Vous êtes sur la page 1sur 165

Adil ELMARHOUM

Mohamed DIOURI

PROBABILITES
Exercices corrigs avec rappels de cours

COLLECTION SCIENCES TECHNIQUES ET MANAGEMENT

PROBABILITES
Exercices corrigs avec rappels de cours

Tous les droits sont rservs


Dpt lgal N 2003/0049
I.S.B.N. 9954-409-41-6
Premire dition 2003
Deuxime dition 2008
Troisime dition 2014

Les livres de la collection Sciences et Techniques sont dits par


les Instituts suprieurs du Gnie Appliqu
IGA de Rabat, Marrakech, Fs, El Jadida et Settat.

DEDICACE

Pour que la mmoire demeure


Lorsquune me
pleure
une autre me
MD

SOMMAIRE

LIMINAIRE

CH. 1.

PROBABILITES
1.1. Dfinitions.
1.2. Notion dexclusivit
1.3. Notion dindpendance.
1.4. Thorme de Bayse.
1.5. Enonces des exercices dapplication.
1.6. Solutions des exercices.

9
9
10
11
12
13
15

CH. 2.

VARIABLE ALEATOIRE.
2.1. Dfinitions.
2.2. Distribution de probabilit.
2.3. Couple de variables alatoires.
2.4. Esprance mathmatique.
2.5. Ingalit de Bienaym Tchebychev.
2.6. Enoncs des exercices dapplication.
2.7. Solutions des exercices.

27
27
28
29
31
33
33
36

CH. 3.

ANALYSE COMBINATOIRE ET CALCUL DES


PROBABILITES.
3.1. Permutations.
3.2. Arrangements.
3.3. Combinaisons.
3.4. Enoncs des exercices dapplication.
3.5. Solutions des exercices dapplication.

54
54
54
55
56
59

CH. 4.

LOIS DE PROBABILITE DISCRETES.


4.1. Loi Bernoulli.
4.2. Loi Binomiale.
4.3. Loi Polynomiale.
4.4. Loi Hypergomtrique.
4.5. Loi Hypergomtrique gnralise.
4.6. Loi de Poisson.
4.7. Enoncs des exercices dapplication.
4.8. Solutions des exercices dapplication.

78
78
78
79
80
81
81
82
85

CH. 5.

LOIS DE PROBABILITE CONTINUES.


5.1. Loi normale.
5.2. La loi Khi deux de Pearson.
5.3. La loi de Student.
5.4. La loi de Fisher Snedecor.
5.5. Enoncs des exercices dapplication.
5.6. Solutions des exercices dapplication.

99
99
101
102
103
104
107

CH. 6.

CONVERGENCE DES LOIS DE PROBABILITE


LOIS DES GRANDS NOMBRES.
6.1. Convergence en probabilit.
6.2. Convergence en loi probabilit.
6.3. Enoncs des exercices dapplication.
6.4. Solutions des exercices dapplication.

122
122
122
124
126

TABLES STATISTIQUES

140

BIBLIOGRAPHIE

163

LIMINAIRE

Le calcul des probabilits nintervient pas uniquement, comme semble le croire une
tradition tenace, pour le calcul des chances de gagner ou de perdre dans des jeux de
hasard : lancement de ds, jeux de cartes, courses de chevaux, loterie nationale, etc. Il
est vrai qu lorigine le dveloppement de la thorie des probabilits est d, en grande
partie, aux calculs sur les jeux de hasard, mais par la suite, probabilits, lois de
probabilits, lois statistiques ont t dveloppes pour introduire les statistiques
dcisionnelles, savoir : chantillonnages, distributions, estimations, etc.
Ce livre est ainsi une introduction au livre sur les statistiques dcisionnelles
puisquil renferme tous les chapitres que doit connatre un tudiant avant daborder les
statistiques dcisionnelles, savoir : les calculs sur les probabilits, les variables
alatoires discrtes et continues, les lois de probabilits et les lois statistiques de
variables discrtes et continues.
Nous avons conu ce livre linstar de ce que nous avons fait pour notre livre sur
la statistique descriptive : chaque chapitre commence par de brefs rappels de cours
suivis dnoncs des exercices dapplication et se termine par les solutions proposes.
Tant ltudiant que les professeurs pourront ainsi trouver :
- Le premier, loccasion pour sentrainer, autant quil veut, et prparer, dans de
meilleures conditions ses examens en probabilits ;
- Le second, un ensemble important dexercices dapplication pour illustrer son
cours sur les probabilits.

En effet ltudiant et le professeur savent que la meilleure faon dapprendre et de


faire apprendre une matire repose essentiellement sur la qualit et la quantit des cas
pratiques tudis.

Adil ELMARHOUM
Professeur chercheur

Casablanca, mars 2014

Mohamed DIOURI
Fondateur de lIGA.

10. Probabilits

Probabilits.

CHAPITRE 1
PROBABILITES
1.1. DEFINITIONS.
1.1.1. Exprience et vnement alatoires.
La dfinition de la probabilit est lie aux notions dexpriences et dvnements alatoires.
Une exprience est dite alatoire lorsquon ne peut en prvoir exactement le rsultat, du fait
que tous les facteurs qui dterminent ce rsultat ne sont pas matriss.
Un vnement alatoire est un vnement qui peut se raliser ou ne pas se raliser au cours
dune exprience alatoire.
Exemples :
- Le jet dun d numrot de 1 6 est une exprience alatoire car le rsultat du jet est
imprvisible. Lvnement avoir une face paire du d est un vnement alatoire car le rsultat
du jet peut tre impair comme il peut tre pair.
- Le choix dune personne dans un groupe dindividus contenant des hommes et des
femmes est une exprience alatoire car le rsultat du choix est imprvisible. Lvnement
choisir une femme est un vnement alatoire car la personne choisie peut tre une femme
comme elle peut tre un homme.
1.1.2. Dfinition classique de la probabilit.
Si au cours dune exprience alatoire on peut dnombrer tous les vnements possibles, et
si pour chaque vnement on peut dterminer le nombre de cas favorables la ralisation dun
vnement alatoire quelconque A, on dfinit classiquement la probabilit de lvnement A
comme tant le rapport du nombre de cas favorables au nombre de cas possibles.

p( A ) =

Nombre de cas favorables


Nombre de cas possibles

Cette dfinition montre que la probabilit est toujours comprise entre 0 et 1.


0p1
La probabilit de tout vnement qui doit ncessairement se raliser au cours dune
exprience alatoire est gale 1, il sagit dun vnement certain.

10. Probabilits

Probabilits.

P(vnement certain) = 1
La probabilit de tout vnement qui ne peut pas se raliser au cours dune exprience
alatoire est nulle, il sagit dun vnement impossible.
P(vnement impossible) = 0
1.2. NOTION DEXCLUSIVITE.
1.2.1. Evnements exclusifs.
Deux vnements alatoires dune mme exprience alatoire sont dits exclusifs ou
incompatibles sils ne peuvent pas se raliser simultanment.
Si deux vnements alatoires A et B sont exclusifs alors :
p(A ou B) = p(A) + p(B)

et

p(A et B) = 0

Si deux vnements alatoires A et B ne sont pas exclusifs alors :


p(A ou B) = p(A) + p(B) p(A et B)
1.2.2. Evnements mutuellement exclusifs.
Plusieurs vnements alatoires associs une mme exprience alatoire sont dits
mutuellement exclusifs ou mutuellement incompatibles sils sont exclusifs deux deux.
Si k vnements A1, A2, , Ak sont mutuellement exclusifs alors :
p(A1 ou A2 ou ou Ak) = p(A1) + p(A2) + + p(Ak)
Si trois vnements alatoires A, B, et C ne sont pas mutuellement exclusifs alors :
p(A ou B ou C) = p(A) + p(B) + p(C) p(A et B) p(A et C) p(B et C) + p(A et B et C)
1.2.3. Evnements complmentaires.
Plusieurs vnements alatoires associs une mme exprience alatoire sont dits
totalement exclusifs ou complmentaires sils sont exclusifs deux deux et si lun deux doit
ncessairement se raliser.
Si k vnements A1, A2, , Ak sont complmentaires alors :
p(A1 ou A2 ou ou Ak) = p(A1) + p(A2) + + p(Ak) = 1
10

10. Probabilits

Probabilits.

1.3. NOTION DINDEPENDANCE.


1.3.1. Probabilit conditionnelle.
Considrons le cas de plusieurs expriences alatoires simultanes ou successives.
Soient deux vnements alatoires A et B non ncessairement exclusifs. La probabilit
conditionnelle de lvnement A sous la condition B, est la probabilit de ralisation de
lvnement A, lors dune exprience, sachant que lvnement B est dj ralis, lors dune
exprience simultane ou antrieure. Elle est dsigne par :

p(A / B) =

p(A et B)
p(B)

Soient deux vnements alatoires A et B non ncessairement exclusifs. La probabilit


conditionnelle de lvnement B sous la condition A, est la probabilit de ralisation de
lvnement B, lors dune exprience, sachant que lvnement A est dj ralis, lors dune
exprience simultane ou antrieure. Elle est dsigne par :

p( B / A ) =

p(A et B)
p( A )

Cette dfinition conduit la formule de probabilit compose :


P(A et B) = p(A) p(B/A) = p(B) p(A/B)
On peut gnraliser cette formule plusieurs vnements. Ainsi pour trois vnements A,
B, et C :
P(A et B et C) = p(A) p(B/A) p(C/A et B)
1.3.2. Evnements indpendants.
Deux vnements A et B sont indpendants si la probabilit de voir se raliser lvnement
A ne dpend pas de la ralisation ou de la non ralisation de lvnement B. La probabilit de
voir se raliser lvnement B ne dpend pas de la ralisation ou de la non ralisation de
lvnement A.
p(A) = p(A/B) = p(A/non B)
p(B) = p(B/A) = p(B/non A)
Deux vnements A et B sont donc indpendants si :
p(A et B) = p(A) p(B)

11

10. Probabilits

Probabilits.

Plusieurs vnements A1, A2, , Ak sont indpendants si :


p(A1 et A2 et et Ak) = p(A1) p(A2) p(Ak)
L'indpendance de plusieurs vnements deux deux n'entrane pas ncessairement
l'indpendance de l'ensemble des vnements.
1.4. THEOREME DE BAYSE.
Soient E1, E2, , Ek, une srie de k vnements alatoires totalement exclusifs. chacun
de ces vnements correspond une information initiale qui permet dvaluer priori les
probabilits p(E1), p(E2), , p(Ek).
p(E1) + p(E2) + + p(Ek) = 1
Soit A un vnement quelconque pour lequel on connat priori les probabilits
conditionnelles p(A/E1), p(A/E2), , p(A/Ek).
Les vnements E1, E2, Ek tant complmentaires, lvnement A doit se raliser
ncessairement avec E1 ou E2 ou ... ou Ek.
p(A) = p[(A et E1) ou (A et E2) ou ou (A et Ek)]
p(A) = p(A et E1) + p(A et E2) + + p(A et Ek)
Par dfinition de la probabilit conditionnelle :
p(A et Ei) = p(Ei) p(A/Ei)

(i = 1 k)

La probabilit de lvnement A est donc :


p(A) = p(E1) p(A/E1) + p(E2) p(A/E2) + + p(Ek) p(A/Ek)
k

p ( A ) = p ( E i ) p( A / E i )
i =1

Le thorme de BAYES permet de calculer les probabilits conditionnelles posteriori


p(E1/A), p(E2/A), , p(Ek/A).
Par dfinition de la probabilit conditionnelle :

p( E i / A ) =

p(A et E i )
p( A )

p( E i / A ) =

p( E i ) p( A / E i )
k

p(E i ) p(A / E i )
i =1

12

10. Probabilits

Probabilits.

1.5. ENONCES DES EXERCICES DAPPLICATION.


1.5.1. Expliquer pourquoi doit-il y avoir une erreur dans chacune des phrases suivantes :
a) La probabilit qu'il pleuve demain est 0,67 et la probabilit qu'il pleuve ou qu'il neige est
0,55.
b) La probabilit qu'un tudiant russisse son examen de statistique est 0,82 et la probabilit
qu'il russisse ses examens de statistique et mathmatique est 0,86.
c) Les probabilits qu'une secrtaire fasse 0; 1; 2; 3; 4; plus de 4 erreurs lors d'un travail de
dactylographie sont respectivement 0,12; 0,25; 0,36; 0,14; 0,09; et 0,07.
1.5.2. Selon le dernier recensement 55 % de la population sont analphabtes et 51 % de la
population sont de sexe fminin. Parmi les femmes, 68 % sont analphabtes.
Calculer la probabilit d'tre :
a) Une femme analphabte.
b) Une femme non analphabte.
c) Un homme analphabte.
d) Un homme non analphabte.
e) Une personne est choisie au hasard parmi les analphabtes, quelle est la probabilit
qu'elle soit une femme ?
1.5.3. Un portefeuille comprend 3 actions et 2 obligations.
a) On tire successivement et sans remise, chaque fois un titre. Quelle est la probabilit
d'avoir une action et une obligation ?
b) On tire dans le portefeuille un titre et on note sa catgorie. Si c'est une action on la remet
dans le portefeuille sinon on ne la remet pas. On effectue un second tirage. Quelle est la
probabilit d'avoir une action et une obligation ?
1.5.4. Trois familles comprennent respectivement 2 garons et 1 fille; 1 garon et 1 fille; 1
garon et 2 filles. Si on choisit au hasard et indpendamment un enfant de chaque famille,
quelle est la probabilit que le groupe des trois enfants ainsi constitu runisse au moins 1
garon et 1 fille ?
1.5.5. Soit A, l'vnement tel qu'une famille a des enfants des deux sexes, et B, l'vnement tel
qu'une famille a au plus 1 garon.
a) Montrer que A et B sont des vnements indpendants si une famille a 3 enfants.
b) Montrer que A et B sont des vnements dpendants si une famille a 2 enfants.
1.5.6. Dans une population de 10000 personnes, il y a 45 % de fumeurs et 35 % sont atteintes
de bronchite. De plus, 65% des personnes atteintes de bronchite sont des fumeurs.
a) Calculer la probabilit pour qu'une personne choisie au hasard dans cette population soit
un fumeur bronchitique.
b) Calculer la probabilit pour quune personne choisie au hasard, dans cette population,
soit un bronchitique non fumeur.
c) Calculer la probabilit pour qu'une personne choisie au hasard parmi les fumeurs soit
atteinte de bronchite.

13

10. Probabilits

Probabilits.

1.5.7. Pour juger de l'efficacit d'une campagne publicitaire ayant port sur un produit, on a
sond 1500 personnes, 1000 dans la rgion du Nord et 500 dans la rgion du Sud. Les rsultats
sont :

Rgions
Nord
Sud

Connaissent le
produit et le
consomment
80
50

Connaissent le
produit et ne le
consomment pas
150
130

Ne connaissent
pas le produit
770
320

Calculer les probabilits suivantes :


a) probabilit de connatre le produit.
b) probabilit de connatre le produit et le consommer.
c) probabilit de connatre le produit et ne pas le consommer.
d) probabilit dtre du nord.
e) probabilit dtre du sud.
f) Quelle est la probabilit pour quune personne qui connaisse le produit soit
consommatrice de ce produit ?
g) Quelle est la probabilit pour quune personne prise au hasard ne connaisse pas le
produit ?
1.5.8. Un avion de guerre passe au-dessus de 3 batteries antiariennes. Chaque batterie a une
chance sur trois d'abattre l'avion. Quelle est la probabilit que l'avion soit abattu ?
1.5.9. Une usine s'adresse deux fournisseurs A et B pour l'approvisionnement d'un composant
lectronique. Le contrle de conformit effectu sur un chantillon alatoire de composants
lectroniques a donn la rpartition suivante des pourcentages de dfauts :
Fournisseur
A
B

0 dfaut
60 %
65 %

Rpartition du nombre de dfauts


1 dfaut
2 dfauts
Total
35 %
5%
100 %
25 %
10 %
100 %

Sachant que 70 % des composants sont achets A et 30 % B :


a) Calculer la probabilit pour qu'un composant ne prsente aucun dfaut.
b) Calculer la probabilit pour qu'un composant tir alatoirement et ne prsentant aucun
dfaut, provienne de B.
1.5.10. Un chercheur en marketing doit valuer l'efficacit de l'utilisation et de la connaissance
du nom d'un produit. Une tude de march a montr que le produit occupe 10 % du march et
que 95 % des personnes ayant dj achets ce produit se rappellent le nom du produit, alors que
seulement 20 % des non acheteurs le reconnaissent.
Une personne est choisie d'une manire alatoire parmi le groupe des consommateurs.

14

Probabilits.

10. Probabilits

a) Quelle est la probabilit priori acceptable que la personne choisie soit un acheteur du
produit ?
b) Sachant que la personne reconnat le nom du produit, quelle est la probabilit posteriori
qu'elle fasse partie des acheteurs du produit ?
c) Sachant que la personne ne reconnat pas le nom du produit, quelle est la probabilit
posteriori qu'elle fasse partie des acheteurs du produit ?
1.5.11. On dispose de deux sacs. Un sac en jute qui contient 20 pices d'or et 30 pices d'argent
et un sac en cuir qui contient 20 pices d'or et 20 pices d'argent. On plonge la main dans lun
des deux sacs et on en sort une pice d'or. Quelle est la probabilit pour qu'il s'agisse du sac en
cuir ?
1.5.12. Les tudiants d'une cole sont rpartis en trois groupes de 30 %; 34 %; et 36 % des
effectifs. Le taux d'absentisme est respectivement de 4 %; 2 %; et 7 %. Un tudiant choisi au
hasard s'est rvl de bonne assiduit. Calculer la probabilit que cet tudiant appartienne au
groupe 1.
1.5.13. Une classe dtudiants compte 20% dtrangers, 55% de filles parmi les trangers et
52% de filles parmi les nationaux, 5% dabsentisme chez les filles et 8% dabsentisme chez
les garons et enfin 70% de malades parmi les filles absentes et 52% de malades parmi les
garons absents.
On choisit une personne, au hasard, quelle est la probabilit pour
a) quelle soit absente ?
b) quelle soit absente et malade
1.5.14. 65 % des tudiants dune cole de gestion sont des scientifiques, et le reste sont des
littraires. On sait par ailleurs, que le taux de russite des tudiants scientifiques est de 75 %,
alors quil est de 55 % chez les littraires.
Si on choisit au hasard un tudiant, dterminer la probabilit :
a) Pour quil soit scientifique, sachant quil a russi.
b) Pour quil soit littraire sachant quil na pas russi.
1.5.15. Dans une urne contenant 9 boules numrotes de 1 9, on prlve successivement et
avec remise 4 boules.
a) Calculer la probabilit de ne pas obtenir la boule numro 1.
b) Calculer la probabilit dobtenir au moins une fois la boule numro 1.
c) Combien doit-on prlever de boules pour que la probabilit dobtenir au moins une fois
la boule 1 soit gale 0,75 ?
1.5.16. Quelle est la probabilit pour que deux personnes au moins, parmi 5 personnes, choisies
au hasard, soient nes le mme jour de la semaine ?
1.6. SOLUTIONS DES EXERCICES.
1.6.1. Solution de lexercice 1.5.1.
a) Soit p(P) la probabilit pour quil pleuve : on a p(P) = 0,67.
15

10. Probabilits

Probabilits.

Soit p(N ou P) la probabilit pour quil pleuve ou quil neige : on a p(N ou P) = 0,55.
Soit p(N) la probabilit pour quil neige.
Les vnements P : il pleut et N : il neige sont exclusifs, puisquil ne peut pas
pleuvoir et neiger, en mme temps, on doit avoir : p(N ou P) = p(P) + p(N) > p(P) ce qui nest
pas le cas daprs lnonc.
b) Soit p(S) la probabilit que ltudiant russisse son examen de statistique : p(S) = 0,82.
Soit p(S et M) la probabilit que ltudiant russisse ses examens de statistique et de
mathmatiques : p(S et M) = 0,86.
Soit p(M) la probabilit que ltudiant russisse son examen de mathmatique.
Les vnements S : russir son examen de statistique et M : russir son examen de
mathmatique sont indpendants, on doit avoir p(S et M) = p(S) x p(M) < p(S) ce qui nest
pas le cas daprs lnonc.
c) On pose p(i) la probabilit que la secrtaire commette i faute(s) ( i < ou = 4 ) et p(5) la
probabilit quelle commette plus de 4 fautes.
Les vnements (1), (2), (3), (4) et (5) sont exclusifs et complmentaires, on doit avoir p(1)
+ P(2) + p(3) + p(4) + p(5) = 1 ce qui nest pas le cas daprs lnonc.
1.6.2. Solution de lexercice 1.5.2.
On pose : p(A) probabilit dtre analphabte : p(A) = 0,55
p(F) la probabilit dtre une femme : p(F) = 0,51
p(A/F) la probabilit dtre analphabte sachant quon est une femme : p(A/F) = 0,68
a) p(tre une femme analphabte) = p(F) x p(A/F) = 0,51 x 0,68 = 0,35
b) p(tre une femme non analphabte) = p(F) x (1 p(A/F)) = 0,51 x 0,32 = 0,16
c) p(tre un homme analphabte) = p(H) x p(A/H)
Avec : p(H) = p(tre une homme) = 1 p(F) = 0,49
p(A/H) = p(tre analphabte sachant quon est un homme)
Or p(A) = p(A/F) x p(F) + p(A/H) x p(H)
16

10. Probabilits

Probabilits.

Donc p(tre un homme analphabte) = 0,55 0,68 x 0,51 = 0,20


d) p(tre un homme non analphabte) = p(H) x ( 1 p(A/H))
Or p(A/H) = [ p(A) p(A/F) x p(F) ] / p(H) = 0,41
Donc p(tre un homme non analphabte) = 0,49 x 0,59 = 0,29
e) p( tre une femme sachant quon est analphabte ) = p(F/A)
or p(F/A) = [p(A/F) x p(F)] / p(A) = 0,68 x 0,51 / 0,55 = 0,63
1.6.3. Solution de lexercice 1.5.3.
a) Les tirages sont sans remise, les vnements A : tirer une action et O : tirer une
obligation sont donc dpendants. On a donc :
p(d'avoir une action et une obligation) = p(A et O) + p(O et A)
p(d'avoir une action et une obligation) = p(A) x p(O / A) + p(O) x p(A / O)
or p = (Nombre de cas favorables) / (Nombre de cas possibles)
p(d'avoir une action et une obligation) = (3/5) x (2/4) + (2/5) x (3/4) = 3/5 = 0,6
b) p = p[(A et O)/ si 1er tirage = A on la remet sinon on ne la remet pas)]
p = p[(tirer A puis O sachant quon a tir A et quon la remise) ou (tirer O puis A sachant
quon a tir O et quon la pas remise)
p = p(A)xp(O/A) + p(O)xp(A/O)
p = (3/5)x(2/5) + (2/5)x(3/4) = 6/25 + 6/20 = 54/100 = 0,54
1.6.4. Solution de lexercice 1.5.4.
p(G) : probabilit de choisir un garon
p(F) : probabilit de choisir une fille
p( choisir au moins 1 G et 1 F ) = p(G et G et F) + p(G et F et F) + p(G et F et G) + p(F et F
et G) + p(F et G et F) + p((F et G et G)
On a ainsi list tous les cas possibles de tirer au moins une fille et un garon.

17

10. Probabilits

Probabilits.

Avec par exemple : p(G et G et F) : probabilit de choisir 1 G dans la 1re famille, 1 G dans
la 2me famille et 1 F dans la 3me famille.
Or p(G et G et F) = p(1 G dans la 1re famille) x p(1 G dans la 2me famille) x p(1 F dans la
3 famille).
me

donc :
p(G et G et F) = (2/3)x(1/2)x(2/3) = 4/18
p(G et F et F) = (2/3)x(1/2)x(2/3) = 4/18
p(G et F et G) = (2/3)x(1/2)x(1/3) = 2/18
p(F et F et G) = (1/3)x(1/2)x(1/3) = 1/18
p(F et G et F) = (1/3)x(1/2)x(2/3) = 2/18
p((F et G et G) = (1/3)x(1/2)x(1/3) = 1/18
p(choisir au moins 1 G et 1 F) = (4+4+2+1+2+1)/18 = 14/18 = 0,7778
1.6.5. Solution de lexercice 1.5.5.
a) Cas dune famille de 3 enfants.
p(A) = probabilit qu'une famille ait des enfants des deux sexes.
p(A) = p(G et G et F) + p(G et F et G) + p((F et G et G) + p(G et F et F) + p(F et G et F) +
p(F et F et G)
Avec par exemple : p(G et G et F) : probabilit davoir 1 G pour le 1er enfant, 1 G pour le
2 enfant et 1 F pour le 3me enfant.
me

or p(G et G et F) = p(1 G pour le 1er enfant) x p(1 G pour le 2me enfant) x p(1 F pour le
3me enfant)
donc :
p(G et G et F) = (1/2)x(1/2)x(1/2) = 1/8
p(G et F et G) = (1/2)x(1/2)x(1/2) = 1/8
p((F et G et G) = (1/2)x(1/2)x(1/2) = 1/8
p(G et F et F) = (1/2)x(1/2)x(1/2) = 1/8
p(F et G et F) = (1/2)x(1/2)x(1/2) = 1/8
p(F et F et G) = (1/2)x(1/2)x(1/2) = 1/8
p(A) = 6 x 1/8 = 6/8
p(B) = probabilit qu'une famille ait au plus 1 garon.
p(B) = p(F et F et F) + p(G et F et F) + p(F et G et F) + p(F et F et G)
p(B) = 4 x 1/8 = 4/8
p(A et B) = probabilit qu'une famille ait des enfants des deux sexes et ait au plus 1 garon.
p(A et B) = p(G et F et F) + p(F et G et F) + p(F et F et G)
p(A et B) = 3/8
18

10. Probabilits

Probabilits.

Or p(A) x p(B) = 6/8 x 4/8 = 24/64 = 3/8


Ce qui fait que p(A et B) = p(A) x p(B), on peut donc conclure que A et B sont
indpendants.
b) Cas dune famille de 2 enfants.
p(A) = probabilit qu'une famille ait des enfants des deux sexes.
p(A) = p(G et F) + p(F et G)
Avec par exemple : p(G et F) : probabilit davoir 1 G pour le 1er enfant et 1 F pour le 2me
enfant.
or p(G et F) = p(1 G pour le 1er enfant) x p(1 F pour le 2me enfant)
donc :
p(G et F) = (1/2)x(1/2) = 1/4
p(F et G) = (1/2)x(1/2) = 1/4
p(A) = 2/4 = 1/2
p(B) = probabilit qu'une famille ait au plus 1 garon.
p(B) = p(F et F) + p(G et F) + p(F et G)
p(B) = 3/4
p(A et B) = probabilit qu'une famille ait des enfants des deux sexes et ait au plus 1 garon.
p(A et B) = p(G et F) + p(F et G)
p(A et B) = 2/4 = 1/2
p(A et B) p(A) x p(B), on peut conclure que A et B sont dpendants.
1.6.6. Solution de lexercice 1.5.6.
Lnonc de lexercice peut se rsumer comme suit :
p(tre fumeur) = p(F) = 0,45
p(tre non fumeur) = p(NF) = 1 p(F) = 0,55
p(avoir une bronchite) = p(B) = 0,35
p(tre non bronchitique) = p(NB) = 1 p(B) = 0,65
p(tre fumeur en tant bronchitique) = p(F/B) = 0,65
a) p(fumeur bronchitique) = p(F et B) = p(B) x p(F/B) = 0,35 x 0,65 = 22,75%
b) p(bronchitique non fumeur) = p(B et NF)
or p(B) = P(B et F) + p(B et NF)
donc p(B et NF) = p(B) p(B et F) = 0,35 0,2275 = 12,25%
c) p(B/F) = p(B et F) / p(F) = 0,2275 / 0,45 = 0,5056

19

10. Probabilits

Probabilits.

1.6.7. Solution de lexercice 1.5.7.


Reprenons le tableau des donnes :

Rgions
Nord
Sud

Connaissent le
produit et le
consomment
80
50

Connaissent le
produit et ne le
consomment pas
150
130

Ne connaissent
pas le produit
770
320

On convient des notations suivantes :

A : lvnement connatre le produit et

A lvnement ne pas connatre le produit.

B : lvnement consommer le produit

B lvnement ne pas consommer le produit.

N : lvnement tre du nord.


S : lvnement tre du sud.

80 + 150 + 50 + 130
= 0,273
1500
80 + 50
b) Probabilit de connatre le produit et le consommer : p(A et B) =
= 0,087
1500
a) Probabilit de connatre le produit : p(A) =

c) Probabilit de connatre le produit et ne pas le consommer.

p(A et

B)=

150 + 130
= 0,187
1500

1000
= 0,667
1500
500
e) Probabilit dtre du sud : p(S) =
= 0,333
1500
d) Probabilit dtre du nord : p(N) =

f) On a choisi une personne parmi ceux qui connaissent le produit, quelle est la probabilit
quelle soit consommatrice de ce produit ?
p(B/A) =

p(BetA) 0,087
=
= 0,319
p( A )
0,273

g) Une personne est choisie au hasard au sud : quelle est la probabilit quelle ne connaisse
pas le produit.

p(B etS) 320 / 1500 0,213


p( B /S) =
=
=
= 0,641
p(S)
0,333
0,333
20

10. Probabilits

Probabilits.

1.6.8. Solution de lexercice 1.5.8.


Soit A lvnement que lavion soit abattu.
Soient les vnements A1, abattre lavion avec la 1re batterie ; A2 abattre lavion avec la
2 batterie et A3 abattre lavion avec la troisime batterie.
me

p(A1) = p(A2) = p(A3) =

1
et A = A1 ou A2 ou A3
3

La probabilit pour que l'avion soit abattu est la probabilit pour quil soit abattu avec la
1re batterie ou avec la 2me batterie et donc rat par la 1re batterie ou avec la 3me batterie et
donc rat par la 1re et la 2me batterie.

p(A) = p(A1) + p( A1 et A2) + p( A1 et

A 2 et A3)
1 2 1
2 2 1
19
p(A) = + ( ) + ( ) =
27
3 3 3
3 3 3

1.6.9. Solution de lexercice 1.5.9.


Reprenons le tableau des donnes :
Fournisseur
A
B

0 dfaut
60 %
65 %

Rpartition du nombre de dfauts


1 dfaut
2 dfauts
Total
35 %
5%
100 %
25 %
10 %
100 %

p(A) = 0,70 et p(B) = 0,30


a) Probabilit pour qu'un composant ne prsente aucun dfaut.
p(0) = p(0 et A) + p(0 et B) = p(A) x p(0/A) + p(B) x p(0/B)
p(0) = 0,70 x 0,60 + 0,30 x 0,65 = 0,615
b) Probabilit pour qu'un composant tir alatoirement et ne prsentant aucun dfaut,
provienne de B.
p(B/0) =

p(Bet 0) p(B) p(0 / B) 0,30 0,65


=
=
= 0,317
p ( 0)
p ( 0)
0,615

1.6.10. Solution de lexercice 1.5.10.


Soient les vnements :
21

10. Probabilits

Probabilits.

A : acheteur du produit : p(A) = 0,10


B : connaisseur du produit : p(B/A) = 0,95

de plus : p(B/A) = 0,95

et p(B /

A ) = 0,20

a) Probabilit que la personne choisie soit un acheteur du produit est : p(A) = 0,10
b) Probabilit posteriori qu'une personne reconnaissant le nom du produit, fasse partie des
acheteurs du produit.

p(AetB)
p ( A ) p( B / A )
=

p(B)
p ( A ) p ( B / A ) + p( A ) p( B / A )
0,10 0,95
p(A/B) =
= 0,345
0,10 0,95 + 0,90 0,20

p(A/B) =

c) Probabilit posteriori qu'une personne ne reconnaissant pas le nom du produit, fasse


partie des acheteurs du produit.

p(A/ B ) =

p(Aet B)

p(A) p(B/ A)

p(A) p(B/ A) + p(A) p(B/ A)

0,10 (1 0,95)
p(A/ B ) =
= 0,007
0,10 (1 0,95) + (1 0,1) (1 0,2)
p(B)

1.6.11. Solution de lexercice 1.5.11.


Soient les vnements :
J : il sagit du sac en jute.
C : il sagit du sac en cuir.
O : il sagit dune pice dor.
A : il sagit dune pice dargent.

1
= 0,5
2
20
30
p(O/J) =
= 0,4
p(A/J) =
= 0,6
50
50
20
20
P(O/C) =
= 0,5
P(A/C) =
= 0,5
40
40
p ( C) p ( O / C)
Calculons : p(C/O) =
p ( C ) p ( O / C) + p ( J ) p ( O / J )
Daprs les donnes : p( J ) = p( C ) =

22

10. Probabilits

Probabilits.

p(C/O) =

0,5 0,5
= 0,556
0,5 0,5 + 0,5 0,4

1.6.12. Solution de lexercice 1.5.12.


Soient les vnements suivants :
G1 : tre un tudiant du groupe 1 : p(G1) = 0,30
G2 : tre un tudiant du groupe 2 : p(G2) = 0,34
G3 : tre un tudiant du groupe 3 : p(G3) = 0,36
A : tre un tudiant absent.
p(A/G1) = 0,04 ; p(A/G2) = 0,02 et p(A/G3) = 0,07
Bonne assiduit est le contraire de labsentisme.

Calculons : p = p(G1/ A )

p(G1) p(A/ G1)

p=

p(G1) p(A/ G1) + p(G 2) p(A/ G 2) + p(G3) p(A/ G3)


p=

0,30 (1 0,04)
0,30 (1 0,04) + 0,34 (1 0,02) + 0,36 (1 0,07)

donc p(G1/ A ) = 0,301


1.6.13. Solution de lexercice 1.5.13.
On peut rsumer lnonc comme suit : soit les vnements
E : tre tranger, p(E) = 0,20
N : tre national, p(N) = 0,80
F : tre fille, p(F/E) = 0,55 et p(F/N) = 0,52
A : tre absent, p(A/F) = 0,05 et p(A/G) = 0,08
M : tre malade, p[M/(F et A)] = 0,70 et p[M/G et A )]= 0,52
a) p(A) = p((A et F) ou (A et G))
or p(A et F) = p(F) x p(A/F)
p(F) = p[(F et E) ou (F et N)]= p(E) x p(F/E) + p(N) x p(F/N)
= 0,20.0,55+0,80.0,52 = 52,60%
23

Probabilits.

10. Probabilits

donc : p(A et F) = p(F) x p(A/F) = 0,526.0,05 = 2,63%


de mme p(A et G) = p(G) x p(A/G)
et p(G) = p[(G et E) ou (G et N)] = p(E) x p(G/E) + p(N) x p(G/N) = 0,20.0,45 + 0,80.0,48
= 47,40%
donc p(A et G) = p(G) x p(A/G) = 0,474.0,08 = 3,79%
ce qui donne : p(A) = p[(A et F) ou (A et G)] = 0,0263 + 0,03792 = 0,0642 = 6,42%
b) p(A et M) = p(A) x p(M/A)
or p(M/A) = p[( M et F)/A ou (M et G)/A] = p[( M et F)/A] + p[(M et G)/A]
p[( M et F)/A] = p(M et F et A) / p(A) = p(F) x p[(M et A)/F] / p(A)
p[(M et A)/F] = p(A/F) x p(M/(A et F)) = 0,05 x 0,70 = 0,035
p[(M et G)/A] = p(M et G et A) / p(A) = p(G) x p[(M et A)/G] / p(A)
p[(M et A)/G] = p(A/G) x p(M/(A et G)) = 0,08 x 0,52 = 0,0416
donc : p(M/A) = [0,526 x 0,035 / 0,0642] + [0,474 x 0,0416 / 0,0642] = 0,5939 = 59,39%
p(A et M) = p(A) x p(M/A) = 0,0642 x 0,5939 = 3,81%
1.6.14. Solution de lexercice 1.5.14.
On peut rsumer lnonc comme suit : soit les vnements
S : scientifique, p(S) = 0,65
L : littraire, p(L) = 0,35
R : russir, p(R/S) = 0,75 et p(R/L) = 0,55
a) Probabilit pour quil soit scientifique, sachant quil a russi.
p(S/R) = p(S et R) / p(R) = [p(S) x p(R/S)] / p(R)
p(R) = p(R et S) + p(R et L)
p(R) = p(S) p(R/S) + p(L) p(R/L) = 0,65 x 0,75 + 0,35 x 0,55 = 0,68
p(S/R) = 0,65 x 0,75 / 0,68 = 0,7169
b) Probabilit pour quil soit littraire sachant quil na pas russi.
p(L/NR) = p(L et NR) / p(NR) = [p(L) x p(NR/L)] / p(NR)
24

10. Probabilits

Probabilits.

p(NR) = 1 - p(R) = 1 0,68 = 0,32


p(L/NR) = 0,35 x (1 0,55) / 0,32 = 0,4922
1.6.15. Solution de lexercice 1.5.15.
a) Les tirages avec remise sont indpendants, la probabilit de ne pas obtenir la boule 1 est
8/9 pour chaque tirage.
La probabilit de ne pas obtenir la boule numro 1 aprs les 4 tirages est : p1 =

8
( )4 =
9

0,6243
b) On utilise lvnement contraire ne pas obtenir la boule 1 aprs les 4 tirages . La
probabilit recherche est donc :
p2 = 1 p1 = 1 0,6243 = 0,3757
c) La probabilit de ne pas obtenir la boule 1 aprs n tirages est : p =
On cherche n tel que : 1 -

8
( ) n = 0,75 =>
9

8 n
) = log(0,25)
9
log(0,25)
n=
= 11,77
log(8 / 9)

=>

log (

=>

8
( )n
9

8
( ) n = 0,25
9

n log(8/9) = log(0,25)

Il faut donc prlever 12 boules


1.6.16. Solution de lexercice 1.5.16.
La probabilit pour que deux personnes au moins, parmi 5 personnes choisies au hasard,
soient nes le mme jour de la semaine, est gale au complment de la probabilit pour que les
5 personnes soient nes dans des jours diffrents.
La premire personne peut tre ne nimporte quel jour de la semaine, soit une probabilit

7
. La deuxime personne peut tre ne nimporte quel jour des 6 jours restants, soit une
7
6
probabilit de
. Mme principe pour les autres personnes dont les probabilits respectives
7
5 4 3
sont
; et .
7 7 7
de

25

10. Probabilits

Probabilits.

La probabilit recherche est donc :

p =1

7 6 5 4 3
x x x x = 85 %
7 7 7 7 7

Il y a donc 85 % de chances pour que deux personnes au moins, parmi 5 personnes choisies
au hasard, soient nes le mme jour de la semaine.

26

2. Variable alatoire

Probabilits

CHAPITRE 2
VARIABLE ALEATOIRE

2.1. DEFINITIONS.
Une variable alatoire X est une variable associe une exprience ou un groupe
d'expriences alatoires et servant caractriser le rsultat de cette exprience ou de ce groupe
d'expriences.
On distingue les variables alatoires qualitatives et les variables quantitatives qui peuvent
tre soit discontinues ou discrtes soit continues.
2.1.1. Variable alatoire qualitative.
Une variable alatoire est qualitative si elle est exprime de faon non chiffre.
Exemple : Soit X la variable alatoire qui caractrise le rsultat de l'exprience alatoire "jet
d'une pice de monnaie". X est une variable alatoire qualitative, elle ne peut prendre que les
valeurs pile ou face.
Pour pouvoir viter de travailler sur des valeurs qualitatives, on a lhabitude daffecter un
nombre chacune des valeurs qualitatives, par exemple pour le cas de la pice de monnaie, on
pourrait affecter 1 pour la face pile et 0 pour lautre face , de mme pour le d on a lhabitude
de numroter de 1 6 ses faces.
Par consquent nous pouvons toujours considrer que nous navons que des variables
alatoires quantitatives.
2.1.2. Variable alatoire quantitative discontinue et variable alatoire quantitative
continue.
Une variable alatoire est quantitative (discontinue ou continue) si elle est exprime de
faon chiffre. La variable ne peut prendre que des valeurs entires, si elle est discontinue ou
des valeurs relles, appartenant un intervalle, si elle est continue..
Exemples :
- Soit X la variable alatoire qui caractrise le rsultat de l'exprience alatoire "jet d'un d
homogne". X est une variable alatoire quantitative discrte, elle peut prendre les valeurs
entires 1, 2, 3, 4, 5, et 6.
27

2. Variable alatoire

Probabilits

- Soit X la variable alatoire qui caractrise le nombre de garons dans une famille de
quatre enfants. X est une variable alatoire quantitative discrte, elle peut prendre les valeurs
entires : 0, 1, 2, 3, et 4.
- Soit X la variable alatoire qui caractrise le poids dune personne choisie dans un groupe.
X est une variable alatoire continue, elle peut prendre toutes les valeurs possibles pour le
poids dune personne.
- Soit X la variable alatoire qui caractrise la taille dune personne choisie dans un groupe.
X est une variable alatoire continue, elle peut prendre toutes les valeurs possibles pour le
poids dune personne.
2.2. DISTRIBUTION DE PROBABILITE.
2.2.1. Cas dune variable alatoire discontinue.
La probabilit que la variable alatoire X prenne la valeur k est :
p(k) = p(X = k)
L'ensemble des valeurs admissibles k et des probabilits correspondantes p(k) constitue une
distribution de probabilit discontinue. La relation entre k et p(k) est appele loi de probabilit.
Pour toutes les distributions de probabilits dont les valeurs k correspondent des
vnements complmentaires, le total des probabilits est gal 1.
k =m

p( k ) = 1
k =0

La distribution cumule des probabilits est appele fonction de rpartition :


x

F(k) = p(X k) =

p( k )

k=0

0 F(x) 1
2.2.2. Cas dune variable alatoire continue.
Un intervalle continu contient une infinit de valeurs, de ce fait la
probabilit p( X = x ) 0 . La notion de distribution de probabilit n'a donc plus de sens dans
le cas dune variable alatoire continue. Par contre la fonction de rpartition conserve toute sa
signification.
La fonction f(x), drive de la fonction de rpartition F(x), est appele fonction de densit
de probabilit. Elle doit satisfaire la relation suivante :
28

2. Variable alatoire

Probabilits

f ( x ) dx = 1

La fonction de rpartition F(x) est dfinie par :

F( x ) =

f ( t ) dt

La fonction de rpartition F(x) permet de dterminer la probabilit pour que X soit compris
dans un intervalle [a , b]
P(a X b) = F(b) - F(a)
2.3. COUPLE DE VARIABLES ALEATOIRES.
Dans de nombreux cas, les rsultats des expriences alatoires peuvent tre caractriss
par deux variables alatoires X et Y. On parle alors de couple de variables alatoires (X , Y).
Ces deux variables peuvent tre toutes les deux discrtes, ou toutes les deux continues ou l'une
discontinue et l'autre continue.
2.3.1. Couple de variables alatoires discontinues.
Dans le cas d'un couple de variables alatoires quantitatives discontinues (X , Y), les
valeurs respectives de x pour X et de y pour Y sont des valeurs entires.
A chaque couple de valeurs (x,y) correspond une probabilit p(x,y) d'observer
simultanment la valeur x pour X et la valeur y pour Y.
p(X=x et Y=y) = p(x,y)
L'ensemble des valeurs admissibles (x,y) et des probabilits correspondantes p(x,y) forme
une distribution de probabilit discontinue deux variables.
La fonction de rpartition F(x,y) est dfinie par : F(x,y) = p( X x et Y y)
Probabilits conjointes :
La probabilit p(xi , yj) est dite probabilit conjointe, sil sagit de la probabilit d'obtenir,
en mme temps, la valeur x pour X et la valeur y pour Yj.
p(xi,yj) = p(X=xi et Y=yj)
Probabilits marginales :
La probabilit p(xi) est dite probabilit marginale de X, sil sagit de la probabilit d'obtenir
la valeur xi quelque soit la valeur de Y.

29

2. Variable alatoire

Probabilits

p ( x i , y j ) = p( x i )
j=1

p(yj) est dite probabilit marginale de Y. C'est la probabilit d'obtenir la valeur yj quelque
soit la valeur de X.
k

p( x i , y j ) = p( y j )
i =1

Le cumul de toutes les probabilits conjointes p(xi , yj) est gal 1.


k

i =1

j=1

p ( x i , y j ) = p( x i ) = p ( y j ) = 1
i =1 j=1

Variables alatoires indpendantes :


Par extension de la notion d'indpendance de deux vnements alatoires, deux
variables alatoires discontinues sont indpendantes, si pour tout couple de valeurs (x,y) on a :
p(x,y) = p(x) p(y)
2.3.2. Couple de variables alatoires continues.
Un couple de variables alatoires est continu si les deux variables X et Y sont continues,
elles peuvent prendre n'importe quelle valeur relle appartenant un intervalle donn.
Un intervalle continu contient une infinit de valeurs. La probabilit d'obtenir exactement
un rsultat donn est gnralement nulle.

p(X = x et Y = y) = p( x , y) 0
La notion de distribution de probabilit n'a donc plus de sens dans le cas continu. Par
contre la fonction de rpartition conserve toute sa signification.
La fonction f(x,y), drive de la fonction de rpartition F(x,y), est appele fonction de
densit de probabilit deux variables. Elle doit satisfaire la relation suivante :
+

f ( x , y) dx dy = 1

30

2. Variable alatoire

Probabilits

Fonctions de densit de probabilits en marginales :

La fonction de densit de probabilit de x est dfinie par :

f (x ) =

La fonction de densit de probabilit de y est dfinie par :

f ( y) = f ( x , y) dx

f ( x , y) dy

L'ensemble des valeurs admissibles (x,y) et la fonction de densit de probabilit


correspondante f(x,y) dfinissent une distribution de probabilit thorique continue deux
variables.
La fonction de rpartition F(x,y) est dfinie par :

F( x , y) = P(X x et Y y) =

f (u , v) dudv

Par extension de la notion d'indpendance de deux vnements alatoires, deux


variables alatoires continues sont indpendantes, si pour tout couple de valeurs (x,y) :
f(x,y) = f(x) f(y)
2.4. CARACTERISTIQUES D'UNE VARIABLE ALEATOIRE.
2.4.1. Esprance mathmatique.
On appelle esprance mathmatique la valeur moyenne de la variable, elle remplace la
moyenne arithmtique dans le cas d'une variable statistique.
Cas discret :
Cas continu :

E ( X ) = x p( x )
E(X) =

x f ( x ) dx

Proprits :
L'esprance d'une constante est la constante : E(a) = a

E (ax + b) = aE (X ) + b , a et b tant 2 constantes.


E(X + Y) = E(X) + E(Y)
E(X - Y) = E(X) - E(Y)
E(X Y) = E(X) E(Y), si les variables sont indpendantes.

31

2. Variable alatoire

Probabilits

2.4.2. Variance et cart-type.


Cas discret : V(X) = E[(X - E(X))] =
Cas continu : V(X) = E[(X - E(X))] =

( x E(X)) p( x )

( x E ( x )) 2 f ( x ) dx

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

= V (X )

La variance est calcule partir de la formule dveloppe suivante : V(X) = E(X) - E(X)
Proprits :
La variance dune constante : V(a) = 0

V (aX + b) = a V (X ) , a et b tant 2 constantes.


Si X et Y sont 2 variables indpendantes, on peut crire :
V(X + Y) = V(X) + V(Y)

et

V(X - Y) = V(X) + V(Y)

Variable centre rduite :


Une variable alatoire est dite :
- centre si son esprance mathmatique est nulle ;
- rduite si son cart-type est gal 1.
Toute variable alatoire peut tre transforme en une variable centre rduite par le
changement de variable : X =

X E(X)

2.4.3. Covariance d'un couple de variables alatoires.


COV(X , Y) = E(XY) - E(X) E(Y)
Cas discret :

E(XY) = x . y . p( x, y) .

Cas continu :

E ( xy) =

xy f ( x , y) dx dy

Proprits :
La covariance de deux variables alatoires indpendantes est nulle
32

2. Variable alatoire

Probabilits

COV(X , Y) = 0
Soient :
quelconques).

X' = aX + b

et

Y' = cY + d

(a, b, c, et d sont des constantes

COV(X' , Y') = ac COV(X , Y)


2.5. INEGALITE DE BIENAYME TCHEBYCHEV.
Quelque soit la variable alatoire X, la probabilit d'un intervalle [E(X) - k , E(X) + k] a
pour borne infrieure

1
k

L'ingalit de Bienaym Tchebychev scrit :

p[E (X) k X E (X) + k] 1

1
k

2.6. ENONCES DES EXERCICES DAPPLICATION.


2.6.1. Une usine employant 30 personnes dont 4 ingnieurs, 10 techniciens et 16 ouvriers.
a) On choisit de faon successive 3 employs : calculer la probabilit d'avoir un employ de
chaque catgorie professionnelle.
b) On choisit de faon successive 3 employs et soit X la variable alatoire qui reprsente le
nombre d'ingnieurs choisis : donner la loi de probabilit de X.
2.6.2. Pour vendre un article, un producteur dcide de lancer une campagne publicitaire par
insertion de photos dans des journaux spcialiss. Le nombre d'articles vendus aprs une
parution est une variable alatoire dont la loi de probabilit est la suivante :
Nombre d'articles
0
100
200

Probabilit
0,525
0,350
0,125

Le producteur fait 50 parutions indpendamment les unes des autres. Soit X le nombre
d'articles vendus grce cette publicit. Calculer l'esprance et la variance de X.
2.6.3. Quatre tudiants dont aucun n'a tudi les sujets du cours passent un examen en deux
questions. La question 1 a 4 rponses indiques dont une seule est juste. La question 2 en a 5,
dont une seule est juste.
Soit la variable alatoire X qui dsigne le nombre d'tudiants qui ont au moins une rponse
correcte.

33

2. Variable alatoire

Probabilits

a) Quelle est l'esprance et la variance du nombre d'tudiant qui ont au moins une rponse
correcte ?
b) Calculer la probabilit que 2 tudiants au moins aient au moins une rponse correcte.
2.6.4. Dans un groupe de 10 mnages, le revenu annuel est distribu comme indiqu dans le
tableau ci-dessous : (les units sont les mmes pour mari et femme)
Mnage
1 2 3 4 5 6 7 8 9 10
Revenu du mari
10 15 15 10 10 15 20 15 20 20
Revenu de la femme 5 15 10 10 10 5 10 10 15 10
Un mnage est choisi au hasard, soit X le revenu du mari et Y le revenu de la femme.
a) Donner la loi de probabilit du couple (X, Y), en dduire les lois marginales de X et de
Y.
b) Calculer le coefficient de corrlation linaire entre X et Y.
c) On note S le revenu total du mnage et W le revenu total du mnage aprs impt avec :
S=X+Y

et

W = 0,6 X + 0,8 Y

Donner la loi de probabilit du couple (S, W).


2.6.5. On est au rez-de-chausse d'un immeuble de 8 tages. Combien de temps pensez-vous
pouvoir attendre, en moyenne, un ascenseur qui ne se trouve pas au rez-de-chausse, qui peut
se trouver n'importe quel tage avec la mme probabilit et qui met 5 secondes pour passer
d'un tage l'autre, son dmarrage et son arrt sont instantans. Chiffrer l'cart type de votre
temps d'attente.
2.6.6. Pour une demande alatoire X de denres prissables, un grossiste commande y tonnes
de denres chaque jour. La loi de probabilit de X est la suivante :
Demande
tonnes : x
probabilits

en

0,02

0,15

0,25

0,30

0,15

0,10

0,03

1) On demande de
a) Calculer la probabilit que le grossiste vende moins de 3 tonnes de denres dans la
journe.
b) Calculer le nombre moyen de tonnes vendues chaque jour.
c) Calculer l'cart type.
2) Le grossiste gagne 5000 dh par tonne vendue et perd 2000 dh par tonne non vendue. Soit
la variable alatoire G dont les valeurs sont gales au gain pour une commande y.

34

2. Variable alatoire

Probabilits

Construire un tableau donnant les valeurs de G pour une commande y = 0, 1, 2, 3, 4, 5, 6


tonnes ainsi que les probabilits associes. Calculer l'esprance de G pour les mmes valeurs
de Y.
2.6.7. Deux comprims sont choisis au hasard dans un flacon contenant 3 aspirines, 2
somnifres et 4 vitamines. Si X et Y reprsentent respectivement le nombre d'aspirines et le
nombre de somnifres obtenus, dterminer la loi de probabilit du couple (X, Y).
2.6.8. Dterminer la loi de probabilit de la variable alatoire, nombre de garons d'une famille
de 4 enfants.
2.6.9. Le nombre de gteaux qu'un ptissier peut vendre en un jour quelconque est une variable
alatoire ayant la distribution de probabilit suivante :
x
P(x)

0
1/6

1
1/6

2
1/6

3
1/6

4
1/6

5
1/6

Ce ptissier sait qu'il y a un profit de 10 dh pour chaque gteau vendu et une perte de 4 dh
pour chaque gteau non vendu.
En supposant que chaque gteau ne peut tre vendu que le jour o il a t prpar :
a) Quel est le profit auquel doit s'attendre le ptissier, le jour o il a prpar 5 gteaux ?
b) Que serait ce profit attendu si le ptissier avait prpar 3 gteaux uniquement ?
2.6.10. On tudie la dure X des communications tlphoniques dont la fonction de rpartition
est :

si
0
F( x ) = - k x
si
1 - e
5
Sachant que k =
6

x < 0
x 0

a) Quelle est la probabilit pour qu'une communication dure plus de 3 minutes ?


b) Quelle est la probabilit pour qu'une communication ait une dure entre 3 et 6 minutes ?
c) Si on ne connat pas k, quelle valeur faudrait-il lui donner pour que la probabilit d'une
communication suprieure 3 minutes soit gale 0,1 ?
2.6.11. Soit la variable alatoire continue dfinie par la fonction de rpartition suivante :
F(x) = k x

si 0 x 4

a) Dterminer la valeur de k .
b) Dterminer l'esprance mathmatique et l'cart type de X.
c) Calculer la probabilit : p(1 x 3).
35

2. Variable alatoire

Probabilits

2.6.12. Soit X une variable alatoire reprsentant le nombre d'heures de vie d'une ampoule
lectrique. Supposons que X soit distribu avec la fonction de densit de probabilit suivante :
x

f(x) =

1 1000
e
1000

pour x > 0

Trouver la dure de vie attendue d'une telle ampoule.


2.6.13. Soit la fonction de densit de probabilit suivante :

f ( x) = ax + bx

si 0 x 1

a) Dterminer a et b pour que X soit une variable alatoire dont l'esprance mathmatique
est gale

2
.
3

b) Calculer l'cart type de X.


2.6.14. Soit F la fonction de rpartition dune variable alatoire X, dfinie par :

x0
0 si

F( x ) = x si 0 < x 1
1 si
x >1

a) Donner la probabilit pour que X soit dans lintervalle


b) Donner la fonction de densit de probabilit de X.
c) Donner la moyenne et lcart type de X.

[0-0,5].

2.6.15. Deux urnes contiennent chacune 3 boules numrotes 1, 2, 3. on tire une boule de
chacune des deux urnes. Soit P la variable alatoire gale au produit des deux numros ports
sur les deux boules tires.
a) Dterminer la distribution de probabilit de P.
b) Calculer lesprance mathmatique de P.
c) Calculer la probabilit pour que le produit P soit suprieur ou gal 2.
2.7. SOLUTIONS DES EXERCICES.
2.7.1. Solution de lexercice 2.6.1.
Soient les vnements suivants :
I : tre ingnieur : p(I) = 4 / 30
T : tre technicien : p(T) = 10 / 30
O : tre ouvrier : p(O) = 16 / 30
36

2. Variable alatoire

Probabilits

a) Le choix de 3 personnes peut tre fait, pour avoir un employ de chaque catgorie, de
plusieurs faons :
(I et T et O) = (I, T et O) ou (I, O et T) ou (T, I et O) ou (T, O et I) ou ( O, T et I) et (O, I et
T)
Avec (I, T et O) lvnement davoir, dans lordre, dabord un Ingnieur, ensuite un
Technicien et enfin un Ouvrier.
p=

p(I et T et O) = p(I, T et O) + p(I, O et T) + p(T, I et O) + p(T, O et I) + p( O, T


et I) + p(O, I et T)

p = (4/30).(10/29).(16/28) + (4/30).(16/29).(10/28) + (10/30).(4/29).(16/28) +


(10/30).(16/29).(4/28) + (16/30).(10/29).(4/28) + (16/30).(4/29).(10/28)
Les dnominateurs sont, successivement, 30, 29 et 28 car nous faisons des tirages sans
remise.
p = 6. (4/30).(10/29).(16/28) = 0,1576 = 15,76%
b) X est une variable alatoire discrte, pour en dterminer la loi de probabilit, il faut
calculer p(X=0), p(X=1), p(X=2) et p(X=3)
et montrer que p(X=0) + p(X=1) + p(X=2) + p(X=3) = 1
b1) Calculons p(X=0) : on peut avoir 0 ingnieur de plusieurs faons :
p(X=0)
p(X=0)

p(X=0)
p(X=0)

= p(O, O et O) + p(O, O et T) + p(O, T et O) + p(O, T et T) + p(T, O


et O) + p(T, T, O) + p(T, O et T) + p(T, T et T)
= (16/30).(15/29).(14/28) + (16/30).(15/29).(10/28)
+ (16/30).(10/29).(15/28) + (16/30).(10/29).(9/28)
+ (10/30).(16/29).(15/28)+ (10/30).(9/29).(16/28)
+(10/30).(16/29).(9/28) + (10/30).(9/29).(8/28)
= [(16.15.14) + (16.15.10) + (16.10.15) + (16.10.9) + (10.16.15) +
(10.9.16) + (10.16.9) + (10.9.8)]/(30.29.28)
= 0,6404

b2) Calcul de p(X=1) : on a une fois ingnieur de plusieurs faons :


p(X=1)

= p(I, O et O) + p(I, O et T) + p(I, T et O) + p(I, T et T) + p(O, I et O)


+ p(T, I, O) + p(O, I et T) + p(T, I et T) + p(O, O et I) + p(T, O et I)
+ p(O, T et I) + p(T, T et I)

37

2. Variable alatoire

Probabilits

p(X=1)

p(X=1)

p(X=1)

= (4/30).(16/29).(15/28) + (4/30).(16/29).(10/28)
+ (4/30).(10/29).(16/28) + (4/30).(10/29).(9/28)
+ (16/30).(4/29).(15/28) + (10/30).(4/29).(16/28)
+(16/30).(4/29).(10/28)+(10/30).(4/29).(9/28)
+(16/30).(15/29).(4/28)+(10/30).(16/29).(4/28)
+(16/30).(10/29).(4/28) + (10/30).(9/29).(4/28)
= [(4.16.15) + (4.16.10) + (4.10.16) + (4.10.9) + (16.4.15) + (10.4.16)
+(16.4.10) + (10.4.9) +(16.15.4) + (10.16.4) +(16.10.4) +
(10.9.4)]/(30.29.28)
= 0,3202

b3) Calcul de p(X=2) : on a 2 fois ingnieurs de plusieurs faons :


P(X=2)

= p(I, I et T) + p(I, I et O) + p( I, T et I) + p(I, O et I) + p(O, I et I) +


p(T, I et I)

P(X=2)

= (4/30).(3/29).(10/28) + (4/30).(3/29).(16/28)
+ (4/30).(10/29).(3/28) + (4/30).(16/29).(3/28)
+ (16/30).(4/29).(3/28) + (10/30).(4/29).(3/28)

P(X=2)

P(X=2)

= 3. [(4.3.10) + (4.3.16 )] / (30.29.28) = 0,0384

[(4.3.10) + (4.3.16) + (4.10.3) + (4.16.3) + (16.4.3) + 10.4.3)] /


(30.29.28)

b4) Calcul de p(X=3) : On na 3 fois I que dune seule faon (I, I et I)


P(I, I et I) = (4/30).(3/29).(2/28) = 0,000985
La loi de probabilit de X est :
X
0
1
2
3
Total

P(x)
0,6404
0,3202
0,0384
0,0010
1

2.7.2. Solution de lexercice 2.6.2.


Soit Xi la variable alatoire qui dsigne le nombre darticles vendus aprs une parution i. Sa
distribution de probabilit est :

38

2. Variable alatoire

Probabilits

Xi
0
100
200
Total

P(xi)
0,525
0,350
0,125
1

Calculons lesprance et la variance de Xi.


E(Xi) = x i p( x i ) = 0 x 0,525 + 100 x 0,350 + 200 x 0,125 = 60 articles
V(Xi) = E(Xi) E(Xi)
E(Xi) = x i p( x i ) = 0 x 0,525 + 100 x 0,350 + 200 x 0,125 = 8500
V(Xi) = E(Xi) E(Xi) = 8500 60 = 4900

X, le nombre d'articles vendus aprs 50 parutions est gal la somme des articles vendus
aprs chaque parution.
50

X=

Xi
i =1

50

E(X) =

E(X i ) = 50 x 60 = 3000 articles


i =1
50

V(X) =

V(X i ) = 50 x 4900 = 245000


i =1

2.7.3. Solution de lexercice 2.6.3.


a) Calcul de l'esprance et de la variance.
La variable alatoire X qui dsigne le nombre d'tudiants qui ont au moins une rponse
correcte peut prendre les valeurs 0 ; 1 ; 2 ; 3 ; et 4.
La probabilit de rpondre juste la premire question est 1/4.
La probabilit de rpondre juste la deuxime question est 1/5.
La probabilit, p, quun tudiant ait au moins une rponse correcte est gale au
complment de la probabilit, q, que les deux rponses soient fausses.
Les questions tant indpendantes :
q = (1-1/4) x (1-1/5) = 3/5
p = 1 3/5 = 2/5
Calculons les probabilits des valeurs de X.
39

Probabilits

2. Variable alatoire

Dsignons par A, tudiant ayant au moins une rponse correcte et par


deux rponses fausses.

A , tudiant ayant les

p(A) = p = 2/5

p(X = 0) = p( A et

p( A ) = q 3/5

et

3 3 3 3
x x x = 0,1296
5 5 5 5

A et A et A ) =

p(X = 1) = p(A et A et A et A ) + p( A et A et

A et A )+ p( A et A et A et A )+ p( A et

A et A et A)
p(X = 1) = (

2 3 3 3
x x x ) x 4 = 0,3456
5 5 5 5

p(X = 2) = p(A et A et A et A ) + p(A et

A et A et A ) + p(A et A et A et A)+ p( A et A

A )+ p( A et A et A et A) + p( A et A et A et A)
2 2 3 3
p(X = 2) = ( x x x ) x 6 = 0,3456
5 5 5 5

et A et

p(X = 3) = p(A et A et A et A ) + p(A et A et


Aet A)

A et A)+ p(A et A et A etA)+ p( A et Aet

2 2 2 3
x x x ) x 4 = 0,1536
5 5 5 5
2 2 2 2
p(X = 4) = p(A et A et A et A) = ( x x x ) = 0,0256
5 5 5 5

p(X = 3) = (

La distribution de probabilits de X est donc :


X
0
1
2
3
4
Total

P(x)
0,1296
0,3456
0,3456
0,1536
0,0256
1

Calculons lesprance et la variance de X.


E(X) = x i p( x i ) = 0 x 0,1296 + 1 x 0,3456 + 2 x 0,3456 + 3 x 0,1536 + 4 x 0,0256
E(X) = 1,6
V(X) = E(X) E(X)
40

2. Variable alatoire

Probabilits

E(X) = x i p( x i ) = 0 x 0,1296 + 1 x 0,3456 + 2 x 0,3456 + 3 x 0,1536 + 4 x 0,0256


E(X) = 3,52
V(X) = E(X) E(X) = 3,52 1,6 = 0,96
b) Calcul de la probabilit que 2 tudiants au moins aient au moins une rponse correcte.
p(X 2) = p(X = 2) + p(X = 3) + p(X = 4)
p(X 2) = 0,3456 + 0,1536 + 0,0256 = 0,5248
2.7.4. Solution de lexercice 2.6.4.
a) Loi de probabilit du couple (X, Y).
Reprenons le tableau des donnes.
Mnage
1 2 3 4 5 6 7 8 9 10
Revenu du mari
10 15 15 10 10 15 20 15 20 20
Revenu de la femme 5 15 10 10 10 5 10 10 15 10
p(x ; y) est le rapport du nombre de couples dont le revenu du mari est gal x et celui de la
femme est gal y au nombre total de couples.
Y
X
10
15
20
P(y)

10

15

P(x)

1/10
1/10
0
2/10

2/10
2/10
2/10
6/10

0
1/10
1/10
2/10

3/10
4/10
3/10
1

b) Calcul du coefficient de corrlation linaire entre X et Y.


r=

COV(X, Y)
V ( X ) V (Y )

E(X) = xp( x ) = 10 x 0,3 + 15 x 0,4 + 20 x 0,3 = 15


V(X) = E(X) E(X)
E(X) = x i p( x i ) = 10 x 0,3 + 15 x 0,4 + 20 x 0,3 = 240
V(X) = 240 15 = 15
E(Y) = yp( y) = 5 x 0,2 + 10 x 0,6 + 15 x 0,2 = 10
V(Y) = E(Y) E(Y)
E(Y) = y p( y) = 5 x 0,2 + 10 x 0,6 + 15 x 0,2 = 110
V(Y) = 110 10 = 10

E(XY) = x y p( x, y)
41

2. Variable alatoire

Probabilits

E(XY) = 10x5x0,1 + 10x10x0,2 + 10x15x0 + 15x5x0,1 + 15x10x0,2 + 15x15x0,1 +


20x5x0 + 20x10x0,2 + 20x15x0,1 = 155
COV(X , Y) = E(XY) E(X) E(Y) = 155 15 x 10 = 5
r=

COV(X, Y)

15 10

V ( X ) V (Y )

= 0,41

Les variables alatoires X et Y sont trs faiblement corrles.


c) Loi de probabilit du couple (S, W).
S=X+Y

et

W = 0,6 X + 0,8 Y

Le tableau suivant donne les valeurs respectives de S et de W :


Y
X
10
15
20

10

15

15 ;10
20 ; 13
25 ; 16

20 ; 14
25 ; 17
30 ; 20

25 ; 18
30 : 21
35 ; 24

La loi de probabilit du couple (S, W) est :


S
W
10
13
14
16
17
18
20
21
24
P(s)

15

20

25

30

35

P(w)

1/9
0
0
0
0
0
0
0
0
1/9

0
1/9
1/9
0
0
0
0
0
0
2/9

0
0
0
1/9
1/9
1/9
0
0
0
3/9

0
0
0
0
0
0
1/9
1/9
0
2/9

0
0
0
0
0
0
0
0
1/9
1/9

1/9
1/9
1/9
1/9
1/9
1/9
1/9
1/9
1/9
1

2.7.5. Solution de lexercice 2.6.5.


Si lascenseur se trouve au 1er tage, on doit attendre 5 secondes, sil est au 2me tage, on
doit attendre 10 secondes, et ainsi de suite, sil se trouve au 8me tage, on doit attendre 40
secondes.

42

2. Variable alatoire

Probabilits

La probabilit de se trouver nimporte quel tage est 1/8. Le temps dattente X est donc
une variable alatoire dont la loi de probabilit est :
X
5
10
15
20
25
30
35
40
Total

P(x)
1/8
1/8
1/8
1/8
1/8
1/8
1/8
1/8
1

E(X) = xp( x ) = (5+10+15+20+25+30+35+40) x 1/8 =22,5 secondes


V(X) = E(X) E(X)
E(X) = x p( x ) = (5+10+15+20+25+30+35+40) x 1/8 = 637,5
V(X) = 637,5 22,5 = 131,25

Lcart type

= 131,25 = 11,46 secondes

2.7.6. Solution de lexercice 2.6.6.


1) Reprenons le tableau de la loi de probabilit de X.
Demande
tonnes : x
probabilits

en

0,02

0,15

0,25

0,30

0,15

0,10

0,03

a) Probabilit que le grossiste vende moins de 3 tonnes de denres dans la journe.


p(X < 3) = p(X = 0) + p(X = 1) + p(X = 2) = 0,02 + 0,15 + 0,25 = 0,42
b) Le nombre moyen de tonnes vendues chaque jour.
E(X) =
0,03

xp( x ) = 0 x 0,02 + 1 x 0,15 + 2 x 0,25 + 3 x 0,30 + 4 x 0,15 + 5 x 0,10 + 6 x

E(X) = 2,83 tonnes


c) Calcul de l'cart type.
V(X) = E(X) E(X)
43

2. Variable alatoire

Probabilits

E(X) = x p( x ) = 0x 0,02 + 1x 0,15 + 2x 0,25 + 3x 0,30 + 4x 0,15 + 5x 0,10 + 6x


0,03
E(X) = 9,83
V(X) = 9,83 2,83 = 1,8211
Lcart type

= 1,8211 = 1,35 tonnes

2) Le grossiste gagne 5000 dh par tonne vendue et perd 2000 dh par tonne non vendue. Soit
la variable alatoire G dont les valeurs sont gales au gain pour une commande y.
Loi de probabilit de G lesprance de G pour une commande y = 0, 1, 2, 3, 4, 5, 6.
Pour une commande y, la variable alatoire G est :
G = 5000 X 2000 (y X) = 7000 X 2000 y
La valeur de X ne peut dpasser y.
Pour y = 0, G ne peut prendre que la valeur 0 avec une probabilit gale 1.
Pour y = 1
X
G
probabilits
E(G) =

0
-2000
0,02

1
5000
0,98

gp(g) = -2000 x 0,02 + 5000 x 0,98 = 4860 dh

Pour y = 2
X
G
probabilits
E(G) =

0
-4000
0,02

1
3000
0,15

2
10000
0,83

gp(g) = -4000 x 0,02 + 3000 x 0,15 + 1000 x 0,83 = 8670 dh

Pour y = 3
X
G
probabilits

0
-6000
0,02

1
1000
0,15

44

2
8000
0,25

3
15000
0,58

2. Variable alatoire

Probabilits

E(G) =

gp(g) = -6000 x 0,02 + 1000 x 0,15 + 8000 x 0,25 + 15000 x 0,58 = 10730 dh

Pour y = 4
X
G
probabilits
E(G) =

0
-8000
0,02

1
-1000
0,15

2
6000
0,25

3
13000
0,30

4
20000
0,28

gp(g) = -8000x0,02 + -1000x0,15 + 6000x0,25 + 13000x0,30 + 20000x0,28

E(G) = 10690 dh
Pour y = 5
X
G
probabilits
E(G) =

0
-10000
0,02

1
-3000
0,15

2
4000
0,25

3
11000
0,30

4
18000
0,15

5
25000
0,13

gp(g)

E(G) = -10000x0,02 + -3000x0,15 + 4000x0,25 + 11000x0,30 + 18000x0,15 + 25000x0,13


E(G) = 9600 dh
Pour y = 6
X
G
P(g)
E(G) =

0
-12000
0,02

1
-5000
0,15

2
2000
0,25

3
9000
0,30

4
16000
0,15

5
23000
0,10

6
30000
0,03

gp(g)

= -12000 x 0,02 + -5000 x 0,15 + 2000 x 0,25 + 9000 x 0,30 + 16000 x 0,15 + 23000 x 0,13
+ 30000 x 0,03
E(G) = 7810 dh
2.7.7. Solution de lexercice 2.6.7.
La variable alatoire X, nombre d'aspirines obtenues, peut prendre les valeurs 0, 1 et 2.
La variable alatoire Y, nombre de somnifres obtenus, peut prendre les valeurs 0, 1 et 2.
45

2. Variable alatoire

Probabilits

chaque couple de valeurs (x,y) correspond une probabilit p(x,y) d'observer


simultanment la valeur x pour X et la valeur y pour Y.
Soient les vnements suivants :
A : Choisir une aspirine
S : Choisir un somnifre
V : Choisir une vitamine

: p(A) = 3 / 9
: p(S) = 2 / 9
: p(L) = 4 / 9

p(X=0 ;Y=0) = p(V et V)


p(X=0 ;Y=0) = (4/9).(3/8) = 12/72 = 0,1667
p(X=0 ;Y=1) = p(S et V) + p(V et S)
p(X=0 ;Y=1) = (2/9).(4/8) + (4/9).(2/8)
p(X=0 ;Y=1) = (2x4 + 4x2 / 9x8 = 16/72 = 0,2222
p(X=0 ;Y=2) = p(S et S)
p(X=0 ;Y=2)= (2/9).(1/8) = 2/72 = 0,0278
p(X=1 ;Y=0) = p(A et V) + p(V et A)
p(X=1 ;Y=0)= (3/9).(4/8) + (4/9).(3/8)
p(X=1 ;Y=0) = (3x4 + 4x3) / 9x8 = 24/72 = 0,3333
p(X=1 ;Y=1) = p(A et S) + p(S et A)
p(X=1 ;Y=1) = (3/9).(2/8) + (2/9).(3/8)
p(X=1 ;Y=1) = (3x2 + 2x3 / 9x8 = 12/72 = 0,1667
p(X=1 ;Y=2) = 0
p(X=2 ;Y=0) = p(A et A) = (3/9).(2/8) = 6/72 = 0,0833
p(X=2 ;Y=1) = 0
p(X=2 ;Y=2) = 0
La loi de probabilit du couple (X, Y) est :
Y
X
0
1
2
p(y)

p(x)

0,1667
0,3333
0,0833
0,5833

0,2222
0,1667
0
0,3889

0,0278
0
0
0,0278

0,4167
0,5
0,0833
1

2.7.8. Solution de lexercice 2.6.8.


Soit X la variable alatoire qui dsigne le nombre de garons d'une famille de 4 enfants.
Une famille de 4 enfants peut avoir 0 garon (X=0), 1 garon (X=1), 2 garons (X=2), 3
garons (X=3) ou 4 garons (X=4)

46

2. Variable alatoire

Probabilits

p(X=0) = p(F et F et F et F) = (1/2)x(1/2)x(1/2)x(1/2) = 1/16


p(X=1) = p(G et F et F et F)+p(F et G et F et F)+p(F et F et G et F)+p(F et F et F et G)
p(X=1) =(1/2)x(1/2)x(1/2)x(1/2) x 4 = 4/16
p(X=2) = p(G et G et F et F) + p(G et F et G et F) + p(G et F et F et G) + p(F et G et G et F)
+ p(F et G et F et G) + p(F et F et G et G)
p(X=2) =(1/2)x(1/2)x(1/2)x(1/2) x 6 = 6/16
p(X=3) = p(G et G et G et F)+p(G et G et F et G)+p(G et F et G et G)+p(F et G et G et G)
p(X=3) =(1/2)x(1/2)x(1/2)x(1/2) x 4 = 4/16
p(X=4) = p(G et G et G et G) = (1/2)x(1/2)x(1/2)x(1/2) = 1/16
La loi de probabilit de X est :
X
0
1
2
3
4
Total

P(x)
1/16
4/16
6/16
4/16
1/16
1

2.7.9. Solution de lexercice 2.6.9.


Reprenons la distribution de probabilit :
X
P(x)

0
1/6

1
1/6

2
1/6

3
1/6

4
1/6

5
1/6

Ce ptissier sait qu'il y a un profit de 10 dh pour chaque gteau vendu et une perte de 4 dh
pour chaque gteau non vendu.
a) Profit attendu par le ptissier en un jour o il a prpar 5 gteaux.
Soit la variable alatoire Y qui dsigne le profit. Si le ptissier a prpar 5 gteaux, le profit
est donn par :
Y = 10 x X 4 x (5 X)
La loi de probabilit de Y est donc :

47

2. Variable alatoire

Probabilits

X
Y
P(y)
E(Y) =

0
-20
1/6

1
-6
1/6

2
8
1/6

3
22
1/6

4
36
1/6

5
50
1/6

yp( y) = (-20 + -6 + 8 + 22 + 36 + 50) x (1/6) = 15 dh.

b) Profit attendu par le ptissier, le jour o il a prpar 3 gteaux.


Soit la variable alatoire Y qui dsigne le profit. Si le ptissier a prpar 3 gteaux, le profit
est donn par :
Y = 10 x X 4 x (3 X)
La loi de probabilit de Y est donc :
X
Y
P(y)
E(Y) =

0
-12
1/6

1
2
1/6

2
16
1/6

3
30
3/6

yp( y) = (-12 + 2 + 16) x (1/6) + 30 x (3/6) = 16 dh

2.7.10. Solution de lexercice 2.6.10.


Reprenons la fonction de rpartition de X.

si
0
F( x ) = - k x
si
1 - e
5
k=
6

x < 0
x 0

a) Probabilit pour qu'une communication dure plus de 3 minutes.


p(X > 3) = 1 p(X 3) = 1 F(3) = 1 (1 -

5
3
6

) = 0,0821

b) Probabilit pour qu'une communication ait une dure entre 3 et 6 minutes.


P( 3 < X < 6) = F(6) F(3) = (1 -

5
6
6

) - (1 -

5
3
6

) = 0,9933 0,9179 = 0,0754

c) Calcul de k.
p(X > 3) = 0,1 = 1 p(X 3) = 1 F(3) = 1 (1 48

e k3 )

2. Variable alatoire

Probabilits

3 k

Ce qui donne e
= 0,1
Soit -3k = Log(0,1) = -2,3
Soit k = 0,77
2.7.11. Solution de lexercice 2.6.11.

F( x ) = kx 2 si 0 x 4
a) Calcul de la valeur de k.
La fonction de rpartition est un cumul de probabilits.

0 F( x ) 1 avec F(4) F(0) = 1


1
F(4) = 1 k x 42 = 1 k =
16
b) Calcul de E(X) et V(X)
Calculons la fonction de densit de probabilit f(x).

f(x) = F'(x) = (

f(x) = 8
0

1 2
1
x
x )' = 2 x
x.=
16
16
8

si 0 x 4
sinon

- Calcul de E(X) :

E(X) =

E(X) =

E(X) = 0 +

x f ( x ) dx
4

x . 0 dx + x .
0

x
dx +
8

+
4

x2
0 8 dx + 0
4

x3
43
8
E(X) = =
0=
3
24 0 24
49

x . 0 dx

2. Variable alatoire

Probabilits

- Calcul de V(x) : V(X) = E(X2) E(X)2

E(X 2 ) =

x 2 f ( x ) dx

E(X 2 ) =

E(X 2 ) =

x3
0 8 dx

x 2 . 0 dx +

x
dx +
8

4
0

x2 .

+
4

x 2 . 0 dx

x4
E(X ) = 0 = 8
32 0
2

8
8
V(X) = E(X 2 ) E(X) 2 = 8 ( ) 2 =
3
9
Lcart type de x est :

8
= 0,94
9
c) Calcul de P (1 x 3)
= V(X) =

P (1 x 3) = F(3) F(1) =

1
1
1
x 32
x 12 =
16
16
2

2.7.12. Solution de lexercice 2.6.12.


x

1
f (x) =
e 1000
1000

E(X) =

pour x > 0

x . f ( x ) dx =

+
0

x.

1
1
e 1000 dx =
1000
1000

+
0

x .e

s, en utilisant la mthode dintgration par parties

+
0

xe

x
1000

dx

La mthode dintgration par parties est base sur la formule suivante :

b
a

f ( x ) g ' ( x ) dx = [f ( x ) g ( x )] a

On pose :

b
a

f ' ( x ) g ( x ) dx

f (x ) = x f ' (x ) = 1
g' ( x ) = e

x
1000

g ( x ) = 1000 e
50

x
1000

x
1000

dx Calculon

2. Variable alatoire

Probabilits

+
0

xe

x
1000

dx =

+
0

f ( x ) g ' ( x ) dx
+

x
x

+
1000
1000
= 1000 x e
dx
0 1 x (1000) x e

= 0 + 1000

+
0

x
1000

1000
dx = 1000 x (1000) e

= 1000 2 (0 1) = 1000 2
E(X) =

1
x 1000 2 = 1000 heures
1000

La dure de vie attendue dune ampoule est 1000 heures.


2.7.13. Solution de lexercice 2.6.13.

f ( x ) = ax + bx 2 si 0 x 1
a) Calcul des constantes a et b
f(x) est une fonction de densit de probabilit, elle remplit donc la condition :
1

x2
x3
f (x ) dx = 1 0 (ax + bx ) dx = 1 a 2 + b 3 = 1
0
a b
6 3a
3
+ = 1 3a + 2b = 6 b =
=3 a
2
2
2 3
2
On a daprs les donnes : E ( x ) =
3
+
1
2
2
2
x (fx) dx = 3 0 x (ax + bx ) dx = 3
+

ax 3
2
x
2
(
ax
+
bx
)
dx
=

+ b 4 =

0
3
4 0 3
3
1

51

2. Variable alatoire

Probabilits

a b 2
+ = 4a + 3b = 8
3 4 3
3
9
a
4a + 3(3 a ) = 8 4a + 9 a = 8 = 1
2
2
2
3
a = 2 et b = 3 x 2 = 0
2
f ( x ) = 2 x si 0 x 1
b) Calcul de lcart type

V(X) = E(X 2 ) E(X) 2


E(X 2 ) =

x 2 f ( x ) dx
1

x4
1
E (X ) = x . 2 x dx = 2 x dx = 2 =
0
0
4 0 2
1

V(X) =

1
1
2
1
( )2 =
=> Lcart type : =
= 0,2357
2
3
18
18

2.7.14. Solution de lexercice 2.6.14.

x0
0 si

F( x ) = x si 0 < x 1
1 si
x >1

a) Calcul de

P (0 x 0,5)

P (0 x 0,5) = F(0,5) F(0) = 0,5 0 = 0,5


b) Fonction de densit de probabilit

f ( x ) = F' ( x )

1 si 0 < x 1
f (x ) =
0 sin on
52

2. Variable alatoire

Probabilits

c) Calcul de la moyenne et lcart-type de X


1

x2
1
E(X) = x f ( x ) dx = x dx = =

0
2 0 2
+

V(X) = E(X 2 ) E(X) 2


1

x3
1
E(X ) = x f ( x ) dx = x dx = =

0
30 3
2

V(X) =

1
1
1
( )2 =
=> Lcart type : =
3
2
12

1
12

= 0,289

2.7.15. Solution de lexercice 2.6.15.


a) Loi de probabilit de P.
Dsignons par X et Y les numros ports sur les boules tirs. Le tableau crois suivant
prsente tous les cas possibles.
X
Y
1
2
3

1
2
3

2
4
6

3
6
9

La variable alatoire P peut donc prendre les valeurs 1, 2, 3, 4, 6, et 9. La probabilit dune


valeur est gale au nombre de rptitions de la valeur sur les 9 cas possibles.
Loi de probabilit de P
P
Proba

1
1/9

2
2/9

3
2/9

4
1/9

6
2/9

9
1/9

b) Calcul de lesprance mathmatique de P.

E(P)=pp(p) = (1.1 + 2.2 + 3.2 + 4.1 + 6.2 + 9.1) x (1/9) = (36/9) = 4


c) Probabilit que le produit P soit suprieur ou gal 2.
p(P 2) = 1 - p(P < 2) = 1 - p(1) = 1 (1/9) = 8/9

53

Total
1

3. Analyse combinatoire et calcul de probabilits

Probabilits

CHAPITRE 3
ANALYSE COMBINATOIRE
ET CALCUL DES PROBABILITES

L'analyse combinatoire, fonde sur des formules de permutations, darrangements et de


combinaisons possde d'importantes applications dans de nombreuses branches des
mathmatiques, comme par exemple le calcul des probabilits et des statistiques, o elles
peuvent servir compter le nombre de cas favorables et/ou possibles des vnements dune
exprience alatoire.
Soient deux lments a et b :
Si (a , b) (b , a), on parle de disposition ordonne.
Si (a , b) (b , a), on parle de disposition non ordonne.
3.1. PERMUTATIONS.
Une permutation est une disposition ordonne. Le nombre de permutations que lon peut
faire avec n lments est :
Pn = n ! = n (n-1) (n-2) 2 1
Exemple : Le nombre de permutations que lon peut faire avec trois lments a, b, c est :
P3 = 3 ! = 3 2 1 = 6
Ces 6 permutations sont : (a,b,c), (a,c,b), (b,a,c), (b,c,a), (c,a,b), et (c,b,a).
3.2. ARRANGEMENTS.
Un arrangement de p lments choisis parmi n lments est une disposition ordonne de p
de ces n lments. On distingue les arrangements avec rptitions et les arrangements sans
rptitions.
3.2.1. Arrangements sans rptitions.
Cest le nombre darrangements que lon peut faire avec p lments choisis parmi n
lments, chacun deux ne peut figurer quune seule fois dans le mme arrangement.
Le nombre darrangements sans rptitions est :
54

3. Analyse combinatoire et calcul de probabilits

Probabilits

n!

An = (n p)!
p

Exemple : Le nombre darrangements sans rptitions que lon peut faire avec deux lments
choisis parmi trois lments a, b, c est :

3!

A3 = (3 2)! =
2

3 2 1
=6
1

Ces 6 arrangements sont : (a,b), (b,a), (a,c), (c,a), (b,c), et (c,b).


3.2.2. Arrangements avec rptitions.
Cest le nombre darrangements que lon peut faire avec p lments choisis parmi n
lments, chacun deux peut figurer plusieurs fois dans le mme arrangement.
Le nombre darrangements avec rptitions est : np
Exemple : Le nombre darrangements avec rptitions que lon peut faire avec deux lments
choisis parmi trois lments a, b, c est : 32 = 9
Ces 9 arrangements sont : (a,a), (a,b), (b,a), (a,c), (c,a), (b,b), (b,c), (c,b) et (c,c).
3.3. COMBINAISONS.
Une combinaison de p lments choisis parmi n lments est une disposition non ordonne
de p de ces n lments. On distingue les combinaisons avec rptitions et les combinaisons
sans rptitions.
3.3.1. Combinaisons sans rptitions.
Cest le nombre de combinaisons que lon peut faire avec p lments choisis parmi n
lments, chacun deux ne peut figurer quune seule fois dans la mme combinaison.
Le nombre de combinaisons sans rptitions est :

Cn =
p

n!
p! (n p)!

Exemple : Le nombre de combinaisons sans rptitions que lon peut faire avec deux lments
choisis parmi trois lments a, b, c est :

2
C3 =

3!
=3
2! 1!

Ces 3 combinaisons sont : (a,b), (a,c), et (b,c).

55

3. Analyse combinatoire et calcul de probabilits

Probabilits

3.3.2. Combinaisons avec rptitions.


Cest le nombre de combinaisons que lon peut faire avec p lments choisis parmi n
lments, chacun deux peut figurer plusieurs fois dans la mme combinaison.
Le nombre de combinaisons avec rptitions est :
p
p
K n = C n + p 1 =

(n + p 1)!
p! (n 1)!

Exemple : Le nombre de combinaisons avec rptitions que lon peut faire avec deux lments
choisis parmi trois lments a, b, c est :

4!

K3 = C3+ 21 = C4 = 2! 2! = 6
2

Ces 6 combinaisons sont : (a,a), (a, b), (a,c), (b,b), (b,c), et (c,c).
3.4. ENONCES DES EXERCICES DAPPLICATION.
3.4.1. Six verres de couleurs diffrentes : vert, bleu, rouge, jaune, orange et gris, sont placs sur
une tagre. Quelle est la probabilit pour que ces verres soient dans lordre suivant : bleu,
rouge, vert, gris, orange et jaune ?
3.4.2. On considre un jeu de loto dans lequel on doit choisir une combinaison de 6 nombres
diffrents parmi 24 nombres diffrents. Quelles sont les probabilits de choisir :
a) la combinaison : 2 ; 7 ; 12 ; 9 ; 21 et 24 ?
b) larrangement : 2 ; 23 ; 17 ; 9 ; 4 et 15 ?
3.4.3. On forme un nombre de 4 chiffres choisis de faon alatoire parmi les 10 chiffres 0, 1, 2,
, 9. Quelle est la probabilit davoir un nombre tel que :
a) les chiffres peuvent se rpter autant de fois que possible et le nombre est divisible par 5.
b) les chiffres ne peuvent se rpter et le nombre est pair.
c) les chiffres ne peuvent pas se rpter et le nombre ne contient que des chiffres impairs.
3.4.4. Quatre hommes et trois femmes se prsentent un guichet bancaire. Si lordre de servir
ces personnes est alatoire, quelle est la probabilit pour que :
a) les femmes soient servies en premier ?
b) les hommes et les femmes soient servis alternativement ?
3.4.5. On crit un mot de 7 lettres sans rptition laide dun alphabet de 26 lettres ; quelle est
la probabilit pour que ce mot soit probant ? Les mots n'ont pas ncessairement un sens.
3.4.6. Un championnat sportif groupe 20 quipes. Chaque match oppose deux quipes. Chaque
quipe doit, pendant la saison, rencontrer chacune des 19 autres quipes, une fois sur son
propre terrain et une autre fois sur le terrain de l'adversaire.
Combien de rencontres faut-il organiser au total ?
56

Probabilits

3. Analyse combinatoire et calcul de probabilits

3.4.7. Quatre hommes (A, B, C et D) et trois femmes (E, F et G) vont s'asseoir sur un banc de 7
places.
a) Quelle est la probabilit pour que ces personnes sassoient selon lordre A, F, G, C, B,
D, E)?
b) Quelle est la probabilit pour que ces personnes sassoient selon lordre 2 femmes, 2
hommes, 1 femme et 2 hommes) ?
3.4.8. On dsire ranger, sur une tagre, quatre livres de mathmatiques, six livres de
statistiques et trois livres de gestion.
a) Quelle est la probabilit pour que les livres soient groups par spcialit ?
b) Quelle est la probabilit pour que les livres de gestion seulement soient groups
ensemble ?
3.4.9. On a un groupe de 5 filles et 8 garons.
a) Quelle est la probabilit pour choisir 7 personnes de faon prendre 3 filles et 4 garons
quelconques ?
b) Quelle est la probabilit pour choisir 7 personnes de faon prendre 3 filles et 4 garons
et quune fille particulire fasse obligatoirement partie du groupe former ?
c) Quelle est la probabilit pour choisir 7 personnes de faon prendre 3 filles et 4 garons
et que deux garons particuliers ne puissent pas tre choisis ?
3.4.10. On dispose de 7 consonnes et 5 voyelles.
a) Quelle est la probabilit de constituer des mots de 6 lettres avec 3 consonnes diffrentes
et 3 voyelles diffrentes ?
b) Quelle est la probabilit de constituer des mots de 6 lettres avec 4 consonnes diffrentes
et 2 voyelles diffrentes ?
c) Quelle est la probabilit de constituer des mots de 7 lettres avec 5 consonnes diffrentes
et 2 voyelles diffrentes de faon quil y ait alternance entre consonnes et voyelles ?
Les mots nont pas obligatoirement de sens.
3.4.11. On forme un comit de 5 membres choisis au hasard parmi 8 personnes dont 3 femmes
et 5 hommes.
Calculer la probabilit pour que
a) les trois femmes soient choisies ?
b) l'une des femmes, au moins, soit choisie ?
c) aucune femme ne soit choisie ?
3.4.12. Une course runissant 15 chevaux est organise au cours d'une fte. Le public est invit
donner le tierc gagnant (numros des trois premiers chevaux).
Pour une personne qui parierait tout fait au hasard, quelle est la probabilit quelle donne
le rsultat exact :
a) dans l'ordre (numros des trois premiers chevaux classs dans l'ordre exact de leurs
arrives) ?
b) dans le dsordre (numros des trois premiers chevaux classs dans un ordre diffrent) ?
57

Probabilits

3. Analyse combinatoire et calcul de probabilits

3.4.13. On considre deux ds dont les faces sont numrotes de 1 6, on jette ces deux ds et
on dsigne par x et y les numros des faces des deux ds.
On pose z = x + y
a) Quelles sont les probabilits pour que z = 5 ?
b) Quelles sont les probabilits pour que z = 3 ?
c) Dterminer la loi de probabilit de z
d) Calculer alors p(4 < z < 8)
3.4.14. On considre trois ds dont les faces sont numrotes de 1 6, on jette ces 3 ds et on
dsigne par x, y et z les numros des faces des trois ds.
On pose t = x + y + z
Quelles sont les probabilits pour que :
a) t = 6 ?
b) t = 3 ?
c) t = 18 ?
3.4.15. On jette deux fois une pice de monnaie, on affecte la valeur 1 face et la valeur 0
pile, on dsigne par x et y les valeurs du rsultat du 1er et 2me jet.
On pose z = x + y
a) Quelles sont les probabilits pour que z = 2 ?
b) Quelles sont les probabilits pour que z = 1 ?
c) Dterminer la loi de probabilit de z
d) Calculer alors p(0 < z 2)
3.4.16. Sur 60 candidats l'entre dans un tablissement 40 sont du Sud.
Si 20 postulants sont slectionns au hasard, calculer la probabilit pour que :
a) 10 slectionns soient du Sud.
b) Entre 16 et 18 slectionns soient du Sud.
3.4.17. On considre un jeu de 32 cartes pour jouer au Poker. Les 32 cartes sont rparties en 4
couleurs : trfle, carreau, cur et pique ; chaque couleur comporte 8 cartes de diffrentes
hauteurs : 7-8-9-10-Valet (V)-Dames (D)-Roi (R) et As (A).
Au Poker, une main se compose de 5 cartes et peut avoir les configurations (ou figures)
suivantes :
1 - 1P Une paire, soit 2 cartes de mme hauteur, deux valets, deux 7, deux rois par
exemple ;
2 - 2P Deux paires, soit 2 fois 2 cartes de mme hauteur ;
3 - Br Un Brelan, soit 3 cartes de mme hauteur, trois dames, trois 8, trois valets par
exemple ;
4 - Cr Un carr, soit 4 cartes de mme hauteur, 4 rois, quatre 9 par exemple ;
5 - Qt Une suite, soit 5 cartes qui se suivent sans avoir la mme couleur ;
6 - Cl Une couleur, soit 5 cartes de mme couleur ;
7 - Qf Une quinte floch, soit 5 cartes de mme couleur qui se suivent ;
8 - Fl Un full, soit un brelan et une paire.
58

Probabilits

3. Analyse combinatoire et calcul de probabilits

Le classement de ces figures se fait par ordre inverse de la probabilit de les avoir, cest-dire que la force dune figure F1 est infrieure la force dune figure F2 si la probabilit
davoir F1 est suprieure la probabilit davoir F2.
a) Calculer les probabilits de chaque figure.
Il sagit, par exemple, de calculer la probabilit davoir une main (5 cartes) avec une
paire et rien quune paire, une main avec un brelan et rien quun brelan, etc.
Calculer ces probabilits, chaque fois que possible, de deux faons diffrentes.
b) Classer les 8 figures par ordre croissant de force.
c) Calculer, de deux faons diffrentes, la probabilit dune main qui ne comporte aucune
figure liste ci-dessus, cest une main ou figure quelconque, Qc.
d) Classer une main quelconque parmi les 8 mains dj classes la question b.
3.4.18. Un jeu de toto foot consiste prvoir les rsultats de dix matchs de football en
inscrivant les prvisions sur une feuille rponse. Pour chaque match trois rsultats sont
possibles : victoire dune quipe, victoire de lautre quipe, match nul. Combien de chances at-on de gagner si on a jou, dabord une feuille et puis 2 feuilles ?
3.5. SOLUTIONS DES EXERCICES DAPPLICATION.
3.5.1. Solution de lexercice 3.4.1.
On applique la formule gnrale de la probabilit qui est :
p = Nombre de cas favorables / Nombre de cas possibles
Nombre de cas favorable = 1
Nombre de cas possibles = Nombre de permutations de 7 verres = 7 !
Donc p = 1 / 7 ! = 1 / 5040
Il y a une chance sur 5040 pour trouver les verres dans lordre indiqu.
3.5.2. Solution de lexercice 3.4.2.
On applique la formule gnrale de la probabilit qui est :
p = Nombre de cas favorables / Nombre de cas possibles
a) Nombre de cas favorables = Nombre de permutations de 6 lments = 6 ! puisque lordre
des nombres nest pas important.
Nombre de cas possibles = Nombre de combinaisons de 6 lments parmi 24 =

59

C24

3. Analyse combinatoire et calcul de probabilits

Probabilits

p=

6!

6 ! x 6 !x 18 !
6.5.4.3.2.1x 6.5.4.3.2.1
=
24 !
24.25.24.23.22.21.20.19
C
6.5.3.2.1 180
=
= 0,535%
23.19.11.7 33649
6
24

b) Nombre de cas favorables = 1 seul arrangement puisque lordre des nombres est
important.
Nombre de cas possibles = Nombre de combinaisons de 6 lments parmi 24 =

p=

C24

1! x 6 !x 18 !
1x 6.5.4.3.2.1
=
24 !
24.25.24.23.22.21.20.19
C
1
1
=
= 7,4 pour 1 million
23.19.11.7.4 134596
6
24

3.5.3. Solution de lexercice 3.4.3.


On utilise les formules de calcul des combinaisons donnes plus haut :
Un nombre de 4 chiffres ne commence pas gauche par un zro. Ainsi pour calculer le
nombre de nombres possibles de 4 chiffres on calcule dabord le nombre de nombres de 3
chiffres ( droite) quon multiplie par le nombre possible de chiffres mettre gauche (9
possibilits).
Nombre de combinaisons de 3 lments parmi 10 avec rptition

K10 = C12 =
3

12 !
12.11.10
=
= 11.10.2 = 220
3! 9!
3 .2 .1

Nombre de nombres possibles de 4 chiffres avec rptition


N(a) = 220.9 = 1980
a) Pour que les nombres soient divisibles par 5 il faut et il suffit quils soient termins par 5
ou 0 ; le nombre de 4 chiffres ne commence pas gauche par un zro. Ainsi on calcule dabord
le nombre de nombres de 2 chiffres (au milieu) quon multiplie par le nombre possible de
chiffres mettre gauche (9 possibilits) et par le nombre possible de chiffres mettre droite
(2 possibilits).
Nombre de combinaisons de 2 lments parmi 10 avec rptition

60

3. Analyse combinatoire et calcul de probabilits

Probabilits

K10 = C11 =
2

11 !
11.10
=
= 55
2 ! 9!
2 .1

N(a) = 55 . 9. 2 = 990

&

p(a) = (990 / 1980) = 0,5

b) Pour que le nombre soit pair il faut et il suffit quil se termine par 0, 2, 4, 6 ou 8.
Il faut donc calculer le nombre de nombres de 3 chiffres ( gauche) et complter par les 5
possibilits de terminer ces nombres droite par 0, 2, 4, 6 ou 8, il faut ensuite soustraire les cas
des nombres pairs avec le zro gauche.
3

N(b) = C9

x 5 C82 x 4 =

9 !.5
8 !.4
9 .8 .7 .5 8 .7 .4

= 420 112 = 308


3! 6! 2! 6!
3 .2 .1
2 .1

p(b) = (308 / 1980) = 0,156


c) Les chiffres ne peuvent se rpter et le nombre ne contient que des chiffres impairs. Il
suffit de choisir 4 chiffres parmi les 5 chiffres impairs (1 ; 3 ; 5 ; 7 et 9).
N(c) =

C5 =
4

5!
=5
4 ! 1!

&

p(c) = (5 / 1980) = 0,0025

3.5.4. Solution de lexercice 3.4.4.


Le nombre de faons possibles de servir les 7 personnes, abstraction faite de leur sexe est :
N = 7 ! = 7.6.5.4.3.2.1 = 5040 faons possibles
a) Probabilit pour que les femmes soient servies en premier.
Si les 3 femmes sont devant, il y a 3 ! possibilits de les placer, aprs il y a 4 ! possibilits
de placer les 4 hommes
N(a) = 3 ! x 4 ! = 3.2.1x4.3.2.1. = 6x24 = 144
p(a) = (144 / 5040) = 0,0286
b) Probabilit pour que les hommes et les femmes soient servis alternativement.
Si les personnes sont servies alternativement, le 1er tre servi doit tre un homme ainsi
que le dernier puisquil y a 4 hommes et 3 femmes.
On choisit alors le 1er homme parmi 4, puis la 1re femme parmi 3, puis le 2me homme
parmi les 3 qui restent, ensuite la 2me femme parmi les 2 qui restent, etc.

61

3. Analyse combinatoire et calcul de probabilits

Probabilits

N(b) =

1
1
1
1
1
1
1
C4 x C3 x C3 x C2 x C2 x C1 x C1 = 4.3.3.2.2.1.1.= 144

On aurait pu utiliser les permutations et dire que :


N(b) = P4 x P3 = 4 ! x 3 ! = 4.3.2.1x3.2.1 = 144 &

p(b) = (144 / 5040) = 0,0286

3.5.5. Solution de lexercice 3.4.5.


On applique la formule gnrale de la probabilit qui est :
p = Nombre de cas favorables / Nombre de cas possibles
Nombre de cas favorables = 1 le mot probant
Nombre de cas possibles = Nombre de combinaisons de 7 lments parmi 26 sans
rptition, soit

7
26

26 !
= 657800
7 ! 19 !

Il y a donc une chance sur 657800 de possibilits.


3.5.6. Solution de lexercice 3.4.6.
Si lon suppose que la 1re quipe joue chez elle, le nombre cherch est le nombre
darrangement de 20 quipes 2 2.

A 20 =
2

20 !
= 20.19 = 380 rencontres possibles
18 !

Il sagit bien darrangements et non de combinaisons parce que lordre intervient dans la
mesure o lquipe tire la 1re joue chez elle le 1er match.
3.5.7. Solution de lexercice 3.4.7.
On applique la formule gnrale de la probabilit qui est :
p = Nombre de cas favorables / Nombre de cas possibles
a) Nombre de cas favorable = 1
Nombre de cas possibles = Nombre de permutations de 7 personnes = 7 !
Donc p = 1 / 7 ! = 1 / 5040
Il y a une chance sur 5040 pour trouver les personnes dans lordre indiqu.

62

3. Analyse combinatoire et calcul de probabilits

Probabilits

b) Nombre de cas favorables =

C3 x C4 x C1 x C2 = 18

Les combinaisons C32 x C24 x C11 x C22 donnent les nombres de possibilits de choisir 2
femmes parmi 3, puis 2 hommes parmi 4, ensuite 1 femme parmi la femme qui reste et enfin 2
hommes parmi les 2 hommes qui restent.

C3 x C4 x C1 x C2 = 18

Nombre de cas possibles = Nombre de permutations de 7 lments soit 7 !


Donc p = 18 / 7 ! = 18 / 5040 = 1 / 280
Il y a une chance sur 280 pour trouver les personnes dans lordre indiqu.
3.5.8. Solution de lexercice 3.4.8.
On applique la formule gnrale de la probabilit qui est :
p = Nombre de cas favorables / Nombre de cas possibles
a) Nombre de cas favorables = 4 !. 6 !. 3 ! 3 !
Les permutations 4 !. 6 !. 3 ! donnent les nombres de possibilits de ranger les quatre livres
de mathmatiques, six livres de statistiques et trois livres de gestion, ensuite la permutation 3 !
donne le nombre de possibilits de ranger les trois groupes de spcialits.
Nombre de cas possibles = Nombre de permutations des 13 livres = 13 !
Donc

p=

4 !.6 !.3 !.3 !


13 !

= 1 / 10010

Il y a une chance sur 10010 pour trouver les livres dans lordre indiqu.
b) Nombre de cas favorables = 3 !x 11 ! qui est le nombre de possibilits de ranger les 3
livres de gestion fois le nombre de possibilits de permuter les 10 autres livres et le groupe des
livres de gestion.
Nombre de cas possibles = Nombre de permutations de 13 livres = 13 !
Donc

p=

11 !.3 !
= 1 / 26
13 !

Il y a une chance sur 26 pour trouver les livres dans lordre indiqu.
3.5.9. Solution de lexercice 3.4.9.
On applique la formule gnrale de la probabilit et qui est :

63

3. Analyse combinatoire et calcul de probabilits

Probabilits

p = Nombre de cas favorables / Nombre de cas possibles


a) Nombre de cas favorables =

C 5 x C8

Les combinaisons C35 x C84 donnent les nombres de possibilits de choisir 3 filles et 4
garons de faon quelconque parmi 8.
Nombre de cas possibles =
La combinaison

Donc

p=

C13

7
C13 donne le nombre de possibilits de choisir 7 personnes parmi 13.

5 !8 !.7 !.6 !
= 175 / 429
3 !.4 !.2 !.4 !13 !

Il y a 175 chances sur 429 pour trouver les personnes dans un ordre quelconque, soit un peu
moins que 40,80%.
b) Nombre de cas favorables =

C4 x C8 x1

Les combinaisons C24 x . C84 donnent les nombres de possibilits de choisir 2 filles et 4
garons de faon quelconque parmi 8 et 1 reprsente le choix de la fille particulire.
Nombre de cas possibles =
La combinaison

Donc

p=

C13

7
C13 donne le nombre de possibilits de choisir 7 personnes parmi 13.

4 !.8 !.7 !.6 !


= 35 / 141
2 !.2 !.4 !.4 !.13 !

Il y a 35 chances sur 141 pour trouver les personnes dans un ordre quelconque, soit un peu
plus que 24,47%
c) Nombre de cas favorables =

C5 x C6

Les combinaisons C35 . C64 donnent les nombres de possibilits de choisir 3 filles parmi 5
et 4 garons parmi 6 seulement puisquon dcide dcarter 2 garons..
Nombre de cas possibles =

C13
64

3. Analyse combinatoire et calcul de probabilits

Probabilits

La combinaison

Donc

p=

7
C13 donne le nombre de possibilits de choisir 7 personnes parmi 13.

5 !.6 !.7 !.6 !


= 25 / 282
3 !.2 !.4 !.2 !.13 !

Il y a 25 chances sur 282 pour trouver les personnes dans un ordre quelconque, soit un peu
plus que 8,74%
3.5.10. Solution de lexercice 3.4.10.
On applique la formule gnrale de la probabilit et qui est :
p = Nombre de cas favorables / Nombre de cas possibles
a) Nombre de cas favorables =

C7 x C5

Les combinaisons C37 x C35 donnent les nombres de possibilits de choisir 3 consonnes
parmi 7 et 3 voyelles parmi 5 de faon quelconque.
Nombre de cas possibles =
La combinaison

C12

C12 donne le nombre de possibilits de choisir 6 lettres parmi 12.


7 !5 !.6 !.6 !
Donc p =
= 50 / 132
3 !.4 !.3 !.2 !.12 !

Il y a 50 chances sur 132 pour constituer des mots de 3 consonnes diffrentes et 3 voyelles
diffrentes, soit un peu moins que 37,88 %.
b) Nombre de cas favorables =

C7 x C5

Les combinaisons C74 x C52 donnent les nombres de possibilits de choisir 4 consonnes
parmi 7 et 2 voyelles parmi 5 de faon quelconque.
Nombre de cas possibles =
La combinaison

C12

6
C12 donne le nombre de possibilits de choisir 6 lettres parmi 12.

65

3. Analyse combinatoire et calcul de probabilits

Probabilits

Donc

p=

7 !5 !.6 !.6 !
= 50 / 132
3 !.4 !.3 !.2 !.12 !

Il y a 50 chances sur 132 pour constituer des mots de 4 consonnes diffrentes et 2 voyelles
diffrentes, soit un peu moins que 37,88 %
c) Pour ce faire on doit commencer les mots par une consonne et terminer par une
consonne.
Nombre de cas favorables =

A7 x A5

Les combinaisons A 57 x A 52 donnent les nombres de possibilits darrangements de 5


consonnes parmi 7 et 2 voyelles parmi 5 de faon alterne.
Nombre de cas possibles =

A12

7
A12 donne le nombre de possibilits darrangements de 7 lettres parmi 12.
7 !.5 !.7 !
Donc p =
= 70 / 132
2 !.3 !.12 !

Il y a 70 chances sur 132 pour choisir des mots de 7 lettres avec consonnes et voyelles ordre
alternes, soit un peu plus que 53 %
3.5.11. Solution de lexercice 3.4.11.
On applique la formule gnrale de la probabilit et qui est :
p = Nombre de cas favorables / Nombre de cas possibles
a) Nombre de cas favorables =

C3 x C5

Les combinaisons C33 x C52 donnent les nombres de possibilits de choisir 3 femmes parmi
3 et 2 hommes parmi 5 de faon quelconque.
Nombre de cas possibles =
La combinaison

C8

5
C8 donne le nombre de possibilits de choisir 5 personnes parmi 8.

66

3. Analyse combinatoire et calcul de probabilits

Probabilits

Donc

p=

3 !5 !.5 !.3 !
= 5 / 28
3 !.0 !.3 !.2 !.8 !

Il y a 5 chances sur 28 pour choisir 5 personnes pour que les 3 femmes soient choisies, soit
un peu moins que 17,86%
b) Nombre de cas favorables =

1
4
2
3
3
2
C3 x C5 + C3 x C5 + C3 x C5

Les combinaisons C13 x C54 , C32 x C35 et C33 x C52 donnent les nombres de possibilits de
choisir au moins une femme parmi 3 (c'est--dire une, deux ou les trois) et le reste en hommes
parmi 5 de faon quelconque.
Nombre de cas possibles =
La combinaison

C8

5
C8 donne le nombre de possibilits de choisir 5 personnes parmi 8.

Donc

p=

3 !5 !.5 !.3 !
3 !5 !.5 !.3 !
3 !5 !.5 !.3 !
+
+
= 98,21 %
2 !.1 !.4 !.1 !.8 ! 2 !.1 !.3 !.2 !.8 ! 3 !.0 !.3 !.2 !.8 !

Il y a 98,21 % de chances de choisir 5 membres de faon quil y ait au moins une femme.
c) Nombre de cas favorables =
Les combinaisons
faons quelconques.

5
C5 donnent les nombres de possibilits de choisir 5 hommes parmi 5 de

Nombre de cas possibles =


La combinaison

Donc

p=

5
C5 = 1

C8

5
C8 donne le nombre de possibilits de choisir 5 personnes parmi 8.

1.5 !.3 !
= 1 / 56
8!

Il y a 1 chance sur 56 pour choisir 5 personnes de faon quil ny ait aucune femme, soit un
peu moins que 1,79%

67

3. Analyse combinatoire et calcul de probabilits

Probabilits

3.5.12. Solution de lexercice 3.4.12.


On applique la formule gnrale de la probabilit et qui est :
p = Nombre de cas favorables / Nombre de cas possibles
a) Nombre de cas favorables = 1
Il ny a quune seule possibilit de choix, cest lordre dans lequel sont entrs les chevaux.
Nombre de cas possibles =
Larrangement

A15

A15 donne le

nombre de possibilits de choisir 3 chevaux parmi 15 en

tenant compte de lordre.


Donc p =

1
12 !
1
=
=
= 1 / 2730
3
A15 15 ! 15.14.13

Il y a 1 chance sur 2730 pour choisir 3 chevaux dans lordre de leur entre.
b) Nombre de cas favorables = P3 = 3 !
La permutation P3 donne les nombres de possibilits de classer 3 chevaux parmi 3.
Nombre de cas possibles =
Larrangement

A15 donne

A15
le nombre de possibilits de choisir 3 chevaux parmi 15 en

tenant compte de lordre.


Donc p =

3!
3!.12 !
3 .2 .1
=
=
= 1 / 455
3
15 !
15.14.13
A15

Il y a 1 chance sur 455 pour choisir 3 chevaux parmi 15 dans un ordre quelconque par
rapport lordre de leur arrive.
3.5.13. Solution de lexercice 3.4.13.
Les variables x, y et z sont des variables alatoires discrtes, rsultats dexpriences
alatoires.

68

3. Analyse combinatoire et calcul de probabilits

Probabilits

Les variables x et y sont des variables alatoires discrtes quiprobables ; elles peuvent
prendre les valeurs de 1 6 avec 1 / 6 de chance pour chaque chiffre.
On applique la formule gnrale de la probabilit et qui est :
p = Nombre de cas favorables / Nombre de cas possibles
a) Nombre de cas favorables :
Pour avoir 5 comme rsultat, les deux ds doivent marquer les combinaisons suivantes : (1 ;
4) ou (2 ; 3), or chacun des deux cas peut tre sorti de 2 faons : (1 ; 4) ou (4 ; 1) et (2 ; 3) ou
(3 ; 2).
Donc nombre de cas favorables = 4
Nombre de cas possibles = 6 x 6 = 36
Donc

p (z = 5) =

4
=1/9
36

Il y a 1 chance sur 9 pour que le rsultat dun jet de 2 ds soit 5, soit un peu plus que
11,11%.
p(z =5) peut tre calcule autrement :
p(z =5) = p(x+y = 5) = p((x=1 et y=4) ou (x=4 et y=1) ou (x=2 et y=3) ou (x=3 et y=2))
p(z =5) = p(x=1 et y=4) + p(x=4 et y=1) + p(x=2 et y=3) + p(x=3 et y=2)
p(z =5) = (1/6).(1/6) + (1/6).(1/6) + (1/6).(1/6) + (1/6).(1/6) = (4 / 36) = 1 / 9
b) Nombre de cas favorables :
Pour avoir 3 comme rsultat, les deux ds doivent marquer la combinaison suivante : (1 ;
2), qui peut tre sorti de 2 faons : (1 ; 2) ou (2 ; 1).
Donc nombre de cas favorables = 2
Nombre de cas possibles = 6 x 6 = 36
Donc

p(z = 3) =

2
= 1 / 18
36

Il y a 1 chance sur 18 pour que le rsultat dun jet de 2 ds soit 3, soit un peu moins que
5,56%.

69

3. Analyse combinatoire et calcul de probabilits

Probabilits

c) Pour dterminer la loi de probabilit de z il suffit de calculer les probabilits, pour ce


faire, nous avons :
p(z = 0) = 0 p(z = 1) = 0
p(z = 2) = 1 / 36
p(z = 3) = 2 / 36
p(z = 4) = 3 / 36 p(z = 5) = 4 / 36
p(z = 6) = 5 / 36
p(z = 7) = 6 / 36 p(z = 8) = 5 / 36
p(z = 9) = 4 / 36
p(z = 10) = 3 / 36 p(z = 11) = 2 / 36
et p(z = 12) = 1 / 36
Loi de probabilit de Z
Z
2
3
4
5
6
7
8
9
10
11
12
Total

p(z)
1 / 36
2 / 36
3 / 36
4 / 36
5 / 36
6 / 36
5 / 36
4 / 36
3 / 36
2 / 36
1 / 36
1

d) Daprs la loi que nous venons dtablir, nous avons :


p(4 < z < 8 ) = p((z = 5) ou (z = 6) ou ( z = 7))
= 4/36 + 5/36 + 6/36 = 15/36 = 5/12 = 41,67%
3.5.14. Solution de lexercice 3.4.14.
Les variables x, y, z et t sont des variables alatoires, rsultats dexpriences alatoires.
Les variables x, y et z sont des variables alatoires quiprobables ; elles peuvent prendre les
valeurs de 1 6 avec 1 / 6 de chance pour chaque chiffre.
On applique la formule gnrale de la probabilit et qui est :
p = Nombre de cas favorables / Nombre de cas possibles
a) Nombre de cas favorables :
Pour avoir 6 comme rsultat, les trois ds doivent marquer les configurations suivantes :
(1 ;1 ;4), (2 ;2 ;2) ou (1 ;2 ;3) ; or chacun des trois cas peut tre sorti de plusieurs faons :

70

3. Analyse combinatoire et calcul de probabilits

Probabilits

La configuration (1 ;1 ;4) peut tre sortie de 3 faons qui sont : (1 ;1 ;4), (1 ;4 ;1) et
(4 ;1 ;1).
La configuration (2 ;2 ;2) ne peut tre videmment sortie que dune seule faon.
La configuration (1 ;2 ;3) peut tre sortie de 3 ! = 6 faons qui sont : (1 ;2 ;3), (1 ;3 ;2),
(2 ;3 ;1), (2 ;1 ;3), (3 ;1 ;2) et (3 ;2 ;1).
Donc nombre de cas favorables = 3 + 1 + 6 = 10
Nombre de cas possibles = 6 x 6x 6 = 216
Donc

p=

10
= 5 / 108
216

Il y a 1 chance sur 108 pour que le rsultat dun jet de 3 ds soit 6, soit un peu moins que
4,63%.
b) Nombre de cas favorables = 1
Il ny a quune faon davoir 3 comme rsultat cest que les trois ds marquent (1 ;1 ;1).
Nombre de cas possibles = 6 x 6 x6 = 216
Donc p = 1 / 216
Il y a 1 chance sur 216 pour que le rsultat dun jet de 3 ds soit 3, soit un peu plus que
0,46%.
c) Nombre de cas favorables = 1
Il ny a quune faon davoir 18 comme rsultat cest que les trois ds marquent (6 ; 6 ; 6).
Nombre de cas possibles = 6 x 6 x6 = 216

=>

p = 1 / 216

Il y a 1 chance sur 216 pour que le rsultat dun jet de 3 ds soit 18, soit un peu plus que
0,46%.
3.5.15. Solution de lexercice 3.4.15.
Les variables x, y et z sont des variables alatoires discrtes, rsultats dexpriences
alatoires.
Les variables x et y sont des variables alatoires discrtes, quiprobables ; elles peuvent
prendre les valeurs 1 ou 0 avec 1/2 de chance pour chaque chiffre.
On applique la formule gnrale de la probabilit et qui est :
71

3. Analyse combinatoire et calcul de probabilits

Probabilits

p = Nombre de cas favorables / Nombre de cas possibles


a) Nombre de cas favorables = 1
Il ny a quune seule faon davoir 2 comme rsultat, cest que les rsultats des deux jets
soient faces.
Nombre de cas possibles = 2 x 2 = 4
Donc p = 1 / 4 = 25%
Il y a 25% de chance pour que le rsultat des 2 jets soit face chaque fois.
b) Nombre de cas favorables = 2
Il y a 2 faons davoir 1 comme rsultat, cest que les rsultats des deux jets soient : (1 ;0)
ou (0 ;1).
Nombre de cas possibles = 2 x 2 = 4
Donc p = 2 / 4 = 50%
Il y a 50% de chance pour que le rsultat des 2 jets soit face, une seule fois.
c) Pour dterminer la loi de probabilit de z, il suffit de calculer les probabilits, pour ce
faire, nous avons :
p(z = 0) = 1 / 4

p(z = 1) = 1 / 2

p(z = 2) = 1 / 4

d) Daprs la loi que nous venons dtablir, nous avons :


p(0 < z 2) = p((z = 1) ou (z = 2)
= 1/2 + 1/4 = 3 / 4 = 75%
Il y a 75% de chance pour que le rsultat des 2 jets dune pice de monnaie soit strictement
suprieur 0 et infrieur ou gal 2.
3.5.16. Solution de lexercice 3.4.16.
On applique la formule gnrale de la probabilit et qui est :
p = Nombre de cas favorables / Nombre de cas possibles
a) Nombre de cas favorables =

10

10

C40 x C20
72

3. Analyse combinatoire et calcul de probabilits

Probabilits

Les combinaisons

10

10

C40 x C20

donnent les nombres de possibilits de slectionner 10

postulants parmi les 40 du sud et les 10 autres parmi les 20 restants.


Nombre de cas possibles =
La combinaison

20

C60

20

C60

donne le nombre de possibilits de slectionner 20 postulants parmi

60.
Donc

p=

10
C10
40 C 20
= 0,0374
20
C60

Il y a 3,74 % de chances pour que 10 slectionns parmi les 20 soient du Sud.


b) Entre 16 et 18 slectionns soient du Sud, c'est--dire 16, 17 ou 18.
4
3
2
C16
C17
C18
40 C 20
40 C 20
40 C 20
Donc p =
+
+
20
20
20
C 60
C 60
C 60

p = 0,0726+ 0,0241 + 0,0051 = 0,1018


Il y a 10,18 % de chances pour quentre 16 et 18 slectionns soient du Sud.
3.5.17. Solution de lexercice 3.4.17.
Pour calculer les probabilits des diffrentes figures nous utiliserons la formule gnrale.
p = Nombre de cas favorables / Nombre de cas possibles
Le nombre de cas possibles est le nombre de faons de choisir 5 cartes parmi 32 soit :

C532 =

32.31.30.29.28
= 32.31.29.7
5 .4 .3 .2 .

a) Calcul des probabilits de diffrentes figures


Pour ce calcul, il est prfrable de commencer par les figures les plus remarquables.
a1) Probabilit de 2P

p ( 2P) =

C82 C 24 C 24 C124 3.3.3.4


108
=
=
= 0,120133
5
C32
31.29 31.29

Pour avoir 2 paires, il faut :

73

3. Analyse combinatoire et calcul de probabilits

Probabilits

Dabord choisir 2 hauteurs parmi 8 et aprs 2 fois 2 cartes parmi les 4 cartes de la mme
hauteur (ce sont les 2 paires) ;
Enfin choisir une 5me carte parmi les 24 cartes restantes lorsquon aura cart les 2 fois
4 cartes parmi lesquelles nous avons dj choisi les 2 paires.

a2) Probabilit de Qf

C14 .4
1
p (Qf ) = 5 =
= 0,000079
C 32
2.31.29.7
Pour avoir une Quinte floch, il faut :
-

Dabord choisir une couleur parmi les 4 couleurs qui existent ;


Enfin choisir parmi les 8 cartes de la couleur 5 cartes qui se suivent et l on a 4
possibilits qui sont : 7-8-9-10-V ; 8-9-10-V-D ; 9-10-V-D-R et 10-V-D-R-As.

a3) Probabilit de Cr :

p (Cr ) =

C18 .C 44 .C128
1
=
= 0,001112
5
C32
31.29

Pour avoir un Carr, il faut :


-

Dabord choisir une hauteur parmi les 8 et aprs choisir 4 cartes parmi les 4 de mme
hauteur (cest le carr) ;
Enfin choisir la 5me carte parmi les 28 cartes restantes lorsquon aura cart les 4 cartes
formant le carr.

a4) Probabilit de Fl :

p (Fl) =

C18 C 24 C17 C34


6
=
= 0,006674
5
C32
31.29

Pour avoir un full, il faut


-

Dabord choisir une hauteur parmi 8 et aprs choisir 2 cartes parmi les 4 cartes de la
mme hauteur (cest la paire) ;
Enfin choisir une autre hauteur par les 7 restantes et aprs choisir 3 cartes parmi les 4
cartes de la mme hauteur (cest le Brelan).

a5) Probabilit de Brelan

p (Br ) =

C 18 C 34 C 72 C 14 C 14
C 532

48
31.29

= 0,053393

Pour avoir un Brelan, il faut :


-

Dabord choisir une hauteur parmi les 8 hauteurs existantes et aprs choisir 3 cartes
parmi les 4 cartes de la mme hauteur (cest le Brelan) ;
74

3. Analyse combinatoire et calcul de probabilits

Probabilits

Enfin choisir 2 hauteurs parmi les 7 hauteurs qui restent et aprs choisir de chacune des
2 hauteurs 1 carte parmi 4 (cest les 2 singletons).
On aurait pu constituer un brelan dune autre faon :
-

Dabord choisir une hauteur parmi les 8 hauteurs existantes et aprs choisir 3 cartes
parmi les 4 cartes de la mme hauteur (cest le brelan) ;
Ensuite choisir 2 cartes parmi les 28 autres cartes restantes une fois quon a retir les 4
cartes parmi lesquelles on a choisi le brelan ;
Enfin soustraire la probabilit dun full car lors de la deuxime tape on na pas cart
la possibilit davoir une paire dans le choix de 2 cartes parmi les 28.

C18 C34 C 228


p (Br ) =
p(Fl)
C532
=

54
6
48

=
31.29 31.29 31.29

a6) Probabilit dune couleur

p (Cl) =

C14 .( C85 4)
6,5
=
= 0,001033
5
C32
2.31.29.7

Pour avoir une couleur, il faut :


-

Dabord choisir une couleur parmi 4 ;


Ensuite choisir 5 cartes parmi les 8 cartes de la couleur choisie ;
Enfin retirer les 4 possibilits davoir une suite de 5 cartes dans le choix de 5 cartes
parmi 8.

C14 .C85
13
On aurait faire ce calcul dune autre faon : p(Cl) =
p(Qf ) =
5
C32
2.31.29.7
-

Dabord choisir une couleur parmi 4 ;


Ensuite choisir 5 cartes parmi les 8 cartes de la couleur choisie ;
Enfin soustraire la probabilit dune Qf car la 2me phase nexclut pas cette possibilit.

a7) Probabilit dune paire

p (1P) =

C18 C 24 C37 C14 C14 C14


- p(Cl) = 0,532894
C532

Pour avoir une paire, il faut :

75

3. Analyse combinatoire et calcul de probabilits

Probabilits

Dabord choisir une hauteur parmi les 8 hauteurs existantes et aprs choisir 2 cartes
parmi les 4 cartes de la mme hauteur (cest la paire) ;
Ensuite choisir 3 hauteurs diffrentes parmi les 7 autres hauteurs restantes et aprs
choisir 3 fois 1 carte parmi les 4 cartes des hauteurs choisies (cest les 3 singletons).
Enfin soustraire la probabilit dune couleur car le mode opratoire choisi ncarte pas
cette possibilit

a8) Probabilit dune Quinte

p (Qt ) =

4.(K 54 4) 4.(C85 4)
13
=
=
= 0,001033
5
5
C32
C32
2.31.29.7

Pour avoir une Quinte, il faut :


-

Dabord choisir une suite parmi les 8 hauteurs existantes et l il ny a que 4 possibilits
qui sont ; 7-8-9-10-V, 8-9-10-V-D, 9-10-V-D-R-A ;
Ensuite il faut choisir 5 couleurs parmi les 4 couleurs existantes avec possibilit de
rptition ;
Enfin il faut retirer les 4 cas possibles pour que les 5 cartes ne soient pas toutes de la
mme couleur.

b) Nous pouvons maintenant classer les 4 figures, en effet :


p (1P) > p (2P) > p (Br) > p (Fl) > P (Cr) > p (Cl) = p (Qt) > p (Qf)
Donc 1P < 2P < Br < Fl < Cr < Cl = Qt < Qf
c) Probabilit dune main sans figure ou main quelconque, Qc

p (Qc) =

C85 C14 C14 C14 C14 C14


- p(Cl) + p(Qf) = 0,283648
C532

(N.B. : Ce rsultat est obtenu grce des calculs exacts).


Pour avoir une main quelconque, il faut :
-

Dabord choisir 5 hauteurs parmi les 8 hauteurs existantes ;


Ensuite il faut choisir 5 fois une carte parmi les 4 cartes existantes dans les hauteurs
choisies ;
Enfin il faut viter les figures Cl, Qt et Qf car le mode opratoire ne les carte pas ; pour
ce faire il suffit de retirer p(Cl) et dajouter p(Qf). (Pour comprendre ce qui prcde, il
suffit de se reporter aux calculs donnant p(Cl) ; p(Qt) et p(Qf).

Une autre faon de calculer la probabilit davoir une main quelconque consiste
P(Qc) =

1 [p(1P) + p(2P) + p(Br) + p(Fl) + P(Cr) + p(Q) + p(Qt) + p(Qf)] = 0,283648

76

Probabilits

3. Analyse combinatoire et calcul de probabilits

(N.B. : Ce rsultat est obtenu grce des calculs exacts des toutes les autres probabilits
dj trouves ).
En effet une main quelconque est la figure complmentaire de toutes les autres figures
runies, lesquelles sont exclusives.
Remarquons que le fait de trouver chaque fois les mmes rsultats confirme la validit de
tous les calculs de cet exercice.
Le classement des probabilits des diffrentes figures est :
p( 1P ) > p( Qc ) > p( 2P ) > p( Br ) > p( Fl ) > p( Cr ) > p( Cl) = p( Qt ) > p( Qf.)
De ce fait le classement des figures devient :
1P < Qc < 2P < Br < Fl < Cr < Cl = Qt < Qf
Voil ce que donnent les calculs comme classement !
Cependant il y a lieu de signaler quhabituellement, on classe la main figure Qc infrieure
une main 1P et lon convient, avant chaque partie, de classer la main une Cl infrieure ou
suprieure la main une Qt.
3.5.18. Solution de lexercice 3.4.18.
Pour calculer la probabilit nous utiliserons la formule gnrale.
p = Nombre de cas favorables / Nombre de cas possibles
Nombre de cas favorables = 1
Nombre de cas possibles : il sagit des applications de lensemble des 10 matchs dans
lensemble des 3 rsultats possibles. Il existe 310 = 59049 faons de remplir la feuille rponse.
La probabilit recherche est donc : p = 1/59049
Il y a une chance sur 59049 pour gagner ce jeu de toto foot si on joue une feuille.
Si lon joue 2 feuilles, les 2 vnements tant indpendants, on gagne si une des deux
feuilles, au moins, est gagnante :
p(Feuille1 ou Feuille2) = p(Feuille1) + p(Feuille2) = 2. p(Feuille) = 2 / 59049
Il y a videmment 2 chances sur 59049 pour gagner ce jeu de toto foot si on joue 2
feuilles.
77

4. Lois de probabilit discrtes

Probabilits.
L

CHAPITRE 4
LOIS DE PROBABILITE DISCRETES

Les lois thoriques essaient de dcrire des phnomnes statistiques dans le but de calculer
la probabilit de certains vnements et donc d'avoir une certaine reprsentation de l'avenir.
4.1. LOI DE BERNOULLI.
La loi de Bernoulli intervient dans le cas d'une seule exprience alatoire laquelle on
associe un vnement alatoire quelconque.
La ralisation de l'vnement au cours de cette exprience est appele succs et la
probabilit de ralisation est dite probabilit de succs, dsigne par p. Par contre la non
ralisation de l'vnement est appele chec et la probabilit de non ralisation est dite
probabilit d'chec, dsigne par q.
q=1-p
La variable alatoire X qui caractrise le nombre de succs au cours d'une seule exprience
alatoire est appele variable de Bernoulli : elle prend les valeurs entires 0 et 1 avec les
probabilits respectives q et p.
Loi de probabilit d'une variable Bernoulli
x
0
1
Total

p(x)
q
P
1

Les caractristiques d'une variable Bernoulli sont :


E(X) =
E(X) =

xp( x ) = 0 q + 1 p = p
x p( x ) = 0 q + 1 p = p

V(X) = E(X) - E(X) = p - p = p (1 - p) = pq


4.2. LOI BINOMIALE.
La loi binomiale intervient dans le cas de plusieurs expriences alatoires identiques et
indpendantes auxquelles on associe un vnement alatoire quelconque.

78

4. Lois de probabilit discrtes

Probabilits.
L

Les probabilits p et q restent constantes au cours d'une suite d'expriences alatoires. C'est
le cas des prlvements d'individus au hasard dans une population infinie ou le prlvement
d'individus dans une population finie, lorsque les individus sont remis en place au fur et
mesure des prlvements.
La variable alatoire X qui caractrise le nombre de succs au cours de n expriences
alatoires indpendantes est appele variable binomiale : elle prend les valeurs entires de 0
n.
La probabilit d'obtenir k succs et donc (n-k) checs au cours de n expriences alatoires
indpendantes est, pour k = 0, 1, ..., n :

p ( k ) = Cn p k q n k
k

La loi binomiale dpend de deux paramtres :


n = nombre d'expriences alatoires indpendantes ;
p = probabilit de succs au cours de chacune des n expriences alatoires, p doit rester
constante.
Une variable alatoire X qui suit une loi binomiale de paramtres n et p, est note par :
L(X) = B(n , p)
Caractristiques d'une variable binomiale :
E(X) = np

et

V(X) = npq

4.3. LOI POLYNOMIALE.


La loi polynomiale est une gnralisation de la loi binomiale. Elle intervient dans le cas de
plusieurs expriences alatoires identiques et indpendantes auxquelles on associe k
vnements alatoires complmentaires quelconques. Les probabilits de succs respectives
des k vnements sont dsignes par p1, p2, , et pk.
k

Avec

pi = 1
i =1

Les probabilits de succs pi (i =1 k) restent constantes au cours d'une suite d'expriences


alatoires.
Les variables alatoires X1, X2, , Xk dsignent respectivement les nombres de succs au
cours de n expriences alatoires indpendantes pour chacun des k vnements. Chaque
variable alatoire Xi peut prendre les valeurs entires de 0 n. Ces variables sont telles que :
79

4. Lois de probabilit discrtes

Probabilits.
L

xi = n
i =1

La probabilit d'obtenir m1 succs pour l'vnement 1, et m2 succs pour l'vnement 2, ,


et mk succs pour l'vnement k au cours de n expriences alatoires indpendantes est :

p( m1 , m 2 , K , m k ) =

n!
m
m
m
p1 1 p 2 2 K p k k
m1! m 2 ! K m k !

4.4. LOI HYPERGEOMETRIQUE.


La loi hypergomtrique intervient dans le cas de plusieurs expriences alatoires
dpendantes auxquelles on associe un caractre tudi quelconque.
La probabilit de succs varie d'une exprience alatoire l'autre. C'est le cas des
prlvements d'individus au hasard dans une population finie, lorsque les individus ne sont pas
remis en place au fur et mesure des prlvements.
Dsignons par N l'effectif total de la population dans laquelle on prlve au hasard et sans
remise n individus. La population est compose d'individus qui possdent le caractre tudi, le
nombre de ces individus sera dsign par n1. n2 dsigne le nombre d'individus de la population
qui ne possdent pas le caractre tudi.
N = n1 + n2
La variable alatoire X, qui caractrise le nombre d'individus prlevs qui possdent le
caractre tudi, est appele variable hypergomtrique : elle prend les valeurs entires de 0
n.
La probabilit d'obtenir k individus possdant le caractre tudi parmi les n individus
prlevs et donc (n-k) individus ne possdant pas le caractre tudi est, pour k = 0, 1, ..., n :
k

C C
p(k ) =
C
n1

n k
n2

La loi hypergomtrique dpend de trois paramtres :


N = effectif total de la population ;
n1 = nombre d'individus de la population qui possdent le caractre tudi ;
n = nombre d'individus prlevs sans remise.
Une variable alatoire X qui suit une loi hypergomtrique de paramtres N, n1, et n est
note par :
80

4. Lois de probabilit discrtes

Probabilits.
L

L(X) = H(N, n1 , n)
Caractristiques d'une variable hypergomtrique :
E(X) = np

et

V(X) =

Nn
avec
N 1

p=

n1
N

4.5. LOI HYPERGEOMETRIQUE GENERALISEE.


La loi hypergomtrique gnralise est une gnralisation de la loi hypergomtrique. Elle
intervient dans le cas de plusieurs expriences alatoires dpendantes auxquelles on associe k
caractres tudis. C'est le cas des prlvements d'individus au hasard dans une population
finie, lorsque les individus ne sont pas remis en place au fur et mesure des prlvements.
Dsignons par N l'effectif total de la population dans laquelle on prlve au hasard et sans
remise n individus. La population est compose d'individus qui possdent le 1er caractre
tudi, le nombre de ces individus sera dsign par n1. n2 dsigne le nombre d'individus de la
population qui possdent le 2me caractre tudi, , nk dsigne le nombre d'individus de la
population qui possdent le kme caractre tudi.
N = n1 + n2 + + nk
Les variables alatoires X1, X2, , Xk dsignent respectivement les nombres d'individus
prlevs qui possdent le 1er caractre, le 2me caractre, , et le kme caractre. Chaque
variable alatoire Xi peut prendre les valeurs entires de 0 n. Ces variables sont telles que :
k

xi = n
i =1

La probabilit d'obtenir x1 individus possdant le 1er caractre, et x2 individus possdant le


2 caractre, , et xk individus possdant le kme caractre parmi les n individus prlevs est
me

m1

p( m1 , m 2 , K , m k

C
)=

n1

Cn 2 K Cn k
m

4.6. LOI DE POISSON.


La loi de Poisson intervient pour des phnomnes statistiques dont le nombre de ralisation
varie de 0 l'infini et dont la frquence moyenne de ralisation est connue.
Exemple :
Nombre d'appels reus par un standard tlphonique.
Nombre d'accidents de la circulation.
81

4. Lois de probabilit discrtes

Probabilits.
L

Nombre de visiteurs d'un centre commercial.


La variable alatoire X qui caractrise le nombre de ralisations de ce phnomne est
appele variable de Poisson : elle prend les valeurs entires 0,1, 2, etc.
La probabilit d'obtenir k ralisations est, pour k = 0, 1, 2, ... :

p( k ) =

e m m k
k!

La loi binomiale dpend d'un seul paramtre :


m = frquence moyenne du phnomne tudi.
Une variable alatoire X qui suit une loi de Poisson de paramtre m est note par :
L(X) = P(m)
Caractristiques d'une variable de Poisson :
E(X) = V(X) = m
La somme de deux ou plusieurs variables de Poisson indpendantes de paramtres
respectives m1, m2, , mk est elle-mme une variable de Poisson de paramtre la somme des
paramtres mi.
X1 = P(m1)

X2 = P(m2)

Xk = P(mk)

X1 + X2 + + Xk = P(m1 + m2 + + mk)
4.7. ENONCES DES EXERCICES DAPPLICATION.
4.7.1. Dans un portefeuille comprenant 20 actions et 30 obligations, on prlve 7 titres au
hasard. Quelle est la probabilit d'obtenir 4 actions dans le cas :
a) d'un tirage sans remise ;
b) d'un tirage avec remise.
4.7.2. Des chambres air sont produites en srie et 5 % ont des dfauts. Un garagiste en achte
10.
a) Quelle est la probabilit que les 10 soient en bon tat ?
b) On suppose qu'il annule sa commande si plus de 2 articles ont des dfauts. Quelle est la
probabilit qu'il annule sa commande ?
4.7.3. Un lot important de pices fabriques contient 1 % de pices dfectueuses. Quelle est la
probabilit d'avoir dans un chantillon de 10 pices exactement 2 pices dfectueuses.

82

Probabilits.

4. Lois de probabilit discrtes

4.7.4. Un contrle rigoureux des ampoules lectriques fournies par un atelier a permis de
constater que sur 14760 ampoules, il y avait 738 ampoules dfectueuses.
Soit X le nombre des ampoules dfectueuses figurant dans un lot de 60 ampoules.
a) Indiquer la loi de probabilit de X.
b) Quelle est la probabilit d'avoir plus de 3 ampoules dfectueuses dans un lot de 60
ampoules ?
c) Quelle est la probabilit d'avoir 78 ampoules bonnes dans un lot de 80 ampoules ?
4.7.5. 30 tudiants dont aucun n'a tudi les sujets du cours passent un examen en deux
questions. La question 1 a 4 rponses indiques dont une seule est juste. La question 2 en a 5,
dont une seule est juste.
Soit la variable alatoire X qui dsigne le nombre d'tudiants qui ont au moins une rponse
correcte.
a) Quelle est l'esprance du nombre d'tudiant qui ont au moins une rponse correcte ?
b) Calculer la probabilit pour que 15 tudiants de la classe aient au moins une rponse
correcte.
4.7.6. Un satellite de tldtection effectue 6 passages par mois au-dessus d'une rgion donne.
Les photos ralises lors des diffrents passages peuvent tre inutilisables, du fait notamment
de la prsence d'une couverture nuageuse.
Quelle doit tre la probabilit d'obtenir une photo valable lors d'un passage donn pour que
la probabilit d'avoir au moins une photo valable par mois soit de 0,9 ?
4.7.7. Un tudiant doit passer un examen, il a dix sujets apprendre, il n'en apprend que trois.
Sachant qu'on lui posera deux questions :
a) Calculer la probabilit pour que les questions poses soient parmi les trois sujets appris.
b) Combien aurait-il d au minimum apprendre de sujets pour que cette probabilit soit
suprieure ou gale 0,5 ?
4.7.8. Une socit achte des lots importants d'un composant lectronique. La dcision
d'accepter ou de refuser ces lots est base sur un chantillon de 20 pices choisies au hasard.
Sil y a une ou plusieurs pices dfectueuses parmi les 20 pices examines le lot est refus,
autrement il est accept.
On considre un lot important ayant 1 % de pices dfectueuses : calculer la probabilit de
refuser ce lot.
4.7.9. Une compagnie d'assurance automobile gre 1000 polices. On admet que chaque
automobiliste a une probabilit de 0,004 d'avoir un accident durant l'anne. Soit X la variable
alatoire qui dsigne le nombre d'accidents enregistrs.
a) Dterminer la loi de X et donner ses paramtres.
b) Calculer l'esprance mathmatique et l'cart type de X.
c) Chaque accident cote la compagnie 4000 dirhams ; soit la variable alatoire Y qui
dsigne le cot annuel total. Dterminer la loi de Y et calculer son esprance mathmatique et
son cart type.
83

4. Lois de probabilit discrtes

Probabilits.
L

4.7.10. Un appareil lectronique utilise 20 transistors identiques dans sa fabrication. On admet


que ces transistors sont les seules sources de panne de l'appareil. La probabilit qu'un transistor
soit dfectueux est de 0,1. Ds qu'un appareil contient au moins deux transistors dfectueux, il
tombe en panne.
a) Quelle est la probabilit qu'un appareil tombe en panne ?
b) Jugeant l'appareil prcdant peu rentable, on en construit un autre dont la probabilit de
tomber en panne est gale 0,2. Sur un lot de 2000 appareils, quel est le nombre d'appareils en
panne auquel doit-on s'attendre ? et avec quel cart type ?
4.7.11. Il a t constat que le nombre de bateaux qui mouillent dans un port est de 90 bateaux
par mois. Calculer la probabilit que :
a) Aucun bateau ne mouille pendant 1 jour.
b) Le nombre de bateaux qui mouillent est au moins gal 3 pendant un jour.
4.7.12. Une compagnie d'assurance a organis la gestion d'un certain type de risque sur la base
d'une distinction gographique qui reflte une diffrence dans l'intensit de ce risque.
Pour la rgion du Nord, on peut considrer que le nombre de sinistres enregistrs au cours
d'une semaine suit une loi de Poisson de paramtre gal 3. Pour la rgion du sud totalement
indpendante de la rgion du Nord, le nombre hebdomadaire de sinistres suit une loi de Poisson
de paramtre gal 2.
a) Quelle est la probabilit pour que dans une semaine donne, la compagnie ait
indemniser 4 sinistres ?
b) Le cot moyen de l'indemnisation d'un sinistre est de l'ordre de 25000 dirhams. Calculer
la probabilit pour que dans une semaine donne, la compagnie doive dbourser plus de
150000 dirhams.
c) Pour une semaine donne, calculer la probabilit d'avoir indemniser le mme nombre
de sinistres dans chaque rgion, ce nombre commun tant strictement suprieur zro et
infrieur 3.
4.7.13. Un mensuel lance une campagne publicitaire, pour susciter de nouveaux abonnements,
en envoyant un spcimen gratuit des personnes susceptibles de s'abonner.
La probabilit pour que l'envoi d'un spcimen entrane un abonnement est gale 0,03.
a) Sachant que le cot publicitaire par personne est de 2 dirhams et que le gain brut
escompt pour un abonnement est de 120 dirhams, calculer l'esprance mathmatique du gain
pour un envoi de 10000 spcimens.
b) Calculer la probabilit que l'envoi de 10 spcimens donne plus de 1 abonnement.
4.7.14. Les chances d'effectuer la vente d'un certain produit lors d'une sollicitation
tlphonique sont values 5 %. Au cours de 2 heures, une agence spcialise dans la vente
de ce produit place 180 appels.
a) Combien de ventes peut-elle esprer obtenir au cours de 2 heures ?
b) Quelle est la probabilit qu'elle russisse plus de 10 ventes ?
4.7.15. Une usine emploie 30 personnes dont 4 ingnieurs, 10 techniciens et 16 ouvriers.
84

4. Lois de probabilit discrtes

Probabilits.
L

a) On choisit de faon successive 3 employs : calculer la probabilit d'avoir un employ de


chaque catgorie professionnelle.
b) On choisit de faon successive 3 employs et soit X la variable alatoire qui reprsente le
nombre d'ingnieurs choisis : donner la loi de probabilit de X.
4.7.16. 2 comprims sont choisis au hasard dans un flacon contenant 3 aspirines, 2 somnifres
et 4 vitamines. Si X, Y et Z reprsentent respectivement le nombre d'aspirines, le nombre de
somnifres et le nombre de vitamines obtenus, dterminer la loi de probabilit du couple (X,
Y).
4.7.17. Dterminer la loi de probabilit de la variable alatoire, nombre de garons d'une
famille de 4 enfants.
4.7.18. Sur 60 candidats l'entre dans un tablissement, 40 sont du Sud. Si 20 candidats sont
slectionns au hasard, calculer la probabilit pour que :
a) 10 slectionns soient du Sud.
b) Entre 16 et 18 slectionns soient du Sud.
4.8. SOLUTIONS DES EXERCICES DAPPLICATION.
4.8.1. Solution de lexercice 4.7.1.
a) Cas d'un tirage sans remise.
Soit X la variable alatoire qui dsigne le nombre dactions tires.
On effectue quatre tirages sans remise dans une population finie. Lvnement tirer une
action correspond un succs dont la probabilit varie dun tirage un autre (tirage sans
remise). Il sagit donc dune loi hypergomtrique de paramtres :
Effectif total de la population : N = 50
Nombre de succs dans la population : n1 = 20
Nombre dchecs dans la population : n2 = 30
Nombre de tirages : n = 7 et k = 4
L(X) = H(50, 20 , 7)
k

C C
p(k ) =
C
n1

n k
n2

4
3
4845 4060
30
p(X = 4) = p(4) = C20 C
=
= 0,1969
7
99884400
C50

b) Cas d'un tirage avec remise.


Soit X la variable alatoire qui dsigne le nombre dactions tires.

85

4. Lois de probabilit discrtes

Probabilits.
L

On effectue quatre tirages avec remise dans une population finie. Lvnement tirer une
action correspond un succs dont la probabilit ne varie pas dun tirage un autre (tirage
avec remise). Il sagit donc dune loi binomiale de paramtres :
Nombre de tirages : n = 7
Probabilit de succs : p = (20 / 50) = 0,4
L(X) = B(7 , 0,4)

p(k ) = Cn p k q n k
k

p(X = 4) =

p(4) = C74 0,4 4 (1 0,4) 3 = 0,1935

On remarque que la probabilit de succs dans un tirage sans remise est suprieure celle
dans un tirage avec remise, ce qui est normal.
4.8.2. Solution de lexercice 4.7.2.
a) Probabilit que les 10 chambres air achetes soient en bon tat.
Soit X la variable alatoire qui dsigne le nombre de chambres air en bon tat.
Lvnement acheter une chambre air en bon tat correspond un succs dont la
probabilit ne varie pas. Il sagit donc dune loi binomiale de paramtres :
Nombre de tirages : n = 10
Probabilit de succs : p = 1 - 0,05 = 0,95
L(X) = B(10 , 0,95)

p(k ) = Cn p k q n k
k

p(X = 10) =

10
0
p(10) = C10
10 0,95 (1 0,95) = 0,5987

Il y a environ 60 % de chances que les 10 chambres air achetes soient toutes en bon tat.
b) Probabilit dannuler la commande.
Le garagiste annule sa commande si plus de 2 articles ont des dfauts. Ce qui est quivalent
avoir moins de 8 articles en bon tat.
p(X < 8) = 1 p(X 8) = 1 [p(8) + p(9) + p(10)]
8
p(8) = C10
0,958 (1 0,95) 2 = 0,0746
9
p(9) = C10
0,95 9 (1 0,95)1 = 0,3151
10
0
p(10) = C10
10 0,95 (1 0,95) = 0,5987

p(X < 8) = 1 (0,0746 + 0,3151 + 0,5987) = 0,0116


Il y a un risque de 1,16 % que le garagiste annule sa commande.
86

4. Lois de probabilit discrtes

Probabilits.
L

4.8.3. Solution de lexercice 4.7.3.


Soit X la variable alatoire qui dsigne le nombre de pices dfectueuses.
Lvnement pice dfectueuse correspond un succs dont la probabilit ne varie pas. Il
sagit donc dune loi binomiale de paramtres :
Nombre de tirages : n = 10
Probabilit de succs : p = 0,01
L(X) = B(10 , 0,01)

p(k ) = Cn p k q n k
k

p(X = 2) =

2
p(2) = C10
0,012 (1 0,01) 8 = 0,0042

Il y a un risque de 0,42 % davoir 2 pices dfectueuses.


4.8.4. Solution de lexercice 4.7.4.
a) Loi de probabilit de X.
X, le nombre des ampoules dfectueuses figurant dans un lot de 60 ampoules.
Lvnement ampoule dfectueuse correspond un succs dont la probabilit ne varie pas
(population infinie). Il sagit donc dune loi binomiale de probabilit de succs :
p = (738 / 14760) = 0,05
b) Probabilit d'avoir plus de 3 ampoules dfectueuses dans un lot de 60 ampoules.
L(X) = B(60 ; 0,05)
p(X > 3) = 1 - p(X 3) = 1 [p(0) + p(1) + p(2) + p(3)]

C 060 x 0,05 0 x 0,95 60 = 0,0461


C160 x 0,051 x 0,95 59 = 0,1455
2
C 60
x 0,05 2 x 0,95 58 = 0,2259

C 360 x 0,05 3 x 0,95 57 = 0,2298


p(X > 3) = 1 - (0,0461 + 0,1455 + 0,2259 + 0,2298) = 0,3527
Il y a un risque de 35,27 % davoir plus de 3 ampoules dfectueuses dans un lot de 60
ampoules.
c) Probabilit d'avoir 78 ampoules bonnes dans un lot de 80 ampoules.
Avoir 78 ampoules bonnes dans un lot de 80 ampoules est quivalent avoir 2 ampoules
dfectueuses.
L(X) = B(80 ; 0,05)
2
p(2) = C 80
x 0,05 2 x 0,95 78 = 0,1446

Il y a 14,46 % de chances davoir 78 ampoules bonnes dans un lot de 80 ampoules.


87

4. Lois de probabilit discrtes

Probabilits.
L

4.8.5. Solution de lexercice 4.7.5.


a) Esprance du nombre d'tudiant qui ont au moins une rponse correcte.
X dsigne le nombre d'tudiants qui ont au moins une rponse correcte.
Lvnement avoir au moins une rponse correcte correspond un succs dont la
probabilit ne varie pas (les tudiants sont indpendants). Il sagit donc dune loi binomiale de
paramtres :
Nombre de tirages : n = 30
Probabilit de succs : p = p (avoir au moins une rponse correcte.
La probabilit de rpondre juste la premire question est 1/4.
La probabilit de rpondre juste la deuxime question est 1/5.
La probabilit, p, quun tudiant ait au moins une rponse correcte est gale au
complment de la probabilit, q, que les deux rponses soient fausses.
Les questions tant indpendantes :
q = (1-1/4) x (1-1/5) = (3/5) = 0,6
p = 1 0,6 = 0,4
L(X) = B(30 , 0,4)
E(X) = n x p = 30 x 0,4 = 12 tudiants
b) Probabilit que 15 tudiants de la classe aient au moins une rponse correcte.
15
15
p(15) = C15
= 0,0783
30 0,4 0,6

Il y a une probabilit denviron 8 % que 15 tudiants de la classe aient au moins une


rponse correcte.
4.8.6. Solution de lexercice 4.7.6.
X dsigne le nombre de photos valables pour les 6 passages.
Lvnement avoir une photo valable correspond un succs dont la probabilit ne varie
pas (les passages sont indpendants). Il sagit donc dune loi binomiale de paramtres :
Nombre de passages : n = 6
Probabilit de succs : p
L(X) = B(n, p)
88

4. Lois de probabilit discrtes

Probabilits.
L

Probabilit d'avoir au moins une photo valable par mois est de 0,9
p(X 1) = 0,9

=>

p(X < 1) = 0,1

=>

p(X = 0) = 0,1

p(0) = C p (1 p) = 0,1
0
6

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

0,1 = 0,32

Il faut avoir 32 % de chance dobtenir une photo valable lors d'un passage donn pour que
la probabilit d'avoir au moins une photo valable par mois soit de 0,9.
4.8.7. Solution de lexercice 4.7.7.
a) Probabilit pour que les questions poses soient parmi les trois sujets appris.
X dsigne le nombre de sujets poss et appris.
Lvnement question pose et appris correspond un succs dont la probabilit ne varie
pas (les questions sont indpendantes). Il sagit donc dune loi binomiale de paramtres :
Nombre de questions : n = 2
Probabilit de succs : p = (3 / 10) = 0,3
L(X) = B(2 ; 0,3)
p(X = 2) =

p(2) = C22 0,3 2 0,7 0 = 0,09

Ltudiant na que 9 % de chance pour que les questions poses soient parmi les trois sujets
appris.
b) Nombre minimum de sujets apprendre pour que la probabilit que les sujets poss
soient parmi les sujets appris soit suprieure ou gale 0,5.
p(X = 2) =

p(2) = C22 (

n
0,5 =>
100

n 2
n
) (1 ( ) 0 0,5
10
10

n 50

=>

n7

Ltudiant doit apprendre au minimum 8 sujets pour avoir plus de 50 % de chances pour
que les questions poses soient parmi les sujets appris.
4.8.8. Solution de lexercice 4.7.8.
X dsigne le nombre de pices dfectueuses.
89

4. Lois de probabilit discrtes

Probabilits.
L

Lvnement pice dfectueuse correspond un succs dont la probabilit ne varie pas (lot
important). Il sagit donc dune loi binomiale de paramtres :
Nombre de tirages : n = 20
Probabilit de succs : p = 0,01
L(X) = B(20 ; 0,01)
Le lot est refus sil y a une ou plusieurs pices dfectueuses.
p(X 1) = 1 p(0) = 1 -

0
0
20
C20 0,01 0,99

= 0,1821

Il y a un risque denviron 18 % de refuser le lot.


4.8.9. Solution de lexercice 4.7.9.
a) La loi de probabilit de X.
X dsigne le nombre d'accidents enregistrs.
Lvnement avoir un accident correspond un succs dont la probabilit ne varie pas
(population infinie). Il sagit donc dune loi binomiale de paramtres :
Nombre dautomobilistes : n = 1000
Probabilit de succs : p = 0,004
L(X) = B(1000 ; 0,004)
b) Esprance mathmatique et cart type de X.
E(X) = n x p = 1000 x 0,004 = 4 accidents
V(X) = n x p x (1-p) = 1000 x 0,004 x 0,996 = 3,984

= 3,984 = 2 accidents
c) Chaque accident cote la compagnie 4000 dirhams ; soit la variable alatoire Y qui
dsigne le cot annuel total. Dterminer la loi de Y et calculer son esprance mathmatique et
son cart type.
Le cot annuel total est gal au cot dun accident multipli par le nombre daccidents.
Y = 4000 X
E(Y) = 4000 x E(X) = 4000 x 4 = 16000 dh
V(Y) = 40002 x V(X) = 40002 x 3,984 = 63744000

= 63744000 = 7983,98 dh
4.8.10. Solution de lexercice 4.7.10.
a) Probabilit qu'un appareil tombe en panne ?
X dsigne le nombre de transistors dfectueux.
Lvnement transistor dfectueux correspond un succs dont la probabilit ne varie pas
(population infinie). Il sagit donc dune loi binomiale de paramtres :
90

4. Lois de probabilit discrtes

Probabilits.
L

Nombre de transistors : n = 20
Probabilit de succs : p = 0,1
L(X) = B(20 ; 0,1)
Ds qu'un appareil contient au moins deux transistors dfectueux, il tombe en panne.
p(X 2) = 1 p(X < 2) = 1 [p(0) + p(1)]
0

p(X 2) = 1 [ C20 0,1

0,9 20 + C120 0,11 0,919 ] = 1 (0,1216 + 0,2702) = 0,6082

Le risque que lappareil tombe en panne est denviron 61 %


b) Nombre d'appareils en panne auquel on doit s'attendre et son cart type.
Y dsigne le nombre dappareils en panne.
Lvnement appareil en panne correspond un succs dont la probabilit ne varie pas
(population infinie). Il sagit donc dune loi binomiale de paramtres :
Nombre dappareils : n = 2000
Probabilit de succs : p = 0,2
L(Y) = B(2000 ; 0,2)
E(Y) = 2000 x 0,2 = 400 appareils
V(Y) = 2000 x 0,2 x 0,8 = 320

= 320 = 18 appareils
Sur un lot de 2000 appareils, on peut sattendre avoir 400 appareils en panne avec un
cart type de 18 appareils.
4.8.11. Solution de lexercice 4.7.11.
a) Probabilit pour quaucun bateau ne mouille pendant 1 jour.
Soit X la variable alatoire qui dsigne le nombre de bateaux qui mouillent par jour.
Le nombre de bateaux qui mouillent par jour est, en moyenne 3 (90/30)
X suit une loi de Poisson de paramtre 3 : L(X) = P(3)
p(0) =

e 3 3 0
= 0,0498
0!

Il y a une probabilit denviron 5 % pour quaucun bateau ne mouille pendant 1 jour.


b) Probabilit pour quau moins 3 bateaux mouillent pendant 1 jour..
p(X 3) = 1 p(X < 3) = 1 [p(0) + p(1) + p(2)]

e 3 3 0 e 3 31 e 3 3 2
p(X 3) = 1 [
+
+
]
0!
1!
2!
p(X 3) = 1 (0,0498 + 0,1494 + 0,2240) = 0,5768
91

4. Lois de probabilit discrtes

Probabilits.
L

Il y a une probabilit denviron 58 % pour quau moins 3 bateaux mouillent pendant 1 jour.
4.8.12. Solution de lexercice 4.7.12.
a) Probabilit pour que dans une semaine donne, la compagnie ait indemniser 4 sinistres.
Soit les variables alatoires X1 et X2 qui dsignent les nombres de sinistres respectivement
dans la rgion du Nord et la rgion du Sud.
L(X1) = P(3) et L(X2) = P(2)
L(X = X1 + X2) = P(5) somme de deux variables alatoires indpendantes qui suivent des
lois de probabilit de Poisson.
p(X = 4) =

e 5 5 4
= 0,1755
4!

La compagnie a 17,55 % de probabilit dindemniser 4 sinistres pour une semaine donne.


b) Probabilit pour que dans une semaine donne, la compagnie doive dbourser plus de
150000 dirhams.
La compagnie dboursera plus de 150000 dh si le nombre de sinistres dpasse 6
(150000/25000).
P(X > 6) = 1 p(X 6) = 1 [p(0) + p(1) + p(2) + p(3) + p(4) + p(5) + p(6)]

p(X = 0) =
p(X = 2) =
p(X = 4) =
p(X = 6) =

e 5 5 0
0!
5
e 52
2!
5
e 54
4!
5
e 56
6!

= 0,0067

= 0,0842

= 0,1755

e 5 51
p(X = 1) =
= 0,0337
1!
e 5 5 3
p(X = 3) =
= 0,1404
3!
e 5 5 5
p(X = 5) =
= 0,1755
5!

= 0,1462

P(X > 6) = 1 (0,0067 + 0,0337 + 0,0842 + 0,1404 + 0,1755 + 0,1755 + 0,1462) = 0,2378
La compagnie a 23,78 % de probabilit pour que dans une semaine donne, elle dbourse
plus de 150000 dirhams.
c) Probabilit d'avoir indemniser, pour une semaine donne, le mme nombre de sinistres
dans chaque rgion, ce nombre commun tant strictement suprieur zro et infrieur 3.
92

4. Lois de probabilit discrtes

Probabilits.
L

Cest la probabilit d'avoir indemniser dans chaque rgion 1 ou 2 sinistres.


p[(X1=1 et X2=1) ou (X1=2 et X2=2)] = p(X1=1 et X2=1) + p(X1=2 et X2=2)
= p(X1=1) p(X2=1) + p(X1=2) p(X2=2)

e 3 31 e 2 21
e 3 3 2 e 2 2 2
=
x
+
x
= 0,1494x0,2707 + 0,2240x0,2707 =
1!
1!
2!
2!
0,1011
La compagnie a 10 % de probabilit d'avoir indemniser, pour une semaine donne, le
mme nombre de sinistres dans chaque rgion, ce nombre commun tant strictement suprieur
zro et infrieur 3.
4.8.13. Solution de lexercice 4.7.13.
a) L'esprance mathmatique du gain pour un envoi de 10000 spcimens.
Le cot publicitaire pour lenvoi des 10000 spcimens est de 20000 dh.
Soit X la variable alatoire qui dsigne le nombre dabonnements. X suit une loi binomiale
de paramtres :
Nombre de spcimens : n = 10000
Probabilit de succs : p = 0,03
L(X) = B(10000 ; 0,03)
Le nombre de nouveaux abonnements esprs est :
E(X) = 10000 x 0,03 = 300 abonnements
Le gain espr est le gain escompt pour les 300 abonnements auquel il faut dduire le cot
publicitaire, soit :
300 x 120 20000 = 16000 dh.
Pour un envoi de 10000 spcimens, le mensuel peut esprer un gain net de 16000 dh.
b) Calculer la probabilit que l'envoi de 10 spcimens donne plus de 1 abonnement.
Soit X la variable alatoire qui dsigne le nombre dabonnements. X suit une loi binomiale
de paramtres :
Nombre de spcimens : n = 10
Probabilit de succs : p = 0,03
p(X > 1) = 1 p(X 1) = 1 [p(0) + p(1)]
93

Probabilits.

4. Lois de probabilit discrtes

0
P(0) = C10
.0,03 0.0,9710 = 0,7374
1
P(1) = C10
.0,031.0,97 9 = 0,2281
P(X > 1) = 1 (0,7374 + 0,2281) = 0,0345

Il y a environ 3,45 % de chance pour que lenvoi de 10 spcimens donne plus dun
abonnement. (Ceci est normal puisque daprs lnonc, le taux de succs est de 3 %).
4.8.14. Solution de lexercice 4.7.14.
a) Ventes espres au cours de 2 heures.
Soit X la variable alatoire qui dsigne les ventes au cours de 2 heures. X suit une loi
binomiale de paramtres :
Nombre dappels : n = 180
Probabilit de succs : p = 0,05
L(X) = B(180 ; 0,05)
Les ventes espres au cours de 2 heures : E(X) = 180 x 0,05 = 9 units
En plaant 180 appels, lagence peut esprer vendre 9 units de ce produit.
b) Probabilit de russir plus de 10 ventes.
p(X > 10) = 1 p(X 10) = 1 [p(0) + p(1) + p(2) + p(3) + p(4) + p(5) + p(6) + p(7) +
p(8) + p(9) + p(10)]
p(0) =

0
C180
0,05 0 0,95180 = 0,0001

p(1) =

1
C180
0,051 0,95179 = 0,0009

p(2) =

2
C180
0,05 2 0,95178 = 0,0044

p(3) =

3
C180
0,05 3 0,95177 = 0,0136

p(4) =

4
C180
0,05 4 0,95176 = 0,0317

p(5) =

5
C180
0,05 5 0,95175 = 0,0588

p(6) =

6
C180
0,05 6 0,95174 = 0,0903

p(7) =

7
C180
0,05 7 0,95173 = 0,1181

p(8) =

8
C180
0,05 8 0,95172 = 0,1344

p(9) =

9
C180
0,05 9 0,95171 = 0,1352

p(10) =

10
C180
0,0510 0,95170 = 0,1217

p(X > 10) = 1 (0,0001 + 0,0009 + 0,0044 + 0,0136 + 0,0317 + 0,0588 + 0,0903 + 0,1181
+ 0,1344 + 0,1352 + 0,1217)
94

4. Lois de probabilit discrtes

Probabilits.
L

p(X > 10) = 0,2908


En plaant 180 appels, il y a 29 % de chances de russir plus de 10 ventes.
4.8.15. Solution de lexercice 4.7.15.
a) Probabilit d'avoir un employ de chaque catgorie professionnelle.
Soit X la variable alatoire qui reprsente le nombre d'ingnieurs choisis, soit Y la variable
alatoire qui reprsente le nombre de techniciens choisis et soit Z la variable alatoire qui
reprsente le nombre douvriers choisis.
Il sagit dune loi hypergomtrique gnralise de paramtres :
N = 30 ; n1 = 4 ; n2 = 10 ; n3 = 16 ; n = 3
La probabilit d'obtenir x ingnieurs, y techniciens et z ouvriers parmi les 3 individus
prlevs est :

p( x; y; z) = C4 C103 C16
x

C30

La probabilit d'avoir un employ de chaque catgorie professionnelle est :

p(1;1;1) = C4 C103 C16 = 0,1576


1

C30

b) La loi de probabilit de X.
X est une variable alatoire discrte : pour en dterminer la loi de probabilit, il faut
calculer p(X=0), p(X=1), p(X=2) et p(X=3)
et montrer que p(X=0) + p(X=1) + p(X=2) + p(X=3) = 1
p(X=0) = p(0 ;3 ;0)+ p(0 ;2 ;1)+ p(0 ;1 ;2)+ p(0 ;0 ;3)

C4 C10 C16 + C4 C10 C16 + C4 C10 C16 + C4 C10 C16


3
3
3
3
C30
C30
C30
C30
0

p(X=0)=

0,6404
p(X=1) = p(1 ;2 ;0)+ p(1 ;1 ;1)+ p(1 ;0 ;2)

C4 C10 C16 + C4 C10 C16 + C4 C10 C16


3
3
3
C30
C30
C30
1

p(X=1) =

p(X=2) = p(2 ;1 ;0)+ p(2 ;0 ;1)

C4 C10 C16 + C4 C10 C16 = 0,0384


3
3
C30
C30
3
0
0
C C10 C16 = 0,000985
p(X=3) = p(3 ;0 ;0) = 4
3
C30
2

p(X=2) =

95

= 0,3202

4. Lois de probabilit discrtes

Probabilits.
L

La loi de probabilit de X est :


X
0
1
2
3
Total

P(x)
0,6404
0,3202
0,0384
0,0010
1

4.8.16. Solution de lexercice 4.7.16.


La variable alatoire X, nombre d'aspirines obtenues, peut prendre les valeurs : 0, 1 et 2.
La variable alatoire Y, nombre de somnifres obtenus, peut prendre les valeurs : 0, 1 et 2.
La variable alatoire Z, nombre de vitamines obtenues, peut prendre les valeurs : 0, 1 et 2.
A chaque couple de valeurs (x,y) correspond une probabilit p(x,y) d'observer
simultanment la valeur x pour X et la valeur y pour Y.
Il sagit dune loi hypergomtrique gnralise de paramtres :
N = 9 ; n1 = 3 ; n2 = 2 ; n3 = 4 ; n = 2
La probabilit d'obtenir x aspirines, y somnifres et z vitamines est :


p( x; y; z) = C3 C22 C4
x

C9

C3 C2 C4
2
C9
0
1
1
C C2 C 4
p(X=0 ;Y=1) = p(0 ;1 ;1) = 3
2
C9
0
2
0
C C2 C 4
p(X=0 ;Y=2) = p(0 ;2 ;0) = 3
2
C9
1
0
1
C C 2 C4
p(X=1 ;Y=0) = p(1 ;0 ;1) = 3
2
C9
1
1
0
C C 2 C4
p(X=1 ;Y=1) = p(1 ;1 ;0) = 3
2
C9
0

p(X=0 ;Y=0) = p(0 ;0 ;2) =

= 0,1667

= 0,2222

= 0,0278

= 0,3333

= 0,1667

p(X=1 ;Y=2) = 0

96

4. Lois de probabilit discrtes

Probabilits.
L

C3 C2 C4
2
C9
2

p(X=2 ;Y=0) = p(2 ;0 ;0) =

= 0,0833

p(X=2 ;Y=1) = 0
p(X=2 ;Y=2) = 0
La loi de probabilit du couple (X, Y) est :
Y
X
0
1
2
p(y)

p(x)

0,1667
0,3333
0,0833
0,5833

0,2222
0,1667
0
0,3889

0,0278
0
0
0,0278

0,4167
0,5
0,0833
1

4.8.17. Solution de lexercice 4.7.17.


Soit X la variable alatoire qui dsigne le nombre de garons d'une famille de 4 enfants.
Une famille de 4 enfants peut avoir 0 garon (X=0), 1 garon (X=1), 2 garons (X=2), 3
garons (X=3) ou 4 garons (X=4)
Lvnement naissance garon correspond un succs dont la probabilit ne varie pas. Il
sagit donc dune loi binomiale de paramtres :
Nombre denfants : n = 4
Probabilit de succs : p = 0,5
L(X) = B(4 , 0,5)

p(k ) = Cn p k q n k
k

p(X=0) =

p(0) = C04 0,5 0 0,5 4 = 1/16

p(X=1) =

p(1) = C14 0,510,5 3 = 4/16

p(X=2) =

p(2) = C24 0,5 2 0,5 2 = 6/16

p(X=3) =

p(3) = C34 0,5 3 0,51 = 4/16

p(X=4) =

p(4) = C44 0,5 4 0,5 0 = 1/16

97

4. Lois de probabilit discrtes

Probabilits.
L

La loi de probabilit de X est :


X
0
1
2
3
4
Total

P(x)
1/16
4/16
6/16
4/16
1/16
1

4.8.18. Solution de lexercice 4.7.18.


a) Probabilit pour que 10 slectionns soient du Sud.
Soit X la variable alatoire qui dsigne le nombre de slectionns du sud.
On effectue 20 tirages sans remise dans une population finie. Lvnement slectionner un
candidat du sud correspond un succs dont la probabilit varie dun tirage un autre (tirage
sans remise). Il sagit donc dune loi hypergomtrique de paramtres :
Effectif total de la population : N = 60
Nombre de succs dans la population : n1 = 40
Nombre dchecs dans la population : n2 = 20
Nombre de tirages : n = 20
L(X) = H(60, 40 , 20)
nk

C C
p( k ) =
C
n1

n2

10

10

20
p(X = 10) = p(10) = C40 C
= 0,0374
20

C60

b) Entre 16 et 18 slectionns soient du Sud.


16

p(X=16 ou X=17 ou X=18) = p(16) + p(17) + p(18) =

p(X=16 ou X=17 ou X=18) = 0,0726 + 0,0241 + 0,0051 = 0,1018

98

17

18

C40 C20 + C40 C20 + C40 C20


20
20
20
C60
C60
C60

5. Lois de probabilit continues

Probabilits

CHAPITRE 5
LOIS DE PROBABILITE CONTINUES

5.1. LOI NORMALE.


5.1.1. Dfinition.
La loi normale est la loi continue la plus importante et la plus utilise dans le calcul de
probabilit. Elle est aussi appele loi de LAPLACE GAUSS.
On appelle variable normale toute variable alatoire continue X dfinie dans l'intervalle

] ,+[ par la fonction de densit de probabilit suivante :


f (x) =

1
2

1 x m
(
)
2

m et sont des paramtres quelconques qui reprsentent respectivement la moyenne et


l'cart type de la variable.
La loi normale dpend de deux paramtres m et . Une variable alatoire X qui suit une loi
normale de paramtres m et est dsigne par
L(X) = N(m , )
5.1.2. Loi normale rduite.
On appelle variable normale rduite toute variable alatoire normale Z de paramtres m = 0
et = 1.
Z = N(0 , 1)
Une variable normale rduite est dfinie par la fonction de densit de probabilit suivante :
z

f (z) =

1 2
e
2

Toute variable normale X de paramtres m et peut tre transforme en une variable


normale rduite par le changement de variable suivant :

Z=

Xm

5.1.3. Forme de la loi normale.

99

5. Lois de probabilit continues

Probabilits

La reprsentation graphique de la fonction de densit de probabilit d'une variable normale


est une courbe en forme de cloche symtrique par rapport la moyenne m et caractrise par
l'existence d'un maximum en
x = m et f(x) =

1
.
2

En particulier la loi normale rduite est symtrique par rapport l'axe des abscisses et
caractrise par l'existence d'un maximum en
z = 0 et f(z) =

1
0,40 .
2

La fonction de rpartition correspond l'aire comprise entre cette courbe et l'axe des
abscisses.
5.1.4. Dtermination pratique des probabilits.
Pour calculer des probabilits sans utiliser la fonction de densit, des tables de la loi
normale rduite ont t labores. On distingue deux tables de la loi normale rduite, relatives
l'une la fonction de densit de probabilit et l'autre la fonction de rpartition. En raison de la
symtrie de la distribution, ces tables sont limites aux valeurs positives de z.
Par le changement de variable

Z=

Xm
toutes les variables normales se ramnent la

loi normale rduite.


Table de la fonction de rpartition :
Cette table donne les valeurs de la fonction de rpartition (z) pour des valeurs positives z
d'une variable normale rduite. En raison de la symtrie de f(z), on peut dduire les valeurs
(z) pour les valeurs ngatives de z :
100

5. Lois de probabilit continues

Probabilits

(-z) = p(Z -z) = p(Z > z) = 1 - p(Z z) = 1 - (z)


(-z) = 1 - (z)
Pour une variable normale quelconque X de paramtre m et :

F( x ) = p(X x ) = p(

Xm xm

) = p( Z z) = ( z)

F(x) = (z)

Pour lire une valeur (z) dans la table, il suffit de lire l'intersection entre la ligne
correspondante la valeur de z et la colonne correspondante au deuxime chiffre aprs la
virgule de z.
5.1.5. Proprit d'additivit.
La somme de deux ou plusieurs variables normales indpendantes est une variable normale
de moyenne la somme des moyennes et d'cart type la racine carre de la somme des variances
des variables initiales.
Soient X1, X2, ,Xn n variables normales de paramtres respectivement m1, m2, , mn et
1, 2, ,n.

L(X1 + X 2 + K + X n ) = N(m1 + m 2 + K + m n ; 1 + 2 + K + n )
5.2. LA LOI KHI DEUX DE PEARSON.
5.2.1. Dfinition.
On appelle variable Khi deux de Pearson, la variable qui varie entre 0 et + est dfinie
par la fonction de densit de probabilit :
k

f ( x) = c x 2 e

x
2

Le paramtre k est une constante entire positive appele nombre de degrs de libert : on
dit variable Khi deux k degrs de libert, dsigne par k dl.
+

k est une constante telle que :

f ( x )dx = 1
0

La variable Khi deux de Pearson correspond aussi la somme des carrs de k variables
normales rduites indpendantes.
Soient Z1, Z2, , Zk : k variables normales rduites indpendantes. On peut dmontrer :
k dl = Z1 + Z2 + + Zk

101

5. Lois de probabilit continues

Probabilits

5.2.2. Caractristiques de la loi k dl .


On peut dmontrer que :
Esprance mathmatique

: E( k dl) = k

Variance

: V( k dl) = 2 k

5.2.3. Proprit d'additivit.


La somme de deux ou plusieurs variables Khi deux indpendantes est une variable Khi
deux.
Soient n variables Khi deux de degrs de libert respectivement k1, k2, , kn :
k1 dl + k2 dl + + kn dl = (k1+k2++kn) dl
Une variable Khi deux k degrs de libert peut donc tre considre comme tant la
somme de k variables Khi deux 1 degr de libert indpendantes.
5.2.4. Table de la loi Khi deux.
La table de la loi Khi deux dpend du paramtre k, elle donne les valeurs de k dl pour des
valeurs de la fonction de rpartition (probabilits). Pour lire une valeur k1 dl dans la table, il
suffit de lire lintersection entre la colonne correspondante la valeur de la probabilit et la
ligne correspondante au degr de libert k.
Exemple : La valeur 10 degrs de libert et pour une probabilit 0,95 est : 0,95 10 dl =
18,3
5.3. LA LOI T DE STUDENT.
5.3.1. Dfinition.
On appelle variable t de Student, la variable t qui varie entre - et + est dfinie par la
fonction de densit de probabilit :

t
f ( t ) = c (1 + )
k

k +1
2

Le paramtre k est une constante entire positive appele nombre de degrs de libert : on
dit variable Student t k degrs de libert, dsigne par t k dl.
+

k est une constante telle que :

f ( t )dt = 1

La variable t de Student correspond aussi au quotient dune variable normale rduite par la
102

5. Lois de probabilit continues

Probabilits

racine carre d'une variable Khi deux k dl indpendante de la premire variable.


Soient Z une variable normale rduite et k dl une variable Khi deux k degrs de libert,
indpendantes. On peut dmontrer :

t kdl =

Z
kdl
k

5.3.2. Caractristiques de la loi t k dl .


On peut dmontrer que :
Esprance mathmatique
Variance

: E(t k dl) = 0
: V(t k dl) = k / (k-2) pour k2 > 2.

5.3.3. Table de la loi T.


La table de la loi T de Student dpend du paramtre k, elle donne les valeurs de t k dl pour
les valeurs de la fonction de rpartition (probabilits). Pour lire une valeur t k dl dans la table, il
suffit de lire lintersection entre la colonne correspondante la probabilit et la ligne
correspondante au degr de libert.
Exemple : La valeur de T 10 degr de libert et pour une probabilit 0,95 est : t 0,95 10 dl =
1,812
5.4. LA LOI F DE FISHER SNEDECOR.
5.4.1. Dfinition :
On appelle variable F de Fisher, la variable F qui varie entre 0 et + est dfinie par la
fonction de densit de probabilit :

f (x ) = c x

k1
1
2

(k 1 x + k 2 )

k1+ k 2
2

Les paramtres k1 et k2 sont deux constantes entires positives appeles nombre de degrs
de libert : on dit variable F k1 et k2 degrs de libert, dsigne par F k1 et k2 dl.
+

k1 et k2 sont des constantes telle que :

f ( x )dx = 1
0

La variable F de Fisher correspond aussi au quotient de variables Khi deux respectivement


k1 et k2 degrs de libert k1 dl et k2 dl indpendantes.
Soient deux variables Khi deux k1 dl et k2 dl indpendantes. On peut dmontrer :

103

5. Lois de probabilit continues

Probabilits

k1dl

Fk1etk 2dl =

k 2dl

k1
k2

Il en rsulte que si F est une variable F k1 et k2 dl, son inverse

1
est une variable F k2 et k1 dl.
F

5.4.2. Caractristiques de la loi F k1 et k2 dl.


On peut dmontrer que :
Esprance mathmatique: E(F k1 et k2 dl) =
Variance : V(F k1 et k2 dl) =

k2
pour k2>2.
k2 2

2 k 2 ( k1 + k 2 )
pour k2 > 4.
k1 (k 2 2)(k 2 4)

5.4.3. Tables de la loi F.


Il y a plusieurs tables de la loi F de Fischer pour diffrentes valeurs de la fonction de
rpartition (probabilits).
Chaque table de la loi F dpend des degrs de libert k1 et k2. Pour lire une valeur F k1 et k2 dl
dans la table, il suffit de lire lintersection entre la colonne correspondante la valeur k1 et la
ligne correspondante la valeur k2.
Exemple : La valeur de F 10 et 15 dl pour une probabilit de 0,95 se trouve dans la table de la
loi F(p = 0,95) : F0,95 10 et 15 dl = 2,54.
5.5. ENONCES DES EXERCICES DAPPLICATION.
5.5.1. Le stock journalier d'un produit destin un atelier suit une loi normale de moyenne, 120
pices et d'cart type 50 pices.
a) Calculer la probabilit pour que le nombre de pices en stock soit compris entre 80 et
160.
b) Calculer la probabilit pour que le nombre de pices en stock soit suprieur 200.
c) Calculer la probabilit pour qu'il y ait rupture de stock.
5.5.2. La longueur dune pice fabrique par une machine est une variable normale de
moyenne 15 cm et dcart type 0,2 cm.
a) Trouver la probabilit de rejet si les dimensions admissibles de la pice doivent tre
comprises entre 14,7 et 15,3 cm.
b) Quelle prcision de longueur de la pice fabrique peut-on garantir avec une probabilit
de 0,95 ?
104

Probabilits

5. Lois de probabilit continues

5.5.3. Le poids rel des botes de dattes, dans une petite unit de conditionnement Zagora,
suit une distribution normale de moyenne 10 Kg et de variance 0,01. Quelle est la probabilit
pour qu'une boite achete au march pse au moins 9,875 Kg ?
5.5.4. Dans une branche industrielle compose de 1600 tablissements, on a constat que la
rentabilit (bnfice ou perte) suit une loi normale. Par ailleurs on a observ que les 400
entreprises les plus rentables ralisent un bnfice suprieur 2 millions de dirhams et que 800
entreprises ralisent uniquement des pertes.
Calculer la rentabilit moyenne et l'cart type de la branche industrielle.
5.5.5. Le lait produit par une usine a une teneur en matires grasses qui suit une loi normale de
moyenne 160 grammes par litre et d'cart type 10 grammes par litre. Les consommateurs
n'acceptent que le lait dont la teneur en matires grasses est comprise entre 135 grammes par
litre et 185 grammes par litre.
Calculer la proportion de la production du lait inacceptable par les consommateurs.
5.5.6. Le diamtre intrieur moyen d'un chantillon de 200 rondelles produites par une machine
est gal 1,275 cm et l'cart type 0,013 cm. L'usage que l'on fait de ces rondelles ncessite
que le diamtre varie entre 1,260 et 1,290 cm, autrement les rondelles sont considres comme
dfectueuses.
Dterminer la proportion des rondelles dfectueuses produites par cette machine en
supposant que le diamtre suit une loi normale.
5.5.7. Une confiture peut tre qualifie de "pur sucre" si elle contient entre 440 et 520 grammes
de sucre par kilogramme de confiture. Un fabricant vrifie 200 pots de confiture de 1
kilogramme chacun. Il trouve que le poids moyen de sucre est de 480 grammes avec un cart
type de 20 grammes. Sachant que le poids en sucre est distribu normalement, calculer le
pourcentage de la production du fabricant qui ne doit pas porter la mention "pur sucre" en
considrant que l'chantillon des 200 pots est reprsentatif de la production globale.
5.5.8. Deux entreprises A et B produisent des ampoules lectriques dont la dure de vie suit
une loi normale. Les esprances mathmatiques et les carts types sont respectivement de 1150
heures et 50 heures pour A et de 1200 heures et 80 heures pour B.
En exigeant que la dure de vie des ampoules ne soit pas infrieure 1050 heures, de quelle
entreprise devrait-on s'approvisionner ?
5.5.9. Pour se rendre son travail un ouvrier a le choix entre deux chemins A et B. La dure du
parcours exprime en minutes est une variable alatoire normale de moyenne et d'cart type
respectivement 27 mn et 5 mn pour le chemin A, et 30 mn et 2 mn pour le chemin B.
A votre avis quel chemin cet ouvrier doit-il choisir pour ne pas arriver en retard s'il dispose
de 30 mn ?
5.5.10. Une machine met du sucre en poudre en sachet. Elle peut tre rgle au moyen dun
dispositif gradu en gramme, tel que lorsque la machine est rgle sur le poids moyen par
sachet m, la probabilit pour que les sachets psent au moins 1 Kg est gale 98,5 %.
105

5. Lois de probabilit continues

Probabilits

Sachant que le poids par sachet suit une loi normale dcart type 10 grammes, sur quelle
valeur m faut-il rgler le dispositif ?
5.5.11. Une machine est rgle pour faire remplir des bouteilles d'un volume moyen de 255
cm3. Si la distribution des volumes est normale et que l'cart type soit gal 4 cm3 :
a) Dans quelle proportion des cas, le volume sera-t-il infrieur 250 cm3 ?
b) Quelle valeur faut-il donner au volume moyen pour que cette proportion soit de 5 % ?
5.5.12. Au sein dune population de personnes, 4 % mesurent moins de 1,60 m et 12 % plus de
1,80 m ; si on suppose que la taille de ces personnes suit une loi normale, quelle est la taille
moyenne de cette population ainsi que son cart type ?
5.5.13. Dans le cadre de la gestion dun stock de marchandises, on doit lancer une commande
destine couvrir quatre semaines de fourniture dun produit donn. On admet que la demande
hebdomadaire de ce produit suit une loi normale de moyenne 50 et dcart type 10.
Combien dunits doit-on commander pour que la probabilit dtre en rupture de stock soit
infrieure 1 % si on considre que les demandes des semaines successives sont
indpendantes ?
5.5.14. Si U1 et U2 sont deux variables alatoires normales centres, rduites et indpendantes,
calculer :
a) p(U1 > U2)
b) p(U1+2U2 > 5)
c) calculer k tel que p(U1+kU2 > 2) = 0,05
5.5.15. Quelle est la valeur de la variable alatoire X si p(X<x) = 0,975 et si la variable
alatoire X est :
a) une variable normale rduite ;
b) une variable normale de moyenne 10 et d'cart type 2 ;
c) une variable de Student 15 degrs de libert ;
d) une variable Khi deux 15 degrs de libert ;
e) une variable de Fisher 15 et 1 degrs de libert.
5.5.16. Si Z1, Z2, , Zk sont k variables alatoires normales rduites indpendantes, que
valent la moyenne et la variance de la variable :

X=

Z1
k

Zi

i=2

et quelle est, pour k = 10, la valeur de x telle que : P(X > x) = 0,1 ?
5.5.17. Si Z1, Z2, Z3, Z4, Z5, et Z6 sont six variables alatoires normales rduites
indpendantes, que vaut la probabilit :

106

5. Lois de probabilit continues

Probabilits

p(

Z1 + Z 2
> 5,3)
Z3 + Z4 + Z5 + Z6

5.6. SOLUTIONS DES EXERCICES DAPPLICATION.


5.6.1. Solution de lexercice 5.5.1.
Soit X la variable alatoire qui dsigne le stock journalier.
L(X) = N(120 ; 50)
a) Probabilit pour que le nombre de pices en stock soit compris entre 80 et 160.

p(80 X 160) = p(

80 120 X 120 160 120

) = p(0,8 Z 0,8)
50
50
50

p(80 X 160) = (0,8) - (-0,8) = (0,8) (1 - (0,8))


p(80 X 160) = 2 (0,8) 1
En consultant la table de la loi normale rduite on trouve :
(0,8) = 0,7881

p(80 X 160) = 2 x 0,7881 1 = 0,5762

Il y a 57,62 % de chances pour que le nombre de pices en stock soit compris entre 80 et
160.
b) Probabilit pour que le nombre de pices en stock soit suprieur 200.
p(X > 200) = 1 p(X 200)
p(X > 200) = 1 p(

X 120 200 120

)
50
50

p(X > 200) = 1 p( Z 1,6) = 1 - (1,6)


En consultant la table de la loi normale rduite on trouve :
(1,6) = 0,9452
p(X > 200) = 1 - 0,9452 = 0,0548
Il y a 5,48 % de chances pour que le nombre de pices en stock soit suprieur 200.
c) Probabilit pour qu'il y ait rupture de stock.
107

5. Lois de probabilit continues

Probabilits

Il y a rupture de stock si X 0.
p(X 0) =

p(

X 120 0 120

) = p( Z 2,4) = (-2,4)
50
50

p(X 0) = 1 - (2,4)

En consultant la table de la loi normale rduite on trouve :


(2,4) = 0,9918
p(X 0) = 1 0,9918 = 0,0082
Il y a un risque trs faible de moins de 1 % pour qu'il y ait rupture de stock.
5.6.2. Solution de lexercice 5.5.2.
Soit X la variable alatoire qui dsigne la longueur dune pice fabrique par une machine.
L(X) = N(15 ; 0,2)
a) Probabilit de rejet.
Les dimensions admissibles de la pice doivent tre comprises entre 14,7 et 15,3 cm.

14,7 15 X 15 15,3 15
p(14,7 X 15,3) = p (

)
0,2
0,2
0,2
p(14,7 X 15,3) = p (1,5 Z 1,5)
p(14,7 X 15,3) = (1,5) - (-1,5)
p(14,7 X 15,3) = (1,5) (1 - (1,5))
p(14,7 X 15,3) = 2 (1,5) 1

En consultant la table de la loi normale rduite on trouve :


(1,5) = 0,9332

p(14,7 X 15,3) = 2 x 0,9332 1 = 0,8664


La probabilit de rejet est donc : p = 1 0,8664 = 0,1336
Il y a un risque de 13,36 % pour quune pice fabrique par la machine soit rejete.
b) Prcision de longueur de la pice fabrique garantie avec une probabilit de 0,95.
La prcision garantie est donne par un intervalle centr autour de la moyenne dans lequel
on garantit 95 % de confiance que la longueur de la pice soit lintrieur de cet intervalle.
108

5. Lois de probabilit continues

Probabilits

p(15 a X 15 + a ) = 0,95

a X 15
a
a
a

) = p(
Z
) = 0,95
0,2
0,2
0,2
0,2
0,2
a
a
a
a
(
) - ()=(
) (1 - (
)) = 0,95
0,2
0,2
0,2
0,2
a
2(
) 1 = 0,95
0,2
a
(
) = 0,975
0,2
p(

En consultant la table de la loi normale rduite on trouve :


(1,96) = 0,975

a
= 1,96 =>
0,2

a = 1,96 x 0,2 = 0,39

Lintervalle est donc : [15-0,39 ; 15+0,39] = [14,61 ; 15,39]


On peut donc garantir 95 % pour que la longueur des pices soit comprise entre 14,61 et
15,39 cm.
5.6.3. Solution de lexercice 5.5.3.
Soit X la variable alatoire qui dsigne le poids rel des botes.
L(X) = N(10 ; 0,1)
p(X 9,875) = 1 p(X < 9,875)
p(X 9,875) = 1 -

p(

X 10 9,875 10
<
) = 1 p( Z < 1,25)
0,1
0,1

p(X 9,875) = 1 - (-1,25)


p(X 9,875) = (1,25)
En consultant la table de la loi normale rduite on trouve :
(1,25) = 0,8944
p(X 9,875) = 0,8944
Il y a 89,44 % de chances pour qu'une boite achete au march pse au moins 9,875 Kg.

109

5. Lois de probabilit continues

Probabilits

5.6.4. Solution de lexercice 5.5.4.


Soit X la variable alatoire qui dsigne la rentabilit en millions de dirhams.
L(X) = N(m ; )
400 entreprises les plus rentables ralisent un bnfice suprieur 2 millions de dirhams.
p(X > 2) = (400/1600) = 0,25
p(X > 2) = 1 p(X 2) = 0,25

Xm 2m
2m

) = 1 p( Z
) = 0,25

2m
p(X > 2) = 1 - (
) = 0,25

2m
(
) = 0,75

p(X > 2) = 1 -

p(

En consultant la table de la loi normale rduite on trouve :


(0,67) = 0,75

2m
= 0,67

=>

2 m = 0,67

800 entreprises ralisent uniquement des pertes.


p(X < 0) = (800/1600) = 0,50

Xm 0m
m

) = p( Z
) = 0,50

m
p(X < 0) = (
) = 0,50

p(X < 0) =

p(

En consultant la table de la loi normale rduite on trouve :


(0,00) = 0,50

m
=0

=>

m=0

2 m = 0,67

=>

= 2,98

La rentabilit des entreprises suit donc une loi normale de moyenne nulle et dcart type
2,98 millions de dirhams.
110

5. Lois de probabilit continues

Probabilits

5.6.5. Solution de lexercice 5.5.5.


Soit X la variable alatoire qui dsigne la teneur en matires grasses.
L(X) = N(160 ; 10)
Les teneurs acceptables doivent tre comprises entre 135 et 185 grammes par litre de lait.

135 160 X 160 185 160

p(135 X 185) = p(
)
10
10
10
= p(2,5 Z 2,5)
p(135 X 185) = (2,5) - (-2,5) = (2,5) (1 - (2,5))
p(135 X 185) = 2 (2,5) 1
En consultant la table de la loi normale rduite on trouve :
(2,5) = 0,9938

p(135 X 185) = 2 x 0,9938 1 = 0,9876


La proportion de la production du lait inacceptable par les consommateurs est :
p = 1 0,9876 = 0,0124
1,24 % de la production du lait sera inacceptable par les consommateurs.

5.6.6. Solution de lexercice 5.5.6.


Soit X la variable alatoire qui dsigne le diamtre intrieur dune rondelle.
L(X) = N(1,275 ; 0,013)
Les diamtres acceptables doivent tre compris entre 1,260 et 1,290 cm.

1,26 1,275 X 1,275 1,29 1,275

)
0,013
0,013
0,013
p(1,26 X 1,29) = p(1,15 Z 1,15)
p(1,26 X 1,29) = (1,15) - (-1,15)
p(1,26 X 1,29) = (1,15) (1 - (1,15))
p(1,26 X 1,29 )= 2 (1,15) 1
p(1,26 X 1,29) = p(

En consultant la table de la loi normale rduite on trouve :


(1,15) = 0,8749
p(1,26 X 1,29 )= 2 x 0,8749 1 = 0,7498
111

5. Lois de probabilit continues

Probabilits

La proportion des rondelles dfectueuses : p = 1 0,7498 = 0,2502


25 % des rondelles produites par cette machine sont dfectueuses.
5.6.7. Solution de lexercice 5.5.7.
Soit X la variable alatoire qui dsigne la quantit de sucre par kilogramme de confiture.
L(X) = N(480 ; 20)
Une confiture peut tre qualifie de "pur sucre" si elle contient entre 440 et 520 grammes
de sucre par kilogramme de confiture.

440 480 X 480 520 480

)
20
20
20
= p ( 2 Z 2)

p(440 X 520) = p(

p(440 X 520) = (2) - (-2) = (2) (1 - (2))


p(440 X 520) = 2 (2) 1
En consultant la table de la loi normale rduite on trouve :

(2) = 0,97725

p(440 X 520) = 2 x 0,97725 1 = 0,9545


Le pourcentage de la production du fabricant qui ne doit pas porter la mention "pur sucre"
est :
p = 1 0,9545 = 0,0455
4,55 % de la production du fabricant ne doit pas porter la mention "pur sucre".
5.6.8. Solution de lexercice 5.5.8.
On doit sapprovisionner de lentreprise dont les ampoules ont plus de chance de durer plus
de 1050 heures.
Soit X la variable alatoire qui dsigne la dure de vie.
Entreprise A :
L(X) = N(1150 ; 50)
p(X 1050) = 1 p(X < 1050)
p(X1050) = 1 -

p(

X 1150 1050 1150


<
) = 1 p ( Z < 2)
50
50

p(X 1050) = 1 - (-2)

112

5. Lois de probabilit continues

Probabilits

p(X 1050) = (2)


En consultant la table de la loi normale rduite on trouve :
(2) = 0,97725
p(X 1050) = 0,97725
Une ampoule de lentreprise A a 97,725 % de chance de durer au moins 1050 heures.
Entreprise B :
L(X) = N(1200 ; 80)
p(X 1050) = 1 p(X < 1050)
p(X1050)=1-

p(

X 1200 1050 1200


<
) = 1 p( Z < 1,88)
80
80

p(X 1050) = 1 - (-1,88)


p(X 1050) = (1,88)

En consultant la table de la loi normale rduite on trouve :


(1,88) = 0,96995
p(X 1050) = 0,96995
Une ampoule de lentreprise B a 96,995 % de chance de durer au moins 1050 heures.
On doit donc sapprovisionner de lentreprise A.
5.6.9. Solution de lexercice 5.5.9.
Louvrier doit choisir le chemin pour lequel il a moins de risque darriver en retard.
Soit X la variable alatoire qui dsigne la dure du trajet.
Chemin A :
L(X) = N(27 ; 5)
p(X 30) =

p(

X 27 30 27

) = p( Z 0,6)
5
5

p(X 30) = (0,6)

En consultant la table de la loi normale rduite on trouve :


113

5. Lois de probabilit continues

Probabilits

(0,6) = 0,7257
p(X 30) = 0,7257
En empruntant le chemin A, louvrier a 72,57 % de chances de ne pas arriver en retard.
Chemin B :
L(X) = N(30 ; 2)
p(X 30) =

p(

X 30 30 30

) = ( Z 0)
2
2

p(X 30) = (0)

En consultant la table de la loi normale rduite on trouve :


(0) = 0,50
p(X 30) = 0,50
En empruntant le chemin B, louvrier a 50 % de chances de ne pas arriver en retard.
Louvrier a donc intrt choisir le chemin A.
5.6.10. Solution de lexercice 5.5.10.
Soit X la variable alatoire qui dsigne le poids dun sachet de sucre.
L(X) = N(m ; 10)
La probabilit que les sachets psent au moins 1Kg est gale 98,5 %.
p(X 1000 g) = 0,985
p(X 1000) = 1 p(X < 1000) = 0,985
p(X1000)=1-

p(

X m 1000 m
1000 m
<
) = 1 p( Z <
) = 0,985
10
10
10

1000 m
) = 0,985
10
m 1000
(
) = 0,985
10
1 - (

En consultant la table de la loi normale rduite on trouve :


(2,17) = 0,985

m 1000
= 2,17
10

=>

m = 1021,7 g
114

5. Lois de probabilit continues

Probabilits

Il faut rgler la machine sur un poids moyen de 1021,7 grammes pour garantir 98,5 % que
les sachets psent au moins 1 Kg.
5.6.11. Solution de lexercice 5.5.11.
a) Proportion des cas o le volume est infrieur 250 cm3.
Soit X la variable alatoire qui dsigne le volume dune bouteille.
L(X) = N(255 ; 4)
p(X < 250) =

p(

X 255 250 255


<
) = p( Z < 1,25)
4
4

p(X < 250) = (-1,25) = 1 - (1,25)

En consultant la table de la loi normale rduite on trouve :


(1,25) = 0,8944
p(X < 250) = 1 - 0,8944 = 0,1056
10,56 % des bouteilles ont un volume de moins de 250 cm3.
b) Volume moyen
L(X) = N(m ; 4)

X m 250 m
250 m
<
) = (Z <
) = 0,05
4
4
4
250 m
p(X < 250) = (
) = 0,05
4
250 m
() = 1 0,05 = 0,95
4
p(X < 250) =

p(

En consultant la table de la loi normale rduite on trouve :


(1,64) = 0,95
-

250 m
= 1,64
4

=>

m = 250 + 1,64 x 4 = 256,56

Il faut rgler la machine sur un volume moyen de 256,56 cm3 pour que 5 % des bouteilles
aient un volume de moins de 250 cm3.

115

5. Lois de probabilit continues

Probabilits

5.6.12. Solution de lexercice 5.5.12.


Soit X la variable alatoire qui dsigne la taille des personnes.
L(X) = N(m ; )
4 % mesurent moins de 1,60 m
p(X < 1,60) = 0,04

X m 1,60 m
1,60 m
<
) = p( Z <
) = 0,04

1,60 m
p(X < 1,60) = (
) = 0,04

1,60 m
() = 1 - 0,04 = 0,96

p(X < 1,60) =

p(

En consultant la table de la loi normale rduite on trouve :


(1,75) = 0,96
-

1,60 m
= 1,75

=>

m 1,60 = 1,75

12 % mesurent plus de 1,80 m.


p(X > 1,80) = 0,12
p(X 1,80) = 1 0,12 = 0,88

X m 1,80 m
1,80 m

) = p( Z
) = 0,88

1,80 m
p(X 1,80) = (
) = 0,88

p(X 1,80) =

p(

En consultant la table de la loi normale rduite on trouve :


(1,17) = 0,88

1,80 m
= 1,17

=>

1,80 - m = 1,17

m 1,60 = 1,75
0,2 = 2,92

et
=>

1,80 - m = 1,17
= 0,07 m = 7 cm

m = 1,80 1,17 x 0,07 = 1,72 m


La taille des personnes suit donc une loi normale de moyenne 1,72 m et dcart type 7 cm.
116

5. Lois de probabilit continues

Probabilits

5.6.13. Solution de lexercice 5.5.13.


Soit X la variable alatoire qui dsigne la demande hebdomadaire de ce produit.
L(X) = N(50 ; 10)
Soit Y la variable alatoire qui dsigne la demande de 4 semaines.
Y=X+X+X+X
E(Y) = E(X) + E(X) + E(X) + E(X) = 50 + 50 + 50 + 50 = 200
V(Y) = V(X) + V(X) + V(X) + V(X) = 100 + 100 + 100 + 100 = 400
L(Y) = N(200 ; 20)
Dsignons par C la commande destine couvrir quatre semaines de fourniture. Il y a
rupture de stock si la demande est suprieure la commande (stock).
p(Y > C) < 0,01
p(Y C) < 0,99
p(Y C) =
(

p(

Y 200 C 200
C 200

) = (Z
) 0,99
20
20
20

C 200
) 0,99
20

En consultant la table de la loi normale rduite on trouve :


(2,33) = 0,99

C 200
2,33
20

=>

C 2,33 x 20 + 200 => C 247 units

Il faut lancer une commande dau moins 247 units pour que le risque de rupture de stock
au cours de 4 semaines ne dpasse pas 1 %
5.6.14. Solution de lexercice 5.5.14.
U1 et U2 sont deux variables alatoires normales centres, rduites et indpendantes.
a) p(U1 > U2)
p(U1 > U2) = p(U1 - U2 > 0) = 1 - p(U1 - U2 0)
L(U1 - U2) = N(0 ; 2 )
p(U1 > U2) = 1 - p(Z 0) = 1 - (0) = 1 0,5 = 0,5
117

5. Lois de probabilit continues

Probabilits

b) p(U1+2U2 > 5)
p(U1+2U2 > 5) = 1 - p(U1+2U2 5)
L(U1+2U2) = N(0 :

5)

p(U1+2U2 > 5) = 1 - p(Z

50
5

) = 1 - (2,24) = 1 0,98745 = 0,01255

c) Calcul de k tel que p(U1+kU2 > 2) = 0,05


p(U1+kU2 > 2) = 0,05
p(U1+kU2 2) = 0,95
L(U1+kU2) = N(0 ;

1 + k )
20

p(U1+kU2 2) = p(Z

1 + k

) = (

2
1 + k

) = 0,95

En consultant la table de la loi normale rduite on trouve :


(1,64) = 0,95

2
1 + k

= 1,64

=>

k = 0,4872

=>

k = 0,698

5.6.15. Solution de lexercice 5.5.15.


Valeur de la variable alatoire X si p(X<x) = 0,975 et si la variable alatoire X est :
a) une variable normale rduite.
L(X) = N(0 ; 1)
p(X<x) = 0,975
p(Z<z) = 0,975
(z) = 0,975
En consultant la table de la loi normale rduite on trouve :
(1,96) = 0,975
x = 1,96
b) une variable normale de moyenne 10 et d'cart type 2.
L(X) = N(10 ; 2)
p(X<x) = 0,975

118

5. Lois de probabilit continues

Probabilits

p(Z<

x 10
x 10
) = (
) = 0,975
2
2

En consultant la table de la loi normale rduite on trouve :


(1,96) = 0,975

x 10
= 1,96
2

=>

x = 1,96 x 2 + 10 = 13,92

c) une variable de Student 15 degrs de libert.


L(X) = S(15)
p(X<x) = 0,975

=> x = t 0,975 15 dl

En consultant la table de la loi Student on trouve :


La valeur de t 0,975 15 dl correspond l'intersection entre la colonne correspondante 0,975
et la ligne correspondante 15, on peut lire la valeur 2,131.
x = t 0,975 15 dl = 2,131
d) une variable Khi deux 15 degrs de libert.
=> x = 0,975 15 dl

p(X<x) = 0,975

En consultant la table de la loi Khi deux on trouve :


La valeur de 0,975 15 dl correspond l'intersection entre la colonne correspondante 0,975
et la ligne correspondante 15, on peut lire la valeur 27,5.
X = 0,975 15 dl = 27,5
e) une variable de Fisher 15 et 1 degrs de libert.
p(X<x) = 0,975

=> x = F0,975 15 et 1

dl

En consultant la table de la loi F de Fisher (p = 0,975) on trouve :


La valeur de F0,975 15 et 1 dl correspond l'intersection entre la colonne correspondante 15
et la ligne correspondante 1, on peut lire la valeur 985.
x = F0,975 15 et 1

dl

= 985

119

5. Lois de probabilit continues

Probabilits

5.6.16. Solution de lexercice 5.5.16.


Z1, Z2, , Zk sont k variables alatoires normales rduites indpendantes.

X=

Z1
k

Zi

i=2

En effectuant une transformation, on obtient une variable T de Student (k-1) degr de


libert, en effet :

X k 1 =

Z1
k

= T (k-1) dl

Zi / k 1

i=2

k 1 ) =

k 1 E(X) = 0
k 1
V(X k 1 ) = (k-1) V(X) =
k 3
E(X

=>

E(X) = 0

=>

V(X)=

1
k 3

Pour k = 10, la valeur de x telle que : P(X > x) = 0,1


X k 1 = T (k-1) dl
3X = T 9 dl
p(X > x) = 0,1
=> p(X x) = 0,9 =>
3x = t 0,9 9 dl

p(3X 3x) = 0,9

En consultant la table de la loi Student on trouve : t 0,9 9 dl = 1,383


3x = 1,383

=>

x = 0,461

5.6.17. Solution de lexercice 5.5.17.


Z1, Z2, Z3, Z4, Z5, et Z6 sont six variables alatoires normales rduites indpendantes.
p(

Z1 + Z 2
> 5,3)
Z3 + Z4 + Z5 + Z6

En effectuant une transformation, on obtient une variable F de Fisher.


p(

Z1 + Z 2
>5,3) =
Z3 + Z4 + Z5 + Z6

120

5. Lois de probabilit continues

Probabilits

2dl
( Z1 + Z 2 ) / 2
2 > 10,6)
p(
>10,6) = p(

( Z 3 + Z 4 + Z 5 + Z 6 ) / 4
4 dl
4
= 1 p(F 2 et 4 dl 10,6)
p(F 2 et 4 dl 10,6) correspond la table de Fisher de probabilit 0,975
p(

Z1 + Z 2
> 5,3) = 1 0,975 = 0,025
Z3 + Z4 + Z5 + Z6

121

6. Convergence des lois de probabilit, loi des grands nombres

Probabilits

CHAPITRE 6
CONVERGENCE DES LOIS DE PROBABILITE
LOIS DES GRANDS NOMBRES

6.1. CONVERGENCE EN PROBABILITE.


On dit quune variable alatoire Xn converge en probabilit vers une constante a si :
> 0,

lim P( X n a > ) = 0

Ceci signifie que lcart entre la valeur de X et la constante a est trs faible quand la taille de
lchantillon est grande. Cet cart peut tre mesur par la variance. Ainsi on parle de convergence
en probabilit si :

lim V(X n ) = 0

6.2. CONVERGENCE EN LOI PROBABILITE.


6.2.1. Le thorme central limite.
Le thorme central limite est une gnralisation de la proprit d'additivit. Toute somme de
variables alatoires indpendantes tend suivre une loi normale quelles que soient les lois de
probabilits suivies par ces variables.
Quelles que soient les variables alatoires indpendantes X1, X2, , Xn de moyennes
respectivement m1, m2, , mn et d'carts type respectivement 1, 2, , n. La somme de ces
variables tend suivre une loi normale de moyenne la somme des moyennes et d'cart type la
racine carre de la somme des variances des variables initiales.

L(X1 + X 2 + K + X n ) N(m1 + m 2 + K + m n , 1 + 2 + K + n )
6.2.2. Approximation de la loi hypergomtrique par la loi binomiale.

Ds que l'effectif N de la population devient important, le calcul de

n k

n1

n2

C C
p(k) =
C
n

devient fastidieux. On peut dmontrer dans ce cas que lorsque l'effectif de la population (N) tend
vers l'infini et la proportion des individus possdant le caractre tudi (p) est constante ou tend
122

6. Convergence des lois de probabilit, loi des grands nombres

Probabilits

vers une constante, la loi hypergomtrique tend vers une loi binomiale de paramtre n et p. On
peut dans ce cas effectuer les calculs de probabilits de faon approximative l'aide de la formule
de la loi binomiale.
En pratique, l'approximation est satisfaisante ds que la proportion des individus prlevs est
infrieure 5 %.

n
< 0,05
N

ou

N > 20 n

6.2.3. Approximation de la loi binomiale par la loi de Poisson.


Ds que le paramtre n de la loi binomiale devient grand, le calcul de

p(k ) = Cn p k q n k
k

devient fastidieux. On peut dmontrer dans ce cas que lorsque le nombre d'expriences
indpendantes (n) tend vers l'infini et la probabilit de succs tend vers zro de telle sorte que le
produit np tend vers une constante, la loi binomiale de paramtre n et p tend vers une loi de
Poisson de paramtre np. On peut dans ce cas effectuer les calculs de probabilits de faon
approximatives l'aide de la formule de la loi de Poisson.
En pratique, l'approximation est satisfaisante lorsque la probabilit p est infrieure 0,1 et le
produit np est infrieur 5.
6.2.4. Approximation de la loi binomiale par la loi normale.
Parfois les problmes relatifs la loi binomiale se rapportent aux calculs de probabilits dans
un ou plusieurs intervalles donns :
p(X < x) p(X > x) ou

p(x1 < X < x2)

La recherche de ces probabilits est souvent longue, car il faut dterminer individuellement et
additionner les diffrentes probabilits p(X = x).
p(X<10)=p(0)+p(1)+p(2)+p(3)+p(4)+p(5)+p(6)+p(7)+p(8)+p(9)
Lorsque le paramtre n de la loi binomiale est grand et les probabilits de succs p et d'chec q
ne sont pas trop petites, on peut effectuer ce calcul d'une manire approche l'aide de la loi
normale de paramtres np et

npq .

En pratique l'approximation est satisfaisante lorsque les produits np et nq sont suprieurs 5 :


B(n ; p) N(np ;

npq )
123

6. Convergence des lois de probabilit, loi des grands nombres

Probabilits

6.2.5. Approximation de la loi Khi deux par la loi normale.


Une variable Khi deux k degrs de libert peut tre considre comme tant la somme de k
variables Khi deux 1 degr de libert indpendantes.
De ce fait, et par application du thorme central limite, on peut affirmer que la loi Khi deux
tend vers une loi normale de paramtres k et 2k . Ce qui permet de rsoudre les problmes
relatifs aux distributions de nombre de degrs de libert k lev. Toutefois, la convergence vers
la loi normale est relativement lente, l'approximation est gnralement satisfaisante lorsque k est
suprieur 100. Pour un nombre de degr de libert compris entre 30 et 100, on prfre faire usage
de la racine carre. On peut en effet dmontrer que la transformation :
Z=

2 2k 1

est trs proche de la loi normale centre rduite. On peut aussi utiliser la transformation
inverse :

( Z + 2k 1)
2

6.2.6. Approximation de la loi t de Student par la loi normale.


Lorsque le nombre de degrs de libert k est trs lev, la loi t de Student peut tre directement
assimile la loi normale rduite sans effectuer aucun changement de variable. Ce qui permet de
rsoudre les problmes relatifs aux distributions t de nombre de degrs de libert lev.
L'approximation est gnralement satisfaisante lorsque k est suprieur 30.
6.3. ENONCES DES EXERCICES DAPPLICATION.
6.3.1. Soit Xn une variable alatoire qui dsigne le nombre de succs obtenus lors de n
prlvements dans une population finie de taille N et dont la proportion de succs est p.

Xn
la frquence relative (pourcentage) des succs.
n
Montrer que la frquence relative f n converge en probabilit vers p.

Dsignons par

fn =

a) Cas des prlvements sans remise :


b) Cas des prlvements avec remise :
6.3.2. Soit Xi (i=1 n) n variables alatoires indpendantes et ayant la mme loi de probabilit.
E(Xi) = m

et

124

V(Xi) =

6. Convergence des lois de probabilit, loi des grands nombres

Probabilits

Montrer que la moyenne

Xn =

Xi
i =1

calcule partir dun chantillon de taille n converge

en probabilit vers m.
a) Cas des prlvements sans remise
b) Cas des prlvements avec remise
6.3.3. Dans une urne contenant 20 boules blanches et 30 boules noires, on prlve 7 boules au
hasard et sans remise. Dans une seconde urne contenant 100 boules blanches et 150 boules noires,
on prlve galement 7 boules au hasard et sans remise. Quelle est la probabilit qu'il y ait plus de
boules blanches que de boules noires pour l'ensemble des 14 boules prleves ?
6.3.4. Un lot important de pices fabriques contient 1 % de pices dfectueuses. Quelle est la
probabilit d'avoir dans un chantillon de 10 pices exactement 2 pices dfectueuses en utilisant :
a) la loi binomiale ;
b) l'approximation par la loi de Poisson.
6.3.5. On suppose que la probabilit qu'un tudiant russisse un examen est de 0,8.
a) Quelle est la probabilit qu'au moins 75 tudiants parmi 100 tudiants russissent l'examen ?
b) Dterminer le nombre dtudiants pour lesquels la probabilit pour quau moins 100
russissent est gale 0,99.
6.3.6. Trouver la probabilit pour qu'au moins 70 de 100 moustiques soient tus par un nouvel
insecticide si l'on sait que la probabilit que n'importe quel moustique soit tu est voisine de 0,75.
6.3.7. Un contrle rigoureux des ampoules lectriques fournies par un atelier a permis de constater
que sur 14760 ampoules, il y avait 738 ampoules dfectueuses.
Soit X le nombre des ampoules dfectueuses figurant dans un lot de 60 ampoules.
a) Indiquer la loi de probabilit de X.
b) Quelle est la probabilit d'avoir plus de 3 ampoules dfectueuses dans un lot de 60 ampoules
?
c) Quelle est la probabilit d'avoir 78 ampoules bonnes dans un lot de 80 ampoules ?
6.3.8. Une caisse dassurance maladie reoit 120 personnes pour lobtention de remboursements.
On admet que la caisse doit payer, en moyenne, chaque personne 1 000 dh avec un cart type de
600 dh.
La caisse dispose de 130 000 dh : calculer la probabilit que cette somme soit suffisante.
6.3.9. Une compagnie d'assurance assure une flotte de 1000 navires de valeur unitaire 1000000 de
dirhams. Seul le risque de perte totale du navire est pris en compte, la probabilit d'un tel
vnement est value 0,01 pour un navire et pour une anne. Les frais de gestion reprsentent
20 % du montant des primes payes.
a) Quelle doit tre la valeur de la prime annuelle pour un navire si la compagnie dsire avoir
une probabilit gale 0,7 de raliser des bnfices ?
125

Probabilits

6. Convergence des lois de probabilit, loi des grands nombres

b) Dterminer le bnfice espr par la compagnie dassurance.


6.3.10. Une usine possde un restaurant d'entreprise qui assure chaque jour 2 services. Chacun des
900 employs de l'usine se prsente indiffremment l'un ou l'autre des services avec une
probabilit de 0,5. Par ailleurs les choix des employs sont indpendants.
a) Quelle est la probabilit pour que le nombre de personnes se prsentant au premier service
soit suprieur 500 ?
b) De quel nombre de places faut-il disposer dans le restaurant pour que la probabilit de
pouvoir rpondre la demande aux deux services soit suprieure 95 %.
c) Le nombre total des repas servir chaque jour est une variable alatoire ; chaque employ a
chaque jour une probabilit de 0,75 de prendre son repas l'usine.
- Quelle est l'esprance mathmatique de cette variable ?
- Combien de repas convient-il de prparer pour que la probabilit de satisfaire la demande soit
suprieure 99 % ?
6.3.11. En utilisant l'approximation de la loi Khi deux par la loi normale, dterminer la valeur de
correspondante une probabilit de 0,95 et 30 degrs de libert.
6.3.12. En utilisant l'approximation de la loi Khi deux par la loi normale, dterminer la valeur de
correspondante une probabilit de 0,95 et 150 degrs de libert.
6.3.13. En utilisant l'approximation de la loi t de Student par la loi normale, dterminer la valeur
de t correspondante une probabilit de 0,95 et 80 degrs de libert.
6.4. SOLUTIONS DES EXERCICES DAPPLICATION.
6.4.1. Solution de lexercice 6.3.1.
a) Cas des prlvements sans remise :
Dans ce cas la variable alatoire Xn suit une loi hypergomtrique de paramtre N, n et p.
On sait que : E(Xn) = n p

et

V(Xn) =

Nn
npq
N 1

Xn
1
1
) = E( X n ) = n p = p
n
n
n
X
1
1 Nn
N n pq
V( f n ) = V( n ) =
V( X n ) =
npq=
n
n
n N 1
N 1 n
lim V(f n ) = 0
On dmontre : E( f n ) = E(

126

6. Convergence des lois de probabilit, loi des grands nombres

Probabilits

La frquence relative

f n converge en probabilit vers p.

b) Cas des prlvements avec remise :


Dans ce cas la variable alatoire Xn suit une loi binomiale de paramtre n et p.
On sait que : E(Xn) = n p

et

V(Xn) = n p q

Xn
1
1
) = E( X n ) = n p = p
n
n
n
X
1
1
pq
V( f n ) = V( n ) =
V( X n ) =
npq=
n
n
n
n
lim V(f n ) = 0
On dmontre : E( f n ) = E(

La frquence relative

f n converge en probabilit vers p.

6.4.2. Solution de lexercice 6.3.2.


a) Cas des prlvements sans remise
n

Xi

On dmontre : E( X n ) = E(

i =1

)=

1
1 n
E(Xi) = n m = m
n i =1
n

Xi

V( X n ) = V(

i =1

)=

n
N n
V( X n ) =
N 1 n

1
Nn
1 n
n
V(Xi) =

n
N 1
n i =1

lim V(X n ) = 0

La moyenne

Xn =

Xi
i =1

calcule partir dun chantillon de taille n converge en probabilit

vers m.
b) Cas des prlvements avec remise

127

6. Convergence des lois de probabilit, loi des grands nombres

Probabilits

Xi

On dmontre : E( X n ) = E(

i =1

)=

1
1 n
E (Xi) = n m = m
n i =1
n

Xi

V( X n ) = V(

i =1

)=

1 n
1

V(Xi) =
n =
n
n i =1
n

lim V(X n ) = 0

La moyenne

Xn =

Xi
i =1

calcule partir dun chantillon de taille n converge en probabilit

vers m.
6.4.3. Solution de lexercice 6.3.3.
Dsignons par X1 le nombre de boules blanches prleves dans lurne 1 et par X2, le nombre
de boules blanches prleves dans lurne 2.
Dans lurne 1 on effectue 7 tirages sans remise dans une population finie. Lvnement tirer
une boule blanche correspond un succs dont la probabilit varie dun tirage un autre. Il
sagit donc dune loi hypergomtrique de paramtres :
Effectif total de la population : N = 50
Nombre de succs dans la population : n1 = 20
Nombre dchecs dans la population : n2 = 30
Nombre de tirages : n = 7
L(X1) = H(50, 20 , 7)
Sagissant dune population finie de taille leve, la loi hypergomtrique peut tre approche
par la loi binomiale de paramtres :
Nombre de tirages : n = 7
Probabilit de succs : p = (20 / 50) = 0,4
L(X1) B (7 ; 0,4)
Dans lurne 2 on effectue 7 tirages sans remise dans une population finie. Lvnement tirer
une boule blanche correspond un succs dont la probabilit varie dun tirage un autre. Il sagit
donc dune loi hypergomtrique de paramtres :
Effectif total de la population : N = 250
Nombre de succs dans la population : n1 = 100
128

Probabilits

6. Convergence des lois de probabilit, loi des grands nombres

Nombre dchecs dans la population : n2 = 150


Nombre de tirages : n = 7
L(X2) = H(250, 100 , 7)
Sagissant dune population finie de taille leve, la loi hypergomtrique peut tre approche
par la loi binomiale de paramtres :
Nombre de tirages : n = 7
Probabilit de succs : p = (100 / 250) = 0,4
L(X2) B (7 ; 0,4)
On obtient plus de boules blanches que de boules noires pour l'ensemble des 14 boules
prleves lorsque le nombre total de boules blanches prleves dans les deux urnes est suprieur
7.
p(X1+X2 > 7)
X1 et X2 tant deux variables binomiales de mme probabilit de succs, leur somme est aussi
une variable binomiale de paramtres :
Nombre de tirages : n = 7 + 7 = 14
Probabilit de succs : p = 0,4
L(X1 + X2) = B(14 ; 0,4)
p(X1+X2 > 7) = 1 - p(X1+X2 7)
p(X1+X2 > 7) = 1 [p(0) + p(1) + p(2) + p(3) + p(4) + p(5) + p(6) + p(7)]
0
p(0) = C14
0,4 0 (1 0,4)14 = 0,0008

p(1) = C114 0,41 (1 0,4)13 = 0,0073


2
p(2) = C14
0,4 2 (1 0,4)12 = 0,0317
3
p(3) = C14
0,4 3 (1 0,4)11 = 0,0845
4
p(4) = C14
0,4 4 (1 0,4)10 = 0,1549
5
p(5) = C14
0,4 5 (1 0,4) 9 = 0,2066
6
p(6) = C14
0,4 6 (1 0,4) 8 = 0,2066
7
p(7) = C14
0,4 7 (1 0,4) 7 = 0,1574

p(X1+X2>7)=1[0,0008 + 0,0073 + 0,0317 + 0,0845 + 0,1549 + 0,2066 + 0,2066 + 0,1574]


p(X1+X2 > 7) = 0,1502

129

6. Convergence des lois de probabilit, loi des grands nombres

Probabilits

Il y a 15 % de chances dobtenir plus de boules blanches que de boules noires pour l'ensemble
des 14 boules prleves.
6.4.4. Solution de lexercice 6.3.4.
a) La loi binomiale.
Soit X la variable alatoire qui dsigne le nombre de pices dfectueuses.
Lvnement pice dfectueuse correspond un succs dont la probabilit ne varie pas. Il
sagit donc dune loi binomiale de paramtres :
Nombre de tirages : n = 10
Probabilit de succs : p = 0,01
L(X) = B(10 , 0,01)

p(k ) = Cn p k q n k
k

p(X = 2) =

2
p(2) = C10
0,012 (1 0,01) 8 = 0,0042

Il y a un risque de 0,42 % davoir 2 pices dfectueuses.


b) L'approximation par la loi de Poisson.
La probabilit de succs tend vers zro (0,01), la loi binomiale de paramtre n et p tend vers
une loi de Poisson de paramtre np. On peut dans ce cas effectuer les calculs de probabilits de
faon approximatives l'aide de la formule de la loi de Poisson.
L(X) = B(10 ; 0,01) L(X) P(n ; p = 0,1)

e m m k
k!
0 ,1
e 0,12
p ( 2) =
= 0,0045
2!
p( k ) =

On peut constater que lapproximation est satisfaisante.


6.4.5. Solution de lexercice 6.3.5.
Dsignons par X le nombre d'tudiants qui russissent l'examen.
X est une variable discrte qui prend les valeurs entires de 0 100. Elle suit une loi binomiale
de paramtres 100 et 0,8.
130

Probabilits

6. Convergence des lois de probabilit, loi des grands nombres

L(X) = B(100 ; 0,8)


La probabilit qu'au moins 75 tudiants parmi 100 tudiants russissent l'examen est :
p(X 75)
Les produits np et nq sont respectivement 1000,8 = 80 et 1000,2 = 20, ils sont suprieurs
5. On peut donc effectuer le calcul de cette probabilit d'une manire approche l'aide de la loi
normale de paramtres np = 80 et

npq = 4.

L(X) = B(100 ; 0,8) N(80 ; 4)


Pour amliorer la qualit de l'approximation, on introduit la correction de continuit, la
probabilit p(X 75) devient :
p(X 75 + 0,5) = 1 - p(X < 75,5)

X 80 75,5 80
<
) = 1 p(Z < 1,13)
4
4
p(X 75,5) = 1(1,13) = (1,13) = 0,8708

p(X 75,5) = 1 p(
p(X 75) 0,8708

La probabilit pour qu'au moins 75 tudiants parmi 100 tudiants russissent l'examen est peu
prs 0,8708.
Le calcul exact partir de la loi binomiale donne un rsultat de 0,8686. On constate que
l'approximation est trs satisfaisante.
b) Nombre dtudiant pour lesquels la probabilit quau moins 100 russissent est gale 0,99.

L(X ) = B(n ; 0,8) N (0,8n ; 0,4 n )


p( x 100 + 0,5) = 1 p( x < 100,5)
x 0,8n 100,5 0,8n
= 1 p(
<
) = 0,99
0,4 n
0,4 n
100,5 0,8n
p( x 100,5) = 1 p( Z <
) = 0,99
0,4 n
100,5 0,8n
0,8n 100,5
1 (
) = 0,99 (
) = 0,99
0,4 n
0,4 n
131

6. Convergence des lois de probabilit, loi des grands nombres

Probabilits

En consultant la table de la loi normale on trouve :

(2,33) = 0,99

0,8n 100,5
0,4 n

= 2,33 0,8n 100,5 = 2,33 x 0,4 n = 0,932 n

0,8n 0,932 n 100,5 = 0


On pose :

x= n

0,8 x2 0,932x 100,5 = 0


= (- 0,932)2 4 x 0,8 x (- 100,5) = 322,47

x=

0,932 + 322,47
= 11,8 (On choisit la solution positive).
2 x 0,8

n = 11,8 n = 140 tudiants.


6.4.6. Solution de lexercice 6.3.6.
Dsignons par X le nombre de moustiques tus par le nouvel insecticide.
X est une variable discrte qui prend les valeurs entires de 0 100. Elle suit une loi binomiale
de paramtres 100 et 0,75.
L(X) = B(100 ; 0,75)
La probabilit pour qu'au moins 70 moustiques parmi 100 soient tus par le nouvel insecticide
est :
p(X 70)
Les produits np et nq sont respectivement 1000,75 = 75 et 1000,25 = 25, ils sont suprieurs
5. On peut donc effectuer le calcul de cette probabilit d'une manire approche l'aide de la loi
normale de paramtres :
np = 75 et

npq = 4,33.

L(X) = B(100 ; 0,75) N(75 ; 4,33)


p(X 70) = 1 - p(X < 70)

132

6. Convergence des lois de probabilit, loi des grands nombres

Probabilits

X 75 70 75
<
) = 1 p( Z < 1,15)
4,33
4,33
p(X 70) = 1 (1,15) = (1,15) = 0,8749
p(X 70) = 1 p(

p(X 70) 0,8749


La probabilit pour qu'au moins 70 moustiques parmi 100 soient tus par le nouvel insecticide
est peu prs 87 %.
6.4.7. Solution de lexercice 6.3.7.
a) Loi de probabilit de X.
X, le nombre des ampoules dfectueuses figurant dans un lot de 60 ampoules.
Lvnement ampoule dfectueuse correspond un succs dont la probabilit ne varie pas
(population infinie). Il sagit donc dune loi binomiale de probabilit de succs :
p = (738 / 14760) = 0,05
La probabilit de succs tend vers zro (0,05), la loi binomiale, de paramtre n et p, peut tre
approche par une loi de Poisson de paramtre np. On peut dans ce cas effectuer les calculs de
probabilits de faon approximatives l'aide de la formule de la loi de Poisson.
b) Probabilit d'avoir plus de 3 ampoules dfectueuses dans un lot de 60 ampoules.
L(X) = B(60 ; 0,05) P(60x0,05 = 3)
p(X > 3) = 1 - p(X 3) = 1 [p(0) + p(1) + p(2) + p(3)]

e 3 3 0
p ( 0) =
0!
3
e 31
p(1) =
1!
3
e 32
p ( 2) =
2!
3
e 33
p(3) =
3!

= 0,0498
= 0,1494
= 0,2240
= 0,2240

p(X > 3) = 1 (0,0498 + 0,1494 + 0,2240 + 0,2240) = 0,3528


Il y a un risque de 35,28 % davoir plus de 3 ampoules dfectueuses dans un lot de 60
ampoules.
133

6. Convergence des lois de probabilit, loi des grands nombres

Probabilits

c) Probabilit d'avoir 78 ampoules bonnes dans un lot de 80 ampoules.


Avoir 78 ampoules bonnes dans un lot de 80 ampoules est quivalent avoir 2 ampoules
dfectueuses.
L(X) = B(80 ; 0,05) P(80x0,05 = 4)

p ( 2) =

e 4 4 2
= 0,1465
2!

Il y a 14,65 % de chance davoir 78 ampoules bonnes dans un lot de 80 ampoules.


Il y a lieu de comparer les rsultats trouvs dans cet exercice, par la mthode dapproximation,
avec ceux trouvs dans le mme exercice au paragraphe 4.8.4.
6.4.8. Solution de lexercice 6.3.8.
Dsignons par Xi (i = 1 120) la somme rembourser chaque personne.
Dsignons par X la somme totale que la caisse doit payer aux 120 personnes.
X = X1 + X2 + + X120
D'aprs le thorme central limite, on peut affirmer que X suit une loi normale de moyenne la
somme des moyennes et d'cart type la racine carre de la somme des variances.

L(X ) = N (120 1000; 120 600 ) = N (120000;6572,67)


La somme de 130000 dh ne sera pas suffisante si la somme totale rembourser aux 120
personnes dpasse 130000 dh :

p(X > 130000) = 1 p(X 130000)

= 1 p(

X 120000 130000 120000

)
6572,67
6572,67

p(X > 130000) = 1 p( Z 1,52)


= 1 (1,52) = 1 0,93574 = 0,0643
Il y a donc un risque de 6,5 % pour que la somme de 130000 dirhams ne soit pas suffisante
pour rembourser toutes les personnes.
134

Probabilits

6. Convergence des lois de probabilit, loi des grands nombres

6.4.9. Solution de lexercice 6.3.9.


a) Valeur de la prime annuelle pour un navire si la compagnie dsire avoir une probabilit
gale 0,7 de raliser des bnfices.
La compagnie ralisera un bnfice si le montant total des remboursements plus les frais de
gestion est infrieur au total des primes payes.
Dsignons par X le montant total des remboursements et par P le montant de la prime
dassurance.
p(X + 0,2 x 1000 P < 1000 P) = 0,7
Le montant total des remboursements (X) dpend du nombre de navire totalement perdus (Y).
X = 1000000 Y
p(X + 200 P < 1000 P) = 0,7
=> p(1000000 Y + 200 P < 1000 P) = 0,7
=> p(Y < 0,0008 P) = 0,7
Lvnement "perte totale du navire" correspond un succs dont la probabilit ne varie pas
(les navires sont indpendants). Il sagit donc dune loi binomiale de paramtres :
Nombre de tirages : n = 1000
Probabilit de succs : p = 0,01
L(Y) = B(1000 ; 0,01)
E(Y) = 1000 x 0,01 = 10 navires
V(Y) = 1000 x 0,01 x 0,99 = 9,9

Y = 9,9 = 3,15 navires


L(Y) N(10 ; 3,15)

Y 10 0,0008P 10
<
) = 0,7
3,15
3,15
0,0008P 10
0,0008P 10
p( Z <
) = 0,7 (
) = 0,7
3,15
3,15
p(Y < 0,0008P) = 0,7 p(

En consultant la table de la loi Normale on trouve :

(0,52) = 0,7
0,0008P 10
= 0,52 p = 14547,50 dh
3,15
135

6. Convergence des lois de probabilit, loi des grands nombres

Probabilits

b) Le bnfice B est :
E(B) = E(800p 1000000Y) = 800p 1000000 E(Y)
= 800 x 14547,50 1000000 x 10
E(B) = 1 638 000 dh
B = 1000 P X 0,2 x 1000 P
B = 800 P 1000000 Y
6.4.10. Solution de lexercice 6.3.10.
a) La probabilit pour que le nombre de personnes se prsentant au premier service soit
suprieur 500.
Dsignons par X le nombre de personnes se prsentant au premier service.
X est une variable discrte qui prend les valeurs entires de 0 900. Elle suit une loi binomiale
de paramtres 900 et 0,5.
L(X) = B(900 ; 0,5)
La probabilit pour que le nombre de personnes se prsentant au premier service soit suprieur
500 est :
p(X > 500)
Les produits np et nq sont respectivement 9000,5 = 450 et 9000,5 = 450, ils sont suprieurs
5. On peut donc effectuer le calcul de cette probabilit d'une manire approche l'aide de la loi
normale de paramtres :
np = 450 et

npq = 15.

L(X) = B(900 ; 0,5) N(450 ; 15)


p(X > 500) = 1 - p(X 500)

p(X > 500) = 1 p(

X 450 500 450


<
) = 1 p( Z < 3,33)
15
15

p(X > 500) = 1 (3,33) = 1 - 0,99957 = 0,00043


p(X > 500) 0,00043
Il y a trs peu de chance (0,04%) pour que le nombre de personnes se prsentant au premier
service soit suprieur 500.
136

6. Convergence des lois de probabilit, loi des grands nombres

Probabilits

b) Nombre de places dans le restaurant pour que la probabilit de pouvoir rpondre la


demande de deux services soit suprieure 95 %.
Dsignons par X le nombre de personnes se prsentant au premier service.
Dsignons par Y le nombre de personnes se prsentant au deuxime service.
X et Y sont deux variables alatoires qui suivent des lois binomiales quon peut approximer par
une loi normale.
L(X) = B(900 ; 0,5) N(450 ; 15)
L(Y) = B(900 ; 0,5) N(450 ; 15)
Dsignons par W=X+Y le nombre de personnes se prsentant aux deux services.
L(W) N(900 ;

225 + 225 = 21,21 )

Soit N le nombre de places dans le restaurant pour que la probabilit de pouvoir rpondre la
demande aux deux services soit suprieure 95 %.
p(W N) = 0,95

p( W N ) = p(

W 900 N 900
N 900

) = p( Z
) = 0,95
21,21
21,21
21,21

N 900
) = 0,95
21,21

En consultant la table statistique, on trouve :

(1,65) = 0,95
N 900
= 1,65
21,21

=>

N = 935 places

Le restaurant doit disposer dau moins 935 places pour que la probabilit de pouvoir rpondre
la demande de deux services soit suprieure 95 %.
c) Le nombre des repas correspond au nombre demploys qui mangent lusine, dsignons
cette variable par X.
137

Probabilits

6. Convergence des lois de probabilit, loi des grands nombres

L(X) = B(900 ; 0,75)


c1) E(X) = 900 x 0,75 = 675 repas.
c2) Dsignons par R le nombre de repas prparer.
La demande sera satisfaite si R est suprieure ou gale au nombre demploys qui ont dcid
de prendre leur repas lusine.
p(x R) > 0,99
L(X) N(675 ; 13)

x 675 R 675

) > 0,99
13
13
R 675
R 675
p( Z
) > 0,99 (
) > 0,99
13
13
p( x R ) > 0,99 p(

En consultant la table de la loi normale on trouve :

(2,33) = 0,99 .

R 675
> 2,33 R > 2,33 x 13 + 675 R > 705 repas.
13
Il convient de prparer plus de 705 repas pour que la probabilit de satisfaire la demande soit
suprieure 99 %.
6.4.11. Solution de lexercice 6.3.11.
La lecture de la table Khi deux donne :
0,95 30 dl = 43,8
En utilisant l'approximation de la loi Khi deux par la transformation ci dessous, on obtient :

(Z 0.95 + 2 30 1)
2

La lecture de la table de la fonction de rpartition de la loi normale rduite montre que la valeur
de z pour (z) = 0,95 est gale 1,65.

(1.65 + 59 )
= 43.5
2
138

6. Convergence des lois de probabilit, loi des grands nombres

Probabilits

On constate que l'approximation est trs satisfaisante.


6.4.12. Solution de lexercice 6.3.12.
La valeur de 0,95 150 dl ne se trouve pas dans la table statistique. Le nombre de degrs de
libert tant trs grand, on peut utiliser lapproximation par la loi normale de moyenne 150 et
dcart type

2150 =17,32 .

En passant la loi normale centre rduite on obtient :

0,95150dl 150
17,32

= Z0,95

do :
0,95 30 dl = Z0,95 x 17,32 + 150
0,95 30 dl = 1,65 x 17,32 + 150 = 178,58
6.4.13. Solution de lexercice 6.3.13.
La lecture de la table t donne :
t 0,95 80 dl = 1,664
En utilisant l'approximation de la loi t par la loi normale rduite, on peut lire dans la table de la
fonction de rpartition de la loi normale rduite la valeur de z pour (z) = 0,95 qui est gale
1,65.
On constate que l'approximation est satisfaisante.

139

TABLES STATISTIQUES
Loi Binomiale
Loi de Poisson
Loi Normale
Loi de Khi deux
Loi de Student
Loi de Fischer

140

n
0
1
2
0
1
2
3
0
1
2
3
4
0
1
2
3
4
5

Probabilit p(X = k)
0,05
0,10
0,9025
0,8100
0,0950
0,1800
0,0025
0,0100
0,8574
0,7290
0,1354
0,2430
0,0071
0,0270
0,0001
0,0010
0,8145
0,6561
0,1715
0,2916
0,0135
0,0486
0,0005
0,0036
0,0000
0,0001
0,7738
0,5905
0,2036
0,3280
0,0214
0,0729
0,0011
0,0081
0,0000
0,0005
0,0000
0,0000
0,20
0,6400
0,3200
0,0400
0,5120
0,3840
0,0960
0,0080
0,4096
0,4096
0,1536
0,0256
0,0016
0,3277
0,4096
0,2048
0,0512
0,0064
0,0003

0,30
0,4900
0,4200
0,0900
0,3430
0,4410
0,1890
0,0270
0,2401
0,4116
0,2646
0,0756
0,0081
0,1681
0,3602
0,3087
0,1323
0,0284
0,0024

LOI BINOMIALE L(X) = B(n ; p)

0,40
0,3600
0,4800
0,1600
0,2160
0,4320
0,2880
0,0640
0,1296
0,3456
0,3456
0,1536
0,0256
0,0778
0,2592
0,3456
0,2304
0,0768
0,0102

0,50
0,2500
0,5000
0,2500
0,1250
0,3750
0,3750
0,1250
0,0625
0,2500
0,3750
0,2500
0,0625
0,0312
0,1562
0,3125
0,3125
0,1562
0,0312

n
0
1
2
3
4
5
6
0
1
2
3
4
5
6
7
0
1
2
3
4
5
6
7
8

k
0,05
0,7351
0,2321
0,0305
0,0021
0,0001
0,000
0,000
0,6983
0,2573
0,0406
0,0036
0,0002
0,0000
0,0000
0,0000
0,6634
0,2793
0,0515
0,0054
0,0004
0,0000
0,0000
0,0000
0,0000

0,10
0,5314
0,3543
0,0984
0,0146
0,0012
0,0001
0,0000
0,4783
0,3720
0,1240
0,0230
0,0026
0,0002
0,0000
0,0000
0,4305
0,3826
0,1488
0,0331
0,0046
0,0004
0,0000
0,0000
0,0000

Probabilit p p(X = k)
0,20
0,30
0,2621
0,1176
0,3932
0,3025
0,2458
0,3241
0,0819
0,1852
0,0154
0,0595
0,0015
0,0102
0,0001
0,0007
0,2097
0,0824
0,3670
0,2471
0,2753
0,3176
0,1147
0,2269
0,0287
0,0972
0,0043
0,0250
0,0004
0,0036
0,0000
0,0002
0,1678
0,0576
0,3355
0,1977
0,2936
0,2965
0,1468
0,2541
0,0459
0,1361
0,0092
0,0467
0,0011
0,0100
0,0001
0,0012
0,0000
0,0001

LOI BINOMIALE L(X) = B(n ; p)


0,40
0,0467
0,1866
0,3110
0,2765
0,1382
0,0369
0,0041
0,0280
0,1306
0,2613
0,2903
0,1935
0,0774
0,0172
0,0016
0,0168
0,0896
0,2090
0,2787
0,2322
0,1239
0,0413
0,0079
0,0007

0,50
0,0156
0,0938
0,2344
0,3125
0,2344
0,0938
0,0156
0,0078
0,0547
0,1641
0,2734
0,2734
0,1641
0,0547
0,0078
0,0039
0,0312
0,1094
0,2188
0,2734
0,2188
0,1094
0,0312
0,0039

10

n
0
1
2
3
4
5
6
7
8
9
0
1
2
3
4
5
6
7
8
9
10

k
0,05
0,6302
0,2985
0,0629
0,0077
0,0006
0,0000
0,0000
0,0000
0,0000
0,0000
0,5987
0,3151
0,0746
0,0105
0,0010
0,0001
0,0000
0,0000
0,0000
0,0000
0,0000

0,10
0,3874
0,3874
0,1722
0,0446
0,0074
0,0008
0,0001
0,0000
0,0000
0,0000
0,3487
0,3874
0,1937
0,0574
0,0112
0,0015
0,0001
0,0000
0,0000
0,0000
0,0000

Probabilit p(X = k)
0,20
0,30
0,1342
0,0404
0,3020
0,1556
0,3020
0,2668
0,1762
0,2668
0,0661
0,1715
0,0165
0,0735
0,0028
0,0210
0,0003
0,0039
0,0000
0,0004
0,0000
0,0000
0,1074
0,0282
0,2684
0,1211
0,3020
0,2335
0,2013
0,2668
0,0881
0,2001
0,0264
0,1029
0,0055
0,0368
0,0008
0,0090
0,0001
0,0014
0,0000
0,0001
0,0000
0,0000

LOI BINOMIALE L(X) = B(n ; p)


0,40
0,0101
0,0605
0,1612
0,2508
0,2508
0,1672
0,0743
0,0212
0,0035
0,0003
0,0060
0,0403
0,1209
0,2150
0,2508
0,2007
0,1115
0,0425
0,0106
0,0016
0,0001

0,50
0,0020
0,0176
0,0703
0,1641
0,2461
0,2461
0,1641
0,0703
0,0176
0,0020
0,0010
0,0098
0,0439
0,1172
0,2051
0,2461
0,2051
0,1172
0,0439
0,0098
0,0010

0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

k
0,2
0,819
0,164
0,016
0,001
0,000

0,4
0,670
0,268
0,054
0,007
0,001
0,000

0,6
0,549
0,329
0,099
0,020
0,003
0,000

0,8
0,449
0,359
0,144
0,038
0,008
0,001
0,000

1
0,368
0,368
0,184
0,061
0,015
0,003
0,001
0,000

1,5
0,223
0,335
0,251
0,126
0,047
0,014
0,004
0,001
0,000

2
0,135
0,271
0,271
0,180
0,090
0,036
0,012
0,003
0,001
0,000

2,5
0,082
0,205
0,257
0,214
0,134
0,067
0,028
0,010
0,003
0,001
0,000

3,00
0,050
0,149
0,224
0,224
0,168
0,101
0,050
0,022
0,008
0,003
0,001
0,000

Probabilit p(X=k)
4,00
5,00
6,00
0,018
0,007
0,002
0,073
0,034
0,015
0,147
0,084
0,045
0,195
0,140
0,089
0,195
0,175
0,134
0,156
0,175
0,161
0,104
0,146
0,161
0,060
0,104
0,138
0,030
0,065
0,103
0,013
0,036
0,069
0,005
0,018
0,041
0,002
0,008
0,023
0,001
0,003
0,011
0,000
0,001
0,005
0,000
0,002
0,001
0,000
7,00
0,001
0,006
0,022
0,052
0,091
0,128
0,149
0,149
0,130
0,101
0,071
0,045
0,026
0,014
0,007
0,003
0,001
0,001
0,000

LOI DE POISSON L(X) = P(m)


8,00
0,000
0,003
0,011
0,029
0,057
0,092
0,122
0,140
0,140
0,124
0,099
0,072
0,048
0,030
0,017
0,009
0,005
0,002
0,001
0,000

8,50
0,000
0,002
0,007
0,021
0,044
0,075
0,107
0,129
0,138
0,130
0,110
0,085
0,060
0,040
0,024
0,014
0,007
0,004
0,002
0,001
0,000

9,00
0,000
0,001
0,005
0,015
0,034
0,061
0,091
0,117
0,132
0,132
0,119
0,097
0,073
0,050
0,032
0,019
0,011
0,006
0,003
0,001
0,001
0,000

10,00
0,000
0,000
0,002
0,008
0,019
0,038
0,063
0,090
0,113
0,125
0,125
0,114
0,095
0,073
0,052
0,035
0,022
0,013
0,007
0,004
0,002
0,001
0,000

11,00
0,000
0,000
0,001
0,004
0,010
0,022
0,041
0,065
0,089
0,109
0,119
0,119
0,109
0,093
0,073
0,053
0,037
0,024
0,015
0,008
0,005
0,002
0,001
0,001
0,000

12,00
0,000
0,000
0,000
0,002
0,005
0,013
0,025
0,044
0,066
0,087
0,105
0,114
0,114
0,106
0,090
0,072
0,054
0,038
0,026
0,016
0,010
0,006
0,003
0,002
0,001

13,00
0,000
0,000
0,000
0,001
0,003
0,007
0,015
0,028
0,046
0,066
0,086
0,101
0,110
0,110
0,102
0,088
0,072
0,055
0,040
0,027
0,018
0,011
0,006
0,004
0,002

14,00
0,000
0,000
0,000
0,000
0,001
0,004
0,009
0,017
0,030
0,047
0,066
0,084
0,098
0,106
0,106
0,099
0,087
0,071
0,055
0,041
0,029
0,019
0,012
0,007
0,004

0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8

z
0,00
0,5000
0,5398
0,5793
0,6179
0,6554
0,6915
0,7257
0,7580
0,7881
0,8159
0,8413
0,8643
0,8849
0,9032
0,9192
0,9332
0,9452
0,9554
0,9641
0,9713
0,9772
0,9821
0,9861
0,9893
0,9918
0,9938
0,9953
0,9965
0,9974

0,01
0,5040
0,5438
0,5832
0,6217
0,6591
0,6950
0,7291
0,7611
0,7910
0,8186
0,8438
0,8665
0,8869
0,9049
0,9207
0,9345
0,9463
0,9564
0,9649
0,9719
0,9778
0,9826
0,9864
0,9896
0,9920
0,9940
0,9955
0,9966
0,9975

0,02
0,5080
0,5478
0,5871
0,6255
0,6628
0,6985
0,7324
0,7642
0,7939
0,8212
0,8461
0,8686
0,8888
0,9066
0,9222
0,9357
0,9474
0,9573
0,9656
0,9726
0,9783
0,9830
0,9868
0,9898
0,9922
0,9941
0,9956
0,9967
0,9976

0,03
0,5120
0,5517
0,5910
0,6293
0,6664
0,7019
0,7357
0,7673
0,7967
0,8238
0,8485
0,8708
0,8907
0,9082
0,9236
0,9370
0,9484
0,9582
0,9664
0,9732
0,9788
0,9834
0,9871
0,9901
0,9925
0,9943
0,9957
0,9968
0,9977

Probabilit P(Z<=z)
0,04
0,05
0,5160
0,5199
0,5557
0,5596
0,5948
0,5987
0,6331
0,6368
0,6700
0,6736
0,7054
0,7088
0,7389
0,7422
0,7704
0,7734
0,7995
0,8023
0,8264
0,8289
0,8508
0,8531
0,8729
0,8749
0,8925
0,8944
0,9099
0,9115
0,9251
0,9265
0,9382
0,9394
0,9495
0,9505
0,9591
0,9599
0,9671
0,9678
0,9738
0,9744
0,9793
0,9798
0,9838
0,9842
0,9875
0,9878
0,9904
0,9906
0,9927
0,9929
0,9945
0,9946
0,9959
0,9960
0,9969
0,9970
0,9977
0,9978
0,06
0,5239
0,5636
0,6026
0,6406
0,6772
0,7123
0,7454
0,7764
0,8051
0,8315
0,8554
0,8770
0,8962
0,9131
0,9279
0,9406
0,9515
0,9608
0,9686
0,9750
0,9803
0,9846
0,9881
0,9909
0,9931
0,9948
0,9961
0,9971
0,9979

LOI NORMALE CENTREE REDUITE L(X) = N(0 ; 1)


0,07
0,5279
0,5675
0,6064
0,6443
0,6808
0,7157
0,7486
0,7794
0,8078
0,8340
0,8577
0,8790
0,8980
0,9147
0,9292
0,9418
0,9525
0,9616
0,9693
0,9756
0,9808
0,9850
0,9884
0,9911
0,9932
0,9949
0,9962
0,9972
0,9979

0,08
0,5319
0,5714
0,6103
0,6480
0,6844
0,7190
0,7517
0,7823
0,8106
0,8365
0,8599
0,8810
0,8997
0,9162
0,9306
0,9429
0,9535
0,9625
0,9699
0,9761
0,9812
0,9854
0,9887
0,9913
0,9934
0,9951
0,9963
0,9973
0,9980

0,09
0,5359
0,5753
0,6141
0,6517
0,6879
0,7224
0,7549
0,7852
0,8133
0,8389
0,8621
0,8830
0,9015
0,9177
0,9319
0,9441
0,9545
0,9633
0,9706
0,9767
0,9817
0,9857
0,9890
0,9916
0,9936
0,9952
0,9964
0,9974
0,9981

2,9
3

0,9981
0,9987

0,9982
0,9987

0,9982
0,9987

0,9983
0,9988

0,9984
0,9988

0,9984
0,9989

0,9985
0,9989

0,9985
0,9989

0,9986
0,9990

0,9986
0,9990

3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9

z
0,00
0,99903
0,99931
0,99952
0,99966
0,99977
0,99984
0,99989
0,99993
0,99995

0,01
0,99906
0,99934
0,99953
0,99968
0,99978
0,99985
0,99990
0,99993
0,99995

0,02
0,99910
0,99936
0,99955
0,99969
0,99978
0,99985
0,99990
0,99993
0,99996

0,03
0,99913
0,99938
0,99957
0,99970
0,99979
0,99986
0,99990
0,99994
0,99996

Probabilit P(Z<=z)
0,04
0,05
0,99916
0,99918
0,99940
0,99942
0,99958
0,99960
0,99971
0,99972
0,99980
0,99981
0,99986
0,99987
0,99991
0,99991
0,99994
0,99994
0,99996
0,99996
0,06
0,99921
0,99944
0,99961
0,99973
0,99981
0,99987
0,99992
0,99994
0,99996

0,07
0,99924
0,99946
0,99962
0,99974
0,99982
0,99988
0,99992
0,99995
0,99996

LOI NORMALE CENTREE REDUITE L(X) = N(0 ; 1)


0,08
0,99926
0,99948
0,99964
0,99975
0,99983
0,99988
0,99992
0,99995
0,99997

0,09
0,99929
0,99950
0,99965
0,99976
0,99983
0,99989
0,99992
0,99995
0,99997

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

k
0,001
0,000
0,002
0,024
0,091
0,210
0,381
0,599
0,857
1,152
1,479
1,834
2,214
2,617
3,041
3,483
3,942
4,416
4,905
5,407
5,921
6,447
6,983
7,529
8,085
8,649
9,222
9,803
10,391
10,986

0,005
0,000
0,010
0,072
0,207
0,412
0,676
0,989
1,344
1,735
2,156
2,603
3,074
3,565
4,075
4,601
5,142
5,697
6,265
6,844
7,434
8,034
8,643
9,260
9,886
10,520
11,160
11,808
12,461
13,121

0,01
0,000
0,020
0,115
0,297
0,554
0,872
1,239
1,647
2,088
2,558
3,053
3,571
4,107
4,660
5,229
5,812
6,408
7,015
7,633
8,260
8,897
9,542
10,196
10,856
11,524
12,198
12,878
13,565
14,256

A l'intersection de la ligne k=1 et de la colonne 0,025 on lit 0,025=P(Khi deux(1)<=0,001)


0,025
0,05
0,1
0,5
0,9
0,95
0,975
0,001
0,004
0,016
0,455
2,706
3,841
5,024
0,051
0,103
0,211
1,386
4,605
5,991
7,378
0,216
0,352
0,584
2,366
6,251
7,815
9,348
0,484
0,711
1,064
3,357
7,779
9,488
11,143
0,831
1,145
1,610
4,351
9,236
11,070
12,832
1,237
1,635
2,204
5,348
10,645
12,592
14,449
1,690
2,167
2,833
6,346
12,017
14,067
16,013
2,180
2,733
3,490
7,344
13,362
15,507
17,535
2,700
3,325
4,168
8,343
14,684
16,919
19,023
3,247
3,940
4,865
9,342
15,987
18,307
20,483
3,816
4,575
5,578
10,341
17,275
19,675
21,920
4,404
5,226
6,304
11,340
18,549
21,026
23,337
5,009
5,892
7,041
12,340
19,812
22,362
24,736
5,629
6,571
7,790
13,339
21,064
23,685
26,119
6,262
7,261
8,547
14,339
22,307
24,996
27,488
6,908
7,962
9,312
15,338
23,542
26,296
28,845
7,564
8,672
10,085
16,338
24,769
27,587
30,191
8,231
9,390
10,865
17,338
25,989
28,869
31,526
8,907
10,117
11,651
18,338
27,204
30,144
32,852
9,591
10,851
12,443
19,337
28,412
31,410
34,170
10,283
11,591
13,240
20,337
29,615
32,671
35,479
10,982
12,338
14,041
21,337
30,813
33,924
36,781
11,689
13,091
14,848
22,337
32,007
35,172
38,076
12,401
13,848
15,659
23,337
33,196
36,415
39,364
13,120
14,611
16,473
24,337
34,382
37,652
40,646
13,844
15,379
17,292
25,336
35,563
38,885
41,923
14,573
16,151
18,114
26,336
36,741
40,113
43,195
15,308
16,928
18,939
27,336
37,916
41,337
44,461
16,047
17,708
19,768
28,336
39,087
42,557
45,722

LOI DU KHI 2
0,99
6,635
9,210
11,345
13,277
15,086
16,812
18,475
20,090
21,666
23,209
24,725
26,217
27,688
29,141
30,578
32,000
33,409
34,805
36,191
37,566
38,932
40,289
41,638
42,980
44,314
45,642
46,963
48,278
49,588

0,995
7,879
10,597
12,838
14,860
16,750
18,548
20,278
21,955
23,589
25,188
26,757
28,300
29,819
31,319
32,801
34,267
35,718
37,156
38,582
39,997
41,401
42,796
44,181
45,558
46,928
48,290
49,645
50,994
52,335

0,999
10,827
13,815
16,266
18,466
20,515
22,457
24,321
26,124
27,877
29,588
31,264
32,909
34,527
36,124
37,698
39,252
40,791
42,312
43,819
45,314
46,796
48,268
49,728
51,179
52,619
54,051
55,475
56,892
58,301

30

11,588

13,787

14,953

16,791

18,493

20,599

29,336

40,256

43,773

46,979

50,892

53,672

59,702

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

Probabilit P(T<=z)=p
0,6
0,7
0,325
0,727
0,289
0,617
0,277
0,584
0,271
0,569
0,267
0,559
0,265
0,553
0,263
0,549
0,262
0,546
0,261
0,543
0,260
0,542
0,260
0,540
0,259
0,539
0,259
0,538
0,258
0,537
0,258
0,536
0,258
0,535
0,257
0,534
0,257
0,534
0,257
0,533
0,257
0,533
0,257
0,532
0,256
0,532
0,256
0,532
0,256
0,531
0,256
0,531
0,256
0,531
0,8
1,376
1,061
0,978
0,941
0,920
0,906
0,896
0,889
0,883
0,879
0,876
0,873
0,870
0,868
0,866
0,865
0,863
0,862
0,861
0,860
0,859
0,858
0,858
0,857
0,856
0,856

0,9
3,078
1,886
1,638
1,533
1,476
1,440
1,415
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333
1,330
1,328
1,325
1,323
1,321
1,319
1,318
1,316
1,315

0,95
6,314
2,920
2,353
2,132
2,015
1,943
1,895
1,860
1,833
1,812
1,796
1,782
1,771
1,761
1,753
1,746
1,740
1,734
1,729
1,725
1,721
1,717
1,714
1,711
1,708
1,706

LOI DE STUDENT
0,975
12,71
4,303
3,182
2,776
2,571
2,447
2,365
2,306
2,262
2,228
2,201
2,179
2,160
2,145
2,131
2,120
2,110
2,101
2,093
2,086
2,080
2,074
2,069
2,064
2,060
2,056

0,99
31,82
6,965
4,541
3,747
3,365
3,143
2,998
2,896
2,821
2,764
2,718
2,681
2,650
2,624
2,602
2,583
2,567
2,552
2,539
2,528
2,518
2,508
2,500
2,492
2,485
2,479

0,995
63,66
9,925
5,841
4,604
4,032
3,707
3,499
3,355
3,250
3,169
3,106
3,055
3,012
2,977
2,947
2,921
2,898
2,878
2,861
2,845
2,831
2,819
2,807
2,797
2,787
2,779

27
28
29
30
40
60
80
100
200
500

Probabilit P(T<=z)=p
0,6
0,7
0,256
0,531
0,256
0,530
0,256
0,530
0,256
0,530
0,255
0,529
0,254
0,527
0,254
0,527
0,254
0,526
0,254
0,525
0,253
0,525
0,253
0,524
0,8
0,855
0,855
0,854
0,854
0,851
0,848
0,846
0,845
0,843
0,842
0,842

0,9
1,314
1,313
1,311
1,310
1,303
1,296
1,292
1,290
1,286
1,283
1,282

0,95
1,703
1,701
1,699
1,697
1,684
1,671
1,664
1,660
1,653
1,648
1,645

LOI DE STUDENT
0,975
2,052
2,048
2,045
2,042
2,021
2,000
1,990
1,984
1,972
1,965
1,960

0,99
2,473
2,467
2,462
2,457
2,423
2,390
2,374
2,365
2,345
2,334
2,326

0,995
2,771
2,763
2,756
2,750
2,704
2,660
2,639
2,626
2,601
2,586
2,576

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
22
24
26
28
30

K2
1
161
18,5
10,1
7,71
6,61
5,99
5,59
5,32
5,12
4,96
4,84
4,75
4,67
4,60
4,54
4,49
4,45
4,41
4,38
4,35
4,30
4,26
4,23
4,20
4,17

K1
2
200
19,0
9,55
6,94
5,79
5,14
4,74
4,46
4,26
4,10
3,98
3,89
3,81
3,74
3,68
3,63
3,59
3,55
3,52
3,49
3,44
3,40
3,37
3,34
3,32

3
216
19,2
9,28
6,59
5,41
4,76
4,35
4,07
3,86
3,71
3,59
3,49
3,41
3,34
3,29
3,24
3,20
3,16
3,13
3,10
3,05
3,01
2,98
2,95
2,92

Probabilit P(F<=z) = 0,95

4
225
19,2
9,12
6,39
5,19
4,53
4,12
3,84
3,63
3,48
3,36
3,26
3,18
3,11
3,06
3,01
2,96
2,93
2,90
2,87
2,82
2,78
2,74
2,71
2,69

5
230
19,3
9,01
6,26
5,05
4,39
3,97
3,69
3,48
3,33
3,20
3,11
3,03
2,96
2,90
2,85
2,81
2,77
2,74
2,71
2,66
2,62
2,59
2,56
2,53

6
234
19,3
8,94
6,16
4,95
4,28
3,87
3,58
3,37
3,22
3,09
3,00
2,92
2,85
2,79
2,74
2,70
2,66
2,63
2,60
2,55
2,51
2,47
2,45
2,42

7
237
19,4
8,89
6,09
4,88
4,21
3,79
3,50
3,29
3,14
3,01
2,91
2,83
2,76
2,71
2,66
2,61
2,58
2,54
2,51
2,46
2,42
2,39
2,36
2,33

8
239
19,4
8,85
6,04
4,82
4,15
3,73
3,44
3,23
3,07
2,95
2,85
2,77
2,70
2,64
2,59
2,55
2,51
2,48
2,45
2,40
2,36
2,32
2,29
2,27

9
241
19,4
8,81
6,00
4,77
4,10
3,68
3,39
3,18
3,02
2,90
2,80
2,71
2,65
2,59
2,54
2,49
2,46
2,42
2,39
2,34
2,30
2,27
2,24
2,21

10
242
19,4
8,79
5,96
4,74
4,06
3,64
3,35
3,14
2,98
2,85
2,75
2,67
2,60
2,54
2,49
2,45
2,41
2,38
2,35
2,30
2,25
2,22
2,19
2,16

LOI DE FISHER

15
246
19,4
8,70
5,86
4,62
3,94
3,51
3,22
3,01
2,85
2,72
2,62
2,53
2,46
2,40
2,35
2,31
2,27
2,23
2,20
2,15
2,11
2,07
2,04
2,01

20
248
19,4
8,66
5,80
4,56
3,87
3,44
3,15
2,94
2,77
2,65
2,54
2,46
2,39
2,33
2,28
2,23
2,19
2,16
2,12
2,07
2,03
1,99
1,96
1,93

30
250
19,5
8,62
5,75
4,50
3,81
3,38
3,08
2,86
2,70
2,57
2,47
2,38
2,31
2,25
2,19
2,15
2,11
2,07
2,04
1,98
1,94
1,90
1,87
1,84

50
252
19,5
8,58
5,70
4,44
3,75
3,32
3,02
2,80
2,64
2,51
2,40
2,31
2,24
2,18
2,12
2,08
2,04
2,00
1,97
1,91
1,86
1,82
1,79
1,76

100
253
19,5
8,55
5,66
4,41
3,71
3,27
2,97
2,76
2,59
2,46
2,35
2,26
2,19
2,12
2,07
2,02
1,98
1,94
1,91
1,85
1,80
1,76
1,73
1,70

200
254
19,5
8,54
5,65
4,39
3,69
3,25
2,95
2,73
2,56
2,43
2,32
2,23
2,16
2,10
2,04
1,99
1,95
1,91
1,88
1,82
1,77
1,73
1,69
1,66

500
254
19,5
8,53
5,64
4,37
3,68
3,24
2,94
2,72
2,55
2,42
2,31
2,22
2,14
2,08
2,02
1,97
1,93
1,89
1,86
1,80
1,75
1,71
1,67
1,64

254
19,5
8,53
5,63
4,37
3,67
3,23
2,93
2,71
2,54
2,40
2,30
2,21
2,13
2,07
2,01
1,96
1,92
1,88
1,84
1,78
1,73
1,69
1,65
1,62

50
100
200
500

4,03
3,94
3,89
3,86
3,84

3,18
3,09
3,04
3,01
3,00

2,79
2,70
2,65
2,62
2,60

2,56
2,46
2,42
2,39
2,37

2,40
2,31
2,26
2,23
2,21

2,29
2,19
2,14
2,12
2,10

2,20
2,10
2,06
2,03
2,01

2,13
2,03
1,98
1,96
1,94

2,07
1,97
1,93
1,90
1,88

2,03
1,93
1,88
1,85
1,83

1,87
1,77
1,72
1,69
1,67

1,78
1,68
1,62
1,59
1,57

1,69
1,57
1,52
1,48
1,46

1,60
1,48
1,41
1,38
1,35

1,52
1,39
1,32
1,28
1,24

1,48
1,34
1,26
1,21
1,17

1,46
1,31
1,22
1,16
1,11

1,44
1,28
1,19
1,11
1,00

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
22
24
26
28
30
50

K2
1
648
38,5
17,4
12,2
10,0
8,81
8,07
7,57
7,21
6,94
6,72
6,55
6,41
6,30
6,20
6,12
6,04
5,98
5,92
5,87
5,79
5,72
5,66
5,61
5,57
5,34

2
800
39,0
16,0
10,6
8,43
7,26
6,54
6,06
5,71
5,46
5,26
5,10
4,97
4,86
4,76
4,69
4,62
4,56
4,51
4,46
4,38
4,32
4,27
4,22
4,18
3,98

3
864
39,2
15,4
9,98
7,76
6,60
5,89
5,42
5,08
4,83
4,63
4,47
4,35
4,24
4,15
4,08
4,01
3,95
3,90
3,86
3,78
3,72
3,67
3,63
3,59
3,39

Probabilit P(F<=z) = 0,975


4
900
39,2
15,1
9,60
7,39
6,23
5,52
5,05
4,72
4,47
4,28
4,12
4,00
3,89
3,80
3,73
3,66
3,61
3,56
3,51
3,44
3,38
3,33
3,29
3,25
3,06

5
922
39,3
14,9
9,36
7,15
5,99
5,29
4,82
4,48
4,24
4,04
3,89
3,77
3,66
3,58
3,50
3,44
3,38
3,33
3,29
3,22
3,15
3,10
3,06
3,03
2,83

6
937
39,3
14,7
9,20
6,98
5,82
5,12
4,65
4,32
4,07
3,88
3,73
3,60
3,50
3,41
3,34
3,28
3,22
3,17
3,13
3,05
2,99
2,94
2,90
2,87
2,67

7
948
39,4
14,6
9,07
6,85
5,70
4,99
4,53
4,20
3,95
3,76
3,61
3,48
3,38
3,29
3,22
3,16
3,10
3,05
3,01
2,93
2,87
2,82
2,78
2,75
2,55

8
957
39,4
14,5
8,98
6,76
5,60
4,90
4,43
4,10
3,85
3,66
3,51
3,39
3,29
3,20
3,12
3,06
3,01
2,96
2,91
2,84
2,78
2,73
2,69
2,65
2,46

9
963
39,4
14,5
8,90
6,68
5,52
4,82
4,36
4,03
3,78
3,59
3,44
3,31
3,21
3,12
3,05
2,98
2,93
2,88
2,84
2,76
2,70
2,65
2,61
2,57
2,38

K1
10
969
39,4
14,4
8,84
6,62
5,46
4,76
4,30
3,96
3,72
3,53
3,37
3,25
3,15
3,06
2,99
2,92
2,87
2,82
2,77
2,70
2,64
2,59
2,55
2,51
2,32

LOI DE FISHER

15
985
39,4
14,3
8,66
6,43
5,27
4,57
4,10
3,77
3,52
3,33
3,18
3,05
2,95
2,86
2,79
2,72
2,67
2,62
2,57
2,50
2,44
2,39
2,34
2,31
2,11

20
993
39,4
14,2
8,56
6,33
5,17
4,47
4,00
3,67
3,42
3,23
3,07
2,95
2,84
2,76
2,68
2,62
2,56
2,51
2,46
2,39
2,33
2,28
2,23
2,20
1,99

30
1001
39,5
14,1
8,46
6,23
5,07
4,36
3,89
3,56
3,31
3,12
2,96
2,84
2,73
2,64
2,57
2,50
2,44
2,39
2,35
2,27
2,21
2,16
2,11
2,07
1,87

50
1008
39,5
14,0
8,38
6,14
4,98
4,28
3,81
3,47
3,22
3,03
2,87
2,74
2,64
2,55
2,47
2,41
2,35
2,30
2,25
2,17
2,11
2,05
2,01
1,97
1,75

100
1013
39,5
14,0
8,32
6,08
4,92
4,21
3,74
3,40
3,15
2,96
2,80
2,67
2,56
2,47
2,40
2,33
2,27
2,22
2,17
2,09
2,02
1,97
1,92
1,88
1,66

200
1016
39,5
13,9
8,29
6,05
4,88
4,18
3,70
3,37
3,12
2,92
2,76
2,63
2,53
2,44
2,36
2,29
2,23
2,18
2,13
2,05
1,98
1,92
1,88
1,84
1,60

500
1017
39,5
13,9
8,27
6,03
4,86
4,16
3,68
3,35
3,09
2,90
2,74
2,61
2,50
2,41
2,33
2,26
2,20
2,15
2,10
2,02
1,95
1,90
1,85
1,81
1,57

1018
39,5
13,9
8,26
6,02
4,85
4,14
3,67
3,33
3,08
2,88
2,72
2,60
2,49
2,40
2,32
2,25
2,19
2,13
2,09
2,00
1,94
1,88
1,83
1,79
1,55

100
200
500

5,18
5,10
5,05
5,02

3,83
3,76
3,72
3,69

3,25
3,18
3,14
3,12

2,92
2,85
2,81
2,79

2,70
2,63
2,59
2,57

2,54
2,47
2,43
2,41

2,42
2,35
2,31
2,29

2,32
2,26
2,22
2,19

2,24
2,18
2,14
2,11

2,18
2,11
2,07
2,05

1,97
1,90
1,86
1,83

1,85
1,78
1,74
1,71

1,71
1,64
1,60
1,57

1,59
1,51
1,46
1,43

1,48
1,39
1,34
1,30

1,42
1,32
1,25
1,21

1,38
1,27
1,19
1,13

1,35
1,23
1,14
1,00

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
22
24
26
28
30

K2
1
4050
98,5
34,1
21,2
16,3
13,7
12,2
11,3
10,6
10,0
9,65
9,33
9,07
8,86
8,68
8,53
8,40
8,29
8,18
8,10
7,95
7,82
7,72
7,64
7,56

K1
2
5000
99,0
30,8
18,0
13,3
10,9
9,55
8,65
8,02
7,56
7,21
6,93
6,70
6,51
6,36
6,23
6,11
6,01
5,93
5,85
5,72
5,61
5,53
5,45
5,39

3
5400
99,2
29,5
16,7
12,1
9,78
8,45
7,59
6,99
6,55
6,22
5,95
5,74
5,56
5,42
5,29
5,18
5,09
5,01
4,94
4,82
4,72
4,64
4,57
4,51

Probabilit P(F<=z) = 0,99

4
5630
99,2
28,7
16,0
11,4
9,15
7,85
7,01
6,42
5,99
5,67
5,41
5,21
5,04
4,89
4,77
4,67
4,58
4,50
4,43
4,31
4,22
4,14
4,07
4,02

5
5760
99,3
28,2
15,5
11,0
8,75
7,46
6,63
6,06
5,64
5,32
5,06
4,86
4,70
4,56
4,44
4,34
4,25
4,17
4,10
3,99
3,90
3,82
3,75
3,70

6
5860
99,3
27,9
15,2
10,7
8,47
7,19
6,37
5,80
5,39
5,07
4,82
4,62
4,46
4,32
4,20
4,10
4,01
3,94
3,87
3,76
3,67
3,59
3,53
3,47

7
5930
99,4
27,7
15,0
10,5
8,26
6,99
6,18
5,61
5,20
4,89
4,64
4,44
4,28
4,14
4,03
3,93
3,84
3,77
3,70
3,59
3,50
3,42
3,36
3,30

8
5980
99,4
27,5
14,8
10,3
8,10
6,84
6,03
5,47
5,06
4,74
4,50
4,30
4,14
4,00
3,89
3,79
3,71
3,63
3,56
3,45
3,36
3,29
3,23
3,17

9
6020
99,4
27,3
14,7
10,2
7,98
6,72
5,91
5,35
4,94
4,63
4,39
4,19
4,03
3,89
3,78
3,68
3,60
3,52
3,46
3,35
3,26
3,18
3,12
3,07

10
6060
99,4
27,2
14,5
10,1
7,87
6,62
5,81
5,26
4,85
4,54
4,30
4,10
3,94
3,80
3,69
3,59
3,51
3,43
3,37
3,26
3,17
3,09
3,03
2,98

LOI DE FISHER

15
6160
99,4
26,9
14,2
9,72
7,56
6,31
5,52
4,96
4,56
4,25
4,01
3,82
3,66
3,52
3,41
3,31
3,23
3,15
3,09
2,98
2,89
2,82
2,75
2,70

20
6210
99,4
26,7
14,0
9,55
7,40
6,16
5,36
4,81
4,41
4,10
3,86
3,66
3,51
3,37
3,26
3,16
3,08
3,00
2,94
2,83
2,74
2,66
2,60
2,55

30
6260
99,5
26,5
13,8
9,38
7,23
5,99
5,20
4,65
4,25
3,94
3,70
3,51
3,35
3,21
3,10
3,00
2,92
2,84
2,78
2,67
2,58
2,50
2,44
2,39

50
6300
99,5
26,4
13,7
9,24
7,09
5,86
5,07
4,52
4,12
3,81
3,57
3,38
3,22
3,08
2,97
2,87
2,78
2,71
2,64
2,53
2,44
2,36
2,30
2,25

100
6330
99,5
26,2
13,6
9,13
6,99
5,75
4,96
4,42
4,01
3,71
3,47
3,27
3,11
2,98
2,86
2,76
2,68
2,60
2,54
2,42
2,33
2,25
2,19
2,13

200
6350
99,5
26,2
13,5
9,08
6,93
5,70
4,91
4,36
3,96
3,66
3,41
3,22
3,06
2,92
2,81
2,71
2,62
2,55
2,48
2,36
2,27
2,19
2,13
2,07

500
6360
99,5
26,1
13,5
9,04
6,90
5,67
4,88
4,33
3,93
3,62
3,38
3,19
3,03
2,89
2,78
2,68
2,59
2,51
2,44
2,33
2,24
2,16
2,09
2,03

6370
99,5
26,1
13,5
9,02
6,88
5,65
4,86
4,31
3,91
3,60
3,36
3,17
3,00
2,87
2,75
2,65
2,57
2,49
2,42
2,31
2,21
2,13
2,06
2,01

50
100
200
500

7,17
6,90
6,76
6,69
6,63

5,06
4,82
4,71
4,65
4,61

4,20
3,98
3,88
3,82
3,78

3,72
3,51
3,41
3,36
3,32

3,41
3,21
3,11
3,05
3,02

3,19
2,99
2,89
2,84
2,80

3,02
2,82
2,73
2,68
2,64

2,89
2,69
2,60
2,55
2,51

2,79
2,59
2,50
2,44
2,41

2,70
2,50
2,41
2,36
2,32

2,42
2,22
2,13
2,07
2,04

2,27
2,07
1,97
1,92
1,88

2,10
2,1,89
1,79
1,74
1,70

1,95
1,73
1,63
1,56
1,52

1,82
1,60
1,48
1,41
1,36

1,76
1,52
1,39
1,31
1,25

1,71
1,47
1,33
1,23
1,15

1,68
1,43
1,28
1,16
1,00

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
22
24
26
28
30
50

K2
1
16200
198
55,6
31,3
22,8
18,6
16,2
14,7
13,6
12,8
12,2
11,8
11,4
11,1
10,8
10,6
10,4
10,2
10,1
9,94
9,73
9,55
9,41
9,28
9,18
8,63

2
20000
199
49,8
26,3
18,3
14,5
12,4
11,0
10,1
9,43
8,91
8,51
8,19
7,92
7,70
7,51
7,35
7,21
7,09
6,99
6,81
6,66
6,54
6,44
6,35
5,90

3
21600
199
47,5
24,3
16,5
12,9
10,9
9,60
8,72
8,08
7,60
7,23
6,93
6,68
6,48
6,30
6,16
6,03
5,92
5,82
5,65
5,52
5,41
5,32
5,24
4,83

Probabilit P(F<=z) = 0,995


4
22500
199
46,2
23,2
15,6
12,0
10,0
8,81
7,96
7,34
6,88
6,52
6,23
6,00
5,80
5,64
5,50
5,37
5,27
5,17
5,02
4,89
4,79
4,70
4,62
4,23

5
23100
199
45,4
22,5
14,9
11,5
9,52
8,30
7,47
6,87
6,42
6,07
5,79
5,56
5,37
5,21
5,07
4,96
4,85
4,76
4,61
4,49
4,38
4,30
4,23
3,85

6
23400
199
44,8
22,0
14,5
11,1
9,16
7,95
7,13
6,54
6,10
5,76
5,48
5,26
5,07
4,91
4,78
4,66
4,56
4,47
4,32
4,20
4,10
4,02
3,95
3,58

7
23700
199
44,4
21,6
14,2
10,8
8,89
7,69
6,88
6,30
5,86
5,52
5,25
5,03
4,85
4,69
4,56
4,44
4,34
4,26
4,11
3,99
3,89
3,81
3,74
3,38

8
23900
199
44,1
21,4
14,0
10,6
8,68
7,50
6,69
6,12
5,68
5,35
5,08
4,86
4,67
4,52
4,39
4,28
4,18
4,09
3,94
3,83
3,73
3,65
3,58
3,22

9
24100
199
43,9
21,1
13,8
10,4
8,51
7,34
6,54
5,97
5,54
5,20
4,94
4,72
4,54
4,38
4,25
4,14
4,04
3,96
3,81
3,69
3,60
3,52
3,45
3,09

K1
10
24200
199
43,7
21,0
13,6
10,2
8,38
7,21
6,42
5,85
5,42
5,09
4,82
4,60
4,42
4,27
4,14
4,03
3,93
3,85
3,70
3,59
3,49
3,41
3,34
2,99

LOI DE FISHER

15
24600
199
43,1
20,4
13,1
9,81
7,97
6,81
6,03
5,47
5,05
4,72
4,46
4,25
4,07
3,92
3,79
3,68
3,59
3,50
3,36
3,25
3,15
3,07
3,01
2,65

20
24800
199
42,8
20,2
12,9
9,59
7,75
6,61
5,83
5,27
4,86
4,53
4,27
4,06
3,88
3,73
3,61
3,50
3,40
3,32
3,18
3,06
2,97
2,89
2,82
2,47

30
25000
199
42,5
19,9
12,7
9,36
7,53
6,40
5,62
5,07
4,65
4,33
4,07
3,86
3,69
3,54
3,41
3,30
3,21
3,12
2,98
2,87
2,77
2,69
2,63
2,27

50
25200
199
42,2
19,7
12,5
9,17
7,35
6,22
5,45
4,90
4,49
4,17
3,91
3,70
3,52
3,37
3,25
3,14
3,04
2,96
2,82
2,70
2,61
2,53
2,46
2,10

100
25300
199
42,0
19,5
12,3
9,03
7,22
6,09
5,32
4,77
4,36
4,04
3,78
3,57
3,39
3,25
3,12
3,01
2,91
2,83
2,69
2,57
2,47
2,39
2,32
1,95

200
25400
199
41,9
19,4
12,2
8,95
7,15
6,02
5,26
4,71
4,29
3,97
3,71
3,50
3,33
3,18
3,05
2,94
2,85
2,76
2,62
2,50
2,40
2,32
2,25
1,87

500
25400
200
41,9
19,4
12,2
8,91
7,10
5,98
5,21
4,67
4,25
3,93
3,67
3,46
3,29
3,14
3,01
2,90
2,80
2,72
2,57
2,46
2,36
2,28
2,21
1,82

25500
200
41,8
19,3
12,1
8,88
7,08
5,95
5,19
4,64
4,23
3,90
3,65
3,44
3,26
3,11
2,98
2,87
2,78
2,69
2,55
2,43
2,33
2,25
2,18
1,79

100
200
500

8,24
8,06
7,95
7,88

5,59
5,44
5,36
5,30

4,54
4,41
4,33
4,28

3,96
3,84
3,76
3,72

3,59
3,47
3,40
3,35

3,33
3,21
3,14
3,09

3,13
3,01
2,94
2,90

2,97
2,85
2,79
2,74

2,85
2,73
2,66
2,62

2,74
2,63
2,56
2,52

2,41
2,30
2,23
2,19

2,23
2,11
2,04
2,00

2,02
1,91
1,84
1,79

1,84
1,71
1,64
1,59

1,68
1,54
1,46
1,40

1,59
1,44
1,35
1,28

1,53
1,37
1,26
1,17

1,49
1,31
1,18
1,00

2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
22
24
26
28
30
50
100

K2
1
998
168
74,1
47,0
35,5
29,2
25,4
22,9
21,0
19,7
18,6
17,8
17,1
16,6
16,1
15,7
15,4
15,1
14,8
14,4
14,0
13,7
13,5
13,3
12,2
11,5

K1
2
999
148
61,2
36,6
27,0
21,7
18,5
16,4
14,9
13,8
13,0
12,3
11,8
11,3
11,0
10,7
10,4
10,2
9,95
9,61
9,34
9,12
8,93
8,77
7,95
7,41

3
999
141
56,2
33,2
23,7
18,8
15,8
13,9
12,6
11,6
10,8
10,2
9,73
9,34
9,00
8,73
8,49
8,28
8,10
7,80
7,55
7,36
7,19
7,05
6,34
5,85

4
999
137
53,4
31,1
21,9
17,2
14,4
12,6
11,3
10,4
9,63
9,07
8,62
8,25
7,94
7,68
7,46
7,26
7,10
6,81
6,59
6,41
6,25
6,12
5,46
5,01

5
999
135
51,7
29,8
20,8
16,2
13,5
11,7
10,5
9,58
8,89
8,35
7,92
7,57
7,27
7,02
6,81
6,61
6,46
6,19
5,98
5,80
5,66
5,53
4,90
4,48

6
999
133
50,5
28,8
20,0
15,5
12,9
11,1
9,92
9,05
8,38
7,86
7,43
7,09
6,81
6,56
6,35
6,18
6,02
5,76
5,55
5,38
5,24
5,12
4,51
4,11

7
999
132
49,7
28,2
19,5
15,0
12,4
10,7
9,52
8,66
8,00
7,49
7,08
6,74
6,46
6,22
6,02
5,84
5,69
5,44
5,23
5,07
4,93
4,82
4,22
3,83

8
999
131
49,0
27,6
19,0
14,6
12,0
10,4
9,20
8,35
7,71
7,21
6,80
6,47
6,19
5,96
5,76
5,59
5,44
5,19
4,99
4,83
4,69
4,58
4,00
3,61

9
999
130
48,5
27,2
18,7
14,3
11,8
10,1
8,96
8,12
7,48
6,98
6,58
6,26
5,98
5,75
5,56
5,39
5,24
4,99
4,80
4,64
4,50
4,39
3,82
3,44

10
999
129
48,0
26,9
18,4
14,1
11,5
9,89
8,75
7,92
7,29
6,80
6,40
6,08
5,81
5,58
5,39
5,22
5,08
4,83
4,64
4,48
4,35
4,24
3,67
3,30

Probabilit P(F<=z) = 0,999

LOI DE FISHER

15
999
127
46,8
25,9
17,6
13,3
10,8
9,24
8,13
7,32
6,71
6,23
5,85
5,53
5,27
5,05
4,87
4,70
4,56
4,32
4,14
3,99
3,86
3,75
3,20
2,84

20
999
126
46,1
25,4
17,1
12,9
10,5
8,90
7,80
7,01
6,40
5,93
5,56
5,25
4,99
4,78
4,59
4,43
4,29
4,06
3,87
3,72
3,60
3,49
2,95
2,59

30
999
125
45,4
24,9
16,7
12,5
10,1
8,55
7,47
6,68
6,09
5,62
5,25
4,95
4,70
4,48
4,30
4,14
4,01
3,77
3,59
3,45
3,32
3,22
2,68
2,32

50
999
125
44,9
24,4
16,3
12,2
9,80
8,26
7,19
6,41
5,83
5,37
5,00
4,70
4,45
4,24
4,06
3,90
3,77
3,53
3,35
3,20
3,08
2,98
2,44
2,07

100
999
124
44,5
24,1
16,0
11,9
9,57
8,04
6,98
6,21
5,63
5,17
4,80
4,51
4,26
4,05
3,87
3,71
3,58
3,34
3,16
3,01
2,89
2,79
2,24
1,87

200
999
124
44,3
23,9
15,9
11,8
9,46
7,93
6,87
6,10
5,52
5,07
4,70
4,41
4,16
3,95
3,77
3,61
3,48
3,25
3,07
2,92
2,79
2,69
2,14
1,75

500
999
124
44,1
23,8
15,8
11,7
9,39
7,86
6,81
6,04
5,46
5,01
4,64
4,35
4,10
3,89
3,71
3,55
3,42
3,19
3,01
2,86
2,73
2,63
2,07
1,68

999
124
44,0
23,8
15,8
11,7
9,34
7,81
6,76
6,00
5,42
4,97
4,60
4,31
4,06
3,85
3,67
3,51
3,38
3,15
2,97
2,82
2,70
2,59
2,03
1,62

200
500

11,2
11,0
10,8

7,15
7,01
6,91

5,64
5,51
5,42

4,81
4,69
4,62

4,29
4,18
4,10

3,92
3,82
3,74

3,65
3,54
3,47

3,43
3,33
3,27

3,26
3,16
3,10

3,12
3,02
2,96

2,67
2,58
2,51

2,42
2,33
2,27

2,15
2,05
1,99

1,90
1,80
1,73

1,68
1,57
1,49

1,55
1,43
1,34

1,46
1,32
1,21

1,39
1,23
1,00

2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
22
24
26
28
30
50
100
200
500

K2
1
2000
266
106
63,6
46,1
37,0
31,6
28,0
25,5
23,6
22,2
21,1
20,2
19,5
18,9
18,4
17,9
17,5
17,2
16,6
16,2
15,8
15,5
15,2
13,9
13,0
12,5
12,3
12,1

2
2000
237
87,4
49,8
34,8
27,2
22,8
19,9
17,9
16,4
15,3
14,4
13,7
13,2
12,7
12,3
11,9
11,6
11,4
11,0
10,6
10,3
10,1
9,90
8,88
8,21
7,90
7,72
7,60

3
2000
225
80,1
44,4
30,4
23,5
19,4
16,8
15,0
13,6
12,7
11,9
11,3
10,8
10,3
9,99
9,69
9,42
9,20
8,82
8,52
8,27
8,07
7,90
7,01
6,43
6,16
6,01
5,91

4
2000
218
76,1
41,5
28,1
21,4
17,6
15,1
13,4
12,2
11,2
10,5
9,95
9,48
9,08
8,75
8,47
8,23
8,02
7,67
7,39
7,16
6,98
6,82
6,01
5,47
5,23
5,09
5,00

5
2000
214
73,6
39,7
26,6
20,2
16,4
14,1
12,4
11,2
10,4
9,66
9,11
8,66
8,29
7,98
7,71
7,48
7,28
6,94
6,68
6,46
6,28
6,14
5,37
4,87
4,64
4,51
4,42

6
2000
211
71,9
38,5
25,6
19,3
15,7
13,3
11,8
10,6
9,74
9,07
8,53
8,10
7,74
7,44
7,18
6,95
6,76
6,44
6,18
5,98
5,80
5,66
4,93
4,44
4,23
4,10
4,02

7
2000
209
70,6
37,6
24,9
18,7
15,1
12,8
11,3
10,1
9,28
8,63
8,11
7,68
7,33
7,04
6,78
6,57
6,38
6,07
5,82
5,62
5,45
5,31
4,60
4,13
3,92
3,80
3,72

8
2000
208
69,7
36,9
24,3
18,2
14,6
12,4
10,9
9,76
8,94
8,29
7,78
7,36
7,02
6,73
6,48
6,27
6,08
5,78
5,54
5,34
5,18
5,04
4,34
3,89
3,68
3,56
3,48

P(F<=z) = 0,9995
K1
9
10
2000
2000
207
206
68,9
68,3
36,4
35,9
23,9
23,5
17,8
17,5
14,3
14,0
12,1
11,8
10,6
10,3
9,48
9,24
8,66
8,43
8,03
7,81
7,52
7,31
7,11
6,91
6,77
6,57
6,49
6,29
6,24
6,05
6,03
5,84
5,85
5,66
5,55
5,36
5,31
5,13
5,12
4,94
4,96
4,78
4,82
4,65
4,14
3,98
3,70
3,54
3,49
3,34
3,36
3,21
3,30
3,14

LOI DE FISHER

15
2000
203
66,5
34,6
22,4
16,5
13,1
11,0
9,56
8,52
7,74
7,13
6,65
6,27
5,94
5,67
5,44
5,25
5,07
4,79
4,55
4,37
4,22
4,10
3,45
3,03
2,83
2,72
2,65

20
2000
201
65,5
33,9
21,9
16,0
12,7
10,6
9,16
8,14
7,37
6,78
6,31
5,93
5,61
5,34
5,12
4,92
4,75
4,47
4,25
4,07
3,92
3,80
3,16
2,75
2,56
2,45
2,37

30
2000
199
64,6
33,1
21,4
15,5
12,2
10,2
8,75
7,75
7,00
6,42
5,95
5,58
5,27
5,01
4,78
4,59
4,42
4,15
3,93
3,75
3,61
3,48
2,86
2,44
2,25
2,14
2,07

50
2000
198
63,8
32,5
20,9
15,1
11,8
9,80
8,42
7,43
6,68
6,11
5,66
5,29
4,98
4,72
4,50
4,31
4,15
3,88
3,66
3,48
3,34
3,22
2,59
2,18
1,98
1,87
1,79

100
2000
197
63,2
32,1
20,5
14,7
11,6
9,53
8,16
7,18
6,45
5,88
5,43
5,06
4,76
4,50
4,28
4,09
3,93
3,66
3,44
3,27
3,13
3,00
2,37
1,95
1,74
1,61
1,53

200
2000
197
62,9
31,8
20,3
14,6
11,4
9,40
8,04
7,06
6,33
5,76
5,31
4,94
4,64
4,39
4,17
3,98
3,82
3,55
3,33
3,16
3,01
2,89
2,25
1,82
1,60
1,46
1,36

500
2000
196
62,7
31,7
20,2
14,5
11,4
9,32
7,96
6,98
6,25
5,69
5,24
4,87
4,57
4,32
4,10
3,91
3,75
3,48
3,27
3,09
2,95
2,82
2,17
1,74
1,50
1,34
1,22

2000
196
62,6
31,6
20,1
14,4
11,3
9,26
7,90
6,93
6,20
5,64
5,19
4,83
4,52
4,27
4,06
3,87
3,70
3,44
3,22
3,04
2,90
2,78
2,13
1,67
1,42
1,24
1,00

Probabilits

Bibliographie

BIBLIOGRAPHIE

Titres
Aide mmoire de probabilits et
statistiques
Comprendre les probabilits
Cours de probabilits et de statistiques
Cours de probabilits et de statistiques
Exercices corrigs de probabilits
Exercices de calcul des probabilits
Exercices ordinaires de probabilit
Formulaire de probabilits et de
statistiques
Introduction aux calculs de probabilits
Introduction aux probabilits et la
statistique
Probabilits et statistiques
Probabilits et statistiques cours,
exercices et problmes rsolus
Probabilits
Probabilits
Probabilits et statistiques
Probabilits et statistiques

Probabilits et statistiques
Probabilits et statistiques rsum de
cours exercices et problmes corrigs
Probabilits pour lconomie
Probabilits rsums de cours, exercices et
problmes
Statistique et calcul des probabilits
Statistiques et probabilits
Statistiques et probabilits

Auteurs

Editeurs - annes

J. MARCELL

ELLIPSES 92

J. L. BOURSIN
C. LEBOEUF
J. L. ROQUE / J. GUEGAND
C. LEBOEUF / J. GUEGANO /
J. L. ROQUE / P. LANDRY
G. GALOT
G. FRUGIER / C. LEBOEUF
J. RENAULT

ARMAND COLIN 89
ELLIPSES 87
ELLIPSES 87
ELLIPSES 87
DUNOD 86
ELLIPSES 92
DUNOD 92

G. BAILLARGEON
E. AMIOT

SMG 81
GAETAN MORIN 90

A. LEVINE
J. ISIAS

ELLIPSES 89
ELLIPSES 99

M. LETHIELLEUX
R. SANDRETTO
L. GACOGNE / G. FRUGIER
AUDET, BOUCHER
(AUMARTIN, SKEEWE)
J. FOURASTIE /
J. F. LASLIER
G. CHAUVAT / J.F. REAU

DUNOD 98
DUNOD 96
EYROLLES 90
GAETAN MORIN 93

C. GRAPSKY
P. JAFFARD

BREAL 96
MASSON 93

W. MASSIERI
J. P. LECOUTRE
M. ELLATIFI

SIREY 96
DUNOD 2000
AFRIQUE ORIENT
84

163

DUNOD 87
ARMAND COLIN 99