a f(0) 3 0 et f(1) 0. Quand a-t'on f(x) 0 pour tout x entre 0 et 1 ? Rponse: pour c 3 et a {c + 2 - [ 3 c ( 4 c) 2 ] }, pas ailleurs. Ainsi, la rgion o f(x) dfinit une densit de probabilit est la rgion hachure sur la figure. Dans cette rgion, les deux racines de f(x) sont l'extrieur de l'intervalle [ 0 , 1 ] : du mme ct pour a > 0, de part et d'autre pour a < 0. Au-del de l'ellipse, les deux racines sont l'intrieur de l'intervalle [ 0 , 1 ].
En rsum : Pour que f(x) = a x + bx + c dfinisse une densit de probabilit, il faut et il suffit que : 1. 2 a + 3 b + 6 c = 6 (condition de normalisation) 2. Le point ( c , a ) appartienne la rgion dfinie (par positivit de f(x)) par : l'adhrence de l'ellipse (E) d'quation a - 3 a c + 9 c - 6 a - 18 c + 9 = 0 le triangle curviligne limit par les droites c = 0 et 2 a - 3 c = 6 et la branche infrieure de l'ellipse (E).

{[c < 0 ou c > 4] et a quelconque} ou {0 c 4 et [a < 3 {c + 2 - [3c(4 c)]} ou a >

On peut maintenant prciser un peu les choses sur le graphique de l'ellipse :

Points particuliers : Sur l'ellipse : A:c=0;a=3(b=0) B:c=1;a=0(b=0) C:c=3;a=3(b=6) D : c = 4 ; a = 9 ( b = 12 ) E : c = 3 ; a = 12 ( b = 12 ) Dans l'ellipse : M:c=2;a=6(b=6) Hors de l'ellipse : O:c=0;a=0(b=2) P:c=2;a=0(b=2) Q:c=0;a=6(b=6)

Droites particulires : Segment QOA : c = f ( 0 ) = 0. A droite de ce segment : f ( 0 ) > 0. Segment QBME : a = 6 ( c 1 ). Segment QPC : a = 3 ( c 2 ). A gauche de ce segment : f ( 1 ) > 0. Segment OBP : a = 0 . Sur cette droite, on a b = 2 ( 1 - c ) et f(x) est du premier degr . Pour c = 1 : pas de racine, f(x) = 1, x [ 0 ; 1 ]. c Pour c 1, f(x) a pour racine : x = 2 ( c 1) Pour 0 < c < 1 : une racine < 0. Droite ascendante ( b > 0 ) Pour 1 < c < 2 : une racine > 1. Droite descendante ( b < 0 ) Segment AMD : 2 a = 3 ( c + 2 ). Axe de symtrie verticale de l'ellipse. Droite AB : a = 3 ( 1 c ). Intersection des plans 2 a + 3 b + 6 c = 6 et b = 0 Rgions particulires et rsultats s'y rattachant : Intrieur de l'ellipse : f(x) est toujours positif et f(x) dfinit une densit de probabilit. 0<c<4 3 3 {c + 2 - [ 3 c ( 4 c) ] } a { c + 2 + [ 3 c ( 4 c) ] } 2 2 b > 0 gauche de la droite AB ; b < 0 droite de la droite AB ; b = 0 sur le segment de droite AB.

Point M : c = 2 ; a = 6 ; ( b = 6 ) ; f(x) = 2 ( 3 x - 3 x + 1 ) est symtrique par rapport x = = f(1) = 2 ; f ( 1 1 1 1 ) = ; f(x) dcrot de 0 , puis crot de 1. 2 2 2 2

1 ; f(0) 2

Segment BE : 1 < c < 3 ; a = 6 ( c 1 ) ; b < 0 ; f(x) est symtrique par rapport x = de 0 1 1 , puis crot de 1. 2 2

1 ; f(x) dcrot 2

3 { c + 2 + [ 3 c ( 4 c) ] 2 1 } ; b < 0 ; f(x) n'a pas de racine relle ; son axe de symtrie est gauche de x = ; f(x) est croissante 2 au voisinage de 1, et dcroissante au voisinage de 0. 3 Secteur d'ellipse sous AB : 0 < c < 1 ; { c + 2 [ 3 c ( 4 c) ] } < a < 3 ( 1 c ) ; b > 0 ; f(x) est 2 croissante au voisinage de 1 et croissante au voisinage de 0. Segment AB : 0 < c < 1 ; a = 3 ( 1 c ) ; b = 0 ; f(x) = 3 ( 1 c ) x + c est minimum pour x = 0 et croissante sur [ 0 ; 1 ]. 3 Intrieur de la demi-ellipse BCDEM : 1 < c < 4 ; { c + 2 [ 3 c ( 4 c) ] } < a < Inf ( 6 ( 1 c ) ; 2 3 1 { c + 2 + [ 3 c ( 4 c) ] } ) ; b < 0 ; l'axe de symtrie de f(x) est droite de la droite x = ; f(x) 2 2 est dcroissante au voisinage de 0 et croissante au voisinage de 1. Triangle curviligne AEB : 0 < c < 3 ; Sup ( 3 ( 1 c ) ; 6 ( c 1 ) ) < a <

Frontire de l'ellipse : f(x) dfinit toujours une densit de probabilit. Point A : c = 0 , a = 3 , ( b = 0 ) : f(x) = 3 x a une racine double en x = 0. c 3 Arc AB : f(x) a une racine double ngative , 0 < c < 1 , a = {c + 2 - [ 3 c ( 4 c) ] } , b = 2 2 a

Point B : c = 1 , a = 0 , b = 0 : f(x) = 1. Densit de probabilit constante. 3 Arc BC : f(x) a une racine double > 1. 1 < c < 3 , a = {c + 2 - [ 3 c ( 4 c) ] } , b = 2 a c . 2 Point C : c = 3 , a = 3 ( b = 6 ) : f(x) = 3 ( x - 1 ), 1 est racine double. c 2 Arc CD : f(x) a une racine double positive comprise entre 1 et ; 3 a 3 3 < c < 4 , a = {c + 2 - [ 3 c ( 4 c) ] } , b = 2 a c . 2 2 est racine double. c atteint l sa valeur Point D : c = 4 ; a = 9 ( b = - 12 ) : f ( x ) = ( 3 x - 2 ) ; 3 maximum. c 2 1 Arc DE : f(x) a une racine double positive comprise entre et ; 3 2 a 3 3 < c < 4 , a = {c + 2 + [ 3 c ( 4 c) ] } , b = 2 a c . 2 1 est racine double a atteint l sa valeur Point E : c = 3 ; a = 12 ( b = 12 ) : f(x) = 3 ( 2 x - 1 ) ; 2 maximum. c 1 Arc EA : f(x) a une racine double positive comprise entre et 0 ; 2 a 3 0 < c < 3 , a = {c + 2 + [ 3 c ( 4 c) ] } , b = 2 a c . 2 Intrieur du triangle curviligne AOB : f(x) a deux racines relles simples < 0 ; f(x) est croissant sur [ 0 ; 1 ]. Intrieur du triangle curviligne BPC : f(x) a deux racines relles simples > 1 ; f(x) est dcroissant sur [ 0 ; 1 ]. Point O : c = 0 ; a = 0 ( b = 2 ) : f(x) = 2 x ; f(x) a une racine relle simple x = 0 ; f(x) est croissant sur [ 0 ; 1 ]. Segment OB : 0 < c < 1 ; a = 0 ( b = 2 ( 1 - c ) ) ; f(x) = 2 ( 1 - c ) x + c a une racine relle simple < 0 ; f(x) est croissant sur [ 0 ; 1 ]. Segment BP : 1 < c < 2 ; a = 0 ( b = 2 ( 1 - c ) ) ; f(x) = 2 ( 1 - c ) x + c a une racine relle simple > 1 ; f(x) est dcroissant sur [ 0 ; 1 ]. Point P : c = 2 ; a = 0 ( b = 2 ) ; f(x) = 2 ( x 1 ) a une racine relle simple x = 1 ; f(x) est dcroissant sur [ 0 ; 1 ]. a a ) ) ; f(x) = x [ a x + 2 ( 1 ) ] a deux racines relles Segment OA : c = 0 ; 0 < a < 2 ( b = 2 ( 1 3 3 1 1 1 distinctes : 0 et 2 ( ) qui est infrieure ; f(x) est croissante sur [ 0 ; 1 ]. 3 a 3
Segment QO : c = 0 ; 6 < a < 0 ( b = 2 ( 1

ac .

a a ) ) ; f(x) = x [ a x + 2 ( 1 ) ] a deux racines relles 3 3

1 1 ) qui est suprieure 1 ; f(x) est croissante au voisinage de 0. 3 a Point Q : c = 0 ; a = 6 ( b = 6 ) : f(x) = 6 x ( x - 1 ) a deux racines relles distinctes 0 et 1 ; f(x), 1 croissante au voisinage de 0, admet pour axe de symtrie la droite x = . 2 distinctes : 0 et 2 (

Segment QB : 0 < c < 1 ; a = 6 ( c 1 ) ; b = 6 ( c - 1 ) ; f(x) = 6 ( c 1 ) x 6 ( c 1 ) + c admet la 2 1+ 1 c 1 1 pour axe de symtrie. Ses racines sont 1 : elles sont situes de part et d'autre droite x = 2 2 3 1 de l'intervalle [ 0 ; 1 ], et symtriques par rapport au milieu du segment [ 0 ; 1 ]. f(x) est croissante de 0 2 1 et dcroissante de 1. 2 Triangle QOB : 0 < c < 1 ; 6 ( c 1 ) < a < 0 ; f(x) a deux racines relles distinctes de part et d'autre de 1 l'intervalle [ 0 ; 1 ], son axe de symtrie est droite de x = ; f(x) est croissante au voisinage de 0. 2 Triangle QBP : 0 < c < 2 ; 3 ( c 2 ) < a < Inf ( 6 ( c 1 ) ; 0 ) ; f(x) a deux racines relles distinctes de part 1 ; f(x) est dcroissante au et d'autre de l'intervalle [ 0 ; 1 ] , son axe de symtrie est gauche de x = 2 voisinage de 1. Segment QP : 0 < c < 2 ; a = 3 ( c 2 ) ; ( b = 2 ( 3 2 c ) ) ; f(x) = ( x 1 ) ( 3 ( c 2 ) x c ) a deux 1 1 qui est ngative ; f(x) est dcroissante au voisinage de 1. racines relles distinctes : 1 et 1 c 3 1 2 En dehors du secteur de plan limit par QOAEDCPQ, la fonction f(x) ne dfinit pas une densit de probabilit parce qu'il y a toujours au moins un morceau de l'intervalle [ 0 ; 1 ] dans lequel f(x) est ngative.

Dans le plan dfini par la condition de normalisation : 2 a + 3 b + 6 c = 6, la seule rgion de l'espace (a , b , c ) qui donne pour f(x) = a x + b x + c une densit de probabilit est l'adhrence de la rgion qui se projette, paralllement l'axe b sur le secteur de plan QOAEDCPQ .

2/ Densit de probabilit f(x) qui s'annule pour x = 0 et pour x = 1.


a. Densit de probabilit f(x).
Elle est dfinie par les trois conditions : f(0) = c = 0 f(1) = a + b + c = 0 Condition de normalisation : 2 a + 3 b + 6 c = 6. Comme on l'a vu dans l'tude prcdente, elle correspond au point Q , projection dans le plan ( c , a ) du point : a=6 b=6 c=0 f ( x ) = 6 x + 6 x = 6 x ( 1 x ) f(x)=0 pour 0 < x < 1 ailleurs .

b. Fonction de rpartition F ( x ).
La fonction de rpartition F ( x ) correspondant f(x) est dfinie par F(x) =

Pour x 0, la fonction f(t) est nulle sur tout l'intervalle d'intgration, donc F(x) est nulle. Pour 0 < x < 1, on peut dcomposer l'intervalle d'intgration en deux morceaux : Un morceau de 0 sur lequel f(t) est nulle, donc sur lequel l'intgrale est nulle ;

f(t) dt.

x Un morceau de 0 x sur lequel f ( t ) = 6 t + 6 t, donc sur lequel l'intgrale vaut : [ 2 t + 3 t ] 0 = 2 x + 3 x. Pour x 1, on peut dcomposer l'intervalle d'intgration en trois morceaux : Un morceau de 0 sur lequel f(t) est nulle, donc sur lequel l'intgrale est nulle ; Un morceau de 0 1 sur lequel f ( t ) = 6 t + 6 t, donc sur lequel l'intgrale vaut : [ 2 t + 3 t ] 1 0 =1; Un morceau de 1 x sur lequel f(t) est nulle, donc sur lequel l'intgrale est nulle. Au total, pour x 1, on obtient F ( x ) = 1.

F(x)=

0 2 x + 3 x 1

pour x 0 pour 0 < x < 1 pour x 1

c. Courbes reprsentatives de f(x) et de F(x).

3/ Moyenne, variance et cart-type de X.


a) Moyenne.
Comme la distribution est symtrique autour de la valeur 0,5, on voit tout de suite, sur le graphique prcdent que la moyenne, gale la mdiane ( F(x) = 0,5), est 0,5. On peut aussi le montrer par le calcul : E(X)=

x f(x) dx =

x ( 6 x + 6 x ) dx = [ 23 x + 2 x ]
1
4

1 0

1 . 2

b. Variance.
1. La variance peut se calculer partir de la dfinition : Var ( X ) = E ( ( X E ( X ) ) ) = 1 1 6 x ( x ) ( 1 x ) dx ) f ( x ) dx = 2 2 0 1 1 1 Changement de variable : x = u ; dx = du ; x = 0 u = ; x = 1 u = . 2 2 2 (x
Var ( X ) =

1 2 1 2

1 1 6(u+ ) u ( u ) du = 6 2 2
1

1 2

u (
1 2

1 1 1 6 5 2 1 3 1 u ) du = 2 [ u u ]0 = = . 4 2 5 8 40 20

2.

La variance peut se calculer partir de la formule de la variance : Var ( X ) = E ( X ) [ E ( X ) ].

E ( X) =

x f(x) dx =

[x ] x ( 6 x + 6 x ) dx = 6 x dx + 6 x dx = 6 5
1 1
4 5

1 0

3 4 1 3 [ x ]0 = 2 10

2 3 1 3 1 1 . = = Var ( X ) = 10 4 20 10 2

5. L'cart-type est la racine carre de la variance : X =


10

4/ Mdiane et mode.
a) Mdiane.
1 1 . On a donc F ( Me ) = ; comme F ( Me ) est diffrent de 2 2 1 0 et de 1, Me est compris entre 0 et 1, et Me est solution de l'quation : 2 Me + 3 Me = . Il y a une 2 1 1 solution vidente que l'on avait dj trouve plus haut : Me = . Divisons le polynme 2 Me + 3 Me 2 2 1 par ( Me ) : 2 La mdiane Me est dfinie par : Pr ( X Me ) = 1 1 1 2 M e + 3 M e = ( Me ) ( 2 M e + 2 M e + 1 ) = 2 ( M e ) ( Me

1+ 3
2

) ( Me

1 3
2

).

La seule racine du polynme qui soit comprise entre 0 et 1 est Me =


1 , les autres sont ou ngative ( Me = 2

1 3 ), ou plus grande que 1 (M = 1 + 3 ). La mdiane vaut donc : e


2 2 Me = 1 . 2

b) Mode.
Par dfinition, le mode de X est la valeur de X pour laquelle f(x) atteint un maximum. Dans la construction de la courbe reprsentative de la densit de probabilit f(x), nous avons vu que f(x) a un maximum, et un seul pour x = 0,5. Le mode de X est donc : 1 Mo = . 2

5/ Calcul de diverses probabilits.


1 ). 3 C'est la probabilit d'une valeur particulire : pour une distribution continue, la probabilit d'une valeur particulire est toujours nulle. 1 Pr ( X = ) = 0 3 1 b) Pr ( X < ). 3 1 3 1 2 1 1 1 2 7 = Pr ( X < ) = F ( ) = 2 + 3 = 3 3 3 3 3 27 27 2 c) Pr ( X > ). 3 1 1 1 2 2 1 7 Comme la distribution est symtrique par rapport = + , on a Pr ( X > ) = Pr ( X < ) = . 2 2 3 3 3 3 27 On peut aussi montrer ce rsultat par le calcul : 2 3 2 2 2 2 16 4 7 = . Pr ( X > ) = 1 F ( ) = 1 [ 2 + 3 ] = 1 + 3 3 3 3 27 3 27 a) Pr ( X =

6/ Probabilit des intervalles de fluctuation | X | < et | X | < 2 .


a) Valeur des probabilits.
5 2 5 2= 10 25 11 5 50

5 5 = 10 25 7 5 50

5+ 5 += 10 25 + 7 5 50

5+ 2 5 +2= 10 25 + 11 5 50

F(x)

7 5 Pr ( | X | < ) = F ( + ) - F ( ) = = 0,6261 25 11 5 = 0,9839 Pr ( | X | < 2 ) = F ( + 2 ) - F ( 2 ) = 25

b) Majorations donnes par l'ingalit de Bienaym - Tchebitchev.


L'ingalit de Bienaym - Tchebitchev, valable pour une variable alatoire discontinue, est encore valable pour une variable continue, quelle que soit sa loi de probabilit : Pr { | X | k } Pour k = 1 et k = 2, cette ingalit donne : Pr { | X | } 1 et Pr { | X | 2 } 1 4 3 , ce qui n'est pas trs fin comme 4 1 . k

On en tire seulement : Pr { | X | < } 0 et Pr { | X | < 2 } minoration.

Exercice 33.
On suppose que la glycmie est distribue normalement dans la population, avec une moyenne de 1 g/l et un cart-type de 0,03 g/l. On mesure la glycmie chez un individu. 1- Calculer la probabilit pour que sa glycmie soit : a) infrieure 1,06 ; b) suprieure 0,9985 ; c) comprise entre 0,94 et 1,08 ; 2- On mesure la glycmie chez 1 000 individus. Donner le nombre moyen d'individus dont la glycmie est suprieure 0,99.

SOLUTION.
1/ Probabilit de divers intervalles de valeurs de la glycmie.
Notons X la glycmie mesure sur un individu de la population. X suit une loi de Gauss G ( 1,00 ; 0,03 X ). La variable alatoire centre rduite correspondante U = suit une loi de Gauss G ( 0 ; 1 ).

a) P ( X < 1,06 )
C'est la surface hachure suivante :

1,06 1 P ( X < 1,06 ) = P U < = P ( U < 2 ) = F ( 2 ) = 0,977249868052 0,9772 0,03 b) P ( X > 0,9985 )

C'est la surface hachure suivante :

0,9985 1 P ( X > 0,9985 ) = P U > = P ( U > 0,05 ) = P ( U < 0,05 ) 0,03 P ( X > 0,9985 ) = F ( 0,05 ) = 0,519938805838 0,5199 1 0 , 053 + ... ) 0,5200 F ( 0,05 ) 0,5 + ( 0,05 6 2

c) P ( 0,94 < X < 1,08 )


C'est la surface hachure suivante :

P ( 0,94 < X < 1,08 )

0,94 1 8 8 1,08 1 =P <U< =F F(2)=F 1+F(2) 0,03 0,03 3 3 = 0,9962 + 0,9772 1 = 0,9734
P ( 0,94 < X < 1,08 ) = 0,9734

2/ Nombre moyen d'individus, dans un chantillon de 1000 personnes, dont la glycmie est suprieure 0,99.
1 P ( X > 0,99 ) = 1 F = 1 0,369441340182 = 0,630558659818 0,6306. 3 En moyenne, la proportion d'individus ayant une glycmie suprieure 0,99, tend se rapprocher de la valeur thorique prcdente donne par la loi de Gauss, mesure que le nombre d'individus pris en considration augmente. Pour 1 000 individus, on peut donc considrer qu'il y a en moyenne 630,6 individus qui prsentent une glycmie suprieure 0, 99 g/l.

Exercice 34.
A l'entre d'une station de mtro, un marchand de journaux remarque qu'en moyenne, entre 8h et 9h, une personne sur 10 achte un journal. 1. Sachant qu'il passe 400 personnes entre 8h et 9h, indiquer la loi de probabilit de X, nombre de journaux vendus pendant cette priode (prciser les hypothses). 2. Donner l'esprance mathmatique et la variance de X. 3. Par quelle loi de probabilit peut-on approcher la loi de X ? Utiliser cette approximation pour calculer les probabilits des vnements : X = 42 ; X 45 ; 35 X < 45 ; 29 X < 52.

SOLUTION.
1/ Loi de probabilit du nombre X de journaux vendus entre 8h et 9h.
a) Epreuve de Bernoulli.
Pour une personne qui prend le mtro entre 8h et 9h, de deux choses l'une : ou bien elle achte un journal (succs, probabilit p = 0,1 ), ou bien elle n'en achte pas ( chec, probabilit q = 0,9 ). Regarder si la personne achte un journal constitue donc une preuve de Bernoulli.
Hypothses :

On suppose que les 400 personnes qui prennent le mtro entre 8h et 9h dcident indpendamment l'une de l'autre de l'achat ou non d'un journal. (preuves indpendantes). On suppose que la probabilit d'acheter un journal est la mme pour toules les personnes qui prennent le mtro entre 8h et 9h. (la probabilit du succs est la mme pour chaque preuve).

b) Loi de probabilit du nombre X de succs.


Lorsqu'on rpte l'preuve de Bernoulli pour les 400 personnes qui prennent le mtro entre 8h et 9h, le nombre X de journaux vendus est le nombre de succs dans cette rptition de l'preuve de Bernoulli. Le nombre de succs X suit une loi binomiale de paramtres : n = 400 (nombre de rptittions) et p = 0,10 (probabilit du succs dans l'preuve).
k P ( X = k ) = C 400 ( 0,1 )k ( 0,9 )400k.

2/ Esprance mathmatique et variance de X.


E ( X ) = n p = 400 0,1 = 40 Var ( X ) = n p q = 40 0,9 = 36

3/ Approximation de la loi binomiale par la loi normale.


Comme n p = 40 et n q = 360 sont tous deux suprieurs 10, on peut esprer avoir une bonne approximation de la loi binomiale par une loi normale de moyenne = n p = 40 et de variance = n p q = 36. Appelons X' la variable alatoire normale permettant d'approcher la loi de probabilit de X. A chaque vnement concernant X correspond un vnement concernant X'. Le tableau suivant permet de comparer les rsultats donns par l'approximation normale et l'approximation par une loi de Poisson de paramtre = 40. Evnement sur X Evnement sur X' Loi binomiale B (400 ; 0,1) Loi normale G ( 40 ; 36 ) Loi de Poisson P ( 40 ) X = 42 41,5 < X' < 42,5 6,148 10- 6,283 10- 5,849 10- X 45 X' > 44,5 22,367 10- 22,663 10- 23,432 10- 35 X < 45 34,5 < X' < 44,5 59,585 10- 59,371 10- 57,181 10- 29 X < 52 28,5 < X' < 51,5 94,542 10- 94,472 10- 93,188 10-

L'approximation par la loi normale de moyenne 40 et de variance 36 apparat comme la meilleure des deux approximations envisageables. Cependant, il faut remarquer que le perfectionnement des calculettes actuelles

permet, dans un cas comme celui-ci, de se passer d'approximation et de calculer la vraie valeur de probabilit donne par la loi binomiale, et ceci, assez rapidement.
Dtail des calculs dans l'approximation normale :

a) P ( X = 42 )
42 ,5 40 41,5 40 La correction de continuit donne P ( X = 42 ) = P ( 41,5 < X' < 42,5 ) = F F 6 6 5 1 P ( X = 42 ) = F F = 0, 661 5 0, 598 7 = 6,28 10-. 12 4

b) P ( X 45 )

44 ,5 40 3 P ( X 45 ) = P ( X' > 44,5 ) = 1 P ( X' < 44,5 ) = 1 F =1F = 1 F ( 0,75 ) 6 4 P ( X 45 ) = 1 0, 773 4 = 22,66 10-.

c) P ( 35 X < 45 )

P ( 35 X < 45 ) = P ( 34,5 < X' < 44,5 ) 44 ,5 40 34 ,5 40 =F F 6 6 3 11 3 11 =F F = F +F 1 4 12 4 12 = F ( 0,75 ) + F ( 0,9167) = 0, 773 4 + 0, 802 3 1 = 59,37 10-.

Exercice 35.
On dsire tudier la loi de probabilit du temps dattente dun vhicule devant un signal de circulation type rouge et vert . On suppose que la priodicit du signal est rgulire et que larrive du vhicule est compltement alatoire. Le temps dattente du vhicule est not X ; il peut varier de a = 0 b = 60 (en k k secondes). On dfinit sur lintervalle de dfinition de X, la fonction f(x) = (k > 0). = ba 60

1/ Calculer la valeur de k pour que f(x) puisse tre considre comme la fonction densit de probabilit de la variable alatoire continue X qui prend ses valeurs dans lintervalle [ a ; b ] = [ 0 ; 60 ]. k= 2/ Calculer le temps dattente moyen (en secondes) 3/ Calculer lcart-type (on arrondira le rsultat deux chiffres) : E(X) =
= Rponse 1 Rponse 2 Rponse 3 Rponse 4 Rponse 5 Rponse 6

4/ Calculer la probabilit pour que le vhicule attende moins de 20 secondes 5/ Calculer la probabilit pour que le vhicule attende entre 15 et 30 secondes 6/ Calculer la probabilit suivante : P( |X E(X)| ) N.B. dans ce calcul, on prendra pour la valeur arrondie deux chiffres significatifs de la rponse 3. Tableau de rponses de lexercice 1 (Rponses 1 6)
0 0,05 0,09
B C

0,11 0,15
D E

0,19 0,25
AB AC

0,29 0,33
AD AE

0,41 0,49
BC BD

0,52 0,57
BE CD

0,65 0.,71
CE DE

0,81 1
ABC ABD

5 7
ABE ACD

9 12
ACE ADE

17 26
BCD BCE

30 33
BDE CDE

37 41
ABCD ABCE

45 47
ABDE ACDE

50 51
BCDE ABCDE

SOLUTION.
1/ Condition de normalisation.
Pour que la fonction f(x) = de normalisation
+

k ba

k 60

(k > 0) soit une densit de probabilit, il faut et il suffit que la condition k


b

f(x) dx = 1 soit remplie. Cette condition scrit b a a dx = 1, soit k = 1.


k=1

Rponse 1 : ABD

2/ Esprance mathmatique.
E(X) =

x f(x) dx = 0

60

x dx

2 x = 60 2 1 x 60 = = = 30 secondes 60 2 60 60 2 x=0

E(X) = 30 secondes

Rponse 2 : BDE

3/ Ecart-type.

= Var ( X ) =
=
300 = 10

60

( x E ( X )) f ( x ) dx =

60 ( x 30 )

60

( x 30 )3 x=60 dx = = 180
x=0

30

180

3 = 17,32050807569

= 17 s

Rponse 3 : BCD

4/ Probabilit pour que le vhicule attende moins de 20 secondes.


La fonction de rpartition de la variable alatoire X est :

Pour x < 0 : F(x) = P (X x) = 0 Pour x > 60 : F (x) = 1 Pour 0 x 60 : F(x) = P(X x) =


Do :

0 f(x) dx = 60
x

P(X < 20) = P(X 20) = F(20) = P(X < 20) = 0,33

20 60

1 3

= 0,33

Rponse 4 : AE

5/ Probabilit pour que le vhicule attende entre 15 et 30 secondes.


P(15 < X < 30) = F(30) F(15) =
30 15 60

1 4

= 0,25

P(15 < X < 30) = 0,25

Rponse 5 : AC

6/ Probabilit pour que | X E(X) | soit infrieur ou gal .


P( | X E(X) | ) = P(E(X) X E(X) + ) = P(30 17 X 30 + 17) = P(13 X 47) 47 13 34 = = F(47) F(13) = = 0,57 60 60 P( | X E(X) | ) = 0,57

Rponse 6 : CD
Lingalit de Bienaym-Tchebitcheff donne : 1 P( | X E(X) | k ) 2 k

Exercice 36.
Calculer lesprance mathmatique et la variance dune variable alatoire gaussienne X sachant que : P(X 2) = 0, 5793 et P(X > 5) = 0,2119

SOLUTION.
La table de la fonction de rpartition de la variable normale centre rduite (Cours polycopi, page 61) donne : 0,5793 = F(0,20) 1 0,2119 = 0,7881 = F(0,80) On en dduit : 2 E( X ) = 0,20 5 E( X ) = 0,80 do : 5 E( X ) 0,80 = =4 2 E( X ) 0,20 3 E(X) = 3

E(X) = 1 2 E(X) = 0,20 = 10 5 E(X) = 10 5 = 5

=5
La variance 2 est donc gale 52 = 25.

2 = 25

Exercice 37.
On suppose que la taille de 615 tudiants est distribue normalement avec une moyenne de 1,75 m et un carttype de 20 cm. Calculer le nombre dtudiants ayant des tailles : infrieures ou gales 1,50 m comprises entre 1,50 m et 1,65 m suprieures ou gales 2 m.

SOLUTION.
Soit X la taille dun tudiant. Le nombre dtudiants ayant une taille comprise entre deux limites a et b est : b 1,75 a 1,75 F = 615 [F(5 b 8,75) F(5 a 8,75)] . N = 615 P( a < X < b) = 615 F 0,20 0,20 On peut donc dresser le tableau suivant des rsultats : X 5 (X 1,75) F(5X8,75) P(X < 1,5) P(1,5 < X < 1,65) P(X 2) N

1,50 1,65 2 + 1,25 0,50 1,25 + 0 0,1056 0,3085 0,8944 1 0,1056 0,2029 0,1056 65 125 65

Exercice 38.
On jette un d 6 000 fois. On appelle X la variable alatoire correspondant au nombre de fois o on observe la face 1 aprs les 6 000 jets. 1. Montrer que X est une variable binomiale. 2. Justifier lapproximation de la loi binomiale par la loi de Gauss. 3. En utilisant lapproximation gaussienne, calculer les probabilits suivantes : P ( 980 X 1 030 ) P ( 980 < X < 1 030 )

SOLUTION.
1/ Loi de probabilit de la variable alatoire X.
Lpreuve consistant jeter le d et regarder si la face suprieure porte le chiffre 1 est une preuve de Bernoulli avec deux rsultats possibles : 1 le succs, la face suprieure porte le chiffre 1 , de probabilit p = 6 5 lchec, la face suprieure ne porte pas le chiffre 1 , de probabilit q = 1 p = . 6 Lorsquon rpte cette preuve 6 000 fois, le nombre X de succs, cest--dire le nombre de 1 qui sont sortis, 1 suit une loi binomiale de paramtres n = 6 000 et p = . 6 6000 k 5 k P(X = k) = C 6000 6000 6 La probabilit pour que X soit compris entre 980 et 1 030 est donc :
k=1030

P(980 X 1 030) =
Les calculettes donnent un rsultat aberrant.

k = 980

C 6000

6000 k 6000

k 5 6000 k=1030 C6000 = k 6 5 k = 980

2/ Approximation de la loi binomiale par la loi de Gauss.


Comme le calcul de la loi binomiale la machine dure un certain temps (5 minutes) et donne finalement un rsultat aberrant 0, on peut envisager de faire le calcul de la loi binomiale par approximation par une loi de Gauss. En effet, la variance n p q est gale 833 : elle est donc suprieure 20, ce qui justifie lapproximation de la loi binomiale de paramtres n et p par une loi de Gauss de paramtres : = n p = 1 000 5000 2 = n p q = 6 Dans cette approximation : la probabilit binomiale dune valeur k est approche par la valeur de la densit de probabilit normale : P(X=k)
Exemple : P ( X = 1 030 )

( k )

2 3

3 10000

6( k 1000 ) 10000

10000 On peut prendre aussi la surface sous la courbe de Gauss, dans un intervalle [ k 0,5 ; k + 0,5 ] de longueur 1 entourant k : k + 0,5 k 0,5 P(X=k)F F

e 0,54 = 8,05 10 3.

6 6 Exemple : P ( X = 1 030 ) F 30,5 F 29,5 = F (1,057) F (1,022) 5000 5000 = 0,85464 0,84659 = 0,00805 Pour un intervalle [ a ; b ] de valeurs de X, la probabilit binomiale sobtiendra en faisant la somme des probabilits des valeurs entires contenues dans lintervalle. La somme des surfaces sous la courbe de Gauss donne lapproximation normale avec correction de continuit (Cours polycopi, page50) : 1030,5 1000 979 ,5 1000 P(980 X 1 030) =F( )F( ) 28,86751345948 28,86751345948 = F(1,056550992617) F(0,7101408311033) = F(1,056550992617) + F(0,7101408311033) 1 = 0,854641721579 + 0,761191595859 1 = 0,6158331744 Remarque : Le calcul sans correction de continuit donne : P(980 X 1 030) = 0,606440063691. Nous retiendrons donc la valeur avec correction de continuit :
P(980 X 1 030) = 0,6158 Le calcul avec la table de la fonction de rpartition de la variable normale centre rduite donne, par interpolation linaire : P(980 X 1 030) = F(1,057) + F(0,710) 1 = 0,8547 + 0,7611 1 = 0,6158 Sa prcision est donc bien suffisante, par rapport celle de la machine calculer. En enlevant les valeurs entires bornes de lintervalle, il reste :

P(980 < X < 1 030)

6 6 = F 29,5 F 19,5 5000 5000 = F (1,02190997647) F (0,675499814952) = 0,846588244907 0,249679134450 = 0,596909110457 0,5969

Exercice 39.
On lance un d 450 fois. On appelle succs le fait dobtenir un 5 ou un 6, et chec le fait dobtenir un autre chiffre. 1/ Soit Xi la variable alatoire Nombre de succs observs au ime lancer . Ecrire la distribution de probabilit de Xi ; calculer son esprance mathmatique et sa variance. 2/ Soit Y la variable alatoire Nombre total de succs observs aprs les 450 lancers . En utilisant le thorme central limite, dduire la loi de probabilit suivie par Y ; puis calculer E(Y) et Var(Y).

SOLUTION.
1/ Loi de probabilit du nombre de succs lors du ime lancer.
Les valeurs possibles de la variable alatoire Xi sont 0 et 1. La valeur 0 correspond zro succs, cest--dire lchec. La valeur 1 correspond au succs. Lors du ime lancer, les vnements lmentaires constituant le succs sont les vnements 5 et 6 . La probabilit du succs est donc : nombre de cas favorables 2 1 P(Xi = 1) = = = nombre de cas possibles 6 3 et la probabilit de lchec est : 2 P(Xi = 0) = 3 La loi de probabilit de la variable alatoire Xi est donc une loi de Bernoulli, donne par :

Valeurs k de Xi
P(Xi = k)

0 2 3

1 1 3

Lesprance mathmatique et la variance de la variable alatoire Xi se dduisent de cette loi de probablit : 2 1 1 E(Xi ) = 0 + 1 = 3 3 3 2 2 2 1 1 1 2 4 6 2 Var(Xi ) = 0 + 1 = = = + 3 3 3 3 27 27 27 9
E(Xi ) =

1 3

Var(Xi ) =

2 9

2/ Loi de probabilit du nombre de succs aprs 450 lancers.


Le thorme central limite indique que lorsque le nombre n de lancers tend vers linfini, la loi de probabilit de la moyenne X =

X n
1
i =1

i=n

des variables alatoires Xi correspondant aux n lancers, tend vers une loi de Gauss de 1

moyenne E(Xi ) et de variance

Var(Xi ). Pour n = 450, on peut donc affirmer, par multiplication par n, que la

loi de probabilit de la variable alatoire Y = 450 X = 450 de moyenne :

1 450

i = 450

X
i =1

est, peu prs, une loi de Gauss

E(Y) = 450 E(Xi ) = 150


et de variance :

Var(Y) = 450 Var(Xi ) = 100

Exercice 40.
Soit U N ( 0 , 1 ), une variable alatoire de Gauss centre rduite Soit T loi de Student = 5 ddl, une variable alatoire de Student 5 degrs de libert, Calculer pour chacune des deux variables alatoires les intervalles de pari au risque "" pour = 0,05 et = 0,01. On calculera les intervalles unilatraux et les intervalles bilatraux (en rpartissant alors "" de faon quivalente droite et gauche).

SOLUTION.
1) Loi de Gauss.
Risque unilatral. = 0,05 On cherche la valeur u de la variable normale U centre rduite telle que la surface hachure soit gale 5 %.

La table de la fonction de rpartition de la variable de Gauss centre rduite donne, par interpolation linaire : F( 1, 645 ) = 0, 9500 On a donc : Prob ( U ] ; 1,645 ] ) = 0,95 = 1 0,05, et l'intervalle de pari au risque 5 % droite est L'intervalle ] ; 1,645 ] Par symtrie, on obtient F ( 1,645 ) = 1 F ( 1,645 ) = 0,05. On a donc Prob ( U [ 1,645 ; + [ ) = 0,95 = 1 - 0,05 et l'intervalle de pari au risque 5 % gauche est : L'intervalle [ 1,645 ; + [ = 0,01 On cherche la valeur u de la variable normale U centre rduite telle que la surface hachure soit gale 1 %.

La table de la fonction de rpartition de la variable de Gauss donne, par interpolation linaire : F( 2,327 ) = 0, 9900

On a donc : Prob ( U ] ; 2,327 ] ) = 0,99 = 1 0,01, et l'intervalle de pari au risque 1 % droite est L'intervalle ] ; 2,327 ] Par symtrie, on obtient F ( 2,327 ) = 1 F ( 2,327 ) = 0,01. On a donc Prob ( U [ 2,327 ; + [ ) = 0,99 = 1 - 0,01 et l'intervalle de pari au risque 1 % gauche est : L'intervalle [ 2,327 ; + [
Risque bilatral = 0,05 La densit de probabilit de la variable de Gauss est une fonction symtrique. Si l'on rpartit le risque galement droite et gauche, on cherche la valeur u de la variable normale U centre rduite telle que la surface hachure soit gale 5 %.

La table de la fonction de rpartition de la variable alatoire normale centre rduite donne : F ( 1,96 ) = 0, 975 0 = 1 0, 025 0. On a donc Prob ( U [ 1, 96 ; + 1, 96 ] ) = 0, 95 = 1 0, 05 et l'intervalle de pari au risque bilatral de 5 % est L'intervalle [ 1, 96 ; + 1, 96 ] =1% La densit de probabilit de la variable de Gauss est une fonction symtrique. Si l'on rpartit le risque galement droite et gauche, on cherche la valeur u de la variable normale U centre rduite telle que la surface hachure soit gale 1 %.

La table de la fonction de rpartition de la variable alatoire normale centre rduite donne, par interpolation linaire : F ( 2, 575 ) = 0, 995 0 = 1 0, 005 0 On a donc : Prob ( U [ 2, 575 ; + 2, 575 ] ) = 0,99 et l'intervalle de pari au risque bilatral de 1 % est : L'intervalle [ 2, 575 ; + 2, 575 ]

2) Loi de Student.
Fonction de rpartition de la variable de Student 5 degrs de libert. La fonction de rpartition de la loi de Student 5 degrs de libert est la fonction :

F5 ( t ) =

5 + 1 2 5 2

u2 1 + 5

5+1 2

du =

2 4

5 3

du 1 + 5 u
2 3

8 3 5

du
2 3 u 1 + 5

= tg x, d'o du = 5 ( 1 + tg x ) dx. 5 t . On obtient donc : Pour u tendant vers , x tend vers . Pour u = t, x = Arc tg 2 5 Pour calculer l'intgrale, on pose
5 dx 8 = cos4 x dx . 2 3 2 ( 1 + tg x ) 2 1 cos4 x = ( 3 + 4 cos 2x + cos 4x ) 8 t t t 1 1 2 1 sin ( 2 Arc tg ) + sin ( 4 Arc tg ) F5 ( t ) = Arc tg + + 2 3 12 5 5 5

8 F5 ( t ) = 3

Arctg

t 5

Arctg

1 F5 ( t ) = Arc tg

5 t (5 t ) 1 4 5 t + + + 2 3 t + 5 3 (5 + t 2 ) 2 5
t
1 1 F5 ( t ) = + Arc tg 2 t

2 5 t (3 t + 25) + 2 2

( t + 5)

Bien que cette fonction soit facile calculer l'aide d'une calculette, il en existe des tables.
Risque unilatral

=5% On cherche la valeur t de la variable alatoire de Student 5 degrs de libert, telle que la surface hachure soit gale 5 %.

La table de la fonction de rpartition de la variable de Student 5 degrs de libert fournit : F5 ( 2,015) = 0,95 = 1 0,05 tandis que la rsolution la machine de l'quation F5 ( t ) = 0,95 fournit t = 2, 015 048 373 34. On a donc : Prob ( T ] ; 2, 015 ] ) = 0,95 et l'intervalle de pari au risque de 5 % droite est : L'intervalle ] ; 2, 015 ] 8 1

est une fonction paire, donc symtrique t 2 3 1 + 5 par rapport t=0, on obtient, par symtrie : F5 ( 2,015) = 1 F5 ( 2,015) = 0,05 3 5

Comme la densit de probabilit f5 ( t ) =

On a donc : Prob ( T ] 2, 015 ; + ] ) = 0,95 et l'intervalle de pari au risque de 5 % gauche est : L'intervalle ] 2, 015 ; + ] =1% On cherche la valeur t de la variable alatoire de Student 5 degrs de libert, telle que la surface hachure soit gale 1 %.

La table de la fonction de rpartition de la variable de Student 5 degrs de libert fournit : F5 ( 3, 365) = 0,99 = 1 0,01 tandis que la rsolution la machine de l'quation F5 ( t ) = 0,95 fournit t = 3, 364 929 998 92. On a donc : Prob ( T ] ; 3, 365 ] ) = 0,99 et l'intervalle de pari au risque de 1 % droite est : L'intervalle ] ; 3, 365 ] est une fonction paire, donc symtrique t 2 3 3 5 1 + 5 par rapport t=0, on obtient, par symtrie : F5 ( 3, 365) = 1 F5 ( 3, 365) = 0,01 On a donc : Prob ( T ] 3, 365 ; + ] ) = 0,99 et l'intervalle de pari au risque de 1 % gauche est :

Comme la densit de probabilit f5 ( t ) =

L'intervalle ] 3, 365 ; + ]
Risque bilatral. =5% La densit de probabilit de la variable de Student est une fonction symtrique. Si l'on rpartit le risque galement droite et gauche, on cherche la valeur u de la variable normale U centre rduite telle que la surface hachure soit gale 5 %.

La table de la fonction de rpartition de la variable de Student 5 degrs de libert fournit : F5 ( 2, 571) = 0,975 = 1 0,025 tandis que la rsolution la machine de l'quation F5 ( t ) = 0,975 fournit t = 2, 570 581 835 66. On a donc : Prob ( T ] 2, 571 ; 2, 571 ] ) = 0,95 et l'intervalle de pari au risque bilatral de 5 % est : L'intervalle ] 2, 571 ; 2, 571 ]

=1% La densit de probabilit de la variable de Student est une fonction symtrique. Si l'on rpartit le risque galement droite et gauche, on cherche la valeur t de la variable de Student T 5 degrs de libert telle que la surface hachure soit gale 1 %.

La table de la fonction de rpartition de la variable de Student 5 degrs de libert fournit : F5 ( 4, 032) = 0,995 = 1 0,005 tandis que la rsolution la machine de l'quation F5 ( t ) = 0,995 fournit t = 4, 032 142 983 76. On a donc : Prob ( T ] 4, 032 ; 4, 032 ] ) = 0,99 et l'intervalle de pari au risque bilatral de 1 % est : L'intervalle ] 4, 032 ; 4, 032 ]

REVISIONS
Exercice 41.
Un joueur lance une flchette au hasard dans une cible de rayon 1 et dcoupe en couronnes concentriques par 1 2 n 1 ( au hasard signifiant que la flchette touche la cible et que la des cercles de rayons , , , n n n probabilit pour que la flchette pointe dans un domaine donn est proportionnelle laire de ce domaine). Si la i i 1 et , pour 1 i n, le joueur flchette touche la cible dans la couronne limite par les cercles de rayon n n gagne n i francs. On appelle X la variable alatoire reprsentant le gain du joueur. 1. Soit D un domaine de la cible, daire a(D). Quelle est la probabilit pour que la flchette pointe dans le domaine D ?

2. Dterminer la loi de la variable X et calculer son esprance (on rappelle que

k
k =1

k =n

n( n + 1 )( 2n + 1 ) ). 6

SOLUTION.
1.1. Probabilit du domaine D.
Comme on suppose que la flchette pointe forcment dans la cible, la probabilit du domaine D est le rapport de laire du domaine D laire 2 de la cible :
P (D) = a ( D) 2

1.2. Loi de probabilit du gain.


La probabilit pour que le gain X soit gal n i est gale la probabilit pour que la flchette atteigne la cible i i 1 dans la couronne limite par les cercles de rayons et . Cette probabilit est gale au rapport de laire de la n n couronne laire totale de la cible : i i 1 2 2 n n P (X = n i) = 2
2 2

i = n

i 1 n

1 n2

(2 i 1)

P (X = n i) =

1 n2

(2 i 1)

Lesprance mathmatique de X est donne par la formule : E (X) =


i =n

(n i) P (X = n i) = n (n i)(2 i 1)
1
2
i =1 i =1 i =n i =1

i =n

i =n

2 E (X) = n

i n
2
2
i =1

1 i n
2

1+ n i=
1
2
i =1 i =1

i =n

i =n

2n + 1 n2

i1 n i
2
2
i =1 i =1

i =n

i =n


i =1

i =n

n( n + 1 ) ; i= 2

i
i =1

i =n

n( n + 1 )( 2n + 1 ) 6

E (X) =

( n + 1 )( 2n + 1 ) ( n + 1 )( 2n + 1 ) n + 1 1+ = (3 (2 n + 1) 6 n + 2 (2 n + 1)) 2n 3n 6n E (X) = n +1 5( n + 1 )( 2n + 1 ) ( 10 n + 5) = 6n 6n E (X) = 5( n + 1 )( 2n + 1 ) 6n

Exercice 42.
Dans une banque, le nombre de chques mis par les clients chaque jour est une variable alatoire X qui suit une loi de Poisson de paramtre R+*. On suppose que les chques sont mis indpendamment les uns des autres. Pour un chque mis, la probabilit pour que ce chque soit sans provision est p ] 0 , 1 [. On appelle Y la variable alatoire correspondant au nombre de chques mis sans provision lors dune journe. 1. Soit n N *. Montrer que la loi conditionnelle de la variable Y sachant lvnement { X = n } est une loi binomiale dont on dterminera les paramtres. 2. Dterminer la loi du couple (X,Y). 3. En dduire la loi de la variable alatoire Y et calculer son esprance. 4. Les variables Y et X Y sont-elles indpendantes ?

SOLUTION.
2.1. Loi de probabilit conditionnelle de la variable Y.
Lorsque le nombre de chques mis dans une journe est X = n, considrons un chque mis, parmi ces n chques. De deux choses lune, ou bien il est couvert par une provision (probabilit 1 p), ou bien il est sans provision (probabilit p). Le fait de regarder sil a ou non une provision constitue une preuve de Bernoulli. Lorsquon rpte n fois cette preuve de Bernoulli, le nombre de succs dans cette rptition est le nombre Y de chques sans provision : on sait que le nombre de succs dans une rptition dpreuves de Bernoulli, suit une loi binomiale de paramtre n (nombre de rptitions) et p (probabilit du succs). Lorsque le nombre de chques mis en une journe est X = n, le nombre Y de chques sans provision suit une loi binomiale de paramtres n et p:
n k nk P (Y = k) = p ( 1 p) k n o est le coefficient binomial dindices n et k, quon peut gnraliser en prenant une valeur nulle lorsque k k est strictement plus grand que n.

2.2. Loi de probabilit conjointe du couple (X,Y).


La loi de probabilit du couple (X,Y) est donne par : P (X = n et Y = k) = P (Y = k | X = n ) P (X = n) par dfinition de la probabilit conditionnelle P (Y = k | X = n ). Or on a :
n k nk P (Y = k | X = n ) = p ( 1 p) k

P (X = n) = e

n , par dfinition de la loi de Poisson de paramtre . n!

On en dduit la loi de probabilit conjointe du couple (X,Y) : n n k nk pour 0 k n p ( 1 p) n! k P (X = n et Y = k) = 0 pour k > n. P (X = n et Y = k) = e P (X = n et Y = k) = n e p k ( 1 p )n k k ! ( n k )!

2.3. Loi de probabilit de la variable Y.


Lvnement Y = k est la runion des vnements incompatibles (Y = k et X = n) pour les valeurs de n k. La loi de probabilit de la variable alatoire Y est donne par la somme des probabilits :
P (Y = k) =

P (Y = k et X = n)
n k

P (Y = k) =

n k

P (Y = k et X = n) = e

pk k!

n k

( 1 p )n k n ( n k )!

Or le dveloppement en srie de lexponentielle donne :


e (1 p) =

j0

( ( 1 p )) j j!

On a donc :
P (Y = k) = e ( p ) k (1 p) e k! ( p ) k k!

P (Y = k) = e p

Cest une loi de Poisson de paramtre p. Son esprance mathmatique est :


E (Y) = p

Sa variance est aussi p.

2.4. Indpendance des variables Y et X Y.


Dire que les variables Y et X Y sont indpendantes, cest dire que, quelles que soient les valeurs entires k et k, on a :
P (Y = k et X Y = k) = P (Y = k) P (X Y = k)

Or on a :
(Y = k et X Y = k) (Y = k et X = k + k) p k ( 1 p ) k' ( p ) k ( ( 1 p ))k' = e P (Y = k et X Y = k) = P (Y = k et X = k + k) = k + k e k! k' ! k! k' ! k k' k ( p ) ( ( 1 p )) ( p ) ( ( 1 p ))k' P (Y = k et X Y = k) = e ( p + ( 1 p )) = e p e (1 p ) k! k' ! k! k' ! k k' p ( p ) (1 p ) ( ( 1 p )) e est la probabilit pour que Y = k ; e est la probabilit pour le nombre de k! k' ! chques avec provision soit gal k, puisque, tant donn un chque reu dans la journe, la probabilit pour quil soit couvert par une provision est 1 p. Or le nombre de chques avec provision est X Y, donc P (X Y = ( ( 1 p ))k' . On a bien : k) = e (1 p ) k' ! P (Y = k et X Y = k) = P (Y = k) P (X Y = k)

Les variables Y et X Y sont indpendantes Comme les chques sont mis indpendamment les uns des autres, le nombre de chques sans provision mis dans une journe est indpendant du nombre de chques mis avec provision suffisante.

Exercice 43
Soit a R et soit X une variable alatoire continue dont la densit f est dfinie, pour tout x R, par :
f (x) = a x e 1[ 0 , + [ (x). o 1A dsigne la fonction indicatrice de lensemble A. 1. Que vaut a ? 2. On pose Y = X 2. Dterminer la fonction de rpartition de la variable alatoire Y et prciser sa densit. Quelle est la loi de la variable alatoire Y ? 3. Calculer lesprance de la variable alatoire Y.
x2 4

SOLUTION
3.1. Valeur de la constante a.
La constante a et dtermine par la condition de normalisation :
R

f (x) dx = 1
+

Cette condition scrit ici :


a

xe
0

x2 4

dx = 1

xe
0

x2 4

dx est la variation dune primitive de x e

x2 4

sur lensemble [ 0 ; + [. Le changement de variable

u=

x2 4

donne du =

1 x dx 2

xe
0

x2 4

dx = 2

e u du = 2 [ e u ] 0 =2

La condition de normalisation scrit : 2 a = 1.


a=

1 2

3.2. Fonction de rpartition de la variable alatoire Y.


La fonction de rpartition de la variable alatoire Y est dfinie par : FY (y) = P ( Y y) Pour y 0, cette fonction de rpartition est nulle puisque Y est un carr et na que des valeurs positives. Pour y > 0, lvnement Y y scrit X y et sa probabilit est donne par :
P (Y y) = P (X

1 y)= 2

xe
0

x2 4

dx =

y 4

du = 1 e

y 4

0
y

FY (y) = P ( Y y) = 1 e 4

La densit de probabilit de la variable Y est la drive de la fonction de rpartition : elle est nulle pour y < 0 ;

pour y > 0, elle vaut :

1 e 4

y 4

1 fY (y) = e 4 Cest une loi exponentielle.

y 4

1[ 0 , + [ (y).

3.3. Esprance de la variable alatoire Y.


Lesprance mathmatique de Y est dfinie par :
E (Y) =

y f (y) dy
R
Y

Ici, lintgrale se rduit : 1 + ye 4 0 Pour calculer lintgrale, on intgre par parties, en posant : u = y, do du = dy
E (Y) =

y 4

dy

pour avoir dv = e dy , on pose v = 4 e La formule dintgration par parties :

y 4

y 4

u dv = u v v du
y

donne :

do :

+ 0

y e 4 dy = 4 [ y e 4 ] 0 +4

+ y e 4 0

dy = 16 [ e 4 ] 0 = 16

E (Y) = 4

Exercice 44.
Soit E = {a,b,c,d,e }. On choisit au hasard un sous-ensemble F de E. 1. Dcrire un espace probabilis associ cette exprience alatoire. 2. Dterminer les probabilits des deux vnements suivants : aF { a,c,d } F 3. Calculer la probabilit que { a,b,c } F sachant que a F. 4. Calculer la probabilit que { a,b } F sachant que c F ou d F. 5. Soit X la variable alatoire gale au nombre dlments de F. a) Quelle est la loi suivie par X ? b) Donner, sans calcul la valeur de E (X) et de Var (X).

SOLUTION.
1. Espace probabilis.
Un espace probabilis est un triplet (, F, P) dans lequel : est lensemble des vnements lmentaires dune preuve, F est lensemble des observables de lpreuve, cest--dire lensemble des vnements possibles, P une probabilit dfinie sur . Dans lpreuve considre, les vnements lmentaires sont les parties de E : = P (E) Les vnements possibles sont alors les ensembles de parties de E : F = P (P (E)) La phrase On choisit au hasard un sous-ensemble F de E indique que toutes les parties de E sont 1 1 dtre choisie au hasard : quiprobables, chaque partie F de E a une probabilit 5 = 32 2 F P (E) P(F) =

1 32

Exemple.
On peut prendre pour E lensemble des 5 enfants a, b, c, d, e, dune famille. On tudie la rpartition des sexes. F dsigne lensemble des filles. Chacune des 32 distributions possibles des sexes est suppose quiprobable.

2. Probabilit dvnements.
2.1. Evnement a F.
Comme toutes les parties sont quiprobables, la probabilit pour quune partie contienne llment a est le rapport entre le nombre de parties contenant a et le nombre total de parties. Le nombre de parties ne contenant pas a est 2 4, donc le nombre de parties contenant a est 2 5 2 4 = 2 4 et la probabilit de lvnement a F est :
1 2 P (a F) = 5 = 2 2 Autrement dit : de deux choses lune, ou bien a F, ou bien a F, et les deux vnements ont la mme probabilit. 1 Dans notre exemple, il revient au mme de dire que la probabilit pour quun enfant donn soit une fille est . 2
4

2.2. Evnement { a , c , d } F.

Il y a 22 = 2 faons de complter lensemble { a , c , d } en une partie de E, donc il y a 4 parties de E contenant la 4 1 = . partie { a , c , d }. La probabilit de lvnement { a , c , d } F est donc 32 8
P ( { a , c , d } F) =

1 8

Dans notre exemple, cela revient dire que la probabilit pour que les 1er, 3e et 4e enfants soient des filles est de 1 : cest le produit des probabilits pour que chacun des enfants considrs soient des filles. Cest ce qui se 8 passe lorsque le sexe dun enfant est indpendant en probabilit du sexe des autres enfants.

3. Probabilit conditionnelle.
P({a,c,d}F|aF)=

P( { a ; c ; d } F ) P( a F )

1 1 = 8 = 1 4 2

P({a,c,d}F|aF)=

1 4

Dans notre exemple, cela revient dire que la probabilit pour que les 1er, 3e et 4e enfants soient des filles 1 : cest le produit des probabilits pour que le 3e soit une fille et lorsquon sait que le 1er est une fille est de 4 pour que le 4e soit une fille.

4. Probabilit conditionnelle.
P( c F ou d F ) 8 1 Il y a 2 3 parties de E contenant { a ; b }, donc P ( { a ; b } F ) = = . 32 4 P (c F ou d F ) = P (c F ) + P (d F ) P (c F et d F ) 1 P (c F ) = 2 1 P(dF)= 2 8 1 = , do : Il y a 2 3 parties de E contenant d et ne contenant pas c, donc P (c F et d F ) = 32 4 1 1 1 3 P (c F ou d F ) = + = 2 2 4 4 On aurait pu crire aussi : P (c F ou d F ) = 1 P (c F et d F ) = 1 P ( { a ; b } F | (c F ou d F )) = 1 4 1 4 = 3 4 . P ( { a ; b } F | (c F ou d F )) = P( { a ; b} F )

4 1 = 3 3

On tombe l sur un paradoxe dj soulign dans de nombreux jeux de la Revue Pour la Science : la probabilit pour que les deux premiers enfants soient des filles lorsquon sait que si le 3e est une fille, alors le 4e est une fille, nest pas gale au produit des probabilits pour que le premier soit une fille et pour que le deuxime soit une fille, mme si lon suppose que les sexes des enfants successifs sont indpendants.

5. Loi de probabilit du nombre dlments de F.


Il y a C 5 = 1 partie de E 0 lment. Il y a C 5 = 5 parties de E 1 lment. Il y a C 5 = 10 parties de E 2 lments. Il y a C 5 = 10 parties de E 3 lments. Il y a C 5 = 5 parties de E 4 lments. Il y a C 5 = 1 partie de E 5 lments. La loi de probablit de X concide donc avec la loi binomiale de paramtres n = 5 et p = 1 2 1 2 .
5 4 3 2 1 0

X suit une loi binomiale de paramtres n = 5 et p = Les paramtres de la variable alatoire X sen dduisent : E (X) = n p = 5 2 5 4

Var (X) = n p q = n p (1 p) =

Ce rsultat signifie que le nombre de filles dans une famille de 5 enfants suit une loi binomiale. On sy attendait 1 car, pour un enfant, de deux choses lune : ou cest un garon (probabilit , dans notre hypothse), ou cest une 2 1 fille (probabilit ). Regarder de quel sexe est un enfant est une preuve de Bernoulli, dont la rptition dans 2 1 une famille de 5 enfants donne, pour le nombre X de filles, une variable binomiale de paramtres n = 5, et p = . 2

Exercice 45.
3n1 n! 1. Quelle valeur doit-on donner au nombre rel pour que la loi de X soit parfaitement dtermine ? 2. a) Calculer lesprance mathmatique E (X). b) Calculer la variance Var (X). 3. Dterminer la fonction gnratrice de X en fonction de , puis retrouver les valeurs de , E(X), Var(X). P (X = n) = Soit une variable alatoire X valeurs dans N * telle que :

SOLUTION.
1. Condition de normalisation.
La valeur de est dtermine par la condition : la somme des probabilits est gale 1 . Cette condition scrit :

P (X = n) = 1
n=1

n=1

3n1 =1 n!

3 Or on a :

n=1

n!

=1

n=1

n!

n= 0

n!

1 = e3 1

donc :

3
e 1
3

2. Paramtres de la variable alatoire X.


E (X) =

n P (X = n) =
n=1 n=1

3 3n1 n = 3 n! e 1
3

n=1

3 = 3 e3 ( n 1 )! e 1

n 1

e E (X) = 3 3 e 1 Var (X) = E (X 2 ) (E (X) ) 2 E (X ) =


2

n=1

n P (X = n) =

n=1

3 3n1 n = 3 n! e 1
2

n=1

n 1

( n 1 )!


n=1

n 1

( n 1 )!

est la valeur, pour x = 3, de la drive de

n=1

( n 1 )!

= x e x. Or la drive de y = x ex est :

y = (x + 1) e x

Pour x = 3, elle vaut :

n=1

n 1

( n 1 )!

= 4 e3
3

3 e E (X 2 ) = 3 4 e 3 = 12 3 e 1 e 1
3 3 3 2 e e e Var (X) = 12 3 3 3 =3 3 43 3 e 1 e 1 e 1 e 1

Var (X) = 3

e3

(e 3 1) 2

(e 3 4)

3. Fonction gnratrice de la variable alatoire X.


La fonction gnratrice de la variable alatoire X est, par dfinition, lesprance mathmatique de uX :
FG (u) =

n=1

u P (X = n) =

n=1

3n1 u = n! 3
n

n=1

( 3u )n 3 u = (e 1) 3 n!

FG (u) =

3u (e 1) 3

La fonction gnratrice permet de retrouver les paramtres de la distribution de probabilit :


FG (1) =

n=1

P (X = n) = 1

3 3 e 3u 1 et FG (u) = 3 (e 1) = 1 = 3 3 e 1 e 1

d ( FG( u )) e 3u =3 3 du e 1

E (X ) =

n
n=1

3u n e , pour n 1. = 3 du n e3 1 3 d ( FG( u )) e E (X) = =3 3 du u =1 e 1

et

d n ( FG( u ))

P (X = n) =

n (n 1) P (X = n) + n P (X = n)
n=1 n=1

d 2 ( FG( u )) E (X 2 ) = du 2

u =1

d ( FG( u )) + du

= (3 2 + 3)
u =1

e
3

e 1

= 12

e
3

e 1

3 e e3 4 3 4 3 = 3 e 3 3 (e 3 1) 2 e 1 e 1 On retrouve bien les mmes rsultats que ceux obtenus prcdemment.

Var (X) = E (X 2 ) (E (X)) 2 = 3

Exercice 46
On observe un phnomne alatoire. Pendant la dure dobservation, la probabilit que ce phnomne se produise k fois est gale (1 ) k avec k entier positif et 0 < < 1. Lorsque ce phnomne se produit, il a une probabilit p dtre enregistr. On note X le nombre de phnomnes enregistrs au cours de la dure dobservation. 1. Calculer lesprance mathmatique de X. 2. Calculer la variance de X. 3. a) Dterminer la fonction gnratrice de X. b) Retrouver E(X) et Var(X).

SOLUTION
1. Loi de probabilit de X.
Soit Y le nombre de fois que le phnomne se produit pendant la dure dobservation. Pour un phnomne qui se produit pendant la dure dobservation, de deux choses lune : ou bien il est observ (probabilit p), ou bien il nest pas observ (probabilit 1 p). Le nombre de phnomnes observs sur les k qui se sont produits suit donc une loi binomiale de paramtres k et p : k h kh P (X = h | Y = k) = p (1 p) h Par hypothse, on a : P (Y = k) = (1 ) k On en dduit : k h kh P (X = h et Y = k) = P (X = h | Y = k) P (Y = k) = (1 ) k p (1 p) h k h kh P (X = h et Y = k) = (1 ) k P(X = h) = p (1 p) h

k h

k h

p h P(X = h) = (1 ) 1 p

k h

k k ( (1 p) ) h

2. Paramtres de X.
E (X) =

h 0

h P (X = h) = (1 )

h 0 k h

p h k k h ( (1 p) ) 1 p h k p h h h 1 p

E (X) = (1 )

k 0

( (1 p) )k

h k k

h k

k h h x =x h

h=1 h k

h= k

k h1 =x hx h

h=1

h= k

k d (xh ) d =x h dx dx

h=1

h= k

k h x h

h h
Pour x = p , il vient : 1 p

k h d ((1 + x ) 1) = k x (1 + x)k 1 x =x dx

h k

k p h p 1 kp h = =k k 1 1 p h 1 p (1 p) (1 p) k

Do : E (X) = (1 )

( (1 p) )
k 0

kp (1 p) k

= p (1 )

k
k 0

k1

kx
k 0

k1

d dx

x
k 0

1 d 1 = = dx 1 x (1 x ) 2

k
k 0

k1

1 (1 ) 2 1

E (X) = p On a : E (Y) =

k 0

k P (Y = k) =

k 0

k (1 ) k = (1 )

d d

1 = 1 1

E (X) = p E (Y) = E (p Y) pY est la moyenne de X pour Y fix : cest la moyenne conditionnelle de X, on la note EY (X), et lon a : E (X) = E (EY (X)) La moyenne de X est la moyenne de sa moyenne conditionnelle.

Variance.
Pour calculer Var (Y), calculons E (Y 2). E (Y 2) =

k
k 0

P (Y = k) =

k
k 0

(1 ) k = (1 ) + (1 )

k
k 2

E (Y 2) = (1 ) + (1 )

k (k 1) + k
k

k 2

k 2

d2 1 d E (Y 2) = (1 ) + (1 ) 2 + 2 d d 1 2 1 + E (Y 2) = (1 ) 2 3 2 (1 ) (1 )

1 1

= =

(1 + ) (1 ) 2 (1 ) 2

Var (Y) = E (Y 2) (E (Y)) 2 =

(1 + ) (1 )
2 2

2 (1 )
2

(1 ) 2 Calculons la variance de X partir de la loi de probabilit de X : E (X 2 ) =

Var (p Y) =

h 0

h 2 P (X = h) = (1 )

h 0 k h

p h2 1 p
h

k k ( (1 p) ) h
k

E (X 2 ) = (1 ) E (X 2

h k

k h

k ( (1 p) ) h p k ) = (1 ) ( (1 p) ) h 1 p h k k + x h x = x h (h 1) x hx h h

h2

k 0

h k

p 1 p
k

k 0
2

h k

h2

h1

h k

h k

x2

h k

k d 2 (1 + x ) k h2 = x 2 k (k 1) (1 + x)k 2 = x2 h (h 1) x h dx 2

h k

k d (1 + x ) k h1 = x k (1 + x)k 1 =x hx dx h

p 1 , on a 1 + x = Pour x = , et : 1 p 1 p p h2 1 p
h k

E (X 2

(k (k 1) p + k p) k ( k 1) p + kp ) = (1 ) ( (1 p) ) = (1 ) p k (k 1) + p k (1 p) 1 = k = dd 1 (1 ) 1 2 = k (k 1) = dd 1 (1 )
h

k 1 = h 1 p
2

k 0

k 0
2

k 0

k 0

k 0

E (X 2 ) = p 2

2 2 (1 )
2

+p

1 2 p2 1 (1 ) 2

Var (X) = E (X 2) (E (X)) 2 = p 2

2 2 (1 ) 2

+p

Var (X) = p

2 + p2 1 (1 ) 2
(1 p) (1 ) 1+ p 1

Var (X) = p 2

1 (1 p) = p2 p (1 ) (1 ) 2 + p (1 p) Var (X) =p 2 (1 ) 2
2

Var (X) = Var (pY) + E (p(1 p)Y) pY est la moyenne de X lorsque Y est fix, cest la moyenne conditionnelle de X : pY = EY (X) p (1 p) Y est la variance de X lorsque Y est fix, cest la variance conditionnelle de X : p (1 p) Y = Y 2 (X) La variance totale de X est la somme de la variance de la moyenne conditionnelle p Y et de la moyenne de la variance conditionnelle p (1 p) Y : on dit que la variance de X est la somme de la moyenne de la variance et de la variance de la moyenne .

3. Fonction gnratrice de X.
La fonction gnratrice est lesprance mathmatique de uX : FG (u) =

h 0

uh P (X = h) = (1 )


uh
h 0 k h

p 1 p
h

k k ( (1 p) ) h

FG (u) = (1 )

k 0 h k

p uh 1 p

k k ( (1 p) ) h

FG (u) = (1 )

k 0

( (1 p) )k
h

h k
k

p uh 1 p

k h

h k

p uh 1 p

k pu = 1+ h 1 p

( (1 p) ) 1 + 1pup 1 FG (u) = (1 ) (1 p (1 u)) = 1 (1 p (1 u))


FG (u) = (1 )
k k 0
k k

k 0

FG (u) =

1 1 ((1 p) + p u ))

Sur cette fonction gnratrice, on retrouve : E (X) = d ( FG ( u )) du

h 0

FG (1) = 1 d ( FG ( u )) h P (X = h) = du

u=1

d ( FG ( u )) p(1 ) = =p 2 2 du 1 (1 ((1 p ) + pu )) (1 ) u=1

p(1 )

E (X) = p

E (X 2) =
2

h 0
2

h 2 P (X = h) =

d ( FG ( u )) du

2 p (1 ) (1 ((1 p ) + pu ))
3
2

h 0 2 2

h (h 1) P (X = h) +

h 0

d 2 ( FG ( u )) h P (X = h) = 2 du
=
u=1

+ E (X)
u=1

d 2 ( FG ( u )) 2 du
2

2 p (1 ) (1 )
3

2 2

= 2 p2

2 2

(1 )

E (X ) = 2 p Var (X) = E (X ) (E (X)) = 2 p


2 2

2 2

(1 )

+p

2 2

(1 )

p +p 1 1

2 2

= p2

2 2

(1 )

+p

Var (X) = p 2

(1 )

+p

Ces rsultats sont bien les rsultats obtenus soit directement partir de la loi de probabilit de X, soit partir des formules : E (X) = E (EY (X)) Var (X) = Var (EY (X)) + E (VarY (X))