P. 1
Maths LivreOrange

Maths LivreOrange

|Views: 5,625|Likes:
Publié parRodrigo Mlpz

More info:

Published by: Rodrigo Mlpz on Jun 03, 2010
Droits d'auteur :Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

04/19/2014

pdf

text

original

, .

Chapitre
1
Statistique descriptive
.
L'objectif de ce chapitre est de consolider et d'approfondir les connaissances acquises les
années précédentes à ce sujet en étudiant des situations issues notamment de l'industrie et
des laboratoires.
De nouvelles séries statistiques seront également présentées en étudiant des situations
issues de secteurs très variés: mécanique, bâtiment, électronique, laboratoire, économie, ...
Le mot statistique, traducti on du
mOI allemand Srafisfik, apparu au
milieu du XVIIIe siècle, vient du
mOI latin SfCI/US : él:lI.
À l' origine (dans l'ancienne Babylone, 3000 ans avant Jésus-Chri st, en
Chine, plus de 2000 ans avant Jésus-Chri st, et en Égypte, vers 1700
avant Jésus-Christ) la statistique rassemblait des renseignements
concernant des populations (les premiers recensements permettaient
de connaître le nombre des habitants d'un pays et leur répartition par
sexe, par âge, par « catégorie socia-professionnelle », ... ) et l'économie
(évaluation des ressources, de l'état des stocks, ... ), ce qui explique le
vocabul aire encore utilisé actuellement. Les méthodes statistiques sont
aujourd'hui employées également en médecine (évaluation de l'effica-
cité d'un médicament, de l' état sanitaire d'une population, ... ), en agro-
nomie (recherche d'engrais spécifiques, sélection de vari étés, ... ), en
sociologie (enquêtes, sondages d'opinion), dans l'illdustrie (organi sa-
tion scientifique du travail, contrôle de qualité, gestion des stocks, .. . ),
et dans bien d'autres domaines.
, ,
A. SERIES STATISTIQUES A UNE VARIABLE
Peul-on. en quelques jours. interro-
ger tous les de France
avant une électi on présidentiell e?
Chap. 1 : Statistique descriptive
1. MÉTHODES DE REPRÉSENTATION
a. Vocabulaire (rappel)
Population
La population est l'ensemble que l'on observe et dont chaque élément
est appelé individu ou unité statistique.
Échantillon (ou lot)
Un échantillon (ou lot) est une partie (ou sous-ensemble) de la popu-
lation considérée.
On étudie un échantillon de la population notamment lorsque celle-ci est
impossible à étudier dans son ensemble; c'est le cas pour les sondages
d'opinion ou pour des mesures rendant inutilisables les objets étudi és,
par exemple la durée de vie de piles électriques d'un certain type.
13
Le dernier recensement, en France,
a eu lieu au printemps de 1999,
Le traitement des données relatives
à un caractère quantitatif et il un
caractère qualitatif est différent
par exemplt', on peut définir une
taille moyenne pour les élèves du
lycée A, mais pas une région
moyenne de pour les
Français.
Les sont non vides et telles
que tout de la population
:lppartient tI une classe et à une
seule.
Voir l'énont'é du TP 3,
Le choix du nombre de classes
dépend du contexte de l'étude
tistique \'oir la remarque en
marge, au début du paragrJ.phe 2.
Cette not.ation, plus courte. évite
l'ambiguïté des points de suspen-
sion.
Une fréquence peut
pondre à un pourcentage: voir le
paragraphe c.
On en "i = fi'"
Caractère
Le caractère étudié est la propriété observée dans la population ou
l'échantillon considéré: par exemple, la région de résidence de chaque
Français observée lors du dernier recensement, ou le nombre d'enfants
par famille observé à cette même occasion, ou encore la taille des
élèves d'un lycée.
Dans ces deux derniers exemples, le caractère est dit quantitatif, car il
est mesurable; ce qui n'est pas le cas dans le premier exemple où le
caractère est dit qualitatif.
Dans le deuxième exemple, le caractère quantitatif est discret, car il ne
peut prendre que des valeurs « isolées » (ici entières) alors que, dans le
troisième, le caractère qualitatif est continu, car il peut prendre, au
moins théoriquement, n'importe quelle valeur d'un intervalle de
nombres réels,
Dans chaque exemple, les résultats obtenus se présentent, au départ,
sous forme d'une liste éventuellement très longue et sans autre classe-
ment que l'ordre d'arrivée des informations, Aussi, pour faciliter leur
lecture, est-on amené à les présenter de manière plus synthétique sous
forme de tableau ou de graphique,
b. Tableau
• Classe
Une classe est un sous-ensemble de la population correspondant à une
même valeur ou à des valeurs « voisines» pri ses par le caractère: par
exemple, les habitants de la région Champagne-Ardennes, ou les
familles de deux enfants, ou les élèves du lycée A dont la taille (en cm)
appartient à l'intervalle [165, 170r.
• Effectif
L'effectif d'une classe est son nombre d'éléments,
Ainsi, une série statistique à une variable peut être définie par un
tableau de la forme:
p est le nombre de classes et n; l'effectif de la i
ème
classe.
L'effectif total" est tel que:
l ''l' 1
11 = 11
1
+ "2 + , .. + Il
i
+ .. + "p' que l'on convient de noter,
p
Il =.I n·, que l'on lit « somme de i égale 1 àp de Il· ».
,= l ' ,
• Fréquence
La fréquence d'une classe est la proportion d'individus de la popula-
tion (ou de l'échantillon) appartenant à cette classe.
Ainsi la i
ème
classe a pour fréquence f. = '.!.i..
, , Il
On remarque que la somme des fréquences de toutes les classes est:
p
I. f. = + " 2 + ... + +
j=I' 11 11 n
14
On rencontrera des résull:us ana-
logues dans la deuxième partie
calcul des probabilités.
Si on connaiss:lit l'effectif total 11
(le nombre total de \'oi tures neuves
vendues en Frunce en 1999), on en
déduirait le lableau des effeclifs
puisque "; = /;11.
L'aire d'un sec-
teur circulaire
d'angle a (a en
radians) et de
rayon Rest
lR
2
a
2 .
R
Fig. 2
Traditionnellement, on utilise un
demi-cercle pour représenter la
composition de J'Assemblée natio-
nale suivant les groupes politiques.
On rencontre aussi des diagrammes
par exemple, des voi-
tures de taille variable.
Attention! Quelle est alors l:l
com·enlion utili sée?
L'effel'tif d'une classe est-il pro-
portionnel tlla longueur seule, la
hauteur seule, ou tll'aire de la voi-
lure ainsi dessinée?
Chap. 1 : Statistique descriptive
p p
Puisque II· = 11, nous obtenons L f = 1.
i=1 1 i=1 1
D'autre part, 0 fi ], pour tout entier i compris entre 1 et p.
c. Graphique
• Caractère qualitatif
On considère le tableau ci-contre relatif
aux ventes de voitures neuves en France
en 1999. La propriété étudiée dans la
population des voitures neuves vendues
en France en 1999 est la marque: c'est un
caractère qualitatif qui prend trois valeurs
ou modalités permettant de définir trois
classes avec leurs fréquences:
Maque

Renault 28%
PSA 29.2 CJ.
Marques
étrangères 42,8 %
1-
0,280
-
0,292 0,428 Fréquence
Voici trois graphiques possibles pour cette série statistique:
% Diagramme à secteurs circulaires
Chaque classe correspond à un secteur
circulaire dont l'angle ou J'aire est pro-
portionnel à l'effectif, donc à la fréquen-
ce, de la classe. Ainsi, l'angle pour
Renault mesure en degrés:
0,280x 360 = 100,8.
Diagramme en tuyaux d'orgue Diagramme en bandes
28.2 % 34,..
Renault PSA Étrangères
Fig. 3
Ren:.i.ult
28,2 %
PSA
J.<%
Fig. 4
Dans les deux diagrammes précédents, chaque classe est représentée
par un rectangle de même largeur et de longueur proportionnel1e à l' ef-
fectif, donc à la fréquence de la classe.
15
Le choil( des dasses du type
la" hil. Ill
i
+1' h;+ Il. avec
"
i
+ 1 = hi permet 1ItQUl élément de
la population, y compris aj + 1 = "i'
d'appartenir 11 une classe et 11 une
seule.
On aurait pu aussi choisir JlIj, hi].
Toules les autres classes ayant la
même amplitude 500, on convient
d'assimiler la cla!>!>e .. 6000 et
plus » à [6000. 6500[.
Il en est de même pour l'histo-
gramme des celui des
effeclifs cumulés, et celui de" fré-
quences cumulées.
Dans les autres cas, la ct
l'ulilisatjon d'un hh.togramme Mlnt
techniquement plus difficiles.
Chap. 1 : Statistique descriptive
On a obtenu les résultats suivant s:
..........
_d·_ ...... :
--
(ca_l
..
........
[0.500[ 5 5
[500. l OOO[ 12 17
[1 000. 1 500[ 33 50
[1 500. 2000[ 71 121
[2000. 2500[ 119 240
[2500. 3000[ 175 415
[3000. 3500[ IB5 600
[3500. 4000[ 158 758
[4000. 4500[ 122 880
[4500.5000[ 69 949
[5000. 5500[ 35 984
[5500.6000[ II 995
6000 et plus 5 1000
TOTAL 1000
Dans un hi slogramme des effeclifs, les effectifs des classes sonl pro-
portionnels aux aires des rectangles représentant les classes (fig. 6).
Histogramme des effectifs
Effectif
180 1-
-
r-
160 1--
140 1-
120 -
r-
100
80
r-
-
60
40
-rf rh
20
0
1000 2000 3000 4000 5000 6000
Montant (en euros)
Fig. 6
Dans cas où toutes les c/asst!s ont amplitude, comme ci-des-
sus, les effectifs sont proportionnels aux longueurs des rectangles
représentant celles-ci.
17
Pour chaque classe, on suppose que
tous les éléments sont situés au
milieu de la classe: on passe ainsi
d'un caractère continu il un carac-
tère discret.
Attention: mis il part les points Ci'
points du polygone des effectifs
n'ont aucune signification
tique. On observe cependant des
égalités d'aires (fig. 7).
80
70 aires égales
60
50
40
30
20
1000 2000
Fig. 7
Le passage du discret au continu se
traduit pour les classes par le rem-
placement de chaque nombre Xi par
l'intervalle [x; +
où.! = Xi + 1 Xi
2 2'
On rencontrera une situation ana-
logue dans le chapitre sur les
variables aléatoires.
Ces situations se renconlre.nt fré-
quemment en économie et en ges-
tion.
Remarques
1. Dans certains cas, on peut être amené à tracer la ligne polygonale
des effectifs en joignant par des segments de droite les milieux Ci des
largeurs supérieures des rectangles de l'histogramme des effectifs.
Cela revient à remplacer chaque classe [ai' b
j
[, d'effectif fIi' par la classe
a· + b·
ci = -' -2-" de même effectif ni' et à joindre les sommets Ci des bâtons
correspondants.
Effectif
180
160
140
120
100
80
60
40
20
0
1 000 2 000 3 000 4000 5 000 6 000
Montant (en euros)
Fig. 8
2. Dans d'autres cas, on adopte le point de vue inverse: on remplace
un caractère discret par un caractère continu.
Par exemple, dans une entreprise. au cours d'une visite médicale, on
mesure la taille des membres du personnel. Voici un extrait des résul-
tats où l'unité de longueur est le centimètre:
170 171 172
2 5 4
En réalité, vu la précision des mesures, les deux personnes dont la ta.ille
indiquée est 170 cm ont une taille comprise entre 169,5 cm et 170,5 cm.
Ainsi, il peut être pertinent de remplacer la classe 170 par la classe
[169,5; 170,5[.
[169,5: 170,5[ [170,5: 171 ,5[ [171,5: In,5[
Effectif 2 5 4
D'autre part, lorsqu'on s'intéresse à des sommes d'argent exprimées
par exemple en euros, on considère généralement, lorsque les effectifs
sont suffisants, qu'il s'agit d'un caractère continu bien qu'il prenne des
valeurs isolées, puisqu'entre deux centimes consécutifs, il n'y a rien.
18
LL statisticien est confronté au pro-
blème du choix du nombre de
classes: prendre un grand nombre
de classes rend malai'iée la lecture
du tableau ou de la représentati on
graphique, mais présen' e un maxi-
mum d'informations
ment trop, (,'ar certains phénomènes
marginaux ou M!condaires peuvent
masquer la présence d'autres plus
essentiel s); en revanche, ne retenir
que très peu de fa\'uric;e la
simplici té de la lecture du t:lblcau
ou de la repré<>entalion gmphique,
mais peut donner une vi ... ion si m-
plbte et caricatumle de la popula-
tion étudiée.
Une moyenne est définie par une
formule; convient- il d'inter-'
préter le obtenu, par
exemple, 0,9 enfant par foyer.
La plupart des calculat rices ont une
touche .i". Voir les pages calcula·
trices :':l Ia fin de cel ouvr.tge.
Dans le cas, celte formu-
le ne donne en général qu'une
valeur approchée de x.
Chap. 1 : Statistique descriptive
2. CARACTÉRISTIQUES DE POSITION
Dans le paragraphe A. , on a commencé à condenser les informations
pour les rendre plus lisibles: on est ainsi passé d' une li ste de plusieurs
dizaines. centaines. éventuellement milliers. de données à un tableau
ou à un graphique reposant sur un regroupement de celles-ci en
quelques classes.
On va synthétiser encore davantage l'information pour les caractères
quantitatifs en cherchant quelques nombres permettant de décrire au
mi eux la population observée.
La première idée concerne naturellement la « tendance centrale» de la
population; mai s cela signifie-t-il calculer une moyenne (comme pour
les notes d' un élève), chercher un nombre séparant la population en
deux parties représentant chacune 50 % de l'effectif total ou, plus sim-
plement, choisir la (ou une) classe de plus grand effectif?
Ces trois points de vue présentent de l'intérêt et conduisent à définir
des caractéristiques de position utili sées en statistique.
a. Moyenne
Définition
La moyenne de fi nombres XI' X2' ••.• X
n
est
_ XI + X2 + ... + x
n
1
x = = - x;
fi fI;= 1
Les séries stati stiques (à une variable quantitative) étudiées les années pré-
cédentes se présentent directement ou indirectement sous l'une des trois
formes suivantes:
1
er
cas: la li ste des 11 élément s XI' x2' ...• x; • .... XII'
2
e
cas: le tableau des effectifs "; des p classes Xi'
3' cas: le tableau des effectifs "i des p classes [{Ii' b
i
[ de centre
a· + b·
c.=-'--'
, 2
La moyenne arithmétique est alors obtenue à l'aide de la formule sui-
vante, le calcul étant effectué à la calculatrice:
11':r cas
t _ ,Tl + X1 + ... + X
n
. - Il
11
1
-"J
+ ...
+ II,rp
x=
"
"I CJ
+ ...
+ "/:p
x=
"
Remarques
1. Dans le deuxième cas, la population est donnée avec autant de pré-
cision que dans le premier. Au contraire, dans le troi sième cas, nous ne
connaissons pas la valeur exacte de chaque élément à l' intérieur de sa
classe [ai' b
i
[.
19
Voir le TP 3.
mvelopper la somme du premier
membre. mettre li en facleur et
regrouper les b.
Une autre propriété de la moyenne
est énoncée au début du para-
graphe 3.
Voici l'idée à retenir concernant
la médiane.
En économie, on utilise en général
des données ~ s nombreuses.
Voir l'exercice corrigé nO 3.
Aussi, dans le troisième cas, nous sommes obligés de faire des hypo-
thèses sur la population pour calculer x.
La formule donnée pour x est valable lorsque, dans chaque classe
[ai' b
j
[, tous les éléments sont concentrés au milieu Ci de la classe, mais
cette hypothèse est rarement satisfaite.
En revanche, on peut admettre plus fréquemment que, dans chaque
classe [ai' b
j
[, les Ilj éléments sont uniformément répartis; dans ce cas,
la formule donnée pour x est encore correcte.
2. Lorsqu'on parle de moyenne sans précision supplémentaire, il s'agit
de la moyenne arithmétique.
Certaines situations conduisent à la recherche d'autres moyennes
(moyenne harmonique, moyenne géométrique), mais aucune connais-
sance n'est exigible à ce sujet en section de techniciens supérieurs.
Propriété
Soit a et b des constantes réelles. Pour tous nombres réels XI' ... , Xi'
""X
II
' on a:
/1 Il
I (ax
i
+ h) = a I Xi + lib.
i= 1 i= 1
Donc, en divisant par Il : 1. I ("xi + b) = a 1. I Xi + b.
. " ( " .)
l1i=1 ni = 1
Donc: ax+b =ai + b.
b. Médiane
En économie, la moyenne arithmétique n'est pas toujours la caractéris-
tique de position la plus pertinente; il en est de même des autres
moyennes.
Par exemple, il peut être utile de déterminer le salai,re qui sépare l'en-
semble des salariés en deux parties de même effectif, .50 % ayant un
salaire inférieur et 50 % un salaire supérieur: ce salaire est appelé
salaire médian; c'est la médiane Mt de J'ensemble des salaires.
At_
50-. 50%
Exemple
Pour les salaires nets, après les prélèvements sociaux, dans les secteurs
privé et semi-public, le salaire mensuel médian en 1999 était égal à
8700 F, c'est-à-dire 1326,31 euros (d'après une étude de l'INSEE).
Remarques
1. Pour obtenir la médiane d'une population, on classe ses éléments par
ordre croissant (ou décroissant) afin de la séparer en deux parties de
même effectif.
Lorsque la population est répartie en classes, [ai' b
i
[, la médiane peut
être évaluée soit graphiquement, soit par interpolation affine à J'aide
d'un histogramme des effectifs cumulés ou des croissances cumulées
20
50 % 50
1 1
Le mot mode, masculin en statis-
tique, a pour ori gi ne le mot féminin
mode qui correspond à une tendan-
ce 4< dominante ».
En effet, celte moyenne des écarts
peUl s'écrire
=x-x
~ O .
En remplaçant x par Mf, on définit
l' écart absolu moyen paf rapport à
la médiane.
Pour A: t! = 2; poUf B: t! "" 3,7.
Chap. 1 : Statistique descriptive
en faisant l'hypothèse supplémentaire: les éléments de la classe conte-
nant la médiane sont uniformément répartis.
2. On doit distinguer la médiane Me et la moyenne x d'une population:
dans l'exemple précédent, la moyenne des salaires nets est supérieure
à la médiane Me = 8700 F, ce qui signifie que moins de SO % des sala-
ri és gagnent plus que la moyenne X, qui est environ Il 100 F, c' est-à-
dire 1676,94 euros.
Le calcul de]a moyenne fait intervenir toutes les données, ce qui n'est
pas le cas pour la détermination de la médiane.
La moyenne est sensible aux variations des valeurs extrêmes de la série
statistique, ce qui n' est pas le cas de la médiane.
3. Le mode (resp. la classe modale) est l' élément (resp. la classe) de la
population correspondant au plus grand effectif.
On notera qu'une population n'a pas toujours un mode ou une classe
modale unique.
S'il n'y a pas unicité, on peut s' interroger pour savoir s' il ne s'agît pas
d'un « mélange » de populations.
3. CARACTÉRISTIQUES DE DISPERSION
a. Exemple
Les. élèves A et B ont obtenu les notes suivantes:
7 - 8 - II - 12 - 13 - 13 - 13 pour A,
4-7-9-l2-13-l3-l9pourB.
Nous observons que les notes de A et cel1 es de B ont la même média-
ne 12, la même moyenne Il et le même mode 13, et pourtant les deux
séries de notes ne sont pas semblables: celles de B sont plus dispersées
que celles de A.
Aussi, à côté des caractéristiques de position, est-on amené à introdui-
re des caractéristiques de dispersion pour décrire une population.
Pour étudi er la dispersion des notes des élèves A et B, nous pouvons
calculer ]a moyenne des écarts entre chaque note et la moyenne Il :
1
Pour A: 7 [(7 - Il ) + (8 - Il) + ... + (13 - Il )] = O.
Il en est de même pour B.
Ce résultat est général:
ft [(x, - x) + (x
2
- x) + ... + (x,,- x)] = O.
Cela tient au fait que, dans cette somme, il y a « cOffi:pensation » entre
les termes positifs et les termes négatifs.
On peut surmonter cette difficulté en considérant une somme « voisi-
ne » dont tous les termes sont positifs; on peut y parvenir par au moins
deux procédés élémentaires : en prenant la valeur absolue ou en prenant
les carrés.
Défini/ion
L'écart absolu moyen de Il nombres x
j
par rapport à leur moyenne.i est
• = hU
x
, -xl + 1-'2 -xl + ... + lx" -xl]·
2 1
Voir le paragraphe 2.a. ci-dessus.
Cc .. résull .. ts sont 'ldmi :-..
Lü plupart des çakulatriçes don-
nent (J'.
Voir les pages calculatrkes h la fin
de cel ouvrage.
Voir la remarque 1 du paragraphe
2.a.
Voir le TP 3.
b. Variance, écart type
En règle générale, on préfère utiliser les notions de variance et d'écart
type comme caractéristiques de di spersion.
Définition
La variance est
- ,
+ (x" -
V
1"1 - .n- + ...
n
L'écart type eS! (T = VV.
-
Reprenons les notations utilisées pour le calcul de la moyenne.
1
er
cas: la population est donnée par la liste de ses 11 éléments XI' ....
. \, , .. ,x".
2
e
cas: la population est donnée par le tableau des effectifs "i des fJ
classes Xi'
3
e
cas : la population est donnée par Je tableau des effectifs "i des fJ
a, + h,
classes la" b, r de centres c, = ----z-
La variance et l'écart type sont obtenus de la façon suivante, les
calculs étant effectués à la calculatrice:
.
YoriaDceV
(x ] - :\? + ... + (x
n
-if
' ,
,
cas
v=
Xj+.T2+ ... + x;. -,
=
-
" "
Il](X] - x)2 +.
- 2 '
+ '
2
e
cas v =
. + II
p
(X
p
- x) _ " ).li + ... "J1''t:
p _ j'2
" "
lI](c]-xf +
- , , ,
3
e
cas v =
... +lI
p
<c
p
- x t_/]ci + . . + "
p
(Î, -,
- X·
"
n
Dans lous les cas, l'écarl type est (T = VV,
Remarques
1. Dans le troi sième cas, la formule donnée pour V est valable lorsque,
dans chaque classe [ai ' h
i
[, tous les éléments sont concentrés au milieu
Ci de cette classe, mai s cette hypothèse est rarement satisfaite,
En revanche, on peut admettre plus fréquemment que, dans chaque
classe [ai ' b
i
[, les l1i éléments sont uniformément réparti s; dans ce cas,
la formule donnée pour V n'est pas correcte, car elle ne prend pas en
compte la di spersion au sein de chaque classe.
2. Nous avons vu que la médiane partage une population d'effectif Il ,
ordonnée suivant les valeurs croissantes (ou décroi ssantes), en, deux
sous-populations de même effectif
Nous pouvons, de la même façon. partager une population en quatre
sous-populations de même effectif
22
E . .. . Q,
n économie. on utlhse aus". Q
comme indicateur de dispersion. r
Voir Je paragraphe 2.c.
Comparer ces à ceux obte-
nus pour la moyenne au paragr.whe
2.c.
"
4
25%
"
4
25 %
"
4
25 %
Les nombres QI' Q2 = Me. Q). sont les quartiles.
"
4
25 %
Dans l' intervalle [QI' Q) l sont situées 50 % des valeurs observées.
Le nombre Q) - QI est l' interquartile; c'est un indicateur de di sper-
sion.
Nous pouvons définir de même des déciles DI ' D
2
• ...• D9 en rempl a-
1 2 3 1 2 9 1' · ·1 1'· d - ·1
çant 4' 4' 4 par JO' JO' ... . 10 et mterquartl e par Inter eCI e
D9 - Dl· On peut également définir des centiles.
Par exempl e. en 1999. 10 % des salariés gagnaient moins de
Dl = 5720F et 90 % moins de D9 = 17000F.
• Un franc est égal à 0.15 euro.
Propriété
Étant donné des nombres réel s a et b. et Il nombres x; , on définit . pour
tout i, les nombres xi par xi = {LX; + b.
V (resp. V') étant la vari ance des Il nombres x; (resp. x;). on a
V' - G2V._o' - ...
B.SÉRIES STATISTIQUES À DEUX VARIABLES
Ce li en n'esi pas
une relation de cause à effet.
Chap. 1 : Statistique descriptive
1. TABLEAUX DE DONNÉES.
NUAGE DE POINTS
On observe que, dans certains cas, il semble exister un lien entre deux
caractères d' une population. par exempl e entre le poids et la taille d' un
nouveau-né, entre l'épaisseur d' un mur et sa résistance thermique,
entre le chiffre d'affaires et le montant des charges d' une entrepri se.
entre la consommation et la vitesse d' une voiture ...
Pour étudier d'éventuelles li aisons, on esl amené à s'Întéresser simul-
tanément à deux caractères x et y d' une même population.
On définit une série statistique à deux variables x et y prenant des
valeurs XI ' .. . , Xi' ... , X
n
et )' 1' ... , Yi' ...• Y
n
·
a. Tableaux de données
Exemple 1
Le mur d' une habitation est constitué par une paroi en béton et une
couche de polystyrène d' épai sseur vari able x (en cm).
23
Si rune des deux variables est le
temps, on peUl chercher à meure en
I!vidence une
On peUl traiter comme des sl!ries
statistiques à deux variables les
sl!ries l'hronologiques qui concer-
nent un seul caractère dont les
valeurs sont relevées à des dates
différentes (températures conWIll-
mations. valeurs du chiffre d'af-
faires .... ). Dan'> ce cas Xi peut être
le rang. d'une annl!e. d'un
semestre.
Le choix des unirl!s dl!pend des
valeurs du tableau.
On a mesuré, pour une même épaisseur de béton, la résistance Lher-
mique)' de ce mur en 01
2
oC par watt pour différentes valeurs de x.
On a obtenu les résultats suivants:

2 4 6 8 10 12 15 20
RIa
-): 0,83 1,34 1.63 2,29 2.44 2.93 4,06 4.48
Exemple 2
Pour des véhicules légers de la gamme 9 à Il chevaux des puissances
administratives, roulant en palier (ou en descente), on a relevé les
consommations moyennes et les vitesses correspondantes suivantes:

.
.
10 20 30 40 50 60 70 80 90
C .. ,.-
16,5 11.5 9,0 7,5 6,8 6,6 7,0 7,5 9,0
(eu tilOll Iab)
Exemple 3
Une entreprise fabrique et vend des lots de circuits électroniques.
Le tableau suivant indique le pourcentage y de circuits d' un lot qui ont
une panne au cours de x semestres d'utilisation:
ffIlI
1 2 3 4 5 6 7 8 9 10
Y,
0 2 4 8
"
14 17 20 23 27
b. Nuage de points
Le plan étant muni d'un repère orthogonal. nous pouvons associer au
couple (xi' Yi) de la série slatistique double le point Mi de coordonnées
Xi et Yi'
des points Mi obtenus constitue le nuage de points repré-
sentant la série statistique.
Dans l'exemple J. on obtient le nuage de la figure 9.
Résistance
en m
2O
C/W
4
3
2
1
o
24








2 4 6 8 JO 12 15 20
Éoaisseur en cm
Fig. 9
C'est-à-dire une courbe
y = ax::! + bx + c.
Chap. 1 : Statistique descriptive
Dans l'exemple 2, on obtient le nuage de la figure 10.
Consommati on en (/100 km
20

15

10
• •





5
0
10 20 30 40 50 60 70 80 90
Vile!.se en kmlh
Fig. la
Le nuage étant dessiné, on peut essayer de trouver une fonction f telle
que la courbe d'équation)' = f(x) • passe le plus près possible . des
points du nuage.
C'est le problème de l'ajustement.
Dans l'exemple 1 (figure 9), on peut penser que, en première approxi-
mation, il est possible de tracer une droite D au voisinage de ces six
points. On dit alors que l'on a un ajustement alline.
Dans l'exemple 2 (figure 10), un ajustement affine ne convient pas; on
peut penser à « approcher ,. le nuage par une parabole.
Dans le cas des exemples 1 et 2, on vient d'observer qu'il y a un lien
(en stat istique, on dit une corrélation) entre les points, donc entre leurs
coordonnées x
j
et Yi'
Ce n'est pas toujours Je cas: on trouve des nuages dont les points sont
dispersés de façon quelconque, lorsqu'il n'existe aucun lien entre Xi et
Yi; par exemple, Xi est la taille et Yi le nombre de frères et sœurs d'un
individu d'un groupe donné.
c. Point moyen
Lorsqu'on pense pouvoir réaliser un ajustement affine d'un nuage, il
peut sembler intéressant, avant de tracer la droite, de placer le point
dont l'abscisse est la moyenne des abscisses x
j
et l'ordonnée, la moyen-
ne des ordonnées Yi'
On appelle poilll .... " d'un nuage de n points Mi de coordonna,.
(Xi' Yi) le point G de coordoona,s :
- J ft _ 1 ft
Xc = X = - x· et Vc = y = - v"
1 - n""-t -,
i - 1 ;., 1
Dans l'exemple l , vérifier que le point moyen est G(9,625 ; 2,5).
25
,
Ce tracé au jugé, offre bien !'.ùr,
beaucoup de Mllutions, et le choix
d'une droite n'est pas toujours
faci le,
Pour le coefficient directeur, 011
prend la valeur approchée arrondie
à 10- '-
Arrondir à 10-
2
.
Le vérifier sur cet eltemple.
C'est le cas d'un nuage de points
allongé, à la différence d'un nuage
plutôt circulaire ou uniformément
r ~ p a r t i dans un disque.
2. AJUSTEMENT AFFINE:
MÉTHODE GRAPHIQUE
a. Ajustement à la règle
On reprend le nuage de points de l'exemple 1.
On se propose, à partir des mesures effectuées, de faire des prévisions
de résistance pour d'autres épaisseurs.
Un moyen d'y parvenir est de tracer au jugé une droite D passant le plus
près possible des points du nuage, d'équation de la forme y = wc + b,
et d'admettre que les valeurs Yi de la résistance et de l'épaisseur Xi sont
li ées par cette équation (alors, pour tout i, Yi = (lX
i
+ b).
Pour réaliser le tracé de D, on peut utiliser une règle transparente et la
disposer suivant la direction constatée, en s'efforçant d'équilibrer les
nombres de points situés de part et d'autre et d'harmoniser leur répar-
tition de part et d'autre suivant les abscisses croissantes.
On prend comme droite d'ajustemellf la droite passant par les points
A(6; 1,63) et B(12; 2,93). Vérifier qu'une équation de la droite (AB)
est y = 0,22x + 0,33.
Quelle résistance thermique peut-on espérer obtenir avec une couche
de polystyrène de 18 centimètres d'épaisseur?
b. Ajustement affine par la méthode de Mayer
Partageons le nuage de l'exemple 1 en deux nuages de quatre points
tels que 2 .. x; .. 8 pour le premier, et 10 .. x; .. 20 pour le second.
Déterminer les valeurs approchées, arrondies à 10- 2, des coordonnées
des points moyens CI et G
2
de ces deux nuages partiels.
La droite (G
I
, G
2
), ou droite de Mayer, constitue une . bonne » droi-
te d'ajustement dans le cas où le nuage est allongé.
Vérifier qu'une équation de (G
I
G
2
) est y = 0,21x + 0,47.
Reprendre la question posée à la fin du paragraphe 1.a avec l'équation
obtenue pour (G
I
G
2
).
Remarques
La droite de Mayer passe toujours par le point moyen du nuage.
3. AJUSTEMENT AFFINE:
MÉTHODE DES MOINDRES CARRÉS
a. Problème
On considère une série statistique à deux variables représentée, dans un
repère d'origine 0, par un nuage de II points Mi (Xi' Yi) paraissant jus-
tifier un ajustement affi ne.
Le problème est de déterminer quelle droite est susceptible de rempla-
cer « au mieux li) ce nuage de points.
26
On peut éwntuellement passer
directement au paragraphe d.
Voir 2.a.
Cela revient. du point de vue Mat is·
tique. à une entre
la variable statistique prenant les
valeurs Xt. x2' ... , x" et celle pre-
nant les valeurs Yj' .\'2' .... Y". puis
à chercher des constantes a el b
relies que les valeurs Y; soient
approchées • au mieux • par
cu; + b.
définition. P;M; = Y"'i - )"p;"
PjMjse lil « P;M, barre •.
YI + Y2 + ... + )'"
y= n ·.donc
Il)' = YI + )'2 + ... + Y
n
,
Pour trouver cette droite, il est nécessaire de préciser les critères utili-
sés.
b. Première condition
En s'inspirant de l'ajustement affine à la règle », il s'agit de trouver
une droite D telle que les points M; soient répartis de façon équilibrée
au-dessus et au-dessous d'elle.
Pour mesurer l'écart entre chaque point M; du nuage et une droite D,
nous pouvons privilégier l'axe des ordonnées: en notant Pi le point de
même abscisse xi que Mi et situé sur la droite D d'équation y = ax + b,
cet écart est mesuré par la différence des ordonnées de M; et 1';.
y
D
M,
Yi --------
\. = IU+ b
ax;+b --------
o
X;
X
Fig, Il
YM. - Yp'. = Yi - (ax; + b) car Yp.. = ax; + b, -"M. - Yp'. = Yi - axj - b.
1 1 , "
La répartition « équilibrée » des points Mi du nuage au-dessus et au-
n
dessous de la droite D, correspond à la P;M; = 0, c'est-à-
1=1
dire à une .: compensation» entre les écarts positifs (Mi au-dessus de
1';, donc P;M; > 0) et les écarts négatifs (M; au-dessous de P;, donc
P;M; < 0).
Il 1/
Or PM = (y - ax - b),
i= 1 1 1 ;= 1 1 1
"
.L PM· = YI - ax) - b + )'') - aX
2
- b + ". + -"n - ax" - b,
1 =) 1 , -
"
P;M; = (YI + )'2 + ... + y,.) - a (XI + x2 + ... + x,.) - /lb,
" "
fjA.l; = Il.v - anx - nb,
P,.M,. = Il (v - a.f - b).
1= )
"
La condition ljM; = 0 s'écrit alors y - ax -
b = ° car /l * 0,
c'est-à-dire y = ax + b.
Géométriquement, cela signifie que le point moyen G (x, y) du nuage
D a pour équation Y = ax + b. appartient à la droite D.
Chap. 1 : Statistique descriptive 27
· Le cas particulier de la droite paral-
lèle à l'axe des ordonnées et pas-
sant par G e!>l exclu.
Voir A. 3.a.
Voir A. 3.a.
Voir A. 3.b.
Nous ne sa ... pas li priori si une
telle droite est unique.
On garde les mêmes vecteun uni-
taires du repère.
Yu . = Yi et YI' . = aX
j
car P; appar-
tient à D. 1
lA - BJ'- = A
1
- 2AB + s1. ici
A = )jetB = aX;.
Conclusion
Étant donné un nuage de Il points Mi (Xi' Yi)' une droite D satisfait à la
"
condition 1 1) AI; = 0, où Ij est la projection de M; sur la droite D
parallèlement à l'axe des ordonnées, si, et seulement si, cette droite D
passe par le point moyen G(.x,)i) du nuage.
Remarques
1. Il Y a donc une infinité de droites satisfaisant ]a condition
n
I I)M; = o.
1= 1
n
2. Celte conclusion esl à rapprocher du résultat .I (x; - x) = 0 obtenu
1= 1
pour les séries statistiques à une variable : dans les deux cas, une
somme est nulle par compensation entre des écarts positifs et des écarts
négatifs.
3. Pour distinguer parmi les droites passant par G celle qui paraît la
+:. mieux ,. située par rapport au nuage de points, nous allons ajouter une
seconde condition et l'analogie signalée ci-dessus nous conduit à choisir,
"
soit.I P;Mi minimum, qui correspond au point de vue adopté pour
1 = 1 1/
-introduire l'écart absolu moyen, soit.I p;Mf minimum, qui corres-
1 = 1
pond au point de vue adopté pour introduire la variance.
c. Seconde condition
Cherchons, parmi les droites passant par G, celles pour lesquelles
n
.I Fj Ml est minimum.
1= 1
Changement de repère
Prenons pour nouvelle origine le point moyen G qui joue ici un rôle
essentiel et conservons les mêmes vecteurs unitaires.
Pour tout point du plan de coordonnées (x, y) dans l'ancien repère
d'origine 0, on note (X, Y) ses nouvel1es coordonnées dans le nouveau
repère d'origine G.
Soit D une droite passant par G. Dans l'ancien repère, D a pour équa-
tion y = CLX + b avec y = {ir + b.
Dans le nouveau repère, D a pour équation Y = aX car elle passe par la
nouvelle origine G (donc l'ordonnée à l'origine est nulle) et sa direc-
tion par rupport au repère est la même (donc le coefficient directeur est
conservé).
Par définition, FjM; = >ft, . - Y
p
., donc = Yi - aX
i
·
, ,
Alors PM.
2
= (y. - "X.)2 car PM
2
= PM. 2 puisque PM- = IPM- 1
1 1 1 1 J 1 1 1 1 J 1 l'
" "
Donc.I p,.Ml (li - aX.)2,
1= l ,= l '
" "
I PM
2
= I (y2 - 2"XY, + ,,2X2)
i= 1 1 1 j = 1 1 1 1 l '
28
DM; = OG +
JXj=X+Xj
lY'=Y+Yj
On !tait Je minimum d'une
foncljon.
Ici la variable est a el les nombres
Xi et tj sont des constantes.
Chap. 1 : Statistique descriptive
"
p;Ml = YT - 2aX] YI + a
2
Xf + Yi - 2aX
2
Y2 + + ...
1-1 .
+ y2 _ 2aX Y + a
2
X
2
.
... n n n n
En regroupant les termes contenant a
2
puis contenant a, puis les
autres, on obt ient:
"
FjMf = a
2
(Xr + + ... + - 2a(X
1
Y
1
+ X
2
Y
2
+ ... + X"Y")
+ Yr + + ... + y"2,
Il fi fi n
l RM
2
= a
2
l X2 - 2a l Xy + l Y,2.
i= 1 1 1 i = 1 / i= 1 Il ;= 1
"
Dans cette expression, a est l'inconnue et les trois
1= 1
{K = x· - x
1 XiV; et 1 Yi sont connus car r, = ,:. - V
1 -, -
et les nombres xi et Yi sont les données de la série statistique à deux
variables représentée par le nuage de points Mi.
On est donc amené à détermjner a pour que
1/ Il /1
(
l X
2
) a
2
- 2.I (X/
i
)" +.I Y7 soit minimum.
,= 1 1 1 = 1 1= 1
L'expression ci-dessus est un polynôme du second degré en o.
Étude d'une fonction
Soit f la fonction polynôme du second degré définie sur IR par
11 11 11
f(a) = ( l X;)a
2
- 2I (Xli) a +I Y;.
,= 1 1= 1 1= 1
f est dérivable sur IR :
" "
l'(a) = 2a .I X7 - 2.I (Xli)·
1 = 1 1= 1
"
Or.L X7 > 0 : c'est une somme de carrés et tous les Xi ne sont pas nuls.
1= 1 n
l Xy
;= 1 1 1
Donc [(a) = 0 si, et seulement si, a =
"
l X2
; = 1 1
1/
et [(a) > 0 si, et seulement si, a >
IXY
i= 1 1 1
"
l X2
i= 1 1
29
fi"/'· = Jj - (ax
j
+ b)
QjMj = x
j
- (a 'Yi + b')
L'ajustement sera d'autantmeî1leur
que les points Mi seront proches
des points Pi.
D' où l'appellation « méthode des
moindres carrés If.
Conclusion 11
Il existe une droite unique passant par G telle P;M7 soit mini-
mum : c'est la droite de coefficient directeur 1- 1
"
Cl=
l Xy
j-l "
"
l X
2
i= 1 1
Remarques
"
1. En revenant aux données statistiques x· et V" la condition 4. PM?
11 1 -1 ;=1 1 1
minimum s'écrit.4. [y. - (ClX. + b)]2 minimum.
,= 1 1 1
11 1/ 11 11
l XY = l (x - x)(y - v) l X2 = l (x - xl
;=1 II i=1 l ,. '; = 1 1 j=l'
"
2. On montre que la première condition .l PM; = 0 est satisfaite
/1 1 = 1 1
lorsque la seconde condition l PM? minimum est vérifiée,
i= 1 1 1
Ici, on a choisi une démarche très progressive permettant de mettre en
forme et de résoudre un problème de statistique en passant d'une à
deux variables statistiques et en montrant l'apport de la géométrie et de
l'analyse.
3. lei, nous avons privilégié les mesures d'écarts parallèlement à l'axe
des ordonnées. En adoptant une démarche analogue avec l'axe des abs-
cisses, on obtient de même une autre droite passant par G(x, y).
d. Droites de régression
On considère une série statistique à deux variables représentée par un
nuage justifiant un ajustemênt affine (figure 12).
y
ax,+b _______
Yi -
x
o
Xi
Fig. 12
Soit D une droite d'ajustement.
,.
G
Q
Yi - - - - - - Mi
o
,
,
,
,
,
,
Xi
a'y, + b'
D'
x
Fig. 13
Soit Mj(x;, Yj) un point du nuage. P; est le point de même abscisse Xi
que Mi situé sur la droite D d'équation y = ax + b.
On appelle droite de régression de y en x la droite D telle que la
t = t I\'· - (o.t. + h)f
i""'l " i= l " 1
somme soit minimale.
30
et y sont les moyennes ari thmé-
ti ques des séries statistiques à une
variable x et J.
[a(x)]2 est 13 variance
V = l( i x;) - (X)::! de la .-.érie
n i= 1 1
statistique à une vari"ble x.
[o{Y)1
2
est la variance
\f = l (i r;) - C,,)2 de la série
11 i= 1.
'

stalislique à une variable J.
On a arrondi a à 1.
Chap. 1 : Statistique descriptive
Dans le cas de la fi gure 13, on note Qi le point de même ordonnée Yi
que Mi' situé sur la droite d' ajustement D' d'équation x = a'y + b
'
.
On appell e droite de r égression de x en y la droite D' tell e que la
1- soit minimale.
i= l ' ,
somme
e. Covariance d'une série statistique double
La covariance de la série statistique double de caractères x et ." est le
nombre réel cov(x, y) = (xi - :i )Lvj - :V).
On note aussi cov(x, y) = U X} ..
Il existe une autre formul e, plus commode pour les calculs :
1 --
un =n
.
f. Équations des droites de régression
On montre que:
La droite de régression D de ." en x a pour équation y = ax + b
aX).
où le coefficient directeur est a = et où b vérifie: v = di + b.
[a(x)j- .
La droite D passe donc par le point moyen GCx, y) du nuage.
La droite de régression lY de x en .v a pour équation x = a'y + b'
où a' = u.t). et où b' vérifie : x = a'y + b'.
lalv)j-
La droite D ' passe donc elle aussi par le point moyen G (x, y) du nuage.
Exemple
Reprenons la série chronologique des pourcentages de circuits d' un lot
qui ont une panne. Déterminons une équati on de la droite de régression
de y en x.
- 55 - 5 5
x = W. x = • .
[a(x))2 = _ 30,25, [a(x)f = 8,25.
- 126 - 126
)' = W. y = ,.
a.
no
= - 5,5 x 12,6, a
xy
= 25.
CT.
n
·
a=3.
[a(x) ]
31
b = y - ax, b = -4.
En sections de technicien .. supé-
rieurs, les coefficients li et Il s'ob-
tiennent tt l'aide d'une calculatrice
sans aucun calcul intermédiaire.
Pour déduire y de x. on utili se la
droit e de régression de)' en x.
De même, pour déduire x de y, on
utili se la droite de régression de x
en y.
On a arrondi li tt JO- 3.
Attenlion!
D'où une équation de la droite de régression de y en x : y = 3x - 4.
En supposant que la tendance observée se poursuive, on peut alors en
déduire que le pourcentage y de circuits d'un lot qui ont une panne au
cours de douze semestres d' utili sation est 3 x 12 - 4 = 32.
Remarque
Dans ce cas, x en fonction de y n'a pas de signification concrète; on ne
cherchera pas la droite de régression de x en y, bien que le calcul soit
possible.
4. COEFFICIENT
DE CORRÉLATION LINÉAIRE
Afin d'apprécier la qualité d'un ajustement affine, nous allons intro-
duire un nouveau paramètre.
a. Définition
Le coefficient de corrélation linéaire d'une série stati stique double de
variables x et y est le nombre r défini par :
azy
r=----.
a(x) x a(,')
Exemple
Dans le cas de la série des pourcentages de circuits d'un lot qui ont une
,
panne, [a(v)]- = 76,04, donc r = 0,998.
b. Propriétés
• r est un nombre réel , qui est du même signe que cov (x, y).
O"xy
• Pui sque a ;::: ---,
[<T(X) ]-
, <T.l")'
et a =
[<T(y)f'
cov(x, y), r, a et Q' sont de même signe,
• On admet que -1"r""1.
c. Interprétation graphique
Dans tout ce paragraphe, ail Il e considère que les nuages de points
« allongés », qui incitent à ajuster par une droite.
Le coefficient de corrélat.ion r est li é aux coefficients directeurs a de D.
droite de régression de y en x, et}. de D' , droite de régression de x
en y.
Les deux droites D et D' passant par le point moyen G, r donne des
indications sur r angle des deux droites.
32
Chap. 1 : Statistique descriptive
1. Si r
2
= l , alors aa' = 1. donc a = 1"
(1
Les droites D et D' sont confondues, on dit que l'ajustement affine est
« parfai t ».
M,
r= 1
a>Oel (l'>O
2. Si Irl est proche de 1.
D
D'
Fig. 14
D
D'
r =-1
a<Oet a'<O
x
Fig. 15
Les deux droites D et D' sont « proches» l'une de J' autre ; on dit qu'il
y a une « bonne» corrélation entre les deux caractères.
o
33
r proche de - 1
a<Oeta'<O
,F
r proche de 1
a> 0 el (l' > 0
D
D'
x
Fig. 16
D'
D
Fig. 17
Par exemple, Xi et Yi peuvent mesu-
rer deux effets d'une même cause.
D' un secteur technologique à un
autre les e:ll; igences peuvent varier
pour r de 0,5 .;:;:: Irl .;:;:: 1 (dans le
bât iment ) à 0,999 .;:;:: Irl .;:;:: 1. (dans
la microtechnique, la mainte-
nance ... ) .
Remarque
1. Il existe une « bonne » (ou une « forte ») corrélation entre x et )'
lorsque Irl est suffi samment voisin de 1.
2. Ne pas confondre une forte corrélati on et une li aison de cause à effet.
3. Dans chaque secteur technologique ou économique. on choisit pour
quelles valeurs de r la corrélation est jugée suffi sante pour pouvoir
effectuer un ajustement affine par la !,11éthode des moindres carrés.
34
TRAVAUX PRATIQUES
Dalls ce qui suit tous es calculs seront e eetués
TP2
Calcul de moyenne
avec une calculatrice.
et d'écart type
if.
ÉTUDE DE SÉRIES STATISTIQUES
0311S une classe, la liste des notes obtenues à un devoir
,
de mathématiques par les élèves classés par ordre
A UNE VARIABLE
alphabétique est la s ui vante :j!; (,;j1; t;/J)r)Y)6;
TP 1 Histogramme If 1/:)-4': 1)0 ).o. 19151)4 0)i:y; 5
des fréquences cumulées croissantes
jf;,9'; I l1)!1\5;' I ,i2;1);9;j.8' , " ,
et interpolation affine
P Regrouper en classes cette série stati stique, en repro-
duisant et en complétant le tabl eau ii ui vant :
On a mesuré la durée de vie de 400 lampes produites
1 N_x,
1 1 1
dans une usine. On a obtenu les résultats s uivants:
2
Dwft de vie (en heures) Nombre de lampe." 1 E_",
[3oo.500[ 60
2° Déterminer des valeurs approchées arrondies à
[5oo,7oo[ 13.
10- 1 de la moyenne x et de l'écart type cr de cette série
[7oo,900[ IJO stati stique.
[900, 1 loo[ 70 3° Quel est le pourcentage de notes appartenant à J'in-
[1100,1 Joo[ 6
ter valle [X- - 2a , X- + 2aJ?
1
0
Déterminer le pourcentage de lampes dont la durée
4
0
Quel est le pourcentage de notes appartenant à l'in-
ter valle [x - 3a, X- + 3a]?
de vie est strictement inférieure il 700 heures.
r Déterminer le pourcentage de lampes dont la durée
de vie est !' upérieure ou ég'lle à 900 heures.
3
0
Représenter l'hi stogramme des fréquences cumulées
TP3
Exemple de populations
croissantes.
correspondant à
4
0
On suppose que, dans chaque classe, les éléments
un même tableau d'effectifs
sont répartis de manière uniforme. On peut alors rem-
Dans ct! Tp, nOli s allons ('alculer la moyenne el J'
placer l'hi stogramme par la ligne bri sée définie par le
point d'abscisse 300 et d'ordonnée a et chacun des
type de quatre populatioll s corrnpondanl à 1/11 mêmt!
sommet s supérieurs droits des rectangles.
tableau d'effectif'i. Nous obsen'uons ainsi l 'injluenct!
a) Tracer cette ligne brisée.
de la répartition des éléments de la popillalioll li /'intt -
b) On se propose de déterminer le pourcentage de
rieur de chaque classe sur la moyenne et l'écart ')ïJe.
lampes dont la durée de vie est inférieure ou égale à
On considère le tableau d'effectifs :
560 heures. Cla_ [0,8[ [8, 16[ [16, :'.[
Sail R et N les points de la li gne bri sée de coordon-
Effectif 4 4 4
nées respectives (500; 0,15) et (700; 0,485). Soit M
le point du segment [RN] d'abscisse 560. Le pour-
1
0
On suppose que, dans chaque cl asse, tous les é lé-
eentage de lampes dont la durée de vie est inférieure
ou égale fi 560 heures est l'ordonnée du point M.
ments sont situés au centre de la classe, c'est-à-dire que
Déterminer ce pourcentage.
la populati on est: 4; 4; 4; 4 ; 12 ; 12; 12; 12; 20; 20;
c) Soit P le point de coordonnées (900; 0,81) de la
20; 20.
ligne brisée. Soit / le poi nt du segment rNPJ d'or-
Calculer la moyenne X- et une valeur approchée arrondie
donnée 0,50. La médiane est l'abscisse du point /.
à IO-::! de l' écart type (J de cette première populati on.
Déterminer la valeur approchée à 10- 2 près de la
2
0
On suppose que les éléments de chaque sont
médi,:lI1e.
répartis unifor mément de la façon suivante: 1 ; 3 ; 5 ; 7;
On .dit qu'on a une i1lt('rpolo.liollllffill(,. On pourra
9; II ; 13: 15; 17; 19; 21 ; 23.
faire un agrandi:i.scment de la partie de la figure relative il.
Calculer la moyenneX-' et une valeur approchée arrondie
l'inter valle 500 700 . à 10- 2 de l'écart t a' de cette deuxième a ulation. 1 ype p p
Chap. 1 : Statistique descriptive 35
3° On suppose que les éléments de chaque classe sont 3° On .1 établ i par ai lleurs que, lorsque la moyenne de
répar ti s de la f a ~ o n suivante: 2; 2; 6; 6; ID; ID; 14; la cole dans l'échantill on est m, toutes les pièces pro-
14 : 18: 18: 22; 22. duites ont une cote dans l'intervalle [m - d; III + d]
Calculer la moyenne X
U
et une valeur approchée arrondie
avec d = 0,10 mm.
à 10- 2 de l'écart type a" de cette troisième population. a) Tracer dans le repère les droites d'équation
Comparer X, x',:t" d'une part et (1, (1', (1" d'autre part. Y=(Lt'+b+d et y = lIX + b - d.
4° On suppose que, dans ch.\que classe. tous les élé- b) En dédui re le moment (arrondi en heures et
ment s sont situés d'un même côté et le plus loin pos- dixièmes d'heure) à partir duquel la production
sible du centre de la classe, c'est-à-dire que la popula- risque de comporter des pièces dont la cote ne se
tion est: 0; 0; 0; 0: 8; 8; 8; 8: 16; 16; 16; 16. situe plus dans l'intervalle [51.8; 52,S].
Calculer la moyenne x'" et une valeur approchée arron-
die à 10- 2 de l' écart type a'" de cette quatrième popu-
Exemple d'ajustement affine
lation. Pouvait-on prévoir les valeurs de i'" et (1'''?
TP5
par une méthode graphique,
EXEMPLES DE SÉRIES
par la méthode des moindres carrés
et de problème d'optimisation
STATISTIQUES À DEUX
La société de Werloing a mis au point un nouveau
VARIABLES
matériel destiné aux PME de logi stique et mène une
enquête dans la région de Provence-Alpes-Côte d'Azur
TP4
Exemple d'ajustement affine
auprès de cinq cents entreprises aptes à recevoir ce
par la méthode de Mayer
matériel , pour déterminer à quel prix chacune de ces
ent reprises accepterait d'acquérir ce nouveau matériel.
On fabrique en grande séri e une pi èce dont une cote,
Les résultats sont consignés dans le tableau ci-après.
exprimée en mm, doit se trouver dans l'intervalle de
tolérance l5 1,8; 52,8]. En cours de fabrication, on pré-
Pri.propoof Nomin d'mtrqJri ...
lève tous les quarts d'heure un échantillon pour lequel
(en CUtOI) ; .. , cIiJpoo6es l_
on calcule la valeur moyenne de celle cote. Le tableau
1e_llœpri.:y,
suivant donne les résultats des deux premières heures
40000 60
de fonctionnement:
36000 70
32000 130
Durft x
j
(en hcurn) 0,25 0,5 0,75 1
28000 210
Moyenne Yi (en mm) 52,12 52,16 52,24 52,28 24000 240
20000 340
Dur« Xi (en heures) 1,25 1,5 1,75 2
16000 390
Moyenne 'i (cn mm)
52,32 52,37 52,44 52,47 12000 420
10 ()()() 440
La durée de fonctionnement est exprimée en heures et
8000 500
centièmes d'heure.
1° Dessiner le nuage de points associé à ce tableau: on
1° a) Représenter le nuage de points Mi(.l ;, Yi)'
prendra un repère ort hogonal où une heure est repré-
b) Uti liser la méthode de Mayer pour déterminer
sentée en abscisse par 4 cm et 0, 1 mm est représenté en
une équation d'une droite d'aj ustement â
l
de la
ordonnée par J CIn.
forme y = IIlX + p. Les coefficients III et p seront
On représentera la parti e du plan définie par:
donnés par leur valeur décimale approl'hée arrondi e
respectivement à 10-
4
et à 10- 1. Tracer â
l
sur le
0:S=x:s=4 et 51,8:S= y ~ 52,8.
graphique.
2° Déterminer les valeurs exactes:
2° Déterminer une valeur approchée arrondie à 10- 3
a) des coordonnées des points moyens Giet G
2
des
du coefficient de corrélation linéaire.
sous-nuages constitués des quatre premiers points et
3° Déterminer une équation de la forme y = ax + h de
des quatre derniers;
la droite de régress ion â
2
de y par rapport à .\' par la
b) des coefficients a et b de l'équation y = ax + b
méthode des moindres carrés. Les coefficients a et b
de la droite (G
j
G
2
).
seront donnés par leur valeur approchée arrondie
36
respectivement à 10- 4 et :l 10- 1. Tracer .6.
2
sur le gra-
d) En admettant que l'évolution constatée se pour-
phique.
sui ve les années suivantes, utiliser la relation obte-
4
0
Les frais de conception du matériel se sont élevés à
nue au c) pour estimer le nombre de passagers tr:.i.ns-
500000 euros, les frais variables par matériel vendu
portés au cours de l' année de fi1ng 7.
sont supposés négligeables.
a) Déduire de l'ajustement par la méthode des
TP7
Exemple d'utilisation
moindres carrés l'expre:-..sion du bénéfice théorique
d'un lissage par la méthode
réalisé en fonction du pri x choisi x et calculer la
valeur de x per mettant d'obtenir le bénéfice théo-
des moyennes mobiles
rique maximal. Quel est ce bénéfice?
avant ajustement affine
h) À partir des résultat s de l'enquête, et sans utili ser
Les chiffres d'affaires trimestriel s, pour les douze der-
de droite d'ajustement, déterminer, parmi la gamme
des prix proposés, celui qui permettra de réaliser le
niers trimestres, d'une entreprise fabriquant du matériel
bénéfice maximal.
informatique sont donnés dans le tableau suivant:
IWI&du_: CIIilbd'_
TP 6
Exemple d'ajustement
x,
(en millions d'.....,.> :"
se ramenant à un ajustement affine
1 300
Dans cette activité, tous les résultats seront 2 450
dOl/lib {XIr leur \'aleur approcl!ü armlldie à
3 130
10-
3
, obtenue avec /Ill e calcula/rice.
4 200
L' étude, durant les cinq dernières années, du nombre de 5 280
passagers transportés annuellement sur une ligne
6 410
aérienne a conduit au tableau suivant:
7 200
Nombre de passaaers : Pi
8 250
1 7550
9 320
2 9235
10 500
3 10741
11 2JO
4 12837
12 250
1
0
Représenter graphiquement le nuage de point s
5 15655
Mj (x
j
, Yi) dans le plan muni d'un repère orthogonal. On
] 0 On pose Yi = ln Pi où ln désigne le logarithme népé-
prendra pour unités 1 cm sur l'axe des abscisses et 2 cm
rien.
pour 100 millions d'euros sur l'axe des ordonnées.
a) Compléter après l'avoir reproduit le tableau sui-
r a) Le nuage obtenu au 1
0
présente des écarts à peu
vant :
près réguliers de part et d'autre d'une droite d'ajus-
1 1 1 1
tement tracée au jugé. On effectue souvent dans ce
x, 1
'"
cas un lissage du nuage en remplaçant les points par
8,929
des points moyens.
"
.. ,
On peut utili ser la méthode des moyennes mobiles
en remplaçant la série stati stique précédente par la
b) Représenter le nuage de point s MJx;, y) dans un
série des moyennes mobiles des ventes obtenue en
calculant les moyennes sur quatre trimestres consé-
repère orthogonal du plan. Peut-on envisager un
cutifs et en les attribuant au quatrième trimestre.
ajustement affine de ce nuage?
Établir la série des moyennes mobiles de l'entre-
2
0
a) Déterminer par la méthode des moindres carrés
prise de matériel informatique en complétant, après
une équation de la droite de régression D de y en x.
ravoir reproduit, le tableau suivant:
b) Déterminer le coefficient de corrélati on rentre
les deux variables y et x. Le résultat obtenu confir-
Rang du trimestre: .r, 4 5
me-t-ill'observation faite au l Ob)?
ChiIfT< d'affai ...
c) Déduire du a) une expression de p en fonction
(en miUions d'cufOl) : ; 270 265
dex.
Chap. 1 : Statistique descriptive 37
b) Représenter .s ur la figure du 1° le nuage de points On construira sur le même dessin les différentes repré-
Nj(x
j
, ':j)' Le.s irrégularités du nuage des points sentations graphiques demandées dans çe problème.
ont été atténuées.
1
Ulili!.er deux conventions différentes pour repré!'oenter les
points Mi et Ni' par exemple. et • .
3° On considère la série des chiffres d'affaires obtenus
après li ssage il la question 2°a).
a) Déterminer la valeur approchée arrondie à 10-
2
du coefficient de corrélation linéaire de la série sta-
tistique double de variables x et .:.
b) Déterminer p;,tr la méthode des moindres carrés
une équation de la droite de régression D de .z en x.
On donnera une équation de la forme.: = ax + b
dans hlquelle a est une valeur approchée arrondie à
1O-::! et b une valeur apprO<.'hée arrondie à une unité
près.
c) On admet que la tendance observée pendant les
trimestre!:> de rang 4 à 12 se poursuit. Donner le
chiffre d'affaires prévisionnel pour les trime!:>lres de
rangs 13 et 14.
TPB
Exemple d'exercice de BTS
avec un ajustement affine
Le tableau donne l'évolution de la popula-
tion d'une ville moyenne au cours des 5 dernières
années:
-
1996 1997 1998 1999 2000
Rq:zi 0 1 2 3 4
_d'_
58 59.Q.l
( .. milllm): Z,
59.88 60,55 61.1
,,=:,-58 0 1.04 1.88 2,55 3, 1
A. 1 °Représenter le nuage de points as.';,ocié à la série
.';,tatistique (x
j
• Yj)'
2° a) Déterminer à 10-
3
près, avec une calculatrice,
une valeur approchée du coeffident de corrélation
linéaire de la série (x
j
' Yi)' Expliquer pourquoi un
ajustement affine !:>emble justifié ici.
b) Déterminer une équation de la droite.6., droite de
régression de y en x. On donnera une équation de la
forme y = (u: + h dans laquelle li et b seront arron-
di s à 10-
3
. Construire la droite!l.
e) Calculer une estimation de la popuhltion de cette
ville pour l'année 2002.
3° On appelle taux annuel de croissance pour l'année Il,
le pourcentage d'accroissement de la population entre
J'année 11 et J'année 1/ + 1. Calculer, en arrondissant à
1O-::!, les taux annuels de croissance pour 1996, 1997,
1998 et 1999.
B. Soit f la fonction définie sur [0, + col par
f(x) = 5,3 ( 1 - eX '0 0.8).
On admet désor mai s qlle, pour x entier, f(x) + 58
représente la population en milliers d'habitants pour
l'année 1995 + x.
1° a) Calculer !'(x) pour tout x de {O, + !:C. (. Démontrer
que, pour tout x de [0, + oc[, j'lx) > O.
h) Calculer lim f(x).
x-+ + oc
En déduire l'existence d'une asymptote D à la
courbe C représentant la fonction f dont on donne-
ra une équation.
c) Établir Je tableau de variation de f.
d) Construire la courbe C et la droite D sur le dessin
du A.
r a) Commenter la façon selon laquelle évolue la
Le plan est muni d'un repère orthonormal (0; T, J) population de la ville avec le modèle du B.
d'unités graphiques: 2.5 cm pour une unité en abscisse b) Donner une estimation de la population pour
et 2,5 cm pour 1 millier d'habitant s en ordonnée. 2002 à 10 habitants près.
38
EXERCICES CORRIGÉS
DES OBJECTIFS
N .............
0· La production de "atelier: histogramme
..........
Dans un atelier, la production de certaines pièces pen-
Regrouper en C1a5SCS une série Màti:o;lique à 1 à 3
danl les 20 jours de travail d'un mois donné a été la sui-
une \'ariable. ,
vanle:
Réaliser un diagramme Mali:-.tique. là6
520; 450; 460; 485; 510; 450; 405; 460; 499; 380;
le tableau des à partir 3
398 ; 455 ; 385 ; 409 ; 390 ; 424 ; 459 ; 407 ; 41 0 ; 428.
d'un histogramme.
1° Regrouper t'es données en dasses d'amplitude 25 en
DétermÎner la méùiane d'une

6 commençant par la classe l375, 400l.
Déterminer la moyenne d"une série
On complétera le tableau suivant après l'avoir reproduit.

4 et 5
NOIIlbr<
Déterminer l'écart type d'une série
de pi«es produi ...
[375.400[

4 et 5
Repr6enter une !>érie statistique à deux Effectif 4
yariablc". 7à II
un affine par la méthode
r Construire l'hi stogramme correspondant.
de Mayer.
7
un ajustement affine par la méthode
8 à II [TI. Résistance mécanique d'un béton
des moindres
Utilher un ajustement affine pour trouver un
9
Lors de la réalisation d'un tronçon de l'autoroute A4,
maximum. pour contrôler la qualité du béton utilisé dans la
Réaliser un ajuo;tement qui se r.lmène i),
la et Il
construction de la chaussée, on il mesuré, en mégapas-
un ajustement affine. cals, la résistance à la compression d'un échanti ll on de
200 prélèvements, 7 jours après leur fabrication.
On trouve, dans la noti œ publiée après la fin du chan-
DailS ce qui suit, tOitS les calculs statistiques
tier, l'histogramme des fréquences suivant.
seront effectués avec une calculatrice.
Fréquence
Étude de séries statist iques à une variable
(%)
25
;-
Diagrammt's statistiqut's
20 r-
QJ .$ Les bons de commande:
Fig. 19
diagramme en bâlons
15
r-
La série stati stique sui vante donne le nombre de bons
-
de commande enregistrés chaque jour par une entre-
prise pendant un mois: 30; 26; 26; 32; 31; 29; 27;
10
27; 28; 30; 31; 27; 29; 30; 28; 26; 26; 32; 31; 30.
1
0
Regrouper en classes cette série en remplissant, 5
après l'avoir reprodu it , le tableau sui vant où les
n-n
nombres Xi sont des nombres entiers consécutifs.
0
25 35 45 55 65 75
Résistance
Nombre
26 27
à la compres!.ion (MPa)
de comlDalldea ; XI
Effectifs ";
(nombre de joun
4
) 0 En effectuant des mesures sur la figure, constru ire le
00 on a
... ...
Xi COJIllIl8Ildes)
tableau des classes et des effectifs.
r Déterminer le pourcentage des prélèvements dont la
2° Construire le diagramme en bâtons correspondant. résistance est strictement inférieure à 35 MPa.
Ch.p. 1 : Statistique descriptive 39
i
1
1
1
1
1
1
1
1
1
1
1
1
CilleUJo\" dt' moyenne et d'kart ('Ile
[!] .. Les notes des étudiants
Les 31 étudiants d'une section de techniciens supé-
rieurs ont obtenu les notes suivantes à un devoir de
mathématiques:
I;:rl
7
1
8
1
9
1
10
1
Il
1
12
1
14
1
1 5 4 12 5 3 1
1
0
Construire le diagramme en bâtons obtenu en pla-
çant en abscisse xi et en ordonnée "i' Construire le po-
lygone des effectifs.
r Faire une représentation en bâtons des effectifs
cumulés croissants.
3° Déterminer les valeurs approchées arrondies à 10- 2
de la moyenne et de l'écart type de cette série slatis-
tique.
0" Longueurs de tiges d'acier
On a mesuré les longueurs en millimètres d'un échan-
tillon de 100 tiges d'acie,r à la sortie d'une machine
automatique. On a trouvé les résult:.lts suivants:
Longueurs (cn mm)
[120.125[ 10
[125.130[ 20
[130.135[ 38
[l35.140[ 25
[140. 145[ 7
1
0
Construire l'hi stogramme des effectifs.
2
0
On suppose que les tiges sont défectueuses si leur
longueur est strictement inférieure à 125 mm ou supé-
rieure ou égale à 140 mm.
Quel est le pourcentage de pièces :.lcceptables '!
3° On suppose que, dans chaque classe, tous les élé-
ments sonl situés au centre.
Calculer la moyenne et la ,,<lIeur approchée décimale
arrondie à 10-
2
de l'écart type de celte série stati stique
ainsi dHinie.
n Détermination de la médiane
par interpolation affine
Une mai son d'édition confie la frappe de ses manus-
crits à une entreprise extérieure spécialisée dans la sai-
sie informatique. Cene entreprise effectue une « pre-
mière saisie li- du manuscri t qui est envoyée à l'auteur
pour correction des fautes de fr:.lppe. On s' intéresse à la
population conslituée d' un grand nombre de parties,
toutes du même nombre de signes, de la « première sai-
sie )t du document.
40
De cette population, on extrait un échantillon de 315
parties et on compte sur chacune d'elles le nombre de
fautes de frappe. On a obtenu les résultats suivants, les
pourcentages étant arrondis:
NOIIIIR de fou ... de NOIIIIRdeporda( .... j
[75.80[ 5
[80.85[ 10
[85.90[ 20
[90.95[ 36
[95.100[ 15
[100.105[ 8
[105. IIO! 6
1
0
Construire l'histogramme des fréquences de cette
série statistique.
2° En utilisant les fréquences cumulées croissantes, tra-
cer le polygone des fréquences cumulées croiss:.lntes.
3° Déterminer la médiane.
En admenant que la répartition de l'effectif est uni-
forme à l'i ntérieur de chaque classe, déterminer la
médianeM.
Que représente M?
Exemple d'études de séries statistiques
à deux variables
E.umple d'utilisation la Mayu
o H Contrôle de qualité
Une machine-outil produit automatiquement des pièces
cylindriques. Réglée initialement pour un diamètre de
8 mm, elle se dérègle en cours Le but de
l'exercice est de déterminer le nombre de pièces que J'on
pourra produire avant que leur diamètre n'atteigne
8,1 mm. Afin de contrôler la fabrication et de procéder
aux réglages éventuellement nécessaires, on le
diamètre de la dernière pièce dans chaque série de dix
pièces produites. Les résultats obtenus sont les !' uivants :
N_ de la pi«e : x, 10 20 30 40 50
Diatn!mo ( .. mm)
de la pi«:e : Y,
8.00 8.00 8.01 8.01 8.02
N_ de la pi«e : x, 60 70 80 90 100
Diatn!mo ( .. mm)
de la pK:ce : '1
8.03 8.03 8.().l 8.05 8.06
1 ° Représenter le nuage de points Mi (.l'j, Yj) associé à la
série statistique précédente dans le plan muni d'un
repère orthogonal.
On prendra pour origi ne le point de coordonnées (0, 8),
pour unité, 1 cm pour dix pièces en abscisses et 1 cm
pour 0,01 mm en ordonnées.
2° Calculer les coordonnées du .point moyen G du
nuage. Placer le point G sur la figure.
3° a) Calculer les coordonnées du point moyen Cl
associé aux points du nuage ayant les cinq plus
petites abscisses et les coordonnées du point moyen
G
2
associé aux cinq autres points du nuage.
h) On prend la droite (G
I
G
2
) comme droite d'ajuste-
ment. La trace.r.
c) Déterminer une équation de (G
1
G
2
) sous la forme
y = ax + b.
4° Les pièces produites doivent avoir un diamètre de
8 mm, avec une tolérance de 0,1 mm. Déterminer gra-
phiquement le nombre de pièces que l'on pourra pro-
duire avant que le diamètre n'atteigne la valeur de
8,1 mm, puis calculer ce nombre à l'aide de l'équation
trouvée au 3° cl. (On arrondira à l'entier le plus
proche.)
Exemples d'utilisation de la des
cards
[!] oH Des essais en laboratoire
Le tableau suivant donne les résuhats obtenus à partir
de 10 essais de laboratoire concernant la charge de rup-
ture d'un acier en fonction de sa teneur en carbone.
Teneur en carbone : Xi
Charge de rupture
(en kg): ,Vi
Teneur en carbone: Xi
Charge de rupture
(en kg): Yi
70
87
64
80
60
71
62
75
68 64 66
79 74 79
70 74 62
86 95 70
1 °Représenter graphiquement le nuage de points de
coordonnées (xi' J).
On prendra en abscisse 1 cm pour une llnité en repré-
sentant les abscisses à partir de la valeur 60.
On prendra en ordonnées 1 cm pour 2 kg, en représen-
tant les ordonnées à partir de 70.
r Calculer les coordonnées du point moyen de ce
nuage.
3° Déterminer la valeur approchée arrondie à 10- 3 du
coefficient de corrélation linéaire de la série stati stique
de variables x et y.
lnterpréter le résultat.
Chap. 1 : Statistique descriptive 41
4° Déterminer une équation de la forme y = lL\" + b de
la droite D de régression de )' en x par la méthode des
moindres carrés. On donnera les valeurs approchées
des coefficients a et b à 10- 3 près.
Tracer la droite D sur le graphique du 1°.
5° Un acier a une teneur en carbone de 77. Donner une
estimation de sa charge de rupture.
[!] >tu Le prix de vente d'une machine
Le tableau suivant indique le prix de vente en euros
d'une machine et le nombre d'exemplaires vendus les
quatre dernières années.
Rang de l'..w. 1 2 3 4
Prix de vente
(en euros) : Xi
2000 1400 1800 2500
Nombre d'eumplaires
198 240 222 160
vendus: 'i
1 °Représenter le nuage des points Mi de coordonnées
(Xi' Yi) dans le plan muni d'un repère orthogonal. On
prendra pour origine du repère le point de coordonnées
(J 400,160), pour unité, 1 cm pour 100 euros sur l'axe
des abscisses et 1 cm pour 10 unités sur l'axe des ordon-
nées. Vérifier qu'un ajustement affine paraît justifié.
2° Déterminer les coordonnées du point moyen G du
nuage. Le placer sur la figure.
3° a) Déterminer une équation de la droite D de régres-
sion de )' en x par la méthode des moindres carrés.
Les coefficients seront arrondis à 10- 3.
b) Construire cette droite de régression sur le gra-
phique du 1°.
4° En quelle année a-t-on eu le chiffre d' affaires le plus
élevé? Quel est ce chiffre d'affaires?
5° On suppose maintenant que, chaque année, le
nombre d'exemplaires vendus y et le prix de vente x
suivent la relation: y = - O,OSx + 349.
On note S(x) le chiffre d'affaires réal isé en vendant y
machines valant chacune x curos.
a) Exprimer S(x) en fonction de x.
b) Étudier les variations de la fonction S définie sur
li 400, 2500] par x .... S(x).
c) En déduire le prix de vente d'une machine J'année
de rang 5 si l'on veut que la somme encaissée S(x)
soit maximale. Quel sera le nombre d'exemplaires
vendus, à une unité près? Quelle sera alors la
somme encaissée?
1
1
1
1
1
1
1
1
1
1
1
1
Il
Exemples d'ajustements se ramenant
à un ajustement affine
[!:!lu.* Consommation d'une voilure
La consommation d'une voiture,::. est donnée en fonc-
tion de sa vitesse, x, par le tableau suivant:
x (en kmIh) 80 90 100 110 120
, (en li....,100 km) 4 5 6,5 8 10
] 0 La consommation est-elle proportionnelle ù la vi-
tesse? Justifier rapidement votre réponse.
r Compléte.r le tableau ci-dessus, après l'avoir repro-
duit, par une ligne: y = ln:: dont on donnera les valeurs
approchées à 6 décimales (les meilleures possibles).
3° Dans un repère d'origine 0 ('\"0 = 70;)'0 = 1,30), en
prenant comme unités 1 cm pour 10 km/h en abscisse
et 1 cm pour 0,10 en ordonnée, représenter le nuage de
5 points (x, y = ln ::).
4° Indiquer l'équation d'une droite d'ajustement pour
les cinq points de coordonnées (x, y) du nuage, par la
méthode des moindres carrés. Donner celle équation
sous la forme y = Ax + B, avec les valeurs approchées
de A et B (les meilleures possibles) à 3 décimales obte-
nues à la calculatrice.
50 Estimer y pour une vitesse de 140 km/h.
Estimer la consommation aux 100 km pour cette vi-
tesse de 140 kmlh, à 0,5 e près, comme dans le tableau
initialement donné.
[!!] ••• Un problème d'électricité
Au cours d'une expérience de physique, on a mesuré
les variations de l'intensité 1 d'un courant, en milliam-
pères, dans un circuit quand on a augmenté la ten-
42
sion U, en volts, aux bornes d'une lampe. Les résultats
de cette étude expérimentale figurent dans le tableau
suivant:
36 51 81 100 132
Tension (en volts) : U 0,1 0,2 0,5 0,8 1,5
(en mA) : 1 155 175 200 222 250
Tension (en voIII) : U 2 2,5 J 4 5
1
0
Représenter dans un repère orthogonal le nuage de
points de coordonnées (l, U) associé à cette série
statistique double.
2
0
On se propose de réaliser un ajustement du nuage
précédent par une courbe d'équation de la forme
U = KI".
a) On pose x = ln 1 et y = ln U.
Dresser le tableau des valeurs prises par les deux
variables x et y. On fera figurer les valeurs appro-
chées arrondies à 10- 2.
b) Représenter dans un second repère orthogonal le
nuage de points de coordonnées (x, y).
c) Déterminer la valeur approchée arrondie à 10- 3
du coefficient de corrélation linéaire r de la série sta-
tistique de variables x et y. Peut-on envisager un
ajustement affine de ce second nuage?
d) Déterminer une équation de la droite de régres-
sion de y en x par la méthode des moindres carrés.
On donnera des valeurs approchées arrondies à
10- 2 des coefficients. Tracer cette droite dans le
second repère.
e) Déduire du d) une expression de U en fonction de
1 de la forme U = Kl
a
.
1) Quelle valeur peut-on prévoir pour la tension pour
une intensité de 270 mA?
On donnera le résultat arrondi à 10- 1.)
EXERCICES NON CORRIGÉS
Études de séries statistiques à une variable
*H Tant qu'on a la santé
(!Il diagrammes statistiques
Une étude a été faile sur la concentmtion en hémoglo-
• Diagramme en bâtons
bine du sang des femmes. On considère que la concen-
tration en hémoglobine du sang d'une femme c.n bonne
On considère un lot de barres de métal, la sortie d'une
e ... t comprÎ'ie entre 13,2 g/IOO ml el 15,4 gl lOO ml
machine. On effectue une série de 30 mesures de 1011-
ou égale à l'une ou l'autre de ces deux valeurs.
gueur et on obtient les résultats suivants, en centimètres: On a relevé sur un échanti ll on de 100 femmes les résul-
92,3 92,6 92,3 92,6 92,4 92,5
lUIS !luivants :
92,5 92,7 92,5 92,2 92,8 92, 1
CclŒaibalion CIl
I!ft'ectif's
92,4 92,3 92.6 92,5 92,1 92,4 <11100 ml)
92,8 92,1 92,3 92,4 92,2 92,3
[S,7[ 1
92,2 92,4 92,7 92,3 92,5 92,2
[7. 5
1
0
Regrouper celle série en classes en remplissant Je f9.11[ 10
tableau suivant où les nombres Xi sont les différentes [II,13[ 18
longueurs placées par ordre croissant et les nombres Il
i
,
f13.151 25
les effectifs correspondants.
115,17[ 31

1
1
1 1 1
[17.191 H
92.1 ..
[19.21[ 2
3
: Effectif: n, :
Construire l'histogramme des effect ifs cumulés crois-
2° Construire le diagramme en bâtons correspondant en
sants. Si, dans chaque classe, les éléments J.Qnt répanis
de manière uniforme, quelle li gne brisée peut rempla-
plaçant les valeurs de Xi en abscisse et les valeurs de ";
cer cet histogramme?
en ordonnée.
• On pourra se reporler au 1'1'1.
En dédu ire dans ce cas le nombre de femmes de
•• b.emple d'interpolation affine
l'échantillon qui sont en bonne santé.
Lors d'un contrôle de fabrication, les masses exprimées
• Le budget de l'entreprise, le diagramme en
en grammes de 41 exemplaires d'une séri e de pièces
camembert et le diagramme en tuyaux d'orgue
usinées sont classées de la manière su ivante:
Le graphique en tuyaux d'orgue de la figure donne les
MaSIC (en gratnnte!l) Effectif ni
principales dépenses annuelles d'une entreprise. Les
[194.5: 196,5[ 3 sommes sont en milliers d'euros.
[196.5: 198,5[ 7
Dépenses
[198,5: 200,5[ 14
(en milliers d'euros)
[200.5: 202.5[ Il
120000 ,--
[202.5: 204,51 6
100 000
1° Construire ]' hislOgr,unme des effect ifs cumulés
80000
croissants.
60000
-
2° Si, dans chaque classe, les éléments sont répart is de
manière uniforme, quelle ligne brisée peUl rempJ.acer 40 ()()() -
cet histogramme?
0
20000
• On peut :"e reporler :lU TPI.
0
3° En déduire une valeur approchée du nombre de





pièces dont les masses sont inférieures ou égales à
, '$'''''"6 <'$'
201 grammes.
Fi ,19 g
Ch.p, 1 : Statislique descriptive 43
r À l'aide du graphique remplir, après l'avoir repro-
Diamkre en mm : xi
Effectif : ".
duit, le tableau suivant.
80.36 23
Nanu. Montant Pourcentage
80,37 19
de la <k!pen"" (en milliers de l'ensemble
d'euros) de& <k!penaea
80,38 21
Salaires
80,39 12
Fràî s de
80,40 10
fonctionnement 80,41 10
Rembourse.ment 80.42 5
d'emprunts
Impôts
Soit cr l'écart Iype de ceUe série statistique.
Total 100 %
On admet qu'un réglage de la machine s'impose dès
que cr> 0,13. Faut-il régler la machine?
2° À l'aide des résultats obtenus au 1° compléter après
.. Les résultats de l'examen J'avoir reproduit le diagramme à secteurs circulaires de
la figure. C
Lors de la dernière session d'un examen, on a pris un
échantillon de trente copies parmi celles des candidats
aux épreuves n
05
1,2 et 3.
Les résultats figurent dans le tableau ci-après.
50 {f
Nole sur 20
BII'Icdf cleo CIlIpÏIJ
ap...ve 1 a,.... ... 2 a,.... .. 3
Fig. 20
5 0 3 0
6 6 0 0
1 Chaque dépense correspond à un secteue c;,cula;'e do",
7 5 5 2
l'angle (ou raire) est proportionnel(le)?t l'effectif, donc au
8 8 0 1
pourcentage obtenu au r. Par exemple, les salaires repré-
9 1 8 6
sentant 50 % des dépenses. on leur un secteur dont
10 3 0 3
raire est la moitié de celle du disque.
Il 0 3 5
12 2 4 0
13 0 0 2
* La décomposition du prix du sans-plomb 95 14 1 1 6
en 2000 15 2 4 3
En septembre 2000, pour un litre de « sans-plomb 95 »
16 2 2 2
vendu à la pompe 7,27 F, la TVA représe.ntait 1,19 F,la
Déterminer, pour chacune des épreuves, des valeurs
taxe pour l'Institut français du pétrole, 0,02 F, la TIPP
approchées arrondies à 10- 2 de la moyenne el de
(taxe intérieure sur les produits pétroliers), 3,85 F, le
l'écart type des notes.
transport et la rémunération des stati ons service,
Quelle est l'épreuve qui a été le réussie? Quelle
0,50 F, le coût du raffinage, 0,51 F, le prix du pétrole
est celle dont les résultats ont été les plus homogènes?
extrait 1,20 F.
1° Déterminer le pourcentage des taxes sur le prix de
[!!] * Productique vente à la pompe d'un litre de sans-plomb 95.
2° Représenter cette situati on par un diagramme circu-
On a relevé le diamètre en millimètres de 20 pièces usi-
laire.
nées. Les résultats figurent dans le tableau suivant.
• Un franc vaut 0.15 euro.
.. mm) Ell'edif
Di rerminarioll de moyenne et d'écart type
[34.93; 34,95[ 2
(exercices 17 à 21)
[34.95; 34.97[ 0
ct
• Le bon réglage
[34,97; 34,99[ 2
134.99; 35,01[ 6
On mesure en millimètres le diamètre de 100 pièces
135,01; 35.03[ 7
pri ses au hasard dans la production d'une machine; on
[35,03; 35,051 2
obtient les résultats suivants:
[35,05; 35.07[ 1
44
1
0
Représenter l'histogramme des effectifs. 1
0
a) Calculer les moyennes ml et 111
2
des salaires res·
r Déterminer des valeurs approchées arrondies à
pectivement dans les deux sociétés.
10-
2
de la moyenne x et de l'écart type 0- de la série b) Calculer les moyennes ml et 1112 des salai res des
statistique, en supposant que, dans chaque classe, tous employés respectivement dans les deux
les éléments sont si tués au centre.
e) Calculer les moyennes mi' el rI/!i. des salaires des
cadres respectivement dans les deux sociétés.
• Productique (suite)
2
0
Donner, pour chaque entreprise, le pourcentage de
cadres parmi les salariés.
Une presse produit des tiges cylindriques. Une lige
] 0 Le PDG de la F/MAC dit à celui de la FIAAM :
jugée acceptable si sa longueur, exprimée en centi-
.. Mes salariés sont mieux payés que les vôtres. )t
mètres, appartient i\ l'inter valle [4,95; 5,05]. De la pro-
« Faux, répond ce dernier, mes employés sont mieux
duction on prélève un échant illon de 50 tiges dont on
payés et mes cadres également. )Do Lequel a raison?

mesure les longueurs. On obt ient les résultats suivants
où 'I
j
désigne le nombre de tiges de longueur lj'
l, 4.90 4,92 4.95 4.98 4.99 5.00
.... Contrôle de qualité dans les tra\'au>. publics
",
2 1 5 7 7 9
l, 5.01 5.02 5.04 5,07 5,10
Suivant l'usage pour lequel ils sont fabriqués (cloi son
".L
7 6 3 2 1
de bâtiments, chaussée d'autoroutes ... ), les bétons doi·
1
0
Calculer les valeurs approchées arrondies à 10- 3 de
vent avoir une plus ou moins grande résistance à la
compression 28 jours après leur fabrication.
la moyenne el de l'écart type de celte série statistique.
Celle résistance au bout de 28 jours, exprimée en méga·
2
0
Dans cet échantillon, quel est le pourcentage de tiges
pascals (MPa), est notée f':2S'
acceptables?
Une cÎrculaire ministérielle fixe les critères de confor·
mité. Lorsque l'effectif II de J'échantillon des prélève.
<>'
.... L'effet de structure
ments effectués pour contrôler la fabrication est supé-
rieur ou égal à 15, les conditions suivantes doivent être
Dans les sociétés FJAAM el F/MAC, les salari és sont remplies:
classés en deux catégories : employés et cadres. Là
r -1,2<1 "'1'28
si fC'2.8> 25 MPa
répartition des salari és en fonction de leur catégorie
x - 0,850-;::: I
c28
si f
c28
25 MPa
professionnelle el de leur salaire annuel S en milliers
f
cmin
+ 4 f
c28
d'euros est donnée dans les deux tableaux suivants:
cl! x est la moyenne des" résultats mesurés, CI l'écart
SocWFIMM
type el f
cmin
la valeur minimale des " résultai S.
Cak!pie
Pour réaliser une ('haussée d'autoroute, on utili se un
Salaire!!.
béton dont la résistance f
c2
'13 doit être d'au moins
Employés Cadre,
4,5 MPa. On effectue 49 mesures de résistance. Les
12 S < 22 250 0 résultats (en MPa) sont regroupés en classes dans le
150 15
tableau suivant.
32 os;; S < 42 0 30
ChlS!oC Effectif

13,0: 3,51 1
Cattgorie
[3.5: 4,01 0
Salaires
14,0 : 4,51 0
CadreS"
200 0
[4,5: 5,0[ 1
22 S < 32 100 50
[5.0: 5.5[ 0
32 os;; S < 42 0 50 15.5: 6,0[ 5
[6.0: 6,5[ 4
Dans les calculs qui suivent , les salaires seront expri·
16,5: 7.0[
més en euros et arrondis au l'euro inférieur. On consi·
17
dérera que tous les éléments d'une classe sont si tués en
17.0: 7,5[ 18
son centre.
[7,5: 8,O[ 3
Chap. 1 : Statistique descriptive 45
1
0
Représenter cette série stati stique par un histogram- 1
0
Quel est le pourcentage des clients dont le montant
me. des achats est situé dans l'i ntervalle l250. 550[?
r Déterminer des valeurs approchées arrondies à r Dresser le tabl eau des fréquences cumulées crois-
10- 2 de la moyenne x et de l'écart type cr de la série santes de cette série stat istique.
statistique, en supposant que, dan<; chaque classe, tous
3° Représenter l'histogramme des fréquences cumulées
les sont si tués au cenlre.
croiss.mles de cette série stat istique. On prendra
3° La fabrication est-elle conforme aux exigences régle- cOlllme unités 1 cm pour 50 euros sur l'axe des abs-
mentaires? (D'après un document de l'Association cisses et 1 cm pour 0, 1 sur l'axe des ordonnées.
Technique pour le Développement du Treillis Soudé.)
4° On suppose que, dans chaque classe, les éléments
sont répartis de manière uniforme. On peut alors rem-
placer l'histogramme par la ligne brisée définie par le
Autre point d'abscisse 50 et d'ordonnée 0 et chacun des som-
ê] -Les mathématiques pour se rattraper
' mets supérieurs droits des rectangles.
a) Tracer cene ligne brisée.
Dans la partie ., enseignement général :. d'un examen
b) On admet que cette série a pour l1loyennex = 375
untel candidat(e) a obtenu 8,5 en français coefficient 2,
et pour écart cr = 13 J .43.
7 en anglais I.:oefficient 2. Combien doit-il(elle) obtenir
Par lecture du graphique précédent. estimer le pour-
à l'épreuve orale de mathématiques, coefficient 3, pour
centage de clients dont le montant d'achat est COJ11-
avoir 10 de moyenne sur l'ef!semble de ces troi s
pris entre: x - cr et x + cr.
épreuves?
c) Déterminer par le calcul une valeur approchée à
un euro près de l'abscisse du point 1 de la ligne bri-
sée d'ordonnée 0,5. Vérifier sur le gr'lphique. Que
de médiane, de
représente cette abscisse?
d'imuquartile Pour traiter e;c:erdces 26 et 27, on poUIT3 se reporter au
- DéterminMion d'étendue et d'interquartile
TPl ou à l'exercice 25.
Dans une entreprise de transport, on il relevé les durées
-** Fabrication mécanique et médiane
de livraison entre Marseille et Nice pour un véhicule.
Une machine fabrique des tiges pour l'industrie auto-
Le relevé sUÎvant porte sur 22 trajets:
mobile. On mesure la longueur de 100 tiges qui consli-
3h47; 2h35 ; 2h57; 2h54; 2 h41 ; 2h48; 2h46;
tuent un échant illon et on obtient les suivants:
2h59; 2h57 ; 2h23; 2h29; 2h52; 2h57: 2h29;
4h02; 2h34; 2 h53 ; 3h04; 3h Il ; 3h 15; 3 h06;
-
2h45.
_v ......
C-doo
-
- "
enmm
-
ai Il
Déterminer l'étendue et l' interquartile de celle série
statistique.
116, 17[ 16.5 1
117, 18[ 17.5 5
118,191 18,5 Il
25 .- Détermination de la médiane 119,20[ 19.5 56
120.21[ 20.5 13
Le responsable d'un magasin de gros outillage a relevé,
f21, 22l 11,5 11
pendant une semaine, le montant en euros des achats de
122,23[ 22,5 3
200 clients. Les résultats figurent dans le tableau sui-
vant:
1 ° Compléter après l'avoir reproduit le tableau CI-
Monllnl dei achab x Nombre de clienlJ "1
dessus.
[50.1501 10
r Déterminer la classe médiane.
[150. 250[ 12
On pour la suite dans
[250, 350[ 52
sont répartis manièœ ullifon"e.
[350,4501 62
3° a) Déterminer graphiquement une valeur approchée
[450, 550[ 36
de la médiane.
1550,650[ 14
b) Délerminer par le calcul une valeur approchée
[650, 750[ 4
arrondie à 10- 3 de la médiane.
46
4° On admet dans celle question que la moyenne de a) Représente.r le nuage de points de la série (xi' Yi)
cetle série stati stique est 111 = 19,7 et que son écart type dans un repère orthonormal.
est 0' = 1,1. Calculer le pourcentage de l'échantillon
b) Soit Cile point moyen des quatre premiers points
qui appartient à l'inter valle [111 - 0', 111 + CT]. du nuage; Soit G
2
le point moyen des. quatre der-
niers points du nuage. (Pour les calculs;on utilisera
... Médiane, mode et étendue
les coordonnées de G, et G'2 arrond.ies 10- '2 près
par excès.)
On a mesuré en millimètres les diamètres de 150 pièces Déterminer une équation de la droite (G,G
2
). Placer
usinées. On a obtenu les résultats suivants: les points G] et G
2
• puis tracer droite (G]G'2) sur
Diamètre (eu mm)
-
la figure.
[19,70; 19,801 2
r Utiliser le résultat précédent pour déterminer les
[19.80 ; 19,85[ ID
valeurs des constantes A et B. En déduire une estima-
[19.85 ; 19,90[ 14
tion de R à 10-
2
près,lorsque e = 37.
[19,90 ; 19,95[ 22
[19.95 ; 20.00[ 32
[20.00 ; 20,05[ 27
•• Isolation thermique
[20,05 ; 20.10[ 26
[20.10; 20.15[ 9
On a mesuré la résistance thermique d'un isolant de
[20.15; 20.201 3
doublage de murs. mesures effectuées pour plu-
[20,20 ; 20.30[ 5
sieurs épaisseurs de.l'isolant ont donné les résultats sui-
1° Déterminer la classe médiane. En admertant que la
vants.
répartition de l'effectif est uniforme à l'intérieur de
ÉpoiAOUi (en mm)
30 40 50 60
chaque classe, déterminer graphiquement la médiane.
del'i!oIant;x, .
Que représente la médiane?
R.&istaDc:e thermique
1,96 2,25 2,65 3.00
(eu m'"ciw) : "
r Déterminer la classe modale ainsi qu'une valeur

approchée de l'étendue, c'est-à-dire de la différence
del'i!oIant:xi
70 80 90 100
entre la plus grande et la plus petite valeur de cette série
Raiûnoe dIennique
statistique.
(en m'"ciw) : Yi
3,30 3,70 4,02 4,38
Exemples d'études de séries statistiques
1 ° Représenter le nuage de points associé à cette série
à deux variables
statistique à deux variables. On prendra comme unités:
Eumples d'utilisation de la méthode de Mayer
1 mm en abscisse pour 1 mm d'épai sseur ; 4 cm en
ordonnée pour 1 m'2oC/W.
.. Résistance électrique et température
r Calculer les coordonnées:
La résistance électrique R (exprimée en ohms) d'une
a) du point moyen G
1
des quatre premières lignes du
lige en ni ckel varie en fonction de la température 8
tableau;
(eJ(primée en degrés Celsius) selon une loi du type
b) du point moyen G
2
des quatre dernières lignes du
R = A + B8, où A et B sont des nombres réels.
tableau.
On se propose, à partir d'une série de mesures, de four-
3° On considère la droite (G,G
2
) qui constitue un ajus-
nir des valeurs approJ(imatives pour A et B. On utilise
tement affine de la série statistique.
ensuite la relation R = A + B8 pour donner une esti- a) Déterminer une équation de (G]G
2
) de la forme
mation de R lorsque 8 a une valeur numérique donnée.
.\' = JILl: + p. Les coefficients m et p seront détermi-
1 ° On effectue une série de mesures qui donne les nés à 10- 3 près.
6 - 20
b) Quelle est la signification pratique de l'ordonnée résultats suivants en posant x = ---
4
et,\'= IO(R-2,1). du point d'abs<."isse O?
4° a) Estimer la résistance obtenue avec une épaisseur
x, 0,3 2.7 5.1 7 9,7 Il ,6 15,6 18.4
d'i solant de 120 mm.
b) Estimer l'épaisseur d'isolant nécessaire pour
Y;
1.21 2,02 2,75 3,76 4,73 5,07 6.66 7.65
obtenir une résistance thermique de 3,5 m
2
°C/W.
Chap. 1 : Statistique descriptive 47
Exemple!i d'lltilisll1iOI1 de la mhhode des
*** Coût de la maintenance d'une Înstallation
carré!i
de chauffage
** Résistance à la rupture
Dans cet exercice, les calculs !ieront effectuis à 10- 3
près.
Toutes les raleurs numériques demandées seront
L'étude du coût de maintenanc.'e annuel d'une install a-
arrondies à 10-
3
.
tion de chauffage dans un immeuble de bureaux, en
Dans une fabrication de pièces en caoutchouc par mou-
fonction de l'âge de l'installation, a donné les résultats
lage à l'aide d'une presse à injection, on constate que la
suivants:
résistance à la rupture de chaque pièce est fonction du
Âge.n
1 2 3 4 5 6
taux de goudron de pin présent dans la gomme utilisée.
ann6es: Xi
On note R, exprimée en newtons, la résistance à la rup-
CoQl en centaines
755 9,24 10,74 12,8+ 15,66 18,45
d'euror. : .vi
ture de la pièce.
On note T, exprimé en parties pour 100 parties de ) 0 Représenter le nuage de points Mi(x
i
, Yi) dans un
gomme, le taux de goudron de pin de la gomme utilisée. repère orthogonal (unités graphiques : 2 cm en abs-
On di spose d'une série de 10 mesures du couple (R, n.
cisse, 1 cm en ordonnée). Peut-on envisager un ajuste-
ment affine de ce nuage?
N° de la mesure T R r a) Déterminer le coefficient de corrélation linéai re
1 1,74 250,4 de la série statistique double (xi' Yi)' Le résultat
2 2.03 247,1 obtenu confirme-t-ill' observation faite au 1°?
3 2,10 246,6 b) Déterminer, par la méthode des moindres carrés,
4 2,00 247,3
une équation de la droite de régression D de )' en x.
5 2,00 247.6 Tracer D dans le même repère qu'au 1°.
6 ' 2, 14 246.2
c) En admettant que l'évolution du coût constatée
7 1,96 247.7
pendant 6 ans se poursuive les années suivaflles,
8 1,99 247,1
donner une estimation du coût de maintenance de
9 2,37 243,7
l'installation lorsqu'elle aura 8 ans.
10 1,95 249
§] ** Caractéristique d'une pile
Ces couples de mesures sont représentés par le nuage
On réalise le montage de la figure.
de points de la figure ci-dessous.
Grâce à l'ampèremètre A et au voltmètre V, on effectue
les mesures consignées dans le tableau suivant.
R
Ilmen,ilé 1 M 0 0,2 0,4 0,6 0,8 1
251
1 Ten,ion U f en VI 4,8 4,5 4.25 4 3,70 3,40 .



w
.J.
+

• .
245
tJ
V
;.


1.5 1,7
1.'
2.1 2,3 2,5
T
Fig 21
.... 0---'
Fig. 22
1 D a) Déterminer une équation de la droite de régres-
1 ° Representer graphiquement le nuage de points de
sion de R en T, de la forme R = fiT + h, par la
coordonnées (l, Cf) dans un repère orthogonal.
méthode des moindres carrés. 2° Dans ce qui sUÎt, tous les résul tats seront
b) Préci ser le coefficient de corrélation linéaire.
arrondis à 10- 1.
Commenter la valeur de ce coefficient. a) Déterminer une équation de la droite de régres-
r À J'aide de la régression effectuée au 1°, estimer la
sion de U en } par la méthode des moindres carrés.
résistance à la rupture pour un taux de goudron de pin b) Tracer la droite d'ajustement dans le repère.
de 1,8.
e Donner une estimation de U our 1
p 0
= 1,2 A.
48
@] -. La tension en fonction de l'âge
1
0
On considère un repère ort hogonal avec les unités
graphi ques 1 cm pour 1 atome, 1 cm pour 20 cc.
Le tableau suivant donne la moyenne y des maxima de Construire dans ce repère le nuage de points Mi (xi' 'il.
tension artérielle en fonction de l'âge x d'une popula-
2° Calculer les coordonnées du point moyen G et pla-
tion donnée.
cer celui-ci sur le graphique précédent.
Âge: .t 36 42 48 54 60 66
3° a) Déterminer la valeur approchée arrondie à 10- 3
du coefficient de corrélation linéaire de la série sta-
: y 12 13.5 13,6 14,3 15,4 15
ti st ique de variables x et 1.
1
0
Représenter graphiquement le nuage de points
b) Déte.rrniner par la méthode des moindres carrés
M(x, y) dans un repère orthogonal. On prendra pour
LIlle équation de la droite de régression D de 1 en x.
unité graphiques, 0,5 cm pour 1 an en abscisse et 3 cm
Les coefficients seront donnés à 10- 3 près. Tracer D
en ordonnée pour l'unité de tension artérielle, l' origine
sur la figure du 1°.
correspond au point 1 de coordonnées (30, 10).
c) Estimer la température de fusion de l' hydrocar-
r a) Calcule-r, à 10- 2 près, le coefficient de corréla-
bure C
12
H
26
.
tion entre x et y. On admet qu'un ajustement par la
méthode des moindres carrés est justitié.
b) Déterminer une équat ion de la droite de régres-
sion de )' en x et la représenter. (Les coefficients
Ajustement affine et recherche d ' un maximum
seront donnés à 0,001 près).
c) Une personne de 70 ans a une tension de 16,1.
*H meilleur prix pour un nettoyeur fi haute
Quelle serait sa tension théorique en utilisant la
droite de régression? Comparer avec la tension
pression .1>
réelle.
Dans Je tableau suivant figurent les résultats d'une
enquête réalisée dans un magasin d'outillage pour
** Le pourcentage d' internautes en France
déterminer le nombre d'acheteurs potentiels d'un
modèle de nettoyeur « haute pression » en fonction de
Le tableau sui vant donne le nombre d'internautes en
son prix de vente:
France en millions.
Pri" d·un nettoyeur
Année: Xi 1997 1998 1999 2000
.. haute pre<;"inn JO,
350 400 450 500 550 600
en euros: x
Nombre d'internaute:.
1,5 3.4 7 12
Nombre d'açheteurs
(eu million .. ): Yi
potentiel:. : y
140 120 100 95 85 70
1° Déterminer une éq uation de la droite d'ajustement
11 but ut prix dt' l't'fltt'
de )' en x par la méthode des moindres carrés, dans
polir lequel la corrt'spondant à la commerciali-
laquelle les coeffi cients seront arrondis à 10- 3.
sation de ct-' modèle t'st maximale.
r En admettant que cette évolution se poursuive, esti-
1° a) Calculer le coefficient de corrélation linéaire de la
mer le pourcentage d'internautes dans la population
série (x, y). (On en donnera J'approximation déci-
française en 2003.
male arrondie à 10-
2
.)
b) En utilisant la méthode des moindres carrés
** Température de fusion d'un hydrocarbure
(régression de y en x), exprimer)' en fonction de x,
sous la forme)' = ax + b (où a et b désignent des
La température de fusion t (exprimée en degrés
nombres réels dont on donnera et utilisera par la
Celsius) de certains hydrocarbures varie avec le
suite les approximations décimales arrondies, 11
nombre x des atomes de carbone de leur molécule. Une
10- J pour a et à 10- 3 pour b).
série de dix mesures donne les résultats suivants:
2° On désigne par r(x) la recette correspondant à la
vente de )' nettoyeurs du modèle étudié, au prix uni-
1 1
1
1
2
1
3
1
4
1
5
1
taire x.
Xi
"
- 190 - 170 - 180
1
- 150 - 130
a) En utilisant J'c;\pression de y obtenue à la ques-
tion 1° b), montrer que r(x) = (- 0,3x + 226,524)x.
1
.r,
1
6
1
7
1
8
1
9
1
10
1
b) Donner, e n l'arrondissant à la dizaine d'euros la
-100 - 90 -60 -50 -)0
plus proche, le pri;\ de vente pour lequel la recette
" est maximale; calculer cette recette maximale.
Chap. 1 : Statistique descriptive. 49
Etemples d'ajustements se ramel/a1/l à UI/ ajuslement
1 2 3 4 5
affilie (exercices 37 à 40)
** Le grand prix
CoOl C,
(en cemainea 13,3 14,2 16,1 18,9 23,6
d'euroo)
Au cours d'une séance d'essai un pilote d'automobile
doit, quand il reçoit un signal sonore dans son casque,
] 0 On pose Di = ln Ci' où ln désigne le logarithme
arrêter le plus rapidement possible son véhicule.
népérien.
Au moment du top sonore, on mesure la vitesse de l'au-
a) Compléter, après l'avoir reproduit, le tableau
tomobi le, puis la di stance nécessaire pour arrêter le
suivant;
véhicule.
Pour six expériences on a obtenu les résultats sui vants;
1
"
1
1
1 1
D,
2,588
Vitesse "
.
en kmlh: l ' j
27 43 62 80 98 11 5
b) Représenter le nuage de points MNi' Di ) dans un
Distance: d'arrêt
6,8 20,5 35,9 67.8
repère or thogonal du plan. Peut-on envi sager un
en m :Yi
101,2 135.8
ajustement affine de ce nuage ?
r a) Déterminer le coefficient de corrélation linéaire
Le nuage de points associé ne peut être ajusté linéaire-
de la série stati stique de variables 1 et D.
ment de manière correcte (ce résultat sera admis).
h) Déterminer, par la méthode des moindres carrés,
On pose pour les six valeurs de vi' xi = v7 et on
une équat ion de la droite de régression .6. de D en 1.
considère la série double (xi' Y,), 1 :0:;;: i :0:;;: 6.
Le résultat obtenu confirme-t-il l' observati on faite
] 0 Compléter, après J'avoi r reproduit , le tableau: au]Ob)?
1
Xi
1 1 1 1 1 1 1
c) Déduire du a) une expression de C en fonction
, .
de t.
. ,
d) En admettant que l' évolution du coût constatée
r Dans un repère orthogonal, construire le nuage de
pendant cinq ans se poursui ve les années sui vantes,
points associé à celte nouvelle série double :
donner une estimation du coût d'entretien et de
- les xi en abscisses, avec 1 cm pour 1 000;
réparation de l'équipement lorsqu'il aura 7 ans.
- les Yi en ordonnées, avec 1 cm pour 10.
3° a) Déter miner à raide de votre c<1lculatrice l' équa-
*** Un problème de maintenance
tian de la droite de régression de y en x sous la forme
y = IIlt + P (m et p étant arrondis à 10- 2) . Traœr Dalls cet exercice, lOtiS les résultaI." seront dot/liés par
celle droite dans le repère précédent.
leur mleur approchù à 10- 3.
b) À l'aide de cette éq uati on, déterminer la valeur
On a étudié la durée de vie d'un certain nombre d' équi-
estimée de x correspondant à une di stance d'arrêt de
pements mécaniques identiques. Dans le tableau sui-
180 m pui s la vitesse correspondante du véhicule.
vant , li représente la durée de vie exprimée en heures et
c) Quelle est la distance d'arrêt estimée correspon-
RU
i
) est le pourœntage d'équipement s encore en ser-
dant à une vi tesse de 150 km/h ?
vice à la date li' (Par exemple, pour li = 100, il reste
d) Le manuel du code de la route donne, pour calcu-
80 % d'équipements en service, et R(ti) = 0,80,)
1er la di stance d'arrêt (en mètre), la méthode sui -
'i
100 200 300 500
vante: « Prendre le carré de la vitesse exprimée en
400
dizaines de kil omètres par heure. Comparer le
R(/j) 0.80 0,64 0,52 0.40 0,32
résultat obtenu au c) à celui que l'on obtiendrait par
cette méthode.
'i
600 750 1000 1 500
R(/i '
0,28 0.20 0,12 0,04
** Coût d'entretien et de réparation
Dall s cet lous les résull{/(S l/UlIliriques
] ° On pose Yi = ln R(/
i
) où ln désigne le logari thme népé-
dOllllts par leur wileur {Ipproch!e arroI/die à 10- 3.
ri en. Représenter le nuage de points Mi de coordonnées
(Ii' J'i) dans le plan muni d'un repère orthogonal.
L'étude du coût annuel d'entretien et de réparation C
2° Peut-on envi s<lger un ajustement affine du nuage
d'un équipement d'âge l, durant les cinq dernières
précédent ? Calculer le coefficient de corrélation
années, a conduit à établir le tableau sui vant:
linéaire de la série stat istique de variables t et y.
50
3° Déterminer par la méthode des moindres carrés une • une équation de la droite de régression de :: en x par
équation de la droite de régression de y en t. la méthode des moindres carrés est
En déduire qu'il existe deux nombres réels positifs k et o = - 0,093x + 4,444 (1).
À. , tel s que, pour tout élément t de [100, 150O], En utilisant la relation (1), donne-r une estimation du
R(t) = ke-
À
'. pourcentage de logiciels piratés en 2004.
4° Dans cette question, on prend k = 1 et À. = 0,002.
Déterminer le pourcentage d'équipements encore en
... Comparaison de deux ajustements
service au bout de 900 heures de fonctionnement.
à propos de la teneur de l'air en COl
Le t'lbleau suivant indique la teneur de l'air en dioxyde
... Comparaison d 'un ajustement affine
de carbone COz' observée depuis le début de l'ère
et d' un ajustement exponentiel à propos
industrielle. Da.ns le tableau ci-dessous, xi désigne le
du pourcentage de logiciels piratés rang de l'année et Yi la teneur en CO
2
exprimée en par-
Le tableau sui vant donne l'évolution du pourœntage de
ties par milli on (ppm).
logiciel s piratés en France de 1990 il 1998. On désigne
-
1850 1900 1950 1990
par x le rang de l'année et par)' le pourcentage de logi-
Ranade
ciels piratés
1'1IIUI6o:..,
0 50 100 140
-
Ranax
i 1'IIureeIIIage '1
_ ...
COz :'1
275 290 315 350
1990 0 85
1991 1 78
1992 2 73
On a représenté dans le repère ci-après le nuage de
1993 3 66
points associé à la séri e stati stique (xi' )).
1994 4 57
Teneur cn
1995 5 51
500
1996 6 47
1 1
1997 7 44
450
L L ..
1998 8 43
400
..
1° Représenter le nuage de points associé à la série sta-
350
lÎstique (.\, Yi) dans un repère orthogonal tel que: 1 cm
.•
représente un an sur l'axe des abscisses et 1 cm repré-
300
.. _ .... _ ..
sente 5 % sur l'axe des ordonnées.
250
r Dam question, les résultats serollt obtenus à
0 20 40 60 80 100 120 140 160
Rang de l'année
d'une calculatrice et arrondis lIIl millième. Au-
l'lin détail des calculs statistiques Il' demandi.
Fig. 23
a) Donner le coefficient de corrélatÎ on linéaire r de
On veut modéli ser cette évolution par une fonction
la série stati stique (xi' Yi)·
dont la courbe est voisine du nuage de points. Plusieurs
Un ajustement affine est-il justifié?
types de fonctions semblent utilisables.
h) Écrire une équat ion de la droite de régression
1 ° Modélisation par une fOllctioll affine
de y en x par la méthode des moindres carrés.
a) À l' aide d'une calculatrice, donner le coeJficienL
Représenter dans le repère précédent.
de corrélat ion linéaire, arrondi au centième, de la
c) En utili sant cet ajustement affine, donner une esti-
série (xi' yJ
mati on du pourcentage de logiciels piratés en 2004.
b) À J'aide d'une calculatrice, donner une équation
3° L'allure du nuage permet d'envisager un ajustement
de la droite de régression de y en x par la méthode
exponentiel. On pose:: = ln y. À l'aide d'une cakula-
des moindres carrés, sous la forme y = ax + b, avec
trice, on a obtenu les résultats sui vants:
a arrondi au centième et b à J' unité. Représenter
• le coefficient de corrélation linéaire de la série stati s-
celte droite dans le repère ci-dessus, après avoir
tique (.r;, ::;), OÙ::
j
= ln (Yi)' est r' = - 0,991;
reproduit la figure.
Chap. 1 : Statistique descriptive 51
c) Selon ce modèle, quelle teneur en CO
2
peut·on
prévoir en 2010'1 Placer dans le repère ci·dessus,
après avoi r reproduit la figure, le point Al COITes·
pondant à cene prévision.
2° Modélisation par /lne fOl/ction f définie par
f(x) = 250 + Be Ax
On pose ::.; = ln Cv,. - 250). On admet que la séri e
(X,., ::.,.) a pour coefficient de corrélation linéai re 0,999
et qu'une équati on de la droite de régression de :: en x
par la méthode des moindres carrés eSt
0= O,O lx + 3,2.
a) Selon ce modèle, quelle teneur en CO
2
peut·on
prévoir en 201O? Placer dans le repère ci·dessus le
point N correspondant à cette prévision.
b) Donner une équation de la courbe d'ajustement
de y en x, sous la forme y = f(x) = 250 + BttAl:,
avec A arrondi au centième et B à l' unité.
c) En déduire des valeurs approc'hées décimales
arrondies à l'unité de f(O), f(50), f( loo), f(l40).
3° Laquelle des deux prévisions de la teneur en CO
2
pour 2010 vous semble la plus plausible? Pourquoi?
Exemples d'exercices de BTS
... Comparaison d'un ajustement affine
et d'un ajustement exponentiel
Pour étudier la progression d'une épidémie de grippe,
une enquête est faite auprès d'un échantillon de 1000
personnes; le tableau ci-dessous donne le nombre N(t)
d'individus ayant été contaminés, à la date l, exprimée
en jours.
2 5 10 15 20
88 172 306 420 485 500
On considère qu'après 20 jours l'épidémie est termi-
née, c'est-à-dire que le nombre total de personnes ayant
été contaminées ne varie plus.
Dans ce problème, on utilisera, pour les calculs statis-
tiques, les fonctions de la calculatri ce.
1° a) Dans un plan muni d'un repère orthogonal
(0; 7,7), placer les points de coordonnées (t, N(t))
(unités graphi ques: 0,5 cm pour 1 jour en abscisse,
1 cm pour 50 individus en ordonnée).
b) Donner. à 10- 2 près, la valeur du coefficient de
corrélati on linéaire de la série statistique double
donnée dans le tableau. Un ajustement affine est-il
envisageable?
c) Déterminer une équation de la droite de régres-
sion de N en t et la tracer. Les coefficients seront
donnés à 1 près.
52
r On considère la fonction définie sur [O. 40] par :
f(/) = 500 (1 - e - 0.2/).
a) Recopier et compléter le tableau suivant (les
résultats seront donnés à 1 près).
1
1
1
2
1
5
1
10
1
15
1
20
1
30
1
40
1
b) Trac:':....la courbe représentative de f dans le repè-
re (0; i,j) précédent.
c) Déterminer graphiquement quelle est, de la droi-
te de la première question ou de la courbe précé-
dente, celle qui ajuste le mieux le nuage et l'utiliser
pour indi quer la date à laquelle le quart de la popu-
lation étudi ée a déjà été atteint.
." .. Le prix du mètre cube d'eau
A. Ajustt!melit affilie
On a relevé dans une agglomération le de l'eau de
1994 à 1999. Les résultats consignés dans le
tableau sui vant:
Anale
Rona
!J'rix du m' exprim6
de 1'_", en francs : Y,
1994 1 8.74
1995 2 8,80
1996 3 9,52
1997 4 10.42
1998 5 Il ,83
1999 6 14.62
• Un franc est égal à 0,15 euro,
1° Le plan est muni d'un repère orthogonal. Les unités
graphiques sont de 2 cm sur l'axe des abscisses et de
l cm sur l'axe des ordonnées. Constmire le nuage des
points Mj(xj. Yi)'
r La forme du nuage conduit à rechercher une relation
entre x et y de la forme y = Be,v.·. On pose, pour tout
entier i de 1 à 6, :; = ln Y; (où ln désigne la fonction
logarithme népérien).
a) Établir le tableau de la série double (X,., :j) où on
donnera des arrondis des:
j
à 10- 3.
b) Déterminer à 10- 3 près le coefficient de corréla-
tion linéaire entre la variable X et la variable Z.
c) Déterminer par la méthode des moindres carrés.
une équati on de la droite d'ajustement de Z en X.
Les coeffi cients seront arrondis à 10- 2,
Donner l'expression de Yen fonction de X. En dédui-
re une estimation du prix, en euros, de l'eau en 2004.
B. Éludt!
On considère la fonction f définie sur [0, + oo[ par
O.IOx
= f(x) 7,34 e
On désigne par '€ sa courbe représentative dans le
repère précédent.
1
0
Étudier la limite de f en + 00.
r Étudier les variations de f et construire son tableau
de variation.
3
0
Tracer <€. Déterminer graphiquement les nombres
de points du nuage respecti vement oc au-dessous » et
« au-dessus » de la
4
0
On admet que le prix moyen de l'eau entre 1994 et
1999 est donné par la formule:
1 J6
P,,, = 5" 1 J(x) dt.
Calculer
Ajustement affilie et logistique
1
Fonction logistique: voir la note précédent l'exercice 144
du chapitre 2 du tome 1.
-- L'évolution des ventes d' un logiciel
On a relevé les ventes mensuelles d'un logiciel sur un
site spécia.li sé.
t désigne le temps en moi s et N le nombre total de logi-
ciel s vendus à la date t.
r Le relevé des ventes cumulées ainsi que le nuage
correspondant sont les suivants (le premier jour, t = 0,
on a vendu 25 logiciel s).
'1
N,
0 25
1 70
2 174
3 382
4 633
5 753
6 812
7 836
N


o
2 4 5
Chap. 1 : Statistique descriptive
6 7 8 1
Fig. 2
53
D'après ce graphique, dire pourquoi N n'est pas une
fonction affine du temps 1.
2
0
Après avoir posé Z = ln - 1) on a él<lbli le
tableau et le nuage suivants:
"
z,
0 3,50
1 2,4 1
2 1.36
3 0,20
4 - 1,07
5 -2,05
6 -3,06
7 -4,09
a) Calculer les coordonnées du point moyen G de ce
nuage.
b) Po étant le point de coordonnées (0; 3,5), on déci-
de de prendre pour droite d'ajustement la droite
(Po G). Déterminer une équation de cette droite.
3
0
On pose maintenant: ln - 1) = - 1, 1 t + 3,5;
en déduire que l'on a : N = 850 .
l+e l.lr +3.5
4
0
On admet que celte derni ère formule donne l'e;lt-
pression de N e_n fonction de 1.
a) Estimer le nombre total de logiciels vendus au
bout de 9 moi s; de 15 moi s.
b) Que se passe-t-il pour N au bout d' une « très
grande durée » ? Justifier.
•• - Ajustement affine et ajustement logistique à
propos de lave-linge
On se propose d'étudier le tau;lt d'équipement en lave-
linge des ménages françai s.
On a recueilli les informations consignées dans le
Dans les questions suivantes, pour simplifier les cal-
culs. on pose:
Xi - 1955
1· = -'----:--
, 5
où t
j
représente le «rang_ de l'année d'observation.
On obtient ainsi:
"
A. Questioll préliminaire
Le plan est muni d'un repère orlhogoll:ll (unités: 2 cm
pour 1 unité, sur l'axe des abscisses, 1 cm pour 10 %,
sur l'axe des ordonnées).
Représe,nler le nuage de points correspondant à la série
stati stique (fi' Yi)·
Calculer les coordonnées du point moyen G et le placer
sur la figure précédente.
Au vu du schéma, on décide d'effectuer deux ajuste-
ments successifs, en vue de faire des prévisions.
(Les questiolls B. et C. SOlit il/dépendantes.)
B. Ajustemellt affine
1° Donner une valeur approchée à 0,01 près par défaut
du coefficient de corrélation linéaire de la série (lj, )).
2° Donner une équation de la droite de régression de y
en t, par la méthode des moindres carrés. On arrondira
les coefficients ,lU centi ème. La représenter sur la
figure précédente.
3° En utilisant cette représentation graphique, indiquer
à partir de quelle année. au moins 95 % des ménages
auront été équipés en lave-linge.
54
C. Ajustement logistique
Soit la fonct ion f, définie pour 1 réel positif ou nul par:
100
t(l) = 1 + ke"'
où k et a sont des constantes que l'on va déterminer.
1° On impose que la courbe représentati ve de f passe
par le point M de coordonnées (0, 10) et le point N de
coordonnées (5, 80).
Traduire ces deux conditions et en déduire les valeurs
exactes de k et li, puis la valeur décimale approchée
de a à 0,1 près par défaut.
2° Soit la fonction f définie sur [0, + 00 [par:
t(l) = 100
1 + ge O,7t
a) Calculer la limite de f quand t tend vers + GO.
b) Calculer f'(t), où f' désigne la fonction dérivée de f.
Déterminer son signe, et en déduire le tableau de
variation de f.
Après l'avoir recopié, compléter le tableau sui vant:
J(I)
On indiquera les valeurs décimales approchées de
tU) à une unité près.
Tracer la courbe représentative <6 de f sur la figure
précédente.
c) Résoudre l'inéquation:
f(l) '" 95.
Donner une interprétation de ce résultat.
Chapitre
2
Probabilités sur
les ensembles finis
Quelques notions de calcul des probabilités ont été introduites en Première et en Terminale.
Vous allez poursuivre l'étude de phénomènes aléatoires, c'est-à-dire faisant intervenir le
hasard, avec notamment l'introduction des probabilités conditionnelles.
Les combinaisons sont introduites, essentiellement pour faciliter la présentation de la loi
binomiale au chapitre suivant.
Enfin la loi faible des grands nombres fait l'objet d'une première approche pour faire com-
prendre le lien entre statistique et probabilités.
A. RAPPELS ET COMPLÉMENTS
Dans le cas d'un lancer de dé.
!I Il, 2, 3, 4, 5, 61.
On noie {5) élémen-
taire . obtenir la face 5 lors d'un
lancer de dé lIo .
li: 1 li: 2


1. VOCABULAIRE DES ÉVÉNEMENTS
• Dans une expérience aléatoire, l'ullivers n est J'ensemble des résul-
laIs possibles.
• Un événement est une partie de l'univers.
• Un événement élémentaire est un événement possédant un seul élé-
ment.
• Des événements A, B sont disjoints, ou incompatibles. si, et seule-
menl si, A n B = 121,
• L'événemenl c01ltraire d'un événement A est l'ensemble il des élé-
ments de il n' appartenant pas à A.
Remarque
On note g>(il) l'ensemble des événements de l'uni vers il.
Exemple
Dans le cas d'un lancer de dé, A = (5, 6) est un événemenl de il
puisque A C il (fig. 1) : A E g>(fl).
F;g 1 2. CALCUL DES PROBABILITÉS
a. Définition
En Première, laprobabilité d'un ivélleme"t A d'un univers fini n a été
définie comme somme des probabilités des événements élémentaires
qui constituent A, la probabilité de il étant 1. Nous allons introduire ici
une définition plus générale d'une probabilité.
Chap. 2 : Probabilités sur les ensembles finis 57
Pour tout événement A,
0" P(A)" J.
Si A et B sont incompatibles, al ors
PIA ou Bl P(A) + P(B).
@9
.Q Fig. 2
C]')
Q
Fig. 2 bis
Dans le cas où A et 8 incompa-
ti bles, nous retrouvon, l'axiome 2.
@)
Q
Fig. 3
Ce résultat ava it été choi .. i pour
Mfinition en
Dans le cas du lancer d'un dé équi -
li bré, les !lix événements é lémen-
tai'es Il 1. 12 J, 13J, 141. 151.161
ont chacun la probâbilité i.
Avec celte for mule, le (:alcul de
P(A ) se li UII dénombre-
Illent ; voir le paragraphe C.
Définition
Soit il un univers fini.
Une probabilité sur 0 est une applkation P de l'ensemble \J'(O) des évé·
nements dans l'intervalle 10, 1] telle que :
Axiome 1 : PlU) = 1.
Axiome 2 : Pour tOUi événements A et B, si A n B = 0 (fig. 2), alors
PIA U B) = PIA) + PlB).
b. Propriétés
Rappelons quelques résultats établi s en Première et en Terminale :
Pour tout événement A, PIA) = 1 - PIA).
Dans le cas particulier où A = n, nolts obtenons 1'(0 ) = O.
Pour tous événements A, B : PIA U BI = PIA) + PlB) - PIA n B).
Ce théorème permet de calcu 1er P(A U B) oU P(A n B) pour des évé·
nements quelconques.
La probabilité d'un événement A est égale à la somme des probabilités
des inclus dans A.
c. Cas particulier important: l'équiprobabilité
L'équiprobabilité currespond au cas où tous les événements élémen·
taires ont 1. même probabilité.
Si les Il événements élémentaires sont équiprobables, chacun a la
probabilité
Dans le cas où tous les onl la même probabi-
lité, la probabilité d'un événement A est :
PIA) = Nombre d'éléments de A Nombre de cas favorables
Nombre d'éléments de n Nombre de cas possibles
58
B. PROBABILITÉ CONDITIONNELLE.
ÉVÉNEMENTS INDÉPENDANTS
1. PROBABILITÉ CONDITIONNElLE
a. Exemple
(][J
'l 58
A . 4 •
,.
,
.3
Considérons un lancer de dé dans le cas de l' équiprobabi lité des évé-
nement s élémentaires de n = (1,2,3,4,5,6).
Soit A l'événement _ le résultat est pair » : A = (2, 4,6).
Soit B l' événement « le résultat est supérieur ou égal à -\ » :

Fig. 4
Fig. 5
B = (4,5,6).
On a PIA) = = ; de même P(B) =
Dire que A est réalisé signifie que le résultat est 2, 4 ou 6.
Alors B est réalisé dans deux de ces trois cas équiprobables: lorsque le
résultat est 4 ou 6, c'est-à-dire lorsque A n B est réalisé.
Ainsi, la probabilité de B sachant que A est réalisé est
PIA n B) ?
Nous remarquons que PIA) = 3'
Soit C = (3,4,5). On a PIC) = =
Lorsque A est réalisé, C est réalisé dans un seul cas: quand le résultat
est 4. c' est-à-dire quand A n C est réalisé.
Ainsi, la probabilité de C sachant que A est réalisé est
PIA n C) 1
NOLI S remarquons que = -.
PIA) 3
En conclusion, le fait de disposer de j'i nformat ion supplémentaire « A
est réali sé » modifie la probabilité de B et celle de C; nous avons intro-
duit ici une nouvelle probabilité des événements B et C.
b. Définition
Soit P une sur n et soit A un de non
nulle.
B La probabilité sachant que A (est est l'application PA qui, à tout
B, associe le nombre PA(B) = .
F;g.6 PA(B) se note aussi P(BIA) et se lit « probabilité de B sachant que A »,
« est réalisé » étant sous-entendu.
Chap. 2 : Probabilités sur les ensembles finis 59
Voir la définition d'une probabilité
au parJgrJphe A. 2a.
Fig. 7
BnA=AnB
Ce risultat trh important est appe-
lé parfois fvrmll/(' pmbabilitls
cO",{XJSüs.
On définit 'linsi la /lotit)n d'indé-
pendance en probabilité.
n a 32 élément .. puisqu'il y :t 32
cartes dam; le jeu.
Voir le paragraphe A. 2e.
c. Propriétés
• PA' la probabilité sachant que A, est une probabilité sur n.
En effet, on démontre que PA est une application de !'l'(D) dans l'inter·
valle [0, 1] telle que:
1° PA(D) = 1.
2° Pour tous événements B et C incompatibles:
PA(B U C) = PA(B) + PAce).
• Soit A et B des événements de probabilités non nulles;
P(BIA) = Donc f\A n B) = P(BIA)P(A).
Puisque P(B) * 0, on peut définir de même P(AIB) = P(B nA).
P(B)
On a donc P(A n B) = P(A IB)P(B).
Pour tous événements A et B de non nulles.
/'(A n B) = /'(AIB)/'(B) = /'(BIA)/'(A).
2. ÉVÉNEMENTS INDÉPENDANTS
Définition
Les événements A et B sont indépendants si, et seulement si.
/'(A n B) = /'(A)/'(B).
Exemple
Considérons le tirage au hasard d'une carte d'un jeu de 32 cartes.
L'expression « au hasard » permet de considérer qu'il y a équiprobabi-
lité des 32 événements élémentaires: -oc tirer l'as de pique », « tirer l'as
de cœur », ... , « tirer le 7 de trèfle ».
• Soit A l'événement « tirer un as ».
A a quatre éléments, puisqu'il y a quatre as dans le jeu.
4 1
Donc P(A) = 32 = 8'
Soit B l'événement « tirer un cœur » : B a huit éléments, puisqu'il y a
huit cœurs dans le jeu.
Donc P(B) = 3
8
2 = i.
A n B est l'événement « tirer l'as de cœur » ; P(A n B) = 3
1
2'
Nous constatons que P(A)P(B) = x i = = P(A n B).
Donc lu Il'II/fmellt.}" A et B som ùuMpendams.
• Soit C l'événement « tirer un as rouge » : C a deux éléments, puis-
qu'il y a deux as rouges (cœur et carreau) dans le jeu.
Donc PCC) = = 1-.
32 16
60
U l i l i ~ r le dernier résultat du para-
graphe A. 1.
B n C est l'événement . tirer l' as de cœur » ; donc P(B n C) = 3
1
2'
Nous constatons que P(B)P(C) = ~ x 116 = ~ * P(B n C).
Donc les é\'élleme1lfs B et elle sollt pas ;'ultpelldallts.
Remarques
1. Dans le cas où A et B ont des probabilités non nulles, A et B sont
indépendants si, et seulement si,
p(BIA) = P(B) ou p(AIB) = P(A).
Cela signifie que la réalisation d'un des deux événements n'a pas d'in-
fluence sur celle de l'autre.
2. Ne pas confondre pour des événements A, B :
A et B sont incompatibles: A n B = 0.
et A et B sont indépendants : P(A n B) = P(A)P(B).
C. PERMUTATIONS - COMBINAISONS
Il est nécessaire, dans certaines situations, d'effectuer des dénombre-
ments : par exemple, avant d':'UTêter un choix, il peut être important de
connaître le nombre de possibilités offertes.
Ces dénombrements sont aussi utiles pour calculer des probabilités, par
exemple dans le cas d'équiprobabilité des événements élémentaires.
Conformément au programme, nous nous limitons ici aux deux seuls
Les arrJ.ngem(' nts ne sont plus au cas des permutations, débouchant sur les factorielles, et des combinai-
programme. sons.
1. BIJECTIONS (CAS D'ENSEMBLES FINIS).
PERMUTATIONS
a. Exemple
Une chaîne d'hypermarchés souhaite stimuler ses ventes dans une ville
par une campagne publicitaire comportant une tombola avec, en parti-
culi er, qualre lots prestigieux d'importance décroissante qui sont attri-
bués à l' issue d' une double sélection: d'abord un tirage au sort de
quatre clients, puis un classement de ceux-ci à l'aide d'une série
d'épreuves publiques.
Dans la phase de classement , de combien de façons ces quatre lots peu-
vent-ils être répartis entre les quatre clients tirés au sort?
Soit E4 l'ensemble des quatre lots et soit F
4
= lA, B, c, Dl l'ensemble
des quatre cli ents tirés au sort.
Répartir les quatre lots entre les quatre clients, c'est associer à chaque
lot un client bénéficiaire et un seul ; c'est donc déCinir une application f
de l'ensemble F
4
des quatre clients tirés au sort.
Cette application f est une bijection, car chaque client tiré au sort est
bénélïciaire d'un lot et d'un seul.
Chap. 2 : Probabilités sur les ensembles finis 6 1
P:u définition, une bij ection est
une applicalion telle que tout élé-
ment de l' ensembl e d'arri vée est
l'image d' un élément et d' un seul
de l'ensemble de départ.
Une répartition
Fig. 8
Remarquer qu' id les deux
jouent des rôl es symé-
triques, car une répartition
aussi à associer il chaque client tiré
au sort un lot et un seul.
En rempla\'anr 4 par 8, on obti ent
par exemple le nombre de (,:làs5e-
menlS possibles (sans t'x at'qll o) des
huit d'une épreuve de
naralion ou d'athlétisme:
8 ! = 40320.
Il! M: lit . factorielle /1 . ,
Il Y a donc autant de répartitions possibles que de telles
c'est- à-dire de branches terminales dans l' arbre ci-après,
bijections,
_____ C-----D
B _______ D _____ C
_____ 8 D

1"101 :
4 choi,l
_____ C-----D
A _____ _
-D-----C
_____ A D
C_
----- D -----A
_____ A C
D_
----- C -----A
_____ 8 D
A _______
D
_____
8
_____ A D
B_
----- D -----A
_____ A 8
D ____ _
-B-----A
_____ 8 C
A _______ C _____ B
_____ A C
B _______ C -----A
_____ A B
C ____ _
2" lot:
4 x
pour les 1 et 2.
- B-----A
3< lot :
4 x ). choit
pour les IOh J.
el 3.
4
r
l0i :
4 x 3 x2x l
chai, pour k s
IOIsl,2.3et4
Fi g. 9
II Y a donc 4 x 3 x 2 x 1 = 24 répartiti ons possibl es des quatre lots
entre les quatre clients tirés au sort.
Ce nombre 4 x 3 x 2 x 1 est le produit des nombres entiers naturels de
4àl.
4 x 3 x 2 x 1 est noté 4! qui se lit « factorielle 4 » .
b. Cas général
Soit En et F. des ensembles à n éléments. Le nombre de bijections de E.
sur F. est n! = n(n - I)(n - 2) ... 3 X 2 X 1.
62
Une des 4! permutation ...
Fig. JO
1 ! = 1, 2! = 2. 3 ! = 6. 4! = 24.
61 = 720,81 = 5760 ....
La de la suite tl1!) est
trh rapide.
9! = 9 x 8 ! = 9 x 5760 = 51 840.
. G
F"
Fig. 11
Dans un ensemble, l' ordre des élé-
ments n'intervienl pas.
Voir le paragraphe I.b sur le!. per-
mUlalions.
On dasse ces quatre lots.
Permutation
Considérons le cas particul ier Fn = EII'
On appelle permutation de En une bij ection de En sur En'
Le nombre de permulalÎons de n esl n!
Il existe 4 ! permutations des quatre cl ients ti rés au sort .
Remarque
Pour tout entier naturel non nul n, nl est le produit de tous les enti ers
compri s entre 1 et Il .
Donc (II + I) ! = (II + 1 )11 (11 - 1) ... 3 X 2 X I,
soit (II + I)! = (/1 + I)/I!
Pour que cette égalité soi t encore vraie pour JI = 0, on convient que
O! = 1.
Alors, pour tout entier naturel Il , (Il + 1) ! = (Il + 1)1l!
Cette relati on permet de programmer le calcul de II! sur une calcul atri -
ce qui ne possède pas une touche
2. COMBINAISONS
a. Exemple
Reprenons notre chaîne d' hypermarchés (paragraphe 1.3). Dans une
autre ville, on commence par ti rer au sort di x clients, puis on sélec-
tionne sans les classer les quatre gagnants de quatre gros lots iden-
tiques, les six autres clients ayant le même lot de consolati on .
• Problème
De combien de façons les quatre gros lots peuvent-ils être répartis
entre les dix clients tirés au sort?
• D'un problème à l'autre
Soit N le nombre cherché: c'est le nombre de sous-ensembles consti -
tués de qualre éléments de l' ensembl e des dix cli ents tirés au sort.
Pour chacun de ces sous-ensembles, il y a 4! listes (ordonnées) consti -
tuées avec les quatre éléments.
Donc. avec les N sous-ensembles di fférent s de quutre éléments. il y a
4 1 N li stes ordonnées constituées de quatre élément s pri s parmi les di x
clients tirés au sort.
Pour trouver N, nous allons déterminer par un autre procédé le nombre
de ces li stes ordonnées en résolvant le nouveau problème:
De combi en de façons les quatre premiers lots peuvent-il s être répartis
entre les dix clients tirés au sort ?
Chap. 2 : Probabilités sur les ensembles fini s 63
Une répartition
Fig. 12
Pour ne pas le schéma,
seules quelque.s bmnches de l'arbre
ont été représentées.
10 x 9 x 8 x 7 = 5040.
N = 210.
C est la lettre du mot
combinaison.
Une combinaison pas liée tt la
notion d'ordre.
C!:selit . Cllp • .
On rencontre encore la notation

• Résolution de ce nouveau problème
Pour répartir les quatre premiers lots entre les dix clients, on met en
œuvre une méthode analogue à cell e utilisée dans le pardgraphe La :
1"'101 '
10,hoix
zr Ive :
10 9 choix pour

3'101 :
10 )< 9 le 8choil
pour let lOti 1. ::1
.3
4' 101 :
10 )< 9 . 8 7
choix pour lelI
lou l. ::1. 3et4
Fig. 13
Il Y a donc \0 x 9 x 8 x 7 li stes possibles de répartition des quatre pre-
miers lots parmi les dix personnes.
10 x 9 x 8 x 7 peut s'exprimer à l'aide de fac torielles:
10 x 9 x 8 x 7 = (\0 x 9 x 8 x 7)(6 x 5 x 4 x 3 x 2 x l ) .
6 x 5 x 4 x 3 x 2 x l
IO x 9 x 8 x 7= 12!!.
• Retour au problème initial
En déterminant de deux façons différentes le nombre de li stes ordon-
nées de quatre clients pris parmi dix clients, nous obtenons l'égalité:
4!N= 10! doncN= lQl.
6!' 6 ! 4!
Ce nombre est noté C;b qui se lit • C dix quatre • .
b. Cas général
• Soit Fn un ensemble à n éléments. Une combinaison (sans répétition)
d'ordre p, où p '" n, est une partie de Fn à p éléments .
• Le nombre de combinaisons d'ordre p de F. est
Exemples

• = 70.
CP = n! noté aussi (Pl.
ri p!(n - p)! n
64
Dans toutes ces propriétés. fi et fJ
SOn! des nombres enliers nalurels
lels que fJ .s:;: Il.
Les démonSIr::ations de ces œsullals
sonl proposées aux exercice .. corri-
gés 9 el 10.
On observe la symélIie du triangle
de Pascal. qui eSI une conséquence
de la formule C: - Il = énoncée
ci-dessus el démontrte en exercice.
Il eSI amusant de savoir que. dans
d'autres p:lys, ce lIi:lngle est aun-
hué. non à Pascal, mais à un malhé-
maticien local.
Propriétés
• CO = 1 et en 1
Il Il'
• =
• Cp+ 1 = Cp+ 1 + CI,',.
Il + 1 Il
Triangle de Pascal
Il s' agit d' un tableau donnant les nombres C;; lorsque, 1/ étant fixé,
p varie de 0 à Il.
Dans le triangle de gauche ci-dessous, dit « triangle de Pascal », chaque
nombre est la somme des deux: nombres situés immédiatement à
gauche et à droite sur la li gne du dessus. par exemple +
On obtient alors les différentes valeurs de Cf: indiquées à droite.
c8
c? c:
+
cg


3 cj
cl cj cl
4 6 4
cl cl
cj
5 10 10 5 cj
cl cl cl
6 15 20 15 6 cg
ci cl ci cl c:
c. Formule du binôme de Newton
Quels que soient les nombres réels a et b, et pour tout entier naturel non
nul Il, on a :
Démollstratioll: (0 + b)" = (0 + b)(a + b) ... (a + h)
---------v---------
" facteurs
On obtient chaque terme ali - Pb!} du second membre du résultat en
prenant p fois le nombre b parmi les Il facteurs (a + b). Il a donc C::
façons d'obtenir a" - Pb
P
.
• Application
Développer: ( 1 + x)6
Chap. 2 : Probabi lités sur les ensembles fini s 65
Réponse
Le triangle de Pascal permet d'obtenir rapidement les coefficients
numériques:
... coefficient de (a + b)o
.. coefficients de (a + b)l
2
. coefficients de (a + bP
3 3
... coefficients de (a + h)]
4 6 4
... coefficients de (0 + b).t
5 10 10 5
... coefficients de (a + b)5
6 15 20 15 6
D'où: (1 + x)6 = 1 + 6x + + 2U,J + 15x· + + x
6
D. APPROCHE DE LA LOI FAIBLE
DES GRANDS NOMBRES
L'événement A peul être au),si
.. obtenir un bulletin de sal:Jire d'un
montant supérieur 11. 1500 euros.,
ou «ulle faclUre datée de décembre
par tirage au dans un fichier
d'entrepri se».
On peul .!. imuler ces expériences en
utili sant une table de nombres au
hasard ou un générateur de
nombres aléatoires.
Le programme préci se 11. ce !l ujel :
lm
blOilci rudimcntairr .'îllffisel1l .
Considérons un événement A de probabilité p; par exemple, A consiste
à obtenir pile avec une pièce usuelle (p ou un as avec un dé usuel
(p = H ou un cœur dans un jeu de 32 cartes (p
Effectuons II expériences indépendantes; par exemple, effectuon!')
Il lancers d'une pièce ou d'un dé, ou Il tirages au hasard avec remise
d'une carte dans un jeu de 32 cartes.
À l'issue de ces 11 expériences, on peut compter le nombre d'appari-
tions de l'événement A et déterminer la fréquence d'apparition de cet
événement.
On sait que, lorsque JI devient grand, cette fréquence se stabilise autour
du nombre p; c'est ainsi qu' on a introduit, en Première, la probabilité
d'un événement.
La loi faible des grands nombres est un théorème portant sur des pro-
babilités : il permet donc, avant d'effectuer les expériences, d'obtenir
une information sur leurs résultats.
Voici l'idée dégagée par ce théorème:
Théorème
On obtient, avec une aussi grande que J'on veut, une fré-
quence d'apparition de A, au cours des n expériences indé-
pendantes. aussi proche que l'on "'eut de p. lorsque n est suffisamment
grand
66
Voir al/fil {jgt's
IREM, Groupe épistémologie
histoire des mathém:uiques
(Gaulhier - Villars).
Ce point de vue, opposé :1 celui des
.. fn' quentistes » , est dit «baye-
sien ». en hommage au révérend
anglais Thomas Bayes, auteur en
t763 d' un essai , DO<'(rùl t' of
chllnct's.
Remarques
1. Jacques Bernoulli avait mis ce phénomène en évidence vers 1700,
comme le rappelle Laplace un siècle plus tard:
« En multipliant indéfiniment les obse.rvations et les expériences, le
rapport des événements de diverses natures qui doivent arriver
approche de celui de leurs possibilités respectives, dans des limites
dont l'intervalle se resserre de plus en plus et devient moindre qu'au-
cune quantité assignable. »
2. La loi faible des grands nombres justifie le point de vue des . fré-
quentistes » qui attribuent comme probabilité d'un événement une
valeur autour de laquelle la fréquence d'apparition de cet événement se
stabi lise lorsque le nombre d'expériences indépendantes devient très
grand.
Cependant, par exemple en économie, ou pour l'apparition de certaines
pannes (dans les centrales nucléaires d'EDF, par exemple ... ) il n'est
pas toujours possible d'elTectuer de tell es expériences, et on peut alors
être conduit à fixer a priori la valeur attribuée à la probabililé d'un évé-
nement; on contrôle et éventuellement val ide ce choix li posteriori, en
étudiant ses conséquences.
3. La loi faible des grands nombres a une gmnde importance théorique,
mais elle conduit. dans bien des cas, à choisir des valeurs de Il beilu-
coup trop grandes. En effet, cette loi s'appuie sur un résultat de portée
très générale, l'inégalité de Bienaymé-Tchebychev qui, dans des cas
particuliers. peut être amélioré.
TRAVAUX PRATIQUES
EMPLOI DE DÉNOMBREMENTS
POUR LE CALCUL
TP 1
DES PROBABILITÉS
Diagramme, tableau
en productique
Une entreprise fabrique des pièces métalliques. Une
pièce peut être défectueuse il cause d'au moins l'un des
deux défauts désignés par CI et b. On considère un lot de
IOOOCl pièces, dans lequel 2 % des pièces présentent le
défaut CI (et peut-être aussi le défaut b), 8 % présentent
le défaut b (et peut-êlre aussi Je défaut a) et 0, 16 % pré-
sentent simultanément les défauts a et b.
1
0
On représente cette situation par le diagramme sui-
vant où P est l'ensemble des pièces, A l' ensemble des
pièces qui présentent le défaut lI, B l'ensemble des
Chap. 2 : Probabilités sur les ensembles fini s 67
pièces qui présentent le défaut b. A est constitué des
parties <D et@qui n'ont pa!> d'éléments communs el il
en est de même pour B avec <D et @. Donner, en justi-
fiant chaque réponse, le nombre de pièces constituant
chacune des parties <D@@0.
60"1- 0/"" 0 1
L
Ci) -
,Ci>,
ti A!, MÔ -%l L
"" _Il 01\ 1,
( 1""
"- 0 1 Fig. t4
2
0
Dans le tableau suivant, A (respeclivement El) est
J' ensemble des pièces ne présentanl pas le défaul Cl
(respectivement b).
Reproduire ce tableau et le compléter.
A Total
B
o 00 1 (,
Tocal
0,01.,
10000
3° On prélève au hasard une pièce dans un lot de
10000. Toutes les pièces ont la me me probabilité d' être
choisies.
Déterminer la probabilité de chacun des événements
suivants :
a) El : « La pièce choi sie présente l'un au moins des
deux défaut s»;
h) E
2
: .: La pièce choisie présente un défaut el un
seul ,. ;
c) EJ >« La pièce choisie ne présente aucun )t .
l
'), - t"' 1 -; \ t \ \ 1)
.- b,t.r\ .... {-(J\tl .......
o.o')lL,
ru \ f'( \" , ,)fil"
_ -) ) 1)1 \ - ,[.
TP 2 Durée d'une mise au point
et arbre
Dans une usine, hl mise au point d'un matériel électro-
nique nécessite J'exécution de trois tâchc:s consécu-
ti ves, notées At B, C. Un gestionnaire de l'entrepri se a
relevé sur une longue période les durées nécessaires
pour effectuer chacune des trois tâches. Pour At une
heure ou deux heures; pour B, quatre heures, cinq
heures ou six heures; pour C, deux ou trois heures.
On admet que, pour chacune des tâches At B, C, à
l'avenir, la durée d'exécution ne peut pas prendre
d'autres valeurs que celles qui ont été données ci-
dessus.
Dans ce qui suit . on appelle . mi se au point .. un triplet
(a, b, c) de trois nombres donnant dans l'ordre (tâche
A, tâche B. tâche C) les durées d'exécution des trois
tâches.
1
0
À l'aide d'un arbre, donner toutes les « mi ses au
point » possibles.
r Chaque « mise au point ,. définit un événement élé-
mentaire. L'observation sur une longue période conduit
à admettre que toutes les mi ses au point sont équipro-
bables.
Déterminer sous forme de fraction irréductible, la pro-
babilité de chacun des événements suivants:
a) El : « La mi se au point dure au total huit heures» ;
b) E
2
: « La mi se au point dure au total au plus neuf
heures » ;
c) EJ : « La mise au point dure au total strictement
plus de neuf heures ».
TP3
Tirages successifs avec
et sans remise
probabilirb suom dOllllÜS sous
fractions
68
1
0

On tire une carte au hasard d'un jeu de 32 cartes bien
battu. on note le résuhat, on remet la carle dans le
paquet, on bat les cartes et on tire de nouveau une carte
au hasard. Un résultat est un couple de cartes. Tous les
couples sont équiprobables.
Quelle la probabilité de l'événement A : « Les deux
cartes tirées sont des piques lit ?
2
0
J'alls
Même question qu 'au 1
0
en ne remettant pas la
première carte tirée dans le paquet avant de tirer la
seconde.
TP4
Tirages simultanés
et utilisation de
Une boîte contient 9 jetons sur lesquels sont respecti-
vement inscrits le.s nombres:
0; 1 ; 2; 3; 4; 5; 6; 7; 8.
On tire si multanément deux jetons de celte boîte.
Les tirages sont suppo!\és équiprobabl es.
On désigne par A et B les deux événements suivants:
A : « Obtenir deux nombres pairs » :
B : « Obtenir deux nombres multiples de 3 ».
(On rappelle que 0 est un nombre pair et que 0 est mul-
tiple de 3.)
1
0
Montrer que:
a) la probabilité de A est 1
5
8 :
b) la probabilité de B est 1. :
12
c )Ia probabilité de (A n B) est 1..
36
r Calculer la probabilité de J'événement « obtenir
deux nombres pairs ou deux nombres muhiples de 3 )t .
TP5
Tableau
et probabilités conditionnelles
Deux machines MA et Mu produisent chaque jour res-
pectivement 100 et 200 pièces du même modèle. La
machine MA sort 5 % de pièces défectueuses, la
machine M
B
en sort 6 %.
1
0
Compléter, après l'avoir reproduit. le tableau suivant
qui décrit la production journalière.
NomIlre Nombre
depika depikel
'IbIal
prudui ... produi ...
porM
A
porM
B
Nombrede ....
5
IZ
1f
dO!fecIueu ...
Nombredepikes
c:lJ
.An
non dO!fecIueuIOI
ToœI
1 0
2' ,
300
2° Un jour donné, on prélève au hasard une pièce parmi
la production des deux machines. Toutes les pièces ont
la même probabilité d'être choisies.
On considère les événements suivants:
A : « La pièce choisie provient de la machine MA » ;
B : « La pièce choisie provient de la machine Ma » ;
D : « La pièce choisie est défectueuse » ;
D: « La pièce choisie n'est pas défectueuse • .
Déterminer à J'aide dp labd.eau
tés suivantes: P ( \::: ') \ (r # 1. 1 1 V
P(A) ; P(B) ; P(D) ; P(D) ; P(A n D); P(B n D).
3° a) Déterminer directement à J'aide du tableau précé-
dent Jes prObabilité! p(AID) et
P(Bj D). il 4 ID -.2. r (I>I \) )0
b) À l'aide des risultats J'8tenus au r et au 3°a)
vérifier que P(AjD) x P(D) ; P(A n D)
el que P(BjD) x P(D) ; p(B n D).
Toutes pmbabi/itis seront données SOIIS forme de
frtlctions irriductibJes.
TP6
Probabilités conditionnel/es
Une usine fabrique des roulements i\ billes. Une étude
statistique a montré que 90 % de hl production ne pré-
sente pas de défaut.
Chaque roulement est soumis à un contrôle de fabrica-
tion. Ce contrôle refuse 94 % des roulements avec
défaut et accepte 92 % des roulements sans défaut.
On prélève au hasard un roulement avant son passage
au contrôle dans la production d'une journée.
Tous les tirages sont équiprobables.
On désigne par D l'événement: « Le roulement a un
défaut » et par A l'événement: « Le roulement est
accepté à l'issue du contrôle ».
1° a) Déduire P(D) des informations figurant dans
l'énoncé.
b) Déduire P(AID) des informations figurant dans
l'énoncé.
e) Déterminer P(AID) à J'aide des informai ions
figurant dans l'énoncé. En déduire P(AID).
2" a) Calculer la probabilité des événements suivants:
El : « Le roulement est accepté et n'a pas de
défaut »,
Chap.2 : Probabilités sur les ensembles finis
69
E
2
: « Le roulement est accepté et a un défaut ».
b) Calculer la probabililé que le roulement soit
accepté.
3° Le contrôle permet-il d'affirmer que moins de 1 %
des roulements acceptés présentent un défaut?
TP7
Événements indépendants
Une usine fabrique des pièces d'un certain type pour
l'industrie automobile. Deux défauts de fabrication
seulement som possibles: un défaut de diamètre el un
défaut de longueur. Une étude stati stique permet d'ad-
mettre que, pour une pièce prélevée au hasard dans la
production d'une journée, la probabilité de l'événe-
ment A : « La pièce possède un défaui de diamètre » est
P(A) ; 0,03 et la probabilité de l'événement
B : '* La pièce possède un défaut de longueur» est
P(B) 0,07.
On admet que les événements A et B sont indépendants.
Calculer la probabilité de chacun des événements sui-
vanL'i :
El : '* La pièce prélevée au hasard possède les deux
défauts » ;
E
2
: « La pièce prélevée au hasard pos!5ède au moins
l'un des deux défauts JO ;
E3 : « La pièce prélevée au ne possède aucun
des deux défauts JO;
E4 : « La pièce prélevée au hasard possède un seul
défaut ».
I
On admeltra si A et IJ sont et B sont
indépendants. A et B sont indépendants. A et B'M)nt indé·
pendants.
TPB
Tirages simultanés,
probabilités conditionnelles,
événements indépendants
Une urne contient 10 boules: 6 boules rouges numéro-
tées de 1 à 6 et 4 boules bleues numérotées de 1 à 4.
On tire simultanément 3 boules de l'urne. On suppose
que tous les tirages de 3 boules sont équiprobables.
On considère les événements:
A : « Les 3 boules tirées sont rouges ,. ;
B : « L'une au moins des 3 boules tirées est bleue ,. ;
C : « Chacune des 3 boules tirées porte un numéro supé-
rieur ou égal à 3 ».
1
0
a) Montrer que la probabilité de A
b) En déduire la probabilité de B.
2. a) Montrer que C a la même probabilité que A.
b} Montrer que la probabilité de l'événement A n c
est -.L.
30
c) En déduire la probabi lité de A U C.
Remarque
On peut retenir que:
3° a) Sachant que l'événement A est réalisé, quelle est
la probabilité que C le soit?
b) Les événements A et C sont ils indépendants?
• dans les situations de lirages a\'ec remiw ou sans remise. on peut dénombrer avec un
arbre ;
• dans les situations de tirages simultanés. on dénombre a\'ec l'expression de
EXERCICES CORRIGÉS
DES OBJECTIFS

... rdces
Réa!i..er un dénombremenl à l'aide de
d'arbre .. , de tableau);."
là3
Uli li!<oer de>; fllrmules de dénombrement. 6 à lU
Utiliser la formule du binôme. I l
Réaliser un dénombrement à l'aide des
fl)rmules.
el 13
Calculer de ... 14 à 25
Employer Il.lrInule<,. de dénombrement
17 à 19
pour le cakul de'i
Calculer une probabilité conditionnellc. 20 à 22 el 25
Ulili-.er de'i é\énements indépendants. 23 el
Exemples de dénombrements à l'aide
de partitions, de tableaux, d'arbres
Q] ,. Contrôle de fabrication
Dans une usi ne, on produit chaque jour mil1e pièces du
même modèle. Chacune de ces pièces est susceptible
de présenter un défaut A, un défaut B ou simultané ment
les défauts A et B.
On admet que :
- 8 % des pièces le défaut A ;
- parmi les pièces atteintes du défaut A, 15 %onl le
défaut B ;
- parmi les pièces non atteintes du défaut A, 5 % ont
le défaut B.
Déterminer. parmi la production d'un jour donné, le
nombre de pièces:
a) présentant simultanément le défaut A et le défaut B ;
b) présentant le défaut B sans présenter le défaut A ;
c) présentant le défaut B et peut-être le défaut A ;
d) ne présentant ni le défaut A, ni le dé faut B.
. On pe ut un dia ranllne ou un tableau. g
70
0* Gestion de stock
Chez un fournisseur d'équipements pour l'industrie
une étude statist ique effectuée sur une année a permis
de constater que la demande hebdomadilire d'un modè-
le de joints à lèvres pour pompes hydwuliques peut
prendre toutes les valeurs de 0 à 4.
On observe les demandes de deux semaines consécu-
tives. Un résultat est un couple (a, b) de nombres
où CI désigne la demande de la premi ère semai ne et b
celle de la semaine.
1
0
Donner tous les résultat s possibles.
r Donner le nombre de résultats tels que la demande
totale au bout de semaines:
a) soit égale à 6;
b) soÎl strictement supérieure à 6;
c) soit au plus égale à 6.
[TI * Avec remise ou sans remise
On tire successivement troi s cartes d'un jeu ' de
32 cartes. Combien y a- t-i l de tirages possibles si les
tirages ont lieu:
a) avec remise (c'est-à-dire qu'on tire une carte, on
note Je résultat, on la remet dans le paquet, on
mé lange les cartes et on recommence ... )?
b) sans remjse (on tire une carle, mais on ne la remet
pas dans le paquet avanl de tirer la deuxième ... )?
Imaginez un arbre ... très vieux, car il :t beaucoup de
branches! Faites de même pour les 4 CI 5.
o U La tournée du conducteur de travaux
Un conducteur de part de son bureau pour visi-
ter quatre chant iers notés A, B, C, D.
1
0
Combien y a-t-il d'ordres théoriques de visite pos-
sibles?
r Combien lui reste-t-il de possibilités s'i l doit passer
sur le chantier A avant d'aller sur le chantier C, et s' il
peut visiter un ou deux chantiers entre A et C?
o .. Des chiffres ... sans lettres!
Combien peut-on former de nombre de chiffres
avec les chiffres 1,2, 3, 4, 5, le même chiffre pouvant
être utili sé deux ou trois foi s?
Exemples de calculs avec des factorielles ou
o . Simplifications
Simplifi er les fractions suivantes:
a).!!!' b) 30! . c)(II + I)!.
16" 27 !3!' Il!'
(11 + 2)'
d) --.
Il!
0"
Écrire, à r aide de deux factorielles, le produit
5 x 6 x 7 x 8.
Calculer les nombres réels suivant s:
c)cl;
[!] ....
Montrer que pour tous les nombres entiers naturel s 11 et
p tels P :s; 11, Cf: = C:: -'J.
....
Montrer que, pour tous les nombres entiers naturels 11
etp tels quep li , Il = 1 + Cf:.
Exemple d'utilisation de la formule du binôme
Développer, à l'aide de la formule du binôme, les
expressions suivantes, où a est un nombre réel
quelconque:
a)E =(a+ 1)4;
b) F = (a - 3)'.
Chap. 2 : Probabilités sur les ensembles finis 71
Exemples de dénombrements
à l'aide de combinaisons
Au conseil muniCÎpill
Parmi les 25 conseillers municipaux d' une petite ville
sont élus troi s maires adjoints.
Combien y a-t-il de résultats possibles?
•• Contrôle de qualité
JO Dans un lot de vingt pièces fabriquées, on en prélè-
ve simultanément quatre. Combien de prélèvements
différents peut-on ainsi obtenir?
2
0
On suppose alors que, sur les vingt pièces, quatre
sont mauvai ses.
Quel est le nombre de prélèvements où :
a) les quatre pièces sont bonnes?
b) au moins une pièce est mauvaise ?
c) une pièce et une seule est mauvaise?
d) deux pièces au moins sont mauvai ses?
Calculs d. probabilités
• ou non ...
On donne deux A et B tel s que
P(A) = 0,81 et P(B) = 0, 16.
Calculer P(A U B) dans chacun des cas suivants:
a) A et B sont disjoints (on dit aussi incompatibles);
b) p(A n B) = 0,11.
• jeu de cartes
On tire une carte au hasard dans un jeu de 32 cartes.
Tous les tiwges sont équiprobables. On considère les
événements suivants:
A : ... La carte tirée est un roi ,. ;
B : ... La carte tirée est un trèfle ».
JO Définir par une phrase les événements A, B, A n B,
AU B.
r Calculer sous forme fm:!ions irréductibles les pro-
babilités P(A). P(B), P(A), P(B), PlA n B), P(A U B).
•• Dé truqué
On lance un dé cubique truqué dont les faces sont
numérotées de J à 6.
On nOle Pi la probabilité de l'événement Ej ... Le rés ul-
lai du lancer eSI j . , où 1 :s; i :s; 6.
1
0
Calculer PI' P2' P3' P4' P5 et P6 sachant que:
P2 = P4; P4 = " 6; PI = P3; P3 = P5; P6 = 2P5'
1
1
1
1
1
1
1
1
1
1
1
1
1
2° Calculer la probabilité de chacun des événements
suivants:
a) « Obtenir un résultat pair»;
h) « Obtenir un résultat impair ».
Exemples d'emploi de C
pour le calcul des probabilités
•• Tirage de bou/es
Un sac contie.nt neuf boules indiscernables au toucher,
ce qui rend les tirages équiprobables.
Quatre boules sont blanches et numérotées de 1 à 4.
Cinq boules sont noires et numérotées de 1 à 5.
On tire simultanément trois boules du sac. Calculer la
probabilité de chacun des événements suivants:
a) A : 4( Toutes les boules sont blanches » :
b) B : « Les boules sont de couleurs différentes ,. ;
c) C : « Il y a plus de boules blanches que de boules
noires ,. ;
d) D : « Les numéros des boules sont impairs ».
us résultats seront dOllllb sous fractiolls
irréductibles.
* jeu de cartes
Dans un jeu de trente-deux cartes, on tire au hasard
simultanément quatre cartes. On obtient alors une
fC main ». On admet que toutes les mains possibles sont
équiprobables. Calculer la probabilité d'obtenir dans
une main respectivement:
a) quatre cartes de même couleur;
b) une carte de chaque couleur;
c) exactement un as ;
d) exactement deux as;
e) aucun as;
f) au moins un as;
g) deux cœurs et deux piques;
h) deux cœurs, un pique et un trèfle;
i) deux cœurs et un as exactement;
j) un carré, soit quatre cartes de même valeur.
• Il Y a quatre couleurs: cœur, carreau, trèfle, pique.
On donnera la mleur approchée di c:imale arrondit! à
/0- 4 ri sultat.
*** Où il est prouvé qu'il faut avoir beaucoup
de fi: chance » pour gagner au tiercé ...
11 y a vingt chevaux au départ du Prix d'Australie, la
grande course pour le tiercé de dimanche prochain.
Seule nous intéresse J'arrivée des trois premiers
72
chevaux. Gagne.r le tiercé dans J'ordre consiste à trou-
ver le nom et l'ordre d'arrivée des trois premiers.
Gagner le riud dans dlsort/re consiste, seulement,
à trouver le nom des trois premiers.
En jouant trois numéros, quelle est la probabilité de
gagner dans l'ordre; dans le désordre?
ùs résultats u ront arrondis cl 10- 5.
Probabi lités conditionnelles
** Utilisation d'un tableau pour déterminer
des probabilités conditionnelles
Deux ateliers, notés 1 et 2, d'une même entreprise, pro-
duisent chaque jour respectivement 1000 et 800
« puces » électroniques d'un même modèle. 2 % des
puces produites par l'atelier 1 et 3 % des puces pro-
duites par l'atelier 2 sont défectueuses.
l Q Compléter, après l'avoir reproduit, le tableau suivant
qui déçrit la production journalière.
_do_
..-.. ..
,'_1
_do ......
..-.. ..
,'_2
1800
Dans ce qui suit, les résultats seront dOl/nés sous
fracti ons irréductibles.
2
Q
Un jour donné, on prélève au hasard une puce parmi
les 1800 puces produites par les deux ateliers. Toutes
les puces ont la même probabi lité d'être choisies.
On considère les événements suivants:
A : « La puce prélevée provient de l'atelier 1 » ;
B: « La puce prélevée provient de l'atelier 2 » ;
D : « La puce prélevée est défectueuse » ;
D : « LI. puce prélevée n'est pas défectueuse » .
Déterminer, à l'aide du tableau précédent, les probabi-
lités suivantes:
al P(D), P(A n D), P(A/ D) .
bl P(D), P(B n D), P(B/D).
3° Vérifier que P(A n D) = P(A/D) x P(D)
el que P(B n D) = P(B/D) x P(D).
*** Des boules dans une ume
Une urne contient cinq boules: trois rouges, numéro-
tées J, 2, 3, et deux nOlfes, numérotées 1 et 2.
On tire au hasard et simultanément deux boules de cette
urne. Les tirages sont équiprobables.
a) Quelle est la probabi lité de l'événement A :
~ Les deux boules tirées sont de la même couleur » ?
b) Quell e est la probabilité de l'événement B :
« La somme des numéros portés sur chacune des
. deux boules tirées est égale à 3 » ?
c) Quelle est la probabilité de B sachant que A (est
réali sé)?
~ *** Pauvre Sécurité sociale!
Les individus d'une population peuvent être atteints de
deux maladies Ml et M
2
.
On prélève au hasard un individu dans la population.
On note A l'événement: « l'individu est atteint de la
maladie M] 1O ,et B l'événeme,nt : « l'individu est attejnt
de la maladie M
2
)t •
. On admet que P(A) = 0,03, P(B) = 0,05, et que la
probabilité qu'un individu pri s au hasard dans la popu-
lation soit attei nt de la maladie M
2
sachant qu'il est
atteint de la maladie MI est 0,60.
a) Calculer la probabilité de l'événement: « l' indi -
vidu est atteint de la maladie Ml et de la maladie
M
2
» ;
b) Calculer la probabilité de l'événement: « l'indi-
vidu est atteint de la maladie Ml sachant qu'il est
atteint de la maladie M
z
» ;
c) Calculer la probabilité de l'événement: « l'indi-
vidu est atteint de la maladie Ml ou de la maladie
M
2
».
Événements indépendants
~ ** Jeu de cartes
On lire au hasard une carte dans un jeu de trente-deux.
Les trente-deux événements élémentaires sont équipro-
bables.
Les événements A et B suivants sont-il s indépendants?
a) A : « La carte tirée est une dame ,. ; B : « La carte
tirée est noire ».
b) A : « La carte tirée est une dame JO ; B ; « La carte
tirée est une figure " .
~ *** Encore des défauts!
Une usine fabrique des pièces en grande série. Chaque
pièce est constituée par l'assemblage d'une bille fabri-
quée par la machine nO 1 et d'un élément fabriqué par
la machine nO 2. Les deux machines fonctionnent de
Chap. 2 : Probabilités sur les ensembles finis 73
façon indépendante. À la sortie de l'usine, on prélève
une pièce au hasard.
La probabilité de l'événement El : « La bille est défec-
tueuse » est P(E 1) = 0,03.
La probabilité de l'événement E
2
: « L'élément est
défectueux » est P(E
2
) = 0,05.
Déterminer la probabilité de chacun des événements
suivants.
a) E3 « La pièce choisie présente les deux
défauts " ;
b) E
4
: « La pièce choisie présente l'un au moins des
deux défauts JO ;
c) Es : « La pièce choisie présente un défaut et un
seul JO ;
d) E6 « La pièce choisie ne présente aucun dé-
faut JO .
Exercice d'e)(amen
~ *** Événements indépendants
et probabilités conditionnelles
Une pièce est usinée successivement par deux
machines M] et M
2
, les résultats des deux usinages
étant indépendants.
Après passage dans la première machine MI' 5 % des
pièces présentent un défaut. On note A l'événement:
« la pièce est défectueuse après passage dans MI lo .
Après passage dans la deuxième machine M
2
(et quel
que soit leur état après leur passage dans MI)' 2 % pré-
sentent un autre défaut. On note B l'événement: « la
pièce est défectueuse après passage dans M
2
It .
On extrait au hasard une pièce parmi les pièces ayant
subi les deux usinages.
}O Déterminer les probabilités deA et de B.
Exprimer il l'aide des événements A et B les événe-
ments suivants:
C : « la pièce est défectueuse pour les deux usinages
parMI etM
2
JO ;
D : « la pièce est défectueuse » ;
E : « la pièce ne présente aucun défaut ».
Calculer les probabilités des événements C, D et E.
2° Dans cette question, donner les probabilirb sous
fonne de frac/ions irritluc/ibles.
a) Sachant que la pièce extraite est défectueuse,
quelle est la probabilité que la pièce présente des
défauts d'usinage dus aux deux machines?
b) Exprimer à l'aide de A el B l'événement :
« le défaut provient uniquement de la machine M') lo ,
puis sa probabilité. En déduire la probabilité quë le
défaut provienne unique,ment de la machine Mz,
sachant que la pièce est défectueuse.
1
1
1
1
1
1
EXERCICES NON CORRIGÉS
Exemples de calculs avec des factorielles ou
... Simplifications
Simplifier les fractions suivantes.
a) !1l. b) . c) 100!
13!' 5!2!'
... Ca/culs avec C
Calculer les nombres réels suivants:
b) Cl.
, '
d) C 3.
, '
(,. + 1)!
d) --.
(,.-1)!
e) C,So.
Exemples d'utilisation de la formule du binôme
• Développement
Utiliser la formule du binôme pour développer
l'expression:
E(x) = (2.- X)'.
• Recherche d'un coefficient
Quel est le coefficient de .x
4
dans le développement de
(x+3)'?
... Une application
1
0
Écrire le développement de ( 1 + x)5.
rEn déduire que 2
s
= + C1 + ... + en
considérant le cas particulier où x = 1.
Exemples de dénombrements avec un diagramme,
un tableau, un arbre, des combinaisons
• Vous êtes des sportifs!
Une enquête a révélé que dans un groupe de 150 étu-
diants de STS :
- 98 pratiquent le tennis;
- 53 pratiquent le ski;
- 39 pmtiquent le ski et le tennis.
1 °Décrire cette situation avec un diagramme ou un
tableau.
2° Combien d'étudiants ne pratiquent aucun de ces
deux sports?
3° Combien d'étudiants pratiquent uniquement l'un de
ces deux sports?
74
U Avec remise ou sans remise ...
Une urne contient six boules numérotées de ) à 6.
1° On en tire deux successivement, avec remise. Quel
est le nombre de tirages possibles?
2° Même question avec un tirage successif de trois
boules avec remise.
3° Même question qu'au 1° avec un tirage sans remise.
4° Même question qu'au 2° avec un tirage sans remise.
•• Avant de {aire des impasses
Un candidat à un examen oral a étudié seulement
quatre questions de physique sur dix et huit
questions de mathématiques sur douze possibles.
L'épreuve consiste à répondre à une question de phy-
sique et à une question de mathématiques.
1 °Combien y a-t-il de tels sujets à deux questions?
2° Dans combien de cas le candidat connaît-il les
réponses aux deux questions?
3° Dans combien de cas connaît-il seulement la répon-
se à la question de physique? la réponse à celle de
mathématiques?
4° Dans combien de cas ignore-t-il les réponses aux
deux questions?
§] .* Circulez!
JO Dans la plupart des départements, chaque véhicule
automobile a un numéro minéralogique comportant au
plus quatre chiffres sui vis d'une ou de deux lettres (on
peut avoir deux fois la même lettre) ; les lettres 1 et 0
sont interdites pour éviter des confusions avec les
chiffres 1 et O.
Combien de véhicules peut-on ainsi immatriculer par
département?
r Lorsqu'on a épuisé dans un département toutes les
possibilités d'immatriculer les véhi cules comme on le
décrit au JO (c'est le cas depuis longtemps à Paris), on
immatricul e les véh icules avec un numéro comportant
trois chiffres et trois lettres, par exemple 100 FER 75.
Combien de véh icules peut-on ainsi immatriculer?
** Des nombres
1° Combien de nombres distincts de trois chiffres peut·
on former avec les chiffres 3, 4, 5, 6, le même chiffre
pouvant être utilisé deux ou trois fois?
2° Combien de distincts de trois chiffres peut-
on former avec les chiffres 3, 4, 5, 6, chacun étant uti-
lisé au plus une fois '!
** L'emploi du temps
L'élaboration de l'emploi ùu temps d'une classe est un
exercice délicat auquel se livre chaque été le
adjoint de chaque lycée de France ...
Pour organiser l'emploi du temps d'une classe de STS
pour une matinée, on doit répartir, sur quatre heures
consécuti ves, une heure d'angbis, une heure de fran-
çais, une heure de mathématiques, une heure de phy-
sique. Combien d'emplois du temps différents peut-on
proposer pour cette matinée?
** La vie en couleurs
Une palette contient 15 couleurs, 9 vives et 6 pastels.
On doit choisir pour la peinture d'une pièce 3 couleurs
différentes, une pour les murs, une pour le plafond. une
pour les encadrements.
Deux choix sont considérés comme différents dès que:
une couleur utilisée dans l'un ne l'est pas dans
l'autre;
- une couleur utilisée dans l'un l'est dans l'autre à un
emplacement différent.
]0 Combien' de choix différents peut-on faire?
2° Combien y en a-t-il sachant que la <.:ouleur des enca-
drements doit être choisie parmi les couleurs pastel?
3
0
Combien y en a- t-i l avec les murs e.n couleur vive et
les encadrements en couleur pastel?
** Autour de la table
Il y a 6 places numérotées autour d'une table.
1
0
Déterminer le nombre de façons de disposer 6 per-
sonnes autour de la table.
r L'installation des 6 personnes autour de la table dans
une dispositi on donnée nécessite 30 secondes.
Déterminer le temps .nécessaire pour que les 6 per-
sonnes puissent « tester» toutes les dispositions pos-
sibles.
Avec des combinaisons (exercices 39 et 40)
Sondage
Dans une entreprise employant 40 personnes, on pro-
pose à quatre personnes prélevées au hasard de
répondre à un questionnaire.
De combien de façons pe.ut-on constituer l'échantillon
de quatre personnes?
Chap. 2 : Probabilités sur les ensembles finis
** jeu de cartes
1
0
On tire cinq cartes dans un jeu de trente-deux.
Combien y a-t-il de mains possibles?
ZO Combien y a-t-il de mains contenant:
a) exactement trois rois?
b) au moins trois rois?
Calculs de probabilités
On donne deux événements A et B tels que
P(A) = 0,72 et P(B) = 0,19.
Calculer P(A U B) dans chacun des cas suivants:
a) A et B sont incompatibles;
b) P(A n B) = 0,Q7.
@] * jeu de cartes
On lire une carte au hasard dans un jeu de 32 cartes.
Les 32 événements élémentaires sont équiprobables.
On considère les événements suivants:
A : « La carte tirée e.st URe dame » ;
. B : « La carle lirée est un cœur JI .
1
0
Définir par une phrase les événements.:4, B, A n B,
A UB.
2° Déterminer, sous forme de fractions irréductibles,
les probabilités P(A), P(B), P(A), P(B), P(A n H),
P(A U H).
** Gestion de stock
Dans un dépôt de pièces détachées, l'observation des
ventes sur une longue période a permis d'établir que,
pour un certain type de pièces, la demande quotjdienne
, peut prendre les valeurs suivantes: 0, 1. 2, 3, 4, 5, 6.
On note PI la probabilité de l'événement « Un jour tiré
au hasard, la demande pour les pièces est i »
i représente donc n'importe quel nombre entier com-
pris entre 0 et 6.
L'observation des ventes sur une longue période per-
. met d'admettre que: Po = P6 = 0,04; Pl = Ps = 0,15;
P, = P4 = 0,20.
1° Déterminer la probabilité de chacun des événements
suivants:
a) « Un jour tiré au hasard, la demande de pièces
détachées est 3 ,. ;
75
h) « Un jour tiré au hasard, la demande de pièces
détachées est inférieure ou égale à quatre • .
2° Pour des rai sons de coût, on ne peut stocker dans le
dépôt plus de quatre pièces de ce modèle et on ne réap-
provisionne le dépôt qu'à la fin de la journée. Quelle
est la probabilité de l'événement: .. Un jour choi.si au
hasard, il y a rupture de stock .. .
§] ** Tirages de bou/es
Une urne contient II boules blanches (11 est non nul),
deux boules noi res et trois boules rouges. On extrait au
hasard une boule de l' urne, on regarde sa couleur. Tous
les tirages sont équiprobables.
1°Déterminer en fonction de 11 la probabilité Pl d'ob-
tenir une boule blanche, la probabilité p" d'obtenir une
boule noire, la probabilité P3 d'obtenir une boule rouge.
r Déterminer Il pour que la probabilité p., soit égale
-
Il
3° Déterminer fi pour que la probabilité p., soit égale
-
5
Exemples d'emploi de dénombrements à l'aide de
diagrammes, de tableaux, d'arbres, pour le calcul
de probabilités
** Paul/re Sécurité sociale! (suite ... )
Dans une certaine population de 10000 personnes, il y
a 45 % de fumeurs et 35 % de personnes atteintes de
bronchite. De plus, 65 % des bronchiteux sont fumeurs.
1 °Représenter cette situation par un diagramme ou un
tableau.
2° On prélève une personne au hasard dans la popula-
tion. Toutes les personnes ont la même prob'lbilité
d'être choisies. Calculer la probabilité de chacun des
événements suivants:
a) El : «C'est un fumeur bronchiteux .;
b) E
2
: «C'est un bronchiteux non fumeur . ;
c) E3 : .. C'est une personne qui n'est ni fumeur ni
bronchiteux •.
3° On prélève une personne au hasard parmi les
fumeurs. Tous les fumeurs ont la même probabilité
d'être choisis. Calcule.r la probabi lité de l'événement
F: « C'est un bronchiteux ».
• On peut faire un diagramme ou un lableau.
** Contrôle de qualité
Une machine fabrique 10 000 pièces par jour.
En sortie de fabrication, on a constaté qu'une pièce
peut présenter deux sortes de défalus (et deux seule-
ment).
76
·8 % des pièces présentent au moins le déf:lUt DI'
• 15 % des pièces présement au moins le défaut O
2
,
· 5 % des pièces présentent à la fois les défauts DI et
D
2
et sont directement mises au rebut
· 90 % des pièces qui présentent un seul défaut peuvent
être réparées et les autres sont mises au rebut.
1 °Représenter cette situation par un tableau.
r On prélève une pièce au hasard dans la fabrication
d' une journée. Toutes les pièces ont la même probabi-
lité d'être choisies.
Calculer la probabilité PI qu'elle présente un seul
défaut et la probabilité P2 qu'elle soit exempte de
défaut.
3° Montrer que la probabilité qu'une pièce prise au
hasard soit acceptée (directement ou après réparation)
est 0,937.
** Conférence internationale
Quatre pays participent à une conférence internationa-
le l'Allemagne, la France et l'Italie. Un
délégué de chaque pays doit faire U,1l exposé. On tire au
sort l'ordre de ces intervenants.
1 °Dénombrer tous les ordres possibles. (On pourra
s'aider d'un arbre.)
2° Tous les ordres possibles sont équiprobables.
Déterminer, sous forme de fractions irréductibles, les
probabilités de chacun des événements suivants:
A : « Les délégués espagnol, italien, allemand se sui-
\'ent dans cet ordre. ;
B : «; Le délégué français parle juste avant le délégué
allemand ».
** Tirages avec remise
Un sac contient cinq boules, indiscernables au toucher,
portant respectivement les nombres 1,2,3, 4 et 5.
On tire une boule du sac; on lit le nombre inscrü sur
cette boule et on la remet dans le sac. On répète cette
opération une deuxième fois. On appelle tirage un
couple (0, h) où a est le nombre inscrit sur la première
boule et b le nombre inscrit sur la deuxième boule .
1
0
Déterminer le nombre de tirages possibles.
2° Tous les tirages sont équiprobables, Déterminer la
probabilité de chacun des événements suivants:
A: « la somme des deux nombres lus est égale il. JO »;
B : «; la somme des deux nombres lus est égale il. 1 .;
C : « la somme des deux nombres lus est égale à 6 • ;
D : « la même boule est tirée deux fois de suite ».
... Tirage sans remise
Dans un aquarium contenant des poissons, on prend au
hasard un premier poisson puis, sans le remettre, un
deuxième poisson. On obtient ainsi un couple de
sons. Tous les couples sont équiprobables.
1° L'aquarium contient 4 poissons rouges et 2 poissons
noirs. Dans cette question. les probabilités seront don-
nées sous forme de fraclions irréductibles.
a) Combien de couples peut-on obtenir selon le pro-
cédé indiqué?
h) Quelle est la probabilité de l'événement A
« obtenir 2 poissons rouges " ?
c) Quelle est la probabilité de J'événement B
« obteni r 2 poissons noirs » ?
d) Quelle est la probabilité de l'événement A U B?
En déduire la probabilité d'obtenir 2 poissons de
couleurs différentes.
r Il y a maintenant dans l'aquarium 4 poissons rouges
et Il poissons noirs (Il est un enlier supérieur ou égal
à 2).
a} Combien y a-t-i l de poissons dans l'aquarium?
b} Quelle est la probabi lité de l'événement
A : fi( obte,nir 2 poissons rouges lt ?
c) Quelle est la probabilité de l'événement
B : fi( obtenir 2 poissons noirs»?
d} Calculer la probabilité de l'événement
C: fi( obtenir 2 poissons de couleurs diffé-
rentes lt ?
Exemples d'emploi de dénombrements à l'aide de
combinaisons pour le calcul de probabilités
(exercices 50 et 51)
,. Tirages simultanés
Une urne contient trois boules vertes, deux boules
rouges et une boule noire. Un joueur tire simultané-
ment trois boules de l'urne. 11 y a équiprobabilité des
tirages.
Déterminer, sous forme de fraction irréductible, la pro-
babilité de chacun des événements suivants:
A : « le joueur tire 3 boules de même couleur JO;
B: fi( le joueur tire 3 boules de couleurs différentes » ;
C: fi( le joueur tire 2 boule.s, et 2 seulement, de la même
couleur lt .

On considère un jeu de 36 cartes dans lequel on dis-
tingue quatre couleurs: trèfle, pique, carreau, cœur et
dans chaque couleur, neuf valeurs dans l'ordre habi-
tuel : as, roi, dame, valet, dix, neuf, huit, sept, six.
Chap. 2 : Probabilités sur les ensembles finis 77
Un joueur tire cinq cartes simultanément. Tous les
tirages possibles sont équiprobables.
L'exercice a pour but de comparer les probabilités des
événeme,nts suivants, intervenant dans certains jeux de
cartes:
A : « Obtenir un carré » (soit quatre cartes d'une même
valeur, par exemple quatre rois);
B : "" Obtenir une quinte flush JO (soit cinq cartes d'une
même couleur dont les valeurs se suivent);
C : 0: Obtenir un full lt (soit troi s cartes d'une même
valeur et deux autres de même vale ur, par exemple:
trois rois et deux dix).
1° Calculer P(A}, P(B), P(C), et donner une valeur
approchée de chaque nombre à 10- 5 près.
2° Un « coup » est dit meilleur qu'un autre si sa proba-
bilité est plus petite; chaque coup est affecté d'une
valeur V qui augmente quand P diminue
(si P(B) < P(A), alors V(B) > V(A» .
Le classement défini par la règle du j eu est:
V(C) < V(A) < V(B).
D'après la question 1°, cette règle est-elle just.ifiée?
UnQCM
§]**
Cet est lUI à (:hoix multiples.
Indiquez sur copie, pour chaque posée,
est la !JOllllt! réponse parmi It!s propositiolls de
l'inor/ci. AUCtt11t! just(fication 11 'est demandée.
1 °Un client compose son repas dans un restaurant en
choisissant une entrée parmi quatre, un plat du jour
parmi trois et un dessert parmi cinq. Combien de choix.
possibles a+ij pour composer son menu?
A: 17; B: 12 ; C:60.
r On lance deux dés cubiques bien équ ilibrés. Tous les
résultats sont équiprobables.
Quelle est la probabilité d'obtenir deux numéros iden-
tiques?
A :_1_. B:-I_. C:!.
216 ' 1296 ' 6
3° On tire successivement sans remi se deux cartes dans
un jeu de trente-deux cartes. Tous les tirages sont équi -
probables. Quelle est la probabi lité d'obtenir deux
cartes de couleur rouge (cœur ou carreau)?
A·.!2· B·! C!
·62' ·4' . i
4° Afin de former une commi ssion, on doit choisir trois
personnes dans un groupe de douze personnes.
a} Combien y a-t-i l de commi ssions possibles?
A: 4; B: 1728; C: 220.
b) Dans ce même groupe de douze personnes, quatre
sont des femmes et huit des hommes. Sachant que
toutes les commissions ont la même pro-
babi li té d'être choisies, quelle est la probabilité
qu'une commission comporte deux femmes exacte-
ment?

12
. B:3-., C:1..
·55' 55 Il
Probabilités conditionnelles avec un tableau
(exercices 53 à 55)
§] . Vive le sport!
110 étudiant s de STS se répartissent de la façon sui-
vante:
Pratiquent un sport
Ne pratiquent
aucUD sport
fine.
30
12
50
18
On tire un étudiant au hasard parmi les 110. Tous les
étudiants ont la même probabilité d'être tirés. On
considère les événements suivants:
F: « L'étudiant est une fille»;
G: « L'étudiant est un garçon » ;
S: « L'étudiant pratique un sport»;
S: « L'étudiant ne pratique aucun sport ».
1° Déterminer, à l'aide du tableau, sous forme de frac-
tions irréductibles, les probabilités suivantes:
a) P(S), P(F n S), P(F /S),
b) PtS). P(G n 5), p(G/S).
2' Vérifier que P(F n S) P(F/S) x P(S) et que
P(G n 5) P(G /5) x P(5).
§] . 11 Y a des erreurs dans le contrôle
Dans un atelier, on contrôle les pièces d'un ceflain
modèle qui sont fabriquées en grande quantité. 2 % des
pièces fabriquées sont défectueuses.
Le contrôle est tel que 96 % des pièces non défec-
tueuses sont acceptées et que 98 % des pièces défec-
tueuses sont refusées.
1° On considère un lot de 10000 pièces respectant les
pouree-ntages précédents. Compléter, après l'avoir
reproduit, le tableau sui vant
78
_drplka
........ apoà
Ie_
2
0
On prélève au hasard une pièce parmi les 10000 d'un
tel 101. Toutes les pièces ont la même probabilité d'être
prélevées. On considère événements sui vants:
El: « La pièce est défectueuse et acceptée par le
contrôle ,. ;
E
2
: .. La pièce est bonne et refusée par le contrôle ,. ;
EJ : .. Il ya une erreur dans le contrôle ,. .
Déterminer les probabilités P(EI)' peEl)' peE,).
3° Déterminer la probabilité de l' événement : tE La
pièce est bonne sachant qu'elle a été refusée. »
•• Composants électroniques
Un fabricant de composants électroniques d'un certain
modèle possède trois machines A, B et C qui
fournissent respectiveme11l 10 %, 40 % et 50 % de la
production totale de usine. Une étude a montré que
3,5 % des composants produits par la machine A, 1,5 %
des composants produits par la machine B et 2,2 % des
composants produits par la machine C sont défectueux.
1° La production d'une journée est de 10000 unités.
Décrire à l'aide d'un tableau la situation journalière de
la product ion.
r Après fabrication, les composants sont versés dans
un bac commun aux trois machines. On prélève au
hasard un composant dans le bac qui contient la pro-
duction d'un jour donné. Tous les composants ont la
même probabilité d'être choisis.
a) Montrer que la probabilité que ce composant pro-
vienne de la machine C et soit défectueux: est 0,0 Il .
b) Calculer la probabilité que ce composant soit
défectueux.
c) Calcul er la probabilité que ce composant pro-
vienne de la machine C, sachant qu'il défectueux:.
Sans tableau ...
(exercices 56 à 60)
• Appliquer la définition
On considère événements A et B tels que
P(A) 0,4, P(B) 0,6 el P(A U B) 0,7.
Calculer P(A n B), p(A lB) et P(B rA).
•• Pannes de machines
Dans une usine, la fabrication d'une pièce nécessite
l'utilisatjon de deux machines At 1 et M
2
"
Pour une période donnée, les probabilités que ces
machines tombent en panne sont respectivement
5 .1O-
3
et 7· JO-
3
.
D'autre pari, la probabilité que M,! soit en panne
sachant que At 1 est en panne est 0,5.
On nOIe A J'événement: co: la machine MI tombe en
panne )10 el B l'événement: "" la ma<.'hine M
2
tombe en
panne • . On a donc: P(A) = 0,005 : P(B) = 0,007 et
P(B A) = 0,5.
1° Calculer la probabi lité de J'événement C: . Ies deux
machines tombent en panne ».
2° Déduire du JO que la probabilité d'avoir au moins
L1ne machine qui fonctionne est 0.9975.
.. Au • mondial " de l'automobile
On effectue une enquête sur les goûts des consom-
mateurs concernant les accessoires automobiles.
Dans la population interrogée, 90 % souhaitent un
véhicule équipé d'un autoradio, 15 !J· souhailent la cli-
matisation et 12 % souhaitent ces deux équipements.
1
0
On prélève un individu .w hasard dans ceUe popu-
lation. Tous les individus ont la même probabilité
d'être choisis.
On note A l'événement: « le consommateur souhaite
un autoradio lt et B l'événement: « le consommateur
souhaite la climatisation lt . Donc P(A) = 0,9 ;
P(B) = 0,15 et P(A n B) = 0,12.
a) Quelle est la probabilité qu'i l ne souhaite pas
d'autoradio?
b) Quelle est la probabilité qu'il souhaite au moins
l'un des deux équipements '!
ZO On prélève ;w hasard un individu parmi ceux qui
souhaitent la dimatisation. Quelle est la probabilité
qu'il souhaite aussi un autoradio, c'est-à-dire P(A B)?
@!] ••• Test de dépistage
Ul ri Sl/llats arrondis (lU
plus procht!.
Dans une région d'un pays en voie de développement,
15 % de la population est arteinte par un certain virus.
On met en place un test de dépistage.
On tire au hasard un individu dans la région. Tous les
individus ont la même probabilité d'être choisis.
Chap. 2 : Probabilités sur les ensembles finis 79
On note:
A l'événement: « l'individu est sain »,
B l'événement: « l'individu est contaminé )10,
C l'événement: « l'individu a un test négatir lt,
D "événement: « l'individu a un test positif lt .
La probabilité qu'un test soit positif sachant que le
sujet est sain est 0,004.
La probabililé qu' un test soit négatif sachant que le
sujet est contaminé est 0,024.
JO Déduire de l'énoncé PlA), P(B), p(DIA) et P(CIB).
r Calculer la probabilité que le test soit positir et
dividu sain.
30 Calculer la probabilité que le test soit négatif et l'in-
dividu contaminé.
4
0
En déduire la probabilité que le résultat du test soit
en·oné.
••• En « Formule 1 -'
Un constructeur de moteurs de « Formule 1 » fabrique
des moteurs de compét ition. La probabilité qu'un de
ces moteurs soit e,;empt de défaut, et par suite ne
« casse lt pas lors d'un Grand Prix, est 0,8. On dira pour
simplifier qu'un tel moteur est « bon ", et on notera B
l'événement: « le moteur est bon ».
Avant chaque Grand Pri,;, un contrôle très sévère est
effectué: soit le moteur est déclaré utilisable, soit il est
rejeté.
On note U J'événement: « le contrôle déclare le véhi-
cule utilisable ».
Ce contrôle n'est pas infaillible:
sachant qu'un moteur est bon, il est déclaré utili-
sable dans 95 % des cas,
- sachant qu'un moteur a un défaut, il est rejeté dans
80 % des ca\).
Notations .- si E est un événement, on notera E l'évé-
nement contraire.
On prélève un moteur au hasard, la veille du Grand Prix
de France, à Magny-Collrs.
10 En traduisant les données de l'énoncé. déterminer
P(B), P(UIB), P(U ii).
r Calculer la probabilité des événements suivants:
V : « le moteur est bon et il est déclaré utilisable )10 ,
W: « le moteur a un défaut et il est dédaré utilisable ».
En déduire la probabilité de U.
30 Montrer que la probabilité qu'un moteur soit bon
sachant qu'i l est déclaré utilisable est 0,95.
Événements indépendants
• Les feux tricolores
Sur une route, deux carrefours notés 1 et 2 sont munis
de feux tricolores. On supposera que ces feux ne sont
pas synchroni sés et que pour un automobiliste circulant
sur cette roule, l'apparition d'une couleur donnée est
un pur hasard.
On note A l'événement: « le feu 1 est vert » et B l'évé-
nement : « le feu 2 est vert ».
P(A) et P(B) Les feux 1 et 2 fonctionnent de
manière indépendante.
Un automobili ste passe successivement aux deux car-
refours.
1
0
Calculer. sous forme de fraction irréductible, la pro-
babilité qu'il rem.'onlre deux feux verts.
r Calculer. sous forme de fraction irréductible, la pro-
babilité qu'il rencontre au moins un feu vert.
§] .. Défaut de fabrication
Un atelier produit un composant optique en deux
phases indépendantes. La première est susceptible de
faire apparaître un défaut a sur 2 % des composanLS, la
seconde un défaut (3 sur 4 % des composants. On pré-
lève un au hasard dans la production d'une
journée.
On appelle A J'événement: « le composant présente le
défaut a » et B l'événement: « le composant présente
le défaut (3 ».
Calculer à 10-
4
près, la probabilité de chacun des évé-
nements suivant s:
a) le composant présente les deux défauts;
b) le composant présente au moins un des deux
défauts;
c) le composant ne présente allcun des deux défauts;
d) le composant présente un et un seul des deux
défauts.
•• Dé truqué
Un joueur utilise un dé t.ruqué à six faces. La probabi-
lité de voir apparaître chacun des six numéros est don-
née par le tableau suivant:
Numbo 2 3 4 5 6
Probobiliœ 0,4 0.15 0,15 0,05 a b
] 0 Calculer a et b. sachant que l'apparition du
numéro 5 est quaLTe foi s plus probable que celle
du 6.
80
r Le joueur lance le dé.
a) Quelle est la probabilité de voir apparaître un
numéro pair? un numéro impair ?
b) Quelle est la probabilité que ce soit le numéro l,
sachant que c'est un numéro impair ? On donnera
une valeur approchée arrondie à JO-2.
e) On considère les événements:
A : «voir apparaître un numéro pair »;
B : «voir apparaître un multiple de 3» ;
C : « voir apparaître un nombre inférieur ou égal
àh.
A est-il indépendant de B?
A est-il indépendant de C?
Exercices d'examens
... Probabilité et analyse
Une urne contient 36 boules indiscernables au toucher.
Dans cette urne x boules sont blanches, x boules sont
rouges, toutes les autres sont vertes (x étant un nombre
c.ntier vérifiant 1 :s;: 17) ..
On tire au hasard et simultanément 3 boules de l'urne.
Il y a équiprobabilité des tirages.
1
0
On suppose x = 1. Les probabilités seront arrondies
à 10-
4
a) Quelle est la probabilité de lirer une boule de
chaque couleur (c'est-à-dire une rouge, une blanche
el une verte)?
b) Quelle est la probabilité de tirer 3 boules vertes?
2
0
a) Étudier les variations de la fonction f définie sur
[0, 17] par f(x) 36x
2
- 2,' et déterminer la
valeur de x pour laquelle f atteint son maximum.
b) Montrer que le nombre des tirages donnant une
boule de chaque couleur est égal à J(x).
c) Soit P(x) la probabilité de tirer une boule de
chaque couleur. Exprimer P(x) à l'aide de J(x) et en
déduire la valeur de x pour laquelle P(x) est maxi-
male.
••• Le portable n'était pas interdit le jour de l'exa-
men ... avec des probabilités conditionnelles
Un magasin de distribution vend deux types de télé-
phones portables :
• des téléphones standards;
• des téléphones miniatures.
Il propose aussi deux types d'abonnements mensuels:
• l'abonnement 1 heure ;
• l'abonnement 2 h 30.
Le service marketing effectue une enquête sur un
échantillon de 2000 clients ayant acheté dans ce maga-
si n, pendant l'année en cours, un téléphone et un seul
de l'un des types vendus et ayant opté pour un seul des
abonnements proposés. Sur les 2000 clients interrogés,
1 200 ont acheté le modèle standard. Sur ces 2000
clients, 960 ont choisi « J'abonnement 1 heure •. Un
client est pris au hasard dans l'échant illon.
Tous les clients ont la même probabi lité d'être choisis.
On note les événeme.nts :
• S : .. le client a acheté le modèle standard ;
• M : « le client a acheté le modèle miniature . ;
• AI : « le cli ent a choisi l'abonnement 1 heure »;
• A
2
: « le client a choisi l'abonnement 2 h 30 •.
On note P(E) la probabilité d'un événement E.
Les rbu/tats serolll donnés SOLIS forme décimale m'el' 3
chiffres aprt'S la \'irgule.
l ' Détermi ner P(S), P(M), P(A
t
),
r a) Parmi les clients qui ont acquis le modèle stan-
dard, 32 % ont pris l'abonnement AI.
Traduire cette donnée en terme de probabilité.
b) En déduire la probabilité d'avoir acquis le modè-
le standard et d'avoir opté pour l'abonnement A].
••• Tirages simultanés et probabilités condi-
tionnelles
Dans al nerciu, toutes les prolxlbiJités suont dOI/-
nùs sous forme de jracliOlIS irrlductib!es.
Une urne contient huit boules:
- cinq boules blanches, dont trois portent le numéro a
et deux le numéro l ,
- trois boules noires, dont deux portent le numéro 0 et
une le numéro 1.
On tire au hasard, et simultanément, deux boul es de
l'urne. On admet que tous les li rages sont équipro-
bables.
1° Déterminer la probabilité de l' événement A: .. les
deux boules tirées portent des numéros différents • .
En déduire que la probabi lité de l'événement B : « les
deux boules tirées por tent le même numéro » est
2° a) Déterminer la probabilité de l' événement C :« les
deux boules tirées sont noires et portent le même
numéro )t .
b) Déterminer la probabilité de J' événement D:
«les deux boules tirées sont blanches et portent le
même numéro)t.
e) Déterminer Ja probabilité de l' événe,ment E : « les
deux boules tirées sont de même couleur •.
3° Sachant que les deux boules tirées portent le même
numéro, déduire des questions que la
Chap. 2 : Probabilités sur les ensembles finis 81
probabilité que ces deux boules soient de même cou-
leur est 2..
13
... Test de contrôle dans "industrie pharma-
ceutiquè et probabilités conditionnelles
Dans ut toutt!s probabilités serollT dOl/-
nées SOIfS forml! dt! fractions irrlductibJt!s.
Une entreprio;;e de produits pharmaceutiques fabrique
en très grande quantité un certain type de comprimés.
La probabilité qu'un comprimé soit conforme est 0,9.
1° On note C l' événement: << Le comprimé est confor-
me )t, et ë l'événement cOnlraire de C.
Calculer la probabilité de l'événement ë.
2° On contrôle chaque comprimé. On constate que,
lorsqu'un comprimé est conforme, il est toujours
accepté à l'issue du contrôle; quand un comprimé n'est
pas conforme, il peut être néanmoins accepté avec une
probabilité de D.On note A J'événement: « Le compri-
mé est accepté à l' iss ue du contrôle ».
a) Monlfer que les probabilités des événements
A n C et A n ë sont respectivement égales à 1..
1 10
et 110'
b) En remarquant que A = (A n C) U (A n ë), et
que les événements A n C et A n ë sont incompa-
tibles, déterminer la probabilité de A.
c) Calculer la probabilité de C sachant que A.
••• Dans "imprimerie, avec des probabilités
conditionnelles
Dans une imprimerie, la fabrication journalière d'un
qumidien condui t à deux défauts de fabrication:
le défaut D : «présence de taches d'encre sur la der-
nière page du journal»;
le défaut A : « présence de taches d'encre sur la page
des offres d'emplois )t.
La probabilité qu'un journal, pris au hasard dans la
fabrication, le défaut D est O,()()..I.5.
La probabilité qu'un journal, pris au hasard dans la
fabrication, présente le défaut A est 0,0025.
On a établi que la probabilité qu'un journal, pris au
hasard dans la fabrication, présente le défaut D sachant
qu'il présente le défaut A est 0,8.
On prélève un journal au hasard, dans la fabri cation.
1° Calculer à 10-
4
près la probabilité qu'i l présente les
deux défauts.
2° Calculer la probabilité qu'il présente le défaut A,
sachant qu'il présente le défaut D.
3° Calculer la probabilité qu ' il présente au moins un
défaut.
.... Boire ou conduire ... a".ec des probabilités
conditionnelles .
Le seuil maximal d'alcoolémie toléré pour condu ire
une automobi le est 0,5 gramme par litre.
Un laboratoire a mis au point un éthylotest. Théuri-
quement, celui -ci devrait être positif lorsqu'une per-
sonne testée a une alcoolémie stri ctement supérieure au
seuil toléré. Mai s il n'est pas parfait:
lorsqu'une personne a un taux d'alcoolémi e stri cte-
ment supéri eur au seuil toléré, l' éthylotest est posi-
tif 96 fois sur 100 ;
lorsqu'une personne a un taux d'akoolémie infé-
rieur ou égal au seuil tolé ré, l' éthylotest est positif 3
foi s sur 100.
On que ces résultats portent sur un échantillon
suffisamment important pour qu ' il s soient constants.
Dans une région donnée, 95 % des conducteurs d'auto-
mobile ont un seuil d'alcoolémie inférieur ou égal au
seuil toléré. On soumet, au hasard, un automobili ste de
cette région à l'éthylotest.
On définit les événements suiv:mts.
0: • l'éthylotest est positif »;
N: « l' éthylotest est négatif » ;
S: . le conducteur a un taux d'alcoolémie strictement
supérieur au seuil toléré»;
1 : « le conducteur a un taux d'alcoolémie inférieur ou
égal au seuil toléré ».
1" Que valent PtT) , p(oIS), p(ol l) ?
2° Quelle est la probabilité que l'automobili ste ait un
taux d'alcool émie strictement supérieur au seuil
toléré?
3° Quelle est la probabilité qu'il ait un taux d'alcoolé-
mie strictement supérieur au seuil toléré, et que J' éthy-
lotes!.....soit positif ? __ J
4" a) Calculer P(O n 1), pui s P(O) .
b) Quelle est la probabilité qu' il ait un taux d 'alcoo-
lé mie strictement supérieur au seuil tol éré, sachant
que J' éthylotest est posi tif ?
82
SO Quelle est la probabilité que donne un
résuhat erroné?
us \'alel/ rs approc!Jüs se.rolll arrondie!)' à 10 - 3.
.. fi tvénements indépendants
Quatre amis décident de jouer avec un jeu de 32 caries
auxquelles ils attribuent des points:
4 points pour chacun des quatre $: as »,
3 points pour chacun des quatre « roi s »,
2 points pour chacune des quatre . dames »,
1 point pour chacun des quatre « valets »,
aucun point pour chacune des seize alllres cartes.
Une partie I:onsiste à tire r simultané ment troi s cartes
du jeu et à relever le total des points qui leur sont attri
M
bués. On dit que le joueur « ne marque pas » lorsque le
total relevé est nul. On dit que le joueur « marque »
dans tous les autres cas. On admet que, lors de chaque
partie, tous les de trois cartes sont équipro-
bables.
1 °Un jOl/eur fait "ne partie.
On considère les sui vant s:
- A : Le joueur « ne marque pas » ;
- B : Le joueur . marque»;
- C : Le joueur $: marque » avec un total de 9 points.
Montrer que la probabilité de l' événement A est l.
.. 62
Calculer la probabilité des événements B et C.
Dmlllt!r les rbt/llats SOIi S forme de fractions irréduc-
tibles.
2° U,\" quatre amis jOIl (!1If slIccessil'ement chacull UI/ ('
parlie.
On admet que les résuhats des quatre parties sont indé-
pendanb. Calculer la probabi lité que l' un au moins des
quatre amis « marque ».
Donner une approximation décimale du résultai à 10- 4
prè.s par défaut.
Si AI' A2' A 3' A-4 sont des é, .. énemenb deux il deux indé·
pendanb.,
P(AJ n A
2
n AJ n A-4) = PlA t ) x P(A
2
) x P(A
3
) x p(A-4)
Chapitre
3
Variables aléatoires
à valeurs réelles
Ce chapitre vous permet de résoudre quelques problèmes simples concernant les variables
aléatoires dont la loi figure au programme et vous familiarise avec l'utilisation des tables
de ces lois.
Les sciences et les techniques économiques fournissent un large éventail de tels problèmes.
Conformément au programme de mathématiques des sections de techniciens supérieurs,
dans ce premier contact avec les variables aléatoires, aucune difficulté théorique ne doit
être soulevée. C'est le cas notanmlent de la convergence de séries numériques ou d'inté-
grales intervenant dans la fonction de répartition, r espérance mathématique et la variance
de certaines variables aléatoires.
Pour la réalisation de simulations, on se reportera utilement à la brochure de l'IREM
Paris-Nord: Si/lllllllliolls d'e.\périeflces aléatoires (une expérimentation du hasard de la
Première au BTS sur calculatrice et ordinateur).
A.lOI DE PROBABILITÉ
FONCTION DE RÉPARTITION
Fig.
Un aUlre choix d'univers e ~ 1 propo-
~ en remarque ?t. la fin du para-
gr:lphe I.d.
Le tableau ci-contre correspond à
l'arbre ci-dessus.
1. EXEMPLE
a. Calcul de probabilités sur un univers n
Tirons cm hasard une boule d'ulle urne cOlltellalll une boule rouge R,
une boule l'erre V et ulle boule bleue B. Remettons-la dans "ume et
effectltOw'i LUI second tirage d'lme bolt/e, chacune des trois bou/es
ayant, dans ce cas aussi, la même probabiliri d'être choisie.
Comme nous l'avons vu au chapitre 2, on peut calculer des probabili-
tés concernant cette situation; choisissons, par exemple, comme uni-
vers f1 l'ensemble de tous les couples dont le premier élément est la
boule obtenue au premier tirage et le second, celle obtenue lors du
second tirage.
~ 2" ....
R V B
R (R.Rl (v. Rl (B, R)
V (R. V) (v. V) (B. V)
B (R. Bl (V, Bl (B. B)
fi ~ {(R. Rl. (V. R), (B, R). (R, V). (V, V). (B, V). (R. B). (v. Bl. (B. B)} .
Chap. 3 : Variables aléatoires à valeurs réelles 83
Revoir l'équiprob:lbilité au para-
graphe A. I.e. du chapitre 2.
Les situations des jeux ont eu un
rôle fondamental dans l'élaboration
du calcul des probabilités, comme
en témoigne, par ex:cmple, la cor-
respondance entre Pascal et Fermat
au milieu du XVII!! siècle.
Par exemple. JX)ur lU = (R, B). on a
X(w) 2.
li,) est la lettre grecque
« oméga » dont la majuscule est O.
Un singlelOn de X(O) est une partie
de X(O) ayant un seul é.lémenl.
D'après l'énoncé, les neuf événements élémentaires sont équipro-
bables : leur probabi lité commune est donc
Nous pouvons alors calculer la probabilité de tout événement: ainsi,
par exemple, la probabilité de tirer au moins une boule verte est
P ({(R, V), (V, R), (V, V), (V, B), (B, V»))
b. Variable aléatoire à valeurs réelles
Complétons la situation précédente par une règle du jeu:
Pour chaque boule rouge tirée, 011 gagne 6 euros.
Pour chaque boule verte tirée, Oll gagne 1 euro.
Pour chaque boule bleue (irée, Oll perd 4 eU/vs.
Soit X l'application de!1 dans IR qui, à tout tirage de deux boules décrit
au paragraphe 3., associe le gain ainsi obtenu; une perte est considérée
comme un gain négatif.
(R.R) _-'-',.--------..... -1
12
X
(V, R) 7
(R. V)

(V. V) 2
(R. B)
(V, B) O---;;;-;;;--=-:I:-=====-j - 3
IB.V)
tB. B) - 8
n
X: w X(w) , gain obtenu avec le tirage w.
!1 IR (voir ci-contre).
X est une variable aléatoire à valeurs réelles.
Fig. 2
L' ensemble {- 8, - 3, 2, 7, 12} des gains possibles, c'est-à-dire des
valeurs prises par X, est noté X(!1).
X(!1) = { - 8, - 3,2,7, 12} est l'image de !1 par X.
Remarque
On peut définir plusieurs variables aléatoires sur un même
ensemble!1 ; il suffit, par exemple, de créer de nouvelles règles du jeu.
c. Probabilité image
définie par une variable aléatoire
Dans la situation décrite ci-dessus, un joueur prétère, avant de jouer,
connaître la probabilité de gagner 12 euros ou de perdre 3 euros plutôt
que celle de lirer telle ou tell e bou le de couleur.
Aussi allons-nous chercher à bâtir, à parlir de la probabilité P
définie sur!1, une nouvelle probabilité P' définie sur
X(!1) = {-8, -3,2, 7.12} .
Pour toute partie Ede X(!1), on veut définir une probabililé P'(E) à
l'aide de P et de X.
Observons par exemple sur la figure le si ngleton {2} de X(!1). Il est
l'image par X de la partie {(B, R), (V, V), (R, B)} de !1.
84
Les neuf événements élémentaires
de fi sont équiprobables.
1 (B, R), (V, V), (R, B)) "1 égal à
lu> E 0, X(O) 2).
X n'est pas une bijeçti on de fi sur
X(O), car 2 a trois antécédents
par X,
C'est l'événement qui intéresse le
plus le joueur!
{(R, R), (V, R), (R, V), ( B, R),
(V, V), ( R, B)) <SI égal à
lu> E fi , X("' ) E CI.
Les neuf é\'énements élémentaires
de 0 sont équiprobables.
Dans ce jeu, la probabilité de
gagner est supérieure
Or P( {(B, R) , (V, V), (R, B)}) =
Aussi est-il « naturel » de poser P'({2}) =




n
P
o
x
1
3
De même, soit G l' événement<< avoir un gain positif ».
G = {2, 7, 12} pui sque X(O) = {- 8, - 3, 2, 7, 12},
____
IV,R)
(V,v) •
IR,B).
o
G est l'image par X de la partie

1
2
3
P'
{(R, R), (V, R), (R, V), (B, R), (V, V), (R, B)}
de 0 constituée de six événements élémentaires de O.

Fig. 3
x(n)
Fig. 4
Donc P({(R, R), (V, R), (R, V), (B, R), (V, V), (R, B)}) =
Il est naturel de poser P '( G) =
Ainsi P'(G) est la probabilité (mesurée par P) de l'ensemble des élé-
ments w de 0 dont l'image X(O) par X appartient à G :
P'(G) = P({w E 0; X(w) E G}),
D'une manière générale, soit pl l'application qui, à toute partie A
de X(O) = {- 8, - 3,2,7, 12}, associe le nombre
P' (A) <SI donc compris en Ire 0 el l. P '(A) = P({w E 0; X(w) E AI),
Chap. 3 : Variables aléatoires à valeurs réelles 85
Iw E n: X(W) E Al est la parlie de
n représentée sur la figure d·
contre.
Nous admetton .. ce résult at.
Voir la définition d'une
au paragraphe A. I.a. du 2.
Voir le paragraphe A. 1.a. du cha·
pitre 2.
k appartient :1 X(n).
p(X = 2) se lit « probabilité que la
vari able aléatoire X prenne la
valeur 2 ,..
On constate que ["équi probabilité
des événements de n
n'existe plus pour les événements
élémentai res de X(fl).
La longueur totale de tous les
bâtons est égale à 1.
x
A
o
x(n)
P'(A) = P(I'" En; X(Ol) E A))
Fig. 5
On peut démontrer que P' vérifie les axiomes d'une probabilité défi·
nie sur l'ensemble des parties de X(fi) :
• P'(X(O» = 1 ;
• pour toutes parties A, B de X(O),
si A n B = 10, alors P'(A U B) = P' (A) + P' (B),
P' est la probabilité image de la probabilité P par la variable aléa·
toire x.
On sait calc ul er la probabilité de n' importe quelle partie de
X(!1) = { - 8, - 3,2,7, 12} à l' aide des probabilités des événements
élémentaires ( k ) .
On adopte pour celles-ci les notations suivantes :
P' ( (2)) = P( (w E 0 ; X(w) = 2)) se note plus simplement P(X = 2).
Ainsi P(X = 2) = 1.
3
D'une manière générale, pour tout nombre k de X(!l), 011 IlOte
P(X = k) l e lIombre P'((k)) = P((w E fi; X(w) = kl).
d. Loi de probabilité ou distribution
d'une variable aléatoire
Définition
La loi de probabilité ou distribution de la variable aléatoire X est la
fonction; k ..... P(X = k)
X(H) --> [0, 1].
Tableau de "aleurs Diagramme en bâtons
k l'IX k)
-8
J
'9
-3
2
'9
3
2
2
J
3
7
2
'9
t2
J
'9
9
1
t
1
9
-8 -3
0
2 7 t2
Fig. 6
86
Il est devenu inulile de connaître n
et la probabilité définie sur n.
Par exemple, 1!'4 corresjX)nd à
I(R, V), (V. RH.
Remarque
Les informations contenues dans ce tableau de valeurs suffisent pour
calculer la probabilité de n'importe quelle partie de X(n ).
Pour modéli ser la situation proposée au paragraphe La., nous pouvons
aussi choisir pour uni vers J'ensemble nJ des six éléments suivants
pour lesquels l'ordre d'obtention des boules n'est pas pris en
compte: e l : deux boules rouges; e
2
: deux boules vertes; e
3
: deux
boules bleues; '4 : une boule rouge et une boule verte; es : une boule
rouge et une boule bleue; '6 : une boule verte et une boule bl eue.
La probabilité P, définie sur n, ne correspond plus à l' équiprobabilité
des événements élémentaires, car on a :
pour l '" i '" 3, P'('i) = i, pour 4 ", i '" 6, P, (' i) = l
La situation du paragraphe l.b. conduit alors à défi nir la variable aléa·
toire XI sui vante:
" .
'2
X,
'.
7
I!',,! •
"
2
' ..
-)
"
-8
n,
R
Fig. 7
La probabilité P; (paragraphe c.). image de la probabilité P, par 1.
variable aléatoire XI' conduit (paragraphe d.), à la loi de probabilité
suivante pour XI :
i P,(X, = i ~
,
Pt(X, = 2) = P, ( { e2' es})'
-8
ij
= P,({ '2 } U {es }),
-)
2
= P, ({'2}) + P, ( { es})'
il
2
,
car {e2 } et {es} sont incompatibles
"3
(h) n {es} = 0).
7
2
P,(X, = 2) = i + ~ .
ij
'2
,
1
ij - 3'
C'est le même tableau qu'avec la variable aléatoire X: la variable aléa-
toire mesurant le gain a la même loi de probabilité avec ces deux modé-
lisations du tirage. au hasard el avec remise de deux boules.
Chap. 3 : Variables aléatoires à valeurs réelles 87
G est l'é,.énement .. avoir un gain
.. : G est égal à
IwEn:X(w)E 12,7, 12)),
o n'appart ient pas à Xt!l).
p(X ::!';; 0) se lit .. probabi li té que la
variable aléatoire X prenne une
valeur inférieure ou égale à 0 JO.
p(G) 1 - p(G).

p(x" 0) p(X" 1),
De même. p(X::!';; 20) = 1.
P(0) O.
On définit parfois la foncti on de répar-
tition de X par F(,.t) = p(X < x);
seules les valeurs de F(k) où t.
appartient à Xt11) sont modifiées.
F est une foncti on en escalier (ou
constanle par ioter\'alle5) : voir le
chapi tre 1.
Sur chaque SC"gmenl de droite. l'eJt-
tR:mi té de droi te est e:c:clue et cell e
de gauche. incl use: les abscisses
des extrémités des SC"gments sont
des éléments de X( !l ).
x(n) 1- 8, - 3,2,7, 12 }.
La propriété selon laquelle Fest
conti nue à droite en lout .1"0
n'est pas un objectif du progr.unmc=
de mathématiques dc=s sect ion" de:
techniciens supéri eurs.
e. Fonction de répartition
Nous avons déjà vu, au paragraphe I.c. , que P(G) = où
G = {WE O ;X(w» O},
On convient de nOler P(G) = P(X > 0) ; de même, pOlir l'événement
conlraire, on nOIe p(e) = P(X";; 0),
D' une manière générale, pour tout nombre réel x, on note P(X ::S;;; x)
le nombre r éel P({w E fi ; X(w) ,,;; xl).
Par exemple, P(X ,,;; 0) = 1-
P(X";; 1) = P({w E 0 ; X(w)";; 1))
= P({w E O ;X(w) = - 3 ouX(w) = - 8))
= P(X = - 3) + P(X = - 8)
car les événemenls X = - 3, X = - 8 sont incompatibles.
P(X";; 1) = + 1 = 1,
993
P(X";; 15) = P( {w E 0; X(w)";; 15)),
= Pl O) ,
= L
De même P(X";; - 10) = 0, car { w E 0; X(w),,;; - IO} = 0.
Définition
La fonction de répartition de 1. variable aléatoire X est 1. fonction F :
x .... F(x) = p(X" x)
R .... [0, Il.
Représentation graphique de F
2
3
1
3
-8 -3
0
2 7 12
Fig. 8
F(x) est la somme des nombres P(X = k), s'ils existent , pour lesquels
k apparti ent à X(O) el k ,,;; x.
Les nombres P(X = k) appar tenant à [0, Il, la fonction F est crois-
sante (au sens large) sur lit
F(x) = 0 pour lout x < - 8.
F(x) = 1 pour lout x ;" 12.
Ce derni er résullat est à rapprocher de P(X(O)) = l ,
88
F(7) F(6,5) + p(X 7).
Nous rt'ncontrerons au par.tgraphe
2. d'autres variables aléatoires pour
lesquelles la fonction de répartition
joue un rôle essentiel.
La variable aléatoire X au
parJgraphe 1. est une variable alé.a-
toire prenant poUf valeurs
les éléments -8. - 3. 2. 7,12 de
X(n).
Voir le début de la remarque- du
paragraphe l.d.
Nous a\'ons vu au paragraphe 1.
que cette somme est P'(Y(O» = J.
X peut prendre une infinité de
valeurs: les éléments de N*.
Remarque
La donnée de F suffit à définir X : en effet, par différence, on peut
retrouver la loi de probabilité de X.
Ainsi F(7) = et F(6,5) = ; comme 7 est le seul élément de X(n)
appartenant à l'intervalle [6,5; 7]. on a :
P(X = 7) = F(7) - F(6,5), donc P(X = 7) =
Cependant, pour une variable aléatoire comme X, il est plus simple
d'utiliser la loi de probabilité que la fonction de répartition.
2. AUTRES EXEMPLES
a. Exemples de variables aléatoires discrètes
1. Soit Y la variable aléatoire mesurant le nombre k de voitures neuves
vendues en un jour par un concessionnaire d'une certaine marque.
Supposons que la loi de probabilité de Y soit la suivante:
o 2 3 4
0,0:2 O,t 0,3 0,4
Bien que l'univers n, sur lequel la variable aléatoire Y est définie, ne
soit pas précisé, nous pouvons effecnler des calculs de probabilités
avec Yet représenter graphiquement la loi de probabilité (fig. 9) et la
fonction de répartition (fig. 10) de Y.
0.5
O, t
0,2
o 5 k
o
Fig. 9
Remarque
-----------,..-
--------..........t
, ,
, ,
--------.1
, ,
,
,
,

......-.j
5 k
Fig. 10
La somme des nombres P( Y = k) où k appartient à (D, l, 2, 3, 4, 5) est
5
pey = k) = 1. C'est aussi F(x), pour x '" 5.

2. Soit X la variable aléatoire mesurant le nombre de lancers d'une
pièce de monnaie nécessaires pour obtenir face pour la première fois,
en supposant qu'à chaque lancer pile et face sont équiprobables.
X peut prendre pour valeur tout nombre entier k supérieur ou égal à 1.
Chap. 3 : Variables aléatoires à valeurs réelles 89
p(X 1) P(faco)
p(X = 2) = P(pile au premier lan-
cer et face au second).
p(X = 2) = P(pÎle au premi er lan-
cer) x p(face au second) car les
deux lancers sont indépe01.Jants:
donc:
p(X = 2) = t x = (!t
"
k (t)k est égal ?t
k- I _
1 (1)' (1)' (1)"
2 + 2: + 2: +"'+2'
Ces risultats sont à rnpprocher de
la remarque concernant la variable
aléatoire Y ci-dessus. On retrouve
P'(X(O) 1.
L'événement X = k correspond à: « obtenir pile à chacun des (k - 1)
premiers lancers et face au k-ième lancer ».
P(X = k) = (1 x 1 x ... x 1) x 1
2 2 2 2
(k - 1) facteurs
En effet, les lancers sont indépendants et, à chaque lancer, pile et face
ont la même probabilité d'être obtenus.
Donc, pour tout k;;. l, P(X = k) =
p(X = k)
2 3 4 5 6 7
k
Fig. II
Remarque
Soit n un nombre entier naturel non nul.
11 "
k P(X = k) = k (l)k est la somme des Il premiers termes de la
2
suite géométrique de premier terme et de raison q =
"
Donc k P(X = k) = 1
21 _ 1
" 2
soit k P(X = k) = 1 _ (1)".
2
Or lim (1)" = 0, car ° < 1 < l,
11-+ +0:;1 2 2
"
d'où lim k P(X = k) = 1.
n-+ +oo k = 1

On convient de noter ce résultat: k P(X = k) = 1.

"
Comme k P(X = k) = P(X .. Il) = F(II), où F est la fonction de

répartition de X, on a démontré que lim F(II) = 1.
11-+ +
00
90
Celte durée n'est pas
ment un nombre entier de jours.
Avec les opér;lIions d'union ct d'in-
tersection, on peut obteni r le!'\ évé-
nements .. utile!))10 à l'aide d'inter-
valles.
Nou<; a,'ons déjà des é, 'é-
nements du Iype X :!li; 100 au para-
gmphe I.e. à propos de la fonction
de réparti lion.
Cette fonction intervient en fiabili-
té, c'est-à-dire lorsqu'on étudie la
durée du bon fonctionnement d'un
système.
F(x) = p(X :!li; x).
Pour fout x O.
F(:c) = l-e-
O

OO2
' l(;,
donc F(x) = 1 _e-
O
.
OO1t
,
PIA) 1 - PIA).
b. Exemple de variable aléatoire continue
Dans les exemples précédents. les variables aléatoires prennent des
valeurs « isolées » les unes des autres: ainsi, le nombre de voitures
vendues ou le nombre de lancers d'une pièce peut être 2 ou 3, mais ni
2,468, ni , 5.
Or, dans les domaines économiques et industriel s, on est amené à étu-
dier des variables aléatoires pouvant prendre, au moins théorique-
ment, n'importe quell e valeur dans R ou dans un intervalle de R.
C'est le cas, par exemple, de la variable aléatoire X mesurant la durée
de bon fonctionnement, en jours, d'un équipement particulier fabriqué
en grande série, avec l'intervalle lO, + 00[.
Pour une telle variJble aléatoire, les événements intéressants ne sont
pas du type X = 400, ou X = 271,35, mai s plutôt X ,,; 400, ou
X > 1 000, ou 400 ,,; X ,,; 1 200.
C'est-à-dire que l'on privilégie, parmi les événements, ceux qui cor-
respondent à des intervalles.
Pour une telle variable aléatoire, la fonction de répartition joue donc un
rôle essentiel et permet de calculer des probabilités: on suppose que
cette fonction de répartition F est définie par :
{
pour tout x < 0, F(x) = °
pour tout x ;;. 0, F(x) = JU) dl
où f(r) = 0,002e - 0,002/ pour tout 1 ;;. O.
Ainsi, pour tout x positif, F(x) est l'aire de la portion de plan en grisé
sur la figure 12.
y
0,002
P(X :!li;x)
0,001
f1xl

o x 500 1000 1500 Fig. 12
• On en déduit que P(X ,,; 400) = F(4oo) = 0,55.
• En utilisant l'événement contraire de X > 1 000, nous obtenons
p(X> 1000) = 1 - p(X,,; 1000), soit p(X > 1000) = 1 - F(lOOO) = 0,14.
y
y litl
p(X> 1 (00)
F(I (00)
o 1000
Fig. 13
Chap. 3 : Variables aléatoires à valeurs réelles 91
F(4oo) ~ p(X '" 400)
Les événements X = 400 et
400 < X :oS: 1 200 sont incompa"
tibles.
p(X = k)
• Pour calculer P(400 < X ", 1200), remarquons que
F(I 2(0) = P(X ", 1 200)
= P(X ", 400 ou 400 < X ", 1 2(0)
= P(X ", 400) + P(400 < X ", 12(0), car les événements
X", 400 et 400 < X", 1200 sont incompatibles.
Donc P(400 < X", 1 200) = F(l200) - F(400) = 0,36.
y
0,002
.1'=/(1)
p(400 < X:oS: 1 200)
o 400 1200
Fig. 14
Nous admettons que P(X = 4(0) 0 et, de manière générale, que,
pour tout x ., 0, on a P(X = x) = O.
Nous en déduisons que P(400 ", X", 12(0) = F(1200) - F(400).
Conclusion
Pour une telle variable aléatoire, les valeurs « isolées » k prises par les
variables aléatoires discrètes sont remplacées par des intervalles; gra-
phiquement, la longueur d'un segment de droite représenté dans un
diagramme en bâtons (fig. 15) est remplacée par l'aire d'une portion
k
Fig. 15 de plan définie par un intervalle et une fonction (fig. 16) :
p(a:oS:X:oS:b)
.1'=/(1)
b a
Fig. 16
f e..<;t nulle en dehors de l'intervalle
[0, + ol [, où X prend ses valeurs.
Cette propriété a été utilisée lors
des interprétations gr.tphiques en
termes d'aires.
La caractérisation d'une fonction
densité de probabilité d'une
variable aléatoire n'est pas un
objectif du programme.
lim e
a
= O.
a-+-OI>
Ce résultat est à rapprocher de
F(X(n)) ~ 1.
Pour tous a et b tels que b ;. a ;. 0,
p(a ", X ", b) = F(b) - F(a) = J.
b
!(I) dt
Remarque
La fonction! définie par
{
f(t) = 0 pour tout t < 0,
f(t) = 0,002e - 0.0021 pour tout t ., 0
est la densité de probabilité de la variable aléatoire X.
C'est une fonction telle que, pour tout t ., 0, on a f(t) ., O.
D'autre part, nous avons vu que, pour tout x ~ 0 :
F(x) = f'f(t) dt = 1 - e - O,ooz.<.
o J,x
Donc lim F(x) = l, c'est-à-dire lim f(t) dt = 1.
X-4+
Ol
X-4+
OO
0
r+
oo
On convient d'écrire ce résultat J, f(t) dt = 1 et, comme f est nulle
f
+00 0
sur ]- "', 0], on écrit _ 00 f(t) dt = 1.
92
L'aire lal:lle «sous la courbe » eSI
à 1.
Il exisle une bijeçlion entre cet
ensemble de valeurs el N.
L'élude de ces exemples se prolonge
au pamgmphe B. !oui van!.
)'
0,002

)' = f(l)
1
0 1000
Fig. 17
De même, comme f est nulle sur] - 00,0[, nous pouvons écrire :
pour lout x réel , F(x) = J: f(t) dt.
, ,
3. CAS GENERAL
Trois types de variables aléatoires figurent au programme de mathé-
matiques des sections de techniciens supérieurs.
_ .... -
B
...
discrète, prenanl un nombre fini Paragraphe 1 exemple Y
de valeurs du pamgmphe 2.a.
dis<:rète, prenanl une infinilé Exemple 2 du paragraphe 2.a. qui
• dénombrable. de valeurs: c'est prolonge le paragra.phe 1 .
une généra. li sation du cas précédent.
conlinue, ayant une de probabi lité Paragraphe 2.b.
On étudie une variable aléatoire en utilisant les définitions et les
méthodes fi urant dans les exem les du même t g p ype cités ci-dessus.
B. ESPÉRANCE MATHÉMATIQUE
VARIANCE, ÉCART TYPE
Une telle démarche a déjà élé effec-
tuée en slatistique descriptive. Il
s'agi l ici de la meltre en œuvre, en
calcul de!\ probabi lités, pour des
variables aléaloires qui pourront
servi r de modèles théoriques pour
des phénomènes en
lique.
Nous avons vu, au paragraphe précédent, que la donnée de la fonction
de répartition d'une variable aléatoire X permet de calculer la probabi -
lité d'événements faisant intervenir X.
Cependant, la fonction de répartition peut faire intervenir de nombreux
intervalles et il peut être intéressant de synthéti ser l'information conte-
nue dans celle-ci.
Chap. 3 : Variables aléatoires à valeurs réelles 93
,
En statistique. on a x = !. fi x
j
Il . i = 1
où fi = ïf eSI la de la
classe Xi d'effect if "" OÙ" est l'ef-
fectif total et J.., le nombre de
dasses.
On aussÎ le mot moyenne à
la place d'espérance mathématique.
Si on joue UII très grand nombre de
fois, il faut en moyenne 2 I:lncers
pour obteni r face pour la première
fois.
1. ESPÉRANCE MATHÉMATIQUE
Nous souhaitons dégager une « tendance cent.rale » des valeurs prises
par une variabl e aléatoire.
a. Exemple
Reprenons l'exemple du paragraphe A. l.d.
On a obtenu la di stribution pour X:
-8
1
9
-3
2
9
1
'3
7
2
ij
La somme des gains multipli és par leur probabilité est :
1. X (- 8) + x (- 3) + 1. x 2 + x 7 + 1. x 12 = 2.
9 9 3 9 9
12
1
ij
Ce nombre est, par défi niti on, l'espérance mathémati que de on le
note E(X).
C'est le gain moyen qu' un j oueur obti endrait s' il jouait un très grand
nombre de fois.
b. Définition
L'espérance mathématique d'une variable aléatoire discrète prenant n
valeurs Xi avec les probabilités p(X = Xi) = Pi ' OÙ 1 E; i :si: n, est

E(}() = l pjX
j

i= 1
Exemple
Dans le cas 1 du paragraphe A. 2.a., E( Y) = 3,28, où Y est la vari able
aléatoire mesurant le nombre de voi tures neuves vendues en un j our par
un c-oncessionnaire.
c. Autres exemples
• En se référant toujours au paragraphe A.2.a., mais au cas 2, nous
avons:
l X
1
2
'2 m'
(H
Il "
soit l px. = l l.
i = l " i = 12'
"
On peut démontrer et nous admettons ici que lim I l:::: 2.

94
!
u(t) = r, Il'(t) = 1
\"(1) = Q,002e - 0,(11)2',
\11) = - e - 0,((12/,
lim xe
X
= 0 et lim eX = O.
X-+-OI< l-t-oc.
f
O
, f (t) dl + Fr, J(t) dt
b 0
J
"
'1(1) dl.
t>
Lorsque X prend la valeur Xi'
aX + b prend la valeur (U'I + b.
Ici E(X) = 2 car, par définition, E(X) est la limite finie, si elle existe,
n
de l PiXi quand /1 tend vers + co; on note alors E(X) = l p.x ..
;=1 ;=l
'J
En revanche, si l'on décide d'attribuer un gain xi = 2; lorsque la par-
tie s'arrête au i
e
lancer, la variable aléatoire X' mesurant le gain est telle
" ,
que l p.x: = 1 x 2 + (1)- X 2
2
+ ... + (_2
1
)"2"
j = 1 1 1 2 2
= 1 + 1 + ... + 1 = Il.
"
Donc lim I. Pj xi = + co. Cette limite n'étant pas finie, la variable

aléatoire X' n'a pas d'espérance mathématique .
• Reportons-nous maintenant au paragraphe A. 2.b.
Pour tout a > 0, fa" 1 f(t) dl = J: 0,0021e - 0.0021 dl. En intégrant par
f
a [ 'la a parties: 1 f(1) dl = - te - 0.00_1 - f -e - 0.0021 dt.
° ° ° a
Donc f If(t) dt = -oe-O,OO2a - _ 1_(e - O.
002
,,_ 1)
° 0,002'
J
a - 0 OO? - 0.002(1 1
t f(t) dt = ' _0 e - 0,002<, _ e + __
° 0,002 0,002 0,002 .
Donc lim fat f(t) dt = _ 1- = 500.
œ 0 0,002
D'autre part, pour tout b < 0, JOt f(l) dt = 0, car t f(t) = 0 si t" O.
o b
Donc lim J t f(t) dl = O.
b
Par définition, E(X) = 500, car E(X) est la somme de ces deux limites
finies, si elles existent.
On note alors E(X) = J:: 1 f(l) dl.
d. Remarques
1.
Soit a et b des constantes réelles el soil X une variable aléatoire
d· espérance mathématique E(X),
On démontre que aX + b esl une variable aléatoire d'espérance
mathématique E(uX + bl = aEO() + b.
2. Historiquement , Pascal a introduit la notion d'espérance mathéma-
tique avant celle de probabilité; son but était de comparer des jeux de
hasard à l'aide de l'espérance mathématique du gain d'un joueur à une
partie.
3. Un jeu est équitable si l'espérance mathématique de la variable aléa-
toire mesurant le gain est égale à la mise. Ainsi, dans l'exemple du jeu
de pile ou face du paragraphe A. 2.a., comme E(X) = 2, le jeu est équi-
tuble si un joueur doit payer 2 euros par partie.
Chap. 3 : Variables aléatoires à valeurs réelles 95
1)1 = LXI = 5.
1
"1 = YI =5000
1
) - 999 .'., = O.
2- 1000' -
Comme en !itatistique
il s'agit de une dispersion
par rapport à une tendance centmle.
E(X), si elle ex iSle. eSI une
consta nte réelle. (X - ElXn''!. est la
variable aléatoire me!iurant le
de l'écart entre la variable aléatoi re
X et son espérance mathémal ique.
Si X prend pour valeur xi'
(X - E(X)2 prend pour valeur
(x, - E(X)J2 où E(X) est un nombre
réel constant: (xi - E{X)i
1
= x? - 2E(X)xi + IE{X)P.
E(aX + b) = aE(X) + b.
Dans la suite. nous ne rencontre-
rons que des situations où l'hypo-
de ce eSI satisfaite.
a el b sont des conslantes réelles.
Nous reprenons les (''\:emplcs du
paragraphe 1. Le calc:ul de EfX
2
)
eSI analogue à celui de EIX) avec
" ,
2 Pi X/ 11 la place de I. Pi .l;.
i - l j; 1
Pour le calcul de E(X':!), on inlègre
par parlies t
1
l(t) au lieu de tf(t)
qui inlervenai t dan') la recherche de
E(X) .
4. L'espérance mathématique ne suffi t pas à décrire une vari able aléa-
taire; en effet, soit X la variable al éatoire mesurant le gain dans une
loterie comportant 1 000 numéros faisant tous gagner 5 euros et soit Y
son analogue dans une loterie comportant 1 000 numéros dont un seul
est gagnant , le lot étant de 5000 euros.
On a E(X) = 1 X 5 = 5
etE(Y) = 1955oxO=5.
E(X) = E( Y) et pourtant les variables aléatoi res X et Y ne sont pas iden-
tiques!
2. VARIANCE, ÉCART TYPE
a. Définition
La variance d'une variable X esl. si elle existe, l'espérance
mathématique de la variable a1Eatoire (X - E(X)2 On la note VIX).
L'écart type de X est (T(X) = YV(X).
b. Théorème
Soit X une vari able aléatoire et soit V(X) sa vari ance:
(X - E(X»)2 = X2 - (2E(X))X + [E(X)f
, ?
Donc VIX) = E(X- - (2E(X»X + [E(X))"J.
D'après la remarque 1 de la tin du paragraphe 1. ci-dessus,
V(X) = E(X2) - 2E(X) x E(X) + [E(X)]2 pui sque 2E(X) et lE(X)f
sont des constantes.
Donc V(X) = E(X2) - [E(X)P.
Si ces nombres existent, a1o ... VIX) = E(X
2
) - lE(X)f
Conséquence
c. Exemples
• V(X) = 1 et <T(X) = 5,77 pour les gains avec le ti rage de boul es
dans l' urne.
• V(Y) = 1,3216 et <T( Y) = 1, 15 pourle nombre de voitures neuves ven-
dues en un jour par un concessionnaire.
• VIX) = 250000 et a(X) = 500 pour la durée de bon foncti onnement
d' un équipement .
96
C. LOIS USUELLES
Les différents Iypes de variabl es
aléatoi res sont au para-
graphe A. 3.
J est l'événement contrai re de J :
« La fiche lirée est celle d'un client
non domicilié en lIe-de-France ».
Pour simplifier les notations, on
confond ici J el Ilj.
Si on n'avait prélevé que deux
fiches, on aurait considéré l'en-
semble O::! des couples (1, J), (1, 1).
(J. J), (J, 1). où le premier élément
J ou J d'un couple correspond au
résullat du premier tirage et le
second à celui du second tirage.
De même, avec trois fiches, on
aurai! considéré l'ensemble 0
3
des
triplets (l, J. J), (1, J, }), (l, J, 1),
Parmi les variables aléatoires les plus souvent utilisées, nous all ons
nous intéresser ici à troi s d'entre elles, une de chacun des types déj à
rencontrés.
1. LOI BINOMIALE
a. Exemple
Dans le fichier « Cli entèle» d'une société de vente par correspondance,
chaque client correspond à une fiche unique, Un ti ers des clients est
domicilié dans la région I1e-de-France.
Tirons une fiche au hasard en supposant que toutes les fiches ont la
même probabilité d'être choisies.
Nous pouvons alors prendre pour univers l'ensemble n = {l, J) où 1
est l'événement: « la tiche tirée est celle d'un client d'Île-de-France ».
En notant p la probabilité de 1 et q celle de J, on a p =
et q = 1 - P = d'après la composition du tichier et l'équiprobabilité
de tirage des fiches,
Prélevons ainsi cinq fiches avec remi se, de façon que les cinq tirages
d'une fi che soient indépendants.
Nous pouvons alors prendre pour nouvel univers l'ensemble n
5
décrit
par l'arbre sui vant.
__ --J : (J, J, J, J, 1)
J --------- J - J : (J. J, J,J; JJ
_______________ J - : (J, J,J. 7, 1)
J : (J, J, J,J, l)
/

----
_________ J =:: = - --
J _______________ _ _ = = =
\,/,<:'
___ _
l tr tirage -----
---------- J - -
_______________ J -_---J : (1, 7, 7,1, 1)
2t tirage - J : (Ï, J, J, J, 7)
Éléments de QS
Fig. 18
Chap. 3 : Variables aléatoires à valeurs réelles 97
Un tel quînlUplet est un élément de
n
5
.
X(05) est l' ensemble des valeurs
pri ses par X.
west l' événement élémentai re: J
au premier tirage et J au deuxième
et J au troisième et..
V.U. 1. J)
Il. 1. J.J.J)
x
Fig. 19
Voir Je paragraphe C.2. du cha-
pitre 2.
On sai l que deux événements élé-
mentaires soni incompalibles et
que, si A et B sont incompat ibl es,
aloes p(A U B) P(A) + P(B).
CP = 11!
11 p!(11 p)!'
Dans chaque cas, la somme des
exposanls de Il et q eSI 5.
On vérifie que la somme de ces
probabilités 1.
Soit X la variable aléatoire qui . à un tel prélèvement de cinq fiches,
associe le nombre de ces fi ches correspondant à des clients domiciliés
dans la région lle-de-France, c'est-à-dire le nombre de J figurant dans
le quintuplet ainsi obtenu.
X(,{15) = {O, 1, 2, 3, 4, 5}, par définition de X.
Pour étudier la loi de probabilité, ou di stribution, de la variable aléa-
toire X, commençons par calculer, par exemple, la probabilité
P(X = 2).
• Probabilité d'un élémentaire contenant deux foi s J, par
exemple w = {(J, J, J, J, J)} :
P(w) = E x q x p x q x q, où p est la probabilité de J et q = 1 - P
celle de J, car les cinq tirages sont indépendants.
Donc P(w) = p2
q
3
On remarque que cette probabilité ne dépend pas du placement des
deux J dans le quintuplet.
• Nombre d'événements élémentaires contenant exactement deux J:
C'est le nombre de façons de choisir les deux emplacements des J
parmi les cinq places d'un quintuplet ( , , , , ).
Ce nombre est car dans un ensemble de cinq éléments il y a
façons de constituer un sous-ensemble de deux éléments.
• Calcul de P(X = 2) :
Ainsi il existe C} événements élémentaires de même probabilité p2
q
3
pour lesquels X prend la valeur 2.
Donc P(X = 2) = p2q3 + p2q3 + . . + p2
q
3
termes.
Donc P(X = 2) = C1 p2q3 = 0,329.
Le même rai sonnement permet d'obtenir un résultat analogue pour
chaque probabilité P(X = k) où k est un élément de X(,{15) :
k 0 1 2 3 4 5
pOq5 p2
q
3 p3
q
2 p4ql p5
q
O
l'I)C -i)
0. 132 0.329 0,329 0.165 0.041 0.004
Diagramme en bâtons
0.4
0.3
0.2
0.1
1
k
o
2 3 4 5
Fig. 20
On pourrait étudier aussi la fonction de répartition de X.
98
Le formulaire officiel de mathéma·
tiques donne celte formule en
notant q = 1 - 1'.
Voir le paragr.tphe C.2 du
chapi tre 2.
La loi binomiale tire son nom de
celte liai'iOn avec le binôme de
Newlûn.
III = 1.
Voir une remarque analogue au
début du paragraphe A. 2.a.
Le formulaire officiel de mathéma·
tiques donne ces résuhats en notant
q 1 - p.
Vérifier numériquement ces résul-
tats dam le cas étudié au
C. I.a.
C'est la généralisation du para-
graphe C. I.a.
Au même paragraphe, l'épreU\'e
aléatoire élémentaire consiste à
tirer une fiche du fic hi er
« Clientèle ,. et un succès corres-
pond à obtenir une fiche d'un client
de la région lIe-de-France : c' est
l'événement J.
b. Définition - Propriétés
Une variable X suit la loi binomiale p) de paramètreS" et
p, o!I " est un nomm entier naturel et p un nomm réel compris entre 0
et 1. lonque sa loi de probabilité est définie de la manière suivante :
Pour tout nombre entier naturel k, tel que 0 .. k .. n,
P(X - k) = C![Io - pt-t.
Exemple
La variable aléatoire X étudi ée au paragraphe C. J.a. suit la loi binomiale
03(5, n
Remarque
D'après la formul e du binôme de Newton, on a :
"
(a + b)" = I
k = O
Dans le cas où b = p et II = 1 - p, on a :
"
[(l-p)+p]"= lCk(l-p)"-kpk
k=O II
,.... Il
D'où l P(X = k) = 1.

Nous avons donc vérifié que, quels que soient l'enüer naturel Il et le
nombre réel p compri s entre 0 et l , la somme de ces probabilités est 1.
Propriétés
Soit X une variable suivaDIla loi binomiale p) :
EIX) = np, \l'lX) = np(1 - p). a(X) = y npO - pl.
Ces propriétés son1 démonlrées aux paragraphes D. 3. et D. 4.
c. Champ d'intervention de la loi binomiale
11 s'agit de décrire une situation type dans laquelle apparaît une
variable aléatoire sui vant la loi binomiale.
On considère une « épreuve aléatoire . élémentaire pouvant déboucher
sur deux résultats, et deux seulement, appelés par exemple « succès »
el « échec », de probabilités respectives p et q = 1 - p.
On réalise Il fois cette épreuve aléatoire et on note X la variable aléa-
toire mesurant le nombre de 4( succès » obtenus au cours de ces Il
épreuves aléatoires élémentaires.
Si ces 11 épreuves aléatoires élémentaires sont indépendantes, alors X
suit la loi binomiale 03(11 , pl.
Remarque
On a vu au paragraphe C. 1.a. que, dans le cas de tirages avec remise,
il y a indépendance entre les tirages.
En revanche. lorsque les tirages sont sans remise, ou exhaustifs, il n'y
a plus indépendance entre les tirages, la compositi on du tichier
change d'un tirage à l'autre.
Chap. 3 : Variables aléatoires à valeurs réelles 99
CeUe loi , dite
ne figure au programme de
mathémalÏques de:-. sections de
technicien') supérieurs.
Celle loi a été présentée en 1837 par
Denis PoJi'')<.m dalt!'> !>On ouvrage
Rl'char hl'.f .\/Ir la probabilitl dl's
1'1/ crimilll'lIl' l' t
l'II cil'I'II'.
P(A) = 1 - P(A).
Les événements X. = O. x. = l , ....
X = 7 sont incompatibles deux à
deux.
Dans ce cas, X suit une loi dépendant de troi s paramètres: Il, p et N l'ef-
fectif total du fichier.
Cependant, lorsque 11 est « petit » devant N, on peut considérer que X
suit approximativement la loi binomiale 00(11, pl.
2. lOI DE POISSON
a. Définition
Une variable aléatoire X suilla loi de Poisson de paramètre À po>;i-
lif lorsque sa loi de probabililé •• 1 :
Pour tout nombre entier naturel k.
Exemple
J>(X=kJ=.-À.À
k

k!
La variable aléatoire X mesurant le nombre de clients se présentant au
guichet « Affranchissements » d'un bureau de poste par intervalle de
lemps de durée 10 minules, enlre 14 h 30 el 16 h 30, suil la loi de
Poisson de paramètre À= 5.
La table du formulaire. donne, pour À = 5, les probabilités des événe-
ments P(X = k) pour tout entier k, 0 .. k .. 14.

5
Re préul1tatiol1 de la loi 0 0,007
1 0,034
2 0,084
0,2
3 0,140
4 0,176
5 0,176
6 0,146
7 O,IIJ.I
8 0,065
0,1
9 0,036
10 0,018
Il 0,008
12 0,003
1 1
13 0,001
1
14 0,000
,
° 2 3 4 5 6 7 8 9 10 Il 12 13 14
Fig. 2 1
Calcul de la probabilité qu'enlre 16 h et 16 h 10 min, 8 personnes au
moins se présentent à ce guichet:
P(X 8) = 1 - P(X < 8);
P(X '" 8) = 1 - [P(X = 0) + p(X = 1) + ... + P(X = 7)];
P(X'" 8) = 1 - 0,867; P(X '" 8) = 0,133.
100
Le formulaire officiel de mathéma-
tiques donne ces r"tsuh;tlS qui sont
admis.
Une érude slati ),t ique antérieure a
conduit ?t attribuer la valeur 0,05 i)
cette probabilité.
E(X) = "p.
Le théorème . justifiant cette
approximation CM hors programme.
Noter l'intérêt de cette approxima-
ti an; on peUl remplacer une loi
dépendant de deux paramètres par
une loi à un par.lmètre.
Les conditions d"approximation
d'une loi binomiale par une loi de
Poisson n'ont pas à être mémori-
sées. La seule capacité exigible e ... t
de savoir que lorsqu"une loi bino-
miale ffitn./J) peut être approchée
p:tr une loi de Poisson le
paramètre de celle loi esi par
À = "p. c'est-à-dire que l'espé-
rance mathématique est consen:ée.
b. Propriétés .
• Soit X une variable aléaloire suÎvant la loi de Poisson
EIX) = À, VIX) = À, (1(X) = VA.
Ainsi, dans l'exemple ci-dessus, E(X) = 5: en moyenne, cinq personnes
se présentent au guichet par intervalle de dix minutes .
• Approximation d'une loi binomiale par une loi de Poisson
Dans une entreprise, on considère que la probabilité d'oblenir un
article défectueux à la sortie d'une chaîne de fabrication est p = 0,05.
Lors d'un contrôle de qualité, on envisage de prélever un échantillon
de 120 arlicles.
Bien que ce prélèvement soit exhaustif, nous consÎdérons que la pro-
duction est suffisamment importante pour qu'on puisse assimiler ce
prélèvement à 120 tirages avec remise, donc indépendants, d'un article
défectueux ou non. La variable aléatoire X mesurant le nombre d'ar-
ticles défectueux d'un tel échantillon suit alors la loi binomiale
(iJl( 120 ; 0,05 J, et l'espérance mathématique de X est 120 x 0,05 = 6.
Comparons la loi de X avec celle d'une variable aléatoire Y suivant la
loi de Poisson 1'P(6).
k
LoIde
X Y
0 0,002 0,002 On observe que la loi de la variable Y est
1 0,013 0,015
suftïsamment proche de celle de X pour
2 0,042 0.045
qu'on puisse utili ser la loi de Poisson pour
3 0,087 0.089
calculer, par exemple, la probabililé qu' un
4 0.134
5 0.163 0.161
échanlillon de 120 articles conlienne au
6 0.165 0.161
moins un article défectueux, puis la proba-
7 0.141 0,138
bilité que cet échantillon contienne au plus
8 0. 105 0,103 trois articles défectueux.
9 0,069 0.069
10 0.040 0.041
Il 0,021 0.023
12
0,010 .
0.011
13 0.004 0.005
14 0.002 0.002
15 0.001 0,001
16 0.000 0,000
...
On admet que si n est 0: grand., p 0: voisin. de 0 et np pas .. trop grand:.lo,
alors la loi (iJl(n, p) est très proche de la loi l'P(À) où À = np. .
On convient en général d'utiliser cette approximation lorsque Il 30,
p " 0, 1 et /lp < 15, ou lorsque /1;;' 50, p" 0,1 el/lp" la.
Chap. 3 : Variables aléatoires à valeurs réelles 1 ° 1
On démontre que chacune de ces
deux ai res est égale à 1 (résultat
admis ici).
On dit aussi loi de L..iplace-G:lu::,s :
Pierre Simon de Laplace t!>t un
mathématicien français
1827); Carl Friedrich Gauss est un
mat hémat icien allemand ( 1777-
1855), Cette égalité n'a pa!> à être
mémorisée.
La dell'.i té de probabilité d'une
,'ariable continue a été
présent ée en remarque au parJ.-
graphe A. 2.b.
c. Champ d'intervention de la loi de Poisson
L' idée à retenir est qu' une loi de Poi sson intervient dans la modéli sa-
tion de phénomènes aléatoires où le futur est indépendant du passé.
Ainsi, une loi de Poi sson peut intervenir dans des problèmes concer-
nant:
- les pannes de machines,
- les sini stres (couverts ou non par une assurance),
- les appels téléphoniques dans un standard.
- les files d'attente,
- la mortalité,
- le temps de guérison de petites blessures,
- les stocks,
11 est à noter que si le nombre de taxis passant à un endroit donné pen-
dant un certain intervalle de temps peut être mesuré par une variable
aléatoire sui vant une loi de Poi sson, il n'en est pas de même pour les
autobus oul es trains, qui ont des heures de départ fi xes: le futur, l' ins-
tant de leur passage à un endroit donné, n'est pas indépendant du passé,
l' instant fi xé de leur départ à un point fi xe (terminus ou gare).
3. LOI NORMALE
a. Définition
Exercice
Tracer dans deux repères différents, à J'aide d'une calculatrice gra-
phique, la représentati on graphique des deux fonctions définies sur IR par
1 (' - 1)' "
fl(l) = __ I _e -ï -y- et f,(I) = _ 1_ e- 2
2y:l; - y:l;
Déterminer graphiquement une valeur approchée de l'aire de la parti e
de plan compri se entre chaque courbe et l'axe des abscisses.
Défini/ion
Une variable aléalOire X suit la loi normale J{(m. (1) de ni el
(T lorsque sa densité de probabilité la fonction f définie !-our IR par
fIl) =
_l(' -m 1
1
1 ., (r .'
---e -
,,-..j2; .
Exemples (voir l' exercice ci-dessus)
La fonction fi est la densité de probabilité de la loi normale .N'( l , 2).
La foncti on f
2
est la densité de probabilité de la loi normale .N'(O, 1).
102
On admet ces
On admet ce r6 ul tat.
T = lx_!l!.
" "
est de la f(lrme aX + Il définie en
remarque 1 du par.lgrJphe B. 1.
Le formul ai re offi ciel de mathéma-
tiques ne donne des
que la loi normale /(0. 1) ; la
fonction de réparti tion y est notée
n lon rencontre aussi la nota-
tion <1» .
Cene courbe est appelée « courbe
en d oche ».
Voir ég:t lement le paragraphe
A.2.b. : exemple de variable aléa-
toire conti nue.
La fonction f est paire.
On a ce résultat au parJ-
gmphe 3.a.
Remarque
Soil X une variable aléatoire suivant la loi normale }{(m, cr) :
EtX) = m, VIX) = 0"00 = tr.
Ainsi, une variable aléatoire X qui suit la loi normale X(O, 1) a pour
espérance mathématique 0 et pour écart type 1.
L. loi normale X(O, 1) est dite loi normale centrée réduite.
b. loi normale centrée réduite .N (0, 1)
Théorème
Si une variable aléaloire X suilla loi normale .J(m, cr) alors la ,·ariable
aléatoire T = X ;; m suit la loi normale centrée réduite XIO, 1).
Plus aX + b. ot. a el h sont des réelles, suit une
loi normale.
Ce résultat est très impor tant , car il permet de limiter l'étude des lois
normal es à cell e de la seul e loi normale centrée réduite X(O, 1), dont la
densité de probabilité a pour représentation graphique la courbe de la
figure 22.
-3 -2 - 1 o 2 3
Fig. 22
Pour calculer la probabilité d'un événement concernant une variabl e
aléatoire T sui vant la loi normale X(O, 1), on utili se en général la table
du formulaire et les deux propriétés sui vantes de cette courbe:
• Cette courbe est symétrique par rapport à l'axe des ordonnées.
• L'aire totale comprise entre la courbe et l'axe des abscisses est
égale à 1.
Exemples
1. Calcul de peT '" 1,67) = IT( I,67).
La table donne directement le résullat. Il suffit de lrouver les deux pre-
mi ers chiffres de { dans la première colonne, soit 1,6 : le troi sième
Chap. 3 : Variables aléatoires à valeurs réelles 103
0,5
n (l,25)
l-n(l.25)
-2 - 1 0 Il 2
1.25
Fig. 23
0,5
n (- 1,67)
1 - n(l,67)
-21 -1 o 1 12
- 1,67 1,67
Fig. 24
0,5
chiffre de t est indiqué dans la première ligne, soit 0,07. La réponse est
donnée à l'intersection de la ligne correspondant à 1,6 et de la colonne
correspondant à 0,07, soit peT '" 1,67) = 0,9525.
t 0.00
0,01 .. , 0,07
0,0 0,5000 0,5040 ... 0,5279
0.1 0,5398 0,5438 ... 0,5675
... . ..
1,6 0,9452 0,9463 ... 0,9525
... ... . .. . ..
2, Calcul de peT ~ 1,25).
peT ~ 1,25) = 1 - peT < 1,25), car PlA) = 1 - PlA).
Or I1(l ,25) = P(T'" 1,25) et PtT = 1,25) = 0 pui sque T est une
variable aléatoire continue, d'où:
P ( T ~ 1,25) = 1 - I1(l,25) = 1 - 0,8944 = 0,1056.
3, Calcul de peT '" - 1,67).
P(T '" - 1,67) = I1(- 1,67) = PtT ~ 1,67) vu la symétrie de la courbe.
= 1 - I1(I ,67) d'après le calcul précédent.
= 1 - 0,9525 = 0,0475.
4, Calcul de pet l '" T '" t
2
)
i
Dans le cas particulier où t 1 = - 1
2
on pose t = 1
2
> O.
-2 -1
" " F;g. 25 Alors: P( - t '" T '" t) = n et) - Il( - t)
F;g.26
On a aussi
p( - f '" T '" f) - 0 5
3 3 ' .
C'est avec t = 1,96 qu'on se rap-
proche le plus de 0.95.
0,95
0,02 0,025
-2 - 1 0 2
Fig. 27
T = X ;; 1/1 si et seulement si
X = m + (TT. car u '* 0 pour une
loi normaIe.
= 2[ n(tl - n (Ol] vu la symétrie de la courbe,
Or n(O) - l d'où'
- 2' .
1
Applications
• P( - l '" T '" 1) = 0,68 ;
• P( - 2 '" T '" 2) = 0,95 ;
• P( - 2,6 '" T '" 2,6) = 0,99 ;
• P(- 3 '" T '" 3) = 0,997.
Conséquence
Soit X une variable aléatoire suivant la loi normale )(m, cr); on sai l que
T = X - III suil la loi normale .N'(O, l ).
0'
Pour t > 0, P( - t '" T '" t) = P( - tO' '" O'T '" tO')
104
= P(m - tcr ::s;: lU + uT ::S;: m + ta)
= P(III - tO' '" X '" ni + tO' )
Sur ce graphique, on a indiqué les
aires de plusieurs parti es du plan
symétriques par rJpport à l'axe \'er-
lical correspondant à l'espérance
mathémutique, ou moyenne, m.
Voir le paragraphe C. Le.
Ici P = q = puisque lu pièce est
équilibrée.
Le résultat d'une épreuve n'a uucune
influence sur celui d'une autre.
Un calcul programmé s' impose!
0.15
0.10
Ai nsi. en particulier, P(m - 2u "" X "" m + 2u) = 0,95.
1

nI-30-
,
,
,
'.


,
' ..
0.997
,
, , 2
Im_-:-o
, , 3
, ,
0.68
0.95
,
'2 '

,
., 1
c. Approximation d'une loi binomiale
par une loi normale
m + 30-
,
,
Fig. 28
Lançons cinquante fois une pi èce de monnai e équilibrée. Soit X la
variable aléatoire mesurant le nombre de « face » ainsi obtenu.
On sai t que X suit la loi binomi ale 9))(50,
En effet, d'une part l'épreuve aléatoire élémentaire consiste à lancer
une foi s la pi èce ; elle débouche donc sur deux résultats seulement:
« pile », • face », chacun ayant pour probabilité.
Et, d'autre part, on réalise successivement Il = 50 épreuves aléatoires
élémentaires indépendantes.
L'espérance mathématique de X est E(X) = "p = 25 et son écart type
est u = V "pq = = --Î2 = 3,54.
Pour tout nombre entier naturel k tel que 0 "" k "" 50,
on a : P(X = k) = r.
k
(l)k ( 1 )50 - k = 50! (1)50.
"50 2 2 k!(50 - k)! 2
Ainsi P(X = 25) = 50! (1)50.
25! 25! 2
Nous pouvons tracer le diagramme en bâtons de cette loi binomiale
(fig. 29) et placer à côté (fig. 30J, pui s dans un même repère (fig. 31 J,
la courbe représentative de la densité de probabilité de la loi normale
x( 25, }z ) de même espérance mathématique et de même écart type.
15 35 15 20 25 30 35
Fig. 29 Fig. 30
Chap. 3 : Variables aléatoires à valeurs réelles 105
Ce a été publié en 1718 par
de Moivre en Angleterre puis, de
façon indépendante en 1812, par
Laplace, Les con?itions d'approxi-
mation d'une loi binomiale par une
10Î normale" 'Ollt pas à itre mimo-
risits. La seule capacité exigible
est de savoir que lorsqu' une loi
binomiale f:f3(II, p) peut être appro-
chée par une loi normale N(m, a),
les paramètres de celte loi w nt don-
nés parm = "pel 0" = VI/p(l p),
c'est-à-dire que l"espérance mathé-
matique et l'écart type sont ("onser-
\'és.
On divise les membres des inégali-
tés
Voir la fin du paragraphe C. 3,c.
Ces trois événements sont incom-
patibles deux à deu".
Par exemple. pour calculer une
moyenne ou un écart type. on a
remplacé une classe [a;, h;! p.:ir son
ai + h,
centre Ci
Le sens des crochel.<; des intervalles
n'a aucune importance, car dans le
cas d'une nriable continue:
p{X = a) = 0, pour tout nombre
réel Q.
25 2-1,5 25 25,5
On remplace l:! longueur d'un
bâton par raire d'un rectangle de
même longueur et de largeur 1.
Cela ne figure pas :w progr;unme
de mathématiques des sections de
techniciens supérieurs.
Nous observons, sur ces représentations graphiques, la coïncidence
presque parfaite entre les sommets des bâtons et des points de la courbe.
On admet que si fi eSI • grand ... et p ni trop voisin "lOt de 0 ni • trop voi-
sin. de l, alors la loi 00(11, p) est très proche de la loi X(m, 0) où
m = IIpetu = Vnp(i - pl·
L'intérêt de cette approximation est de simplifier les calculs numé-
riques. On convient en général d'utiliser cette approximation lorsque
IIp et n(1 - p) sont supérieurs à 15, ou lorsque "l' et 11(1 - p) sont supé-
rieurs à 20.
Mise en œuvre de cette approximation
On se propose de calculer, par exemple, P(24 '" X '" 26) en prenant
pour approximation de la loi binomiale 03(50, suivie par X, la loi
normale X(25, 0)' Alors T X suit la loi normale X(O, 1).
Vi
P(24 '" X '" 26) = P(24 - 25 '" X - 25 '" 26 - 25)
= p(- '1 '" T", '1) = 2IT('1)-
= 0,223
en faisant une interpolation affine entre fI(0,28) et fI(0,29).
Mais ce résultat n'est pas satisfaisant, car on lit sur le diagramme en
bâtons de la loi binomiale que les nombres P(X = 24), P(X = 25),
P(X = 26) sont tous trois supérieurs à 0, 1.
Donc P(24 '" X '" 26) = P(X = 24) + P(X = 25) + P(X = 26) > 0,3.
Et le calcul précédent donne P(24 '" X '" 26) = 0,223.
Il faut donc améliorer la façon dont on passe d'une variable aléatoire
discrète (ici binomiale) à une variable aléatoire continue (ici normale),
en se souvenant qu'en statistique on a effectué la démarche inverse.
Ici, on va adopter le même point de vue, mais dans l'autre sens: on
remplace, par exemple, 25 par J'intervalle 124,5; 25,5], 21 par
[23,5; 24,5] et 26 par [25,5; 26,5].
Ainsi, on remplace J'ensemble (24,25,26) des trois valeurs considé-
rées pour la variable aléatoire discrète par l'intervalle [23,5; 26,5].
C'est la correc.tion de continuité qui consiste à remplacer tout nombre
entier k par un intervalle d'extrémités k - et k +
P(23,5 '" X '" 26,5) = 2fI(0,3 X Yz) - 1 (voir ci-dessus)
= 0,328
en faisant une interpolation affine entre IT(0,42) et IT(0,43).
Ce nouveau résultat est en accord avec les observations graphiques.
Remarque.
On peut de même être amené à approcher une loi de Poisson par une
loi normale.
106
Ce. n' est pas lt! I.:as d'une loi de
Poi sson. où E(X) = V(X):
si E(X) = À est fixé
alors (1(.\') = Vi est fixé.

m m
0" grand a petit
Fi g. 32
Le contrôle de joue un rôle
de plus en plus important dan') la
vie il ne se limite pol :>
au seul secteur industriel mai s
intervient aussi dans le commerce,
les services ...
Le formulaire donne
1 - 0 (4.5) = 3 x 10-
6
part
1 - 0 (5.9) - 1.8 x 10- '.
CeUe situation est également fré-
quente en économie (salaires. prix.
... ).
Conformément au programme,
aucune 'connaissance n'est exigibl e
à ce sujet en mat hématiques.
d. Champ d'intervention de la loi normale
Une loi normale intervient dans la modélisation de phénomènes aléaa
toires possédant d. nombreuses causes indépendantes dont les
effets s'ajoutent, sans que l'un d'eux soit dominant.
Compte tenu de la complexité des phénomènes économiques et
sociaux, la loi normale intervient dans tous les secteurs.
Comme une loi normale est définie par la donnée de deux paramètres
111 et (T, on peut la prendre pour modèle dans des phénomènes où des
études stati stiques préliminaires conduisent à des hi stogrammes très
différents. En effet, pour une même valeur quelconque de 111, on peut
avoir des courbes variées (fig. 32).
On peut même utiliser une loi normale pour une variable aléatoire
mesurant une quantité ne variant pas aléatoirement dans IR mai s dans
une partie de IR seulement , par exemple [0, + >o[ ou ]0, 30].
C'est le cas en particulier lorsque X mesure un prix, une longueur ou
une masse.
Ainsi , en contrôle de qualité, il est II priori étonnant d'envisager le caJcul
de la probabilité d'événement' tels que X '" - 4, X .. 100. lorsque X,
mesurant une longueur, suit la loi normale de moyenne 111 = 20 cm et
d'écart type cr = 2 cm; il est en effet impossible, dans une même chaîne
de fabrication, d'obtenir un produit de longueur - 5 cm ou 120 cm.
Avec la loi normal e. on obtient:
P(X'" - 4) = p(X 20 < - 12)
= fl( - 12)
= 1 - fl(l2) = O.
De même, P(X > 1(0) = 1 - fl (40) = O.
Ces résultats sont compatibles avec la réalité.
En revanche, il peut être imprudent de choisir pour modèle une loi
normale lorsqu' une étude statistique préalable débouche sur un petit
nombre de classes de grande amplitude.
Enfin, lorsque les effets de nombreuses causes indépendantes sont
multiplicatifs, la loi normale ne const itue pas un bon modèle. Il est
préférable de s'orienter vers une autre loi, par exemple la loi 'II( log-nor-
male » .
D. SOMME DE DEUX VARIABLES ALÉATOIRES
1. EXEMPLES
a. Exemple 1
Deux représentants A et B d'une même entreprise travaiHent en équipe
pendant un moi s pour proposer des contrats à d'éventuels clients: A est
chargé de placer de nouveaux contrats à des clients actuels de l'entre-
pri se, tandi s que B doit prospecter de nouveaux clients.
Chap. 3 : Variables aléatoires à valeurs réelles 107
Les nombres situés dans ce tableau
sont définis par:
IX
x
y P(X = x et Y = y)
On lit ce résultat dans le tableau.
On ne peUl pas avoir en même
temps X = 0 et X = 1.
Si Cel D sont incompatibles, alors
PCC 0" D) ~ P(C) + P(D).
Sur une longue période, l' équipe
constituée de A et B obtient en
moyenne deux contrats par demi -
journée.
Soit X (resp. Y) la variable aléatoire mesurant le nombre de contrats
obtenus par A (resp. B) au cours d'une demi-journée.
On suppose que X prend des valeurs dans 10, 1,2, 3 j, que Y prend des
valeurs dans 10, 1) et que, pour tout élément x de 10, 1,2,3) et pour
tout élément y de 10, 1 j, la probabilité P(X = x et Y = y) est donnée
par le tableau suivant:
~
0 1 2 3
0 0,05 0. 15 0,20 0. 10
1 0,10 0.20 0.15 0.05
L'entreprise s' intéresse à la variable aléatoire, notée X + Y, mesurant
le nombre total de contrats obtenus par l'équipe constituée de A et de
B au cours d'une demi-journée.
X + Y prend ses valeurs dans 10, 1, 2, 3, 4).
L'événement X + Y = 0 correspond à (X = 0 et Y = 0).
Donc P(X + y = 0) = 0,05.
L'événement X + Y = 1 correspond à (X = 1 et Y = 0) ou (X = 0
et Y = 1); ces deux derniers événements étant incompatibles, on a :
P(X + y = 1) = P(X = 1 et Y = 0) + P(X = 0 et Y = 1)
= 0,15 + 0,10
= 0,25.
Par un rai sonnement analogue, on démontre que:
P(X + y = 2) = P(X = 2 et Y = 0) + P(X = 1 et Y = 1)
= 0,40.
P(X + y = 3) = P(X = 3 et Y = 0) + P(X = 2 et Y = 1)
= 0,25.
P(X + y = 4) = P(X = 3 et Y = 1)
= 0,05.
On a ainsi obtenu la loi de probabilité (ou di stribution) de la variable
aléatoire X + Y:
o 2 3 4
0,05 0,25 0,40 0,25 0.05
L'espérance mathématique de la variable al éatoire X + Yest
E(X + Y) = 0 x 0,05 + 1 x 0,25 + 2 x 0,40 + 3 x 0,25 + 4 x 0,05
E(X + Y) = 2.
La variance de X + Yest :
V(X + Y) = (0 - 2)2 x 0,05 + (1 - 2)2 x 0, 25 + (2 - 2)2 x 0,40
+ (3 - 2)2 x 0,25 + (4 - 2)2 x 0,05
V(X + Y) = 0,9.
108
Les nombres situés ùan" ce tableau
sont définis par :
x
x
y p(X = x et Y = y )
On lit ce résultat dans le tableau.
On ne peU! pas avoir en même
temps X = Oet X = 1.
Si Cet D sont incompatibles, alors
P(C ou D) ~ P(C) + P(D).
Sur une longue période. l'équipe
constituée de A et B obtient en
moyenne deux contrats par demi-
journée.
Soit X (resp. Y) la variable aléatoire mesurant le nombre de contrats
obtenus par A (resp. B) au cours d'une demi-journée.
On suppose que X prend des valeurs dans {a, 1,2, 3), que Y prend des
valeurs dans {a, 1) et que, pour tout élément x de {a, l, 2, 3) et pour
tout élément y de {a, l}, la probabilité P(X = x et Y = y) est donnée
par le tableau suivant:
~
0 1 2 3
0 0,05 0,15 0,20 0.10
1 0.10 0,20 0,15 0,05
L'entreprise s'intéresse à la variable aléatoire, notée X + Y, mesurant
le nombre total de contrats obtenus par l'équipe constituée de A et de
B au cours d'une demi-journée.
X + Y prend ses valeurs dans {O, 1,2,3,4).
L'événement X + Y = a correspond à (X = a et Y = 0).
Donc P(X + y = 0) = 0,05.
L'événement X + Y = 1 correspond à (X = 1 et Y = 0) ou (X = a
et Y = 1); ces deux derniers événements étant incompatibles, on a :
P(X + y = 1) = P(X = 1 et Y = 0) + P(X = ° et Y = 1)
= 0,15 + 0,10
= 0,25.
Par un raisonnement analogue. on démontre que:
P(X + y = 2) = P(X = 2 et Y = 0) + P(X = 1 et Y = 1)
= 0,40.
P(X + y = 3) = P(X = 3 et Y = 0) + P(X = 2 et Y = 1)
= 0,25.
P(X + y = 4) = P(X = 3 et Y = 1)
= 0,05.
On a ainsi obtenu la loi de probabilité (ou distribution) de la variable
aléatoire X + Y:
k o 2 3 4
Pl.x+r=k) 0,05 0,25 0,40 0,25 0.05
L'espérance mathématique de la variable aléatoire X + Yest
E(X + Y) = a x 0,05 + 1 x 0,25 + 2 x 0,40 + 3 x 0,25 + 4 x 0,05
E(X + Y) = 2.
La variance de X + Yest :
V(X + Y) = (0 - 2)2 x 0,05 + (1 - 2)2 x 0,25 + (2 - 2)2 x 0,40
+ (3 - 2)2 x 0,25 + (4 - 2)2 x 0,05
V(X + Y) = 0,9.
108
Ce. n' est pa') le cas d'une loi de
où EIX) = \'(X):
si E(X) = eM
alors cr{X) = Vi est fixé.

m m
cr grand cr petit
Fi g. 32
Le contrôle de qualité joue un rôle
de plus en imporlant dans la
\' ie économique; il ne se limite pas
au !\eul sec: tcur mai s
intervient aussi da",; le commen.: e,
les se(\' ices."
Le formulaire donne
1 - 11(4.5) = 3 x 10-
6
part
1 - 11 (5,9) - 1,8 x 10- 9.
Celte si tuation est fré-
quente en économie (salaires. prix.
... ).
Confor mément au programme,
aucune connaissance n' est exigi ble
à ce sujet en mathématiques.
d. Champ d'intervention de la loi normale
Une loi normale intervient dans la modéli sation de phénomènes aléa·
toires possédant de nombreuses causes indépendantes dont les
effets s'ajoutent, sans que l'un d'eux soit dominant.
Compte tenu de la complexité des phénomènes économiques et
sociaux, la loi normale intervient dans tous les secteurs.
Comme une loi normale est définie par la donnée de deux paramètres
111 et (1' , on peut la prendre pour modèle dans des phénomènes où des
études statistiques prélin'linaires conduisent à des histogrammes très
différents. En effet, pour une même valeur quelconque de 111, on peut
avoir des courbes variées (fig. 32).
On peut même utiliser une loi normale pour une variable aléatoire
mesurant une quantité ne variant pas aléatoirement dans IR mais dans
une partie de IR seulement, par exemple [0, + co[ ou ]0, 30].
C'est le cas en particulier lorsque X mesure un prix, une longueur ou
une masse.
Ainsi , en contrôle de qualité, il est a priori étonnant d'envisager le calcul
de la probabilité d'événements tel s que X,,; -4, X :;" 100, lorsque X,
mesurant une longueur, suit la loi normale de moyenne 111 = 20 cm et
d'écart type 0' = 2 cm; il est en effet impossible, dans une même chaine
de fabrication, d'obtenir un produit de longueur - 5 cm ou 120 cm.
Avec la loi normale, on obtient:
P(X"; - 4) = p(X 20 < - 12)
= n(- 12)
= 1 - n (12) o.
De même, P(X > 100) = 1 - n( 40) o.
Ces résultats sont compalibles avec la réalité.
En revanche, il peut être imprudent de choisir pour modèle une loi
normale lorsqu'une étude statistique préalable débouche sur un petit
nombre de classes de grande amplitude,
Enfin, lorsque les effets de nombreuses causes indépendames sont
multiplicatifs, la loi normale ne constitue pas un bon modèle. Il est
préférable de s'orienter vers une autre loi, par exemple la loi « log-nor-
male »,
D. SOMME DE DEUX VARIABLES ALÉATOIRES
1. EXEMPLES
a. Exemple 1
Deux représentants A et B d' une même entreprise travaiHem en équipe
pendant un moi s pour proposer des contrats à d'éventuels clients: A est
chargé de placer de nouveaux contrats à des cl ients actuels de l' entre-
pri se, tandi s que B doit prospecter de nouveaux clients,
Chap, 3 : Variables aléatoires à valeurs réelles 107
Les deux é\'énements du second
membre de l'égalité sont incompa-
tibles.
On représeme généralement les lois
de probabilité de X et Y de cette
façon: elles sont placées en marge
du tableau: c'est pourquoi on les
appelle loi .. marginales. Attention
à la posit.ion dans le tableau des lois
respecti ves de X et Y.
On permute les lignes Y = 0
et Y = 1.
Par exemple,
E( Y) = 0 x 0,5 + 1 x 0,5.
E(X + Y):l. déjà été calculé ci-des-
sus.
Par exemple,
\'(y) ~ (0 - 0.5)'0.5 + (1 - 0,5)'0,5.
V(X + Y) a déjà été calculé ci-des-
sus. On n'a pas d' égalité pour les
\'ariances.
Remarques
1. Le tableau initial permet de déte.rminer les loi s de probabilité res-
pectives de X et de Y.
En effet, l'événement X = a correspond à (X = a et Y = 0) ou (X = a
et Y = 1).
Donc P(X = 0) = P(X = a et Y = 0) + P(X = a et Y = 1)
= 0,05 + 0,10
= 0,15.
On obtient de même P(X = 1), P(X = 2) et P(X = 3) en ajoutant les
nombres figurant dans une même colonne du tableau initial.
D'autre part, l'événement Y = 0 correspond à (X = a et Y = 0) ou
(X = 1 et Y = 0) ou (X = 2 et Y = 0) ou (X = 3 et Y = 0).
Ces quatre événements étant incompatibles deux à deux, P(Y = 0) est
la somme des probabilités de ces événements:
P(Y = 0) = 0,05 + 0,15 + 0,20 + 0,10
= 0,5.
L'événement contraire Y = J a donc pour probabilité
P(Y = 1) = 1 - P(Y = 0)
= 0,5.
On peut alors compléter le tableau initial:
~
0 1 2 3
a 0,05 0,15 0,20 0,10
1 0,10 0,20 0,15 0,05
loi de Y
0,5
0,5
loi de X 0,15 0,35 0,35 0,15
f - - - - - + ~
2. ln versement, la donnée des loi s marginales de X et Y ne suffit pas à
définir le tableau initial: le nouveau tableau obtenu en permutant les
deux lignes du précédent est différent de celui-ci et il correspond
cependant aux mêmes lois marginales de X et Y.
3. Les variables aléatoires X, Y et X + Y ont pour espérances mathé·
matiques respectives:
E(X) = 1,5 E(Y) = 0,5 E(X + Y) = 2.
Donc E(X + Y) = E(X) + E(Y).
Les variances de ces mêmes variables aléatoires sont:
V(X) = 0,85 VrY) = 0,25 V(X + Y) = 0,9.
Donc V(X + Y) .,. V(X) + VrY)·
b. Exemple 2
Voir le début du parJgraphe c.l.a. Reprenons l'exemple. utilisé pour introduire la loi binomiale, du fichier
« Clientèle » dans lequel un tiers des fiches correspondent à des clients
domiciliés dans la région lle-de-France.
Chap.3 : Variables aléatoires à valeurs réelles 109
XI = 0 est l'événement: .. la fiche
choisie au premier ti rage est cell e
d'un client non domil'ilié en lIe-de-
France • .
Les tirages étant avec remise la
composi ti on du fichier est la même
à chaque tirage.
Aucune fiche d'l le-de-France n'a
été tirée au des deux tirages.
Si C. D sont il1dépendanL'i, alors
p(e et D) P(C) x P(D).
On ne peut pas avoir en même
temps X] = 1 etX] = O.
On a déjà remarqué que XI = 1 et
X
2
= 0 sont intlépendants. de
même que X] = OetX
2
= 1.
Les calculs sont analogues à ceux
qui ont été effecwés pour X + }'
dans l'exemple 1.
On avait obtenu un résultat ana-
logue dans l' exemple 1.
Effectuons un premier tirage avec remise en supposant que toutes les
fi ches ont la même probabilité d'être choi sies. La variable aléatoire Xl
qui prend la valeur 1 si la tiche tirée correspond à un client d'lle-de-
France et qui , sinon, prend la valeur 0, a pour loi de probabilité:
o
2
'i
1
3
La variable aléatoire X
2
définie de la même façon pour un second tira-
ge avec remise a la même loi de probabilité.
La variable aléatoire, notée XI + X
2
, mesurant le nombre de fois
qu'une fiche d'île-de-France est obtenue au cours des deux tirages,
prend des valeurs dans (O, 1, 2).
L'événement XI + X
2
= 0 correspond à (XI = 0 et X
2
= 0).
Donc P(X] + X
2
= 0) = P(X
I
= 0 et X
2
= 0) = P(X] = 0) x P(X
2
= 0)
car les tirages étant avec remise, les événements X] = 0 et X
2
= 0 sont
indépendants.
Donc P(X
I
+ X, = 0) = x = '1..
- 3 3 9
De même P(X
I
+ X
2
= 2) = P(X] = 1 et X
2
= 1) = 1 x l = 1.
3 3 9
Enfin, l' événement XI + X
2
= 1 correspond à (X
t
= 1 et X
2
= 0) ou
(X
t
= 0 et X
2
= 1); ces deux derniers événements étant incompatibl es,
on a:
P(X
I
+ X
2
= 1) = P(X
I
= 1 et X
2
= 0) + P(X] = 0 et X
2
= 1)
= P(X] = 1) x P(X
2
= 0) + P(X
I
= 0) x P(X
2
= 1)

3 3 3 3 9'
On a ainsi obtenu la loi de probabilité de XI + X
2
:
o
4
9
4
9
2
1
9
L'espérance mathématique de XI + X
2
est E(X
I
+ X
2
) = l
La variance de XI + X
2
est V(X
I
+ X
2
) =
Remarque
E(X
I
) = 0 x + 1 x = et E(X
2
) = E(X]).
Donc E(X] + X
2
) = E(X
I
) + E(X
2
).
V(X]) = (0 - + (1 _ =
On a,'aÜ obtenu un résultat diffé- Dot;c V(X] + X
2
) = V(X
I
) + V(X
2
).
rent dans l'exemple 1.
11 0
On a déjà défini deux é\.·énements
indépendants au paragraphe B.2.
du chapitre 2. Ici, il s'agit de
variables aléüloires indépen-
dantes.
On peut étendre cette définition aux
deux autres. types de variables aléa-
toire!i présentés au paragraphe A. 3.
Voir le paragraphe I.a.
L'égalité de la définition ci-dessus
est fausse au moins dans le cas
particulier k
1
= 0 el k; = O.
Voir le paragraphe l.b.
La composition du fichier est la
même il chaque tirage.
Nous avons déjà rencontré le nom
de Bernoulli à la fin du chapitre 2.
Constater que, pour tout élément k
de {D, 1. 21, on a
(
1)'(')' -' P(X, + X, ~ k) ~ q '3 '3 .
On admet ici ce résultat qu'on n'a
démontré que dans Je Ca.li n = 2.
2. INDÉPENDANCE
DE DEUX VARIABLES ALÉATOIRES
Définition
Soil X une variable aléatoire discrète prenant un nombre fini de valeurs
*1' *2' .... kit .... k".
Soit Y une variable aléatoire discrète prenant un nombre fini de valeurs
ki. ki • ...• kj • ...• k ~ .
X et Y sonl indépendantes si. pour tout i. l '" i .. n.
etpourloutj.l""j""p.
on a : p(X = k
i
et Y = kj) = p(X = k
i
) X p(Y = kj ).
EKemple 1
On iii dans le lableau définissant les probabilités P(X = x el Y = y) où
x apparlient à {D, 1. 2. 3} el y à {O. I} que P(X = 0 el Y = 0) = 0,05.
Or, on a démonlré que P(X = 0) = 0.15 et pey = 0) = 0,5.
O'où P(X = 0) x pey = 0) = 0,Q75.
Donc P(X = 0 et Y = 0) '" P(X = 0) x pey = 0).
Les variables aléatoires X et Y ne sont pas indépendantes.
EKemple 2
On a remarqué que, les tirages étant effectués avec remise, le résultat
d'un tirage est indépendant du résultat d'un autre lirage, et cela quels
que soient ces résultats.
Donc, pour tout k de {O, I} et lout k' de {O. I}. on a :
P(X, = ketX
2
= k') = P(X, = k) X P(X
2
= k')
Les variables aléatoires XI et X
2
sont indépendantes.
Remarque
Les variables aléatoires XI el X
2
ci-dessus, qui prennent la valeur 1
avec la probabililé p = ~ el la valeur 0 avec la probabililé 1 - P. sont
appelées variables de Bernoulli de paramètre p; elles suivenl la loi
binomiale de paramèlres /1 = 1 el p = ~ car
CO (1)0 ( ~ ) ' = ~ = P(X = 0)
'3 3 3 '
el C: ( ~ ) ' ( ~ t = ~ = P(X, = 1).
La variable aléatoire XI + X
2
suit elle aussi une loi binomiale: la loi
00(2, ~ ) de paramèlres Il = 2 et p = ~ .
Plus généralement, on démontre qu'une variable aléatoire qui suit une
loi binomiale 2li(n, p) est la somme de II variables aléatoires de Ber-
noulli indépendantes de même paramètre p.
Chap. 3 : Variables aléatoires à valeurs réelles 1 1 1
Voir les paragraphes I.a. et Lb.
Ce résultat à une somme de
plus de deux variables :
E( i Xi) i E(X,)
i - 1 i-I
Voir le paragraphe 8. l.d.
La est
inutile pour cette Mmonslration.
On utilise une extension du théo-
rème ci-dessus.
·Cette somme a Il termes égaux à p.
C'est le résultat admis au para-
graphe C. I.b.
Dans ce on suppose que
ces nombres existent.
Attention au signe +.
, ,
3. ESPERANCE MATHEMATIQUE
D'UNE SOMME
DE VARIABLES ALÉATOIRES
Nous avons démontré, dans deux exemples, que pour une somme
X + Y, on a E(X + 1') = E(X) + E( 1').
On démontre que ce résultat est général.
E(X + Yi = E(.l() + E( YJ. si ces nombres existent.
De même: E(X - Y) = E(X) - E(Y).
Rappelons que, a et b étant des constantes réelles, on a
E(aX+ b) = aE(X) + b.
Application à la loi binomiale
Soit X une variable aléatoire qui suit une loi binomiale 'lll(II, l'). On peut
considérer X comme la somme de n variables X
j
de Bernoulli indépen-
dantes de même paramètre p.
E(X) = E( i Xi) puisque X =.i Xi '
,= l , = 1
n
Donc E(X) =.1 E(X,). Or E(X,) = 0(1 - l') + II' = l';
1= 1
d'où E(X) = l' + l' + ... + l', .
soit E(X) = ' 111'.
4. VARIANCE DE LA SOMME
,
DE DEUX VARIABLES ALEATOIRES
INDÉPENDANTES
Nous avons démontré dans un exemple, au paragraphe l,b. , que, pour
deux variables aléatoires indépendantes X) et X
2
' on a
V(X) + X
2
) = V(X) + V(X
2
).
On démontre que ce résultat est général.
X et Y étant des variables
VI X + Y) = V(X) + V(YJ.
Nous avons observé sur un exemple, au paragraphe I.a., qu'avec des
variables aléatoires non indépendantes, on peut avoir
V(X + 1') '" V(X) + V( 1').
Pour une différence de variables aléatoires indépendantes, on a
V(X - Y) = V(X) + V(Y).
Rappelons que, a et b étant des constantes réelles, on a
V(aX + b) = a
2
V(X).
112
C'est le résultat admis au p:U-.t-
graphe C. l.b,
NOIer l'hypothèse d'indépendance,
E(X, ;: X,) E(X,) + E(X,) .
V(X, + X,) V(X
r
) + V(X,).
E(X, - X,) E(X,) - E(X,).
V(X, - X, ) V(X,) +. V(X,).
Application à la loi binomiale
Pour une variable X; de Bernoulli de paramètre p, on a E(X;) = p.
Comme V(X,l = E(X;) - [E(X;)]2,
on a V(X;) = 0
2
(1 - p) + l 2p - p2, soit V(X,l = pel - pl .
Comme une variabl e aléatoire X qui suit une loi binomiale oo(n, p) est
la somme de Il variables X; de Bernoulli indépendantes de même para-
mètre p, on a :
(
" ) "
V(XJ = V .k X; , pui sque X =k X;.
1= 1 1= 1
"
Donc V(XJ k V(X; ) en utilisant une extension du théorème ci-
j= 1
dessus, soit: V(XJ = IIp(l - p).
5. SOMME DE VARIABLES ALÉATOIRES
SUIVANT DES LOIS NORMALES OU
DES LOIS DE POISSON
a. Lois normales
Soit X, et X
2
deux variables alé.toiles indépendantes suivant les lois
respectives X(m" ",) et X(m2' "2)' alors X, + X
2
suit la loi
normal,e de moyenne ml + m2 el d' écart type Vai +
Cette propriété des lOIS normales est très importante.
Remarques
1. Avec les mêmes hypothèses, XI - X
2
suit la loi normale de
moyenne ml - m
2
·et d'écart type +
2. Le résultat sur une somme de deux variables aléatoires indépen-
dantes s;étend à une somme de Il variables normales indépendantes.
b. Lois de Poisson
Si Xl et X
2
sont deux variables aléatoires indépendantes suivant les
lois de Poisson respectives g>(À,) et g>(À
2
). Alors leur somme X, + X
2
est une variable aléatoire suivant la loi de Poi sson g>(À, + 1.
2
).
Chap. 3 : Variables aléatoires à valeurs réelles 113
TRAVAUX PRATIQUES
EXEMPLES D'ÉTUDE DE
SITUATION DE PROBABILITÉ
FAISANT INTERVENIR
UNE VARIABLE ALÉATOIRE
TP 1
Détermination d'une loi de
probabilité, calcul d'espérance
mathématique, de variance
d'écart type, jeu équitable
- Une boîte contient 10 boules. Sur chacune d'elles on a
inscrit un nombre suivant le tableau ci-dessous;
Nombrt inscrit
Nombre de 1
Un joueur mise 10 euros, tire une boule au hasard el
reçoit la somme (en euros) inscrite sur la boule. Toutes
les boules onl la même probabilité d'être tirées.
I Ole joueur joue une fois. On >tppelle PI la probabilité
qu'il perde de l'argent (c'est-à-dire qu'il reçoive moins
de 10 euros à ,'issue ÙU li rage) et la probabilité qu'il
reçoive plus de 10 euros. Donner PI elP2"
r Soit X la variable aléatoire qui. à chaque tirage, fail
correspondre le « gain ,. du joueur (une perle est un
« gain ,. négatif). Par exemple : si un joueur lire le
nombre 12, son '1\ gain ,. est + 2; s'il tire le 6, son
« gain » est - 4.
a) Quelles sont les valeurs prises par la variable
aléatoire X'!
b) Donner la loi de probabilité de X en complétant,
après l'avoir reproduit, le tableau suivant:
c) Calculer son espérance mathématique E(X). Que
représente E(X) pour le joueur?
d) Calculer la variance et la valeur approchée arron-
die à IO-:! de J'écart type de X.
3° JI s'agit maintenant, en changeant Je nombre inscrit
sur une boule, de rendre ce jeu équitable (c'est-à-dire
que l'espérance mathématique de la variable aléatoire
associée doit être nulle).
Proposer une solution.
TP2
Tirages simultanés,
variable aléatoire
Une urne contient dix bou les: une rouge, une blanche
et huit noires. Un jeu consiste à tirer simultanément
deux boules. On suppose l' équiprobabilité des tirages.
l O Combien y a-t-il de tirages possibles?
r On considère les événements suivants:
El ; « le tirage contient la boule rouge el la boule
blanche » :
E
2
: .c le tirage contient la boule rouge et une boule
noire » ;
EJ : « le tirage contient la boule blanche et une boule
noire » ;
E4 : « Je lirage cont ient deux boules noires ».
Calculer sous forme de fractions irréductibles les pro-
babili,és PtE,), P(E, ), P(E
3
), P(E.).
3
0
Si le joueur tire la boule rouge, il gagne 15 euros;
s'il tire l a boule blanche, il ne gagne rien; enfin, il perd
2 euros boule noire tirée.
Par exemple, tire la rouge et la blanche, il reçoit 15
euros pour la rouge, 0 euro pour la blanche et, donc,
pour les deux boules, 15 euros. On considère la
variable aléatoire X qui, à chaque tirage, associe le gain
du joueur (une perle un gain négatif).
a) Déterminer les valeurs prises par la variable aléa-
toire X.
b) Donner la loi de probabilité de X sous forme de
tableau.
c) En déduire l'espérance mathématique de la
variable aléatoire X.
Quelle remarque peut-on faire?
EXEMPLES D'ÉTUDE DE
SITUATIONS DE PROBABILITÉS
FAISANT INTERVENIR DES
VARIABLES ALÉATOIRES
SUIVANT UNE LOI BINOMIALE,
DE POISSON OU NORMALE
TP 3 Tirage de boules et loi binomiale
. Une boîte contient quatre boules rouges, troi s boules
vertes et sept boules jaunes. On lire si mult:mément
deux boules de la boîte et on que les tirages
sont équiprobables.
114
1 °On considère les événements suivants:
A : « obten ir deux boules de même couleur » ,
B : '" obtenir deux boules de couleurs différe,ntes ».
Calculer, sous forme de fractions irréductibles, les pro-
babilités PlA) et P(B).
r On répète dix foi s l'épreuve précédente en remeUarll
les deux boules tirées dans la boîte, après chaque tira-
ge. Les di x épreuves aléatoires élément<lÎres sont donc
indépendantes. On note X la variable aléatoire qui , à
chaque partie de dix épreuves, associe le nombre de
fois où l' événement A est réali sé.
a) Expliquer pourquoi X suit une loi binomiale.
Donner les paramètres de œtte loi.
b) D<;lnner la loi de probabilit é de X en complétant,
après l'avoir reproduit, le tableau suivant, dans
lequel on fera figurer des valeurs approchées arron-
dies avec un se·ul chiffre différent de zéro.
1 0
c) Calculer l'espéCilnce mathématique E(X) de X.
Que représente E(X)? On donnera la valeur appro-
chée arrondie à 10-
2
.
TP4
Lois de Poisson
et bons de commande
Dans une entreprise de vente par correspondance une
étude statistique a montré qu'il y avait 5 % de bons de
commande comportant au moins une erreur. On consti-
tue au hasard un échantillon de 100 bons de comman-
de parmi ceux traités un jour donné.
Le nombre de bons de commande traités dans cette
journée est assez important pour 'lu 'on pui sse
ce prélèvement à un tirage avec remise de 100 bons de
commande. On désigne par X la variable aléatoire qui
associe à tout échantillon de 100 bons le nombre de
bons erronés. On admet que X suit la loi de Poi sson de
paramètre 5.
) 0 Déterminer, à l'aide de la table du formulaire, la
probabilité de chacun des événements sui vants:
a) El: « il y a exactement 5 bons erronés parmi les
100 ,.;
b) Ez : « il y a moins de 5 bons erronés parmi les
100 ,. ;
c) E3 : « il y a au moins 5 bons erronés parmi les
100 ,. .
2° Déterminer le plus petit entier k tel que la probabi-
lité d' .avoir moins de k·e,rreurs soit supérieure à 0,9.
Chap. 3 : Variables aléatoires à valeurs réelles
TP 5 Approximation d'une loi
binomiale par une loi de Poisson
Dans cet chaque prohahiliti demandée sera
il JO-J.
Une petite entreprise emploie vingt pe.rsonnes. Une
étude stati stique permet d'admettre qu'un jour donné la
probabilité qU'un employé donné soit absent est 0,05.
On admet que les absences des employés survenues un
jour donné sont indépendantes les unes des autres. On
note X la variable aléatoire qui à chaque jour tiré au
hasard associe le nombre d'employés
1 °Expliquer pourquoi X suit une loi binomiale. Donner
les paramètres de cette loi.
2° Calculer la probabilité des événements suivants:
a) El « Un jour donné il y a exactement troi s
absents » ;
b) E') : « Un jour donné il y a strictement plus de
deux· absents ,. ;
c) E
3
: « Un jour donné le nombre d'absents est com-
pris entre trois et six (bornes l'omprises) lt .
3° Calculer l'espérance mathém.ttique nOlée E<X) de la
variable aléatoire X. Que représente E(X)?
4° On approche la loi binomiale du ) 0 par une loi de
Poisson de paramètre À = np, où n et p sont les pam-
mètres de cette loi binomiale.
En utilisant la loi de Poisson, déterminer les probabili-
tés respectives des trois événements El ' E2' E3 de la
question 2° .
Vérifie.r que les résultats obtenu:) au 4° différent Je
moins de 1 % des résultats obtenus au r .
TP6
Loi normale
à propos d'industrie textile
Une usine produit des bobines de fil pour J'industrie
textile. On désigne par X la variable aléatoire qui, à
toute bobine tirée au hasard de la production d'une
journée associe la longueur, exprimée en mètres, du til
de cette bobine. On admet que X suit la loi normale de
moyenne 50 et d'écart type 0,2.
11 5
On prélève au hasard une bobine dans la production
d'une journée.
Tous les approchés semnt arrondis à JO- 2.
) 0 Calculer la probabilité de chacun des évé.nements
suivants:
a} la longueur du fil de la bobine est inférieure à
50,19111;
b) la longueur du fil de la bobine est supérieure à
50,1601;
c) la longueur du fil de la bobine est comprise entre
50,16 m et 50,19 O1.
2° Déterminer le nombre réel posit if a tel que:
TP7
Pt50 - a '" X '" 50 + a) 0,9.
Loi normale, approximation
d'une loi binomiale
par une loi de Poisson
Une machine fabrique plusieurs milliers de bouchons
cylindriques par jour.
] 0 On admet que la variable aléatoire X qui , à chaque
bouchon prélevé au hasard la product ion d' une
journée, associe son diamètre exprimé en millimètres,
suit la loi normale de moyenne m = 22 et d'écart type
" = 0,025.
Les bouchons sont acceptables si leur diamètre appar-
tient à l'inter valle [21,95 ; 22,05].
Déterminer avec la préci sion de la table du formulaire-
la probabilité qu'un bouchon pris au hasard dans la
production soi t acceptable.
2° Dans ceue question, on admet que la probabilité
qu'un bouchon, pris au hasard dans la production d'une
Journée, soit défectueux est 0,05.
On prélève au hasard un échantill on de 80 bouchons
(ce prélèvement est ass imilé à un tirage de 80 bouchons
.Ivec remise). On nomme Y la variable aléatoi re qui , à
chaque tirage de 80 bouchons, assocÎe le nombre de
bouchons défectueux dans cet échantillon.
a) Quelle est la loi suivie par la variable aléatoire Y?
Déterminer l' espérance mathématique de Y.
b) On approche la loi de la variable aléatoire Y par
une loi de Poisson. Donner le paramètre À de celle
loi de Poi sson.
c) On note Z une vari able .tléalOire sui vant la loi de
Poisson obtenue au h) .
Calculer la probabi lité qu'un tel échanti ll on
conti enne exactement 10 bouchons défectueux,
c'est-à-dire PtZ = 10).
TPB
Approximation d'une loi
binomiale par une loi normale
Dans ac/ù·;tl, probabilité del/Ilmdü sera
arro"die à 10- J.
Une enquête par la Sofres permet d'est imer
que la probabili té qu' une lettre, prélevée au hasard
dans Je courrier d'une entreprise. parvienne son
tinataire en France, le lendemain, est 0,7.
Dans la suite, on ne considère que les lettres;) destina-
tion de la France.
À l'agence de d'une grande entrepri-
se, on admet que l'on expédie 100 lettres par jour. On
note X la variable aléatoire qui, à un jour tiré au hasard,
associe le nombre de lettres qui parviendront à leur
destinataire le lendemain. On suppose que les achemi-
nements de ces lettres se font en Ioule indépendance.
] °a) Expliquer pourquoi X suit une loi binomiale el
les paramètres de cette loi.
h) Calculer l'espérance mathématique de X, puis la
valeur arrondie à l'entier Je plus proche de l'écart
type de X.
c) Calculer la probabi lité que 60 lettres exactement,
sur les 100 expédiées un jour tiré au hasard, par-
viennent à leur destinataire le lendemain. Pour ce
çalcul , on prendra = 1,375 · IO'S.
r On décide d'approcher la loi de la variable discrète
X par la loi normale de paramètres III = 70 et (J = 5.
On note Y une variable aléatoire suivant la loi normale
.N(70 , 5). En ulilisant cette approx imation, calculer:
a) la probabilité qu'au moins 80 des 100 lettres,
expédiées un jour tiré au hasard, parviennent à leur
destinataire le lendemain, c'est-à-dire P(Y 79,5);
b) la probabilité que le nombre de lettres, sur les 100
expédiées un jour tiré au hasard, à leur
dest inataire le lendemain, soit strictement compris
entre 55 et 85, :
TP9
Pt55,5 '" y", 84,5).
Somme de variables aléatoires
indépendantes suivant
des lois normales
Pour réali ser un de produits, une entreprise doit pro-
céder il l'assemblage d'une pièce de type A fabri quée
en grande séri e par un sous-traitant et d'une pièce de
type 8 réali sée par ses soi ns.
Le cahier des charges précise que la totale d' un
dispositif assemblé doi t être compri se entre 590 et 6 10
grammes.
On désigne par X la variable aléatoÎre qui, à chaque
pièce de type A, prélevée au hasard dans la production,
associe sa masse, exprimée en grammes.
On suppose que X suit la loi normale de moyenne 390
et d'écart type 4.
On désigne par Y la variable aléatoire qui. à chaque
pièce de type 8 , prélevée au hasard dans la production,
associe sa masse, exprimée en grammes. Cette variable
aléatoire Y suit la loi normale d'espérance mathéma-
tique 208 et d'écart type 3.
La pièce de type A et la pièce de type B à .tssembler
sont prélevées au hasard el de manière supposée
116
indépendante. On désigne par Z la variable aléatoire
définie par Z = X + Y.
On admet que Z suit une loi normale.
1° Vérifier que la loi normale suivie par Z a pour
moyenne 598 et pour écart type 5.
r Calculer à 10- 3 près la probabilité de J'événement
E : « une pièce prélevée au hasard dans la production
ne répond pas au c3hier des charges ».
Exercice ,
()J <.\ ----- (<MN-/, -
Loi normale et probabilités
conditionnelles au péage
Les rlsulrats numériques seront dOllllb an!c ulle pré·
cision de /0- 3.
Pour entrer sur une section d'autoroute, on jette une
pièce de 1 € dans un panier. La masse de la pièce est
alors testée par un appareil.
L'appareil accepte les pièces dont la masse est compri-
se entre 6,455 g et 6,525 g.
A. Loi
1° On note X la variable aléatoire qui, il. chaque pièce
de 1 € frappée par la Banque de France, prélevée au
hasard, associe sa masse en grammes.
Cette variable aléatoire suit la loi normale de moyenne
fi. = 6,49 et d'écart type fI = 0,015.
Calcule.r la probabilité qu'une pièœ de 1 € frappée par
la Banque de France soit acceptée par l'appareil.
r Des faussaires mettent en circulation un grand
nombre de fausses pièces de 1 €. On noIe Y la variable
Chap. 3 : Variables aléatoires à valeurs réelles 117
aléatoire qui, à chaque fausse pièce de 1 €, prélevée au
hasard, associe sa masse exprimée en grammes. Cette
variable aléatoire Y suit la loi normale de moyenne
f.L' = 6,56 et d'écart type cr' = 0,02. Calculer la proba·
bilité qu'une fausse pièce de 1 € soit acceptée par l'ap·
pareil (on pourra prendre 1 comme valeur approchée de
rr(tl lorsque t eSl supérieur à 5).
B. cOllditiolllleJ/es
On estime que:
• des pièces de 1 € jetées dans le panier ont été mises
en circulation par les faussaires.
• Les autres pièces de 1 € jetées dans le panier ont été
frappées par la Banque de France.
Soit A l'événement « la pièce de € jetée dans le
panier est acceptée par l'appareil » .
Soit B l'événement « la pièce de € jetée dans le
panier a été frappée par la Banque de France » et B
l'événement contraire.
Dans la suite on suppose que la probabilité de l'événe-
ment « A sachant que B est réalisé» est 0,98 et que la
probabilité de l'événement «A sachant que B est réali·
sé » est 0,04.
1° a) Déterminer P(A n B) et P(A n B) ;
b) Déduire P(A) du a) en remarquant que
A = (A n B) U (A n B).
2° a) Déduire P(A B) de P(A B);
b) Calculer la probabilité qu'une pièce de 1 € jetée
dans le panier ait été frappée par la Banque de
France et soit refusée par l'appareil.
EXERCICES CORRIGÉS
DES OBJECTIFS
Numéros des
o La loterie
exel't'Îces
Représenter graphiquement la fonction de 1
Une partie de loterie consiste à lâcher une bille dans un
répartition d'une \"ariable .. Iéatoire
appareil qui comporte six portes de sortie, numérotées
Calculer 1't,"!!;pc:rJm:c mathématiyue, la va-
de 1 à 6.
riance et l'écart type d'une variable aléatoire
1.::!.3
Soit X la variable aléatoire qui, à chaque partie, associe
Déterminer la loi de probabilité J'une le numéro de la porte de sortie franchie.
variable alé::Hoi fC
2,3
Sa loi de probabilité est définie par le tableau suivant:
4,5,6,7,
une loi binomiale
16, ::!O. 21
i 1 2 3 4 5 6
Utiliser une loi de Poisson
8,9. lU, II
l'IX =.)
1 5 JO JO 5 1
Approcher une loi binomiale pdf ul)e loi de
- - -
21
32 32 32 32 352 32
Poisson
Ulili :.er une loi normale
12,13.14.15,
La règle du jeu est la suivante: un joueur mi se 2 euros;
16,17,19,21 il reçoit 12 euros si la bille franchit les portes 1 ou 6,
Approcher une loi binomiale par une loi 2 euros si elle franchit les portes 3 ou 4. Les portes 2 et
normale
17
5 ne rapportent rien.
Dé-tcrminer ["espérance et l'él:3rt type d·une
IM,I9
Le « gain Jojo d'un joueur est la différence entre ce qu'il
somme de \'ariables aléatoires indépendante>;
reçoit à l'issue de la partie et sa mise. Le gain peut donc
être éventuellement un nombre négatif ou nul.
Exemples de situations menant à l'étude d'une
Soit Yla variable aléatoire qui à chaque partie effectuée
variable aléatoire
par un joueur donné associe le gain.
1° Quelles sont les valeurs possibles de Y?
2° Déterminer la loi de probabilité de Y?
ŒJ • Prévisions de vente 3° Un jeu est équitable si l'espérance mathématique du
gain est nulle. Le jeu est-il équitable '!
Dans une grande surface, on a relevé sur une longue
Tous résultats semllt donnés sousforme de fractions
période le nombre d'articles de type A vendus.
irréductibles.
L'étude statistique permet d'admettre que la variable
aléatoire X qui associe, à un jour ouvrable tiré au hasard
[TI .. La main dans le sac
pendant un mois, le nombre d'articles de type A ven-
dus ce jour-là a une loi de probabilité définie par le
Dans cet exercice, les tirages sont équiprolxlbles.
tableau suivant.
Un sac cont ient quatre jetons noirs et quatre jetons
0" dOllnera les wlleurs approchées arrondies à 2
blancs. On tire quatre jetons du sac, simultanément.
Soit X la variable aléatoire qui, à chaque tirage, associe
des rb ll/fats.
le nombre de jetons noirs tirés.
Déterminer la loi de probabilité de X, son espérance
Nombrex
j
a 1 2 3 4 5 6
mathématique et la valeur approchée arrondie à. 10- 2
d'articles vendus
de son écart type.
l'IX = x;l 0,10 0,16 0,25 0,30 0,13 0,05 0,01
Loi binomiale
1 ° Représenter graphiquement la fonction de réparti- .. Jeu de boules
tion de la variable aléatoire X.
2° Calculer l'espérance mathématique E(X) de la Dans une urne, il y a 10 boules blanches el 18 boules
variable aléatoire X. Que représente E(X)? rouges indiscernables au tOllcher. On considère l'épreu-
3° Calculer variance et l'écart type de la variable
ve qui consiste à extraire, au hasard, rune après l'autre
aléatoire X.
el sans remise, deux boules de l'urne. Tous les tirages
118
sont équiprobables. On donnera, pour chaque résultat,
la valeur exacte et une valeur approchée arrondie à
10-
2
.
1° Déterminer la probabilité de l'événement suivant:
E : « La première boule tirée est blanche ».
r On répète cinq fois de suite l'épreuve précédente.
Après chaque épreuve, les deux. boules tirées sont
remises dans J'urne, les cinq épreuves élémentaires
précédentes sont donc indépendantes.
Soit X la variable aléatoire qui, à chaque partie de cinq
épreuves, associe le nombre de fois que se produit
l'événement E.
a) Expliquer pourquoi X suit une loi binomiale; pré-
ciser les paramètres de celle loi.
. b) Calculer la probabilité de J'événement
F: « E se produit exactement deux fois ».
0** Un cas d'école
On considère une épreuve aléatoire débouchant sur
deux évc.nlualités : succès el échec, de probabi lités res-
pecti'les 0,7 c.t 0,3.
On désigne par X la variable aléatoire qui associe à 11
épreuves aléatoires indépendantes le nombre k de suc-
cès.
On désigne par Y la variable aléatoire qui associe à 11
épreuves aléatoires indépendantes le nombre k
Il d'échecs.
) 0 Quelles sont les lois suivies par X et Y?
Donner en fonction de 11 l'expression de :
P(X k); pey k); P(X 0); P(X '" 1); p ey Il ).
ZO On suppose que 11 = 10. Calculer:
P(X 0): P(X 2): p(X '" 2); P(X > 2) ; l'espéran-
ce E(X) ell'écarllype O'(X).
TOlU les ré.wlrats seront arroI/di" à 10- 6.
o ** Assurance-vie
Une compagnie d'assura.nces vend des polices d'assu-
rance-vie à des personnes de ans, toules
e.n bonne santé. Après consultation des statist.iques des
compagnies d'assurances, on admet que la probabilité,
de l'événe.ment : « Une personne de quar::lIlle-cinq ans
vit encore trente ans ", est 0,7.
On prélève au hasard six: personnes de quarante-cinq
ans en bonne santé parmi la clientèle de la compagnie.
On admet que la clientèle des personnes de quarante-
cinq ans en bonne santé est suffisamment imporlante
pour que l'on pui sse assimiler ce prélèvement h un tira-
ge avec remise. On a donc une succession de six
épreuves indépendantes.
} O Soit X la variable aléatoire qui, à chaque échantillon
de six personnes de plus de quarante-cinq ans en bonne
santé, associe le nombre de personnes encore vivantes
trente ans après. Expliquer pourquoi X suit une loi
binomiale dont on précisera les paramètres.
2° Trouver à 10-
4
près la probabilité des événements
suivants:
a) A : « Les six personnes seront vivantes dans tren-
te ans » ;
b) B : « Au moins deux personnes seront vivantes
dans trente ans» ;
c) C : « Au moins une personne sera vivante dans
trente ans ».
0***
X désigne une variable aléatoire qui suit une loi bino-
miale de paramètres n et 0,01, notée 00(11; 0,01).
1° Déterminer 11 pour que P(X = 0) 0,01.
2° Déterminer 11 pour que P(X 1) 0,90.
Loi de Poisson
Soit X une variable aléatoire qui suit la loi de Poisson
de paramètre 4.
Déterminer la probabilité d'avoir 7 X 9.
[!] . If faut .. éliminer!
3 % des bouteilles d'eau fabriquées par une usine sont
défectueuses.. On appelle X la variable aléatoire qui, à
tout lot de 100 bouteilles prises au hasard, associe le
nombre de bouteilles défectueuses. On admet que X
suit la loi de Poisson de paramètre 3.
Trouver la probabilité de chacun des trois événements
suivants:
A : « Un tel lot n'a aucune bouteille défectueuse » ;
B : « Un tel lot a exacte.mcnt deux bouteille.s défec-
tueuses " ;
C: « Un te.! lot a au plus deux bouteilles défec-
tueuses ».
** Lecture Înverse de la table
Soit X une variable aléatoire qui suit la loi de Poisson
de paramètre 7.
Déterminer la plus petite valeur de k vérifiant:
P(X '" k) '" 0,80.
Chap. 3 : Variables aléatoires à valeurs réelles 119
Œ2J u. Détermination du paramètre
Soit X une variable aléatoire qui suit une loi de Poisson.
Dét.ermine.r à 10-
2
près Je paramètre À sachant que
P(X = 0) = 0,3.
• Utiliser la définition de la loi de Pois'>On.
Loi normale. Lecture directe de la table
(exercices 12 et 13)
La variable aléatoire X suit la loi normale .N(20, 5).
Calculer, avec la préci sion permise par la table du for-
mulaire:
a) P(X ,. 28); b) P(X ;. 28); c) P(X;' 12);
d) P(X,. 12); e) P(12 ,. X,. 28).
.. Gestion de parc automobile
Une entreprise de transport a un parc total de ISO
. camions. On désigne par X la variable aléatoire qui, à
chaque camion tiré au hasard dans le parc, associe la
distance qu'il a parcourue dans une journée. (Les dis-
tances sont mesurées en kilomètres.) On admet que
cette variable aléatoire X suit la loi normale de moyen-
ne 120 et d'écarttype 14.
Déterminer à 10- 4 près la probabilité qu'un camion
parcoure un jour donné une distance comprise entre
110 et 130 kilomètres en utilisant éventuellement une
interpolation affine.
Lecture inverse de la table de la loi normale
(exercices 14 et 15)
..
La variable aléatoire X suit la loi normale .N'(20. 5).
Déterminer à 10- 2 près le nombre réel a tel que:
a) P(X,. a) 0,99; b) P(X ,. a) 0,01 ;
c) P(X;' a) = 0,05; d) P(X;' a) 0,90;
e) P(20 - a ,. X ,. 20 + a) = 0,95.
...
On désigne par X une variable aléatoire.
1
0
X suit la loi normale .N(2 ; 0,1), calculer P(X ;:=: 2,2).
2° X suit la loi normale X(m ; 0,1) :
a) calculer ni pour que P(X 2,2) = 0,05 ;
b) calculer /Il pour que P(X;' 2,2) 0,95.
3
Q
X suit la loi normale H(2 ; a) :
a) calculer cr pour que P(X ,. 2,2) 0,9;
b) calculer cr pour que p(1,8 ,. X,. 2,2) = 0,9.
TOlls résultats seront arrondis à 10- 2.
Approximation d'une loi binomiale
par une loi normale (exercices 16 et 17)
*** Pile ou face
On jene dix fois de suite une pièce de monnaie bien
équilibrée en notant chaque fois le résultat, ce qui
constitue une partie.
Tous les résultats approchls sero'" arrondis à 10-
3
.
1
0
On note X la variable aléatoire qui, à chaque partie,
associe le nombre de « face" obtenu.
a) Justifier que la loi de probabilité suivie par la
variable X est une loi binomi ale; on précisera les
paramètres de cette loi.
b) Calculer la probabilité de l'événement E : ..: Le
nombre de « face" est compris entre 3 et 6 (bornes
incluses) ".
r On délèide d'approcher la loi de la variable aléatoire
discrète X par la loi normale de paramètres m et u.
a) Expliquer pourquoi on prend m = 5 et cr = W.
b) On considère une variable aléatoire Y suivant la
loi .N'(5 ; ,{2,5). En utili sant cette approximarion cal-
culer la probabilité de l'événement: « Le nombre de
« face » est compris entre 3 et 6, bornes incluses " ,
c'est-à-dire P(2,5 :s; Y:s; 6,5).
U_ Statistique et probabilités
A. Statistiqut!
Avant d'accepter un contrat de livraison de véhicules,
une société d'équipements automobiles établit une sta-
ti stique de production journalière sur 100 jours.
Le nombre de véhicules équipés journellement se
répartit comme suit:
Production journali!'re Nomhrt
de véhil:ules de jOU"
95 1
96 3
97 6
98 8
99 10
100 13
lOt 18
102 14
103 9
104 8
105 6
106 2
107 2
100
120
Déterminer la moyenne de la production journali ère et
une valeur approchée arrondie à 10- 2 de l'écart type
de cene production.
B. Probabilitb
La production exigée par le contrai est au moins de J 00
véhicules équipés par jour, pendant J 00 jours de travail
consécutifs. À chaque journée tirée au hasard, on asso-
cie le nombre de véhicules équipés que l'on suppose
indépendant du nombre obtenu chacun des autres jours.
On définit ainsi une variable aléuroire X. On admet que
la variable aléaroire discrète X peut être approchée par
la loi normale de paramètres ni = 10 J el cr = 2,59. On
note y une variable aléatoire sui vant la loi
X( 1 ° 1 ; 2,59).
Calculer la valeur approchée arrondie ft 10- 3 de la pro-
babilité de l'événement« Le contrat est rempli » , c'est-
à-dire P( Y;;' 99,5).
Somme de deux variables aléatoires
Soit X et Y deux variables aléatoires indépendantes
dont les lois de probabilité sont définies par les
tahleaux suivant s.
1
x,
:1
0
1
10
1
20
1
l'IX - x,)
1 1 1
2 4 4'
Y,
- 5 10 15 20
P(Y == Yi)
1 1 9 1
'5
:j
20 ru
Calculer l'espérance mathématique el une valeur
approchée arrondie à
10-
3
de l'écart type de la
variable aléatoire Z = X + Y.
[!!] u. Somme de variables aléatoires
suivant une loi normale
Les deux variables aléatoires X et Y sont indépendantes
et suivent respect ivement les lois normales: )((22, 4)
et X( 18, 3).
Soit la variable aléatoire Z = X + Y. On admet que Z
suit une loi normale.
] 0 Montrer que l'espérance mathématique et l'écart
type de Z sont respectivement 40 et 5.
2° Calculer la probabi lité de l'événement
.-: 34 Z 48 lt.
Chap. 3 : Variables aléatoires à valeurs réelles
3° Déterminer le nombre réel positif a, tel que la pro-
babilité de l'événement « 40 - Cl Z 40 + Cl lt soit
égale à 0,95.
Exercices d'examen
... Production de montres,
événements indépendants, loi binomiale
Une usine d'horlogerie fabrique une série de montres.
La fabrication comporte deux: phases. La première
phase fait apparaître un défaut a dans 2 % des cas; la
seconde phase, un défaut b dans 10 % des cas.
1 °Une montre est tirée au hasard.
On définit les événements sui vants:
A : « La montre tirée présente le défaut a lt ;
B : .-: La montre tirée présente le défaut b lt.
On suppose que les événements A et B sont indépen-
dants. Calculer la probabilité des événements suivants:
C : « La montre tirée présente les deux défauts ,. ;
D « La montre li rée ne présente aucun des deux
défauts lt ;
E : « La montre tirée présente un et un seul des deux
défauts ».
r Au cours de la fabrication, on prélève au hasard suc-
cessivement cinq montres. On considère que le nombre
de montres fabriquées est assez gT"dnd pour que l'on
pui sse supposer que les tirages sont indépendants. On
admet que la probabilité qu'une montre choisie au
hasard dans la production ne présente aucun des deux
défauts a et b est 0,882.
Soit X la variable aléatoire qui associe à chaque prélè-
vement de cinq montres le nombre de montres sans
aucun des deux défauts a et b.
a) Expliquer pourquoi X suit une loi binomiale.
Donner les paramètres de cette loi.
b) Déterminer la probabilité de l'événement F :
« Quatre montres au moins n'ont aucun défaut lt.
On donnera la valeur exacte de cette probabilité,
puis une valeur décimale approchée arrondie au mil-
lième.
... Où on fait de la statistique descriptive et
utilise les trois lois usuelles de probabilité
121
US A, B C SOIll
Une usi ne fabrique des métalliques servant d'es-
sieux ?t des modèles réduits de voiture.
A.
Dans un lOI de 1 (XX) pièces, on a mesuré la longueur
des tiges .
Voici la répartition en classes de ces mesures;
Longueur (en mm) Nomhre de pià:es
[67 ,5; n.5[ 5
172,5; 77,51 95
[77.5 ; 82.51 790
[82,5; 87.5[ 100
187,5; 92,51 10
1
0
Tracer l'histogramme de cette série stat istique.
r En suppos:.tnt que, dans chaq ue classe, tous les élé-
ments sont situés au centre, calculer une valeur appro-
c.:hée arrondie à 10- 2 de la moyenne et de l'éc:ut type
de cette série stat istique.
B. Probabilirè
On prélève des pièces d:.lIls la production d'une jour-
née. On suppose que la probabilité qu'une pièce soit
défectueuse est 0,1. On noIe X la variable aléatoire qui,
à tout échantillon de 50 tiges, prélevé au hasard avec
remise, "lssocie le nombre de tiges défectueuses parmi
les 50.
1
0
a) Expliquer pourquoi X su it une loi binominale.
Donner les paramètres de cette loi.
b) Déterminer une valeur approchée arrondie à
10-
4
Je la probabilité pour un tel échantillon:
- de n'avoir aucune pièce défectueuse;
d'avoir au plus 2 pièces défectueuses.
r a) On admet que la loi suivie par X peut être
approchée par une loi de Poisson. Déterminer le
paramètre de celle loi.
b) En utilisant cette loi de Poisson, déterminer des
valeurs approchées à 10-
3
près de la probabilité de
chJ.cun des deux du l Ob).
C. On considère maintenant que la variable aléatoire
y qui, à loute tige de la production, associe sa lon-
gueur suit la loi normale de moyenne 11/ = 80 et
d'écart type cr = 2,5.
Dans ce qui suit, 01/ dOlillera pOlir chaqlle risl/lUlf
tille \'llieur approchée à 10- ol.
1° Quelle est la probabilité qu'une lige prise au
hasard dans la production ait une longueur comprise
entre 77.5 et 82,S?
r On accepte les pièces donl la longueur appartient
à l'intervalle l77, 86] (les pièces Irop longues peuvent
être recoupée.s).
a) Quelle est la probabilité qu'une pièce soit
acceptée?
b) Donner une estimation du pourcentage de
pièces défectueuses dans la production.
EXERCICES NON CORRIGÉS
Loi de probabilité, espérance mathématique,
fonction de répartition
1°Calculer l'espérance mathématique, la variance et la
valeur approchée arrondie à 10- 2 de l'écart type de la
variable aléatoire X dont la loi de probabilité est don-
née par le tableau:
X; 2 5 12
P(X = Xi.
1 1 1
6 2 3
r Construire la représentation graphique de la fonction
de répartition de la variable aléatoire X.
122
* Découvert à la banque
Soit X la variable aléatoire qui associe à un mois tiré au
hasard le découvert des comptes en banque d'une
grande entreprise. Une étude statist ique permet
mettre que la loi de probabilité de X est donnée par le
tableau suivant:
Xi (dâ"OUvcrl en eurm.) Pt,X=x
j
)
200 000
1
10
150000
1
6
120000
1
5
90000
1
3
70000
1
5
Calculer l'espérance mathématique E(}() de la variable
aléatoire X. Que représente E(X)?
-- Pile ou face
On lance simultanément trois pièces de monnaie (non
truquées!) : une de 0,50 €, une de 1 €, une de 2 €.
Un résultat est noté sous forme de triplet, par exemple
(P, P, F) . où le premier élément est le résultat pour la
pièce de 0,50 €. le deuxième le ré!'>uhat pour la pièce
de 1 €, le troi sième le résultat pour la pièce de 2 €.
1° Déterminer l'ensemble des résllltats possibles.
2° On gagne 1 euro si on obtient 3 fois face, 0,5 euro si
... on obtient 2 foi s face el on perd 0,5 euro si on obtient
une seule foi s face ou aucune fois face. On note X la
variable aléatoire qui. à tout lancer des trois pièces,
associe le gain obtenu, une perte étant considérée
comme un gain
a) Définir la loi de probabilité de X en présentant
les résultats à l'aide d'un tableau.
b) Calculer l'espérance mathématique E{X) de la
vari able aléatoire X. Que représente E{X)? Le jeu
est-il équitable?
Un jeu e ... t équitable l0rMIue les gains et les perles
s'équilibrent sur un Irh gr.md nombre de parties. c'e))!-
à-dire lorsque EV.') = Q.
.... Tirage a\'ec remise
Une urne contient troi s boules indiscernables au tou-
cher, numérotées respecti vement 1,2 et 3.
On effectue trois tirages successi fs avec remise, et on
note dans l'ordre les trois numéros ainsi obtenus. Un
résultat est un triplet donnan! les numéros dans l'ordre
où ils ont été obtenus. par exemple: ( l, l, 2).
Tous les triplets sont équiprobables.
] 0 Donner la liste des triplets possibles.
2° Soit X la variable aléatoire qui à chaque triplet asso-
cie la somme des deux premiers numéros tirés. Par
exemple. pour le triplet (J, 3, 3). on a X = 4.
a) Donner les valeurs possibles de X;
b) Dresser le tableau de la loi de probabilité de X;
c) Calculer son espérance mathématique.
3
0
Soit Y la variable aléatoire qui à chaque triplet asso-
cie le double du troisième numéro tiré.
a) Donner les valeurs possibles de Y.
b) Calculer sous forme de fraction irréductible la
probabilité de J'événement X = Y.
Chap. 3 : Variables aléatoires à valeurs réelles 123
... Tirage sans remise
Une urne contient deux boules rouges, trois boules
blanches et quatre boules noires, indiscernables au tou-
cher. Un jeu consiste à lirer deux successive-
ment, sans remise. 11 y a équiprobabilité des tirages. Le
tirage d'une boule rouge fait gagner 3 euros. Le tirage
d'une boule blanche fait gagner 2 euros. Le tirage
d'une boule noire fait perdre 3 euros.
On appelle X la variable aléatoire qui :l tout tirage de
deux boules fait correspondre le gain en euros (une
perte est un gain négatif).
1° En utilisant les lettres R, B. N respectivement pour
rouge, blanche, noire, écrire les neuf résultats possibles
sous la forme de couples dOn! le premier terme repré-
sente la couleur de la première boule tirée, et le deuxiè-
me terme la couleur de la deuxième boule tirée.
2° Calculer. sous forme de fraction irréductible, la pro-
babilité de chacun des événements trouvés dans la pre-
mière question.
3
0
Calculer le gain associé à chacun de ces événements.
4
0
Écrire la loi de probabilité de X.
So a) Calculer l'espérance mathématique de X et l'in-
terpréter.
b) Calculer l'écart type de X et en donner une
approximation décimale à 0,01 près.
EJ U Problème de dés
On dispose de dés cubiques non truqués. Le pre-
mier cube a cinq faces rouges et une face verte. Le
deuxième cube a une face rouge, deux vertes et trois
bleues.
1 °On jette les deux dés. Tous les tirages sont équipro-
bables. On regarde la couleur des faces supérieures de
chaque dé. On note:
A, l'événement: « les deux faces sont rouges ».
- B, l'événement: « les deux faces sont de la même
couleur • .
- C, l'événement « l'une des faces est rouge et
l'autre verte ».
D. l'événement: toC les deux faces sont de couleurs
différentes >t.
Expliquer pourquoi PlA) = 2. el P(C) = Il.
36 36
Calculer P(B) el P(D).
r À chaque jet de ces deux dés est associé un jeu qui
permet:
un gain de 5 euros si les deux faces sont rouges,
un gain de 2 euros si les deux faces sont vertes,
une perte si les deux faces sont de couleurs diffé-
rentes.
("1- _ J<. \ \' l Il 1
On note x le montant en euros de cette perte.
Tirages simultanés (exercices 29 à 31)
On définit ainsi une variable aléatoire X qui, à chaque
jet des deux dés, associe le gain ou la perte ainsi
réalisés.
Déterminer P(X 5), P(X 2), P(X - x).
Un tel jeu est dit « équitable » lorsque l'espérance
mathématique E(X) = 0; déterminer la valeur de x cor-
respondante ..
.. Événements indépendants et variable aléatoire
En observant les ventes de tracteurs sur une très longue
période, le responsable d'une entreprise vendant du
matériel agricole a pu établir que le nombre de trac-
teurs vendus au cours d'un mois peut prendre les
valeurs suivantes avec les probabilités correspon-
danles :
Nombre de InICteun
vendus en 1 mois
Probobilit<!
0 0.07
1 0,2
2 0.4
3 0,2
4 0, 1
5 0.03
On suppose que les ventes de chaque moi s sont indé-
pendantes.
A. Un représentant est embauché en début d'année.
Calculer la probabilité de chacun des événements sui-
vants:
El: « Il vend au moins deux. tracteurs en janvier » ;
El : « Il vend troi s tracteurs en janvier, un en février, et
quatre en mars » ;
E, : « Il vend quatre tracteurs au cours des deux pre-
miers mois ».
B.On lui propose soi t un salaire mensuel fixe· de
1500 euros, soit un avec un fixe de
1200 euros et une prime de 230 euros par tracteur
vendu.
On définit ainsi une variable aléatoire X qui, à chaque
mois tiré au hasard, associe la prime reçue à la fin de ce
mois.
1 ° Établir sous forme de tableau la loi de probabilité
de X.
r Calculer l'espérance mathématique de X.
3° Si l'on considère un très grand nombre de mois, quel
salaire moyen le représentant peut-il espérer en choi-
sissant le s stème des y p rimes?
** Des boules dans une urne
Une urne contient 16 boules: 8 boules blanches, 5
noires et 3 rouges.
On tire simultanément 3 boules de l'urne.
On suppose j'équiprobabilité des tirages.
Soit X la variable aléatoire qui, à chaque tirage, associe
1 si les 3 boules sont de couleurs différentes et - 1
dans les autres cas.
1° Montrer que la probabilité que X soit égale à 1 est l!.
2° Déterminer la loi de probabilité et la valeur exacte
de l'espérance mathématique de X.
*** Des jetons dans une urne .o. n
Une urne contient six jetons: trois jetons verts numé-
rotés l, 2 et 3 et trois jetons rouges numérotés 2, 3 et 4.
On tire simultanément deux jetons de l'urne. Tous les
tirages possibles sont supposés équiprobables.
1 °Combien existe-t-il de tirages différents possibles?
Toutes probabilités sero1lt dorlll én sous
fractiol/s irréductibles.
2° Quelle est la probabilité de tirer un jeton de c-haque
couleur?
3° Soit X la variable aléatoire qui associe à chaque tira-
ge la valeur du jeton portant le plus petit numéro si les
numéros sont distincts et, sinon, le numéro commun
augmenté de 1.
Déterminer la loi de probabilité de X.
4° Calculer l'espérance mathématique et la valeur
approchée arrondie à de l'écart type de X.
5° Représenter graphiquement la fonction de réparti-
tion de X.
*** Contrôle de qualité
Une usine a fabriqué 25 pièces indiscernables, dont 3
présentent un défaut.
On donnera résultats sous décimale.
A. On prélève au hasard une pièce parmi les 25 pièces
fabriquées. Toutes les pièces ont la même probabilÎ(é
d'être choisies.
1° Calculer la probabilité Pl qu'elle ne soit pas défec-
tueuse.
2° Une personne a besoin de sept pièces non défec·
tueuses. Combien doit-elle acheter de pièces au mini-
mum pour être certaine de les avoir ?
B. On prélève simultanément 2 pièces au hasard parmi
les 25 pièces fabriquées. (On suppose que tous les
tirages de 2 pièces sont équiprobables).
124
1° Quelle est la probabilité P2 d'obtenir 2 pièces sans
défaut?
r On appelle X la variable aléatoire qui. à chaque tira-
ge de 2 pièces, associe le nombre de pièces présentant
un défaut.
a) Donner la loi de probabilité de X. sous forme de
tableau.
b) Calculer l'espérance mathématique de X.
Loi binomiale

Quelle est l'espér.mce mathématique de la variable
aléatoire 'X qui suit la loi binomiale de paramètres
Il = 30 et p = 0,2 ?
Sachant que la variable aléatoire X suit une loi bino-
miale 00(11, p), calculer:
a) pour Il = 6 et P = 0,4,
P(X = 3), P(X = 0), P(X '" 2), E(X), <T(X);
bl pour Il = 6 et p = 0,6,
P(X = 6) , PIX '" 2), P(X > 1) ;
Pour a) et b) les ri,fII/tats seront arrondis li 1'0-
3
.
c) pour 11 = 50 et p = 0,5
P(X = 0), P(X = 49), P(X < 50), E(X);
dl pour Il = 100 et p = 0,05
P(X = 0), PIX = 1(0), P(X = 2), Ei>-1.
Pour c) et d) 011 donnera lt! premier chiffre 1/011 nu/
du rlst/ltat.
§]. f.-
Sachant que la variable aléatoire X suit une loi bino-
miale <,13(11, p), construire le diagramme en bâtons
représentant celle loi lorsque ri = 6 el p = 0,4.
.. Des boules dans une urne (tirage avec remise)
TOlls les rist/ltals approchls umllf armm!is à 10-
3
.
Une urne contient dix boules dont trois rouges.
On tire huit boules l'une après l'autre en remeHant à
ch'lque fois la boule tirée dans l'urne.
On suppose l'équiprobabi li té des tirages.
Soit X la variable aléatoire qui, à ch<lque tirage, associe
le nombre de boules rouges obtenues.
1° Expliquer pourquoi )( suit une loi binomiale.
Préciser les paramètres de celle loi.
Chap. 3 : Variables aléatoires à valeurs réelles
r Calculer P(X:S:; 5).
3° Calculer l'espérance mathématique E(X) et la
variance V(X) de la variable aléatoire X.
Que représente E(X)?
-- Pour contrôler la livraison
À la livraison d'un nombre très important de pièces
dont 1 % sont défectueuses, on prélève au hasard un
échantillon de 50 pièces.
La population est suffisamment importante pour qu'on
puisse assimil er ce prélèvement à un ti rage avec remi-
se de cinquante pièces. On a donc une succession de
cinquante épreuves indépendantes. On note X la variable
aléatoire qui à, chaque prélèvement de 50 pièces,
associe le nombre de pièœs défectueuses de ce prélè-
vement.
r Expliquer pourquoi X sui t une loi binomial e dont on
donnera les paramètres.
r Calculer la probabilité de chacun des événements
suivants :
A : « L'échantillon ne comporte aucune pièce défec-
tueuse lt ;
B : « L'échantillon comporte une seule pièce défec-
»;
C : « L'échantillon comporte au moins deux pièces
défectueuses lt.
Tous leJ rb ullats llpprochts serofll arnmdi.\ à JO-
3
.
•• Absentéisme
Un chef d'entreprise a réali sé une étude slir l'absen-
téisme dans son équipe de 50 employés.
Soit X la variable aléatoire qui, à un jour tiré au hasard
dans une année, associe le nombre d'employés absents
ce jour-là. Une étude statistique permet d'admettre que
la loi de probabilité de la variable aléatoire X est don-
née par le tableau suivant:
125
Valeur de X : x,

1 2 3 4 5 6
(_d'_

16 44 57 50 30 16 7
- - -
220 220 220 220 220 220 220
1° Calculer J'espérance mathématique, la variance et
l'écar t type de la variable aléatoire X.
Que représente l'espérance mathématique E(X)?
On donnera éventuellement des valeurs décimales
approchées arrondies.à 1O-!.
2° La probabilité qu'un employé soit absent un jour
choisi au hasard est p = 0,05.
Soit Y la variable aléatoire qui. un employé tiré au
hasard, associe son nombre de jours d'absence au cours
d'un mois de travail de vingt jours donné.
On suppose que les vi ngt événements possibles: 'le Être
absent le ... » sont mutuellement indépendants.
a) Expliquer pourquoi Y suit une loi binomiale dont
on donnem les
b) Déterminer à 10- 3 près, la probabilité de chacun
des événements suivants:
A : « L'employé n'est pas absent au cours du mois
de vingt journées de travail » ;
B : « L'employé est absent trois jours au cours du
mois ».
8 .... Des jetons dans un sac (avec des tirages
simultanés)
Dans un sac on a mis trois jetons blancs et deu)( jetons
rouges.
A. Un joueur tire simu ltanément deux jetons du sac.
Tous les tirages sont équiprobables.
1° Déterminer la probabilité de l'événement E : « le
tirage est bicolore ».
ZO Soit X la variable aléatoire qui à chaque tirage asso-
cie le nombre de jetons rouges obtenus.
a) Donner sous forme de tableau la loi de probabi-
lité de X;
b) Calculer l'espérance mathématique E(X) de X.
Que représente E(X) ?
B. Une épreuve consiste à tirer un jeton, noter sa cou-
leur et le remettre dans le sac. Un joueur effectue, de
façon indépendante, cinq épreuves.
Soit Y la variable aléatoire qui à chaque partie de cinq
épreuves associe le nombre de jetons rouges obtenus.
1° Expliquer pourquoi l'suit une loi binomiale.
2
0
a) Déterminer, à 10-
3
près, PlY = 1);
b) Déterminer, à 10- 3 pre.s, la probabilité de l'évé-
nement F : « le joueur a obtenu exactement trois
jetons blancs » ;
c) Déterminer l'espérance mathématique de Y. Que
représente E( Y) ?
... Contrôle de poids
Un bou lange.r fabrique des pains de campagne qui doi-
vent peser, en théorie, 600 grammes.
On désigne par X la variable aléatoire qui, i\ chaque
pain de campagne prélevé au hasard dans la production
d'une journée, associe son poids, exprimé en grammes
et arrondi à 10 grammes près.
Le tabJe.au suivant indique la probabilité Pi de l'événe-
ment X = x
j
.
x =x; 580 590 600 610 620
0.12 0,25 0,32 0,27 O,().I
Par exemple, la probabilité qu'un pain prélevé au
hasard pèse 590 grammes est 0,25.
} O Calculer l'espérance mathématique de X et une
valeur approchée arrondie à 10- 2 de l'écart type de X.
2° Un client achète un pain de campagne. Quelle est la
probabilité que son pain pèse au moins 600 grammes?
3° Un cont rôleur du service de la Répression des
fraudes entre dans la boulangerie et prélève, au hasard,
dix pains de campagne.
La quantité produite ce jour-là est suffisamment impor-
tante pour qu'on puisse assimiler ce prélèvement à un
avec remise de dix pains. On a donc une succes-
sion de dix épreuves indépendantes. On note Y la
variable aléatoire qui à chaque prélèvement de 10 pains
associe le nombre de pains de 580 grammes contenus
dans ce prélèvement.
a) Expliquer pourquoi Y suit une loi binomiale.
b) Quelle est la probabilité d'avoir exactement trois
pains de campagne de 580 grammes?
c) Quelle est la probabilité d'avoir au moins un pain
de campagne de 580 grammes?
d) Quelle est la probabilité d'avoir au plus un pain
de campagne de 580 grammes?
On donnera les valeurs exactes puis des valeurs
décimales approchées arrondies à 10-
4
.
••• Les jeux sont faits, rien ne va plus
À ce jeu, la probabilité de gagner à l'issue d'une partie
est égale à 0, l, et les résultats de deux parties sont indé-
pendants.
On note X la variable aléatoire qui à chaque « jeu » de
II parties associe le nombre de parties gagnantes.
1 °Calculer, en fonction de II, la probabilité P" de l'évé-
nement « gagner au moi ns une fois au cours de Il par-
ties suc.cessives », en supposant que les résultats sont
indépendants.
r Déterminer le plus petit entier naturel"o pour lequel
Pl!o 0,99.
126
... Contrôle de qualité
Une usine produit des articles dont 2 % présentent des
défauts. En vue du contrôle de qualité, on constitue au
hasard un échantillon de 100 articles tirés de la pro-
duction. La production est assez importante pour qu'on
pui sse assimiler ce prélèvement à un tirage avec remi-
se de 100 articles. On a donc une sUl.:-cession de 100
épreuves indépendantes. On désigne par X la variable
aléatoire qui associe à tout échantillon de 100 articles
le nombre d'articles défeclUeux.
1° Quelle loi suit la variable aléatoire X?
2° Déterminer une valeur approchée arrondie l\ 10- 3
de la probabililé de chacun des événements suivants :
A : « L'échantillon contient au moins un arlide défec-
tueux JI) ;
B : « L'échantillon contient au plus troi s articles défec-
tueux. )10.
... Des jetons dans une boîte "
Dans une boîte sont placés six jetons sur lesquels sont
respectivement ins<'.'fits les nombres entiers relatifs
-3;-2; 1;2;3;4.
Un tirage consiste à tirer simultanément deux jetons de
la boîte ..
On suppose que les tirages sont équiprobables.
} O On définit une variable aléatoire X en associant à
chaque tüage la somme des entiers relatifs inscrits sur
les deux jetons tirés.
Dans ct' qlli suit, tolites les pmbabilitb seront dOl/nées
SOIIS forme dt' frac/io,,",i irréduoibles.
a) Déterminer les valeurs prises par X et sa loi de
probabilité.
b) Calculer l'espémnce mathématique E(X} de X.
Que représente EU<) ?
2
0
Lors d'un tirage, le jOllt:ur a gagné si la somme des
points est supérieure ou égale à 4. Pour un timge, quel-
le est la probabilité p de gagner?
En déduire la probabilité li de perdre.
3
0
Le joueur effectue 11 tirages successifs, où 1/ est un
entier naturel non nul , en remettant après chaque tirage
les jetons dans la boîte. On désigne par Y la vuriable
aléatoire qui, à ch'lque tI; partie » de n tirages, associe
le nombre de tirages gagnants.
a) Expliquer pourquoi Y suit une loi binomiale.
b) Soit p" la probabilité de gagner au moins une fois
au cours des Il tirages.
Calculer p" en fonction de Il.
e) Déterminer la plus petite valeur de II pour laquel-
le Pn ., 0,99 .
. Chap. 3 : Variables aléatoires à valeurs réelles [27
.... Probabilités conditionnelles
et loi binomiale
7èms rh ultats approchés surmt arroI/dis à JO-2.
Une étude statistique a été réalisée sur le montant des
ventes dans un magas in d'outillage. Pour cela, on a
prélevé au hasard 100 fiches. Le tableau suivant décrit
leur di stribution.
Montant des fil,.'hes
Efftttif
eneul\)';
[50.75[ 12
[75.100[
1 100. 36
r 150[
[150.175[ 9
1
0
On considère une fiche prélevée au hasard dans cet
échantillon. On note A, B, C, les événements suivants;
A : « le montant est st rictement inférieur à 125 euros» ;
B : « le montant est supérieur ou égal à 75 euros » ;
C: (j( l'événement A est réali sé sachant que B est réa-
lisé ».
Calculer la probabilité de chacun des événements A. B,
AnBete.
2
0
Dans cet échantillon, on prélève au hasard et avec
remise 40 fiches. Soit X la vari,'lble alé<lloire qui, i'l tout
prélèvement de 40 fiches. associe le nombre de ces
fiches dont le muntant est supérieur ou égal il
150 euros.
a) Just ifier que la variable aléatoire X suit une loi
binomiale. Muntrer que l'espénmce mathématique
de X e:st 3,6. Que représente E(X) ?
b) Calculer la probabilité de l'événement X = 3.
e) Calculer la probabilité de <.:hacun des événements
suivants :
E: '" Il Y a au plus 3 fiches dont le montant est supé-
rieur à 150 euros » ;
F : « II y a au moins 3 fiches dont le montant est
supérieur à 150 euros ».
.... Les bel/es autos
Un représentant d'une marque d'automobiles
démarche dix client s par jour. On suppose que chaque
client lui commande une voiture neuve avec la proba-
bilité 2
1
0 et que chaque client prend la décision de
commander ou non une voiture neuve en toute indé-
pendan.ce, sans être innuencé par le comportement dc.! s
.Iulres clients.
TOLlS les rbllitats suont dOllllb m't'c trois décimales.
r
1" Calculer la probabilité pour le conce.ssionnaire de
vendre un jour choisi au hasard:
a) au moins une voiture;
b) troi s voitures exactement.
r Sachant qu'il touche 200 euros de commission par
voiture vendue, calculer la probabilité qu'il gagne au
moins 400 euros en une journée.
• Dans l' exercice 44. il faut définir une variable aléatoire.
, ~ ~ .. Prob!'bilités cond:tionnelles, loi binomiale
~ et controle de quallte
® Une usine fabrique des pièces dont 1,8 % sont défec-
tueuses. Le contrôle des pièces s'effectue selon les pro-
babilités conditionnelles suivantes:
sachant qu'une pièce est bonne, on J'accepte avec
une probabilité de 0,97 ;
sachant qu'une pièce est mauvaise, on la refuse avec
une probabilité de 0,99.
On prélève une pièce au hasard dans la production
d'une journée et on note
B l'événement: « la pièce choisie est bonne )t ;
M l'événement: « la pièce choisie est mauvaise )t ;
A l'événement: « la pièce est acceptée au contrôle )t ;
R l'événement: « la pièce est refusée au contrôle )t .
1" Quelle est la probabilité qu'une pièce soit défec-
tueuse?
r a) Montrer que la probabiliré qu'une pièce soit dé-
fectueuse et acceptée est 0,000 18.
b) Montrer que la probabilité qu'une pièce soit bon-
ne et refusée est 0,02946.
c) Calculer la probabilité qu'il y ait une erreur dans
le contrôle.
3" On contrôle cinq pièces de façon indépendante. On
note X la variable aléatoire qui, à chaque lot de cinq
pièces contrôlées, associe le nombre d'erreurs de
contrôle.
a) Expliquer pourquoi X suit une loi binomiale dont
on précisera les paramètres.
b) Déterminer la probabilité qu'il y ait exactement
deux erreurs de contrôle. Donner la valeur appro-
chée décimale arrondie à 10- 3 du résultat.
Loi de Poisson
~ * Utiliser la table du formulaire
Soit X une variable aléatoire qui suit la loi de Poisson
de paramètre 2.
À l'aide de la table du formulaire, déterminer les pro-
b<tbilités suivantes:
a)P(X=I); b)P(X'; 1); c) P(X > 2).
~ '" Utiliser la définition
Soit X une variable aléatoire qui suit la loi de Poi sson
de paramètre 1 ,8.
À l'aide de la définition, déterminer les probabilités
suivantes. Arrondir à 10-
3
.
a) P(X = 2);
b) P(X < 2) .
~ * Faut-illimiter la baignade? •
Une statistique officielle montre qu'en France, il ya
deux morts par an par noyade pour 100000 habitants.
Soit X la variable aléatoi re qui à toute vi ll e d'environ
150000 habitants tirée au hasard associe le nombre de
ses citoyens noyés pendant une année.
On admet que X suit la loi de Poi sson de paramètre 3.
'Calculer la probabilité de chacun des événements sui-
vants:
A: « Il n'y a aucune noyade cette année dans une telle
ville )t ;
B: 4( Il Y a deux noyades cette année dans une telle
ville » ;
C: 4( Il Y a cinq noyades cette année dans une telle
ville » ;
D: 4( Il Y a moins de quatre noyades cette année dans la
ville » .
~ *. Durée de vie d'un équipement informatique
On admet que la variable aléatoire X qui, à tout équipe-
ment informatique prélevé dans un stock important ,
associe sa durée de vie exprimée en nombre entier
d'années suit la loi de Poisson de paramètre Â. = 5.
On définit la fonction R de ce même équipement par:
R(t) = P(X > t).
Montrer que R(I ) = 0.959.
Présenter sous forme de tableau les valeurs de R(t)
pour t entier, 1 ~ 1 :s; 10.
~ ••• Courbe d'efficacité
Une machine fabrique des tiges en acier.
128
Un client achète un lot de tiges fabriquées par cette
machine; pour contrôler la qualité de ce lot, il prélève
80 tiges et accepte ce lot si le nombre de tiges défec-
tueuses parmi les 80 est au plus égal à 2. On désigne
par p la probabilité qu'une tige prise au hasard dans le
lot soit défectueuse et l'on suppose p < 0,1. On assimile
tout prélèvement de 80 tiges à un prélèvement aléatoire
non exhaustif.
1° On admet que la varÎable aléatoire Yqu i, à tout pré-
lèvement de 80 tiges, associe le nombre de liges défec-
lUeuses de cel échanti llon. suit une loi de Poisson de
paramètre 111 = 80 p.
Montrer que la probabilité que le client accepte un lot
Combien faudrai t-i l de postes de déchargement pour
que la probabilité de n'avoir aucun camion en attente
soit supérieure à 0,95?
est: i.p(m) = e- m(1 + 111 + Approximation d'une loi binomiale
par une loi de Poisson
2° Étudier les variati ons de la fonction !.p sur l'inter-
valle [0, 8] et tracer sa courbe représentative dans ... Contrôle cie qualité (suite)
repère orthogonal d'unités graphiques 1 cm sur l'axe Une ° e prod °t d tOcles dont 3 d présentent des
usm III es ar 1 . 7C'
des abscisses el 10 cm sur "axe des ordonnées.
défauts. En vue du contrôle de qualité, on constitue au
3° Utiliser la représentation graph ique précédente pour hasard un échant ill on de 120 ar ticles tirés de la pro-
déterminer, duction. LI production est assez importante pour qu'on
a) la probabi lité que le lot soit accepté si p = 0,07 ; puisse ass imiler ce prélèvement à un tirage avec remi-
b) la valeur de p à partir de laquelle la probabilité se de 120 articles. On a donc une succession de
d' accepter le lot est inférieure à 0,95. 120 épreuves indépendantes. On désigne par X la ·
variable aléatoire qui associe à tout échant ill on de
120 anicJes le nombre d'articles
Lecture inverse de la table de la loi de Poisson n
V' '
.... Temps d'attente et loi de Poisson
Un chef d'entreprise, pour éviter l'attente des camions
venant li vrer, envisage, si cela se montre nécessaire, de
construire de nouveaux postes de déchargement. Il yen
a actuellement cinq. On considère, pour simplifier
l'étude, qu'il faut une journée pour décharger un
camion. Une enquête préalable sur cent vingt jours
ouvrables a donné les résultats suivants:
Nombft
d'.rrhies 0 1 2 3 4 5 6 7 8 9 10
par jour: Xi
Nombft
ck jours: "i 2 10 18 22 23 19 12 7 4 2 1
A.
Calculer la moyenne et une valeur approchée arrondie
h 10-
2
de la variance et l'écart type de celte série sta-
tistique.
B. Pmbabili/ts
On admet que la variable aléatoire X qui, à un jour tiré
au hasard dans les jours ouvrables d'une année, associe
le nombre de camions venant li vrer ce jour-là, suit la loi
de Poisson de paramètre À. = 4.
JO Quelle est, à 0,0001 près, la probabilité de n'avoir
aucun camion en attente?
2° Combien faudrait-i l de postes de déchargement pour
que la probabilité de n'avoir aucun ell attente
soit supérieure à O,95?
3° On prévoit, pour les années à venir, un doublement
de la fréquence des livraisons: À = 8.
1° Quelle loi suit la variable aléatoire X? Donner les
paï..tmètres de la loi suivie par X.
r On admet qu'on peut approcher la loi précédente par
une loi de Poisson.
Déterminer le paramètre de cene loi de Poisson.
JO On note Y une variable aléatoire suivant la loi de
Poisson obtenue au 2°,Déterrniner une valeur appro-
chée à 10-
4
près de la probabilité de chacun des évé-
nements suivants:
A: « L'échantillon contient au moins un art Îc.' le défec-
tueux :. ;
B: « L'échantillon contient au plus trois articles défec-
tueux :. .
... Saisie informatique
Une société s'occupe de la saisie informatique de docu-
ments.
Pour chaque document, une première saisie est retour-
née, pour vérification, au client correspondant.
Les résultats demandés seront donnés sous forme de
\'aleurs décimales arrondies.1 10- J.
Pour chaque document, le délai de retour de hl première
saisie vers le client est fixé à 2 semaines.
Une étude stat istique a montré que la probabilité
qu'une saisie prélevée au hasard soit effectivement
retournée au client dans le délai fixé est égale à 0,9.
On désigne par X la variable aléatoire qui, à tout échan-
tillon de Il saisies prélevées au ha:o;ard par lirage avec
remise, usso(:ie le nombre de saisies pour le
délai de retour n'a pas été respecté.
1 ° a) Quelle est la loi suivie par la variable aléaloire X?
Chap. 3 : Variables aléatoires à valeurs réell es 129
b) Pour cette question, on suppose que" = 20.
Calculer la probabilité P(X = 2).
r Pour celle on suppose que 11 = 100. On
admet que la loi de probabilité de X peut être approchée
par une loi de Poisson.
a) Donner le paramètre de celle loi de Poisson.
b) On noIe Y une variable aléatoire suivant la loi de
Poisson définie au a).
En utilisant celle loi de Poisson, calculer une valeur
approchée de chacune des probabilités P(Y = 4) et
P(Y> 2).
.... Temps d'attente
Dans un service public, on s'intéresse à l'événement:
« Une personne se présente au gu ichet au cours d'une
minute, c'est-li-dire entre la minute 1 et la minute
(t + 1), t élunt ent ierlt. Des observations permellent
d'admettre qu'entre IO h et Il h la probabilité de œt
événement est 0, l.
On admet que la probabilité que plusieurs personnes se
présentent <lU guichet au cours d'une même minute est
négligeable et que les arrivées des personnes sont indé-
pendantes. On désigne par X lu variable aléatoire qui à
toute tranche horaire d'une minute, enire 10 h et Il h,
tirée au hasard. associe le nombre de personnes qui se
présentent au guichet pendant ce temps.
} O Quelle est la loi de probabilité deX?
Calculer l'espérance mathématique et l'écart type de X.
2° On admet que l'on peut approcher la loi précédente
par une loi de Poisson.
Quel est son paramètre?
Dé.erminer P(X = 3), puis P(X "" 6).
@] .... Des travaux sur l'autoroute
Afin de prévoir la mise en place d'une signalisation sur
une uutoroute sans causer d'accident, on se propose de
déterminer la probabilité de l'événement « JI passe
k véhicules pendant une période choisie de 10 secondes,
en un point de contrôle lt .
S'il passe un véhicule à l'heure au point de contrôle, la
probabilité de l'événement .. Le véhicule passe au point
de contrôle pendant la période choisie de lO secondes lt

3600
S'il passe N véhicules par heure, de façon indépen-
dante, la variable aléatoire X qui, à chaque intervalle de
temps de 10 secondes tiré au hasard, le nombre
k de véhicules (k = N) passant pendant cet intervalle au
point de contrôle suit la loi binomiale œ(N, ..J.Q...).
3600
En approchant celte loi binomiale par une loi de
Poisson, calculer, pour N = 720, la probabilité de cha-
cun des événements suivants:
A: « 11 ne passe aucun véhicule pendant la période de
10 secondes au point de contrôle lt ;
B: « 11 passe un véhicule ... lt ;
C: « II passe quatre véhicules ... ».
... ",. Pannes de micro-ordinateurs rV JI -
On a observé que 2 % des micro-ordinateurs d'un type
donné tombent en panne par mois d'utilisation. On
suppose que les pannes de tels micros sont indépen-
dantes.
On note X la variable aléatoire associant le nombre
mensuel de pannes prévisibles li chaque parc de
ISO micros (on assimilera le choix des 150 micros à un
tirage avec remise et on supposera les pannes indépen-
dantes).
} 0 Déterminer la loi de probabilité de X. Calculer à
10-
3
près, la probabilité de chacun des événements sui-
vants:
A : oc )e nombre mensuel de pannes est 5 lt ;
B : « le nombre mensuel de pannes est au plus égal
li 3 • .
2
0
On admet que la loi de X peut être approchée par une
loi de Poisson. Donner le paramètre de cette loi.
3° On utilise cette approximation dans la suite de
l'exercice.
a) Reraire les calculs du JO.
b) Déterminer le nombre minimal N tel que la pro-
babilité de l'événement .. Le nombre de pannes est
au plus N» soi t supérieure à 0,99.
@:J ",.",. On retourne se baigner
Reprendre l'énoncé de J'exercice 48 et expliquer com-
ment on a déterminé la valeur du paru mètre de la loi de
Poisson utilisée.
Loi normale
les exercices lJui suivent, indication particulière,
les numérique" seront donnés uvec la précision
par la table du formulaire.
.. Utiliser fa table du formulaire
La variable aléatoire X suit la loi norm.lie X(24, 6).
Calculer:
a) P(X "" 30); b) P(X "" 30) ;
130
c) P(X" 21); d) P{27 " X" 33); "
e) P(16,50" X '" 31,50);
f) P( 18 :s;; X :s;; 20). On pourra dans ce cas arrondir
à 10- 2 près une des valeurs extn!mes prise par la
variable aléatoire <auxi liai re T.
On peut aussi calculer directement la valeur approchée
d'une intégrale avec une calculatrice.
@!J ' Remplissage de bouteilles d'eau
Une entreprise produit des bouteilles d'eau minérale de
1,5 litre. Une bouteille d'eau sortant de la chaîne de
remplissage est considérée bonne ell e contient entre
149,6 cl d'e.u et 150,4 cl d'eau.
On note C la variable aléatoire qui , à chaque bouteille
• prtle\'ée au hasard dans la product ion d'une journée.
associe son contenu en centilitres.
On suppose que C suit la loi normale de moyenne 150
et d'écart type 0,2.
Déterminer, à 10-
3
près, la probJbililé qu' une bou-
teille SOil bonne.
". Joints d'étanchéité
Un atelier produit des j oints Plallsfrfl, type IE, qui
assurent l'étanchéité du palier d'arbre d'entrée d'un
réducteur de vitesse.
La vari able aléatoire X qui, à tout j oi nt pris au hasard
dans la production, associe sa durée de vie exprimée en
heures suit la loi normale de moyenne 970 et d'écart
type 200.
Dans ce qui SI/if ri sulrats approchis Sl'ront arron-
-dis à JO-J,
JO Déterminer la probabilité qu'un joint pris au hasard
dans la production de l'atelier ai t une durée de vie
comprise entre 720 et 1 000 heures.
2° a) Déterminer la probabilité qu'un j oint pris au
hasard dans la production de l'atelier ail une durée
de vie inférieure il 620 heures.
h) Un joint ayant une durée inférieure à 620 heures
est défectueux.
Estimer le nombre de joints défectueux dans un lot
de 500 joi nts.
_u Résistance à la compression à 28 jours
d'un ciment
Dans une notice concernant les ciments Lafarge, on
flonsidère comme « élevée» la probabilité que la résis-
tance à la compression à 28 j ours d'un sac de ciment
soit compri se entre 50 MPa (mégapascal) .et 60 MPa.
On se propose de détermi ner cet te probabilité.
1° On note X la variable aléatoire qui, à un sac de
cirnent prélevé au hasard dans la d'une
usine, associe sa résistance à la compression à 28 j ours.
Un croquis sur la notice permet d'admettre que X suit
la loi normale de moyenne = 55 MPa et d'écart type
(J' = 3 MP •.
Déterminer, à 10-
2
près, la probabilité
P{50 " X " 60).
j
r La ré:-. istance minimale à la compression à 28 jours,
garantie pour chaque sac par cette usine, de
45 MPa ; quelle est la prob<t bilité, à 10-
4
près, d'avoir
un sac pour lequel la résistance à la compression à
28 jours est insuffisante?
U Prévisions de ventes @
La société ACRA fabrique et commercialise différe-nts
produits de haute technologie pour le chauff<tge et la
climatisation. Une ét ude de marché permet d'admettre
que la variable aléatoire X qui associe à chaque mois
tiré au ha!'ard le chiffre d'affaires de la société ACRA
JX?ur cette gamme de produits suit la loi normale de
moyenne 110000 euros et d'écart type 25000 euros.
1 ° Le seuil de rentabilité a été fixé à 85000 euros.
Déterminer avec la précision de la table du formulaire
la probabilité qu'un mois tiré au hasard le chiffre d'af-
faires pour cette gamme de produits soil supérieur ou
égal au seuil de rentabilité.
. 2
0
Un responsable de l'entreprise a fi xé comme objec- ,
tif que le chiffre d'affaires mensuel atteigne au moins
120000 euros. Déterminer avec la précision de la table
du formulaire la probabilité qu'un mois tiré au hasard
cet objectif soit atteint.
lecture inverse de la table de la loi normale
..
Sachant que la variable aléatoire X suit la loi nor mal e
)(24; 6.5), déterminer, à 10-:2 près, (1 tel que:
a) P(2.t - (1 X 24 + (1) = 0,99;
b) P{IX - 24 '" a) = 0,95.
I
On rappelle que X - CI CI est à


Chap. 3 : Variables aléatoires à valeurs réelles 131

..
La variable aléatoire X suit la loi norm'1le X(III ; 6,5) ;
déterllline-r 11/, à 10-
2
près, sachant que:
, a) P(X '" 30) = 0,95; h) P(X '" 30) = 0,05.
..
La variable aléatoire X suit la loi X (24, cr);
déterminer a, à 10-
2
près, sachant que:
a) P(X '" 30) = 0,95; h) P(X '" 10) = 0,01.
La bonne cole
On élUdie la cOle d'une pièce produite par une
machine. Soit X la variable aléatoire qui à chaque pièce
prise au hasard dans la prodw.:tion associe sa cote x,
exprimée en millimètres. X suit la loi normale de
moyenne 1/1 = 20 et d'écart type CT = 0,20.
1° Une cote x est correçte si 111- 3rr ::=.; X III + 3a.
Calculer la probabilité qu'une cote soit correcte.
2° Déterminer, à 10-
2
près, la valeur a telle que
P(X'" a) = 0,20.
** La cote d'alerte
Une machine usine des pièces. On désigne par X la
variable aléatoire qui, à chaque pièce prise au hasard
dans la production d'une journée associe sa longueur x.
exprimée en millimètres. On suppose que X suit la loi
normale de moyenne 111 = 54 et d'écart type <.T = 0,2.
Une pièce est considérée comme défect ueuse si
• x 53,6 ou x 54,3.
TOlls les rbultats approchés seront arrondis à
J" Calculer la probabilité p qu'une pièce soit défec-
tueuse.

r Pour vérifier que la machine ne s'est pas déréglée,
on détermine des cotes d'alerte 111 - h et m + Il définies
par: P(", - li X m + h) = 0,95. Calculer les cotes
d'alerte.
•• De l'acier en barre
Une machine fabrique des barres métalliques en acier.
À chaque pièce tirée au hasard dans la production
d'une journée on associe sa longueur exprimée en mil-
linlètres ; on définit ainsi une variable aléatoire X.
On suppose que X sui t la loi normale de moyenne
m = 500 et d'écart type (j = 0,12.
J" Quelle est la probabilité, à 0,01 près, que la longueur
d'une barre, prise au hasard, ne soi t pas comprise entre
499,79 et 500,21 ?
132
2" Déterminer. à 10-
2
près, le nombre a tel que la pro-
portion de barres ayant une longueur comprise entre
500 - a et 500 + a soit égale à 0,80.
••• La taille des hommes
On note X la variable aléatoire qui, à chaque homme
prélevé au hasard dans les étudiants d'un campus, asso-
cie sa taille en centimètres. On suppose que)( suit la loi
normale de moyenne 178 et d'éçart type 10.
Dans Ct! qui SI/if, fOl/s I(!s résl/ltats approchés seront
arrondis à 10- 2.
1" Déterminer la probabilité de çhacun des événements
suivants :
A : 0( un homme prélevé au hasard parmi les étudiants
a une taille supérieure à 180 lt ;
B : 0( un homme prélevé au hasard parmi les étudiants
a une taille supérieure à 190 ;
C : 0( un homme prélevé au hasard parmi les étudiants
a une taille inférieure ou égale à 150 lt ;
D: 0( un homme prélevé <lU hasard parmi les étudiants
a une taille comprise entre 160 et 185 » ;
2" a) Déterminer la taille li telle que P(X;;::' a) = 0,80.
La valeur de li déterminée peut être considérée
comme une estimation de la taille dépassée par
80 % de la population.
b) Déterminer une estimation de la taille en dessous
de laquelle se situe la moitié de la population.
••• La' masse des paquets: détermination
d'une moyenne
TOllf(!S /(!.V valeurs approchées seront arrondies à /0- 2.
Une machine automatique rempl it des paquets dont la
masse théorique doit être de 250 g.
Soit Y la variable aléatoire qui, à chaque paquet préle-
vé au hasard à la sortie de la machine, associe la masse
de ce paquet,-exprimée en grammes; elle suit une loi
normale de moyenne 111 et d'écart type 15,8.
1" On prend 11/ = 250. Déterminer la probabilité que la
masse d'un paquet pris au hasard à la sortie de la
machine soit inférieure à 245 g.
2" Un réglage de la machine permet de faire varier la
valeur de U/ (l'écart type est inchangé).
Sur quelle valeur de Ill, au gramme près, doit êt re
réglée la machine pour que pey 245) 0,1.
U. Des résistances chauffantes: détermina-
tion d'un écart type
Une machine fubrique des résistances chauffantes en
grandes séries. Parmi la production d'une journée, on
prélève une pièce au hasard. On lui associe sa longueur
1 exprimée en millimètres. ,On définit ainsi une variable
aléatoire L. On suppose que L sui t une loi normale el
on désigne par m sa moyenne et par CT son écart type.
Une pièce produite est déchirée acceptable si
If-. 392,5 407,5 el défectueuse dans le cas contraire.
La moyenne des longueurs des pièces de la fabrication
est 111 = 400.
Tous !t.'s risl/llats llppmchb seront arrondis cl 10-
2
.
1° Sachant que 0' = 5,2. calcu ler la probabilité que la
pièce soit défectueuse.
2° Un réglage de la machine permet de modifier l'écarl
type sans changer la moyenne. Quel doit être le nouvel
écart type (1' pour que la probabilité que la pièce soit
défectueuse soit égale à 0.1 ?
.. - Durée de vie des ampoules .- détermina-
ti.on d'une moyenne et d'un écart type
On admet que la variable aléatoire X qui associe à IOule
ampoule du type A sa durée de vie, mesurée en heures,
su it une loi normale de moyenne", el d'écart type u.
1° Déterminer 11/ et u sachant que
P(X '" 1 100) 0,9332 et P(X '" 1600) 0,84 13.
2
0
On Stlppose maintenant que m vaut 1400 et que u
vaut 200.
Calculer 10- 3 près la probabilité p(X '" 1 200).
_ .. Les notes de BTS
On nOIe X la variable aléatoire qui , à chaque..candidat
tiré au hasard dans un ce-ntre d'examen de l'île de
France, associe sa note à J'épreuve mathématiques du
BTS.
On suppose que X suit une loi normale de moyenne m
et d'écart type (J.
1 ° Déterminer une valeur approchée à 1 près de m et (J
sachant que 10 % des candidats ont obtenu une note
supérieure 15 et 10 % une note inférieure ou égale
5.
2° Déterminer une esti mation du pourcentage de can-
didats ayant obtenu une note comprise entre 9 et 12.
Us risl/lrats SOIl1 attendtu- SOIIS fon"e de ,'aleurs déci-
males arrondies à 10-
2
.
Dans un centre d'élevage, on él udie le poids des bovins
d'un âge fixé. Soit X la variable aléatoire qui, à tout'
bovi n prélevé au hasard dans J' élevage associe son

On suppose que X suit une loi normale de moyenne f.L
et d'écart type (1. On sai t que 20 % des bovins ont un
poids à 359 kg et que 90 % ont un poids infé-
ri eur à 368 kg.
1
0
Montrer que J.l et 0" solutions du système:
(
f' + 0,84 <1 = 359
f'+ 1,28<1=368.
Calculer f.L et 0".
2° Dans cette question, on prend f.L = 342 et cr = 20.
On veut sélectionner, pour la production, les 15 % de
bovins les plus lourds. À partir de quel poidS M, déter-
miné à 1 kg près, un animal sera-t-i l sélectionné?
Approximation d' une loi binomiale par une loi
normale
*** Approximation d'une loi binomi<l/e par
une loi normale
Une usi ne fabrique en grande série un certain type de
pièces. La probabilité qu'une pièce prélevée au hasard
dans la production d'une journée soit défectueuse est
p = 0,07. On prélève au hasard 250 pièces dans la pro-
duction d'une journée. La production est assez impor-
tante pour qu'on pui sse assimil er ce prélèvement à un
avec remise de 250 pièces. On note X la variable
aléatoire qui , à tout prélèvement de 250 pièces, asso-
cie le nombre de pièces défectueuses.
1 ° Expliquer pourquoi X suit une loi binomiale dont on
déterminera les paramètres.
2° 0n décide d'approcher la loi de la variable
discrète X par la loi norm.lie de paramètres ni = 17 ,S et
cr = 4,03. On note Y une variable aléatoire suivant la
loi normale ,N'(I7,5 ; 4,03).
3. Justifier les valeurs de m et (J.
b. Calculer la probabilité qu'il y ail au plus
20 pièces défectueuses, c'est-à-dire, P( Y 20,5).
c, Calculer la probabilité que le nombre de pièces
défectueuses soit compri s au sens large entre 15 et
20, c'est-à-dire, P(14,5 '" y", 20,5).
Tous les rlsultals apprrx:his seront arrondis à 10-
2
,
*** Le bovin est dans le pré .- détermination de *** Vente d'appareils
moyenne et d'écart type
On s' intéresse dans cet exercice à la production de Un revendeur de matériel photQgraphique désire s' im-
bovins (nourris sans farines animales). • dans une galerie marchande.
Chap. 3 : Variables aléatoires à valeurs réelles 133

,
l
Il estime quïl pourra vendre 40 appareils photogra-
phiques par jour et que les ventes sont deux à deux
indépend:.llltes.
Une élude lui a montré que, parmi les différentes
marques d'app,lfeils disponibles, la marque A réalise
38.6 % du marché.
l
Q
On note X la variable aléatoire qui, il. un jour tiré au
hasard, associe le nombre d'appareil s de marque A
vendus ce jour-là.
a) Expliquer pourquoi X suit une loi binomiale et
préciser les paramètres de cette loi.
b) Calculer la probabilité que, sur 40 appareil s ven-
dus par jour, 20 soient de la marque A. On en don-
nera une approximation décimale à 10-
2
près.
c) Calculer l'espérance mat hématique de X. Cal-
culer l' écart type de X. On en donnera une approxi-
mation décimale à 1 près.
r On décide d'approcher la loi de la variable discrète
X par une loi normale de moyenne /1/ et d'écart type a.
a) Déduire du 1
0
que 111 = 15,44 et a = 3.
b) On note Y une variable aléatoire sui vant la loi
normale XC 15,44 ; 3). Donner une approximati on de
la probabilité de l'événement: « un jour tiré au
hasard, il y a exactement 20 appareil s de marque A
vendus» en calculant à 10- 2 près,
P(l9,5 '" y", 20.5).
c) Déterminer la probabi li té de l' événement: « un
jour donné. 20 au moins des appareils vendus sonl
de marque A 'II en calc:ulant, à 10-
2
près,
P(Y'" 19,5).
d) Déterminer la probabilité de l'événement: « un
jour donné, le nombre d'appareils de type A vendus
est compri s entre 15 et 25. bornes incluses » en cal-
culant, à JO- 0 près, P( 14,5 '" y", 25,5).
~ .--. Approximation d'une loi binomiale par
une loi normale dans le domaine de la santé
Le daltonisme, ou mauvaise vision des couleurs, est
une anomal ie dont 8 % des hommes sont atteints. On
contrôle la vue d'échantillons de 500 hommes pri s au
hasard avec remi se parmi la population française.
TOlls les résululfs approchis .w: rol/t arrondis Il 10-
2
.
l a On désigne par X la vari able aléatoire qui, à chaque
prélèvement de 500 hommes, associe le nombre de
ceu,; qui sont atteints de daltonisme.
a. Justifier que la loi de probabilité suivie par la
variable X est une loi binomiale. On précisera les
paramètres de cette loi .
b. Calculer l'espérance mathématique et l' écart type
de la variable aléatoire X.
2° On approche la loi de la vari able discrète X par une
loi normale de paramètres m et a.
a. Déterminer 11/ et a.
b. On note Y une variable aléatoire suivant la loi
)(m, a). En utili sant cette approximation, détermi-
ner la probabilité que 39 hommes e,;actement parmi
les 500 soient atteints de daltonisme, c'est-à-dire
P(38,5 '" y", 39,5), et la probabilité qu'au plus 35
de ces 500 hommes soient atteint s de daltoni sme,
c'est-à-dire P(Y:::::;: 35,5) .
Tous les rbll/rats approchés umm arrondis à 10-
2
.
Variables aléatoires indépendantes suivant des
lois normales
~ ... Deux variables aléatoires indépendantes
suivant des lois normales
On considère un lot de tubes ?l essais.
À chaque tube prélevé au hasard, on associe son dia-
mètre et sa hauteur exprimés en millimètres. On définit
ainsi deux variables aléatoires D et H.
La variable aléatoi re D suit la loi normale de moyenne
!-Lv = 19,7 et d'écart type tT D = 0,4.
La vari able aléatoire H suit la loi normale de moyenne
!-LH = 203 et d'écart type u
H
= 6.
On suppose que les variabl es aléatoires D et H sont
indépendantes.
1
0
Calculer, à 10-
3
près, la probabilité qu'un tube il
essais ait un diamètre inféri eur il 20 mm.
2
0
Cakuler, à 10-
3
près, la probabilité qu' un tube à
essais ait une hauteur supérieure à 195 mm.
y Des contraintes d'expérience et d'entretien imposent
les conditions sui vantes: le diamètre doit appartenir à
l' intervalle [19; 20,51 et la hauteur, à l' intervalle
[195;210].
Calculer la probabilité de l'événement:
(19 '" D '" 20,5 et 195 '" H '" 2 10).
Estimer le pourcentage de tubes à essais utili sables.
~ U. A\'€C trois variables aléatoires
indépendantes
On désigne p'lf x, y,::: les dimensions exprimées en cen-
timètres, des pièces fabriquées par une machine.
On suppose que pour un tirage au hasard d' une pi èce
dans la production:
- les variables aléatoires X et Y qui , il chaque pi èce,
associent respect ivement leurs dimensions x et )' sui-
vent la loi normale de moyenne 10 et d'écart
type 0,05 ;
- la variable aléatoi re Z qui , à chaque pièçe, associe sa
cCimension ::: suit la loi normale de moyenne 7 et d'écarl
134
Iype 0,02.
Tous les résultats approchés Urollt arrondis à 10-
2
.
1° Calculer les probabilités:
Pl = p(9,9 '" X '" 10, 1);
p2=P(9,9'" y", 10, 1);
'" = P(6,95 '" Z '" 7,05).
r Une pièce est acceptable si les trois conditions sui-
vantes sont simultanément remplies:
1
9,9'" x '" 10,1,
9,9 \' 10, 1,
6,95 '" : '" 7,05.
X, Y, Z étant supposées indépendantes, calculer la pro-
babilité qu' une pièce soit accepté!!.
1
On admettra que la défini ti on de deu;Il variables aléatoires
indépendantes peUl être étendue au cas de troLs variables

Somme de variables aléatoires
- Somme de deux varÎables aléatoires
Soit X et Y deux: variables aléatoires indépendantes
donl les lois de probabilité sont données par les
tableaux ci-après
l' l'(X
2
0,4 0,6
NombR de machines
Pt,X = ',)
"endues: Xi
0
1
60
1
1
20
2
1
-
12
3
1
4
4
1
5
5
2
-
15
6
7
60
7
1
-
12
8
1
15
1" Calculer l'espérance mathématique E(X) de la
variabl e aléatoire X. Que représente E(X)?
2° La ve.nte d'une machine rapporte 5000 euros et les
frais de tonctionnement mensuels de l'atelier fabri-
quant les machines s'élèvent à 10000 euros. Soit Y la
variable aléatoire qui, à un mois tiré au hasard, associe
le résultat en euros de l'ateli er (bénéfice ou perte).
Écri re une relation entre Yet X. En déduire l'espérance
mathématique de la variabl e aléatoire Y. Que repré-
sente E(Y)?
... Indépendance
"
0 2 4
P(Y = Yi} 0,2 0,5 0,3
Déter mine-r J'espérance mathématIque et la valeur
approchée arrondie à 1O-::! de l' écart type de la
variable aléatoi re Z = X + Y.
[!!] .. Vente de machines .-
où on utilise l'expression de E(aX + b)
Une entreprise fabrique des machines pour l'industrie
textile. Soit X la variable aléatoire qui , à un mois tiré au
hasard, associe le nombre de machines vendues pen-
dant cette période. Une étude statistique permet d'ad-
mettre que la loi de probabilité de la variable X est don-
née. par le tableau :
Chap. 3 : Variables aléatoires à valeurs réelles 135
et somme de variables aléatoires
Un chantier néce-ssite l'exécution de trois tâches:
A l'installation d'un regard d'assainissement en
béton;
B: la construction d'un hangar pour stocker du maté-
riel et des pièces détachées;
C: la fabrication d' une chambre pour installer un robi-
net vanne.
Soit X
A
la variable aléatoire qui, à une tâche de type A
tirée au hasard pê1rmi les tâches de ce type réalisées ces
dernières années, associe le nombre de jours néces-
saires pour la réaliser. On définit de même les variables
aléatoires X
B
et Xc. On suppose que les variabl es aléa-
toires X
A
• XS. Xc sont indépendantes.
En relevant sur une longue période les durées néces-
saires pour réaliser les tâches de type A, B, C, un ges-
tionnaire de l'agence Sogea de Marne-la-Vallée a établi
que les lois de probabilité étaient définies
pourX
A
par:
d u r 6 e ~ , en joun 3 4
p(XA:III xi) 0,6 0,4
pour X
B
par:
durft x, en joun
g
9 10 Il
P(X
B
=Xj) 0,1 0.3 0,4 0,2
pour Xc par:
dur6e xi en joun 4 3 6
PUC=-x
i
) 0,3 0,6 0,1
1 °Calculer l'espérance mathématique de chacune des
variables aléatoires X
A
, X
B
, Xc Que représente cha-
cune de ces espérances?
r Calculer l'écart type de chacune des variables aléa-
toires X
A
, X
s
' Xc·
3° On définit alors ulle variable aléatoire X qui, à un
chantier comportant la réalisation successive des tâches
A, B, C, tiré au hasard, associe le nombre total de jours
nécessaires pour le réaliser.
OnaX=XA+XB+X
C
À l'aide d'un arbre, déterminer l'ensemble des valeurs
prises par X. Quelle est la valeur minimale prise par X?
Quelle est la valeur maximale prise par X ?
4° a. Déterminer E(X). Que représente E(X) ?
b. Détermine.r l' écart type de X.
5° Calculer les probabilités des événements suivants:
a. « Le chantier dure 21 jours » ;
b. '" Le chantier dure 20 jours ».
Somme ou différence de variables aléatoires sui-
vant des lois normales
~ *H Taboulé et somme de variables aléatoires
Un fabricant de plats c.uisinés propose aux supermar-
chés des préparations pour taboulé présentées sous un
emball age en carton dans lequel on trouve d'une part
un sachet contenant la semoule, d'autre part une boîte
métallique contenant la garniture. On peut lire sur
chaque emballage en carton les indi cations sui vantes:
garni ture: 550 g. semoule: 180 g.
On note X la variable aléatoire qui, à chaque boîte, pré-
levée au hasard dans la production d'une journée, asso-
cie sa masse de gi.UnilUre expri mée en grammes. On
admet, à la suite de plusieurs contrôles, que X suit la loi
normale de moyenne 550 et d'écart type 5.
On note Y la variable aléatoire qui, à chaque paquet,
prélevé au hasard dans la production, associe sa masse
de semoule exprimée en grammes. On admet, à la suite
de plusieurs contrôles, que Y suit la loi normale de
moyenne 180 et d'écart type 2,7.
Les variables aléatoires X et Y sont indépendantes.
Soit Z = X + Y la variable aléatoire qui. à chaque
emballage prélevé au hasard, associe la masse de
taboulé obtenu en mélangeant le contenu de la boîte de
garniture et celui du sachet de semoule, cette masse
étant exprimée en grammes.
1° On admet que Z suit une loi normale. Montrer que Z
a pour moyenne 730 et pour écart type 5,68 (arrondi
à 10- ').
2' Démontrer que P(Z '" 720) = 0,04 à 10- 2 près.
~ *** Somme de deux variables aléatoires
à propos d'électricité
Une mac.hîne fabrique des résistors.
On tire au hasard un résistor dans sa production.
La variable aléatoire R, qui associe à chaque résistor
tiré au hasard dans la production de celte machine sa
résistance en ohms, suit la loi normale de paramètres
m = 100 et a = 3. Une seconde machine fabrique aussi
des résistors. La variable aléatoire R', qui associe à
chaque résistor tiré au hasard dans la production de
cette machine sa résistance en ohms suit la loi normale
de paramètres m' = 200 et a' = 4.
R" = R + R' est la variable aléatoire qui associe à deux
résistors tirés au hasard, fabriqués par les deux
machines, la résistance du montage en série de ces deux
résistors.
1° Calculer l'espérance de la variable aléatoire R".
r On suppose que les variables R et R' sont indépen-
dantes.
Calculer alors la variance de R" donnée par la for-
mule:
V(R") = VeR) + VeR').
3° On admet que R" suit une loi normale. Quelle est la
probabilité qu'un résistor ainsi obtenu ait une résis-
tance comprise entre 290 et 305 ohms?
*** Chiffres d'affaires, somme et différence de
variables aléatoires suivant des lois normales
Deux supermarchés vois ins notés A et B appartiennent
au même groupe. On admet que la variable aléatoire X
qui, à un jour d'ouverture tiré au hasard dans une
année, associe le chiffre d'affaires en milliers d'euros
de A suit la loi normale de paramètres III = 50 et
a = 2 et que la variable aléatoire Yqui, à un jour d'ou-
verture tiré au hasard, associe le chiffre d'affaires en
milliers d'euros de B, suit la loi normale de paramètres
136
ni = 60 et CT = 3. On admet que X et Y sont deux
variables aléatoires indépendantes.
1 °Déterminer, avec la précision de la table, la probabi
v
Lité qu'un jour donné le chiffre d'affaires total , Z, des
deux supermarchés soit tel que 104 ::s:;: Z::s:;: 122.
2° Déterminer, avec la préci sion de la table du formu-
laire, la probabilité qu' un jour donné la différence D
entre le chiffre d'affaires de B et celui de A soit supé-
rieure ou égale à 18.
()'{86l -" Somme de variables aléatoires, à propos
de l'assemblage de pièces
Pour réali ser un de ses produits, une entreprise doit
procéder à j'assemblage de deux pièces de type A,
fabriquées en grande série par un sous-traitant , et d'une
pièce de type B réali sée par ses soins.
Le cahier des charges précise que la masse totale d'un
dispositif assemblé doit être comprise entre 970 et
1 000 grammes.
On désigne par X) (respecti vement X'1) la variable aléa-
toire qui, à la premi ère (respectivement la deuxième)
pièce du type A, prélevée au hasard dans la production,
associe sa masse, exprimée en grammes.
On suppose dans celle question que chacune des
variables indépendantes X) et X
2
suit la même loi nor-
male de moyenne 390 et d' écart type 3,2.
On désigne par Y la variable aléatoire qui, il chaque
pièce du type B, prélevée au hasard dans la production,
associe sa masse, exprimée en grammes. Cette vari able
aléatoire Y suit la loi normale d'espérance mathéma-
tique 208 et d'écart type 2.
Les deux pièces de type A et la pièce de type B à assem-
bler sont prélevées au hasard et de manière supposée
indépendante. On désigne par Z 13 variable aléatoire
définie par Z = XI + Y + X
2
.
Montrer que l'espérance mathématique de Z vaut 988
et que la variance de Z vaut 24,48.
En admettant que la variance Z suit une loi normal e,
montrer que la probabilité qu'un dispositif assemblé ne
réponde pas au cahier des charges est inférieure à 0,1.
U_ Différence de deux variables aléatoires à
propos de perçage
Une machine automatique perce des tôles.
La variable aléatoire X qui , à tout trou percé, associe
son diamètre en millimètres suit là loi normal e de
moyenne IIlx = 20 et d'écart type a
x
= 0,04. Chaque
trou percé est destiné à recevoir une tige. La vari able
aléatoire Y qui, à chaque tige prélevée au hasard dans
Chap. 3 : Variables aléatoires à valeurs réelles
la production, associe son diamètre en millimètres suit
la loi normale de moyenne 111" = 19,97 et d'écart type
(7,.;: 0,03. L'ajustement est · correct lorsque le jeu,
x;" - Yj' entre les cotes x
j
et Yj' vérifie
0,0 1 x
j
- Yi O, IS.
On rappell e que si X et Y sont des variables aléatoires
normales indépendantes de moyennes respecti ves m,r'
ni" et d'écar t type a
x
' a\, alors la variable aléatoire
Z';: X-Y. suit la loi nor nlaJe de moyenne "'x - 111\, et
d'écart type V CT; + a;, . .
10 Déterminer la moyenne et l'écart type de Z.
r Quelle est la probabilité qu' une tige pri se au hasard,
pui sse être ajustée de manière correcte dans l'un des
trous tiré :.tu hasard ? On donnera une valeur approchée
arrondie il 10-
2
.
._- Différence de deux variables aléatoires à
propos de fabrication mécanique
137
opprocltüs serOllt arrondie.f à 10-
2
.
Une usi ne produit des pièces de type A qui doivent
s'ajuster dans des pièces de type B.
B
1° Les dilTérentes valeurs prises par la cote x permet-
tent de définir une vari abl e X suivant la loi normale de
moyenne 20 et d'écart type 0,04.
Une pièce de type A est acceptable lorsque sa cote
appartient à l'intervalle [ 19,92 ; 20,08]. Déterminer la
probabilité qu'une pièce de type A soit acceptable.
2° Les différentes valeurs prises par la cote y permet-
tent de définir une variabl e aléatoire Y suivant la loi
normale de moyenne 20,1 et d'écart type 0,03. On sup-
pose d'autre part que les pièces du type A et B peuvent
s'assembler si le jeu entre les cotes, y - x est au moins
égal à 0,01.
On rappelle que si X et Y sont des viJriables aléatoires
indépendantes sui vant des lois normales de moyenne
Inx et my de variance V
x
et V
y
' alors Y - X suit la loi
normale de moyenne nly - mx et de variance V
y
+ V
x
'
a. Déterminer la moyenne et l' écart type de la
variable aléatoire Y - X.
b. Quelle est la probabilité qu'une pièce de type A
prise au hasard puisse être introduite dans une pièce
de type B également prise au hasard?
Somme de deux variables aléatoires suivant des
lois de Poisson
~ ••• Deux sources de pannes
Une machine à empaqueter automati sée est suj ette à
deux sources de pannes indépendantes J'une et l'autre.
Les unes sont d'ori gi ne mécanique, les autres d'origine
électrique.
Soit X la variable aléatoire qui , à chaque machine de ce
Iype tirée au hasard dans le parc des machines, associe
le nombre de pannes d'origine mécanique survenues
pendant les trois premières années d'utilisation. X suit
la loi de Poisson de paramètre À = l ,S.
Soit Y la variabl e aléatoire qui, à chaque machine de ce
type tirée au hasard dans le parc des machines, associe
le nombre de pannes d'origine électrique sur venues
pendant les trois premi ères années d'utilisation. Y suit
la loi de Poisson de paramètre À' = 0,5.
JO Calculer les probabilités des événements sui vants:
« Pendant les trois premières années d'utilisation de la
machine,
a) il n'y a aucune panne »;
b) il Y a exactement trois pannes »;
c) il y a au plus une panne ».
r Retrouver les résultats du 1° en admettant que la
variabl e aléatoire X + Y suit une loi de Poi sson de para·
mètre À + À'.
Exercices d'examen
I
Les exercices suivants. proposés r6:emme,nt dans des
épreuves de BTS, portent sur plusieurs. thèmes abordés
dans les chapitres 2 et 3.
[!!l ''. Variable aléatoire, loi de probabilité,
espérance mathématique
Dans un jeu, une urne contient trois boul es vertes, deux
boules rouges et quatre boules noires. Un joueur
extrait simultanément deux boules de l'urne. Le tirage
d'une boule verte fait gagner deux euros, celui d'une
boul e rouge fait gagner un euro et celui d'une boule
noire fait perdre trois euros. On admet qu' il y a équi·
probabil ité des lirages.
Toutes les probabilitb seront donnùs sous forme de
fractions irréductibles.
10 Quelle est la probabilité que le joueur perde six euros?
r On note X la variabl e aléatoire qui, à chaque tirage
de deux boul es, associe le gain. Déter miner l'ensemble
des valeurs prises par X.
138
3° Déterminer la loi de probabilité de X. La présenter
sous forme de tableau selon le modèle ci·dessous :
2 3 4
4° a) Quelle est la probabilité de perdre de l'argent ?
b) Quelle est la probabilité d'en gagner?
5° Calculer au centième près l'espérance mathématique
de X, notée E(X). Que représente E(X)?
[!!] ... Loi binomiale, espérance mathématique
Une compagnie de transport, dont la clientèle est
composée d' usagers réguliers effectuant 40 trajets par
mois (un le matin, un le soir sur 20 jours), étudie un
projet offrant à ces usagers le choix entre:
un titre de transport (noté C dans ce qui suit) de
60 euros pour l'ense.mble des trajets mensuels;
pour les voyageurs ne voulant pas se procurer le
titre de transport C, le paiement d' une taxe de M
euros en cas de contrôle.
La compagnie prévoit d'organi ser les contrôles de
façon que la probabilité d'un tel contrôle soit pour
chaque trajet égale à /0' avec indépendance d'un trajet
par rapport à l' autre.
Le but de l'exercice est de déterminer le montant M de
la taxe pour que, du point de vue du calcul des proba·
bilités, les deux choix proposés aux voyageurs soient
financi èrement équi valents pour la compagnje. Soit A
un voyageur tiré au hasard. On note X la vari able aléa-
toire qui, à un moi s tiré au hasard, associe le nombre de
trajets de A contrôlés pendant ce mois.
1 °a) Donner la loi de probabilité de X, c'est·à·dire
l' expression en fonction de k (entier compri s entre 0
et 40) de la probabilité P(X = k).
b) Calculer le nombre moyen de traj ets contrôlés,
c'est·à·dire l'espérance mathématique de X.
c) Quel sera, en fonction de M, le coût moyen men·
suel des trajets pour un usager qui ne se procurera
pas le titre de transport C?
En déduire la valeur qu'il convient de donner à M
pour que, en moyenne, les deux choix proposés aux
usagers soient financièrement équivalents pour la
compagnie.
2° Dans celte question on pose M = 15.
a) Donner des valeurs décimales approchées arron·
dies à 10- 3 des probabilités P(X = 0), P(X = 1),
P(X = 2) et P(X = 3).
b) Si A ne s'est pas procuré le titre de transP'?rt C,
quelle est la probabilité que le coût de ses trajets
mensuels soit au moins égal à 60 euros?
@!J ••• Statistique loi binomiale ... Calculs de pourcentages et loi binomiale
Une machine fabrique des vis pour la l'onstruction.
Le tableau suivant donne pour les années indiquées, le
A.Statistique
nombre de demandes d'emploi en fin d'année dans une
On a mesuré les diamètres en l11illirnèlres d'un échan-
région.
tillon de 1 000 vis fabriquées par LIll e machine. On a
.'"
lOGO
obtenu les résultaiS suivants:
Total 85079 85240
DIarœIns .. mm BIIa!dI'a
Moins de 25 an" 22238 20276
2,9 18 De 25 ::tnt; à 39 an.'; 54719 55994
2.8 35
50 ans el plus 8122 8970
2,7 175
Hommes 39988 397(;!;
2.6 180
Moins de 25 an<; 10176 9 170
2,5 200
De 25 an ... à 39 ans 2552S 25853
50 ans et plu,> 4284 4743
2,4 160
Femmes 45091 45474
2.3 150
Moins 25 ans 12062 11 106
2,2 40
De 25 ans à 39 ans 29191 30141
2,1 22 50 ans el plus 3838 4227
2 12
us risulrafs des ClIIeU!:; dO/mb SOltS
1,9 8
llPprochü c) 10- :2 près par dtfimt.
l a Déterminer la valeur approchée arrondie à 10-
1
de
l a a) Déterminer le pourcentage d'évolution du lot<.ll
des demandes d'emploi entre 1999 et 2000.
la moyenne x et de l'écart type CT de cette série stat is- b) Le nombre de demandes d'emploi est en
tique.
pour une tram:he d'âge seulement.
r On considère une vis comme défectueuse si son dia-
Calculer le pourcentage d'évolution des demandes
mètre est inférieur ou égal à 2,2 mm ou supérieur ou
d'emploi des hommes pour cette tranche d'Jge.
égal à 2,8 mm.
2
0
En 1999 une entreprise est subventionnée pour
employer une personne de moins de 25 ans.
Calculer le pourcentage de vis défectueuses fabriquées
Elle tire une personne au hasard parmi les demandeurs
par la machi ne partir de l' échantillon prél.:édent.
d'emploi concernés. Tous les choix sont équiprob:.tbl es.
B. Pmb{/bilitis
Qllelle est la probabilité que la personne embauchée
On considère désormais que la probabi lité qu'une pièce
soit une femme?
3
0
L'ent repri se désire créer un emploi en 2001 et lire au
prélevée au ha..'liard dans la production soit défectueuse
hasard une personne dans les demandeurs d'emploi de
eSIO,135.
1000. Tous les choix sont équiprobables.
On prélève au hasard un échanti ll on de 100 vis d.ms la
Calculer la probabilité p que la personne e mbauchée
production. La production est suffisamment importante
soit un homme. Vérifier que 0,46 est une valeur appro-
pour qu'on puisse assimiler ce prélèvement à un tirage
chée par défaut à 10- :2 près de p.
avec remise de cent vis. On a don<.' une de cent
4
0
Dans cette question, on prendra p égal à 0,46.
épreuves indépendantes. Soit X la variable aléatoire qui
L'entreprise choisit trois demandeurs d'emploi de
associe à tout échantillon de 100 vis le nombre de vis
2000.
défeclUeuses de cet é1.:ha ntillon.
Les choix sont indépendants et on assimilera ce choix il
JO Expliquer poun.luoi X suit une loi binomiale. On un tirage aveç remi '\e. On note X la variable aléatoire
donnera les paramètres de celle loi. qui, à chaque groupe de trois demandeurs d'emploi,
ZOQuelle est la probabilité qu'un lot ne contienne
associe le nombre d'hommes de ce groupe.
aucune vis défectueuse? On donnera une valeur appro-
a) Expliquer pourquoi X suit une loi binomiale dont
chée du résultat arrondie à 10-
7
.
on précisera les paramètres.
b) Quelle est la probabilité que l'entreprise choisisse
3
0
Quelle est la probabilité qu'un lot contienne exacte-
troi s hommes ?
menr 95 vis non défectueuses? On donnera une valeur
c) Quelle est la probabilité que l'entreprise choi'\isse
approchée du résultat arrondie à IO- .t. un homme et un seul?
Chap. 3 : Variables aléatoires à valeurs réelles 139
~ u* Événements indépendants, loi binomiale
Sur une fabrication de chemises, on constate p ~ r son-
dage que:
3 % des chemÎses présentent un défaut de couleur
(désigné par « défaut a » dans là suite de j'exercice),
2 % des chemises présentent un défaut de taill e (dési-
gné par « défaut b )t).
On décide de solder les chemises prése.ntant au moins
un défaut.
On prélève au hasard une chemise dans la production et
on note:
A l'événement: « celte chemise présente le défaut Cl ,. ;
B l'événement: « cette chemi se présente le défaut b ,. ;
S l' événement : « cette chemise est en solde ».
Les événements: A et B sont indépendants.
r a) Déterminer la probabilité qu'une chemise prise
au hasard présente les deux défauts (l el b.
b) En déduire la probabilité p de l'événement S.
2° Au cours de la fabri cation, on prélève au hasard suc-
cessivement soix.ante chemises. On admet que Je
nombre de chemises fabriquées est assez grand pour
que l'on puisse assimiler ce prélèvement à un li rage
avec remise de soixante chemises. Soit X la variable
aléatoire qui associe, à tout lot de soixante chemi ses, le
nombre de chemises qui peuvent être soldées.
a) Expliquer pourquoi X suit une loi binomiale dont
on donnera les paramètres.
b) Déterminer la probabilité d'avoir à solder au
moins une chemise. Donner la valeur décimale
approchée arrondie à 10- 3 du résultat.
c) Détermine-r l'espérance mathématique E(X) de la
variable aléatoire X.
Que représente E(X)?
~ ••• Probabilités conditionnelles, loi binomiale
et contrôle de qualité
Une usine fabrique des pièces dont 1,8 % sont défec-
tueuses. Le contrôle des pièces s' effect ue selon les pro-
babilités conditionnelles suivantes:
sachant qu'une pièce est bonne, on l'accepte avec
une probabilité de 0,97;
sachant qu'une pièce est mauvaise, on la refu se avec
une probabilité de 0,99.
On prélève une pièce au hasard dans la production
d'une journée et on note
B l'événement: « la pièce choisie est bonne » ;
M l' événement: « la pièce c-hoisie est mauvaise . ;
A l'événement: « la pièce est acceptée au contrôle » ;
R l'événement: « la pièce est refusée au contrôle ».
r Quelle est la probabilité qu' une pièce soi t défec-
tueuse?
r a) Montrer que la probabilité qu'une pièce soit dé-
fectueuse et acceptée est 0,000 18.
b) Montrer que la probabilité qu'une pièce soit bon-
ne et refusée est 0,02946.
c) Calculer la probabilité qu'il y ait une erreur dans
le contrôle.
3° On contrôle cinq pièces de façon indépendante. On
note X la variable aléatoire qui à chaque lot de cinq
pi èces contrôlées associe le nombre d'erreurs de
contrôle.
a) Expliquer pourquoi X suit une loi binomiale dont
on précisera les paramètres.
b) Dé.terminer la probabilité qu' il y ait exactement
deux erreurs de contrôle. Donner la valeur appro-
chée décimale arrondie à 10- 3 du résultat.
~ ••• Probabilités conditionnelles, loi binomiale
Pour prévenir deux défauts sa et eJ3 des pièces fabri-
quées par une usine, on décide de soumettre l'ensemble
des pièces à des tests.
Les études statistiques menées sur un effectif assez
grand ont montré que:
- 8 % des pièces présentent le défaut s1 ;
- parmi les pièces atteintes du défaut SI, 15 % ont le
défaut 03 ;
- parmi les pièces non atteintes du défaut sa, 5 % ont
le défaut 03.
On prend au hasard une pièce produite et on considère
les événements suivants:
A : « La pièce présente le défaut .st1 JO ;
B: « La pièce présente le défaut œ ».
1° a. Calculer la probabilité qu'une pièce prise au
hasard présente les deux défauts sa et 01.
b. Calculer la probabilité qu'une pièce prise au
hasard présente le défaut gj et ne présente pas le
défaut stI..
c. En déduire que la probabilité de B est égale à
0,058.
2° Démontrer que la probabilité d'obtenir une pièce
bonne (c'est-à-dire ne présentant ni le défaut .>4., ni le
défaut 03) est 0,874.
3° Au cours de la fabrication, on prélève successive-
ment, au hasard, douze pièces. On admettra que le
nombre de pièces fabriquées est assez grand pour esti-
mer que la proportion de pièces défectueuses reste
constante au cours du tirage.
Soit X la variable aléatoire qui, à tout prélèvement de
douze pièces, associe le nombre de pièces défectueuses
de ce prélèvement.
a. Expliquer pourquoi X suit une loi binomiale. On
donnera les paramètres de cette loi.
140
b. Déterminer la probabilité de J'événement « onze
pièces au moins sont bonnes lt .
A" donnera une \'alellr dicimale approchée anvndie à
10-
3
du résultat.
Probabilités conditionnelles, loi binomiale
US A el B SOli! indépendallles
Un fabricant de matériel informatique commerciali se
directe.ment une panie de sa production.
A. Velite d'/Ill complet.
Le fabricant s'intéresse à la vente d'un système com-
posé d'un ordinateur et d'une imprimante; on propose
l'achat de l'ordinareur avant celui de j'imprimante.
La probabilité qu'un client, tiré au h;Jsard dans la clien-
tèle, achète l'ordinateur est 0,2. La probabilité qu'un
client, tiré au hasard dans la clientèle, m:hète l'impri -
mante quand il a acheté l'ordinateur est 0,7 et la proba-
bilité qu'il achète l'imprimante quand il n'a pas acheté
l'ordinateur est 0,1.
ra) Montre.r que la probabilité qu'un dient, tiré au
hasard dans la clientèle, achète le système complet
est 0,14.
b) Calculer la probabilité qu'un client, tjré au
hasard, achète:
-l'imprimante (avec ou sans l'ordinateur) ;
- au moins une des deux pièces.
r L'ordinateur est vendu 1250 euros et l'imprimante
550 euros. On note X la variable aléatoire qui, à chaque
dient tiré au hasard dans la clientèle, associe sa
dépense, en euros pour ce système.
Établir la loi de probabilité de X e.n complétant, après
l'avoir reproduit, le tableau sui vant :
o
B. Monlant roral dn achats effectués par la clientèle.
On note Y la variable aléatoire qui, à chaque client, tiré
au hasard dans la clientèle, associe le montant total de
ses achats en euros.
On suppose que Y suit une loi normale de moyenne
et d'écart type (J. On admet que jJ. = 550 et a = 195.
1° On tire au hasard un client dans la clientèle.
Calculer. à 10- 2 près, les probabilités de chacun des
événements suivants :
A : « le montant de ses achats est inférieur à
600 euros lt ;
B : « le montant de ses achats est de 400 euros, au
moins lt ;
C : « le montant de ses achats est compris entre
400 euros el 800 euros lt .
Chap. 3 : Variables aléatoires à valeurs réelles
ZO Le fabricant décide, au cours d'une campagne pro-
motionnelle, d'accorder une remise aux clients dont le
montant des achats est suffisamment élevé.
Déterminer à partir de quel montant, 5 % des clients
bénéficieront de cette remi se.
-;
[!!l Événement indépendants, probabilités
conditionnelles, variable aléatoire,
loi binominale
Une entreprise fabrique des moteurs électriques. Afi n
de vérifier la conformité des moteurs, on procède à
deux tests l'un de type mécanique, l'autre de type
électrique.
Un moteur est rejeté s'il présente au moins l'un des
deux types de défaut.
Un moteur est déclaré en parfait état de marche s' il ne
présente aucun des deux types de défaut.
Une étude statistique de la production conduit à
admettre que:
-la probabilité qu'un moteur soit défectueux pour le
test méc.anique est 0,08,
-la probabilité qu'un moteur soit défectueux pour le
test électrique est 0,05,
-la probabilité qu'un moteur soit défectueux pour les
deux tests est 0,02.
On prélève au hasard un moteur dans la production.
On appelle: DM J'événement: 'l' le moteur prélevé pré-
sente un défaut de type mécanique »,
et DE l'événe.ment «le moteur prélevé présente un
défaut de type électrique ».
] 0 a) Les événements DM et DE sont-ils indépendants?
b) Calculer la probabilité de l'événement DM
sachant que l' événement DE est réalisé.
2° a) Calculer la probabilité de l' événement A : « le
moteur prélevé présente au moins un défaut lt .
b) Démontrer que la probabilité de l'événement JJ :
« le moteur prélevé est en parfait état de marche lt est
0,89.
c) Déterminer la probabilité de l'événement C: « le
moteur prélevé présente un seul défaut )l> .
141
3° Soit X la variable aléatoire qui, à chaque moteur pré-
levé au hasard dans la production, associe le nombre de
types de défaut (électrique ou mécanique) présentés par
le moteur.
a) Quelles sont les valeurs prises par X?
b) Déterminer la loi de probabilité de X.
c) Cakuler l'espérance mathématique E(X).
d) Calculer la variance V(X) et en déduire l'écaTI
type de X. On arrondira les résultats à 10-
2
.
4° On prélève 12 moteurs au hasard dans la production
(on assimile cette épreuve un tirage de 12 pièces suc-
cessivement avec remise). Soit Y la variable aléatoire
qui, à chaque prélèvement de 12 moteurs, associe le
nombre de moteurs en parfait état de marche de ce pré·
lèvemenl.
a) Justifier que la variable aléatoire Y suit une loi
binomiale dont on donnera les paramètres.
b) Calculer la probabilité de l'événement «il y a au
moins 10 moteurs en parfait ét,tt de marche:.t.
[!!] ... Statistique à une
loi normale, loi binomiale
à /Ille \'tlriah/t'
Une entreprise fabrique des lames de parquet. Dans la
produclion d'une journée, on élUdie un échantillon de
30 lames dont on mesure les longueurs.
On obtient la série suivante:
,-"" ... cm
-
131,4 1
131,6 2
131.8 6
132 13
132,2 7
132,4 0
132,6 1
Calculer à, 1 millimètre près, hl longueur moyenne el
J'éçart type de celle série statistique.
B. Loi normale
On nOie X la variable aléatoire qui, à une lame de par-
quet prise au hasard dans la production, associe sa lon-
gueur en cm.
On admet que X suit une loi normale de moyenne
111 = 132 et d'écart type cr = 0,25.
Une lame est estimée conforme si sa longueur appar-
tient à l'intervalle [131.6; 132.4J.
1° Calculer, à. 10-
2
près, la probabilité
P(l 3 1.6 '" X '" 132,4).
r En déduire la prob'lbilité qu'une lame, prise au
hasard dans la production, ne soit pas conforme.
C. Loi
Ces lames sont conditionnées en boues de 6. On assi-
mile la const itution d'une bolle à un tirage de 6 lames
successivement, avec remise.
On admet désormais que la probabilité qu'une lame,
prise au hasard dans la production, ne soit pas confor-
me est 0,11.
On désigne par Y la variable aléatoire qui, tt chaque
botte de 6 lames, associe le nombre de lames non
conformes.
1° Justifier le fait que la variable Y suit une loi bino-
miale ; en donner les paramètres.
r Calculer, à 10-
2
près, les probabilités P(Y = 0) et
P(Y'" 1).
J100t·· Loi normale, loi binomiale, approximation
(j'une loi binomiale par une loi de Poisson
Dans ct! qui suit, tUIIS rhullalS llpproc:hé.'i seront
arrondis à 10- 2.
Une entreprise fabrique des brioches en grande quan-
tité. On pèse les boules de pâte avant cuisson. On note
X la vari able aléatoire qui, à chaque boule de pâte pré-
levée au hasard dans la production d'une journée,
associe sa On admet que X suit la loi normale
de moyenne 700 g. et d'écart type 20 g.
1
0
Seules les boules dont la masse est comprise entre
660 g et 732 g sont acceptées à la cuisson. Déterminer
la probabilité qu'une boule, prise au hasard dans la pro-
duction, soit acceptée à la cuisson.
r On désigne par Il un réel positif. Déterminer Il afin
que l'on ait : P(700 - il '" X '" 700 + il) "" 0,95.
3
0
On admet que 8 % des boules sont refusées à la
cuisson.
On prélève au hasard, successivement et avec remise,
fi boules dans la production. On note Y
II
la vari able
aléatoire qui, à. tout prélèvement de Il ussocÎe le
nombre de boules qui seront refusées à la cuisson.
Celte variable aléatoire Y
n
suit une loi binomiale.
a) Dans le 11 = 10, calculer la probabilité d'avoir.
parmi 10 boules prélevées, exactement 3 boules
refusées à la cuisson.
b) Dans le cas fi = 50. on admet que l'on peut appro-
cher la loi de probabilité de la variable aléatoire Y
so
par une loi de Poisson.
Préciser le paramètre de ceUe loi de Poisson.
Calculer alors la probabilité d'avoir, parmi les
50 boules prélevées, exactement 4 boules refusées à
d'avoir au moins la cuisson, puis la probabilité
45 boules acceptées à la cui sson
Statistique descriptive,
propos de biochimie
loi normale, à
142
A. Statistique
Au cours d'une répartition de péni cilline en flacons sur
une machine aUlOmatique. on prélève, à. intervalles plus
ou moins réguliers, un flacon dont on pèse le contenu,
au dixième de milligramme.
On prélève ainsi un éc:hanti llon de 250 flacons dont les
masses des contenus exprimées en mg se répartissent
en 20 classes comme sui t :
CWoc Effectif CIuoe Elfeclif
[116.5; 1l7,5[ 2 [126,5; 127.51 25
[117,5; 118,51 3 1127.5; 128,5[ 22
[118,5; Il 9.5 [ 4 [128.5; 1 29,5 [ 14
[119,5; 120,5[ 10 [ 129.5; 130,5[ 15
[120.5; 121.5[ 10 [ 130,5; 131,5[ 10
[121,5; 122,5[ 16 [13 1.5; 132.5[ 7
[122,5; 123,5[ 20 1132,5; 133.5[ 5
1123,5; 124.5 [ 23 [133,5; 134.51 5
[124,5; 125.51 21 [134.5; 135,51 4
[125.5 ; 126,5[ 30 [135,5; 136,5[ 4
En supposant que, dans chaque classe, tous les élé-
ments sont situés au centre, déterminer les valeurs
approchées arrondies à 10-
3
de la moyenne x et de
l'écart type (T de cette sérÎe statistique.
B. Pmbabilitl.\·
Soit X la variable aléatoire qui, à tout flacon tiré au
hasard dans la production, associe la masse de son
contenu exprimée en milligrammes. On suppose que X
suit la loi normale de moyenne m = 126 et d'écart type
0' 4.
j OCalculer, avec la précision permise par la table, les
probabili tés P(X";; 125), P(IIS";;X";; 134),
P(X '3 129,2).
2° On a utilisé un sel de pénici lline titrant 1 600 unités
au milligramme. L'activité moyenne par flacon est
201 600 unités.
Pour obéir aux prescriptions des normes en vigueur,
l'activité trouvée par flacon doit être au moins de 95 (}
de celle annoncée sur l' étiquette. soit 200 000 unités.
a) Quelle est la masse Il du contenu du flacon cor-
respondant à celte activité minimale? (On exprime-
ra la réponse à 10-
3
près par défaut.)
b) Quelle est la proportion moyenne de flacons dans
la population ayant une masse inférieure à cette
masse Il? (Autrement dit, calculer P(X Il).)
Il 021 •• Loi normale, loi binomiale,
approximation d'une loi binomiale par une
loi de Poisson
Une machine fabrique des cylindres en bois.
j ° On admet que la variable aléatoire X qui, à toute
p ièce p rélevée au hasard dans la p roduction d'une
journée, associe sa longueur sui t la loi normale de
moyenne III = 100 ('m et d'écart type (T = 0,16 cm.
a) Déterminer, au centième près, la probabilité que
X n'appartienne pas à l'intervalle [99,7 ; 100,3].
b) Déterminer, à 10-
2
près, le réel positif a tel que
la probabi lité que X appartienne à l'intervalle
[100 - 0.100 + li) soit égale à O,S.
2° 011 considère désormais que la probabilité qu'un
cylindre prélevé au hasard dans la production soit
défectueux est 0,06.
On prélève au ha:sard un échanti llon de 50 cylindres. La
production est suffisamment importante pour qu'on
puisse assimiler ce prélèvement à un tirage avec remise
de 50 cylindres. Soit Y la variable aléatoi re qui associe
à tout échant illon de 50 cyli ndres le nombre de
cylindres défectueux de cet échantillon.
a) Expliquer pourquoi Y suit une loi binomiale. On
donnera les paramètres de t'Cne loi.
b) Déterminer une valeur approchée arrondie à 10-
4
de la probabilité qu'un échantillon de 50 cylindres
nt! contienne aucun cylindre défectueux.
c) On approche la loi binomiale du a. par une loi de
Poisson. Préciser le paramètre de celte loi. En utili-
sant celte loi de Poisson, déterminer une valeur
itpprochée arrondie à 10-
4
de l' événement du b.
11031 ••• Approximation d'une loi binomiale
par une loi normale
Dans une revue, on peut lire: 4< On estime à 60,5 % le
pourcentage de Français partitnt au moins une fois en
vacances dans le courant de l'année. JO
On considère 100 personnes prises au hasard, avec
remise, parmi la population française.
Dans a qui suit, tous ri:Hlltats SUOIIf arroI/dis ()
/0-3
1° On désigne par X la variable aléatoire qui à chaque
prélèvement de 100 personnes associe le nombre de
celles qui ne partent pas en vacances dans le courant de
J'année.
a) Justifier que la loi de probabilité suivie par la
variable X une loi binomiale. On précisera les
de cette loi.
b) CaJculer l'espérance mathématique et l'écart type
de la X.
c) Calculer la probabilité de l'événement « X = 45 )10 .
Pour ce calcul , on prendra C "" 6,145 X 10
28
.
r On décide d'approcher la loi de la variable aléatoire
discrète X par la loi normale de paramètres III = 39,5 et
cr = 4,89. On note Yune variable aléatoire suivant la loi
,N(39,5 ; 4,89).
Chap. 3 : Variables aléatoires à valeurs réelles 143
En utilisant cette approximation, calculer:
a) la probabilité que 45 personnes exactement parmi
les 100 ne partent pas en vacances dans le courant de
l'année, c'est-à-dire P(44,5 Y 44,5);
b) la probabilité qu'au plus 30 de ces 100 personnes
ne partent pas en vacances dans le courant de J'an-
née, P(Y 30,5).
approximation d'une loi
binomiale par une loi normale, probabilités
conditionnelles
Dans une entreprise, un stage de formation à l'utilisa-
tion d'un nouveau logiciel de DAO a été suivi par 25 %
du personneL Ainsi, la probabililé qu'une personne
tirée au hasard dans l'entreprise ait suivi ce stage est
p = 0,25 . .
Les parties A et B peuvent être traitées de façon
indépendante.
Partie A
On prélève au hasard" personnes de ceUe entreprise.
On suppose l'effectif suffisamment important pour
assimiler ce choi" à un tirage avec remise.
1
0
Dans cette question, Il = 10.
On note X la variable aléatoire qui, à tout ensemble de
10 personnes ainsi choisies, associe le nombre de per-
sonnes ayant suivi le stage.
a) Expliquer pourquoi X suit une loi binomiale.
Indiquer les paramètres de cette loi.
b) Déterminer, à 10- 2 près, la probabilité des évé-
nements suivants:
El : « Parmi 10 personnes tirées au hasard, exacte-
ment 2 personnes ont sui vi le stage»;
Ez : « Parmi JO personnes tirées au hasard, au plus
une personne a suivi Je st.lge » .
r Dans cette question, Il = 500.
On note Y la variable aléatoire qui, à tout ensemble de
500 personnes ains i choisies, associe le nombre de per-
sonnes ayant suivi le stage. On admet que la variable
aléatoire Y suit la loi binomiale de paramètres II = 500
et p = 0,25.
a) Déterminer l'espérance mathématique de la
variable aléatoire Y. En donner une interprétation.
Déterminer une valeur approchée, arrondie à 10-
1
,
de l'écart type de la variable aléatoire Y.
b) On décide d'approche,r la loi de la variable aléa-
toire Y par la loi normale moyenne 125 et d'écart
type 9,7.
On note Z une variable aléatoire suivant cette loi.
En utilisant cette approximation. calculer la probabi-
lité qu'au plus J 20 personnes, parmi les 500 choisies
au hasard, aient suivi le stage, c'est-à-dire
P(Z 120,5). Donner ce résultat à 10- 2 près.
Partie B
Dans cette entreprise, le personnel comprend 52 % de
femmes. L'événement F « une personne tirée au
hasard dans l'entreprise est une femme )t a donc pour
probabilité pen = 0,52.
On rappelle que 25 % du personnel a suivi le stage de
formation à l'utilisation du nouveau logiciel de gestion.
L'événement S : « une personne tirée au hasard dans
l'entreprise a suivi le stage )t a donc pour probabilité
P(S) = 0,25.
Enfin, 40 % du personnel féminin de cette entreprise a
suivi le stage. La probabilité condit ionnelle correspon-
dante est p(Sln = 0,4 oU PF(S) = 0,4.
1
0
Calculer la probabilité de l'événement A : « une per-
sonne tirée au hasard dans l'entreprise est une femme et
a sui vi le stage )t .
r Calculer la probabilité de J'événement B: fi: une per-
sonne tirée au hasard parmi les personnes ayant suivi le
stage est une femme )t .
11051". Événements indépendants, loi binomiale,
approximation d'une loi binomiale par une
loi normale
Une usine produit, grâce à des machines A, 8, C, des
pièces qui ont:
- pour la machine A : le défaut a dans 5 % des cas;
- pour la machine B : le défaut b dans 3 % des cas;
- pour la machine C : le défaut c dans 2 % des cas.
Une ma,'hine M fabrique un objet assemblant une pièce
provenant de A, une pièce provenant de B et une pièce
provenant de C. Elle prend au hasard des pièces dans
trois stocks comprenant un grand nombre de pièces.
Les différentes pièces sont tirées au hasard et indépen-
damment les unes des autres,
Les trois questio/lS som
JO Quelle est, à 10-
2
près. la probabilité qu'un objet,
prélevé au hasard dans la production de M, ne présente
aucun défaut.
r On admet qu'un objet fabriqué par M a la probabi-
lité:
0,048 d'avoir seulement le défaut a ;
0,028 d'avoir seulement le défaut b ;
0,018 d'avoir seulemenl le défaut c.
On désigne par X la variable aléatoire qui , à tout échan-
tillon de 10 objets pri s au hasard et avec remise, à la
144
sortie de la machine M, associe le nombre d'objets de
cet échantillon présentant seul ement le défaut a.
a) Quelle est la loi suivie par X? Préciser les para-
mètres.
b) Calculer à 1O-
3
près la probabilité que, dans un tel
échantillon, deux objets exactement présentent le
seul défaut a.
c) Calculer à 10-
3
près la probabilité que, dans un tel
échanti llon, un objet au plus présente le seul
défaut a.
3° La machine M convenablement réglée rejette tous
les objets présentant le défaut a ou le défaut b. Seuls
continuent à sortir ceux ne présentant que le défaut c.
La probabilité qu'un objet présente alors le seul défaut
e est 0,018.
On désigne par Y la variable aléatoire qui, à tout échan-
tillon de 1000 objets pris au hasarù à la sortie de la
machine M, associe le nombre d'objets présentant le
seul défaut c.
La production étant importante, tout échantill on de
1000 objets est assimilé à un échantillon prélevé avec
remise.
a) Quelle est la loi sui vie par }'?
b) On approche la loi de }' par une loi normale.
Quels sont les paramètres de cette loi normale?
c) On désigne par Z une variable aléatoire qui suit
œUe. loi. Déterminer la probabilité que la machine
fabrique au plus 20 objets présentant le défaut c,
pour cela on calcule,ra P(Z 20,5).
Les résllitats approchés seront à 10-
2
dans le 3°.

Loi binomiale, approximation d'une loi
binomiale par une loi de Poisson,
. approximation d'une loi binomiale par une
loi normale
Le gérant d'un magasin d'outillage dépose 120 chèques
à sa banque. Les montants de ces chèques, libellés en
euros, onl été regroupés en ci nq classes:
Ciasoes I!lfedlfs
150,60 [ 12
160, 110 1 24
1110.1401 60
1140, 200 1 19
[200,280] 5
1 °On prélève un chèque au hasard parmi les 120. Tous
les chèques ont la même probabilité d'être tirés.
a) Donner, sous forme de. fraction irréductible, la
probabilité Pl' que ce chèque ait un montant appar-
l enanl à [200, 280].
Chap. 3 : Variables aléatoires à valeurs réelles
b) Donner de même la probabilité P2 que ce chèque
ait un montant appartenant à [1 JO, 140 1.
r On prélève, au hasard et avec remise, un échantillon
de 36 chèques parmi les 120 déposés à la banque.
Soit X la variable aléatoire qui , à tout prélèvement d'un
tel échantillon, associe le nombre de chèques dont le
montant appartient à la classe l200, 280].
On définit de même la variable aléatoire Y pour la
classe [110,1401.
a) Indiquer sans justification la loi de probabilité
suivie par la variable aléatoire X. Donner son espé-
rance et son écart type arrondi au dixième.
b) Indiquer de même sans justification la loi de pro-
babilité suivie par la variable aléatoire Y. Donne.r son
espérance et son écart type.
3° On considère que la loi de probabilité suivie par la
variable aléatoire X peut être approchée par loi de
Poisson de paramètre 1,5.
On note XI une variable aléatoire qui suit cette loi de
Poisson.
Calculer, avec cette approximation, la probabilité d'ob-
tenir au moins trois L:hèques d'un montant appartenant
à la classe [200. 280] (arrondir le résultat au centième).
4° On considère que la loi de probabilité suivie par la
variable aléatoire Y peUl être approchée par la loi nor-
male de moyenne 18 d'écart type 3.
On note YI une variable aléatoire qui suit cette loi nor-
male.
Calculer, avec cette approximat ion. la probabilité d'ob-
tenir entre 15 et 21 chèques d'un montant appartenant
à [110,140 [, c'est-à-dire P(14,5 '" YI '" 21,5) (aTTon-
dir le résultat au centième).
11071 Loi normale, somme de variables
aléatoires suivant une loi normale
Les questions 1 et Il sont indépendantes. Tous les résul-
tats approchés serolll arrondis () 10- 3.
Pour la réalisation d'un projet, une société doit effec-
tuer successivement deux tâches A et B. Les durées de
réalisation de ces tâches sont aléatoires. On désigne par
X (respecti vement Y) la variable aléatoire qui, à une
t5che de type A tirée au hasard (respectivement une
tâche de type B), associe sa durée exprimée en semaine.
Ces variables aléatoires suivent des lois de probabilité
approximées par les lois normales: de moyenne 22 et
d'écart type 3 pour X, de moyenne 25 et d'écart type 4
pour Y.
1. Questions relatÎ\'es GlU· lâches
145
} O Déterminer la probabilité de réaliser une tâche de
type A en plus de 30 semaines.
2° Soit Il un réel positif. On considère l'événement E :
25 - /1 Y :::;;; 25 + il.
Déterminer l'ensemble des valeurs de Il pour lesquelles
on a : P(E) '" 0,9544.
Il. relaril'ts à la riolharirJ/l du
On désigne par Z la variable aléatoire qui, à tout projet
tiré au hasard, associe sa durée, expri mée en semaines.
On a Z = X + }' et on suppose que les variables aléa-
toires X et Y sont indépendantes.
)0 Calculer l'espérance mathématique et l'écart type de Z.
2° On admet que Z suit une loi de probabilité approxi-
mée par la loi )(47, 5).
Déterminer la probabi li té de réalber le projet en moins
de 50 semaines.

Il OSI "· Loi normale, loi binomiale,
somme de variables aléatoires
us trois partin dt ut exercice SOllt
Une chaine de supermarchés, spécialisée dans la vente
du matériel de bricolage, vend des sacs aux clients pour
le transport des achats.
Dans ce qui suit, tous les rfsultats apprrx:hb seront
arrondis d 10- 2.
A. On note X la variable aléatoire qui, à chaque sac
prélevé au hasard dans le stock du magasin de
Villemomble, associe la charge rnaximale en kilo-
grammes qu' il peul suppor ter. On suppose que X suit la
loi normale de moyenne 50 et d'écart type 4.
1° Déterminer la probabilité de l'événement X 55,
puis celle de l'événement 48 :::;;; X 52.
ZO Calculer le nombre réel positif r tel que la probabi-
lité de l'événement X r soit égale à 0,025.
B. Dans le stock de sacs du magasin de Chelles, on pré-
lève au hasard 10 sacs pour vérification. Le stock est
assez important pour qu'on puisse assimiler ce prélè-
vement à un tirage avec remise de 10 sacs.
On considère la variable aléatoire}' qui, à tout prélève-
rnent de 10 sacs, associe le nombre de sacs défectueux.
On suppose que la probabilité qu'un sac soit défec-
tueux est p = 0,03.
1° Expliquer pourquoi Y suit une loi binomiale; déter-
miner les paramètres de cene loi.
2° Calculer la probabilité que, dans un tel prélèvement
de 10 sacs, deux au plus soient défectueux.
C. On désigne par Z la variable aléatoire qui, à une
journée tirée au hasard dans une année, associe le
nombre de sacs vendus dans le magasin de Vincennes.
On suppose que Z suit la loi normale X( 1 190, 130).
Chaque S'IC est vendu 19 F. TOllt sac défectueux est
remplacé gratui tement. La marge réalisée sur la vente
d'un sac, représente 20 % de son prix de vente. De plus,
la chaine de supermarchés évalue ses perles totales
journalières sur la vente des sacs (remplacements,
vols .. . ) à 750 F. On désigne par B la variable aléatoire
qui , à chaque journée ouvrable tirée au hasard, associe
le bénéfice, en francs, réalisé sur la vente des sacs.
1 ° a) Exprimer B en fonction de Z.
b) Montrer que B suit approximativement la loi nor-
male .N'(3772, 494).
r a) Calculer la probabilité p de l'événement
ç;, 3500.
146
b) À J'aide du calcul précédent (2°a.) indiquer si le
directeur commercial a raison de dire qu'il y a au
moins 75 % de que la chaîne de supermar-
chés réali se plus de 3500 F de bénéfice journalier
sur la vente des sacs.
• Un franc est égal à 0. 15 euro.
Chapitre
1 -
4
Échantillonnage
Ce chapitre fait la liaison entre le calcul des probabilités et la statistique inférentielle. Les
principaux résultats concernant la moyenne et la fréquence dans le cas de grands échan-
tillons sont présentés et illustrés par des situations concernant le contrôle de qualité d'une
fabrication industrielle. J'interprétation des résultats expérimentaux obtenus en laboratoire
ou sur des enquêtes et des sondages.
Pour la réalisation de simulations, on se reportera utilement à la brochure de J'IREM
Paris-Nord: Simulatiolls d'e.\périellces aléatoires (une expérimentation du hasard de la
Première au BTS sur calculatrice et ordinateur).
A. LOI FAIBLE DES GRANDS NOMBRES
L'événement A peUl 'lU.'>si cQn<;ister
à obtenir une pièce par
tirage au sort dans une produclÎon
industrielle. ou obtenir une l'oncen-
!ralion trop forle d'une substance
par tirage au sort une de
dosages de laboratoire.
Voir la loi binomiale au chapitre 3.
Ona\'uque:
E(llX) = aE(>") et
V{(Lt) = a
2
V(X).
Chap. 4 : Échantillonnage
Considérons un événement A de probabilité l' : par exemple, A consis-
te à obteni r pile uvee une pièce usuelle (p = ou un as avec un dé
usuel = ou un cœur dans un jeu de 32 cartes (1' = !).
Effectuons n expériences indépendantes ; par exemple, effectuons n
lancers d'une pièce ou d' un dé, ou Il tirages au hasard, avec
remise, d'une carte dans un jeu de 32 cartes.
Pour la i-ème expérience (1 i n), notons Xi la variable aléatoire
qui, si l'événement A apparaît, prend la valeur l, sinon la valeur O.
Ainsi, la variable aléatoire Sn = Xl + X
2
+ ... + X
j
+ ... + XII permet
de compter le nombre d'apparitions de l'événement A au cours des
II expériences.
Nous savons que Sn suit la loi binomiale de paramètres n et p. Donc
E(S,,) = "pet V(S,,) = "pq, où q = 1 - p.
S
La variable aléatoire....!! prend pour valeur la fréquence d'appariti on de
"
l' événement A au cours des 11 expériences.
E(S,,) = l E(S ) ; donc E(S,,) = p.
11 n /1 n
v(S,,) =.l. V(S ) : donc v(S,,) = p(l - l')
11 ,,2 /1 " Il
S '11'(1 l')
L'écart type de -1! est .
Il Il
147
Voir le rappel sur la valeur
dans le chapitre 1 du tome
d'AnalyJe (mêmes auteurs):
A
1
a
B
1
b
La distance AB est lb - al.
P est fixé dans [O. 1].
[
P
1
y,,(1 p)
t - - -
"

L'événement: « Sn prend une valeur appartenant
/1
[
, 11'(1 - 1')
à l'intervalle l' - V /1 ' l' +
s'écrit: -pl ,,; yp(l Il l')
[ "
1

"
S é
' - 'é -IS" l , 11'(1 l')
on venement contratre s cnt """'il - p > V Il
De même:
[
1

y
P(1 - p)
2 ---
"
Et
I
S
" - 1 >2,6, 11'(1 - l')
Il P V 11
Théorème (admis)
Pour tout nombre entier n > 0 et pour tout nombre réel t > 0,
Ce théorème indique que, pour n'importe quel nombre réel, > ° et
S
nombre entier Il> 0, la variable -.2!.. mesurant la fréquence d'appari-
Il
tion d'un événement A de probabilité p au cours de Il expériences indé-
pendantes, prend une valeur extérieure à l'intervalle
[ Y
p(l l') yp(1
1'-1 ,1'+1
/1
avec une probabilité inférieure ou égale à
r
148
Il
l') 1
Par exemple, A est J'é\-'énement
'fi prélever au hasard un garçon dans
une classe composée de 18 filles el
de 12 garçons lIo, alors
une urne avec 30 boules
dam aux 30 élè\'es de la dasse et
effectuon.s 200 tirages d'une boule
en remellant chaque fois la boule
tirée dans J'urne.
p(ii) 1 - P(B)
1 - 0,01 0,99.
On effectue 10000 tirJges dans les
mailles condition:",
p est un nombre thé dans lO, 1].
t et p SOn! fixés, t > 0,
Il suffit de choisir t assez grand,
Voir (lIIftl
- IREM. Groupe épistémologie et
histoire des mathématiques
(Gauthier - Villars).
Voir le chapitre 2 p:lragraphe D.
Chop. 4 : Échantillonnage
Exemples
1. l' = 0,4 ; II = 200 ; r = 10.
p(I
S
200 _
04
1 > 10"0,4 x 0,6 <>_1_.
200' V 200 100
Donc p( 1 - 0,41 > 0,35) <> 0,01.
0,4
À l'issue de 200 tirages, la fréquence d'apparilion d'un garçon est infé-
rieure à 0,05 ou supérieure à 0,75 avec une probabilité inférieure ou
égale à 0,01.
En conséquence, cette fréquence est comprise entre 0,05 et 0,75 avec
une probabilité supérieure ou égale à 0,99.
2, l' = 0,4 ; Il = 10 000 ; r = 10.
Nous obtenons de même -0,41 > 0,049) <> 0,01.
L'intervalle [0,05 ; 0,75] esl remplacé par [0,35 1 ; 0,449].
'
Remarquons sur ces exemples que, quand 11 augmente, t étant constant,
l'amplitude de l'intervalle diminue.
D'autre part, r'
1
1'( 1 l') = ni p(1
V Il
donc lim r' 11'...;(_ 1 ---,p-,-) = o.
II--t+oo V II
Ainsi:
p) _I_
et
lim _1- = 0;
y;; 11 --t + 00 y;;
Avec une probabilité 1 --\,choisie aussi grande que l'on veut, Sn
r n
prend une valeur aussi proche que l'on veut de p lorsque n est suf-
fisamment grand: c'est la loi faible des grands nombrPs.
Remarques
1. Jacques Bernoulli avait mis ce phénomène en évidence vers 1700,
comme le rappelle Laplace, un siècle plus tard:
« En multipliant indéfiniment les observations et les expériences, le
rapport des événements de diverses natures qui doivent arriver
approche de celui de leurs possibilités respectives, dans des limites
dont l' intervalle se resserre de plus en plus et devient moindre qu'au-
cune quantité assignable. »
2. La loi faible des grands nombres justifie le point de vue des « fré-
quentistes» qui attribuent comme probabilité d'un événement une valeur
aulour de laquelle la fréquence d'apparition de cet événement se stabili-
se lorsque le nombre d'expériences indépendantes devient très grand.
149

Ce point de vue, opposé :\ celui de!.
« 10 , est dit
« bayesien _, en hommage au révé-
rend anglai s Thomas Bayes, auteur
en 1763 d' un essai. of
dumas.
Cependant, par ex.emple en économie, il n'est pas toujours possible
d'effectuer de telles expériences, et on peut alors être conduit à fi xer
a priori la valeur attribuée il la probabilité d' un événement; on contrô-
le et éventuellement valide ce choix a posteriori, en étudiant ses consé-
quences.
3. La loi faible des grands nombres a une grande importance théorique,
mais elle conduit, dans bien des cas, à choisir des valeurs de Il beau-
coup trop grandes. En effet, cette loi s' appuie sur un résultat de portée
très générale, l'inégalité de Bienaymé·Tchebychev qui, dans des cas
particuliers. peut être amélioré.
, , ,
B. THEOREME DE LA LIMITE CENTREE
Xi sui t la loi .N'( IL, (1).
E(X + Y) E(X) + E(Y).
E({jX) = (Œ{X).
X; suil la loi X(IJ-. 0").
Celte notation mppelle la moyenne
arithmétiGue définie en Mati<;tique
descripti,re (chapitre 1).
Voir la loi normale au chapitre 3.
Voir la loi normale au chapitre 3.
1. CAS PARTICULIER
Soit Xl ' X
2
• ... • Xi" ...• X", Il variables aléatoires indépendantes suivant
toutes la même loi normale X( /J. ,u).
Pour tout i, 1 i " . on a E(X
j
) = I-L.
Donc E(X
t
+ X
2
+ ... + X,.) = II/J..
EtE(X
t
+ X
2
: ... +X,,) = /J..
De même, pour tout i , 1 i Il, on a V(X
j
) = 0.2.
Les variables aléatoires X
j
étant indépendantes,
on a V(X] + ... + X,,) = V(X]) + ... + V(X,.).
,
Donc V(X
t
+ ... + X,,) = IIU-.
(
Xl + X
2
+ ... + XII) _ na
2
_ a
2
Et V - --, --.
Il 11-"
. •. X
t
+ ... + X" . . l ' 1
La van able aleatolre est desormat s notée p us simp e-
- Il
ment XII' ')
E(X,,) = /J. et V(X,,) = u- , donc l'écart type de X"
Il y;,
Les variables aléatoires Xl' .... XII étant indépendantes et suivant une
loi normale, leur somme XI +... + X" suit une loi normale et
X" = l(X, + ... + XII) suit aussi une loi normale.
Il
En conclusion: K" suit la loi normale N(jJ., ..5!...-).
y;,
Remarques
1. Nous déduisons immédi::ttement de ce résultat que la variable uléu-
taire y;,(x" Il) suit la loi normale X(O, 1).
y;,
2. L'interprétation statistique de ce résultat sera faite aux paragraphes
C. et D. ci-dessous dans deux cas fondamentaux.
150
Voir la loi normale au chapitre 3.
La convergence d'une suite de
variables n'est pas au
programme. La envi·
ic i n'est d'ailleurs pas de
même nature que celle intervenant
dans la loi faible des grands
nombres.
Chap. 4 : Échantillonnage
2. THÉORÈME
Comme on ne rencontre pas touj ours des vari abl es aléatoires nor-
males, il eSI nécessaire d'éludier quelle propri élé possède la variable
aléalOire X"' défini e au paragraphe précédenl, lorsque J'hYPolhèse de
normalité des Il variabl es aléatoires Xi n'est plus sati sfaite.
Théorème de la limite centree (admis)
Soil XI' X
2
, ... , X"' variables aléaloires Indépendantes, suivanllOUles
la même loi. admeltanl une moyenne f.1. et une variance (T2(a 0).
Pour n suftlsamment grand, 1. variable aléaloire
X = XI + ... +X"
" n
suil approximativement la loi normale .1(( Il,
Conséquence
X - Il
Pour Il' suffisamment grand, Il !L-
v;.
mativementl a loi normale .1( 0, 1).
Remarques
v;.(X" : Suil.pprox!-
1. Conformémenl au programme de malhématiques des secli ons de
techni ciens supérieurs, ce théorème est énoncé ici en ter mes d'ap-
proximation et non en termes de limite.
2. Comme dans le cas parti culier du par.graphe 1, on a encore ici
- - (J'2 , - cr
E(X,,) = Il, V(X,.) = - el 1 écarl Iype de X" esl - .
Il vii
Mais X ne suit plus une loi normale pour tout Il; ce n'est que pour les
if: grandes» valeurs de n que la loi sui vie par XII se rapproche d' une loi
normale.
3. L' inlerprélation slali sti que de ce résullal sera fa ile aux paragraphes
C. et D. ci-dessous dans deux cas fondamentaux. C'est en vue de cette
étude que J'hypolhèse selon laquelle les X; sui ven! Ioules la même loi
a élé choisie; on aurail pu prendre une hypothèse un peu moins res-
tri cti ve.
151
,
C. DISTRIBUTION D'ECHANTILLONNAGE
ASYMPTOTIQUE DE LA MOYENNE
Voir chapitre 5.
Avec la méthode des se pose
le problème de la représemJtivité
d'un échantillon lorsqu'oll ne dis-
. pose pas d'information;;;
sur la population.
Après le lirage sans remise d'un
élément, on ne remet pas dans l'ur-
ne le papier ou la boule correspon-
dant 3 un élément.
Un même élément peut être choisi
plusieurs fois dans le ca.' d'un tira-
ge avec
Par exempl e, 11/ est la moyenne des
soldes de N livrets d'épargne, tan-
dis que x est la moyenne des soldes
de 11 li vrets lifts au hasard parmi
tes N.
Par exemple, Xl as'>OCie au premier
tirage le solde du premier livret
ainsi tiré; de même pour X'l: .. , XII'
1. LE PROBLÈME DE
L'ÉCHANTILLONNAGE
La théorie de l'échantillonnage consiste, connaissant des propriétés
d'une population, à déterminer des propriétés d'échantillons prélevés
dans la popul"tion.
En réalité, on est le plus souvent confronté au problème inverse, celui
de J'estimation: on possède des renseignements sur un ou plusieurs
échantillons, et on cherche à en déduire des informations sur la popu-
lation totale.
Cependant, il est important de s'intéresser d'abord à l'échantillonnage,
car nous obtiendrons ainsi des résultats utiles pour l'estimation.
Pour cela, à J'aide du calcul des probabilités, nous allons chercher un
modèle théorique décrivant au mieux une situation de stati stique des-
criptive.
Pour y parvenir, nous ne considérerons ici que des échantillons aléa-
toires, c'est-à-dire constitués d'éléments pris au hasard dans la popu-
lation. Il s sont obtenus par tirage dans une urne ou par utilisation d'une
table de nombres aléatoires; certaines calculatrices permettent égaIe-
ment d'obtenir des nombres « pseudo-aléatoires ».
Nous ne nous intéresserons donc pa."i aux. échantillons obtenus suivant
la méthode des quotas, qui consiste à chercher à créer une ou plusieurs
«populations en miniature» : par exemple, même proportion d'indivi-
dus par âge, sexe, catégorie socioprofessionnelle, région, ... dans la
population et dans un échantillon.
Le tirage des éléments d'un échantillon aléatoire peut être sans remi-
se, ou exhaustif; dans ce cas, la composition de l'urne est modifiée à
chaque tirage: les tirages ne sont pas indépendants.
Sinon, le tirage est avec remise, ou non exhaustif; dans ce cas, les
tirages sont indépendants.
Remarque
Dans la plupart des cas où la population a un grand effectif dont on tire
une faible proportion d'éléments, on assimile un tirage sans remise à
un tirage avec remi se.
2. DISTRIBUTION D'ÉCHANTIllONNAGE
ASYMPTOTIQUE DE LA MOYENNE
Considérons une population d'effectif N, de moyenne m et d'écart
type CI.
Prélevons, dans cette population, un échantillon (aléatoire) de taille II ;
on note x la moyenne de cet échantillon et (T' son écart type.
Considérons les" variables aléatoires XI' X
2
, ... , Xi' ... , XII où chaque
variable aléatoire Xi' 1 i Il, associe au i-ème tirage le nombre cor-
respondant à l'élément choisi.
152
Un tel échantillonnage aléatoire de
laille II, obtenu avec;: remise. est
ainsi con<;idéri comme réal isation
des 11 aléatoires indépen-
dantes X
j
,
X
n
associe à cet échant illon la
moyenne ,t des masses des
de cet échantillon; plu" générale-
ment, X
n
associe à tout échanlillon
de tai ll e 11 la moyenne des
des pièces de cel échant ill on,
A' rI ENTlON: deux éch'lntillons
pcu"enl avoir des élémenLS com-
muns,
Tous les échanlillons onl le me me
effectif II,
Cette conséquence du théorème
de la limite centrée est rondamen-
tale pour la suite,
Voir le pM3graphe ll, l ,
N - /1 est appelé facleur d'elt haus-
N-l
li vité,
Chap. 4 :
Si nous supposons que le tirage des Il éléments de l'échantill on a été
effectué avec remise, alors les variables aléatoi res Xi sont indépen-
dantes, Elles sui vent toutes la même loi, ont toutes la même moyenne
m et le même écart type (f,
La variable aléatoire X = XI +, .. + X" assoc ie alors à cet échantill on
" Il
sa moyenne l ; plus généralement , XII associe à tout échantillon de
taill e Il la moyenne de cet échantill on,
effectif n ft
[IJ
muyenne il ï
l
... ...
type (J' 1
0"2 ,,' ,
ÉdllllllillonJ ÉdullllillCJf/ Échantillon i
Population: effectif N, moyenne m, écar t type tT,
XII prend pour valeurs les moyennes xI' x2' , .. , xi' '" de tous les échan-
tillons de même effectif Il, prélevés avec remise dans la population,
D'après le théorème de la limite centrée, pour It suffi samment grand,
XII suit approxi mati vement la loi normale X(m, J!...-).
_ v;. _
Nous pouvons alléger l' écriture en notant X la variabl e aléatoire X"' car
ici, II étant fixe, il n'y a pas de risque de confusion,
Considérons une population de moyenne ln el d'écarl type ". Soit X la
variable aléatoire qui. à toul échanlillon aléaloire prélevé av"", remise el
d'effectif n fixé, associe la moyenne de cel échantillon.
Pour n grand. X suit approximativement la loi normale

--------
Remarques
1, Dans la plupart des cas, on considère que,., est « suffisamment
grand » lorsque Il atteint quelques dizaines, par exemple lorsque
Il ;" 3D, mais cela dépend de la nalure de la popul ation et du contexte
de l' étude.
Naturellement, si la population est elle-même normale, c'est-à-dire si
les variables aléatoires Xi suivent la loi .N'(m, cr), on peut utili ser le
résultat sur X avec 1/ « petit »,
2. Lorsque les échantill ons de taille Il sonl prélevés sans remise dans
la population d'effeclif N, on peUl , dans certains cas, utili ser le résultat
précédent, en prenant JL. V N -1/ au lieu de cOllune écart type de
v;. N - I v;.
X.
3. Ne pas confondre l'écart type. ", de la variable aléaloi re qui prend
Vil
pour valeurs les moyennes d'échantillons de tuille Il , et l' écart type ,,'
d' un échantillon.
153
D. DISTRIBUTION D'ÉCHANTILLONNAGE ASYMPTO-
TIQUE DE LA FRÉQUENCE
Nous pouvons remplacer fréquence
paf proportion ou pourcentage.
Voir le paragraphe C.2 ci-dessus
en remplaçant III par p, fréquence
avec laquelle les N livrets d' épar-
gne ont un solde supérieur à
5 ()(M) euros, et x par f.
ATfENTION: deux échantill ons peu-
vent avoir des éléments communs.
Voi r paragraphe A.
Voi r au chapitre 3, la fin du para-
graphe 3.c.
Considérons une population d'effectif N dont les éléments possèdent
une certaine propriété avec une fréquence p.
D' une manière analogue, prélevons avec remise dans cette population
des échanti110ns aléatoires de même effectif 11 et mesurons pour chacun
d'eux la fréquence f avec laquelle les éléments possèdent cette même
propriété.
effectif n
fr«Juence fi
Échalltillon J Éch(mtil/oll 2 Échantillon i
Populafion : effectif N, fréquence p
NOLI S obtenons avec la fréquence un résultat analogue à celui figurant
au paragraphe C. 2 à propos de la moyenne :
L
Considérons une population dont les éléments possèdent une certaine
propriété avec une fréquence p.
Soit F la variable aléatoire qui, à tout échantillon aléatoire prélevé ave<.:
remise et d'effectif n fixé, associe la fréquence avec laquelle les élé-
ments de cet échantillon possèdent cene propriété.
Pour n grand, F suit approximativement la loi normale
X(p, 'fJ) où q = 1 - p.
Remarques
1
1. Soit SIl la variable aléatoire associant à tout échantill on de taille 11, le
nombre d'éléments de cet échantillon qui possèdent la propriété consi-
dérée ; Sn suit la loi binomiale \13(11, pl.
Sil est une variable aléatoire discrète qui peut prendre pour valeur tout
nombre entier k compris entre 0 et n.
S
F = --.!!.. est donc une variable aléatoire discrète qui prend pour valeurs
li
les fractions k, où 0 k n.
Il
P(F = P(Sn = k) = _ p)" - k
Aussi, dans l' approximati on de la loi de F par la loi normale
. N(p, V'r!). on peut être amené à effectuer une correction de conti-
nuité sur les bornes de l' Înterva]]e considéré,
2. L'approximation d'une loi binomiale par une loi normale, indiquée
au chapitre 3, est à relier au théorème de la limite centrée.
154
-.,
-
E t===
==
TRAVAUX PRATIQUES
Pour pouvoir aborder avec profit l'étude de la statistique inférentielle figurant au programme,
il est essentiel de connaître quelques situations de référence à propos de l'échantillonnage.
Le but de ces deux activités est de faciliter cet apprentissage: il ne s'agit pas d'exercices cor-
rigés ressemblant à des sujets d'examen, mais d'un contact avec des situations aléatoires et
d'une familiarisation avec des notations et des résultats concernant des concepts figurant au
programme ; en un mot, ce sont de véritables travaux pratiques.
EXEMPLE DE DISTRIBUTION
D'ÉCHANTILLONNAGE
DE LA MOYENNE
TP 1
On considère la population const ituée des 100
éléments suivants que l'on matérialisera par 100
morceaux de papier, chacun portant un de ces
cent nombres.
c..... 0 1 2 3 4 5 6 7 8 9 10
[!Todi 1 3 7 12 17 20 17 12 7 3 1
1. Calculer la moyenne 1/1 et l'écart type cr de
cette population. 0" sera arrondi à l'unité.
2. Prélever au hasard et avec remise un premier
échantill on de 30 éléments de la population.
Calculer sa moyenne xI'
3. Recommencer avec 9 autres échanti ll ons, cha-
cun ayant 30 éléments, dont les moyennes respec-
tives sont notées x2' ... , xlO'
4. Calculer la moyenne et l'écart type s de la
nouve ll e séri e stat istique constituée des 10
moyennes d'échantillons x I ' .... xIQ'
5. Comparer ni et I-l d'une part, et d'autre part,
.Jo et s : leurs valeurs numériques sont-elles
« proches )t ?
6. Déterminer les bornes de l'intervalle
1 = [1/1 - 1.96.Jn; 111 + 1.96 .Jn];
placer sur un même graphique les dix moyennes
d'échantillons xI' x
2
• ...• XJO obtenues aux ques-
tions 2 et 3.
Quel pourcentage de ces nombres est situé dans
l'intervalle I?
Chap. 4 : Échantillonnage
Remarque
Dans le chapitre 5, nOl/S nous intéresserons au
problème ÎIl\'erse : cl parrir d'informations sur un
échantillon, peut-oll pré\'oir où se situe la moyen-
ne de la population?
155
011 from'era ml début de répollst! dans lUI
cas particulier.
Pour chaque échalllilloll, déterminer les bornes
de "imen'alle
[Xi - 1.96 00"; Xi + 1.96 00" l-
oti 1 ::s.:;: i 10, et place,. ces dix imenalles silr dix
axes parallèles en alignant verticalement les abs-
cisses communes (par exemple, les 5 en dessous
des 5 .... J.
Quel pourcentage
de ces inten'alles
cOlll i ent la moyen-
ne III de la popula-
tioll ?


:5
--- -----3----;
EXEMPLES DE DISTRIBUTION
D'ÉCHANTillONNAGE
D'UN POURCENTAGE
TP2
On reprend la situation du TP 1.
1. Calcul er le pourcentage p d'éléments de la
population correspondant à un nombre supérieur
ou égal à 6.
2. Dans chacun des 10 échantillons. calculer le
pourcentage f;. où 1 ., i ., 10. d'éléments cor-
respondant à un nombre supérieur ou égal à 6.
3. Calculer la moyenne 1 et l'écart type s' de la
série stati stique constituée des 10 pourcentages
f;.
4'Comparer pet 1 d'une part et, d'autre part,
, jp(l p) ets'.
V 30
5° Déterminer les bornes de l'intervalle
J = [p - 1 96 ' jp(
1
p). p + 1 96 ,jcp("I----'p") 1
'V30' 'V30
et placer sur un même graphique les dix pourcen-
tages fi' f
2
, ... , flO obtenus au 2'.
Quel pourcentage de ces dix nombres est situé
dans l'intervalle J?
Re,marque
Dans le chapitre 5, nOlis nous intéresserons au
problème Ùl\'erse : cl partir d'informations sur un
échantillon, pellf-oll prb'oir où se situe le pour-
cellfage d'éléments de la population possédant
une certaine propriété ?
Voici 1111 début de réponse dans un cas particu-
lier:
Pour chaque échamilloll, déterminer les bornes
de l'infen'alle
[i.
- 1 96,j"'li"O-i.'-7 i) . f· + 196' /J;CI li) 1
1 • V 30 ' 1 • Y 30 .
où 1 :::::;;: i ~ 10, et placer ces dix intervalles sur dix
axes parallèles en alignant verticalemellf les abs-
cisses commWles (par exemple les 0,5, c'est-à-
dire 50 % el1 dessotls des 0,5 .. .).
Quel pourcentage de
ces imerwllies
contient le pourcen-
tage p calculé il/a
première question?
: 0.5

EXERCICES CORRIGÉS
DES OBJECTn-S
Numéros des
exercices
Déterminer un inler\'alle r.:om:ernant la"distri-
1 et 5
bution d'échantillonnage ùe la moyenne
Déterminer un efl'er.:tif d'échantillon, CQm:er-
nant la distribution d'échalHi1tonnage de la
2
moyenne
Calculer des probabilités l'Ollr.:ernant 1:1 distri-
bution d'échantillonnage ùe la frequem;e
3 et 4
Déterminer un effectif ù'él:h;lnlilloll'i COncer-
nantla distribution d'ér.:hantillonnage des f r ~ -
4
quences.
QJ •• Contrôle de qualité
Une machine fabrique des pièces de forme circu-
laire en grande série. À chaque pièce tirée au
hasard dans la production, on associe sa masse
exprimée en grammes on définit ainsi une
variable aléatoire X. On suppose que X suit la loi
normale X( "., a), où ". = 150 et a = 2,1.
Soit"M la variable aléatoire qui, à chaque échan-
tillon de 400 pièces prélevées au hasard et avec
remi se dans la production, associe la moyenne
des diamètres des pièces de cet échantillon. M est
une variable aléatoire qui suit une loi normale.
Déterminer à 10-
3
près le nombre positif h tel
que:
P(". - " '" M '" ". + h) = 0,95.
12] -* Contrôle de qualité (suite)
Une machine fabrique des pièces en grande série.
À chaque pièce tirée au hasard, on associe sa lon-
gueur exprimée en millimètres; on définit ainsi
une variable aléatoire X.
On suppose que X suit la loi normale X(III, a), où
111 = 28,20 et a = 0,027.
On admet que la variable aléatoire M qui, à tout
échanti llon aléatoire non exhaustif de taille 11,
associe la moyenne des longueurs des 1/ pièces de
l'échantillon, suit la loi normale
X(m, J,,)
Déterminer 11 pour que:
P(28, 195 '" M '" 28,205) = 0,95.
0*-* Fille ou garçon?
Dans une population, on constate qu'ilnuÎt 52 %
de garçons et 48 % de filles.
On suppose que la variable aléatoire F qui, à tout
échantillon de taille Il = 400 prélevé au hasard et
avec remise dans la population, associe le pour-
centage de garçons dans cet échantillon, suit la loi
normale
X(p, yP(1 Il p)), où p = 0,52.
156'
On se propose de prélever un échantillon aléatoire
non exhaustif de 400 nouveau-nés.
e Détermine-r, à 10-
2
près, la probabilité d'avoir,
dans un tel échantillon, un pourcentage de gar-
çons compris entre 50 % et 54 % .
2° Déterminer, à JO-2 près, la probabilité d'avoir,
dans un tel échantillon, lin pourcentage de filles
inférieur à 45 %.
**** Un tirage en classe
Une classe est constituée de 18 filles et 12 garçons. On
considère une urne avec 30 boules correspondant aux
30 élèves.
On effectue n tirages aléatoires d'une boule en remet-
tant chaque fois la boule tirée dans l'urne.
us deux sont indépendantes.
} O À l'aide des inégalités intervenant dans la loi faible
des grands nombres, déterminer à panir de combien de
lirages la fréquence d'appariti on d'un g<trçon est
c.-ompri se entre 0,39 et 0,41 avec une probabilité supé-
rieure ou égale à 0,95. (On pourra commencer par
déterminer 1.)
r On considère que le nombre n de tirage est suffi-
samment grand pour que la variable aléatoire F qui, à
lout échant illon de taille 1/ ainsi réali sé, associe la fré-
quence ou le pourcentage d'apparition d'un garçon,
suive la loi normale X(p, ), ou q = 1 - p,
p étant la proportion de garçons dans la classe.
À l'aide de la table de la loi normale .N'(O, 1). détermi-
ner Il pour que:
P(0,39 '" F '" 0,4 1) '" 0,95.
3° Comparer les valeurs de 11 obtenues aux deux pre-
mières questions.
Chap. 4 : Échantillonnage
Exercice d'examen
o *H Loi normale, loi binomiale?
loi de Poisson? échantillonnage
Une machine fabrique en grande série des pièces cylin-
driques. Les diamètres de ces pièces sont ex:primés en
mi Il i mètres.
us ré.HI/Tats numériques demandés .\·erolll anvndis au

1° Soit X la variable aléatoire qui, à chaque pièce pré-
levée au hasard dans la production, associe son dia-
mètre. On admet que la variable aléatoire X suit la loi
normale de moyenne III = 50 et d'écart type cr = 0,4.
Une pièce est considérée comme défectueuse si son
iamètre est inférieur à 49, 1 ou supérieur à 50,9.
éterminer la probabilité qu'une pièce soit défec-
#lUeuse.
r On suppose dans œtte quest ion que 2 % des pièces
produites sont défectueuses. On effectue un prélève-
ment de 11 pièœs prises au hasard dans la production.
Ce prélèvement peut être assimi lé à un tirage avec
remise. On désigne par Y la vari able aléatoire qui, à
tout de Il pièces ainsi réali sé, associe le
nombre de pièces dé.fectueuses dans l'échantillon.
a) Quelle est la loi suivie par Y?
b) Pour Il = 10, calculer la probabilité P(Y= 2).
c) Le client accepte un lot de 10 pièces s'il cont ient
au plus une pièce défectueuse.
Quelle est la probabilité que le lOI soit accepté '!
d ) Pour 11 = 50, quel est le paramètre de la loi de
Poisson par laquelle on peut approcher la loi de Y?
En utilisant cene approximation, déterminer la pro-
babilité qu'i l y ait plus d'une pièce défectueuse dans
le lol.
3° Pour contrôler la fabri cation, on prélève de5 échan-
tillons aléatoires de 100 pièces; ce prélèvement est
assimilé à un tirage avec remise.
On appelle X la variable aléatoire qui, Il. chaque é<,'han-
tillon de 100 pièces, associe la moyenne diamètres
des pièces de cet échantillon. On admet que X suit la loi
157
normale de moyenne 50 et d'écart Iype
vlOO
Déterminer le nombre réel b positif tel que
P(50 - b <i( '" 50 + h) = 0,95.
Il
1
1
1
1
1
1
1
1
1
1
1
1
EXERCICES NON CORRIGÉS
Exemples de distribution d'échantillonnage
de la moyenne
0" Où on fait apparaître l'ensemble
des échantillons
On considère une populati on de 4 objets de masses res-
pectives en kilos: 48, 50, 53. 54.
On désigne X la variable aléatoire qui, à chaque
objet prélevé hasard, associe sa masse et par X la
varÎilble aléatoire qui, à tout échantillon de 2 objets.
prélevé au hilsard de manière non exhaustive, associe la
moyenne des masses des 2: objets de cet échantillon. ,
1
0
Calculer E(>-1 et ,,(X).
r En faisant figurer leurs masses sous forme de
couples, donner J'ensemble de tous les échantillons el
les valeUfS prises par la variable X.
3
0
Calculer E(X) et ,,(X), vérifier que E(X) E(X) et
que ,,(X) "(X).
y;;
o .. Le eau monte!
Tous les rlsultats approchés seront arrondis à f(T.1,
Après la correction d'une épreuve d'examen compor-
tant un grand nombre de candidats, on constate que les
nOies ont pOlir moyenne 12 et pour écart type 3.
Soit X la variable aléatoire qui, à tout échantillon aléa-
loire et non exhaustif de taille 100, associe la moyenne
des notes de cel échant ill on.
On suppose que X suit la loi normale )((12 ; 0,3).
On se propose de prélever un échanti llon aléalOire non
exhaustif de 100 nOIes.
] 0 Quelle est la probabilité d'avoir la moyenne d'un tel
échantillon à 12,5 '!
r Quelle est la probabilité d'avoir la moyenne d'un lei
échantillon comprise entre 12,5 et 12,9?
[!J -ça roule ...
Une machi ne produit des rondelles métalliques en
grande série. On suppose que la variable aléatoire qui
associe à chaque rondelle prélevée au hasard dans la
production son diamètre extérieur, exprimé en mm, suit
la loi normale de moyenne 111= 22 et d'écart type
()" =0,05.
On considère des échantillons de 100 pièces prélevés
au hasi.trd que l'on assimile à des échantillons non
exhaustifs.
On définit une variable aléatoire X en associant à
chaque échantillon de ce type la moyenne des dia-
mètres des 100 rondelles.
a) Quelle est la loi suivie par X? Quels sont les para-
mètres de celte loi?
b) Calculer, la précision permise par la du
formulaire. la probabilité que la moyenne d'un tel
échantillon soit supérieure à 12,01 mm.
o U Dans la farine ...
Totis rbu/wts approchés st'rOtlt arro"t/i.\' à 10-
2
.
Une machine est chargée de conditionner des paquets
"de farine. On désigne par M la variable aléatoire qui, à
chaque paquet prélevé au hasard dans la production,
associe sa masse exprimée en grammes; M suit une loi
normale d'écart type constant, cr = 30, et dont la
moyenne III peut être modifiée.
Un paquet est refusé si sa masse est inférieure à
955
Afin de diminuer le nombre de paquets refusés on
décide de modifier le réglage de la machine.
1° Quelle doit êt re la valeur de m pour que la probabi-
lité d'accepter un paquet soit égale à 0,99 ?
r Ut machine est réglée de telle sorte que m = 1025.
SOi l X la variable aléatoire qui, à tout échantillon de
20 paquets, associe la moyenne des masses des
20 paquets. On assimile ces échantillons de 20 paquets
à des échanti ll ons aléatoires prélevés avec remise,
a) Quelle est la loi suivie par la variable aléa-
toire X?
b) Déterminer un inter valle cenlré en m tel que la
probabilité que X appartienne à cet intervalle soil
0,95.
[!!] ••• T.wx de cholestérol
On note X la variable aléatoire qui, à tout individu tiré
au hasard dans une population, associe son taux de cho-
lestérol. On suppose que X suit la loi normale de
moyenne m = 188 cglL et d'écart type (J;: 30 cglL.
On suppose que la variable aléatoire X qui, à chaque
échantill on aléatoire et nOn exhaustif de taille fi = 100,
associe la moyenne des taux de cholestérol des indivi-
dus constituant cet échantillon, suit la loi normale
N(m,
v;,
158
TOlu dsultats approchés Uf'Onr arrondis à 10-
2
.
1 °Déterminer le nombre positif It tel que:
P(m -II X:S; 111 + Il) = 0,95.
r Même question en remplaçant 0,95 successivement
par 0.99. puis 0.98. puis 0.90 el enfin 0.5.
3° On pose P'I = P(m - Il X 111 + h). Que
constate- t-on pour l'amplitude 211 de l'intervalle
lm - h, m + li] lorsque la probabilité Ph diminue?
@] H* Contrôle de qualité
Une mat'hine fabrique des disques en grande série.
On suppose que la variable aléatoire X qui, à chaque
disque tiré au hasard. associe son diamètre, exprimé en
millimètres, suit la loi normale.N'(J..L, 0') où J..L = 12,8 et
(T = 2,1.
Soit X la variable alé.ttoire qui, à tout échantillon aléa-
toire non exhaustif de wille 11 = 49, associe la moyenne
des diamètres des disques de cet échant ill on.
--t'>n suppose que X suit la loi normale .H'(J..L • ...!!...-).
y;,
1° Déterminer, à 10-
2
près, un centré en 12,8
tel que la variable aléatoire X prenne une valeur dans
cet intervalle avec la probabilité 0,95.
r On se propose de prélever un échantillon aléatoire
non exhaustif de taille Il. Déterminer Il pour que la
moyenne des diamètres des disques prélevés ne
s'éCurie pas de 12,8 mm de plus de 0.2 mm avec une
probabililé de 0.95.
Exemples de distribution
d'échantillonnage d'un pourcentage
§] *** Problème électoral
Un candidat A a obtenu 55 % des suffrages exprimés à
une élection.
Soit F la vari able aléatoire qui, à tout échantill on de
taille II = 100 prélevé au hasard et' avec remise dans
l'ensemble des suffrages exprimés, associe le pourcen-
tage de voix obtenu par le candidat A dans cet échan-
ti llon. On suppose que F sui t la loi normale
X(P. V
P
( l " P)). où P = 0.55.
1° Quelle est la probabilité, à 10-
3
près, d'avoir, dans
un échantillon aJéatoire non exhaustif de taille" = 100
prélevé parmi les suffrages exprimés, str ictement
moins de 50 % de voix pour le candidat A?
2° Reprendre la question précédente avec II = 2000.
Chap. 4 : Échantillonnage
** Problème électoral (bis)
Un candidat B a obtenu 49 % des suffrages exprimés à
une élection.
On définit une variable aléatoire F comme dans l'exer-
cice 12 et on suppose que F suit la loi normale
(
p(I - Pl) ,
.N' p, --,,- ,ou p = 0,49.
1° Quelle est la probabilité, à 10-
3
près, d'avoir, dans
un ét'hant illon aléatoire non exhaustif de taille" = 1 00
prélevé parmi les suffrages exprimés, strictement plus
de 50 % de voix pour le candidat B?
2° Reprendre la question précédente avec" = 2 000.
*** Les caisses de l'h}permarché
Un hypermarché utilise 25 caisses enregistreuses de
même modèle.
Le fournisseur de ces caisses prétend que 90 % des
caisses de ce type n'ont aucune déraillance au cours des
900 premières heures de fonctionnement. On suppose
que cene assertion est vraie.
On suppose également que la variable aléatoire F qui,
à tout éch:.tntill on aléatoire et non exhaustif de
25 caisses de ce modèle, associe le pourcentage de
caisses défectueuses de cet échantillon, suit une loi nor-
mule.
Tous les riSI/l'ars approchts ,\'UOIlf arroI/dis à JO- 3.
1 °Quels sont les paramètres de la loi normale suivie
par F?
2° Quelle est la probabilité d'avoir dans un [el hyper-
marché au plus 16 % de caisses ayant subi une
défaillance pendant les 900 premières heures d'utilisa-
tion '?
3° Déterminer le nombre réel il tel que l'on ait
P(F'" h) = 0.95.
Exercices d'examen
Les exercices suivants, récemment dans des
épreuves de BTS, portent sur plusieurs thèmes abordés
dans ce çhapitre et d<lns les chapitres précédent-!>
,
@)\** Loi normale, loi binomiale, approximation
loi binomiale par une loi de Poisson,
159
échantillonnage
Une muchine fabrique en grande série des pièces de
diumètre 38 mm.
Tous ln résultaIS approchts uronl arroI/dis à J(r
J
.
1 °SOÎt X la variable aléatoire qui , à toute pièce tirée au
hasard dans la production d'une journée, associe son
diamètre exprimé en mm.
Une pièce est défectueuse si son diamètre n'appartient
pas à l' intervalle [37, 39].
On admet que X sui t la loi normale de moyenne 111 = 38
et d'écart type ('J = 0,49.
Déterminer la probabilité que X prenne une valeur dans
l'intervalle [37, 39].
r On suppose mainte-nant que la probabilité qu' une
pièce tirée au hasard dans la production d'une j ournée
soit défectueuse est p = 0,041.
On effectue un prélèvement de 100 pièces prises au
hasard dans la production. Le tirage peut être assimilé
à un tirage avec remise. On désigne par Y la variable
aléatoire qui associe, à tout prélèvement de ce type, le
nombre de pièces défectueuses de l'échantillon.
a) Quelle est la loi sui vie par Y?
b) En utilisant l'appro;timation de cette loi par
une loi de Poisson, dont on déterminera le para-
mètre À, calculer la probabilité qu'un tel échantillon
contienne plus de 5 pi èces défectueuses.
3° On suppose encore que la vari able aléatoire X défi-
nie au } O suit la loi normale }{(38; 0,49).
On effectue, dans la production d'une journée, des pré-
lèvements d'échantillons de 100 pièces. les tirages pou-
vant être considérés comme faits avec remise.
On appell e X la variable aléatoire qui, à chaque échan-
tillon de ce type, associe le diamètre moyen des pièces
de cet échantillon.
Si la machine est bien réglée:
a) Quelle est la loi suivie par X?
b) Déterminer le réel positif a tel que:
P(38 - a"; X ,,; 38 + a) : 0,95.
Loi normale, échantillonnage
affine
Une machine fabrique des billes d'acier en grande
série.
A. } O Soit X la vari able aléatoire 4lli , à chaque bille
tirée au hasard dans la production d'une semaine·
donnée, associe son diamètre exprimé en centimètres.
On admet que X suit la loi normale de moyenne ", =
3,32 et d'écart type (T = 0,1. Pour être utilisable, une
bille doit avoir un diamètre compris entre 3, 10 cm et
3,50 cm.
Déterminer, à 10-
3
près, la probabilité qu'une bille
prise au hasard dans la production de la semaine soit
utilisable.
2° On prélève, au hasard, au cours de la même semaine
des éc.:hantillons de Il billes (11 entier nature.! non nul ).
On suppose que le tirage peut être considéré comme un
tirage avec remise.
Soi X la variable aléatoire qui, à un tel échantill on,
associe la moyenne des diamètres des différentes billes
constituant cel échantillon. On suppose 4ue J[ suit la
loi normale de moyenne 111 = 3,32 et d' écart type J!...
où a=OI 'If,;
Quelle valeur minimale faut-il donner à 1/ pour que J[
soit dans l' inter valle [3,29 ; 3,35] avec une probabilité
au moins égale à 0,99 ?
B. La moyenne des diamètres des billes produites en
une semaine vari e au cours du temps. La fabrication est
jugée v:.t lable Wnt que cette moyenne reste dans l'inter-
valle [3,25 ; 3,32].
La semai ne numérotée 0 correspond à celle du réglage
initial; des contrôles hebdomadaires effectués lors des
quatre premières se,maines de fonctionnement ont
donné les résultats sui vants:
1 °Dam cetU question, résultats numériques serollt
dOllllts par une \'(l Ieur approchée arroI/die à 10-
3
.
a) Ca1c-uler le coeffi cient de corrélation de la série
statist ique. Peut-on envisager de faire un ajustement
affine?
b) Déter miner une équation de la droite de régres-
sion de III par rapport à s par la méthode des
moindres carrés.
r On admet que l' évolution constatée pendant quatre
semaines se poursuit. Estimer la valeur mai'ti mal e du
te,mps séparant deux réglages successifs.
160
Chapitre
5
Estimation
Ce chapitre propose une initiation à l'utilisation de méthodes statistiques permettant d'es-
timer une moyenne, un écart type ou une fréquence.
Les exemples choisis portent notamment sur le contrôle de la qualité d'une fabrication
industrielle, sur l'interprétation de résultats expérimentaux obtenus en laboratoire ou sur
des enquêtes et des sondages, de plus en plus présents dans notre vie quotidienne.
La théorie de l'estimation a été développée au début du xx
e
siècle par deux mathématiciens,
un anglais, Ronald Fischer (1890-1962) et un irlandais, William Gosset (alias Student)
(1876-1937), dont les travaux avaient pour but l'amélioration de la qualité de la production
de la célèbre brasserie Guinness, où il fit toute sa carrière.
A. NATURE DU PROBLÈME
Cette si lualion est très générale :
elle apparaître comme ici
de la réception d'une commande
avec une longueur. un angle, ... lia
place d'une masse.
Elle peut aussi survenir en cours de
fabri cation, lorsqu'un échantillon
est prélevé pour étudier si le
rfglage d'une machine conti nue l\
être satisfaisant.
Sur la plu pan des calculatrices
récentes l'écart type de l'échan-
till on est nOlé cr". voir les pages
calculatrices 1\ la fin de cel ouvrage.
Chap. 5 : Estimation
Considérons les deux situations suivantes:
Situation 1
Une s'approvisionne en pièces brutes qui, conformément aux
conditions fixées par le fournisseur, doivent avoir une masse moyenne
de 780 grammes.
Au moment où 500 pièces sont réceptionnées. on en prélève au hasard
un échantillon de 36 pièces dont on mesure la masse.
On obtient les résultats suivants:
Ma'l.'iC des
Ntlrnhrt' de pièces
(en gramme .. )
1745.7551 2
1755. 765[ 6
1765. 775[ 10
[775.7851 Il
[785.7951 5
[795,8051 2
À combien peut-on estimer la moyenne et l'écart type des masses pour
la population constituée des 500 pièces à l'aide des résultats obtenus
sur cet échantiJlon ?
Situation 2
Dans un hôpital important, on prélève au hasard un échantillon de 100
personnes parmi la population des malades et on mesure la pression
artérielle diastolique (P.A.O.) de chacune de ces 100 personnes.
163
C'est le problème inverse de
l' Ilonnage,
Voir le pJ.ragraph'e B.
Voir le paragraphe C.
On obtient les résultats suivants:
P.A.D.
Effectif
(en mm de Hg)
[4.6[ 4
[6, S[ 20
[8,101 41
[10, 12[ 23
112,14[ 12
À combien peut-on estimer la proportion de personnes dont la P.A.O,
est strictement inférieure à 8 parmi la population constituée de l'en-
semble des malades de l'hôpital ?
Nature du problème
Dans les deux cas, nous cherchons des informations sur une popu-
lation d'effectif relativement important à partir de l'étude d' un
échantillon de quelques dizaines d' unités: dans la situation 2, il s'agit
d'une proportion et, dans la situation l, d'une moyenne et d'un écart
type.
Ce type de situation se rencontre fréquemment dans le monde industri el
car, le plus souvent, il n'est pas possible d' étudier la population
enti ère : cela prendrait trop de temps, reviendrait trop cher ou serait
aberrant comme, par exemple, dans le cas d'un contrôle de qualité
entraînant la destruction des pièces.
Nous allons apporter à ce problème très important deux types de
réponses: tout d'abord en proposant un nombre comme moyenne, pro-
portion ou écart type de [a population: c'est l'estimation ponctuelle,
séduisante par sa simplicité mais ne donnant pas touj ours un résultat
utili sable de façon sati sfaisante.
Aussi, dans une seconde partie, serons- nous amenés à introduire la
notion d'intervalle de confiance associé à un coefficient de confi ance.
B. ESTIMATION PONCTUELLE
Une estimation est un
nombre (que J' on peut représenter
par un point sur un axe.
1. MOYENNE
Pour l'échantillon étudié dans la situation 1, la moyenne des masses
(en grammes) des 36 pièces est x = 774,7.
En l'absence d'informations suppl émentaires, on décide de prendre
cette valeur comme estimation de la moyenne inconnue m des masses
pour la popul ation constituée des 500 pièces réceptionnées.
m
inconnu
164
lx = 774.71
Échantillon
Population
Dans tout ce chapitre, nous suppo-
sons que les prélèvements sont
effectués :lvec remi se ou pem'enl
être con"idérés comme tels.
D;:tns tout ce chapitre. (m peut rem-
pl acer f r! lJuella par
ou proportÎon.
Ici f = = 0,24 = 24 %.
25
P.A.D. : pres"ion artérielle diasto-
lique.
La vari ance est le carré de l' écart
type.
Cett e propriété est en sec-
ti ons de technicien.s supérieurs.
Chap. 5 : Estimation
D'une manière générale, on choisit la moyenne x d'un él'hantillon pré-
le .. 'é au ha .. ard dans une population comme estimation ponctuelle de la
moyenne inconnue m de celte population.
--;Lrr

'"
,
2. FREQUENCE
Pour l'échantillon étudié dans la siruation2, la fréquence des personnes
dont la P.A.D. est strictement inférieure à 8 est f 11. 0,24.
En l'absence d' informations supplémentaires, on Jg2de de prendre
cette valeur comme estimation, pour la population constituée de l' en-
semble des malades de l'hôpital , de la fréquence inconnue l' de per-
sonnes dont la P.A.O. est strictement inférieure à 8.
l'
1 f 0,
24
1
Inconnu Échantillon
Population: ensemble des malades de l'hôpital
D'une manière générale, on choisit la fréquence f des éléments possé-
dant une certaine propriété dans un échantillon prélevé au ha.sard dans
une population comme estimation ponctuelle de la fréquence inconnue
p des éléments de cene population ayant cette même propriété,


,
3. VARIANCE, ECART TYPE
Par analogie avec les deux paragraphes précédents, nous sommes ten-
tés de choi sir la variance (T,2 d' un échantillon prélevé au hasard comme
estimation ponctuelle de la variance inconnue (T2 d' une population.
Mai s, en procédant ainsi, nous risquons de sous-estimer la variance de
la population, et cela d'autant plus nettr.:ment que l'effectif 11 de
l'échantillon est petit.
Aussi est-on conduit à corriger cette première estimation peu sati sfai-
sante en utili sant le nombre _ '_'_rr, 2.
Il - l
D'une manière générale, on choisit le nombre -'-' - où n est l'ef-
n - 1
fectif de l'échantillon el ",2 la variance d'un échantillon prélevé au
hasard dans une population, comme estimation ponctuelle de la
variance inconnue cr
2
de cette population.
1.

cs: <::Ç

-
.,.
( ,.....-1
165
C. ESTIMATION PAR INTERVALLE
DE CONFIANCE
774.7 g est la moyenne .T de
l"éch:lOlillon c'est l'esti -
mation ponctuelle de II! retenue;w
p:tmgrnphe B. 1.
Pour faciliter la lecture de ce
schéma. nous reprl!senté des
échantillons disjoints alors qu'un
même élément peut appartenir ?t
plusieurs échantillons el même être
lift plusieurs foi:-. dans un même
é(:hantillon (t irage a\'ec remise).
Chap. 5 : Estimation
Dans la situation J, en choisissant un nouvel échantillon de 36 pièces,
on obtiendrait une nouvelle moyenne pour les musses de ces 36 pièces.
De même, dans la situatioll 2, un nouvel échanti llon de 100 personnes
donnerait une nouvelle fréquence de malades possédant la même pro-
priété.
Ainsi, les estin"IUtions ponctuelles proposées ci-dessus de la moyenne
d'une population et d'une fréquence d'éléments de la population
dépendent très directement de l'échantill on prélevé au hasard.
Dans de nombreux cas, l'importance attribuée au hasard dans le choix
des éléments d' un échanti llon, et donc dans le résultat des estimations
ponctuelles du paragraphe précédent est grande. Cela conduit à s' inter-
roger avant d'utili ser ces estimations pour prendre des décisions dont
les conséquences économiques, financières, sociales,_ .. peuvent être
très grandes: refus éventuel d'une livraison, chojx d' une stratégie com-
merciale, fixation d'un minimum de ressources pour l'obtention d'une
aide, ...
Aussi, sans rejeter les informations fournies par l'étude d'un échan-
tillon, est-on amené à chercher un nouveau type d'estimation de la
moyenne d'une population ou d' une fréquence d'éléments d'une popu-
lation, en utilisant le calcul des probabilités, notamment la théorie de
l'échantillonnage, qui permet de • contrôler» l'influence d' un échan-
tillon particulier.
1. MOYENNE
a. Situation 1
Dans la situation J. plutôt que d'estimer 774,7 g la moyenne incon-
nue III des masses des 500 pièces de la population, nous allons décrire
et mettre en œuvre une méthode permettant d'obtenir des intervalles
qui, dans un grand pourcentage de cas choisi à l'avance, par exemple
95 % ou 99 %, contiennent la moyenne inconnue m de la population.
Imaginons, que dans la population des 500 pièces, on prélève au hasard
et avec remi se une succession d'échantillons de même effectif 11 = 36
dont on calcule les moyennes respectives: xI pour le premier échan-
tillon, x2 pour le deuxième et ainsi de suite.
De plus, supposons que J'écart type cr de cetle population est connu et
égal à 12,5 g.
111: inconnu
cr = 12,5
167
Échantillon 1 1 n = 36, XII
Échantill on 21 n = 36, x t 1
Population
La taille d'un échantillon est wn
effectif.
En particulier, on suppose que
11 = 36 est suffi samment gr:md
pour cela.
l
,' cr 12,5 ') 08
" y;; v'36 = -, .

- 1
11(1)
Fig. 1
Fig. 2
On choisit en général une « forte ,.
probabilité comme 0,95 ou 0,99.
La variable aléatoire X prend une
valeur dans l'intervalle
[
m - III + 1,96
YII . VII
avec la probabilité 0.95.
Nous ne connai ssons pas les bornes
de l'intervall e ci-dessus, car III est
inconnu.
On multiplie pJ.f - 1 < O.
On lit les inégalités précédentes de
droite à gauche.
cr et 11 sont de. .. l'onstantes.
Nous avons déjà remarqué
4u' après avoir observé. le résultat
d'un lancer de dé, il n' y a plus lieu
de chercher avec quelle probabilité
telle ou telle face sort: une face est
sortie et les autre.') non: c'est une
réalité.
Soit X la variable aléatoire qui à chacun de ces échantillons de taille 36
associe la moyenne de cet échantillon: X prend successivement les
valeurs XI' x2"
Supposons que les conditions sont réunies pour pouvoir utiliser une
conséquence du théorème de la limite centrée et faire l'approximation
suivante:
La variable aléatoire X suit la loi normale .N'(m, J,J c'est-à-dire la
variable aléatoire T = VIi (X Ill) suit la loi normale centrée, réduite
(J'
.N'(O, 1),
Donc, comme nous l'avons vu dans le cours sur la loi normale:
pour tout 1 ;;;, 0, P( - 1" T., 1) 2Il(1) - l,
la table des valeurs de II(t) étant donnée dans le formulaire officiel de
mathématiques propre à chaque BTS (voir en fin d'ouvrage),
Par exemple. 2II(I) - 1 0,95 si et seulement si II(t) 0,975 qui ,
nous le lisons sur la table de la loi normale .N'(O, 1), correspond à
1 1,96,
(
VIt - )
Donc P - 1,96 ., Ci(X - III) ., 1 ,96 0,95
P(-1,96J,;" (X -1/1)" 1,96J,;) 0,95 (1)
P (III - 1,96 J,; ., X" III + 1 ,96 J,;) 0,95 (2)
L'égalité (2) signifie que, avant de prélever un échantillon de taille Il
dans population, il y a 95 chances sur 100 pour que la variable aléa-
toire X prenne une valeur comprise entre
111 ] ,96 ... i.: el 111 +....Q......
V'L ,In
Mais, comme le nombre m est inconnu, nous afIons utiliser les résultats
précédents pour encadrer m :
D'après (1), p( - X - 1,96 J,; ., - III .,- X + 0,95,
Donc p(x + 1,96 J,;;;;, 1/1;;;' X - 1,96 J,;) 0,95
p(x - 1,96 J,;" II!" X + 1,96 J,;) 0,95 (3)
Dans l'égalité (3), m est une constante inconnue et la probabilité 0,95
concerne la variable aléatoire X qui permet de définir les variables
aléatoires X - et X + ,
yn Vil
Ainsi, avant de prélever un échantillon de taille Il dans la population,
il y a 95 chances sur 100 pour que, d'une part, la variable aléatoire
X - 1,96 .. prenne une valeur inférieure à ln et, d'autre part, la
V"
variable aléatoire X + 1,96 .. prenne une valeur supérieure à m.
yn
En revanche, après le prélèvement d'un échantillon, il n'y a plus de
probabilités à envisager: il est vrai ou il est faux. que la moyenne nt de
la population est située dans l'intervalle fixe
[x - 1,96 J,; ;X + 1 ,96 J,; l
168
Tous ces intervalles ont la même
amplitude:
2 x 1,96 . ~ = 8,17.
v"
Leurs centre," respectifs sont les
moyennes x des échantillons.
Voir la fin du TPl du chapitre 4.
Vu la symétrie de la loi normale,
les autres échantillons sont répartis
entre deu)!: groupes de même
importance: environ 2,5 % ent ière-
ment « à gauche » de!" et de même
.. à droite » de m.
Voir le paragraphe a. ci-dessus.
En réalité, cette loi normal e n' est
qu'une approximation de la loi
sui vie par X.
Lorsque 11 est oK grand » , par
exemple /1 ;:;... 30, il s'agit en géné-
rai d'une « bonne" approximation.
Chap. 5 : Estimation
Dans le cas de l'échantillon prélevé dans la situation 2, on a :
[x - 1,96,:1n;x + 1,96,:1n 1 = [770,61; 778,79}
Cet intervalle est appelé intervalle de confiance de la moyenne de la
population avec le coefficient de confiance 95 % (ou avec le
risque 5 %).
Remarques
1. Cet intervalle de confiance de la moyenne 111_ de la population a pour
centre la moyenne x de l'échantillon qui sert à le définir.
2. Avec d'autres échantillons de même effectif, on obtiendrait de nou-
veaux intervalles de confiance de cette moyenne avec le même coeffi-
cient de confiance; en voici, par exemple, quelques-uns :





1
Si on prélevait un très grand nombre de tel s échantillons (on peut simu-
ler de tels prélèvements avec une calculatrice ou un ordinateur), envi-
ron 95 pour 100 d'entre eux contiendraient la moyenne inconnue 111 de
la population. En fait, on n'en prélève qu'un seul et on ne peut pas
savoir si celui-ci contient ou non le nombre m, mais la méthode mise
en œu\'re permet d'obtenir un intervalle contenant ni dans 95 cas
sur 100.
b. Cas général
À l'aide d'un échantillon. nous allons définir un intervalle de confiance
de la moyenne de la population avec un coefficient de confiance choisi
à l'avance en suivant la démarche détaillée pour la situation J.
Hl: inconnu
Échantillon 1", xl
(J' : connu
Population
Nous nOLIS plaçons dans le cas où l'on peut considérer que la variable
aléatoire X, qui à tout échantillon aléatorre de taille 11 fixée associe la
moyenne de cet échantillon, suit la loi normale .N(m, -.O" r=) : c'est une
conséquence du théorème de la limite centrée. V n
Alors T = v:: (Ji - m) suit la loi normale centrée, réduite X(O, 1).
169
Dans la situation l, nous avons vu
que le coefficient de confiance 0,95
correspond à t = 1.96.
Voir le formulaire de mathéma-
liques propre à chaque groupement
de BTS.
Voir le paragraphe a. ci-dessus.
Risque 5 IJ- .
Risque 1 lA- .
Voir TP 1.
\\
i\.
?
Dans le cas d'un .. pclÏl ,. échan-
tillon. on peUl. sous certaines hypo-
thèses. obtenir un intervalle de
confiance en une loi de
Studen!. mai s ceci n'est pas au pro-
grJmme de mathématiques des sec-
de technicien,,; supérieurs.
Des problèmes d'indépendance de
variables aléatoires se posent alors
poUf I"ulilismion du théorème de la
limite centrée.
Voir la remarque sur le lancer de dé
figurant en marge de la fin du para-
gmphe C.la.
95 cas sur 100 dans la situation
élUdiée au paragraphe C. I .a.
Un coefficient de confiance choisi à l'avance permet de définir un
nombre positif lIel que P( -1';; T.;; 1) 2IT(I) - 1 soit égal à ce coef-
ficient de confiance.
Par exemple, 2IT(I) - 1 0,99 si, et seulement si, IT(I) 0,995 qui ,
on le lit sur une table de la loi .N'CO, 1), correspond à 1 2,58.
Nous pouvons alors reprendre tous les calculs effectués dans la situa-
lioll 1 en remplaçant 1,96 par le nombre 1 tel que le coefficient de
confiance soit égal à 2ll(t) - 1 ; le même raisonnement conduit à poser
la définition suivante:
L'intervalle [x - l!f;; x + t J,] est l'intervalle de confiance de la
moyenne m de la population le coetli(;ient de confiam.:e 2n(t) - l,
ayant pour centre la moyenne x de considéré.
\
Cas particuliers usuels
.i
Coefficient de confiance 95 %
)0
1 1,96.
.,
Coefficient de confiance 99 % 1
)0
1 2,58.
If étant fixé, lorsque le coeffident de confiance augmente, J'amplitude
de l'intervalle de confiance augmente, donc la précision sur la locali-
sation de 111 diminue.
Remarques
1. Pour calculer les extrémités de cet intervalle de confiance, nous
avons besoin de connaître en particulier l'écart type (J de la popula-
tion. Dans certains cas, notamment lorsque l'effectif 11 de l'échantillon
est suffisamment grand, on peut prendre pour valeur de (J' son· estima-
tion ponctuelle définie au paragraphe B. 3.
2. Nous nous sommes placés dans le cas où la variable X a pour écart
CI
type _ C
yll
Dans le cas où Il n'est pas « petit » par rapport à l'effectif N de la popu-
lation et où le tirage des éléments d'un échantillon est sans remise,
- CI 'IR-Il
l'écart type de X est _ Co x --.
yll N - 1
3. Ne pas écrire p(x - t Vn m .f + t Vn) car, dans ces inégalités,
il n'y a que des constantes, ·qui sont ou non rangées dans l'ordre indi-
qué; on n'a donc pas à considérer des probabilités après le prélève-
ment de l'échantillon qui permet de calculer x.
4. En revanche, la méthode mise en œuvre, qui consiste à prélever des
échantillons aléatoires de même taille Il, conduit dans IOO[2IJ(I) - 1]
cas sur 100, pourcentage choisi à l'avance, à un intervalle de confiance
contenant t1I.
170
Voir la fin du paragraphe C. I.a.
0.24 est la fréquence pour l' klllw-
tilloll
P.A.O. : prt ssion artériell e di asto-
lique.
Voi r C. I.a.
Voir au paragraphe C. 1.:1 la
rtmarque situte en marge du
schéma analogue.
Voir le paragraphe du chapi tre 3 sur
la loi binomiale et son approxima-
tion par une loi normale: on sup-
pose en particu lier Il = 100 assez
.. gr.:tnd JI. pour faire cette approxi-
mation.
Voir aussi la méthode utili sée au
TP3.
Un échanti ll on de grande taille
parait assez de la
populati on'.
Chap. 5 : Estimation
Mai s ATTENTION:
• D'une part, on ne peUl pas savoir si la moyenne m de la population
appartient ou non à l'intervalle de <.:ûnfiance associé au seul échantillon
effecti\'ement prélevé .
• D'autre part. si fil appartient à cet intervalle, m n'a pas plus de raison
d'être près du centre x de l'intervalle que près d'une de ses extrémités
ou en tuut autre endroit de l'intervalle.
2. FRÉQUENCE
a. Situation 2
Dans la situation 2. nous avions estimé ponctuell ement à 0,24 la fré-
quence inconnue p des personnes dont la P.A. O. est strictement infé-
rieure à 8 parmi l'ensembl e des malades de J'hôpital (voir B.2.).
Allons maintenant plus loin grâce à une méthode d' estimation ana-
logue à celle qui , dans la sifltati oll J, nous a permi s d' introduire la
noti on d'intervalle de confiance d'une moyenne.
Imaginons que, dans la population constituée de J'ensemble des
malades de l'hôpital , on prélève au hasard et avec remise une succes-
sion d'échantill ons de même effectif Il = 100, dont on mesure la fré-
quence des personnes ayant une P.A. O. stri ctement inférieure à 8 : /1
pour le premier échantillon, 1
2
pour le deuxième et ainsi de suite.
p : inconnu
Échantillon 1 1 n = 100, /1 1
Échantill on 2 1" = 100, /21
Population
Soit F la variable aléatoire qui, à chacun de ces échantill ons de tai ll e
100, associe la fréquence des personnes de cet échantillon dnnt la
P.A.O. est stri ctement inférieure à 8 : F prend successivement les
valeurs f i' f
2
,··· Nous supposons que la variable aléatoire F ainsi défi -
nie peut êtreconsidérée comme sui vant la loi normale
X(p, y P))
En effectuant des calculs analogues à ceux détaill és au paragraphe
C.I.a à propos de la moyenne, on obli ent à la place de l'égalité (3) :
P(F - 1 96YP(J P).;;p';;F+ 196yP( 1 P))=09S.
, If ' Il '
Mai s ici la constante inconnue p t1gure aussi dans V p( 1. p), écart
Il
type de F, qui intervient dans l'encadrement de p.
On peut surmonter cette difficulté en considérant n = 100 suffi sam-
ment grand pour pouvoir remplacer dans J'ex.pression V 1'(1
11
p) l'i n-
connue p par son estimation ponctuelle / (voir B. 2).
171
L'erreur commi...e en gardant Il est
négligeable car, pour Il = 100,
1 ~ = 1,005 et nous avons déjà
VII - 1
fait une approximation sur la loi
suivie par la variable aléatoire F.
Une telle étude ne figure pas au
programme de malhématiques de);
sections de techniciens supéri eurs.
Voir la fin du TP 2 du chapitre 4.
Tous ces intervalles onl des ampli-
tudes très voisines:
2 x 1.96 ,INI - f ,) ;
V 11 1
"f'-',o:.(1_---:f:-", )
2 x l.96\r
"
Un « bon :. intervalle contient p.
Voir le p.lragraphe a. ci-dessus et
aussi le paragraphe C. 1.b.
En rtalilé. cett e loi normale n'est
qu'une approxjmation de la loi
sui vie par F.
D' . , 1 pO - p) ' t t d . 1 .
autre part, pUIsque V 11 est un ecar ype, on Olt mu tl-
plier par V Il 1 l'estimation ponctuell e ' (fO=Tl (voir H, 3,), et
11 - V -----;;--
on obtient' 1 fO - f)
V n - 1
Pour l'échantillon prélevé dans la situation 2, l'intervall e
[f -1,96 Y f;: = i) ; f + 1 ,96Y f;; = i) 1 ~ [0, 156;0,324]
avec f = 0,24 est un intervalle de confiance de la fréquence p de la
population avec le coemdent de confiance 95 % (ou avec le risque
5 %),
Remarques
1. Cet intervalle de confiance de la fréquence p de la population a pour
centre la fréquence f de l'échantillon qui sert à la définir.
On peut aussi définir un autre intervalle de confi ance de p avec le
même coefficient de confi ance à l'aide d'abaques constitués d'arcs
d'ellipses: son centre n' est plus la fréquence f de l' échantillon utili sé.
2. Avec d'autres échantillons de même effectif. on obtiendrait de nou-
veaux intervalles de confiance de cette fréquence p avec le même coef-
ficient de confi ance; en voici, par exemple, quelques-uns:
J.
J,
~
J3
~
J,
~
J,
~
Si on prélevait un très grand nombre de tels échantillons (on peut simu-
ler de tels prélèvements sur calculatrice ou ordinateur), environ 95 pour
100 d'entre eux contiendraient la fréquence inconnue p de la popula-
tion.
En fait, on n'en prélève qu'un seul et on ne peut savoir si celui -c i
conti ent ou non le nombre p, mais la méthode mise en œuvre permet
d'obtenir un intervalle contenant p dans 95 cas sur 100.
b. Cas général
À l'aide d'un échantill on, nous all ons définir, avec un coefficient de
confiance choisi à l'avance, un intervalle de confiance de la fréquence
p des éléments de la population possédant une certaine propriété, de la
même façon que dans la situati on 2.
P inconnu Échantillon ~ 1
Population
Nous nous plaçons dans le cas où l' on peut considérer que la variable
F, qui, à tout échantill on aléatoire non exhaustif de taille /1 fixée
172
On peut remplacer par
ou proportiml. La
table de la fonction n de 13 loi nor·
male centree rédui te .N'(O, 1) figure
dans le formulaire de mathéma·
tiques propre à chaque groupement
de BTS (voir en fin d'ouvrage).
Nous avons rencontré une !.ituati on
analogue pour la moyenne au para-
graphe 1.b.
Voir une remarque unalogue pour
les moyennes il la fin LIu p:lra-
graphe Lb.
Chap. 5 : Estimation
associe la fréquence des éléments de cet échantillon possédant la
propriété considérée, suit la loi normale y p(l,; P»).
En reprenant le raisonnement concernant la situation 2, on est conduit
à poser la définiti on suivante:
L
,· Il [1 yI(I -Il 1 yIfI -Il] l'· Il ct
mter\':.t e - t ; + t est mter\'3 e e
n-1 11-1
l.'onfianl.:e d'une fn!quenCt! p de la population avel.: le coefficient de
contianœ 2n(t) - 1, ayant pour centre la fréquem.:e f de l'éch"lIltillon
I.:onsidéré.
Cas particuliers usuels
• Coefficient de confiance 95 %
• Coefficient de confiance 99 %
J
t = 1,96.
f
- f-----.:r---+--... t = 2,58.
Il étant fixé, lorsque le coefficient de confiance augmente, l' amplitude
ùe l'intervalle de confiance augmente, donc la précision sur la locali-
sation de p diminue,
Remarques
1. Dans le cas où Il n'est pas « petit » par rapport à l'effectif N de la
population et où le tirage des éléments d'un échantillon est sans
yPO-P)
remi se. l'écart type de F est Il x V .
2. Ne pas écrire P(I - tyf( 1 - f),,;; p ,,;; 1 + tyf(l -f)), car dans
Il - 1 n - J
ces inégalités il n'y a que des constantes.
• ATTENTION aux idées fausses sur une éventuelle localisation de P
dans un intervalle de confiance : reprendre la dernière remarque du
paragraphe l.b. en remplaçant « moyenne 111 » par « fréquence p » et x
pOl" f.
173
TRAVAUX PRATIQUES
.
EXEMPLES D'ESTIMATION
D'UNE MOYENNE
PAR UN INTERVAllE
DE CONFIANCE
rA TP 1
Variation du coefficient
Dans {jlU .HIlI, tous
JO-'.
de confiance
ri.w/tats seroll1 arro"dis à
Les ampoules électriques d'un certain modèle ont une
durée de vie exprimée en heures, dont la distribution est
normale d'écart type cr = 200 heures. Avec cette hypo-
thèse, on se propose d'estimer la moyenne m de la
durée de vie des ampoules de la production à partir
d'un échantillon de 36 ampoules dont la moyenne des
durées de vie est égale à 3000 heures.
On assimile cet échantillon à un échantillon prélevé au
hasard et avec parmi la production.
On rappelle que la variable aléatoire X qui, à tout
échantillon d'effectif Il = 36 ampoules du modèle
considéré, prélevé au hasard et avec remise, associe la
moyenne de leurs durées de vie, suit la loi normale

1° Déterminer une estimation de 111 par un intervalle de
confiance avec le coefficient de confiance 95 %.
r Même question avec le coefficient de confiance
90 %, puis avec le coefficient de confiance 99 %.
3° Qu'observe-t-on sur les intervalles de confiance de
la moyenne 111 de la population obtenus à partir d'un
même échantillon lorsque le coefficient de confiar.ce
varie?
4° Peut-on situer exactement la posit.ion de la moyenne
ni par rappprt à l'intervalle obtenu à la question 1°?
Ce TP illuslre un phénomène essentiel en stalistique infé-
rentielle : ce que l'on gagne d'un côté (augmentation du
coeffkient de confiance, c'esh1-dire meilleure fiabilité de
l'information obtenue) est perdu d'un autre côté (diminu-
tion de la précision sur Il. local isation de m ainsi obtenue).
La seule façon pour tenter de • gagner sur les deux
tableaux est d'augmenter l'effectif de l'échantillon, ce
qui n'eSI pas toujours possible ni pertinent.
TP2
Recherche de l'effectif
d'un échantillon
Sur une portion de route où la vitesse des véhicules est
limitée à 90 km/h, on effectue un contrôle des vitesses
avec un instrument de mesure de grande précision.
On mesure la vitesse (en kmlh) d'un véhicule sur vingt
et on obtient les résultats suivants pour un échantillon
de 100 véhicules que l'on assimile à un échantillon
obtenu par prélèvement aléatoire avec remÎse :
Vitcue (en kmlh) Effectif
[75,80[ 5
[80,85[ JO
[85.90[ 20
[90,95[ 36
[95. IOO[ 15
[100. 105[ 8
[105, 11O[ 6
1 ° En supposant que les valeurs observées sont celles
du centre de la classe, calculer 10 - 2 près, la moyenne
x et l'écart type s des vitesses pour cet échantillon en
admettant que, dans chaque classe, tous les éléments
sont au centre.
r À partir des résultats obtenus pour cet échantillon,
proposer une estimation ponctuelle de la moyenne iJ. et
de l'écart type CI des vitesses des 2000 véhicules de la
population observée.
3° On suppose que la variable aléatoire X qui, il tout
échantillon de taille 11 = 100 obtenu comme précédem-
ment, associe la moyenne des vitesses de l'échantillon
suit la loi normale .N( IJ., Vn}
On prend pour valeur de CI l 'estimation ponctuelle
obtenue au r. Déterminer un intervalle de confiance
de la vitesse moyenne IJ. de la population avec le coef-
ficient de confiance 99 %.
4° Quelle doit être la taille minimale 11 de l'échantillon
pour connaître, avec le coefficient de confiance 95 %,
la vitesse moyenne de la population à 0,5 km/h près?
[74

EXEMPLE D'ESTIMATION
D'UN POURCENTAGE
PAR UN INTERVAllE
DE CONFIANCE
TP 3
Majoration de l'écart type
de la variable aléatoire F
Un constructeur a mis au point un nouveau véhicule
ulilitaire.
Une enquête auprès d'un échantillon de 500 entreprises
supposées représentatives des entreprises constituant Je
marché potentiel a permis, d'une part, de fixer le prix de
vente de ce vé.hicule 20000 euros, ce qui permet de
s'approcher du bénéfice théorique maximal et, d'autre
part, de constater que 68 % des entreprises de l'échun·
tillon étaient disposées à acheter le véhicule à ce prix.
On assimile cet échantillon à un échantillon prélevé au
hasard et avec remise dans la population des entreprises
constituant Je marché potentiel de ce véhicule.
Soil p le pourcentage des entreprises du marché poten-
tiel, supposé très vaste, disposées à acheter le véhicule
à ce prix.
On suppose que la variable aléatoire F qui, à tout
échantillon de taille 11 = 500 prélevé au hasard et avec
remi se dans ce marché potentiel, associe le pourcen-
tage des entreprises de cet échantillon di sposées à ache-
ter le véhicule il. ce prix, suit la loi normale
X(p, V p(1 ;: P»)
1° Quelle est l'estimation ponctuelle f du pourcentage
p fournie par cet échanti llon?
r Déterminer une estimation de p par un intervalle de
confiance centré en f avec le coefficient de confiance
95 %.
3° a) Démontrer que, pour tout élément p de l'inter-
valle [0, IJ. on a V 1'( 1 l') '" h·
(On pourra d'abord étudier la fonction qui à tout élé-
mentpde [0, IJ associep(1 - p).)
b) En déduire que J'écart type de la variable aléa-
toire F est inférieur ou égal à r.
2v"
c} Application
Comparer l' intervalle [f - 1:;, f + 1:9;] 11 j'in-
2vIl 2v1I
tervalle de confianœ de p obtenu au 2°.
4° Reprendre les questions 1°, r et 3°c) dans le cas où
le pourcentage des entreprises de l'échantillon dispo-
sées il. acheter le véhicule 20000 euros est de 52 %.
Ch.p. 5 : Estimation
EXEMPLE D'ESTIMATION
D'UNE FRÉQUENCE PAR UN
INTERVALLE DE CONFIANCE À
l'AIDE D'UNE LOI BINOMIALE
Aucune connaissance sur ce TP n'est exigible
dans le cadre du programme de mathéma-
tiques.
TP4
Cas d'un petit échantillon
1. Nature du problème
On une production dont la fréquence p d'élé-
ments défectueux est inconnue.
On prélève dans cette production un petit échantillon
de taille Il et on observe la fréquence d'éléments défec-
tueux de cet échantillon qui peut être considéré comme
prélevé au hasard et avec remise; la taille et la fré-
quence étudiées pour cet échantillon sont connues.
On cherche à estimer p par un intervalle de confiance
avec un coefficient de confiance donné, alors que la
taille Il de J'échantillon est trop petite pour pouvoir pro-
céder comme dans le paragraphe C. 2. de ce chapitre:
en effet, ici n est trop petit pour pouvoir approximer par
une loi normale la loi suivie par la v .. tri'lble aléatoire F
qui, tout échantillon de taille 11 prélevé au et
avec remise, associe la fréquence de ses élément s
défectueux.
Il. Étude détaillée d'un cas particulier
A. Donnùs 1IIU1liriques
Dans un échantillon de taille II = 10, on observe que 2
éléments sont défectueux; ainsi la fréquence d'élé-
ments défectueux de J'échantillon est 0,2.
175
Cherchons, l'aide de la fréquence 0,2 de cet échan-
tillon, à estimer la fréquence inconnue p de la popula-
tion par un intervalle de confiance avec le coefficient
de confiance 95 %.
B. Approche illfuiti\'e la méthode
1° Imaginons d'abord que nous connaissions la valeur
de p et que nous prélevions, au hasard el avec remise,
un très grand nombre d'échantillons de taille 11 = 10.
Vous pouvez alors observer, en réali sant de tels prélè-
vements d'échantillons, ou en les simulant l'aide
d'une calculatrice ou d'un ordinateur, que la plupart
des échantillons ont une fréquence f « assez voisine ,..
de p et que seuls quelques-uns ont une fréquence f
« sensiblement éloignée '" de p.
Vous pouvez en particulier observer que si la fréquence
p est te grande» (par exemple de l'ordre de 0,9), alors
très peu d'échantillons ont une fréquence f inférieure
ou égale à 0,2.
o 0,2
!
p
De même, si p est te très petit » (par exemple de l'ordre
de 0,(05), alors très peu d'échantillons ont une fré-
quence f supérieure ou égale à 0,2,
o
Il
p
0,2
1
Pour se convaincre de ce résultat, bien que l'intervalle
[0,2; 1] paraisse important pour une fréquence qui a
priori est comprise entre a et l, il suffit de remarquer
que P = 0,005 est obtenu, par exemple, dans une pro-
duction de 1 000 éléments dont seulement 5 sont défec-
tueux, alors, pour obtenir f 0,2, l'échantillon doit
comporter 2 des 5 éléments défectueux, ou 3, ou 4, ou
5, ce qui est de plus en plus exceptionnel.
r En réalité P est inconnu et la fréquence du seul
échantillon prélevé est 0,2,
À partir de la fréquence de cet échantillon, nous allons
déterminer les extrémités Pl et P2 de l'intervalle de
confiance [Pl' P2] avec le coefficient de confiance
95 %, c'est-à-dire avec le risque 5 %, de la façon sui-
vante qui s'appuie sur les observations du paragraphe 1
où le risque 5 % est partagé en deux parts égales, à
gauche de Pl et à droite de P2'
0,2
1
a) Pl est le plus grand nombre p de l'intervalle [0, 1]
vérifiant la condition suivante: si on prélève un très
grand nombre d'échantillons de taille 10, au hasard
et avec remise, dans la production où la fréquence
d'éléments défectueux estp, alors moins de 2,5 % de
ces échanti llons a une fréquence f d'éléments défec-
tueux supérieure ou égale à 0,2,
0,2
1
Valeurs de p telles que f 0,2
dans moins de 2,5% des cas
b) P2 est le plus petit nombre p de l'intervalle [0, 1]
vérifiant la condition suivante: si on prélève un très
grand nombre d'échanrîllons de taille 10, au hasard
et avec remise, dans la production où la fréquence
d'éléments défectueux estp, alors moins de 2,5 % de
ces échantillons a une fréquence f défec-
tueux inférieure ou égale à 0,2,
a 0,2 P2
1 1 1
t
Valeurs de p telles que f ,.,;:; 0,2
dans moins de 2,5% de. .. cas
Comme dans le cas des grands échantillons, l'inter-
valle de confiance p d'une population avec le coeffi-
cient de confiance 95 %, c'est-à-dire avec le risque
5 %. est obtenu en retirant de l'intervalle [0, 1] deux
parties « trop éloignées » de la fréquence obtenue
pour le seul échantillon prélevé: l'une est te proche »
de 0, l'autre te proche» de l, chacune correspond à
un risque limité à 2,5 %,
0,2
1
t
P,
J
Intervalle de confiance dc p
a .. ec le coemcient de confiance 95'*.>
C. Miu œuvre de la
1
0
Loi de probabilité de la variable aléatoire F
Soit F la variable aléatoire qui, à tout échantillon de
taille n = la, prélevé au hasard et avec remi se, associe
la fréquence de ses éléments défectueux,
La taille n de l'échantillon est trop petite pour que l'on
puisse utiliser l'approximation de la loi F par une loi
normale.
Cependant F est liée à la variable 5
10
qui à tout échan-
tîllon de taille n = la, prélevé au hasard et avec remise,
associe le nombre de ses éléments défectueux par la
SIO
relation F = 10'
D'après la remarque 1 du paragraphe D du chapitre 4,
nous connaissons la loi de probabilité de F: c'est une
loi discrète liée à la loi binomiale suivie par S 10'
Plus précisément F peut prendre chacune des onze
valeurs Ik
O
' où k est un nombre. entier tel que a k la,
avec la probabilité P(F = Jko) = ctopk (l - p)I<J-k
qui dépend de la fréquence inconnue p.
2° Détermination de Pl
176
a) Calculer, en fonction de la fréquence inconnue p,
la probabilité P(F '" 0,2).
b) Soit f la fonction définie sur l'intervalle La, 1] par
J(P) = P(F '" 0,2).
Déterminer le de variation de la fonction f sur
l'intervalle [0, 1], En déduire qu'il e:\isle un nombre
unique P, tel que J(P) = 0,025.
Donner la valeur approchée de PI arrondie au mil-
lième. Montrer que PI est le plus grand nombre p tel
que P(F '" 0,2) '" 0,025.
Observer que PI vérifie la condition énoncée au
B. ra) dans J'approche statistique de la méthode.
3
0
Détermination de P"'l
a) Calculer, en fonction de la fréquence inconnue p,
la probabilité P(F '" 0,2).
b) Soit g la fonction définie ~ u r l'intervalle CO, 1] par
g(p) = P(F '" 0,2).
Déterminer le sens de varialion de la fonction g sur
l'intervalle [0,1]. En déduire qu' il existe un nombre
unique P2 tel que g(P2) = 0,025.
Donner la valeur approchée de P2 arrondir au millième.
Montrer que P2 est le plus petit nombre P tel que
P(F'" 0,2) '" 0,Q25.
Observe.r que P2 vérifie la condition énoncée au
B.2° b) dans l'approche statistique de la méthode.
4
0
Conclusion
a) Écrire l'intervalle de confiance, avec le coeffi-
cient de confiance 0,95 de la fréquence inconnue
d'éléments défectueux de la production obtenu à
partir de la fréquence 0,2 d'éléments défectueux
dans l'échantillon prélevé de taille 10.
b) Le centre de cet intervalle esr·ill a fréquence 0,2
de l'échanti llon prélevé?
III, Détermination d'un intervalle de confiance
dans de nouveaux cas
A. Tablu
La méthode mise en œuvre ici dans le cas particulier où
la taille n du «-petit » échantillon prélevé est 1 ° et où le
nombre d'éléments défectueux observés dans l'échan-
tillon e ~ t 2, est une méthode générale.
Les tables de R.A. Fisher et F. Yates (Sllllistical tables
for biologicaf, agricultural alld medical œsearch) don-
nent les extrémités de l' intervalle de confiance d'une
fréquence, avec un coefficient de confiance donné,
pour chaque taille de « petit .. échanti ll on, en fonction
du résultat obtenu dans J'échantillon.
Chap. 5 : Estimation
Voici un e:\trait de ces lables dans.le cas d'un coeffi-
cient de confiance égal à 95 %. n est la taille de
l'échantillon et k est le nombre d'apparitions, dans
J'échantillon, du phénomène étudié.
~
4 6 8 10
° °
;0.602
°
;0,459
°
; 0,369
°
; 0.308
1 0.006 ; 0,806 0.001 ; 0,64 t 0,003 ; 0527 0,003 ; 0.445
2 0,068 ; 0,932 O,()U ; 0,777 0,032 ; 0.652 0,025 ; 0,556
3 O.t<).l; 0.994 0,118 ; 0.882 0,OS5 ; 0.755 0.067; 0,6.52
4 0,398; 1 0,223; 0,957 0,157; 0,843 0,122 ; 0.738
5 0.359 ; 0,996 0.245 ; 0,915 0,187; 0,813
6 0.5-11 ; 1 0,348 ; 0.968 0,262 ; 0,878
7 0,473 ; 0,997 0,348; 0.933
8 0,631; 1 0,444 ; 0,975
9 0,555 ; 0,997
10 0,692; 1
B. Utilisation d ~ la table
1
0
Dans un échantill on de taille 8, prélevé au hasard et
avec remise, on observe que le nombre d'éléments
défectueux est égal à 1.
Déterminer, il J'aide de la table, un intervalle de
confiance de la fréquence p d'éléments défectueux
dans la production, avec le coefficient de confiance
95%.
r Dans un échantillon de taille 40, prélevé au hasard et
avec remise, on observe que 5 éléments sont défec-
tueux.
On admet que la taille de l'échantillon est suftisante
pour que la variable aléatoire F suive approximative-
ment une loi normale.
Déterminer, à J'aide de cette approximation, un inter-
valle de confiance de la fréquence p d'éléments défec-
tueux dans la product ion avec le coefficient de
confiance 95 %.
3°Comparer les deux inlervalles de confiance obtenus
avec ces deux échanlilJons de même fréquence d'élé-
ments défectueux et avec le même coefficient de
confiance.
177
1
1 ______ E_XE_R_a_C_B_C_O_R_R_IG_B ______
1
1
1
1
1
1
1
1
1
1
1
DES OBJECTIFS
ponctuellement une muyenne.
un écart type.
Estimer une moyenne par un intervalle
de cOnfiance.
Estimer un poun.:entage par un illien'aile
de confiance. Interpréter le
Délenniner un effectif d'échantillon.
[2] •• On roule pour vous
Numéros
des exercices
1 el4
:! el5
3 el4
Dans Ct! qui :mir les résultats approchés urollr arroll-
disdJO-
2
.
Une entreprise utilise des camions pour transporter sa
production. Elle dispose de 100 camions.
Elle repère sur un échantillon de 30 jours choisis au
hasard le nombre de camion:) en panne. Voici les résul-
tais:
556466835554365647665436545455.
} O Calculer la moyenne x el l'écart type s du nombre de
camions en panne chaque jour pour J'échantillon étu-
dié.
2° À partir des résultats obtenus pour cet échantillon,
proposer une estimation ponctuelle de la moyenne et
de l'écart type 0" du nombre de camions en panne
chaque jour pour la population correspondant jours
ouvrables de l'année.
3° On suppose que la variable X, qui à loul
échantillon de taille 30 prélevé au hasard el avec remise
associe la moyenne du nombre de camions en panne
chaque jour, suit la loi normale X( /J. ,
On prend pour valeur de 0" l'estimation ponctuelle
obtenue au 2°. Déterminer un inter valle de confiance
de la moyenne de la population avec le coefficient de
confiance 95 %.
Sondages électoraux
(exercices 2 et 3)
0***
Un candidat à une élect ion fait effectuer un
dans sa circonscription comportant 85842 électeurs .
sur 1068 personnes interrogées, 550 déclarent vouloir
voter pour ce candidat.
On suppose que cet échantillon peut être ass imilé à un
échantillon prélevé au hasard dans la population des
électeurs de la circonscription. Soit F la variable aléa-
toire, qui, à tout échanti ll on de taille fi = 1068 prélevé
au hasard et avec remise dans cette population, associe
le pourcentage d'électeurs de cet échantillon voulant
voter pour le candidat. On suppose que F suit la loi
normale X(fJ' yP(ln-
P
)), où p est le pourcentage
inconnu des électeurs de la conscription voulant voter
pour le candidat.
1 °Déterminer un intervalle de confiance de p avec le
coefficient de confiance 0,95.
r Au vu du résultat de ce sondage, le candidat a-t- il
raison de penser que si les élections avaient eu lieu au
moment où le sondage a été réalisé et si les réponses au
sondage étaient sincères, il aurait été élu au premier
tour?
0'"
1° Quel est le nombre minimal Il de personnes à inter-
roger par un institut de sondage pour que. avec 52 %
d'intentions de vote pour un candidat A dans cet échan-
tillon de taille Il,l' intervalle de confiance avec le coef-
ficient de confiance 95 % du pourcentage inconnu p
d'électeurs de la circonscription voulant voter pour A
ne comporte que des pourtentages supérieurs à 50 %?
On suppose que cel échantillon peut être assimilé à un
échanti ll on prélevé au hasard dans la population des
100000 électeurs de la circonscription. On admet éga-
lement que la variable aléatoire qui , à tout échantillon
de taille tl prélevé au hasard et avec remise dans cette
population, associe le pourcentage d'électeurs de cet
échantillon voulant voter pour A, suit la loi normale
X(p, V p(l" Pl)
r Reprendre le même exercice avec le coefficient de
confiance 99 %.
Exercices d'examens
o *** Statistique à une variable, estimation
d'une moyenne par intervalle de confiance,
loi binomiale, loi normale
Tollles les valeurs approchüs urolll arrolldies à
10 - 2. us trois JXlrties J,lI, 111 sont indépendantes.
178
Une machine automatique remplit des paquets dont la
masse théorique doit être de 250 g.
Les masses observées pour un échantillon de 100
paquets, prb au hasard à la sortie de la mat'hine, ont
donné les résultats suivant s:
Masse en grammes Nombre de paquets
[215. 225[ 7
1225. 235[ 11
[235.2451 19
[245,2551 26
[255. 265[ 18
[265. 275[ 13
[275. 285[ 6
1° En supposant que, dans chaque classe, tous les
ments sont si rués au centre de la classe, déterminer la
masse moyenne x et l' écart type a' de l'éc.hant illon
ainsi défi ni.
r Proposer une estimat ion ponclUelle de la moyenne m
t de l'écart type s de la population.
3° Déterminer un intervalle de confiance, centré en X,
au risque de 5 %, de la masse moyenne de la
tion.
II. On suppose que la probabilité que la masse d' un
paquet appartienne à l'intervalle {245, 255L est 0,26.
On effectue des contrôles sur des échantillons de 11
paquets prélevés au hasa.rd et avec remi se.
On désigne par X la variable qui , à tout
tillon ainsi défini de II paquet s associe le nombre de
paquets dont la masse est dans J'intervalle [245. 255l.
1° Quelle est la loi suivie par X?
2° On suppose que II = 6.
Déterminer la probabilité d'obtenir dans un tel échan-
tillon exactement 4 paquets dont lu masse est dans l' in-
1ervalle [245. 255[.
3° Déterminer la valeur minimale 110 de Il , entier
te men! positif, pour que la probabilit é d'obtenir au
moins un paquet de masse appartenant à l'intervalle
[245, 255[ soit supérieure lt 0,95.
Ill. Soit Y la variable aléatoire qui, à chaque paquet
prélevé au hasard à la sortie de la machine, associe la
masse de ce paquet, exprimée en grammes; elle suit
une loi normale de moyenne II! et d'écart type g.
] 0 On prend Tf1 = 250 g.
Déterminer la probabilité que la masse d'un paquet pri s
au hasard à la sortie de la machine soit inférieure l\
245 g.
2° Un réglage de la machine permet de faire varier la
valeur de m (l'écart type est inchangé).
Déterminer sur quelle valeur de m, au gramme près,
doit être ré lée la machine g po ur q ue P y .. 245 .. 01.
Chap. 5 : Estimation
o ... Loi normale, loi binomiale, approximation
d'une loi binomiale par une loi de Poisson,
estimation d'un pourcentage par un intervalle
de confiance
ùs trois cet sont
Une centrale d'achat fournit troi s types de poulets à
une chaîne d' hypermarchés:
- des poulets .. biologiques », dits poulets PI ;
- des poulets de Bresse, dits poulets P
2
;
- des poulets élevés en plein dits poulets P
3
;
Une étude de marché a montré qu'un poulet se vend
mal lorsque son poids est inférieur ou égal l\ 1 kilo-
gramme. Avant leur conditionnement et leur mise en
vente en gmnde surface. les poulets sont stockés dans
un entrepôt frigorifique. On s'intéresse au stock de ces
poulets une journée donnée.
A. Étude des Ixm/ets P J
On noteX la variable aléatoire qui, à chaque poulet
levé au hasard dans le stock de poulets PI' associe son
poids en kg. On admet que X suit la loi normale de
moyenne 1,46 et d'écart type 0,30.
Calculer. à lO -2 près, la probabilité de l'événement A :
« un poulet prélevé au hasard dans le stock de poulets
Pla un poids inférieur ou égal l\ 1 kg ».
B. ttllde des poulets P 2
On note B J' événement : « un poulet prélevé au hasard
dans le stock de poulets P
2
a un poids inférieur ou égal
lt 1 kg •.
On suppose que la probabilité de l'événement B est 0,03.
On prélève au hasard 100 poulets dans le stock de
lets P
2
. Le stock est assez important pour que l'on
pui sse assimiler ce prélèvement à un tirage avec remise
de 100 poulets.
On considère la variable aléatoire Yqui, à tout
ment de 100 poulet s ainsi défini , associe le nombre de
poulets ayant un poids inférieur ou égal à 1 kg.
1 °Expliquer pourquoi Y suit une loi binomiale. En
déterminer les paramètres.
r On approche la loi de la va.riable aléatoire Y par la
loi de Poisson de même espérance mathématique.
Donner le paramètre de celle loi.
3° On note Z une variable aléatoire suivant la loi de
Poi sson obtenue au 2°. En utili sant cette loi de Poisson,
calculer, à 10- 2 près, la probabilité de l'événement C:
« parmi J 00 poulets prélevés au hasard dans le stock de
poulets P'!.. il Y a au plus 4 poulets ayant un poids
rieur ou égal à 1 kg :.t .
179
Il
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
r
c. Étude poulets P 3
Dans celte panie, ml cherche il estimu le poun:ellwge
p inCOIITIII de poulel.\' du stock de polliers P 3 donl le
poids t'st inférieur 011 igal () J kg.
On com.idère un échantillon de 100 poulets prélevés:l u
hasard et avec remise dans le stock de poulets P3; on
constale qu'il contient 4 poulets dont le poids est infé-
rieur ou égal à 1 kg.
1
0
Donner une estimation ponclUelie du pourcentage p
de poulets du stock de poulets P3 dont le poids est infé-
rieur ou égal à 1 kg.
r Soit F la variable aléatoire qui, à tout échantillon de
100 poulets prélevés au hasard et avec remi se dans le
stock de poulet P3' associe Je pourcentage de poulets de
cel échantillon donlle poids est inférieur ou égal à 1 kg.
On suppose que F suit la loi normale
1'(1 - Pl)
100 '
où p est le pourcentage inconnu de pou lets du stock de
poulets P3 dont le poids e!,t inférieur ou égal à 1 kg.
a) Déterminer un intervalle de confiance du pour-
centage p avec le coefficient de confiance 95 % ; les
bornes seront arrondies à 10- 3.
b) On considère l'affirmation suivante: te le pour-
centage p est obligatoirement dans l'intervalle de
confiance obtenu à la question a» )t . Cette
tion est-elle vraie '!
EXERCICES NON CORRIGÉS
Estimer ponctuellement un pourcentage
0· Sondages
Un sondage a été effectué dans une entreprise sur un
échanti llon de 80 personnes tirées au hasard parmi les
J 319 salariés. 52 personnes se sont déclarées satisfaites
de la cantine.
1 ° Quelle estimation ponctuelle du pourcentage des
salariés de l'entrepri se satisfai ts de la cantine est four-
nie par cet échantillon? Donner le résulat à 1 % près.
2° Même question avec 65 personnes satisfaites dans
un échanti llon de 95 personnes.
Estimer ponctuellement une moyenne
et un écart type
o . Longueurs de tubes
Un client réceptionne un lot de 500 tubes. On prélève
un échantillon de 36 tubes dans ce lot. On obtient les
résultats suivants:
Longueur de, tuhes
Numbre de tube!l
(enmmJ
1990. 994[ 3
[994,998[ 7
1998, 1002[ 9
li 002,10061 9
li 006.1 OIO[ 8
Tous les résultats approchés SUOIlt arroI/dis à 10- 3.
En supposant que les valeurs observées sont celles du
centre de la c1a!'se, calculer les valeurs approchées de la
moyenne et de l'écart type de l'échantillon des
36 tubes. Donner une estimation ponctuelle de la
moyenne et de l'écart type du lot de 500 tubes.
Estimer une moyenne par intervalle de confiance
o .. Histoire de jetons
Une machine fabrique des jetons circulaires.
On suppose que la variable aléatoire qui , à tout jeton
prélevé au hasard dans la fabrication, associe son dia-
mètre (exprimé en mm) suit une loi normale de
moyenne IJ. et d'écart type CI.
À chaque échantillon E de taille" = 1 00, au
hasard et avec remise, on associe la moyenne des dia-
mètres des jetons de cet échantillon E; cela définit une
nouvelle "ariable aléatoire que l'on notera X. On admet
dans ce qui suit que X sui t une loi normale de moyenne
et d'écart type Jn =
1° Déterminer la loi suivie par la variable aléatoire
(X - ]J.lV;.
2° Un échantillon de taille 100 extrait de la fabrication
fournit une moyenne de 40 et un écart type égal à 1. En
prenant pour écart type de la population cette valeur
CI = l , déterminer pour la moyenne l'intervalle de
confiance à 95 % centré au point d'abscisse 40.
180
3° Même question avec le coefficient de confiance
98 %.
Les bornes seront arrondies à 10-
1
, au 2° et 3°.
[I] .. Papier li dessin
Une usine possède une machine fabriquant du papier à
dessin.
La variable aléatoire X qui, à loute feuille prélevée au
hasard dans la. production d'une journée de la machine,
associe sa masse exprimée en grammes, suit une loi
normale de moyenne J-L et d'écart type a = 2.. On
extrait de la production de la machine un échantillon
aléatoire de 400 feuilles. LI production étant impor-
tante on assimile cet échantillon à un échantillon non
exhaustif.
Donner un intervalle de confiance centré en 239,5 pour
J-L. au risque de 5 %.
Les bornes seront arrondies à 10-
1
.
[!!} ... Dosage de calcium
Dans le cadre d'un contrôle de qualité, un laboratoire
d'analyse médicale veut cOnlrôler la précision d'une
méthode colorimétrique de dosage du calcium sérique.
Ce contrôle, appelé répétabilité, consiste à faire doser
un échantillon, distribué au hasard dans les séries
d'analyse d'une journée, par la même personne et dans
les mêmes conditions.
36 dosages du calcium sérique ont été ainsi e,ffectués.
Ils ont donné des concentrations en calci um allant de
94,5 à 102,5 mg L - 1, réparties de la manière suivante:
Ca (mg L -1)
Nombre
[94,5; 96,5[ 2
[96,5; 97.5[ 5
[97.5; 98.5[ JO
[98.5; 99.5[ 11
[99.5; loo,5[ 5
[100.5 ; 101.5[ 1
[101,5; 102.5[ 2
Dans a qui sui/, tOlU· ln risultars approcllis SUQnt
arrondis cl 10- 1.
1 ° Calculer une valeur approchée de la moyenne X f!t de
l' écart Iype CT de celle di stribution en supposant que,
dans chaque classe. tous les éléments sont au centre.
2° On .!lUppose que la variable aléatoire qui, à tout
échantillon aléatoire de 36 dosages associe la moyenne
des concentrations du calcium de ces dosages, suit la
loi normale .N"( fL ; 0,245).
Dunner un inte,rvalle de confiance à 99 % de [a
moyenne inconnue
3° Peut-on situer exactement la position de la moyenne
par rapport ?t l'intervalle précédent ?
Chap. 5 : Estimation 181
•• - Analyse de laboratoire
Les trente-deux laboratoires d'un échantillon prélevé
au hasard et avec remise parmi la population con1'ltituée
d'un grand nombre de laboratoires ont effectué une
analyse de teneur en eau sur un même lot de tourteaux
de soja. Les résultats obtenus (en %) figurent ci-nprès.
10,95 [1,70 Il ,90 1[ ,59
1[ ,82 12,00 Il,65 [[ ,92
12,29 Il,50 11.22 12,00
1 [ ,50 [[,93 [[,90 11.48
12. 12 [2,00 [[ ,80 Il ,70
11.59 11.80 1[,35 1[ ,7 1
Il ,77 [1 ,74 11,60 Il,90
Il ,65 Il ,8 [ 11,46 Il,59
1
0
Calculer la moyenne III et j'écart type s à 10- 3 près
de celle distribution de trente-deux résultats.
r Soit X la variable aléatoire qui, à chaque laboratoire
de la population tiré au ha!);}rd, associe son résultat pour
celte analyse. On suppose que X suit la loi normale de
moyenne J..I. et d'écart type a; on suppose aussi qu'il y
a indépendance des résultats obtenus par les différents
laboratoires.
a) Donner, à 10-
1
près, une estimation ponctuelle de J..I..
h) Donner, à 10-
1
près, une estimation ponctuelle
de a.
c) Donner un intervalle de confiance ?t 95 % de J-L en
utili sant l'estimation ponctuelle précédente de a .
Les bornes seront arrondies à 10-
2
,
3° Parmi les laboratoires du tableau, quel s sont ceux
dont les résultats n'appartiennent pas à l'intervalle de
confiance à 95 % pour J..I. ?
... Gestion d'un silo à blé
Dans la gestion d'un silo à blé, on s'i ntelToge sur le
stock de sécurité à prévoir pour .ft( être sûr )t à 99 % de
pouvoir satisfaire le client à tout moment.
Pour cela, pendant 60 semaines tirées au hasard sur une
longue période, on observe la consommation hebdo-
madaire de blé (en tonnes) c'est-à-dire là quantité de
blé retirée du silo chaque semaine. On obtient les résul-
tats suivants:
Con'Kmtmation
(en tonnes)
4.6 4,7 4.8 4,9 5 5,1 5.2 5,3
Effectif (nombre

3 2 8 10 12 JI 9 5
1
0
Déterminer la moyenne x et une valeur approchée à
10- 2 près de l'écaruype s de cette série slati stique.
2
Q
Soit X la variable aléatoire qui, à une semai ne tirée
au hasard sur ceUe longue période, associe la consom·
mation de blé (en tonnes) cette semaine-là.
1
On suppose que X suit une loi normale de moyenne ~
et d'écart type Cf.
a) Déduire de la question 1
0
une estimation ponc-
lUelle de f..L et de a. La valeur approchée de usera
arrondie ~ JO-2,
b) Soit X la variable aléatoire qui, à chaque échan-
tillon de 60 semaines tirées au hasard el avec remise
sur la longue période considérée, associe la
moyenne des consommations hebdomadaires de blé
au cours de ces 60 semaines. On sail que X suit la loi
normale de moyenne iJ.. et d'écarl Iype ... ~ et on
suppose que Cf = 0,2. V 60
En utilisant l'échantillon précédent, déterminer une
estimation de la moyenne f..L par un interv'llle de
confiance avec un coefficient de confiance de 95 %.
Les bornes seront arrondies à 10-
1
,
c) On considère les deux affirmations suivantes:
A : (j( la moyenne f..L est obligatoirement entre 4,95 et
5,05 . ;
B : « si on prélève 'lU hasard un deuxième échantillon
de 60 consommations hebdomadaires de blé sur ceue
même longue période, la moyenne de cet échanti llon
n'est pas nécessairement entre 4,95 et 5,05. ,.
Pour chacune de ces deux affirmations, peut·on
déduire de ce qui p r é c ~ d e qu'elle est vraie?
Estimer une moyenne par intervalle de confiance
et déterminer l'effectif d'un échantillon
~ ... Redressage de tôles
Les tôles constituant les ponts d'un paquebot subissent
des déformations lors des opérations d'assemblage par
soudure. Les tôles doivent être redressées; ceUe opéra·
tion nécessite de nombreuses heures de travail.
Lors d'une construction, on relève les durées néces·
saires au redressage d'un échantill on représentatir de
50 tôles. Les :"ésultats obtenus sont résumés dans le
tableau suivant:
Xi
-,
[0, lOI 1
110,201 4
[20.30[ 8
[30.40[ 20
140.501 12
[50.6O[ 3
16O.70[ 2
où x
j
est la durée en heures el"i le nombre de tôles.
D(lns u ql/i sl/it !t's rbu/tats approchés seront arroll·
dis à 10- 2.
1° Calculer la moyenne x et l'écart type s de cet échan·
tillon.
2° À l'occasion d'une nouvelle construction, on
cherche une estimation de la durée moyenne de redres·
sage d'une tôle prélevée dans une population de
1700 tôles.
Soit X la variable aléatoire qui, à chaque tôle à redres·
ser prélevée au hasard dans la population associe la
durée de son redressage. On admet que X suit la loi
normale N(m, a), où m est la durée moyenne (incon·
nue) du redressage par tôle pour la population et CI
l'écart type de la variable aléatoire: on prend pour
valeur de CI l'estimation ponctuelle obtenue à partir de
l'échantillon étudié au 1°.
'1
a) Déterminer un intervalle de confiance contenant ,
avec 95 % de certitude, la moyenne"" en supposant
que la variable aléatoire qui, à tout échantillon de
50 tôles prélevées au hasard et avec remise associe
la durée moyenne du redressage pour une tôle de cet
échantillon, suit la loi normale X(m, .Jn) où 11 = 50.
b) Quelle devrait être la taille de l'échantillon à étu·
dier pour que l'amplitude de l'intervalle de
confiance de la moyenne soit 3 heures avec une pro·
babilité de 0,95?
~ •• * La taille d'enÎanfs
Dans ct! q/li suit, tOIlS les rlsttltots app('(x:hés servlll
arrondis c) 10- 2.
1° Un chercheur désire connaître la taille moyenne des
enfants d'une ville, âgés de 13 à 14 ans. 11 commence
par mesurer la taille de 35 enfants prélevés au hasard et
obtient les résultats suivants :
Tailles (en cm) Eff«tif.
[130.1351 1
1135. 140[ 4
[140,1451 7
[145.150[ 10
[150.155[ 8
1155, 16O[ 3
[160.1651 2
Calculer des approximations de la taille moyenne .t et
de l'écart type a' de cet échantillon en admettant que,
dans chaque classe, la population est au centre.
2° On admet que 1.1 variable aléatoire X, qui à tout
enfant de la ville âgé de 13 à 14 ans associe sa taille,
suit une 10Î normale, de moyenne j-l et d'écart type u.
On suppose que la variable aléatoire X, qui à tout échan-
tillon de 35 enfants prélevés au hasard associe la
[82
moyenne de leurs tailles, suit la loi normale ..N'(jJ., ...
où 11 = 35. V Il
a) À partÎr de J'échantillon élUdié au 1°, déterminer
un intervalle de confiance aveç Je risque 5 % de la
moyenne M. centré en x, en prenant pour valeur de cr
estimation ponctuelle fournie par cet échan·
till on.
b' Le chercheur désirant améli orer sa connaissance
pense .mgmenler la taille de son échanti llon.
À parlir de quel entier "0' un échant illon de taille "0
IJÎ fournira-t-il un intervalle de confiance au seuil
de 5 % d'amplitude inférieure à 1 cm?
Estimer un pourcentage (ou une fréquence) par un
intervalle de confiance
--- Le bon choix
Une étude sur un échantillon de 400 pièces, prélevées
au hasard el avec remise parmi la population constituée
d'un très grand nombre de piè<..'es produites par une
machine, montre que 120 pièces sont de premier choix,
les autres étant de second choix.
Soit F la variable aléatoire qui, à tout échantillon de
taille" = 400 prélevé au hasard et avec remise parmi
la population considérée, associe la proportion de
pièces de premier choix de l'échantillon. On suppose
que F suit la loi normale X(p, yp( 1 11 P)), où p est la
proportion inconnue de pièces de premier choix dans la
populat ion considérée.
Tous lt!s résultats approchés SUOI/t arml/dis à 10- 2.
1° Déterminer une estimation de p par un intervalle de
confiance avec le coefficient de confiance 95 %.
2° Même question avec le coefficient de confiance
92 %, puis avec le coefficient de confiance 99 %.
3° Qu'observe+on sur les intervall es de confiance
d'une proportion p de la population obtenus à partir
d'un même échantill on, lorsque le coefficient de
confiance varie?
... llection présidentielle
Dans un pays voisin, on doit bientôt élire le président
de la république. Afin d'apprécier ses chances, le can-
didat A fait procéder à un sondage un mois avant la
duœ du On tire au hasard 900 personnes dans
l'ensemble de tous les électeurs (compte tenu du
nombre total d'électeurs, le tirage peut être assimilé à
un tirage avec. remise). Sur us 900 pusollnes, 435 onl
diclari l'otu pour II! cal/didat A.
Chap. 5 : Estimation
P Donner une estimation ponctuelle, à 10- 2 près, de
la proportion p d'électeurs favorable au candidat A.
2° On nOie F" la variable aléatoire qui, à tout échan-
tillon de fi électeurs, associe la proportion Pu d'élec-
teurs favorables à A. (On sait que F". suit approximati-
vement une loi normale de moyenne p et d'écart
yp(1 Pl)
type Il'
On considère alors le sondage précédent (fi = 900 et
435 personnes sur 900 sont favorables à A). Donner
une estimation de p par un intervalle de confiance avec
le coefficient de confiance 95 %, Les bornes de cet
intervalle seront données à 10- 2 près.
On sait que, dans ce cas, on commet une erreur fa ible
en remplaçant, dans l'écart type,
...; 1'(1 l') par "';1',,(1 l',,).
3° Un organe de presse désire publier le résull:lt du son-
dage. Au vu des résultats précédents. la diffusion de
l'intervalle de confiance peut-ell e intéresser les lec-
teurs? Pourquoi?
.. Dosage et qualité
On a contrôlé le dosage d'un produit dans un mélange
à la sortie d'une chaîne de conditionnement. Pour un
échantillon de 100 lots (tirés au hasard et avec remise)
de 5 kilogrammes de mélange analysés, on a obtenu les
résultats suivants où Pj représente la masse du produit
exprimée en grammes et "; l' effectif correspondant;
Pi
",
[ 141,1431 1
1143.145[ 5
1145,1471 6
(147.149[ 21
[149.151( 32
[ 151. 1531 22
[153.155[ 7
[155, 157[ 4
(157. 159[ 1
[159.1611 1
Un lot de 5 kilogrammes de mélange est dit de « qua-
lité supérieure)t s' il contient entre 147 grammes et 155
grammes de produit.
Tous ,.bultats approchb arrvlldis à 10- 2.
} O Déterminer pour cet échantill on de taille fi = 100 le
pourcentage f de lots de qualité supérieure.
2° Soit F la vari able aléatoire qui, à tout échantillon de
taille 11 = 100 prélevé au hasard et avec remise parmi
l'ensemble des lors sortant de la chaîne de condition-
nement, associe le pourcentage de lots de qualité
183
supérieure de l'échantillon. On suppose que F suit la loi
normale X(p, yP(1 n- P)), où p est le pourcentage
inconnu de lots de qualité extra dans l' ensemble des
lots sor tant de la chaîne de conditi onnement.
Déterminer une est imation de p par un intervalle de
confiance centré en J, avec le coefficient de confiance
98%.
Estimer un pourcentage par un intervalle de
confiance
Déterminer l'effectif d'un échantillon
[!!] .. .., 11 Y a photos
Un opticien vend beaucoup d'appareils photogra-
phiques.
L'opticien s' intéresse aux appareils autofocus avec
zoom. Il veut estimer par un intervalle de confiance le
pourcentage p d'acheteurs d'appareils autofocus avec
zoom dans sa clientèle.
D0I1S ce qui suit, tous tel' rlmltars approchls SUQnt
arrondis à 10- 3.
] 0 Dans un échantillon de 100 clients, 60 achètent un
tel appareil.
a) Donner l'estimation ponctuell e de p fournie par
cet éçhantillon.
b) Donner, une estimation de p par intervalle de
confiance avec le coefficient de (.'onfiance 95 %.
r Déterminer la taille Il, Il étant supérieur à 30. d'un
échanti ll on de clients pour qu'un intervalle de
confiance de p, centré sur l'estimation ponctuelle trou-
vée précéde.mment, soit [0,557; 0,643] avec le coeffi-
cient de confiance 99 %.
[!!] ... Tour opéralor
Une agence de voyages propose, dans un de ses l: ir-
cuits, la visite d'une exposition sous forme d'option
supplémentaire.
En prélevant au hasard 60 fiches de clients parmi les
2379 clients de la période considérée, on observe que
seulement 14 fiches compor tent celte option.
Soit F la variable aléatoire qui. à tout échantillon de
taille If = 60 prélevé au hasard parmi les 2379 clients,
associe le pourcentage des clients de l'échantillon
ayant pris cette option. On suppose que F suit la loi
normale X(p, V p(1 Il P)). où p est le pourcentage
inconnu des 2379 clients ayant pri s l' option.
184
Dans a qui ,H/ ;t tous ll's rlsultats approchls seront
arrondis à 10- 3.
1° Déterminer une estimation de p par un intervalle de
confiance avec le coefficient de confiance 95 %.
2° Pour toute taille fi de " échantillon, on prend J = ~ ~
comme estimat ion ponctuelle de p.
Avec quel effectif minimal n obtient-on, avec le coeffi-
cient de confiance 95 %, une estimation de p par un
intervalle de confi ance ne comportant que des pour-
centages inférieurs à 25 % '?
Comparer celle valeur de Il à l'effectif total de la popu-
lation.
Exercices d'examen
I
les exercices sUÎ"ants, proposés œcemment dans des
épreuves d'examen, portent sur plusieurs thèmes abordés
de ce chapitre et des chapilres précédents.
t
~ •• .., Loi binomiale, loi normale, estimation
d'une moyenne par intervalle de confiance
US parties A el B sont inl/épendanres. us rlslIltats
numhiques seront arrondis li 10- 3.
Dans une entreprise spéci.ùisée dans la fabrication de
tables et de salons de jardin en bois, pl usieurs études
sont faites pour étudier la rentabilité.
Partie A
La fabrication d'une table nécessite 12 planches.
La probabilité qu'une planche présente un nœud dans
le bois, ce qui fragilise la table, est 0,04.
On note X la variable aléatoire qui , à toul lot de
12 planches prélevées au hasard avec remise associe le
nombre de planches fragiles de ce lot. Chacun de ces
lots sert à fabriquer une table.
Une table est mise à la vente au tarif normal si elle pos-
sède au plus une planche fragi le. Elle n'est pas mise en
vente si elle possède plus de trois planches fragiles.
Elle est vendue en promotion dans les autres cas.
1 °Donner, en justifiant, la loi probabilité de X. Préci ser
ses paramètre!).
r Calculer la probabilité qu'une tabl e soit vendue au
tarif normal.
3° Calculer la probabilité qu'une table soit vendue en
promotion.
Partie B
Les planches utili sées pour la fabrication des tables
sont débitées par une machine réglée pour produire des
planches de longueur 195 cm.
1
9
On désigne par L la variable aléatoire qui, à toute
planche prise au hasard à la sortie de la machine, asso-
cie sa longueur en cm.
Dans cette on suppose que L sui t la loi nor-
male de moyenne 195 et d'écart type 2. Une planche
est inutilisable si elle mesure moins de 193 cm. Elle
subit une deuxième découpe par la machine si S;'I lon-
gueur est supérieure à 198 cm.
a) Calculer la prob;'lbilité qu'une planche soit inuti-
li sable.
b) Calculer la probabilité qu'une planche soit inuti-
lisable directement après la première découpe.
2
9
Dans atre question, les r!sultals seronl
arrondis (j 10- J.
Afin de vérifier le réglage de la machine, on prélève un
échantillon de 100 pl:lllches après la première découpe.
On mesure les longueurs de ces 100 planches, ce qui
donne le tableau suivant:
.
Longueur en cm : .\ Numbre de planche ...
[189,1911 2
[19I.193[ 8
1193,195[ 32
1195.197[ 38
1197.1991 14
1199,201[ 6
a) Calculer la moyenne x et l'écart type s de cet
échantillon en supposant que, dans chaque classe,
tous les éléments sont concentrés au milieu de la
classe.
En déduire les estimations ponctuelles respectives
iJ.o de la moyenne et 0'0 de l'écart type de la popula-
tion totale.
b) On suppose que la variable aléatoire [, qui, à lOut
échantillon de taille 100 prélevé au hasard et avec
remise dans la population, associe la moyenne des
longueurs des planches de cet échantillon. suit une
loi normale de moyenne I.L et d'écart type vfoo où
100
I.L et a sont respectivement la moyenne et l'écart
type de la population totale.
Donner une estimation de J.L par un intervalle de
confiance centré en x, avec le coefficient de
confiance 99 % en prenant pour valeur de a l'esti-
mation ponctuelle obtenue au a).
Chap. 5 : Estimation 185
... Loi normale, loi binomiale, approximation
d'une loi binomiale par une loi de Poisson,
estimation d' une moyenne par intervalle
de confiance
Dalls al chaque probllbiliti del1ulIldü sera
calculù à 10-
3
près.
Une usine sidérurgique fabrique en très grande série
des armatures te HA » pour béton armé.
us rroi:,' parties A, 8, C suiwUltes sont indi pmdantes.
A. Soit X la variable aléatoire qui, à chaque armature
prélevée au hasard dans la production d'une journée,
associe la longueur de cette armature, exprimée en cen-
timètres. On admet que X suit la loi normale de
moyenne ni = 600 et d'écart type a = 8.
] 9 Déterminer la probabilité que la longueur en centi-
mètres d'une armature prise au hasard dans la produc-
tion d'une journée soit comprise entre 590 et 620.
ZO Déterminer le nombre réel positif a, tel que la pro-
babilité que X appartienne à l'intervalle
[600 - ", 600 + ,,] soil égale à 0,9.
B, On refuse les armatures dont la longueur est exté-
rieure à l'intervalle f590, 6201 et on admet que la pro-
babilité qu'une armature soit refusée est 0,1. On
prélève au hasard un échantillon de N armatures dans
l'entrepôt. Le stock de l'entrepôt assez import;'lflt
pour qu'on pui sse assimiler ce prélèvement à un tirage
avec remise de N armatures. On appelle Y la variable
aléatoire qui , à tout prélèvement ainsi défini de N arma-
tures, associe le nombre d'armatures refusées.
1
9
Expliquer pourquoi la variable aléatoire Y suit une
loi binomiale, préciser les paramètres de cette loi.
2
9
Dans celle question, on prend N = 4.
a) Calculer la probabilité Pl qu'un échanti llon de
quatre armatures contienne exactement une arma-
ture refusée.
b) Calculer la probabilité P2 qu'un échant illon de
quatre armatures contienne au plus deux armatures
refusées.
3
0
Dans cette queslion, on prend N = 50.
a) Donner les pilramètres de la loi binomiale que suit
la variable aléatoire Y.
b) On approche la loi binomiale que suit Y par une
loi de Poi sson, en préciser le paramètre.
c) En utilisilnt cette loi de Poisson, la
probabilité P3 qu'un échantillon de 50 armatures ne
contienne aucune armature refusée et la probabilité
P4 qu'un échantillon de 50 armatures contienne au
plus deux armatures refusées.
C. Pour estimer la longueur moyenne des armatures,
on prélève régulièrement des échantillons de 100 arma-
tures. On assimile ces échantillons il des échanti ll ons
prélevés avec remise.
On désigne par X la variable .tléatoire qui, à. tout échan-
tillon ainsi défini de t 00 arm'ltures, associe la moyenne
des longueurs des armatures de cet échanti ll on. On
admet que X suit la loi normale de moyenne m incon-
nue et d'écart type 0,8. On constate que la moyenne des
longueurs des 100 armatures d'un échantillon est
602 cm.
1 °En déduire un intervalle de confiance, cenlré en 602,
au seuil de confiance 95 % pour la moyenne m incon-
nue.
2° On considère l'affirmation suivante: « la moyenne
111 des longueurs des armatures appartient obligatoire-
ment il l'intervalle obtenu il la question C. 1° . .. Peut-on
déduire de ce qui précède qu'elle est vraie? (Donner la
réponse sans explication.)
§I *** Probabilités conditionnelles, loi de
Poisson loi binomiale, estimation d'un
pourcentage par un de confiance
L'objet de l'exercice est l'étude de différents aspects du
fonctionnement d'une entreprise fabriquant du matériel
informatique.
Us A, B et C sonl
us rbu/tals approch!s suont dot/nés SOIIS forme
\'lileurs à /0- 2 ..
A. Le service qui gère les commandes a relevé. pour les
années, passées une moyenne de 5 erreurs pour 100
commandes. On suppose que la variable aléatoire X,
qui , à ch3que prélèvement de 100 commandes pri ses au
hasard et avec remi se dans commandes d' une
année, associe le nombre d'erreurs dans ce prélève-
ment, suit la loi de Poi sson de paramètre 5.
1° Déterminer la probabilité de dénombrer. pour une
série de 100 commandes:
a) 5 erreurs ex.actement ;
b) moins de 5 erreurs ;
c) au moins 5 erreurs.
2° Déterminer le plus petit entier k tel que la probabi-
lité d'avoir moins de k erreurs soit supérieure?:l 0,9.
8. On s'intéresse il un certain type de pièces fabriquées
par deux. machines, notées Ml et M
2
. On suppose que
la probabilité qu'une pièce prélevée au hasard dans la
production d'une journée de la machine Ml soit défec-
tueuse est PI = 0,05 et que la probabilité qu'une pièce
prélevée au hasard dans la production d' une journée de
la machine M
2
soit défectueuse est P2 = 0,025.
La machine MI fournit 60 % de la production totale de
ces pièces et la machine M
2
1e reste de cette production.
On prélève au hasard une pièce parmi la production
totale de la journée.
TOlites les pièces ont la même probabilité d'être tirées.
On définit les événements suivant s.
El' J'événement: « la pièce a été fabriquée par la ma-
chine MI " ;
E2' l'événement: « la pièce a été fabriquée par la ma-
chine M
2
)t ;
D. l'événement: « la pièce est défectueuse ».
1° Déterminer les probabilités P(E
1
), P(E
2
), P(DIEI}'
P(DIE
1

2° En déduire P(D n El) et P(D n E
2
).
3° En admettant que D = (D n El) U (D nE), cal-
culer P(D).
C. Les pièces fabriquées alimentent un atelier où elles
sont assemblées. Les articles ainsi obtenus subissent un
contrôle il la sortie de cet atelier. Pour apprécier la qua-
lité de la production, le contrôleur chen.·he à évaluer le
pourcentage p d'articles non commercialisables. Pour
cela, il prélève au hasard des échantillons de taille Il.
Cette taille étant petite devant celle de la production
totale, on assimile ce prélèvement à un tirage avec
remi se.
On suppose que la variable aléatoire F. qui à tout
échanti ll on de taille II de ce type, associe le pourcen-
tage d'articles non commercialisables, suit la loi
normale
X(P. V Pl). où p est le pourcentage inconnu
d'articles non conunerciali sables de la production
totale.
r Le contrôleur prélève un échantill on de 125 a.rt icles
et constate que 10 ne sont pas commerciali sables.
a) Déterminer le pourcentage f d'articles non
commercialisables de cet échantillon.
b) Déterminer une estimation de p, par intervalle de
confiance centré en J, avec le coefficient de
confiance 95 %.
2° Quelle doit être la taille minimale Il (II est un nombre
entier) de l'échantillon prélevé pour que. avec le coef-
ficient de confiance 95 %, le pourcentage p soit de 8 %
à 0,02 près?
186
Chapitre
6
Test de validité
d'hypothèse
Ce chapitre constitue un prolongement direct de J'étude de J'échantillonnage et de J'esti-
mation. Il s'agit ici aussi d'une initiation à l'utilisation de méthodes statistiques permet-
tant, cette fois, de prendre une décision: on accepte ou on refuse une hypothèse.
Les exemples choisis concernent le contrôle de qualité. c'est-à-dire la conformité d' une
production à un cahier des charges, soit en cours de fabrication, soit lors de la réception
d'une marchandise, ou portent sur des enquêtes et des sondages de plus en plus présents
dans notre vie quotidienne.
La notion de test d'hypothèse a été développée dans la première moitié du xx
e
siècle par
un mathématicien anglais, Egon Pearson (1895- 1 980) et un mathématicien d'origine polo-
naise, Jerzy Neyman (1894-1981), émigré aux États-Unis en 1938.
,
A. NATURE DU PROBLEME-
Cene dédsioo consiste à valider ou
non une hypothèse concernant la
population considérée par
exemple, sa moyenne est égale ~
150.
Depuis quelques décennies, nous assistons à une « arrivée en force ,.
des méthodes stati stiques dans le domaine réglementaire, lequel
conduit à la prise de décision: on a ou on n'a pas le droit de ...
En particulier, l'augmentation des échanges commerciaux et des liens
économiques, entre les pays, notamnwnt au sei n de l'Union européen-
ne, s'accompagne d'accords destinés à fixer des règles communes ~ la
statist ique inférentielle trouve là un immense champ d'application.
Cela se tmduit par des réglementations définissant dans chaque cas par-
ticulier une procédure destinée à préciser sans ambiguYté :
- comment un ou plusieurs échantillons doivent être prélevés dans la
population étudiée;
- quelles mesures doivent être e.tfectuées sur ce ou ces échantillons;
- quelle décision doit être prise à propos de l'ensemble de la popula-
tion étudiée, suivant les résultats obtenus sur le ou les échantillons.
Une telle procédure s'appelle en stati st ique un test de validité d'hy-
pothèse.
D'une manière générale. il s'agit, à partir de l ' ~ t u d e d'un ou de plu-
sieurs éçhantillons, de préciser comment prendre des d6cisions concer-
nanl l'ensemble de la population.
Naturellement, comme on ne dispose pas de renseignements sur l'en-
semble de la population, on risque de se tromper en prenant la décision,
et il importe de contrôler au maximum tout risque d'erreur.
Pour clarifier cette dénlarche, nous allons reprendre en la complétant
une situation rencontrée au chapitre précédent.
Chap. 6 : Test de validité d'hypothèse 187
B. EXEMPLES DE TESTS DE VALIDITÉ
D'HYPOTHÈSE RELATIFS À UNE MOYENNE
Voir le chapitre 5.
Il = 36.
L'écart type de l'échantillon C!\t
cr' = 11,36.
-cr.

11-1
La réponse à celle question peut
avoir des conséquences écono-
miques et MK' iales.
Bien sûr, on peut toujours di re que,
780 n' étant pas J'intervalle de
confiance, on doit répondre non et
refuser la livraison, mais pourquoi '!
Comment interpréter clairement ct
correctement une telle réponse ?
Voir la remarque dans l:l marge à la
fin du paragraphe c.
On suppose que la différence entre
l:l moyenne souhaitée et là moyen-
ne effective de la IX'pulation est
nulle.
Cette approximation est une con.sé-
quence du théorème de la limite
centrée : voir le paragraphe C du
chapitre 4 sur l'él'hantillonnage.
Voir au chapitre 3 le paragraphe sur
la loi normale.
Reprenons la situaTion 1 du chapitre 5 décrite au paragraphe A et étu-
diée aux paragraphes B. l , B, 3 et C. l,a.
Nous avons observé que, pour un échantillon aléatoire non exhaustif de
36 pièces, la masse moyenne des pi èces de l'échantillon de 36 pi èces
de l'échantillon est de 774,7 g.
En supposant que l'écart type des musses pour la population des 500
pièces est cr = 12,5 g, nous avons obtenu [770,61 ; 778,79] comme
inter vall e de confiance de la moyenne inconnue III de cette population
avec le coefficient de contlance 95 %.
Nous allons maintenant nous poser deux problèmes.
1. COMPARAISON DE LA MOYENNE
D'UNE POPULATION À UN
NOMBRE FiXÉ
a. Premier problème
Peut-on considérer que les 500 pièces de la population ont une masse
moyenne de 780 g, comme le prévoient les conditions fixées par le
fourni sseur ?
Autrement dit, doit-on accepter ou refuser la li vraison de ces
500 pi èces au vu du résultat obtenu sur l'échantillon ?
Posée ainsi, la question n'a pas de réponse précise: en effet, de manière
intuiti ve, nous pouvons dire que la moyenne 774,7 de l' échantillon est
différente de 780, mai s que ces nombres sont « assez proches » ;
d'autre part , on peut penser qu'avec un autre échantillon on obtiendrait
une moyenne différente.
Ainsi convient-il de préciser la notion de « proximité » en probabilité.
b. Nous sommes ainsi conduits à poser différemment le problème.
On suppose que la moyenne de la population est 780 ; c'est l' hypo-
thèse nulle, notée Ho : III = 780.
Alors, la variable aléatoire X, qui à tout échantillon aléatoire non
exhaust if de taille 11 = 36 associe la moyenne de cet échantillon, suit
approximativement la loi normale )((111 , où 111 = 780.
Donc Vii (X - iii) suit la loi normale centrée réduite .N'(O, 1).
Pour lO:t t > 0, p( - t ,,;; (X - m) ,,;; r) = 2IJ(r) - l , où la valeur
de IJ(r) est lue dans la table de la loi normal e .N'(O, 1) du formulaire de
mathématiques.
Donc, pour tout r > 0,
p(m - ..!Q.,,;; X ,,;; ln + ..!Q.) = 2IJ(t) - 1.
Vii Vii
188
Cest un cas part iculier très
HO: tri = 780.
Ne p:IS oublier qu'en réalité on ne
sait pas si Ho est vraie ct qu'il faut
bien fixer une b:t.rrihe pour déçider
entre les deux choix possibles: 011
accepte ou on rejette Ho.
On limite ainsi les risques d'erreur
de première
avons déjà donné celte
se au a, dans une note en marge. en
utilisant l'intervall e de confiance
de fil au coefficient de confiance
95 % : ces deux réponses M>nt
cohérentes, car ce sont deux consé-
quences de J'inég:t.lité:
",-1'>
V"
m > x + \ ,96fn d'une pari,
j' < m = \.96fnd'autre parI.
En par ti culi er, comme 2Il(r) - 1 = 0,95 pour r = 1,96, on a ici
P(775,92 .. X .. 784,08) = 0,95.
Ainsi, en supposant que m = 780, on sait, avant de prélever un échan-
till on aléatoire de taille 36. que sa moyenne appartient à l'intervalle
[775,92 ; 784,08] avec la probabilité 0,95.
Autrement dit, si l' hypothèse Ho est vraie, il n'y a que 5 % de chances
de prélever un échantill on aléatoire de taille 36 dont la moyenne soit
infé rieure à 775,92 ou supérieure à 784,08.
C. On fixe alors la règle de décision suivante:
On prélève un échantill on aléatoire non exhausti f de taill e n = 36 et on
calcul e sa moyenne x .
• Si x E 1775.92 ; 784.08). on accepte Ho'
• Si x fi [775.92 ; 784.08). on rejette Ho'
Région
cri tique
0.025
0.95
780
; Région
: critique
0,025
7K4.08
------ ------
On rejett e Ho On accepte Ho On rejellt' Ho
Si HO est vraie, on prend donc le risque de se tromper dans 5 % des cas
en rejetant à tor t Ho'
On définit ainsi une région critique au seuil (de signiti cation)
0= 5 %.
Le seuil u est la probabilité de rejeter Ho alors que Ho est vraie. Il
correspond à l'erreur de première espèce.
En général, on fi xe li priori la valeur de a.
Iei, on a choisi a = 0,05.
Application de la règle de décision
Comme x = 774,7 pour l'échantillon considéré, on a x < 775,92 et on
rejette l'hypothèse Ho ; au seuil 5 %, on considère que les 500 pièces
de la popul ation n'ont pas une masse moyenne de 780 g el on refuse la
li vraison.
Ch.p. G : Test de validité d' hypothèse 189
Comme on l'a vu au chapilre 3, d. Nous aurions pu choisir 1 % comme seuil pour diminuer le ri sque
211(1) - 1 = 0,99 pour 1 = 2.58 el de rejeter Ho alors que Ho est vraie.
alol"\ ' • ..!!,.. - 5,38.
vu On a P(774,62 .. X .. 785,38) = 0,99.
i = 774.7.
le diminue. plu .. !a région
d'aCCeplJ ti on de Ho augmente.
Ne pas oubli er qu'on ne sait pas si
Ho est vraie ou
J - 13 est la de rejeter
HO alors que Ho eSI fausse: l.:'e51.
par définition, la puissance du test.
Cela eSI à relier au fait que lorsque
" augmente, l'écafl type % de X
diminue. V Il
Par exemple, leurs conséquences
financières peuve nt être diffé-
renies.
H
O
:m=780.
Pour un même seui l. la valeur de t
n'eSI pas l a même pour un test bila-
lér.ll el pour un leSI unilatéral: voir
le paragraphe 2.f.
Région
critique
774,62 --;
x
0,99
780
; Région
: crilique
l'
785,38

On accepte Ho
Au seuil 1 %, on accepte Ho pui sque :r appartient à l'intervalle
[774,62; 785,38] ; au seuil l %, on considère que les 500 pièces ont
une masse moyenne de 780 g et on accepte la livraison.
Mais en acceptant Ho au seuil 1 %, on court un second ri sque, celui
d'accepter Ho alors que Ho est fausse: c'est l'erreur de seconde espè-
ce, dont la probabi lité est notée fl.
fl est la probabilité d'accepter Ho alors que Ho est fausse.
L' idéal serait de rendre les nombres a et fl les plus petits possibles,
mais, comme on le constate dans cet exemple, en diminuant ex on
agrandit la région d'acceptation de Ho donc, le plus souvent, on aug-
mente la probabilité fl d'accepter Ho alors que Ho est fausse.
En général, " étant fi xé, quand ex diminue, augmente et inversement.
La seule façon de diminuer en même temps ex et est d'augmenter Il,
ce qui n'est pas toujours possible.
En fait , la plupart du temps, les erreurs des deux types n'ont pas la
même importance, et on essaie de limiter la plus grave.
e. On doit définir plus précisément le cas où Ho est fausse.
Dans ce qui précède, on a choisi implicitement III * 780 comme hypo·
thèse alternative Hl .
Le test est alors bilatéral, car la région critique est si tuée des deux
côtés de la régi on où l' on accepte Ho.
Mai s on peut rencontrer des situations différentes et, par exempl e, choi-
sir III < 780 comme hypothèse alternative HI ; le test est alors unila·
téral et la région critique est alors située entièrement d' un côté, ici à
gauche, de la région où 1'on accepte Ho.
190
Respectant stri Clemell1 les pro-
grammes. nous nous limitons ici tl
une initiation el donc aux pro-
blèmes élé-menlaÎres sur les tesb de
validi lé d'hypOlhèse.
Pour le choix de HO' voir la
remarque du paragraphe 2.e : Ho
doit êlre une égalité même pour un
test
Ce paramètre peut être une moyen-
ne, un pourcentage ...
li est irnporlant de disti nguer. d'une
part, la construction du test effec-
tuée avant le prélè\'t'ment d'un
échantillon et, d'autre parI, l'ulili·
sation de ce test qui débouche sur
une décision Mpend'lOt de J'échan·
tillon.
Cette remarque est très imjX>rtallle
pour le controle en cours de fabri -
cation.
La valeur de" est sou\'ent fi:téc par
une norme.
f. Résumé à retenir
En général , les questions faisant intervenir un test de validité d' hypo-
thèse peuvent être résolues en adoptant le plan sui vant :

1. Choix de nulle Ho et de l'hypothèse alternative Hl'
2. Détermination de la région critique à un seuil <l donné.
3. de la règle de décision:
- si un paramètre de l'échantillon (ou des échantillons) est dans la
région critique, on rejene Ho ;
- sinon. on accepte Ho'
B. UTILISATION DU
1. Calcul du de (ou des échantillons) mention-
dans la règle de décision.
2. Application de la règle de décision.
Un tel plan est utilisé de façon systématique dans les corrigés des acti-
vités de ce chapitre.
g. Remarque: carte de contrôle
Dans le domai ne industriel, lorsqu'une machine usine des pièces, ell e
se dérègle progressivement.
Pour optimiser la production en quantité et en qualité, on est conduit à
chercher le meilleur compromi s entre deux solutions extrêmes:
- attendre longtemps avant de procéder à un nouveau réglage de la
machine. On ri sque alors de produire des pièces non confor mes qui
vont nuire à la qualité de l'ensemble de la production et qui devront être
ultérieurement tri ées;
- multipHer les réglages de la machine, On ri sque alors d'augmenter le
coût de revient des pièces, car, pendant les réglages, la production est
arrêtée.
Aussi sur vei ll e-t-on la quaHté des pièces produites en procédant à des
prises d'échantillons en cours de fabrication.
Supposons que, pour une cote, on veuill e obtenir une population de
pièces distribuées sui vant une loi normale .N' (111, cr), les valeurs de m
et de cr étant données.
Alors la variable aléatoire X qui, à tout échanti llon aléatoire non
exhaustif de taille Il, associe la moyenne des cotes des pi èces de
l'échantillon, suit la loi normale j( ("', .Jn )-
Nous savons que P(III - 2 .Jn .. X .. III + 2.Jn )= 0,95
et
Vii Vii
On effectue régulièrement une pri se d'échantillon ; on mesure sa
moyenne X que l' on porte sur le graphique ci-après, appelé carU d.

Chap. 6 : Test de validité d' hypothèse 191
Ces conventions peuvent être
modulées suivant la nature de la
fabrication.
Tant que x est compris entre 11'1- 2 .. et m + 2 .. , on considère que
la machine est bien réglée. v Tl V 11
Dès que x se trouve dans la zone de surveillance, on procède immédia-
tement à une nouvel1e prise d'échantillon pour confirmation.
Dès que x se trouve dans la zone de réglage, on arrête la production
pour régler la machine.
Zone de réglage
m + 3 )-----------------------
Zone de surveillance
" 1-----------------------
"'
Numé-ro de
l'échantillon
1-----------------------
y.,
Zone de sun-eill ancc
m-3 1------------------------
y.,
Zone de réglage
2. COMPARAISON DES MOYENNES
DE DEUX POPULATIONS
a. Second problème
Un second fournisseur B livre 800 pièces du même modèle. On prélè-
ve au hasard et avec remi se un échantillon de 50 pièces dont on mesu-
re la masse. On obtient les résultats suivants:
M ... des pièces
(ou ............ ,
de pièces
[755,765[ 6
[765,775[ 12
[775,785[ 16
[785,795[ Il
[795,805[ 4
1805, 815[ 1
192
Nous adoptons le plan décrit au
paragraphe I.f.
Le test est bilatéral.
II/A et 11/
8
sont les moyennes des
populations A et B.
Le seuil est 5 %.
Le test étant bilatéral. la région
critique comporte deux parties :
une de ch.:lque côté de la
moyenne D.
Voir le paragraphe a.
X
A
= 774,7 et x
B
= 779,6; donc
x
a
> x
A
. Cette inégalité est-el le
encore vraie avec d'autres échan-
tillons?
c. Construction du test
Choix de Ho : mA = m
B
·
Choix de Hl : mA -=rf mB'
Nous allons tester la validité de l' hypothèse: la moyenne des masses
des pièces sur J'ensemble de chaque li vraison est la même pour Jes
fournisseurs A et B.
• Détermination de la région critique au seuil de 5 %
Sous l' hypothèse Ho, D suit la loi normale X(O ; 2,7), donc
loi normale centrée réduite X(O, 1).
J2 suit la
2,7
p(- PC; J2 ,,;; 1) = 095 pour 1 = 1 96.
2,7 ' ,
Donc P( - 5,29 ,,;; D ,,;; 5,29) = 0,95.
Région
cri tique
0,025
0,95
a
; Région
: critique
0,025
5,29
~ -------.,-------
On rejette Ho On accepte Ho On rejette Ho
• Énoncé de la règle de décision
On prélève avec remise un échantillon aléatoire de taille !lA = 36 de la
population A et on calcule sa moyenne X A ; on fait de même pour la
population B avec /lB = 50.
Soitd=x
B
-Y
A
·
Si d E [ - 5,29 ; 5,29], on accepte Ho.
Si d rte [ - 5,29 ; 5,29], on rejette HO'
d. Utilisation du test
• Ca/clIl de d
d = xB - x
A
= 779,6 - 774,7 = 4,9.
• Application de la règle de décision
4,9 E [- 5,29; 5,29] : on accepte Ho'
Au seuil de 5 %, il n' y a pas de différence significative entre les
moyennes des masses des pièces livrées par les deux fourni sseurs.
e. Variante du second problème
Comment construire et utili ser un test permettant de décider" à partir
des mêmes échantillons, si la moyenne des masses des pièces livrées
par le fournisseur B est significativement supérieure, au seuil de 5 %,
à celle du fournisseur A?
194
Voir le du par.J.graphe B.
Pour éviter confusions, nous
menons en indice A ou B pour
chaque paramètre.
Ces nombres ont été calculés
pour la population A au chapitre 5.
Quant aux écans types CI A et (fB'
nous prenons les esti mations ponc-
tuelles fournies par les
tillons.
Cette approximation est une consé-
quence du théorème de la limite
centrée: voir le par.J.graphe C du
chapitre 4 sur l'éch'lI1tillonnage.
Voir le paragraphe D.2 du
chapitre 3.
Voir le paragraphe D. Sa du cha-
pitre 3.
Anention .IUX signes - et +.
mA - ms est inconnu.
Cet échantillon a pour moyenne 779,6 alors que l'échantillon de 36
pièces provenant du premier fournisseur a pour moyenne 774,7.
La différence 4,9 entre ces moyennes provient-elle d'une différence
entre les productions des deux fournisseurs ou du choix des échan-
tillons?
Autrement dit, comment constmire et utili ser un test permettant de
décider, à partir des échantillons ci-dessus, s'il y a une différence signi-
ficative, au seuil de 5 %, entre les moyennes des masses des pièces
livrées par les deux fournisseurs.
b. Nous sommes en présence de deux échantillons extraits de deux
populations correspondant aux deux fournisseurs A et B.
Nous pouvons schématiser la situation de la façon suivante:
Moyenne mA inconnue "A
36
Écart type (fA = 12.5
:tA = 774,7
(fA = 12.36
Échantillon
POPUllll;OIl A
Moyenne m
B
inconnue
"B - 50
Écart type (J B = 12,1 xB = 179.6
aB = 11.99
Échantillon
Pop,liatùJII B
Soit X A (resp. X s) la variable aléatoire qui, à tout échantillon de taille
/lA = 36 (resp. /ls = 50) prélevé aléatoirement et avec remise dans la
population A (resp. B), associe la moyenne des masses de l'échantillon.
Nous nous plaçons dans le cas où X A suit approximativement la loi
normale .N(IIlA' cr A ) et où X B suit approximativement la loi normale
v;;;,.
.N'(IIIS' US).
vn;
Par définition, la variable aléatoire D = X s - X A associe à tout échan-
tillon de taille 36 ainsi prélevé dans la population A et à tout échan-
tillon de taille 50 ainsi prélevé dans la population B, la différence des
moyennes de l'échantillon B et de l'échantillon A.
Nous supposons que les deux variables aléatoires X A et X B sont indé-
pendantes.
Alors D = X B - X A suit une loi normale et
E(D) = E(X
B
- XAl = E(Xsl - E(XAl = /Ils - iliA'
2 2
V(D) = qX
B
- XAl = qxAl + qxsl = O"B + O"A
liB liA
(J2 cr
2
L'écart type de D est u
D
= .J! + J; =? 7
liB liA - ,'
Donc D suit la loi normale .N'(IIIS - iliA ; 2,7).
Chap. G : Test de validité d'hypothèse 193
Voir le paragraphe c.
Voir Je paragmphe b.
On noter..! que Hl est une
stricte car Ho et Hl s'excluent
mutuellement.
Ce résultat est lu sur 13 table de la
loi normale du formul3ire.
Le lest étant unilatéral, la région
critique comporte une seule par-
tie.
Remarque
En comparant cette question et celle qui a été posée au paragraphe a, il
semble naturel de remplacer l'hypothèse Ho: mA = m
B
du test précé-
dent par HO: mB > filA et de prendre pour hypothèse alternative HI :
m
B
mA·
Comme précédemment, la variable aléatoire D suit la loi normale
.N'(m
s
- mA ; 2,7), où mA et mS sont inconnus.
Ici, sous l'hypothèse Ho, nous avons 11I
B
- mA > 0 ; mais nous ne
connaissons pas la valeur numérique de 111
B
- mA et nous ne pouvons
pas obtenir des résultats numériques pour la variable aléatoire D
comme au paragraphe c.
Aussi devons-nous choisir une ÉGALiTÉ pour hypothèse Ho, ici
mA = mS' même pour tester l'inégalité m
B
> mA qui est alors choisie
comme hypothèse alternative HI du test unilatéral; HI est acceptée
lorsque Ho est rejetée et inversement, ce qui permet de répondre à la
question posée,
f. Construction du test unilatéral
• Choix de Ho: mA = mB·
Choix de Hl: ma> mA·
• Détermination de la région critique au seuil de 5 %
Sous l'hypothèse Ho, (la même qu'au paragraphe c,), suit la loi nor-
male ,N'(O, 1), -,
Alors p( R "" t) = 0,95 pour t = 1,645,
2,7
Donc P(D "" 4,44) = 0,95,
0,95
o
• Énoncé de la règle de décision
On définit d comme au paragraphe c.
Si d "" 4,44, on accepte Ho et on rejette HI'
Si d > 4,44,on rejette Ho et on accepte HI'
g. Utilisation du test unilatéral
• Calcul de d
d = xB - x
A
= 779,6 - 774,7 = 4,9,
• Application de la règle de décision
4,9> 4,44 : on rejette Ho et on accepte HI'
Région
critique
D,OS
4,44
Chap, 6 : Test de validité d'hypothèse 195
En revanche, au seuil de 1 %, on
accepte Ho : mA = /liB dans les
deux cas.
Au seuil de 5 %, la moyenne des masses des pièces li vrées par le four-
nisseur B est significat ivement supérieure à cell e du fourni sseur A.
Remarque
La comparaison des résultats obtenus aux paragraphes d. et g. montre
l'importance de la précision dans la définition d'une procédure condui-
sant à une prise de décision au mê,me seuil de 5 % et à partir des
mêmes échantillons, nous sommes parvenus à des conclusions ditTé·
rentes avec un test bilatéral et un test unilatéral.
, ,
C. TEST DE VALIDITE D'HYPOTHESE
RELATIF À UN POURCENTAGE
Voir les TP 3 et 4 ainsi que les
exe.rcices corrigés nO!; 2 et 3.
La démarche est analogue à celle qui a été mise en œuvre au para-
graphe B en remplaçant la variabl e aléatoire X par la variable aléatoi-
re F étudiée au paragraphe D du chapitre 4 ; on obtient une estimation
ponctuelle de son écart type en utilisant le paragraphe C.2 du cha·
pitre 5.
196
TRAVAUX PRATIQUES
l
EXEMPLES DE TESTS
DE VALIDITÉ D'HYPOTHÈSE
RELATIFS À UNE MOYENNE
TP 1
Comparaison d'une moyenne
à un nombre fixé
Tous les risultats approchés urollt arrondis Il JO - '2,
Sur une portion d'autoroute où la vitesse des automo-
biles est limitée à 130 km/h. on effectue un contrôle des
vitesses sur un échantill on de 72 'lUtomobiles que l' on
assimile à un échantillon obtenu par prélèvement aléa-
toire el avec remise dans la population constituée de
toutes les voitures circulant à cet endroit dans l'inter-
valle de temps considéré. On obtient les résultats sui-
vants:
kmlh) EtTa:tif
19O.100[ 1
1100. Il Or 3
1110,1201 6
[120. 130[ 16
[130. 140[ 24
1140,150[ 13
1150,1601 9
On note j.l et cr la moyenne et l'écarl type des vitesses
de l'ensemble de la considérée. On suppose
que la variable aléatoire X qui, à tout échantillon de
tai lle II = 72 prélevé comme celui-ci, associe sa vites-
se moyenne, suit la loi normale <:.) et on prend
V"
pour valeur de cr l' estimat ion ponctuelle fournie par
J'échantillon ci-dessus.
A. bilatiral
1° Construire un test bilatéral permeuant de décider si,
au seuil de 5 %, la vitesse moyenne de toutes les auto-
mobi les circulant à cet endroi t el à ce moment est égale
à 130 kmlh.
Utiliser ce test avec l'échantillon de l'énoncé.
2° Même question au seuil de 1 %.
B. unilathal
1° Construire un test unilatéral permettant de décider
si, au seuil de 5 %, Ia vitesse moyenne des mêmes auto-
mobiles est strictement supérieure à 130 kmlh.
Ut ili ser ce test avec l'échantillon de l'énoncé.
2° Même question au seui l de 1 %.
Chap. 6 : Test de validité d' hypothèse
TP2
Comparaison des moyennes
de deux populations
Deux entrepri ses A et B fabriquent des ampou les élec-
triques d'un même modèle.
Un échantillon de taille ", = 100 ampoules de la pre-
mière entreprise a donné une durée de vie moyenne
m, = 94 h et un écart type cr] = 12 h. Un échant illon de
taille 1/2 = 200 ampoules de la seconde entrepri se a
donné une durée de vie moyenne Il'-2 = 90 h et llll écart
type CT, = 16h.
On note X, la variable aléatoire qui , à chaque échan-
tillon de 100 ampoules de la première entreprise, asso-
cie sa moyenne et X 2 la variable aléatoire qui à chaque
échantillon de 200 ampoules de la seconde entreprise
associe sa moyenne.
Tous les échantillons considérés sont supposés prélevés
au hasard et avec remise.
On suppose que les variables aléatoires X" X 2'
D = XI - X
2
suivent les loi s normales de moyennes
respectives !-LA' !-LB' !-LA - !-LB inconnues et on estime
> ,
<r cr
1 2 • 1
l'écart type de D par 100 + 100 ou a] et CT2 sont es
écarts types obtenus pour les échantillons précédents.
Tous les résultats approchés seront arrondis à
/0 -2.
A. Tt!st bilatéral
1 °Construire un test bilatéral permettant de décider s' il
y a une différence significative au seuil de 5 % entre les
durées de vie des ampoules fabriquées par les ent re-
pr!ses A et B.
Utili ser ce test avec les échant illons de l'énoncé.
r Reprendre la même question avec le seuil de 1 %.
B. Test ltllilathal
1 °Construire un test unilatéral permettant de décider si
les durées de vie des ampoules fabriquées par l'entre-
pri se A sont , au seui l de 5 %, significativement supé-
rieures à celles de l'entrepri se B.
197
Utiliser ce test avec les échantill ons de l'énoncé.
2° Reprendre la quesüon 1° avec le seuil de 1 %.
EXEMPLES DE TESTS
DE VALIDITÉ D'HYPOTHÈSE
RELATIFS À UN POURCENTAGE
TP3
Comparaison d'un pourcentage
à un nombre fixé
Nous reprenons la situation 2 du chapitre 5 décrite au
paragraphe A et étudiée aux paragraphes B. 2 et C. 2a.
Avant de prélever cet échantill on, deux personnes tra-
vaill ant à l'hôpital avaient exprimé des opinions très
différentes:
- pour monsieur A, le pourcentage de malades dont la
pression artérielle diastolique (PAO) est strictement
inférieure à 8 est de 12 % ;
- pour madame B, ce pourcentage est de 33 %.
1° Construire un test bilatéral permettant d'accepter ou
non, au seuil de signification de 5 %, le point de vue
deA.
Ut ili ser ce test avec l'échantillon de l'enquête rapide.
r Même question pour B.
3° Reprendre les deux questions r et 2° en utilisant le
se.uil de significat ion de 1 %.
échanti llon de taille Il = 200 prélevé au hasard et avec
remise dans cette population, associe le pourcentage.
des unités de qualité supérieure de cet échantillon, suit
la loi normale
En vue d'améliorer la qualité du produit, on procède à
certaines modifications.
Soit p' le nouveau pourcentage d'unités de qualité supé-
rieure ainsi obtenues.
Sur un échantill on de taille 300, on observe que
120 unités sont de qualité supérieure.
On fait la même hypothèse que (·i-dessus sur cet échan-
tillon et sur la variable aléatoire F' correspondant à des
échantillons de taille Il' = 300 ; elle suit la loi normale
On suppose que les vari ables aléatoires F et F' sont
indépendantes. On prend pour valeur de l'écart type de
chacune l'estimation ponctuelle fournie par l'échan-
tillon correspondant en utilisant le paragraphe C.2 du
chapitre 5.
A. Test bilatéral
1 °Construire un test permettant de décider si, au seui l
de 5 %, il Y a une différence significative entre les
pourcentages des unités de qualité supérieure obtenus
TP4
Comparaison de pourcentages par les deux procédés de fabrication.
de deux populations Utiliser ce test avec les deux échantillons de l'énoncé.
Une entreprise propose en grande quantité un certain
produit pour lequel un pourcentage inconnu p est de
qualité supérieure, le reste étant de qualité ordinaire.
Une étude portant sur un échantillon de 200 unités de
ce. produit montre que 60 sont de qualité supérieure.
On suppose que cet échanti llon peut être considéré
comme prélevé au hasard et avec remise dans la popu-
lation des unités de ce produit proposées par cette
entreprise et que la variable aléatoire F qui, à tout
2° Reprendre la même question qu'au 1° avec le seuil
de 1 %.
B. Test IIlliltl1lral
1° Construire un test permettant de décider si, au seuil
de 5 %, les modifications apportées ont amélioré signi-
ficativement le pourcentage des unités de qualité supé-
rieure.
198
Utiliser ce test avec les deux échantillons de l'énoncé.
2° Reprendre la question 1° avec le seuil de 1 %.
EXERCICES CORRIGÉS
Con<,'ruire et utiliser un lest d'hypothèse
bilatéral ou relatif à une lIlu)'enne
Comlruire ct un d'hypolhè"-t!
t'oilalér.t1 (lU relatif à un
lage

1 cl 2,6.7
3.4 CI5
Test de validité d'hypothèse relatif à une moyenne
o ... Comparaison de la moyenne à un nombre
fixé, test de validité d'hypothèse bilatéral
Une grande surface vend du matériel photographique.
On note X la variable aléatoire qui, il chaque ticket de
caisse prélevé au hasard dans Je stock de tickets d'un
mois associe son montant en euros.
On admet que X suit la loi normale de moyenne
fJ. = 550 et d'écart type 195.
À la suite d'une campagne promotionnelle d'un
concurrent, le responsable de la grande surface redoute
que le montant moyen des tickets (donc des ventes) soit
modifié.
Afin de contrôler que la moyenne Il des achats reste
égale 550 euros, il se propose de construire un
bilotùal.
On désigne par X la variable aléatoire qui, chaque
échantillon aléatoire de 50 tickets de caisse, associe la
moyenne des montants en euros de ces tickets (le stock
de tickets est assez important pour qu'on puisse assi-
miler des prélèvements à des tirages de 50 avec remi-
se).
, L'hypothèse nulle est Ho : fJ. = 550.
• L'hypothèse alternative est HI : =F 550.
• Le seuil de signification du test est fixé à 0,05.
On suppose que, sous l'hypothèse nulle Ho. la variable
aléatoire X suit la loi normale de moyenne 550 et
d'écart type 195.
y50
1° Déterminer, ti 1 près,le nombre réel positif Il tel que
1'(550 - " '" X '" 550 + il) = 0,95.
r Énoncer la de décision permenant d'utiliser ce
test.
3° La moyenne des montants d'un échantillon aléatoire
de 50 tickets prélevés après la campagne du concurrent
est x = 597.
Comparaison de la moyenne à un nombre
/xé. test de validité d'hypothèse unilatéral
Avant d'engager une campagne publicitaire, la direc-
tion d'un groupe d'hypermarchés spécialisés dans le
bricol'lge se propose de construire un test unilatéral
qui, au vu des chiffres d'affaires journaliers des trente
jours ouvrables suivant celte campagne, permettra de
décider si, au seuil de signification 5 %, la moyenne
des chiffres d'affaires journaliers a augmenté, c'est-à-
dire dépassé 1,5 million d'euros, à la suite de celle
campagne publicitaire.
1 °Construction du tmilatiral
On note IJ.la moyenne inconnue de la nouvelle popula-
tion des chiffres d'affaires journaliers obtenus après la
campagne publicitaire et on suppose que l'écart type de
cette population est 0.3 million d'euros.
Soit Z la variable aléatoire qui, à tout échantillon aléa-
toire, non exhaustif, de trente chiffres d'affaires jour-
naliers de cette nouvelle population, associe la moyen-
ne de
On suppose que Z suit la loi normale de moyenne IJ. et
d'écart type 0,3
V30
a) Choisir une hypothèse nLllle Ho et une hypothèse
alternative Hl' pour ce test unilatéral.
b) Déterminer, à 10- 3 près, le nombre réel" tel que.
sous l'hypothèse Ho, on ait: P(Z '" il) = 0,95.
c) Énoncer la règle de décision de ce test.
2° Utilismioll a
Les chiffres d'affaires journaliers pendant les trente
jours ouvrables suivant la campagne publicitaire sont
donnés par le tableau suivant:
Chiffre d'affaire.'Io Nombre de joun
1.2 1
t,3 2
t.4 2
1,5
g
1.6 8
1,7 2
t,8 2
1,9 1
2 2
2,1 t
2.2 0
2,3 t
Chap. 6 : Test de validité d'hypothèse 199
1
1
1
1
Dans ce qui suit les résultats serollf arron-
dis à JO-J.
a) Calculer la moyenne des chiffres d'affaires jour-
naliers pendant ces trente jours.
b) En appliquant la règle de décision du test à cet
échantilIçm de trente chiffres d'affaires journaliers
que l'on assimile li. un échantillon aléatoire non
exhaustif, peut-on condure, au seui l de lignification
5 %, qu'à la sui te de la campagne publicitaire la
moyenne des chiffres d'affaires journaliers a dépas-
sé 1,5 million d'euros?
Test de validité d'hypothèse relatif à
un pourcentage
0*** Comparaison d'un pourcentage
à un nombre fixé, test de validité d'hypothèse
bilatéral ... à l'insu de son plein gré ...
Les statistiques ont permis d'établir qu'en période de
compétition la probabilité, pour un sportif pris au
hasard, d'être déclaré positif au contrôle antidopage est
égale à 0,02. On décide de construire un test qui, à la
suite des contrôles sur un échantillon de 50 sportifs
prélevé au hasard, permette de décider si, au seuil de
significat.ion de 10 %, Je pourcentage de sportifs
contrôlés positifs' est de Il = 0,02.
1 °Construction du test bilatéral
Dans ce qui suit, tous les résultats approchb seront
arrondis à 10-J.
Soit F la variable aléatoire qui, à tout échanti llon aléa-
toire (supposé non exhaustif) de 50 sportifs contrôlés,
associe le pourcentage de sportifs contrôlés positive-
ment. On suppose que F, suit la loi normale
X(p, où p = 0,02 et /1 = 50.
a) Énoncer une hypothèse null e Ho et une hypothèse
alternalive Hl pour ce test bilatéral;
b} Déterminer, sous l'hypothèse HO' le réel positif a
tel que pep - a F :s;: p + a) = 0.9 ;
c) Énoncer la règle de décision du test.
2° Utilisation du test:
Dans l'échantillon deux contrôles antidopage ont été
déclarés positifs. En appliquant la règle de décision du
test à cet échantillon assimilé à un échantillon aléatoire
non ex.haustif, peut-on conclure au seuil de risque
10 %, que l'échantillon observé est représentatif de
l'ensemble de la population sportive?
0-** Comparaison d'un pourcentage à un
nombre fixé, test de validité d'hypothèse uni-
latéral
Un candidat à une éleclion fait effectuer un sondage
dans sa circonscription comporlant 85842 électeurs :
sur 1068 personnes interrogées, 550 déclarent vouloir
voter pour ce candidat.
On suppose que cet échant ill on peut être assimil é à un
échantillon prélevé au hasard dans la population des
électeurs de la circonscription. Soi t F la variable aléa-
toire, qui, à tout échantillon de taille Il = 1068 prélevé
au hasard dans cette population, associe le pourcentage
d'électeurs de cet échantillon voulant voter pour le
candidat. On suppose que F, sui t a loi normale
X(p, ,où p est le pourcentage inconnu des
électeurs de la circonscripti on voulant voter pour le
candidat.
Dans CI! qui suit tOIlS les rbultats approchés seront
arrondi:) à JO- 3.
} O Construire un test permettant d'accepter ou de reje-
ter, au seuil de signifi cation de 5 %, l'hypothèse selon
laquelle, au vu d'un sondage porlant sur 1068 per-
sonnes interrogées, le candidat se.fJ. élu au premier tour,
:
a) Énoncer une hypothèse nulle Ho et une hypothèse
alternative Hl pour ce test unilatéral;
b) Déterminer le nombre réel positif a tel que, sous
l'hypothèse Ho, P(F '" (1) = 0,95 ;
c) Énoncer la règle de décision du test;
d) Utiliser ce test avec l'échantillon de l'énoncé.
r Même question avec le seuil de signification de 1 %.
o ·HU Comparaison des pourcentages de deux
populations, test de validité d'hypothèse bila-
téral
Dans ce qui suit, IOIlS It!s résuIIQl.\· approchés seront
arrondis à JO- 3.
Une entreprise s'interroge sur le lancement d'un pro-
duit nouveau auprès d'une population fixée. Au
moment où un pourcentage inconnu Il de cette popula-
tion est favorable à cette nouveauté, un premier sonda-
ge effectué sur un échantillon de 100 personnes donne
25 % de réponses favorables. Un mois plus tard, alors
que le pourcentage inconnu de la population favorable
à ce produit est devenu p', un second sondage effectué
auprès de 400 personnes donne 33 % de réponses favo-
rables.
On suppose que tous les échantillons intervenant ici
peuvent être considérés comme prélevés au hasard et
200
avec remise et que la variable aléatoire F, (resp. F')
qui, à un lei échantillon de taille '1 = 100 (resp.
n' = 4(0), associe son pour.,;entage de réponses favo-
ra.bles, suit la loi normale
X(", [r<sp X(p" l"))]
On suppose que F et F' sont indépendantes.
On prend pour valeur de l'écart type de F (resp. de F')
l'estimation ponctuelle fournie par l'échanti ll on corres-
pondant.
Peul-on, au seuil de signification de 5 %, considérer
que le pourcentage de réponses favorables sur l' en-
semble de la population n'a pas changé d'un sondage à
l'autre?
Exercices d'examen
rœ \ .. Loi normale, test bilatéral relatif à une

ÙS A et B SOtlt indépendan/t!s.
Une entreprise conditionne, en grande série, un mortier
de ragréage en sacs de 25 kg.
On désigne par X la variable aléatoire qui, il tout sac
pris au hasard dans la production d'une journée, asso-
cie sa exprimée en kilogrammes.
On admet la loi normale de moyenne Il- et
d'écart
Partie A
Dans celte partie on suppose que ;: 25.
] 0 Déterminer, à 10-
4
près, la probabilité que la masse
d'un sac tiré au hasard soit comprise entre 24,75 et
25,25.
2° Déterminer, à 10-
3
près, le nombre réel positif a, tel
( que la probatillité que X appartienne il l'intervalle
\... l25 - égale à 0,95.
PartieB
Pour vérifier le réglage de la machine chargée de l'en-
sachage, on prélève aléatoirement et régulièrement
dans la production d'une journée des échantillons de
100 sacs. Ces tirages peuvent être considérés comme
faits au hasard et avec remise.
La machine est bien réglée si, dans la production d'une
journée, la moyenne des masses des sacs est de 25 kg.
On appelle X la variable aléatoire qui, à chaque échan-
tillon, associe la moyenne des masses des 100 sacs
qu'il contient.
On veut construire un test permettant de décider si, au
risque de 5 %, le réglage est correct.
L'hypothèse nulle eSl Ho : J.1 = 25 ; J'hypothèse aller-
native est HI: #- 25.
Chap. 6 : Test de validité d'hypothèse 201
] 0 Déterminer. sous l'hypothèse nulle Ho' la loi suivie
par la variable aléatoire X.
r a) Déterminer, à 10-
4
près, sous l'hypothèse Ho, le
nombre réel positif" tel que:
P(25 - h" X" 25 + h) = 0,95.
b. Énoncer la règle de décision permettant d'uti li ser
ce test.
3° Les mesures effectuées sur un échantillon de
100 sacs donnent les résultats suivants:
Mauex,enq Effectifs
-
[24,75: 24.851 4
124,85 ; 24,951 Il
-
[24,95 : 25,05[ 58
-
[25.05: 25.15[ 20
-
[25.15 : 25,25[ 7
a. On suppose que dans chaque classe tous les élé-
ments sont situés au centre.
Calculer la moyenne des mesures de cet échantillon.
b. En utilisant, avec l'échantillon ci-dessus, le test
de la question 8.2° peut-on au risque 5 % conclure
que la machine est bien réglée?
[2] ... Loi normale, loi binomiale, approximation
d'une loi binomiale par une loi de Poisson,
test de validité d'hypothèse bilatér,lI relatif cl
une différence de deux moyennes .
US questiolls 1 et Il indépelldam-
J'autre.
Un groupe industriel possède deux filiales MAT et
MATIC qui produisent des petits moteurs destinés au
montage de jouets.
I. La variable aléatoire X qui, à chaque moteur tiré au
hasard dans la production, associe sa durée de vie
exprimée en heures, suit la loi normale de moyenne 400
et d'écart type 40.
r Un moteur est déclaré non commercialisable si sa
durée de vie est inférieure à 318 heures. Calculer, à
10-
4
près, la probabilité p qu'un moteur prélevé au
hasard dans la production ne soit pas commercialisable.
2° On admet que p ;: 0,02. Soit Y la variable
qui, à tout lot de 50 moteurs prélevés au hasard dans la
production, associe le nombre de moteurs non com-
mercialisables. La production est assez importante pour
qu'on puisse assimiler le prélèvement de 50 moteurs à
un prélèvement aléatoire avec remise.
a. Justifier que Y suit une loi binomiale dont on don-
nera les paramètres.
Calculer à 10-
3
près, la probabilité de l'événement:
4o: il y a exactement deux moteurs non commerciali -
sableslt.
1
1
1
1
1
1
b. On admet que la loi précédente peut être appro-
chée par une loi de Poisson. Préci ser son paramètre.
Soit Z une variabl e aJéatoire suivant cette loi de
Poisson.
Calclller à 10-
3
près, la probabililé de l'événement:
« il y a au plus trois moteurs non commercia-
li sables».
II.La filiale MAT prélève un échantillon de taille 100
sur la production d'un jour et mesure la dur6e de vie, en
heures, des moteurs.
Les résullats obtenus sont les suivants:
Dulie de vie Effectifs
[300, 340[ 7
[340, 380[ 21
[380, 420[ 48
[420, 460[ 16
[460,500[ 8
1
0
En faisant l'hypothèse que les valeurs mesurées sont
celles du centre de classe, calculer, à 10-
2
près, la
moyenne III] et l'écart type cride celle série statistique.
La filiale MATIC dans des condi tions similaires,
contrôle un échant ill on de taille 100 et obtient pour
= 406,8 et cr
2
= 40,5.
202
2
0
On désigne par XI la variable aléatoire qui, à chaque
échantillon de 100 moteurs prélevés au hasard par la
filiale MAT, associe sa moyenne et par X
2
la variable
aléatoire qui, à chaque échantillon de 100 moteurs pré-
levés au hasard par la filiale MATIC, aSSQ(' ie sa
moyenne. Tous les échanti llons considérés sont assimi-
lés à des échanti llons prélevés avec remise.
On suppose que les variables aléatoires XI' X
2
,
o = Xl - X 2 suivent des lois normales de moyennes
respectives MI' M2' MI - M
2
inconnues et on estime
"écart type de 0 par cr D = 1. /<ri + .
y- 100
(On prend comme valeur approchée à 10-
1
près de <T 1
la valeur 39,4.)
On décide de construire un test bilatéral permettant de
savoir s'i l existe une différence signi fi cative au seuil de
5 % entre les durées de vie des moteurs fabriqués par
les filiales MAT et MATIe.
On choisit pour hypothèse Ho: MI = M
2
, et pour hypo-
thèse alternative HI : MI -::;6 M
2
·
8. Sous l'hypothèse Ho, D sui t la loi normale
.N"(O,cr D)' Déterminer l'inter valle [- h, hl tel que
P(- h '" D '" h) = 0,95.
b. Énoncer la règle de décision du test.
c. Utiliser ce test avec les deux échantillons de
l'énoncé et conclure.
EXERCICES NON CORRIGÉS
Test de validité d'hypothèse relatif à une moyenne
Test bilatéral pour comp(lrer /a moye/llle d'une popu-
lation à Illl1lombrefixi (t'xerr:ices 8 à 12)
o ... On teste la longueur des pièces
Dans un atelier une machine fabrique des pièces en
grande série; on s'intéresse à leur longueur mesurée en
cm. On admet que la variable aléatoire X qui, à chaque
pièce tirée au hasard dans la production associe sa lon-
gueur, suit une loi normale de moyenne j.L et d'écart
type (J = 0,14.
Afin de contrôler le fait que la moyenne j.L des lon-
gueurs des pièces produites est 150, on se propose de
construire un lest d'hypothèse bilatéral.
On prélève des échantillons aléatoires de 49 pièces
(chaque échantillon étant obtenu par un tirage avec
remise).
À chaque échantillon ainsi défini, on associe la
moyenne x des longueurs des 49 pièces ; on définit
ainsi une variable aléatoire X.
L'hypothèse nulle est Ho: jJ. = 150; l'hypothèse alter-
native est HI : J.L :1= ISO.
Le seuil de signification du lest fixé à 0,05.
Dans a qui suit, tous rl.Hlltats approchb
arroI/dis à 10- 2.
1° a) Déterminer, sous l'hypothèse nulle Ho, la loi de la
variable aléatoire X.
b) Déterminer le nombre réel positif" tel que
P(150-h .,X., 150+h)=0,95.
2° Énoncer la règle de décision permettant d'utiliser ce
test.
3° La moyenne observée sur un échanti llon de
49 pièces est.f' = 149,9. Que peut-on conclure au seuil
de sign ifi cation 5 % quant à la qualité des pièces pro-
duites?
,[!J .*** On teste le poids des bovins
Un concepteur de régimes alimentaires pour bovins
désire mettre sur le marché un nouve<lU produit. Il sou-
haite fonder sa publicité sur le fait, qu'entre la nais-
sance et trois mois, le gain mensuel moyen de poids est
de 36 kg. 11 fait tester son produit dans un groupement
d'exploitations. Le régime administré à un échantillon
de 100 bovins (assimil é à un prélèvement aléatoire
avec remise) a donné un gain mensuel moyen de poids
de 34,65 kg avec un écart type de 4,25 kg.
On décide d'assimiler la loi de la variable aléatoire X
qui, à tout échantillon de taille 100, associe le gain men-
suel moyen de poids, à la loi normale X(f.1, .Jfoo)
où f.1 désigne le gain mensuel moyen de poids de la
population totale et où CT est estimé par 4,27.
Dans ce qui suit, tous les résultats approchés uron!
arrondis à JO-2.
1 °Construire un test bilatéral permettant de décider, au
seuil de signification 5 %, si la publicité envisagée est
me,nsongère ou non.
Pour cela:
a) Écrire une hypothèse nulle Ho et une hypothèse
alternative HI ;
b) Déterminer le réel positif Il tel que sous Ho :
P(36 - h ., X., 36 + h) = 0,95 en déduire la région
crit ique au seuil de signification 5 % ;
c) Énoncer la règle de décision.
r Appl iquer ce test à l'échantillon précédent et
conclure.
*** On teste là longueur des barres
Une machine fabrique des barres en grande sé,rie. On
veut vérifier le bon réglage de la machine.
On appelle L la vari able aléatoire qui, à chaque barre
prélevée au hasard dans la production d'une journée,
associe sa longueur exprimée en millimètres. On admet
que L suit une loi normale de moyenne J.L et d'écart
type 1.
Dans le cas où la machine est bien réglée, la moyenne
].L est égale à 1000.
On appelle L la vari able aléatoire qui prend pour valeur
la moyenne des longueurs des 100 barres d'un échan-
tillon aléatoire àssimilé à un échant illon non éxhautif.
ce qui suit, tous les résultats approchés seront
arrondis à 10- 2.
1
0
On se propose de construi re un test d'hypothèse
bilatéral permettant de vérifier le bon réglage de la
machine au seui l de 2 %.
a) Donner l'hypothèse nulle Ho et l'hypothèse alter-
native Hl.
b) Sous l'hypothèse Ho_ quelle est la loi de L ?
c) Déterminer la région critiq ue el énoncer la règle
de décision relative à ce test.
Ch.p. 6 : Test de validité d'hypothèse 203
2° a) On a regroupé par classes les longueurs des
barres d' un échantillon:
Longueur [997,999[ [999, 1001 [ [ 1001, 1(0)[
Quantité 14 75 II
Déterminer une valeur il pprochée de la moyenne f
de la longueur des barres prélevées, en supposant
que dans chaque chlsse, tous les éléments sont situés
a) Quelle doit être l'hypothèse nulle Ho ?
b) Quelle doit être l'hypothèse alternati ve H
t
?
c) En utili sant la question r, énoncer la règle de
décision du test.
d) En utilisant l' échantillon de l' énoncé peut-on
accepter, au seuil de risque 5 %, l' hypothèse selon
laquelle la machine est bi en réglée?
au centre. '"
b) Au vu de cet échantill on, que peut-on conclure
quant au réglage de la machine?
... Dew. tests bilatéraux
.u Fabrication de bouchons
Une machine fabrique plusieurs milliers de bouchons
cylindriques par j our. On admet que la vari able aléa-
toire X qui , t\ chaque bouchon prélevé au hasard dans la
production, associe son diamètre exprimé en milli-
mètres, suit la normale de moyenne iJ. = 22 et d'écart
type (J = 0,Q25.
En vue du contrôle du réglage de la machine, on pré-
lève dans la production échantillons aléatoires de
100 bouchons. On appell e X la vari able aléatoire qui , à
tout échantill on aléatoire de 100 bouchons, associe la
moyenne des diamètres des 100 bouchons de cet
échantillon. (On ass imile ces prélèvements à des
tirages remise.) Lorsque la machine. est bien
réglée X suit la loi normale de moyenne iJ. et d'écaTI
type (J' = (on rappelle que fJ. = 22 et (J = 0,025).
Dans ce qll i st/it, tOIl S les rbt/ftots approchés sero1lf
arrondis à /0-3.
I ° le nombre réel positif a, tel que
p(22 - a '" X '" 22 + a) = 0,95.
r Sur un échantillon de 100 bouchons, on a obtenu les
rés ultats sui vants (les mesures des diamètres étant
répar ties en cl asses d'amplitude 0,02 mm) :
en mm Effectif
[21,93 ; 21,951 3
[21,95; 21,97[ 7
[2 1,97 ; 21,99[ 27
[21,99; 22,O I[ 30
[22,01 ; 22,03[ 24
[22,0) ; 22,051 7
[22,05 : 22,07[ 2
En supposant que tous les bouchons d' une cl asse ont
pour di amètre la valeur centrale de cette classe, donner
une valeur approchée de la moyenne et de l' écart type
de cette série.
3° On veut construire un test bilatéral permettant de
décider si la machine est bien réglée au seuil de ri sque
5 %
Dans une grande surface de matéri el hi -fi vidéo on tire
au hasard et avec remi se 100 ti ckets de caisse à la fi n
de la journée et on note pour chacun le montant total
des achats .
On obtient les rés ultats sui vant s:
Montant (cn Clll"OS) Effectif
[ 0, 200[ 15
[ ZOO,400[ 23
[400,600[ 28
[600, Boo[ 18
[800, 1 OOO[ 7
[1 000, 1 200[ 9
Soit X la vari able al éatoire qui , à tout échantillon de
taill e II = 100 prélevé au hasard et avec remi se comme
l'échantill on ci-dessus, associe le montant moyen des
achats fi gurant sur les 100 tickets de cai sse.
On suppose que X suit la loi normale N(m, où
111 et (] sont la moyenne et l'écart type des achats de
tous les client s du supermarché ce jour-là.
On prend pour valeur de (] son estimati on ponctuell e
fournie par l' échantill on décrit ci-dessus.
Une caissière A pense que la moyenne des achats a été
ce jour-là égale à 500 € ; une autre caissière estime
celte moyenne à 450 €.
Dans u qui slIit, IOUS résultaIs approchls seront
arrondis à 10- 2.
] 0 Déterminer la moyenne x de l' échantill on donné ci-
dessus.
ZO Construire un test permettant d'accepter ou non, au
seuil de signification de 5 %, le point de vue de la cais-
sière A.
Utiliser ce test avec l' échantillon de l'énoncé.
3° Même question pour la caissière B.
4° Repœndre ces deux. questions en utili sant le seui l de
signifi cation de 1 %.
204
Test unilatéral pour COmjXlrer la moyel/lle d'une popu-
latiol/ à dOl/lié (exen:ice 13)
••• On teste le montant moyen des \'f'ntes
Un de matériel s informatiques commercialise
directement une partie de sa production.
On note X la variable aléatoire qui à chaque vente tiré
au hasard parmi les ventes de l'année dernière aswcie
son montant en euros.
On admet que X suit la loi normale de moyenne
fL = 550 el d'écarllype 195.
Le fabricant désire savoir si la compagne promotion-
nelle entreprise pendant le mois de janvier a permi s de
modifier le montant moyen des ventes.
Afin de contrôler si la moyenne des ventes a été modi-
fiée ou non, il se propose de construire un test d'''-,pu-
unilatéral.
On désigne par X la variable alé.Hoire qui , à chaque
échantillon aléatoire de 50 factures, associe la moyen-
ne des montants en euros de ces factures (le nombre des
ventes est assez important pour qu'on puisse assimiler
ces prélèvements à des tirages de 50 avec remise).
L' hypolhèse nulle eSI Ho : fL = 550.
L'hypothèse alternative est HI : J..l > 550.
On suppose que, sous l'hypothèse nulle Ho, la v:.\riable
aléatoire X suit la loi normale de moyenne 550 et
d'écarl Iype
VsO
1 °Déterminer, à 10- 2 près, le nombre réel positif Il tel
que p{i h) = 0,95, en déduire la région critique au
seuil de sign ifi cation de 5 %.
2° Énonce.r la règle de déci sion.
3° La moyenne des montant s d'un échantillon aléatoire
de 50 factures prélevées après la campagne promotion-
nelle est x = 597.
Utiliser le test sur cet échant ill on et conclure.
Tt!st bilatüal ou unilatéral p our comparu
de d(!/IX populations
(eurcia 14 à 17)
••• On compare les productions de deux
laboratoires: test bilatéral
. 1
Tous résultats approchés seronI arrol/dls à j(T .
Deux laboratoires A et B fabriquent des tubes à essai et
les conditionnent dans des paquets. Tous les paquets
cont iennent le même nombre de tubes.
1 °On note XI la variable aléatoire qui , à chaque paquet
expédié un jour donné par le laboratoire A, associe le
nombre de tubes défectueux de ce paquet.
Sur un échanti llon aléatoire de 49 paquets provenant du
laboratoire A les nombres des tubes défectueux par
paquet sont les suivanl$ :
7 5 5 4 4 4 9 7 9
2 7 8 7 8 4 4 9 10
5 10 6 4 5 6 1 2 5
7 8 0 6 0 5 2 0
5 2 3 3 4 3 10
0 10 2 7
Calculer une valeur approchée de la moyenne ml et de
l'écart type SI de cet échantillon.
On admet dan'i la suite de cet exercice qu'une estima-
ti on ponctuelle III de la moyenne f-LI de la variable
aléatoire XI est 4,84 et qu ' une estimation ponctuelle8-
1
de l'écart type 0'"1 de XI est 2.99.
r On note X., la variable aléatoire qui , à chaque paquet
expédié un donné par le laboratoire B, associe le
nombre de tubes défectueux de ce paquet. Sur un
échanti llon aléatoire de 64 paquets provenant de J'en-
trepri se B on a obtenu une moyenne 1112 de 3,88 tubes
défectueux et un écart type 0'"2 de 1,45.
En déduire une est imation ponctuelle 11
2
de la
moyenne J.L., de la variable X" et une estimati on ponc-
tuelle 8-
2
d; l'écart type 0'"2 X
2
"
3° On se propose de construire un test d'hypothèse
bilatéral pour comparer les qualités de production des
laboratoires A et B.
On note X 1 la variable aléatoire prenant pour valeur le
nombre moyen de types défectueux par paquet dans des
échanti llons aléatoires de 49 paquets de 1:.\ production
du laboratoire A.
On note X
2
1:.\ variable aléatoire prenant pour valeur le
nombre moyen de tubes défectueux par paquet des
échantillons aléatoires de 64 paquets de la production
du laboratoire B.
a) Le nombre d'observations étant important, on
admet que les loi s de probabilité de XI et X
2
peuvent
être approchées par des lois normales.
Exprimer la moyenne et l'écart type de chacune de
ces variables aléatoires en fonction de ceux de XI et
de X
2
. Dans toute la suite, on considère donc que Xl
et X
2
sont deux variables aléatoires indépendantes
suivant une loi normale.
b) On note 0 la variable aléatoire telle que :
0= X
1
- X
2
. Quelle la loi de probabilité de D ?
Déterminer la moyenne et l' écart type de D.
Justifier.
4° Dans cette question, on admet que D suit la loi nor-
male NO"I - ""' ; 0,46).
On pose pour hypothèse nulle Ho : J.L] = ll-2 et pour
hypothèse alternative HI : IJ.I "# 1l-2.
Ch.p. 6 : Test de validité d'hypothèse 205
a) Calculer, sous l'hypothèse Ho, les nombres" et k
tels que
P (-Ii < D < li) = 0,99 et P(-k < D < k) = 0,95.
b) Énoncer la règle de décision relative à ce test lors-
qu'on choisit un seui l de signification de 1 %, puis
deS %.
c) Peut-on conclure, après e"amen des échanti ll ons
donnés dans les quest ions 1
0
et r, que la différence
des moyennes observées est significative au seui l de
risque de 1 %? Au seuil de risque de 5 %?
~ ... Contrôles de vitesse et test bilatéral
Toutes lt's \'a/t'lIrs dnllQlldées st'mnt arrondies à JO - 2.
La gendarmerie a effectué un contrôle de vitesse sur
une route nationale du département et a constitué le
tableau suivant sur un échant ill on de taille n] = 50 véhi-
cules:
Vites!CS en kmlh
Nombre
de véhicules
moins de 70 1
[70,801 5
[80,85[ 7
[85,90[ 13
[90.951 15
[95.100[ 5
1100,11O[ 3
plus de 110 1
1
0
Calculer une valeur approchée, à 10-
2
près, de la
moyenne ml des vi tesses des véhicules de cet échan-
tillon. On fait l'approximation sui vante: pour chaque
classe, les valeurs observées sont égales il celles du
milieu de cette classe. On admet que l'amplitude des
classes extrêmes est égale à celle de la classe voisine.
r On désigne par X la variable aléatoire qui à chaque
échant ill on de 50 véhicules, prélevés au hasard, associe
la moyenne des vi tesses de ces 50 véhicules.
La circ.ulation des véhicules est assez importante pour
que l' on puisse assimiler tout échanti llon de 50 véhi-
cules à un échantillon non ex.haustif.
On admet que X suit une loi normale de moyenne 1-1],
et d'écart type a] = 8,88
V50
Compte tenu des résultats ex.périmentaux précédents,
a) donner une estimation ponctuelle de 1-1] ;
b) donne.r une estimation de J.l] par un intervalle de
confiance à 95 %.
3° On prévoit un autre contrôle portant sur un éc.'han-
tillon de tai lle ''-2 = 70. Y est la vari able aléatoire qui, à
chaque nouvel échantillon, associe la moye,nne des
vitesses.
On suppose que Y suit une loi normale de moyenne ~
et d'écart type 8,88. -
v.;:,
On sait que X - Y suit une loi normale. de moyenne
1-11 - f-L2 et d'écart type 8,88 y ~ + ~ 2 ·
Pour ce deuxième contrôle on a trouvé une moyenne
expérimentale nl2 = 88,1 km/h.
On veut tester l' hypothèse 1-1] = ~ .
Peut-on décider au risque de 1 % que 1-11 = 1-12?
1
Pour construire le test, on pourra procéder comme au 4° de
J'exercice 14.
~ .... On compare les performances de deux
succursales: test bilatéral et test unilatéral
Dans une entreprise de gros équipements mécaniques
on étudie les performances commerciales d'un établi s-
sement A et d'un établissement B pour les contrats dont
le montant est inférieur à 500000 euros.
On désigne par X A la variabl e aléatoire qui, à chaque
échantillon aléatoire de 30 contrats prélevés parmi les
contrats remportés par l'établissement A, associe la
moyenne des montants de ces contrats (le nombre de
contrats est assez important pour qu'on puisse ass imi -
ler ces prélèvements à des tirages de 30 avec remise).
On désigne de même par X B la vari able aléatoire qui, à
chaque échantillon aléatoire de 35 contrats prélevés
parmi les contrats remportés par l'établissement B,
associe la moyenne des montants de ces contrats.
On admet que les variables aléatoires X A et X B suivent
respectivement les lois normales X(m
A
; 21,97) et
N(m
B
; 23,24) et que X A et X
B
sont indépendantes.
Dans ce qui suit, tous les résultats approchés urolll
arrondis à 10- z.
1
0
On note D la variable aléatoire D = X A - X B.
Justifier que D suit la loi normale X(m
A
- mB; 31,98).
r Utilisation d'un test bilatéral
a) Construi re un test bilatéral permettant d'accepter
ou non, au seuil de signifi cati on de 1 %, que les éta-
blissements A et B ont les mêmes performances
commerciales en ce qui concerne les contrats dont le.
montant est inférieur à 500000 euros.
b) Une étude statistique sur un échanti ll on de
30 contrats remportés par l'établissement A et un
échantillon de 35 contrats remportés par l' établisse-
ment B a donné respecti vement les moyennes
x
A
= 250 et xe = 235,71. Utiliser le test avec ces
deux échanti llons et concl ure.
206
3
0
Utilisalioll d'ul/ fmi/athal
a) Construire un test unilatéral permettant d'accep-
ter ou non, au seuil de signification de 5 %, que l'éta-
blissement A a des performances commerciales
supérieures à celles de J'établissement B en ce qui
concerne ces mêmes contrats.
h) Utiliser ce test avec les échantillons de
l' énoncé du 2
0
h) et conclure.
**u Le taux de cholestérol." test bilatéral
Pour un groupe de 300 personnes bien portantes préle-
vées au hasard dans une région, on a dosé le cholesté-
rol et obtenu les résu lt ats résumés dans le tableau
suivant:
"
Effeçtif If;
180.1201 7
1120.1601 54
1160. 2001 110
[200. 240[ 72
1240.2801 46
[280.3201 8
[320. 36O[ 3
où xi désigne le taux de cholestérol exprimé en cg L - 1.
Toutes applTX'hüs seront à la -Jo
r Calculer des valeurs approchées de la moyenne xI et
de l'écart type SI de cet échantill on.
r Donner une estimation ponctuelle J.L.I de la moyenne
et 0'1 de l'écart type du taux de cholestérol chez les
gens bien portants de la région considérée.
3
0
Dans une autre région, un hôpital a obtenu (X)ur un
échantillon aléatoire de 250 personnes une moyenne
x
2
= 19 J ,2 et un écart type s:! = 45,2.
On sup(X)se que toutes les analyses effectuées sont
indépendantes.
On désigne par X 1 la variable aléatoire qui, à chaque
échantillon aléatoi re de 300 personnes de la première
région, associe la moyenne de l'échantill on et par X
2
la
variabl e aléatoire qui , à chaque échantillon aléatoire de
250 personnes de la deuxième région, associe la
moyenne de l' échantill on. On suppose que les vari ables
aléatoires XI' X
2
sui vent des lois normales de
moyennes inconnues et d'écarts types estimés par 0'1 et
0'2 obtenus à partir des échanti ll ons précédents.
La différence des moyennes constatée entre les deux
populations des questions 2
0
et 3
0
est-elle significative
au seui l de risque 5 %?
1
Pour la construction du test bilat6ral, on pourra proctder
comme à l'exercice 14.
Chap. 6 : Test de validité d'hypothèse
207
Test de validité d'hypothèse relatif
à un pourcentage
Test bilaléral pour comparer lm pouruntage à UII
lwmbrefixé 18)
Œ!l ..... Des pièces pour l'industrie
Une entreprise fabrique en grande séri e des pièces pour
l'industrie.
Pour analyser la qualité de la fabric.at ion, on effectue
un test bilatéral permettant, à la suite du prélèvement
au hasard d'un échantill on de n = 64 pièces dans la pro-
duction, de tester au seui l de 5 %, l'hypothèse Ho selon
laquelle le pourcentage de pièces défectueuses dans la
production est 4 %. L'hypothèse alternative Hl est
p " 0,04.
Soit F la variable aléatoire qui , à tout échanti llon de
64 pièces, associe le pourcentage de pièces défec-
tueuses de cet échanti llon. On assimile ces échanti ll ons
de 64 pi èces des échantillons aléatoires prélevés avec
remise et on admet que, sous Ho, F suit la loi normale
X(P. Vp( l p») où /1 = 64 et p = 0,04.
TOLU les rlsl/llats approchél' suant arrondis cl j(rl.
1
0
Déterminer le nombre réel a positif tel que
P(O,04 - a .; F'; 0.04 + a) = 0,95.
2
0
Énoncer la règle de du test.
3
0
Pour un tel échantillon de 64 pièces on a trouvé cinq
pièces défectueuses. en conclure, au seui l de
5 %, que le pourcentage de pièces défectueuses dans la
production est bien 4 %?
tmilalhal pour COIII/}{lrer utl à Lili
Ilombrefixé 19)
*** La production de tiges
Une machine fabrique des tiges en grande série. La pro-
duction étant imporHtnte on assimile tout prélèvement
d'échanti llon à un prélèvement avec remise.
La machine est supposée bien réglée quand le pourcen-
tage de pièces acceptables est supéri eur ou égal à 90 %.
Pour contrôler le réglage de la machine, on constnJit un
test permettant de décider si, au seuil de 5 %, la machi-
ne est bien réglée et on prélève de temps en temps des
échantillons aléatoires de 150 tiges.
1
0
Construction du test Lmilatérlll
Soit F la variable aléatoire qui à tout échanti llon aléa-
toire de J 50 tiges associe le pourcentage de tiges accep-
tables dans cet échanti ll on.
On choisit pour hypothèse nulle Ho : p = 0,9 ;
on choisit pour hypothèse alternative H I : P < 0,9.
On suppose que, sous l'hypothèse nulle HO' la variable
aléatoire F suit la loi normale de moyenne 0,9 d'écart
type 0,024.
a} Déterminer, à 10- 4 près, le nombre réel" tel que
sous l'hypothèse Ho, P(F > h) = 0,95.
b} Énoncer la règle de décision de ce test.
r Utilisation du test
a} On prélève un échantillon aléatoire de 150 tiges
On trouve 22 tiges défectueuses. Quel est le pour-
centage de acceptables de ('et échantillon?
b) En appl iquant la règle de décision du test à cet
échantillon, peut-on conclure, au seuil de 5 %, que la
machine est bien réglée?
Tt!st bilatiml Ilnilatéral pour comparer les pollr-'
celllages de deux populations
(exerciceJ 20 et 21)
U. Un nouveau modèle de téléviseur:
test bilatéral
Les nouveaux modèles de téléviseurs« 70 cm », que va
fabriquer une usine, sont de deux types : modèle (1 ) et
modèle (2). Une enquête préalable à la fabrication, réa-
lisée auprès de 400 ménages de la population S des
ménages des « quartiers sud » de la vill e V, indique
qu'entre lr;:.s deux modèles de téléviseurs, 63 % préfè-
rent le modèle (1 ). La même enquête, réalisée auprès de
500 ménages de la population N des ménages des
« quartiers nord » de la vill e, indique que 67 % préfè-
rent le modèle (1).
On note F
s
la variable aléatoire qui, à tout échantillon
de 400 ménages pris au hasard et avec remise dans la
population S, associe la proportion de ménages de cet
échantillon qui préfèrent le modèle (1).
On note F N la variable aléatoire qui, à tout échantillon
de 500 ménages pri s au hasard et avec remi se dans la
population N, associe la proportion de ménages de cet
échanti llon qui préfèrent le modèle (1).
On suppose que la loi de la variable D = F
s
- F N est
approx imativement une loi normale de moyenne
Ps - PN inconnue et d'écart type 0,032 (ps et PN étant
les pourcentages de préférence dans les populations S et
N).
On se propose de const.ruire un test bilatéral permettant
de décider s'il y a une différence signific-ative, au seui l
de 5 %, entre les pourcentages de préférence issus des
deux échanti llons de l' enquête préalable.
1
0
Construction du test bi/mira/
a} L' hypothèse Ho est donnée par Ps = PN' énoncer
l'hypothèse alternative Hl'
b} Déterminer l'intervalle [- a, a] tel que, sous
l'hypothèse Ho, P( - a '" D '" a) = 0,95.
c) Énoncer la règle de déci sion du test.
2° Utilisation du test
Util iser ce test avec les deux échantill ons de l'énoncé
et conclure.
Exercices d'examen
I
Les exercices sui va nts, proposés récemment dans les
épreuves d'examen, portent sur plusieurs thèmes abordés
dans ce chapitre et dan" les chapitres précédents.
••• Loi normale, loi binomiale, test bilatéral
de comparaison d'une moyenne à un nombre
fixé
Les quatre qlll'Stiom peul'ent être tmitées dt! façon
indépmdante.
Les résultats approchés seront (/nv ndis à 10-
3
.
On fabrique des pièces en série. La variable aléatoire X
qui, à toute pièce tirée au hasard dans la production
d'une journée, associe sa cote, mesurée en millimètres,
suit une loi normale, d'espérance mathématique j..L et
d'écart type cr.
r On prend dans cette question j..L = 150 et cr = 2,4.
Une pièce n'est utilisable que si sa cote est comprise
entre 146 mm et 154 mm (c' est l'inter vall e de tolé-
rance).
Quelle est la probabilité qu'une pièce soit utilisable ?
2
Q
On suppose que la proportion de pièces non utili-
sables est 10 %. On effectue des contrôles sur 5 pièces
tirées au hasard parmi un très grand nombre: On sup-
pose que les 5 tirages sont indépendants.
Soit Y la variable aléatoire qui, à tout prélèvement de
5 pièces, associe le nombre de pièces qui sur ces
5 pièces ne sont pas utilisables.
a} Justifier que Y suit une loi binomiale dont on don-
nera les paramètres.
b) Quelle est l'espérance mathématique de Y?
c) Quelle est la probabilité de l'événement 41 Y= 2»?
3° On sa.it que la variable aléatoire X suit une loi nor-
male d'écart type cr = 2,4, mais on a des doutes sur
l'espérance mathématique j..L de X.
Afin de vérifier l' espérance mathématique de X, on
prélève un échantillon de 50 pièces. On assimile tout
échant illon de 50 pièces à un échant illon aléatoire non
exhaustif.Sur le tableau suivant on trouve la distribu-
tion des mesures des cotes arrondies à l'entier le plus
proche:
Cotes 147 148 149 150 151 152 153 154
Effectifs 2 3 5 10 9 9 8 4
208
Calc:uler la moyenne x de cet échantillon. On ne calcu-
lera pas son écart type.
4° On suppose que la varlable X qui, à tout échantillon
de 50 pièces prélevées au hasard, associe la moye.nne
des ('otes des pièces de cet ét'hantillon suit la loi nor-
male N(fL ; ~ )
On veut construire un test bilatéral pour permettre
d'accepter ou de rejeter, au risque de 5 %, l'hypothèse
selon laquelle l'espérance mathématique M- de X est
150 mm.
On prend comme hypothèse nulle HO: c f..L = 150».
et comme hypothèse alternative H
t
: « IJ. ~ 150 ».
a) Trouver un nombre réel positif Il tel que, sous
l'hypothèse Ho : P(l50 - h "ç;; X "ç;; 150 + h) = 0,95.
b) Énoncer la règle de décis ion.
c) Utiliser ce test avec l'échantillon des 50 pièces
proposé dans cet énoncé et conclure.
@] *** Loi binomiale, approximation d'une loi
binomiale par une loi de Poisson, loi normale,
test bilatéral de comparaison d'une moyenne
à un nombre fixé
ùs partie.5 A, B, C peurel/I êl" IrtlÎlüs de façon indi-
pendante.
A.On dépose du nickel par électrolyse sur un lot de
pièces en acier. Durant cette opération peut apparaître
un défaut D: « la pièce manque d'adhérence ». La pro-
babilité qu'une pièce présente le défaut D est
P(D) = 0,003. On prélève au hasard, successivement et
avec remise, n pièces dans un lot de pièces nickelées.
Soit Y la variable aléatoire, qui, à tout prélèvement de
Il pièces de ce lot, associe le nombre de pièœs d é f e c ~
tueuses.
1 °Montrer que la variable aléatoire Y suit une loi bino-
miale dont on donnera les paramètres.
r Dans cette question n = 7. Calculer, à 10- 4 près, la
probabilité que, parmi ces sept pièces, deux exacte-
ment, aient un nickelage défectueu:c
3° Dans cette question /1 = 100. On admet que la loi de
probabilité de Y peut-être approchée par une loi de
Poisson dont on déterminera le paramètre. Calculer la
probabilité qu'il y ait au plus deu," pièces dont le nic-
kelage soit défectueux e-n utilisant <:ette loi de Poisson.
B. On admet que la variable aléatoire X qui, à chaque
pièce, associe l'épaisseur de nickel déposé suit une loi
normale de moyenne f..L = 25 microns et d'écart type
cr = 1,2 micron.
Déterminer, à 10- 4 près, la probabil ité qu'une pièce
traitée ait une épaisseur de nickel comprise entre
22,6 microns et 26,2 microns.
Chap. 6 : Test de validité d' hypothèse 209
c. Un client commande un lot de pièces dont on lui
annonce que la moyenne des épaisseurs de nickel
déposé est 25 microns. Ce client veut vérifier cette
affirmation et mesure les épaisseurs de nickel d'un
échantillon de 30 pièces prélevées avec remise dans ce
lot. 11 obtient les résultats suivants:
Épai:o.seurs en micmns Effef.:lifs
122; 22,51 1
[22,5: 23[ 1
123: 23,51 2
123,5; 24[ 3
[24 : 24.5[ 5
124,5; 25[ 6
[25: 25,51 4
125,5; 26[ 4
[26; 26,5[ 2
[26.5: 27[ 2
1° Calculer la moyenne ~ et l'écart type (je' de cet
échantillon, à 10-
2
près, en supposant que, dans ('haque
classe, la population est au centre.
Les calculs intermédiaires ne sont pas demandés.
r En déduire que l'écart type estimé du lot entier est,
à 10-
2
près, de 1,12.
3° Soit X la variable aléatoire qui, à tout échantillon de
taille Il = 30 prélevé au hasard et avec remise dans ce
lot, associe l'épaisseur moyenne de nickel déposé sur
les 30 pièces prélevées.
On suppose que X suit la loi normale de paramètres IJ.
et ... ~ où ,.... et cr sont la moyenne et J'écart type des
V" -
épaisseurs de nickel, en mi('rons, déposé sur les pièces
du lot.
a. On prend cr = 1,12. On se propose de construire
un test bilatéral permettant d'accepter ou de refuser
ce lot, au seuil de 5 %, vu le cahier des charges qui
impose /J- = 25.
On prend comme hypothèse nulle Ho : ~ IJ. = 25 »
et comme hypothèse alternative Hl: « /J- =F 25 ».
• Détermine.r, à 10-
2
près, un nombre réel positif li
tel que, sous l'hypothèse Ho :
P(25 -" "ç;; X "ç;; 25 + h) = 0,95 .
• Énoncer 13 règle de décision.
b. Doit-on, à partir de l'échantillon indiqué dans la
question 1°, acœpter ou refuser ce lot en uti li sant ce
test?
*** Loi binomiale, approximation d'une loi
binomiale par une loi normale, test bilatéral
de comparaison d'une moyenne à un nombre
fixée
Dans Ct! problème. 011 s'ill /éresse à unt! prodllction de
pots de peinture dans une usine.
ÙS parties A et B pt'lH't'nt être traitüs séparément.
Partie A.
On s' intéresse, dans cette partie, la masse des pots
produits.
On considère l' événement: « un pot a une masse infé-
rieure à 490 grammes ».
Une étude a permis d'admeltre que la probabilité de cet
événement est 0,2.
1
0
On prélève au hasard 10 pOIS dans la production
totale. On suppose que le nombre de pots est assez
important pour que l' on puisse assimiler ce prélève-
ment à un tirage avec remise de 10 pots.
On considère la variable aléatoire X qui, à tout prélè-
vement de 10 pots, associe le nombre de pots dont la
masse est inférieure à 490 g:ammes.
a) Expliquer pourquoi X suit une loi binomiale.
En préciser les paramètres.
b) Calculer la probabilité de l' événement A: « parmi
les 10 pots, il y a exactement 2 pots dont la masse
est inférieure à 490 grammes ».
r On prélève au hasard 100 pots dans la production
totale. On considère la vari able Y qui, à tout prélève-
ment de 100 pots, associe le nombre de pots dont la
masse est inférieure à 490 grammes.
On admet que la loi de la variable aléatoire Y peut être
approchée par une loi normale.
Soi t Z une variable aléatoire suivant celte loi normale.
a) Expliquer pourquoi les paramètres de la loi Z sont
20 et 4.
b) Calculer la probabilité de l'événement B
« parmi les 1 00 pots, il y a au plus 18 pots dont la
masse est inférieure à 490 grammes », c'est-à-dire
calculer P(Z '" 18,5).
c) Déterminer Je plus petit entier " tel que
P(Z'" Il) > 0,80.
Partie B
1
0
Le·s masses, exprimées en grammes, observées pour
un échantill on de 100 pots pris au hasard et avec remi-
se dans la production totale, ont donné les résultats sui-
vants:
Ma .. en grammes Nombre de pots
[470,4801 7
1480,4901 13
1490,5OO[ 43
1500.5101 27
1510,520[ 10
a) On considère que les éléments de chaque classe
sont situés en son centre. Dans cette situation, calcu-
ler la moyenne et une valeur approchée à 10 -2 près
de l'écart type de cet échantillon.
On utilisera les fonctions stat istiques de la calcula-
trice.
b) À partir des informations précédentes, donner
une estimation ponctuelle de la moyenne I-L et de
l' écart type s de la production total (pour cette der-
nière, on donnera une valeur approchée arrondie à

2° Le fabricant fait régler sa machine pour la masse des
pots produits soit 505 grammes.
Soit S la vari able aléatoire qui, à tout échantillon de 100
pots prélevés au hasard et avec remise dans la produc-
tion totale, associe la moyenne des masses des 100 pots
de cet échantillon.
On admet que S suit la loi normale de moyenne I-L et
d'écart type
10
On se propose de construire un test bilatéral permettant
de vérifie.r, au seuil de signification 5 'Il, l'hypothèse
selon laquell e la machine est correctement réglée.
On choisit comme hypothèse nulle Ho I-L = 505 et
comme hypothèse alternative Hl: I-L =1=- 505.
a) Déterminer la région critique au seuil de signifi-
cation 5 %.
b) Énoncer la règle. de décision.
c) Utiliser le test avec l'échantillon de la ques-
tion b.l.
Conclure.
*** Loi normale, statistique à une variable, test
unilatéral de comparaison d'une moyenne à
un nombre fixé
Les résu{wH approchb des calculs de probabilitls
{Irrondis à /0-3.
r On désigne par R la variable aléatoire qui, toute
tige prélevée au hasard dans une production, associe la
résistance à la rupture de cette tige, exprimée en
kg· cm-
2
.
Cette variable aléatoire suit la loi normale d'espérance
mathématique ln = 50 et d'écart type 0" = 2.
210
Dans cette production, une pièce est jugée défectueuse
si sa résistance à la rupture est inférieure à
46,9 kg· cm-
2
(rupture de tolérance). Déterminer la
probabilité pi qu'une pièce pri se au hasard soit défec-
lUeuse.
2° Avec l'introduction d'un nouvel alliage dans la com-
position des tiges, on désire obtenir une résistance
moyenne à la rupture plus élevée.
Une nouvelle fabrication a été effectuée et on a prélevé
un échantillon aléatoire de 100 tiges. assimilé ?t un
échantillon prélevé avec remise.
On a relevé les données suivantes:
RW5tance en kg. çm-· Effeclif
[46.47[ 2
147,481 9
[48,49[ Il
[49,50[ 18
[50,511 21
151. 521 18
152,531 13
153,54[ 8
a) Le regroupement des données ne permet pas le
calcul de la moyenne et de l'écart type.
Néanmoins, pour en déterminer des valeurs appro-
chées, on admet que toutes les données sont au
centre de la classe. Donner, dans ces conditions, une
valeur approchée de la moyenne et de l' écart type de
cet échantillon arrondies à 10-
1
.
b. On veut construire un test unilatéral, au seuil de
signification 0,95, permettant d'accepter ou de refu-
ser l'hypothèse c il y a une augmentation significati-
ve de la résistance moyenne à la rupture ».
On suppose que l'écart type de la production est tou-
jours cr = 2.
On prend pour hypothèse nulle Ho : m= 50 et pour
hypothèse alternative H t : m > 50.
On désigne par Fi. la variable aléatoire qui , à tout
échantillon aléatoire non exhaustif de 100 tiges,
associe la résistance moyenne à la rupture des tiges
de cet échantillon.
- Quelle est, sous Ho , la loi suivie par R.
- Déterminer, sous Ho , le réel positif Il tel que
p(j{ .. 50 + h) = 0,95.
- Énoncer la règle de décision de ce test.
- Utiliser ce test avec l'échantillon de J'énoncé et
conclure, au seuil de signification 95 %. s'il y a une
augmentation significative de la résistance moyenne
à la rupture.
Chop. 6 : Test de validité d'hypothèse 211
.u Loi normale, foi binominale, lest unilatéral
pour comparer un pourcentage à un nombre
fixé
Tous les rbill/tats appr(x:hés seror/t arrondis à JO-
3
.
ùs quatre qllesliom' l Ire traitüs façon
indépendante.
Une entreprise de bâtiment a constaté qu'un certain
nombre de mitigeurs thermostatiques, posés par elle,
avait un mauvai s fonctionnement. Ce mauvais fonc-
tionnement est dû à une pièce cylindrique montée sur
cette catégorie de mitigeur. Pour obtenir un bon fonc-
tionnement du mitigeur, le diamètre de celte pièce doit
être compris entre 16,4 mm et 16,6 mm.
1° Une enquête est faite sur la fabrication des pièces.
La variable aléatoire qui associe, à toute pièce prélevée
au hasard dans la production d'une journée. son dia-
mètre, exprimé en mm, est notée X. On admet que la
variable aléatoire X suit la loi normale de moyenne
IL = 16,5 et d'écart type cr = 0,1.
3. Calculer la probabilité que le diamètre d'une
pièce appartienne à l'intervalle [16,4 : 16.6]. c' est-à-
dire P( 16,4 .. X" 16,6).
b. Dét.erminer le nombre réel positif" tel que:
P(16,5 - h .. X" 16,5 + h) = 0,9.
r On envisage de modifier la fabrication et on consi-
dère une variable aléatoire X qui suit également une loi
normale de moyenne 16,5.
Quel devrait être l'écart type (T' de X' pour que l'on ait
P(l6,4 .. X' .. 16,6) = 0,95?
3
Q
Pour éviter le mauvais fonctionnement des miti-
geurs, le fabricant décide d'ajouter un contrôle sur le
diamètre des pièces. Il estime que la proportion des
pièces défectueuses est désormais de 5 '.Il.
On a produit un grand nombre de pièces. On tire
20 pièces au hasard dans cette production.
La production est suffisamment importante pour que
l'on assimiler un tel prélèvement de 20 pièces à
20 tirages aléatoires et indépendants.
On associe à chaque lot de 20 pièces le nombre de
pièces défectueuses, on définit ainsi une variable aléa-
toire Y.
a) Montrer que la variable Y suit une loi binomiale
dont on donnera les paramètres.
b) Calculer: PlY = 2) et P(Y " 2).
4° L'entreprise pose 304 mitigeurs.
La variable aléatoire F qui, à tout échantillon de
304 pièces, associe la fréquence de défauts est une
variable aléatoire qui suit la loi normale
X(l', p) )
La production est suffisamment importante pour que
l'on puisse assimiler tout échantillon de 304 pièces à
304 tiges aléatoires et indépendants.
a) Construire un lest unilatéral permeuant d'accep-
ter ou de refuser l'hypothèse selon laquelle, au seuil
de 5 %, p > 0,05. Pour cela:
- on choisira pour hypothèse Ho : p = 0,05
et pour hypothèse Hl: p > 0,05 ;
- on déterminera le réel positif a tel que sous l'hy-
pothèse Ho : P(F ,,; a) = 0,95 ;
- on déterminera la région critique au seuil de 5 % ;
- on énoncera la règle de décision.
b. On sait qu'il y a 18 défauts sur 304 pièces.
Utiliser le test précédent pour conclure si, au seuil de
5 %, l'on accepte ou refuse l'affirmation: p > 0,05.

"""";'0'' -
26 •• Probabilités conditionnelles, loi binomiale,
proximation d'une loi binomiale par une loi de
Poisson, test unilatéral pour comparer un pourcen-
tage à un nombre fixé
Une entreprise fabrique des flacons destinés à contenir
une substance particulière. Un tlacon est dit conforme
s'il vérifie un ensemble de critères définis par l'entre-
pri se. On appelle p la proportion de flacons conformes
dans l'ensemble de la production.
Premièœ pllrtie
Un processus de contrôle de la conformité des flacons
a été mis au point par l'entreprise. On s'intéresse dans
cette partie au)( risques d'erreurs de ce contrôle et on
suppose que la proportion p de flacons conformes est
éga.le à 0,8.
On prélève un flacon au hasard dans l'ensemble de la
production.
On note:
C l'événement: 0: le flacon prélevé est conforme » ; on
a donc PCC) = 0,8.
A l'événement: o: Ie flacon prélevé est accepté par le
contrôle ».
Une étude préliminaire a permis d'estime.r les risques
d'erreurs de ce contrôle:
- la probabilité de refuser un flacon sachant qu'il est
conforme est de 0,05 ; on a donc p( AIC) = 0,05.
- la probabilité d'accepter un flacon sachant qu'i1
n'est pas conforme est de 0,1 ; on a donc p(AIC) = 0,1.
) 0 a) Déterminer la probabilité qu'un flacon soit accep-
té sachant qu'il est conforme.
212
b) Déterminer la probabilité qu'un flacon soit accep-
té par le contrôle.
c. Déterminer la probabilité qu'un flacon ne soit pas
conforme sachant qu'il a été accepté par le contrôle.
(Arrondir le résultat au centième).
r On admet que la probabilité de choisir un flacon non
conforme parmi ceu)( qui ont été ac(:eptés par le
contrôle est égale à 0,03.
On prélève au hasard et avec remise des échantillons de
100 flacons dans l'ensemble des flacons qui ont été
acceptés par le contrôle.
On appe.!le X la variable aléatoire qui, à tout échantillon
de ce type, associe le nombre de flacons non conformes
de cet échantillon.
a) Quelle est la loi suivie par X?
h) On admet que la loi de X peut être approchée par
une loi de Poisson.
Quel est le paramètre de cette loi de Poisson?
Calculer, à l'aide de celte loi de Poisson, une valeur
approchée de la probabilité de l'événement eX> 5}.
Seconde
On se propose de construire et d'utiliser un test unila-
téral pour valider ou rduse.r, au seuil de risque 5 %,
l'hypothèse selon laquelle la proportion p de flacons
conformes dans l'ensemble de la producüon, sur
période donnée, est égale à 0,8. (Hypothèse nulle HO :
cp = 0,8» ; hypothèse alternative HI : o: p < 0,8 • .
Pour cela, on prélève au cours de cette période dans
l'ensemble de la production des échantillons de
200 flacons, au hasard et avec remise.
On appelle F la variable aléatoire qui, à tout échant illon
de ce type, associe la proportion de flacons conformes
de cet échantillon. On admet que la loi de F est une loi
normale N(p ; cr).
r Sous l'hypothèse Ho:
a) Montrer qu'une valeur approchée de CT est 0,03.
h) Déterminer le réel positif li tel que
P(F 0,8 - Il) = 0,95. (Arrondir le résultat au cen-
tième).
2° Énoncer la rè.gle de décision relative à ce test de
validité d'hypothèse.
3° Dans un éc.:hantillon de 200 flacons, on il trouvé
156 flacons conformes.
Au vu de cet échantillon, doit-on, au seuil de risque
5 %, accepter ou refuser l'hypothèse . p = 0,8 . ?
Chapitre
"
Fiabilité
Ce chapitre vous propose une initiation à l'étude de la fiabilité d'un dispositif; il s'agit,
d'une part, de dégager quelques modèles théoriques à l'aide du calcul des probabilités et,
d'autre part, d'estimer les paramètres les plus usuels.
Pour cette première approche de la fiabilité, les exemples choisis restent élémentaires et
portent sur des situations issues du domaine industriel.
Conrormément aux programmes des sections de techniciens supérieurs le paragraphe
consacré à la loi de Weibull ne concerne que /Q spécialité Maintenance industrielle.
La loi exponentielle concerne quelques BTS. Consultez votre professeur.
A. NATURE DU PROBLÈME
Il lombe moins souvent en panne.
AFNOR Associati on Française
pour la
Cene à neuf n'esi p:as obte-
nue, par exemple. l orsqu'on change
une seul e pièce d' une voiture usa-

au fre inage des voi tures et.
pl us généra1ement. aux industri es
aéronauti que, IIp'lliale, nucléaire, ..
Chap. 7 : Fiabilité
Supposons que vous ayez à choisir un baladeur, un mi cro-ordinateur ou
une voiture ; dans chaque cas, parmi les critères qui vont guider yotre
choix, l' un d'entre eux peut être la fi abilité.
Dans le langage courant , dire qu'un modèle est plus fi able qu' un autre
signifi e que, en général, un appareil de ce modèle foncti onne correcte-
ment plus longtemps qu' un appareil de l' autre modèle; il s'agit évi-
demment d' une tendance, non d' une certitude.
Aussi, pour définir la fi abilité, on est conduit à parler de probabilité.
Ainsi, pour l'AFNOR, la fiabilité est « la d 'un dispo-
sitif qui s'exprime par la probabilité pour ce dispositif d' accomplir une
jonction requise, dans des conditions dOl/nées, pendant une période
dOl/liée » .
Dans ce chapitre, nous nous limitons au cas où cette «période dOllnée »
est située soit avant la première panne ou défaill ance, soit après une
réparation qui a permi s de remettre le di sposit if à neuf.
Dans chacune de ces deux situati ons nous all ons étudi er comment une
telle probabilité peut être obtenue et quelles informati ons ell e peut
apporter.
Une telle étude est maintenant devenue très importante, notamment
dans les secteurs où se posent des probl èmes de sécurité ou lorsque les
réparations sont impossibles.
La fi abilité se situe aujourd' hui dans le cadre plus général de la dispo-
nibilité : pour un di spositif donné, on prend en compte en faisant inter-
venir le calcul des probabilités, non seul ement les temps de bon fonc-
tionnement (c 'est l'objet de la fiabilité), mais aussi la durée des répa-
rati ons (c'est l' objet de la maintenabilité).
21 3
B. PREMIÈRES NOTIONS DE FIABILITÉ
Dans le cas de l'achat d'une voitu-
n" neuve, nous pouvons considérer
que la voit ure li vrée est prise au
hasard dans la population consti-
tuée de toutes les voitures du modè-
le choisi di sponibles à ce momenl-
là.
On note TBF le Temps de Bon
Fonctionnement; TBF a pour origi-
ne 1imt> B t'tl\'Ufl FailIJrt!s : temps
entre (deu;'() défaillances.
Voir le paragraphe A du chapitre 3
sur les variables ::.léatoires.
y
Fi g. 1
y =ft.x)
Ftt)
o
FU) = f ~ f(x) dx ; F'(t) = f(t)
F(r) étant une prob:lbilité,
o "'" F(I) ...;;; 1 pour tout 1 ~ o.
P(A) = 1 - P(A).
o :'$; R(r) ~ 1 pour tout t.
y
Fig. 2
y = F(t )
J = R(t)
o
Dans tout ce paragraphe, nous nous intéressons à un dispositif pris au
hasard dans une population constituée des di spositifs du même type.
Dans le domaine industriel , ce di spositif peut être, par exemple, une
machine, une partie de machine, un réseau de machines, un objet fabri-
qué ...
Désignons par T la variable aléatoire qui, à 10ut di spositif ainsi tiré au
hasard, associe son temps de bon fonctionnement ou sa durée de vie
avant une défaillance.
Pour simplifier, nous choisissons comme origine des temps l'instant
t = 0 où le dispositif choisi est mis en marche, soit pour la première
fois, soit après une réparation qui l'a remis à neuf.
Alors T mesure ainsi l'instant où apparaît la première défaillance d'un
dispositif pris au hasard dans la population considérée, à parür de l'ins-
tant 1 = O.
1. FONCTION DE DÉFAILLANCE
,
FONCTION DE FIABILITE
a. Définition
Nous nous plaçons dans le cas où T est une variable aléatoire continue,
prenant ses valeurs dans [0, + ~ [ et possédant une densité de probabi-
lité f.
Par définition de]a fonction de répartition F de la variable aléatoire T:
Pour toul 1 .. 0, F(t) = p(T .. Il.
F(I) esl la probabilité qu'un dispositif prélevé au hasard dans la popu-
lation c o n s i ~ ait une défaillance avant l'instant t.
T> t est l'événement contraire de T ~ t.
Donc P(T > 1) = 1 - P(T .. 1),
P(T > t) = 1 - F(I).
En fiabilité, ce nombre es1 noté R(t).
R(ll esl la probabililé qu'un dispositif préleYé au hasard dans la popu-
lation considérée n'ait pas de défaillance avanll'instant ,.
Par définition, R eslla fonction de ftabililé.
b. Estimation de F(t) et R(t)
En réalité, pour un dispositif d'un type donné, nous ne connaissons pas les
yaleurs exacles de F(t) et de R(t) pour une valeur donnée de 1. Aussi
sommes-nous amenés à estimer les nombres F(t) et R(t) à partir de valeurs
observées sur un échantillon, comme dans les deux exemples suivants.
214
Situation 1
Une défaillance peul être une On a mesuré pour 20 éléments du même type la durée de vie, en heures,
panne, une avarie, un fonctionne- avant la première défaillance.
men! incorrect ..
EJ
Échantillon
Populalion de tous les éléments du
type considéré
À l'instant r! = 500, il Y a 35 %
d'éléments défaillants dans
l' échantillon.
Voir la définition de F(t) au para-
graphe I.a.
Voir la définition de RU) au para-
graphe 1. a.
Chap. 7 : Fiabilité
Intervalle de temps Nombre défaillants
(en heura) dans cel intervalle
[0.500] 7
]500, 1000) 4
]1000, 1500) 3
]1 500. 2000] 2
]2000,2500) 2
]2500,3000) 1
]3000,4000) 1
Nous constatons qu'à l' instant fi = 500, i] Y a "1 = 7 éléments
défaillants parmi les 20 éléments de l'échantillon; donc, à l'instant
Il = 500, la fréquence des défaillances dans l'échantillon est
l = 035.
20 '
De même, pour l, = 1000, le nombre total d'éléments défaillants est
"2 = 4 + 7 = Il donc la fréquence des défaillances est 11 = 0,55 il
. ... W
cet Instant. Et ainSI de sUite.
F(I) = P(T ,. 1) est la probabilité qu'un di spositif prélevé au hasard
dans la population constituée de tous les éléments du type considéré ait
une défaillance avant l'instant t.
En l'absence d'informations complémentaires, il est naturel de prendre
io = 0,35 comme estimation de F(500), = 0,55 comme estimation
de F(tz), et ainsi de suite.
Comme R(I ) = ) - F(I), nous en déduisons une estimation de R(t 1)'
R(t2)' ...
Nombœd'B. Nombn:
Estimation &timalion
Intervalle <i8"aillarus _ri totaI"j
de temps dans cet en heures) <ttfaillant> à
de A.t;> de
intervalle l'iostane'j
par 11/20 R(tj) = 1 - F(II)
[0.500) 7 500 7 0,35 0,65
]500, 1000] 4 1000 Il 0.55 0.45
)1 000; 1500) 3 1500 14 0,70 0,30
) 1500,2000) 2 2000 16 0.80 0,20
)Z 000, 2500] 2 2500 18 0,90 0,10
]2500. 3000] 1 3000 19 0,95 0,05
)3000.4000) 1 4000 20 1,00 0

Avec cet échantillon de taille n, nous prenons dans ce tableau --...!..
Il
comme estimation de F(ti) : c'est la méthode des rangs hruts.
Nous obtenons ainsi ° pour estimation de R(1
7
) qui est la probabilité
qu'à l'instant 17 = 4000 un élément pris au hasard n'ait pas eu de
défaillance. Or, si nous considérons un grand nombre d'éléments, cer-
tains vont survivre plus de 4000 heures.
215
Par e",emple. pour 1/ < 50.
Cette courbe donne l'allure de la
représentation graphique de la
fonction F de défaillance. Nous
pouvons faire de même pour la
fonction R de fiabilité.
Les probabilités Ftf) el RU) sont
comprises entre 0 et 1.
Pour les valeurs de 1 proches de O.
nous avons peu de précision sur le
tracé de la courbe.
Par exemple, pour /1 < 20.
L'étude des estimateurs étant hors
programme, nous ne pou \"Ons justi-
fier ici ni le nom de ces méthodes
ni le choix de ces nombres comme
estimatjons de F(1j)'
Aussi, quand l'effectif Il de l'échantillon n'est pas grand, on prend
Il·
--'- comme estimation de F(l
i
) c'est la méthode des rangs
11+1
moyens.
Nous obtenons alors de nouvelles estimations des F(ti) :
'i (en heures) 500 1000 1 500 2000 2500 3000 4000
Estimacion de F(ti) 0,33 0.52 0.67 0,76 0.86 0,90 0,95
Nous pouvons reporter ces valeurs sur un graphique et, à partir des sept
points ainsi placés, tracer une courbe qui permet, par lecture graphique,
d'estimer F(r) pour toute valeur de T •
.'
y= F(IJ
o.,
0.6
Q4
0.1
0
JO 15 20 25 30
" 40
(.::ent:lilles
Fig. 3
Il· - 0,3
Quand l'effectif Il de l'échantillon est petit, on prend -'-- comme
Il + 0,4
estimation de F(l
i
) : c'est la méthode des rangs médians.
Ainsi, pour li = 500, nous obtenons comme estimations de F(ti) :
0,350 par la méthode des rangs bruts,
0,333 par la méthode des rangs moyens.
0,328 par la méthode des rangs médians.
Si/ua/ion 2
Une machine tombe fréquemment en panne. On a relevé pendant une
année les temps de bon fonctionnement, en jours, entre deux défail-
lances consécutives: 44 - 21 - 39 - 50 - 15 - 26 - 58 - 30 - 35.
On suppose que chaque réparation effectuée cette année a remis la
machine à l'état neuf.
Al'ec cetle hypothèse, nous pouvons assimiler la situation 2, où une
machine tombe en panne neuf fois, à celle où neuf machines du même
type tombent en panne une fois. Nous pouvons alors mettre en œuvre
les mêmes méthodes que pour la situation 1 ci-dessus.
Classons les n = 9 temps de bon fonctionnement par ordre croissant:
TI = 15, ... , /9 = 58.
216
Attention 1\ l'ordre: N
s
> No.
Des 4 élémenb en bon fonctionne-
ment h l'instant 's,50 'lo, );Oi t = 2
éléments, le sont encore h l'instant
'.'
Avec N
s
= 4, nous obtiendrions
de!\ fraclion5 d'appJ.reil, ce qui n'a
pas de sen".
Nous retrouvon .. que le taux d'ava-
rie moyen entre' S et '6 est :
6000 - 3000
3000
" > 0.
Parmi les disposi tifs en fonctionne-
ment h l'instant " on s'intéresse
aux défaillants enlre instants' et
, + h.
Voir le paragraphe 1.
o défaillance défaillance

o ,+h temps
Voir le du paragraphe B.
Pour cet échantillon, le taux de défai llance, ou taux d'avarie, entre les
N - N 2
instants t
s
et t
6
est donc S 6 -. Ce taux est égal à 50 %.
N
s
4
Ce taux est aussi , parmi les éléments en bon fonctionnement à l'ins-
tant t
s
' la fréquence des défaillances entre les instants t
s
et t
6
.
POlIT cet échantillon, on obtient le taux d'avarie moyen par unité de
temps entre les instants 15 et 16 en di visant le taux précédent par le
temps t
6
- t
s
séparant les instants t
s
et t
6
: 50 % = 0,1 %.
500
Pour interpréter ce taux, imaginons 6000 appareils d' un même modè-
le ayant fonctionné correctement pendant,s = 2000 heures.
Avec un taux d'avarie moyen par heure de 0,1 % entre les instantS'5 et
t
6
= 2500, nous avons 10ab x 6000 = 6 appareils qui ont une avarie au
cours de chaque heure séparant les instants 15 et '6'
Au bout des 500 heures séparant t S de t
6
, 6 x 500 = 3000 appareils ont
donc eu une avarie entre 15 et '6' c'est-à-dire que les autres 3000 appa-
reil s continuent à bien fonctionner.
Remarque
Avec les seules données du tableau de nombres ci-dessus, nous ne pou-
vons pas calculer le taux d'avarie entre les instants 600 et 650, ni , plus
généralement, entre deux instants t et 1 + Il où Il > O.
b. Aspect probabiliste
Supposons qu'un dispositif fonctionne correctement depui s un certain
temps. Son utili sateur peut alors se demander si le ri sque de le voir
tomber en panne prochainement est important ou non.
Nous sommes alors amenés à nous intéresser à la probabilité condi -
tionnelle p(HIA) où A est l'événement . VII dispositifdll type cOll sidé-
ré, pris lllllzasalll, n'a pas de défaillallce jusqu 'à /';nstam t » et où B
est /'il'énemenl« V" dispositif du type considéré, pris au hasard, a Wlt!
défaillance entre les ;IISWf!lS , el t + Il ».
B lA est l'événement « Un disposilif du type considéré, pris au ha.mrcl
parmi celU- qui n'ollt pas de dtfaillance jusqu 'à l'inslalll I, a une
défaillance emrt les instants t el t + Il ».
Pour calculer p(HIA), nous allons utili ser la formule
P(A n H) = p(HIA) P(A).
En effet, nous pouvons calculer prA) et prA n H).
D'après la définition de la fonction de fiabilité R, nous avons
prA) = R(t).
(A n H) est J'événement: • VII dispositif dll type cOllsidéré, pris ( ill
hasard, n'a pas de défaillall ce jusqu 'à "instan' 1 el a une défaillance
entre les Înstallfs 1 et , + li ».
D'après la définition de la variable aléatoire T,
prA n H) = pet < T ", t + hl.
Donc, par définiti on de la fonction de défaillance F énoncée au para-
graphe l , prA n H) = F(t + h) - F(t) : c'est la partie hachurée sur la
figure 5.
218
Nous suppo\Ons R(/) '# O. car sinon
la pour un dispositif
d'être en bon fonct ionne ment à
l'instant , est nulle et il devient
inutile d'envisager l'instant' + Ir.
Pensez à rapproche Créquentiste
des probabilités du chapitre 2.
Ici , = '5 et , + " = '6: donc
' 6 -'5 = h.
Ici , est fixé.
Notez l'analogie 3n."C la vitesse
instantanée à l' instant ' qui est la
limite de la vitesse moyenne entre
les instants 1 el , + Ir lorsque Il tend
\'ers O.
(La vitesse lue sur un compteur est
en réali té la vitesse moyenne entre
deux instants Irès proches).
Chap. 7 : Fiabilité
y=Ax)
1+1r
Des calcul s de PlA) et de PlA n Bl, nous déduisons que
p(BIA) = F(t + h) - F(t).
R(I)
x
Fig. 5
Ce nombre donne la probabilité d' une défaill ance entre les instants 1
etl + h pour un di spositif du type considéré, pri s au hasard par mi les
di spositifs en bon fonctionnement à l' instant 1.
Ce nombre est donc à rapprocher de la fréquence des défaill ances enlre
les instants ' 5 et ' 6 parmi les di spositifs sur vivant s à l'instant ' 5' calcu-
lée au paragraphe a. et appelée taux d' avari e entre les instants ' 5 et 16'
Pour prolonger cette analogie avec le taux d'avarie moyen par unité de
temps entre les instants 15 et 1
6
, nous allons di viser la probabilité p(BIA)
par 1 + h - 1 = h.
F(I + h) - F(I )
Nous obtenons ---'----,-,:-:--:--'-'
hR(I )
_F-'-.( I _+_'-7 ' )_-_F-,-,( I ) x _1_.
h R(t)
Nous avons supposé F déri vable sur [0, + 00 [ ; donc en tout l '" 0 :
lim F(I + h) - F(I ) = F' (t) , par définiti on de F '(I ).
11-+0 Il
. F(t + h) - F(I ) f(l )
Donc hm = -, car F' (t) = f( I).
h-.O hR(I) R(I )
Le nombreR(f(l), noté ).(1), est le taux d'avarie (ou de défaillance) ins-
t)
à l'instant 1.
Remarques
1. Comme R(t) = 1 - F(I ), on a R' (I ) = - F '(I ), donc R'(I ) = - f(t) car
F '(t) = !(I).
Nous en :
).(1) = f(/) .
R(I) •
).(/) = _ K(t); À(t) = .-lJ!L.
R(I) 1 - FU)
219
Voyez le chapitre de votre cours sur
les équations différentielles.
Ces résultaI..'. seront utilisés aux
par.lgraphes C et D.
C'est le moment où ~ ( t ) est mini -
male. On souhaite celle période la
plus longue possible.
Cette période survient plus vite
dans l e secteur de la mécanique que
dans celui de l'électronique.
Cette définiti on et son intNpréta-
tian figurent au chapitre 3.
Ces relations permettent d'obtenir À(t) si l'on connaît F(t) ou R(t).
Inversement, si l'on connaît À(t) , on pellt obtenir R(t) ou F(t) comme
solution de l'équation différentielle du premier ordre:
R'(t) = _ À(t) ou F'(t) = Mt).
R(t) 1 - F(t)
On a alors:
R(t) = exp [ - f ~ À(x) dx l; F(t) = 1 - exp [ - f ~ À(x) dx J
2. On constate expérimentalement que, pour la plupart des matériels, la
courbe représentative du taux d'avarie instantané 1 ~ À(t) a la forme
donnée par la ligure 6. Elle est appelée cOl/rbe en baignoire et
comporte trois parties di stinctes :
o
y
pannes
précoces
vie utile usure
y = À(r)
courbe en baignoire
Fig. 6
À gauche, la période de début de fonctionnement, où le taux d'avarie
instantané décroît avec le temps, car les pannes précoces dues à des
défauts de fabrication ou de conception sont de moins en moins nom-
breuses.
Au centre, la période de maturité ou de « vie utile », où le taux d'ava-
rie instantané reste à peu près constant; pendant cette période, les
pannes paraissent dues au hasard.
À droite, la période d'usure, où le taux d'avarie instantané augmente
avec le temps, c-ar les pannes sont dues à l'usure croissante du matériel.
3. MTBF
L'espérance mathématique de la variable aléatoire T continue définie
sur [0, + col et de densité de probabilité f est:
E(7) = ( ~ tf(t) dt.
E(1) est une tendance centrale des valeurs prises par la variable aléa-
toire T en tenant compte de leur probabilité.
Ainsi, dans la situation J, E(7) représente la durée de vie moyenne
d'un élément du type considéré avant sa première défaillance, cette
moyenne étant calculée à partir d'un très grand nombre d'observa-
tions portant sur des éléments prélevés au hasard.
220
On suppose que la machine est
remise à l'état neuf après chaque
réparation.
De même, en maintenabilité, on
introduit l:I Moyenne des Temps
de Réparation, notée
MITR. dont rOfigine e .. t
Ta temps mo)'en pour
réparer.
Voir la définition de Tau dél:lut du
pàragraphe B.
La défaillance d'un seul composant
entraîne la défaillanl'e du
Si A et B sonl indépendants,
l'lA n 8) l'IA)1'I8).
R, la fonction de fiabilité du
comjX)Sant i.
F{I) 1 - R(I)
Fj eSI la fonction de défaillance du
composant i.
Un montage en améliore
la fiabilité.
Chap. 7 : Fiabilité
De même, dans la silllotiol! 2, E(7) représente le temps moyen de bon
fonctionnemenl de la machine entre deux défaillances, calculé à parlir
d'un très grand nombre d'observations de ces temps de bon fonction-
nement.
Le nombre E(7) est noté habituellement MTBF : Moyenne des Temps
de Bon Fonctionnement.

MTBF E(7) = tf(t) dt.
Il
À l'origine, MTBF est le sigle de Mean Time Between Faillires, qui se
traduit par . temps moyen entre (deux) défaillances » .
4. FIABILITÉ D'UN SYSTÈME
Nous étudions ici la fiabilité d'un système constitué de 11 composants.
Nous nolons T la variable aléatoire mesuranl le temps de bon fonction-
nement du système.
Nous supposons que les variables aléatoires TI' T
2
, ... , Tf1 mesurant le
temps de bon fonctionnement respectif de chacun des II composants
sont indépendantes.
a. Montage en série
Un système est du type série pour la fiabilité lorsqu'il ne fonctionne
correctement que si tous ses composants fonctionnent eux-mêmes cor-
rc(:tement.
Pour un système constitué de Il composants montés en série,
P(T> t) = P(T
I
> t et T
2
> t ... et T" > t).
Comme les variables aléatoires TI ' T
2
• .... Til sont indépendantes.
P(T> t) = P(T
I
> t)P(T
2
> t) ... P(T" > tl.
Donc, par définition d'une fonction de fiabilité:
Nous en déduisons pour les fonctions de défaillance:
F(t) = 1 - RI (t)R
2
(t) ... R,,(t ), soit:
b. Montage en parallèle
Un syslème <st du Iype pardllèle pour la fiabilité lor.;qu'il n'est
défaillant que si tous ses composants sont eux-mêmes défaillants.
221
US variables aléatoires Tl' T,,!:
sonl
Voir le TP 1 et l"exercice corrigé
nO 2.
Dès qu'un seul composant fonctionne correctement , le système fonc-
ti onne correctement.
Pour un système constitué de 11. composants montés en parallèl e,
P(T .;; r) = P(T
I
.;; t et T
z
.;; ... et T" .;; t).
Par un raisonnement analogue au précédent, nous obtenons:
F(t) = F(t,)F{t
2
) ... F(tn)'
tit) = 1 - (1 - R,(I»)(I - Rz(t) . .. (1 - Rn(I» .
Remarque
Pour étudi er la fiabilité d'un système comportant à la fois des montages
de composants en séri e et en parallèle, on décompose ce système en
sous-systèmes correspondant à un des deux montages étudiés ci-dessus.
C. LOI EXPONENTIELLE
Voi r la courbe 41 en baignoire .. de
la figure 6 i). la fin du paragraphe
B.2.
Voir i). la fin du paragraphe B. J.b. :
R(t) = <xp[ - XIX) d, l
F(t) = 1 - R(t)
f(t) = F' (t) .
On peUl élendre la définilion de f à
!Il en posanl f(t) = 0 pour loui
1<0.
f

On vérifie que _<,,!(I)dl = 1.
Sur la fi gure 7, la tangenle dessinée
coupe l'axe des temps au point
d'abscisse \IX.
1. DÉFINITION
La loi exponentielle est la loi suivie par la variable aléatoire T lorsque
le taux d'avarie est constant; pour tout 1 0 :
MI) = À constanle striclement positive.
Cette loi concerne tous les matériels pendant une partie de leur vie (vie
util e) et les matériels électroniques pendant presque toute leur vie.
• La fonction de fiabilité est définie pour tout r '" 0 par
R(I) = • - x'.
• La fonction de défaillance est définie pour tout l '" 0 par
F(t) = 1 - • - M.
• La densité de probabilité de la variable aléatoire T est défini. pour
tout l '" 0 par !(I) = Àe -Xt.
y y
À
y = R(t)
o Ill.
Fig. 7 Fig. 8
222
Sur ce papier, les graduations en
ordonnée au loga-
rithme des nombres indiqués, ce
qui explique qu'entre deux entiers
consécutifs l' écart n'a pas toujours
la même longueur. En portant les
valeurs numériques de R{t), on
place en ftalité des pro-
portionnels 11 ln R(I).
X suit la loi de Poisson de para-
mètre E(X) = M.
f
+ oc g(/) dt = hm fX g{/) dt.
o 0
u(t) = r; \,'(1) = Àe->'I.
JI'(t) = 1; \'(t) = -e- >".
À o.
La MTBF est l'inverse du taux
d'avarie.
! est la MTBF.
À
e-
I
,.. 0,368.
Chap. 7 : Fiabilité
Remarques
1. Lorsque la variable aléatoire Tsuit une loi exponentielle, R(I) = e-
ÀI
pour tout 1 > 0, donc ln R(I) = - ÀI, qui est une expression du premier
degré en 1.
Sur du papier semi-logarith-
mique, la représentation gra-
phique de la fonction R est une
droite passant par
le point d'abscisse 1 = 0
et d'ordonnée R(I) = l,
car e
O
= 1 ; nous avons choisi ici
d'associer la valeur de R(I) à la
graduation 10 et, par proportion-
JO Y
4
3
y=R(t )
Papier semi-Iogarithrnique
nalité, la valeur 0,1 de R(t) à la graduation 1. Fig. 9
2. Nous aurions pu trouver l'expression R(I) = e -ÀI à partir de la loi de
Poisson: en effet, dans le cas d'un taux d'avarie constant À, la variable
aléatoire X qui mesure le nombre de défaillances entre les instants 0 et
t a pour espérance mathématique E(X) = Àt.
Par définition de R(t) , 'On a R(t) = P(X = 0).
Donc R(t) = (Àt)O e-
ÀI
c'est-à-dire R(t) = e-
ÀI
01 ,. .
2. MTBF ÉCART TYPE
a. MTBF
Par délïnition E(7) = J
o
+
oo
tf(l) dt; donc E(7) = J; oo Àt e-
ÀI
dl.
Pour calculer E(t)·= lim JX ÀI e-
ÀI
dt, nous allons intégrer par par-
x-++
oo
0 .
ties l'intégrale I(x) = JX Àle-À/dt: I (x) = [- te-'/r + f X e-
ÀI
dt,
o 0 0
I(x) = -xe-À.' + [- I (x) = -xe-
ÀX
_ e-ÀÀ.' + t.
Comme lim xe-À.\" = 0 et lim e-
Àx
= 0, nous obtenons:
x---t+oo
Remarque
Em =! = MTBF.
).
Nous savons que R(t) = e -Àt pour tout t ;;. O.
En particulier pour t = = e-
I
.
Donc R(t) = 0,368 pour t = i = MTBF.
Nous reviendrons sur cette propriété au paragraphe 3.
223
Voir le paragraphe B. 2.b. du cha-
pitre 4.
ll(t) = t
2
; l''(t) = Xe- AI.
u'(t) = 21; 1'(1) = _ e-
AI
.
Voir le calcul de E(T).
X >0.

Voir le paragr:lphe D.1.b.
Sur l'a.xe des ordonnées, nous
a.vons porté des nombres propor-
tionnels à ceux indiqués sur le
papier: 100 % pour 10,50 % pour
5, ... , 10 <.J. pour 1. Ave<: ce papier,
nous auri ons pu utiliser les gradua-
lions de 1 à 10
1
( 100 % pour 10
2
et
1 % pour 1 10
3
(100 % pour
I03 et O,1 % pour 1).
b. Écart type
La variance de Tse calcule à partir du résultat V(T) = E(T
2
) - (E(T)l
? J+ OO 2 ') J+ OO ., h
Par définition E(T-) = 0 t f(t) dt; donc E(T-) = 0 Àt-e- 'dt.
Pour calculer E(T
2
) = lim JX Àtle dt nous allons intégrer par
x, + 00 0
parties l'intégrale l (x) = Àt
2
e -At dt :
l(x) = [-t
2
e -
A
'r + J
X
2te-
A
'dt.
o 0
Soit l (x) = - x
2
e -Ax + l (x), où l (x) est défini ci-dessus.
Comme lim x
2
e-
AX
= a et lim l (x) = l ,
x,+oo x,+ec À
? ?
nous obtenons E(T-) = -?'
À-
Donc V(T) = - L, c'est-à-dire V(T) = L.
À
2
À
2
À
2
<1(T) = l = MTBF.
À
3. ESTIMATION À PARTIR D'UN
ÉCHANTILLON
Reprenons la situation 1. Nous avons obtenu par la méthode des rangs
moyens r-:---.---,--,..----,---,----,-----
fi 500 1 000 1 500 2000 2500 3000
47,6 33,3 23,8 14 10
Portons les points de coordonnées (t;, R(t)) sur du papier semi-loga-
rithmique.
1
36.8 ... __ + ____ .....
10 % 1
500
224
900

1000
1 JOO

500
1
f
x
.... '" H(I)
x
2000 2500 3

Fig. 10
Cet «al ignement .. ne concerne que
quelques points expérimentaux
obtenus à partir d'un échantillon de
tai lle 10.
Voir 13 figure 10.
Voir la remarque du p.1ragraphe
C.2.a.
Voir le p;1r3grJ.phe B. 2. du cha-
pitre 1.
Le coefficient de corrélation est
r = 0,997.
Les numériques sont obte-
immédiatement a\'cc la calcu-
latrice,
Le nuage de point s est sensibl ement rectiligne; il peut être ajusté par
une droite passant par le point d'abscisse 0 et d'ordonnée 100 %
(soit 1).
Nous admettons que cet « ali gnement » permet de concl ure que la
variable aléatoire T qui , à tout élément du type considéré tiré au hasard,
associe sa durée de vie avant la première défaill ance, suit une loi expo-
nent ielle.
Pour effectuer l' aj ustement affine, nous pouvons utili ser plusieurs
méthodes.
a. Méthode graphique
Choisissons une droite approchant au mi eux les poi nts expérimentaux
et passant par le point de coordonnées (0, 100 %).
Nous obtenons graphi quement la MTBF en li sant en abscisse le temps
t correspondant à l'ordonnée R(t) = 36,8 %.
Nous trouvons une MTBF de 1 300 heures; le paramètre 1. de la loi
exponenti ell e est donc 1. = 1 ioo = 7,7 x 10-
4
R(t) = e - 0,000771
Remarque
Nous obtenons de même que R(t ) = 0,5 pour t = 900.
b. Méthode des moindres carrés
En effectuant un ujustement affi ne des points de coordonnées (ti' Yi)' où
Yi = ln R(tj), nous obtenons par la méthode des moindres la droi-
te d'équation y = - 7,7 x 1O-
4
t + 0,0243.
Donc ln R(t) = -7.7 x 1O-
4
t + 0,0243
R(t) = e - 0,000771 e
O
,0243.
NOLI s retrouvons R(t) = e - 0,000771, car eO,0243 = 1,02, val eur voisine
de 1.
D. LOI DE WEIBULL
Cette loi .\ À. pour paramètre.
Wallooi Weibull (l887- 1979) tra-
vailla comme În\'enleur et i ngé-
nieur conseil dans des
!iuédoises ct all emande, p:J r
exemple chez SAAS.
/3 (bêta). 'Y (gamma) el Tl (êta) sont
des lenres de l' alphabet
Chap. 7 : Fiabilité
1. DÉFINITION
a. Taux d'avarie
La loi exponenti ell e per met d'étudi er la fi abilité d' un di spositif dans le
seul cas où le taux d'avarie X. est constant.
Pour étendre l' étude de la fi abilité aux cas où le Wux d' avarie I.(t ) varie
avec Je temps, le mathématicien suédois Wei bull a choisi comme
modèle de ce [aux une fonction puissance qui facilite le calcul des inté-
grales intervenant en fi abilité. De plus, pour pouvoir choisir, d'une
part, l'instant à partir duquel on étudi e la fi abil ité et, d'autre par t, la
valeur du taux d'avarie lorsque celui -ci est constant , Weibull a inlfoduit
trois paramètres, notés 13. "Y et " . dans l' expression de Mt).
225
La variable aléatoire T a été définie
au début du paragraphe B.
"Y est le dt! fl'plragt! qui
fixe j'instant pJ.rlir duquel on étu-
die la fiabilité.
"estle paru",h" d'ühl'Il/!.
Dans ces trois exemples, seul 13
change de valeur. 13 eSI le p(jra-
dt! lonnt!.
13 > 0 et 11 > o.
Ret) = - X(X)d\:].
F(t) 1 - R(t),
f(t) F'(t).
La loi de WeibuU est la loi suivie par la variable aléatoire T lorsque le
taux d? avarie est
13 (1 - 'Y)P-I
À(I) = li "'11 pour tout 1 > 'Y.
où 13. 'Y. 1) sont des constantes telles que 13 > 0 et 1) > 0,
On peut poser MI) = 0 pour 1 .. 'Y, en considérant qu'il n'y a pas de
panne avant l'instant 1 = 1.
Exemples
• f3 = 3. 'Y = O. TJ = 1.
MI) = 3,2 pour tout 1 > O.
Donc À est une fonction
croissante sur ]0, + 00[; ce
résultat est général lorsque
f3>1.
• f3 = 1. 'Y = 0, TJ = 1.
),,(1) = 1 pour tout 1 > O.
Nous retrouvons dans ce
cas un taux d'avarie
constant et donc une loi
exponentielle; son para-
mètre est )" = 1.
3
2
o
,
,
,
,


Fig. II
y '(t)

------
2 3 4
De façon plus générale, nous obtenons une loi exponentielle lorsque
f3 = 1 et 'Y = 0; son paramètre est alors)" = 1.
TJ
• f3 = 0.5; 'Y = O. TJ = 1.
'Y(I) = ,Ir; pour tout 1 > O.
2y l
Dans ce cas, À est une fonction décroissante sur ]0, + 00[; ce résultat est
général lorsque 0 < f3 < 1.
Remarque
Les formes variées obtenues pour la représentation graphique de À
permettent d'utiliser la loi de Wei bull, sur des intervalles appropriés.
dans un très grand nombre de situations.
b. Fonction de fiabilité, fonction de
défaillance, densité de probabilité
En étendant à l'intervalle h. + oo[ les définitions données au para-
graphe B. I.a. et les propriétés établies au paragraphe B. 2.b.. on
obtient:
Pour une loi de WeibuU de paramètres 13. 'Y et 1). la fonction de fiabilité
R. la fonction de F et la densité de probabilité f sont défi-
nies pour tout 1 > 'Y par
F(I)=
et f(t) = e 'Y)P - 1 exp[ - (1 'Ytl
226
F;g. 12 Exemples
= 1"
>'..... " y =j{t)
,: = __
a 1 2
Pour p 3. la courbe représenta-
tive de f est proche de I:t courbe en
cloche d'une loi normale.
Observez rintüêt d'avoir choisi
pour À. une fonction puissance.
On considère qu'il n' y a pas de
panne avant l'instant "'1.
1
Ina = -Ina.
Ina
b
= b Ina. ln = Ina - Inb.
Rlr) = 1 - FU).
A = p et B = -13 ln 1') sont des
constantes.
Voir les situations 1 et 2 du para-
graphe B. l.b.
(hap. 7 : Fiabilité
• 13 = 3, 'Y = 0, " = l.
R(I) = e _ 1
3
, F(I) = 1 - e - l ', f(l) = 312e _1
3
.
• 13 = 1, 'Y = 0, " = l.
R(I) = e - " F(I) = 1 - e - " f(l) = e - '.
Nous avons vu que, dans ce cas, nous retrouvons la loi exponentielle de
paramètre 1.
• 13 = 0,5, 'Y = 0, " = 1.
R(t) = e-
Yi
, F(t) = 1 - e-Yi,f(l) = ,Ir;e-
Yi
.
2v I
Remarques
1°Pour établir le résultat sur R(I), on utilise notamment le fait que
À(t) = (1 - 1 a pour primitive (1 'Y) sur l'Y, + 00[.
2" On peut étendre les définitions de R, F et f à IR en posant R(I) = l,
donc F(t) = 0 et f(t) = 0, pour tout l "" 'Y. + 00
On vérifie alors que f(l) 0 pour tout 1 réel et que J _ 00 f(t) dl = 1.
2. DÉTERMINATION GRAPHIQUE
DES PARAMÈTRES
a. Nature du problème
Nous savons qu'avec une loi de Weibull, pour tout t > "(.
R(I) = exp [ _(1 'Yn donc InR(I) = -c 'Yt
soit ln Rtl) = C 'Yt
Ce nombre étant strictement positif car t > "Y et Tl > 0, nous pouvons
calculer son logarithme népérien:
In[ln- I- ] = I3ln(1 - 'Y) = 13(ln(1 - 'Y) - ln ,,).
R(I) "
En définitive, ln [In 1 ] = 13 ln (1 - 'Y) - 13 ln" pour tout 1 > 'Y.
1 - F(t)
Donc Y = ln [In 1 ] s'exprime en fonction de X = ln (t - 'Y) par
1 - F(t)
y = I3X - 13 ln", relation de la forme Y = AX + B; sa représentation
graphique, dans un repère où l'axe des abscisses X et l'axe des ordon-
nées Y sont gradués régulièrement, est donc une droite D.
Wei bull a imaginé un papier qui comporte des graduations spéciales
permettant, à partir de quelques valeurs expérimentales F(t
1
),
F(t
2
), .•• , F(t
n
), de tracer la droite D d'équation Y = AX + B et d'en
déduire les valeurs des paramètres 13, 'Y et 11 de la loi.
227
- 2.0 - 1.0
99.9
f.

99.0
l'
90,0
70.0 0,2 0304050.6
50.0
0
30.0
20,0

2
10.0

5.0
,
3
t
3.0
2.0
4
, ,
t

1,0
f
5
0,5 r
0.3
1
6
0,2

0,1
0,1 0.2 0,3 0,4 0,50,6
Par exemple. 1 = eO eSI en de!>sous
de O.
el _ 2,7 est en dessous de 1.
e
2
... 7,4 est en dessous de 2.
Nous a\'ons une :,ilUation
analogue avec l 'axe \'ertical du
papier semi-logarithmique
pour la loi eJtponenlielle : mi r le
paragraphe C. 3.
Le papier de Weibul/ convient dans le cas où 'Y = 0 : alors X = ln 1, où
1 > 0, et Y = ln [In 1 l.
1 - F(t)
Ce papier est d'un usage plus déli cat lorsque 'Y * O.
b. Description du papier de Wei bull
0.0 1.0 2.0 3.0 4.0
L
f
o 1 2 3 4 10 20 30 40 5060 . 100

+
L


"




'f

0,8 1 2 3 4 5 6 8 10 20 30 40 5060 80100
Fig. 13
Graduations horizontales
En haut du papier, horizontalement, nous li sons des graduations régu-
lières : - 2; - 1 ; 0; 1 ; 2; 3; 4; deux enti ers consécuti fs sont séparés
par une même di stance.
En bas du papier, horizont alement , nous li sons: 0,1; 0,2; ... ; 100. Les
graduations ne sont pas réguli ères; par exemple, la di stance entre 1 et
2 est plus grande que cell e entre 5 et 6.
Observons que, sur une même verti cale, on trouve en bas l'exponen-
ti ell e du nombre correspondant aux graduati ons du haut. Nous pouvons
aussi dire qu'en haut se trouve le logarithme népéri en du nombre cor-
respondant aux graduati ons du bas, pui sque e
a
= b si et seul ement si
a = ln h, où b > O.
Ainsi, porter une valeur de t sur la graduation horizontale du bas
revient à porter X = ln t sur la graduation régulière du haut.
Enfm un axe hori zontal, situé environ aux deux ti ers supérieurs, repro-
duit la graduation du bas.
228
Graduations verticales
Horizontalement, X = lnt. Nous avons une disposition analogue au cas précédenr qui tient compte
de l'expression Y = 'O[ln 1 ] qu'on souhaite représenter vertica-
l - F(I)
lement à partir de la donnée de F(I).
À l'extrémité gauche du papier, verticalement, nous lisons des gradua-
La fonction de répartition F tions non régulières qui permettent de représemer la valeur de F{t) en
des valeurs 0 el!. pourcentages: les graduations vont de 0,1 % = 0,001 à 99,9 % = 0,999.
Par e.-:emple. pour
FU) 30 % 0.3
y= 10 (ln-I-)--I;
1 - 0.3
les gr.tduatÎon\ 30 el 1 sont ?l peu
près :;;ur une même horizontale.
Notez que les orÎenla[Îons de ces
deux axes verticaux sont contr.tÎres.
x= Inl
Nous utiliserons cet axe pour tléter-
miner Il.
y= 10(ln--I-)
1 - Fit)
1 -1."'0,6321; 1-1.=63.21 %
c e
Nous obser\"Qn'S que les points ainsi
obtenus sont à peu près ...
La droite D est obtenue par ajuste-
ment affine (\"oi r le chap. 1).
Chap. 7 : Fiabilité
Dans le premier quart gauche, un axe vertical porte des graduations
régulières de 0 à 6; son sens positif est dirigé vers le bas.
Observons que ces deux graduations verticales sont telles que, sur une
même horizontale, on trouve sur ce dernier axe l'opposé de
y = ln [In 1 )] pour la valeur de F(t) lue sur l'axe du bord gauche.
1 - F(t
Ainsi, porter une valeur de F(I) sur la graduation verticale de
gauche revient à porter l'opposé de Y = In[ln 1 1 sur la gra-
duation régulière de droite. 1 - F(t)
Origine du repère (OX, OY)
L'origine 0 du repère (OX, OY) est définie par ses coordonnées X = 0
et Y = o.
Or X = 0 lorsque Inl = 0, c'est-à-dire 1 = 1.
L'axe OYest donc l'axe vertical passant par la graduation horizontale 1
du bas ou 0 du haut. Ce n'est pas lui qui est tracé sur le papier de
Weibull , mais un axe parallèle passant par la graduation - 1 du haut,
c'est-à-dire la graduation e- 1 = 0,368 du bas.
De même, Y = 0 lorsque
In[ln 1 1 = 0, c'est-à-dire
1 - F(I)
1 1 1 1
ln 1 = l , = e, 1 - F(t) = -, F(I) = 1
F(I) 1 - F(t) e e
L'axe OX est donc l'axe horizontal , tracé à l'intérieur du papier de
Weibull , qui passe par la graduation 63,21 de gauche. Le point 0 appa-
raît sur cet axe à la graduation 1 pour 1, c'est-à-dire à la graduation
o = ln 1 pour X = ln 1.
c. Utilisation du papier de Weibull
Reprenons la sifllation 2 du paragraphe B, l,b, : nous avons obtenu le
tableau de valeurs suivant:
(;enjoun 15 21 26 30 35 39 44 50 58
F\" en 10 20 30 40 50 60 70 80 90
Portons sur le papier de Weibull les points d'abscisse li et d'ordonnée
F(ti) en utilisant les graduations horizontales et verticales non régu-
lières (fig. 14).
229
-2,0 -1,0 0,0 1,0 2.0 3,0 4,0
99,9

,
L.L..! ,,"""""-'-'..I..J..
M'

99,0
90.0
70,0 .
02 · 0 040506 08 2 3 4 5 6 8 JO 20 30
50,0
30,0
/
20,0
4"
D'
10,0

t
,.
,
5,0

IL
t
D



t
3,0
w
2,0
d+
1
1.0
'1 n
il
5
1
0,5
.J,

• •
.
:1 0.2
0.2
6

0, 1
0, 1 0,2

0,3 0.4 0,50,6 0,8 1 2 3 4 5 6 8 10 20 30 40 5060 80100
Fig. 14
Nous admettons le résultat suivant:
T est définie au début du para-
Lor.oque le nuage de poinrs expUimentaux ainsi obceou est, à peu .ms
graphe B.
= o.
Voir le pamgraphe D. 2.a. :
X = lnt
}' = 10(10 __
1
_).
1 - F(I)
Voir la figure 14.
Pour X = 1. Y = 13.
rectiligne, la variable aléatoire T suit une loi de Weibull dont le para-
mètre -y est nul,
Détermination de T)
Nous avons vu qu'avec une l oi de Weibull , les points de coordonnées
(X, Y) sont alignés sur une droite D d'équation Y = i3X - 13 InT).
Donc Y = 0 lorsque X = InT) car 13 '* 0, c'est-à-dire Int = InT) car
X = Inl.
Donc Y = 0 lorsque 1 = T),
T) est l'abscisse, lue sur l'axe horizontal tracé dans le papier de Weibull,
du point où la droite D coupe cet axe,
lei , nous li sons: T) = 40.
Détermination de 13
La droite D ayant pOllr équation Y = i3X - 13 ln T) , son coefficient direc-
teur est 13.
Pour déterminer graphiquement 13. on par tracer la droite D'
passant par 0 et parallèle il D (fig. 14); son équation est Y = i3X.
Avec des axes « habituel s », nous savons lire 13 sur le graphique: c' est
l'ordonnée du point E de D' dont l'abscisse est 1 (fig. 15),
230
Pour X =-1. )'=-f3.
Voir le par.1graphe 2.b.: gradua-
tions verticales.
D' est la parallèle?t D passant par O.
Voir la figure 14.
Celle rechen:he de -y n'est pas .IU
programme de mathématiques de"
sections de teçhniciens supérieurs.
Voir le paragraphe 2.a.
l(r) = o pour toult :!l;;-y;
f(r) ~ ~ ( ' ~ ~ r 1 exp[ - ( ' ~ ~ t l
pour tout, > -y.
La démonstration fait intervenir
une fonction r qui est hors pro-
gramme des sections de leçhniciens
supérieurs.
Chap. 7 : Fiabilité
-1 -1
D'
E
F
- ~
D'
Fig. 15 Fig. 16 Fig. 17
Remarquons que - i3 est l'ordonnée du point F de D' dont l'abscisse
est - 1 (fig. 16).
L'axe vertical tracé à l'intérieur du papier de Weibull correspond fi
J'abscisse - 1 de la graduation hori zontale régulière supérieure.
Cet axe vertical est dirigé vers le bas et c'est donc - Yqui est porté sur
la graduation régulière de cet axe.
Or pour X = - l, - Y = i3 (fig. 17) :
i3 est l'onionnée,lue sur l'axe vertical tr""é sur le papier de Weibull, du
point où la droite D' coupe cet axe,
Ici nous lisons: i3 = 2,4.
Remarque
Dans le cas où 'Y '" 0, les points de coordonnées (1;, F(t;l) ne sont pas
alignés sur du papier de Weibull.
On peUL alors, dans certains cas, déterminer graphiquement 'Y par cor-
rections successives, en utilisant des propriétés asymptotiques de fonc-
tions appropriées.
Cependant, une fois 'Y connu, on peut utiliser ce qui précède pour déter-
miner '1 et i3 en remplaçant X = Int par X = In(t - 'Y).
3. MTBF - ÉCART TYPE

Par définition, MTBF = f ~ tf(t) dt, en admettant l'existence de cette
intégrale. Nous admettrons le résultat suivant:
MTBF = 'lA + 'Y
où A est une intégrale dont la valeur est obtenue par des méthodes
numériques ou par lecture de tables (voir formulaire).
De même on peut obtenir la variance et l' écart type:
On trouve également B suivant les valeurs de i3 dans des tables (voir
formulaire).
Reprenons la situation 2 :
On a trouvé sur le papier de Weibull 'Y = 0, i3 = 2,4, '1 = 40.
Pour i3 = 2,4, on trouve dans la table A = 0,8865, B = 0,393.
D'où, avec MTBF = 'lA + "let cr = 'lB :
MTBF = 35,5 jours et cr = 15,7 jours.
231
TRAVAUX PRATIQUES
EXEMPLES D'ETUDE
DE FIABILITÉ À L'AIDE
DE LA LOI EXPONENTIELLE
OU DE LA LOI DE WEIBULL
TP 1
Étude d'une loi exponentielle
et fiabilité d'un système
• d'éléments identiques
montés en parallèle ou en série
On a relevé, durant une période de 1 500 heures. la
durée de vie de 24 éléments identiques, mis en service
à la même heure. On a obtenu les résultats suivants:
de vie (en Nnmhre défaillan(!j;
[0.100] 5
J100, 200] 4
]200.300] 3
]300,4001 3
]400.5001 2
1500.6001 1
]600,750] 2
]750, 1000] 2
]1000. 1500J 2
1
0
En utilisant la méthode des rangs moyens, complé.
ter le tableau:
TSF'i
FUjI RU
i
) en tJ
Yi"'" InR";'
... ...
2° Tracer le nuage de points Mj(tj. R(r;» sur du papier
semi- Iogarithmique; en déduire que la variable aléa-
toire mesurant la durée de vie des éléments suit une loi
exponentielle. Déterminer à une heure près, graphique-
ment la MTBE
3° En déduire, à 10-
4
près, le paramètre et l' écart type
de cette loi exponentielle, ainsi que l'expression de
R(r) .
4° Déterminer, à une heure près, gruphiquement et par
le ca1cull'instant où la fiabilité d'un élément est 50 %.
ÉLant donné qu'à l'instant to la fiabilit é d'un élément
est 50 %, déterminer, à cet instanl.la fiabilité d'un sys-
tème de deux éléments montés en parallèle (on admet
que les deux éléments fonct ionnent de façon indépen-
dante).
5° On monte en série deux éléments. Montrer que la
variable aléatoire mesurant la durée de vie du s stème y
obtenu suit une loi exponentielle dont 'on déterminera
le paramètre. (On admettra encore l'indépendance du
fonctionnement des deux éléments.)
6° À l'aÎde de la calculatrice, déterminer une équat ion
de la forme y = at + b de la droÎte d'ajustement des
valeurs de y à celles de t, ainsi que le coefficient de cor-
rélation entre 1 et v. a sera arrondi à 10- 4, b à 10- 5 et
.
En déduire l'expression de R(t) et comparer le paru-
mètre de cette loi avec celui qui a été obtenu au 3° .
TPl
Loi exponentielle
et probabilités conditionnelles
ùs rbllitats, lorsqu'il s'agit de probabililés, serol/!
arrondis à /0- 3.
On a étudié sur un banc d'essai la durée de vie d'un très
grand nombre de tubes fluorescents d'un certain type.
La moyenne des temps de bon fonctionnement de ces
tubes (MTBF) est 670 heures.
On admet que la variable aléatoire X, qui , à tout tube
fluorescent de ce type associe sa durée de vie exprimée
en heures, suit une loi exponentielle. On désigne par R
la fonction de fiabilité correspondante.
1 °a) Déterminer, à 10- 4 près, le paramètre de la loi
suivie par X. En déduire l'expression de R(t) en
fonction de t.
b) Calculer P(X '" 500) puis P(X > 1000). Traduire
ces résultats par une phrase.
2° On prélève au hasard un tube fluorescent du type
considéré,
- soit A l'événement « le tube n'a pas eu de défaillance
au cours des 600 premi ères heures d'utilisation lt,
- soit B l'événement « le tube n'a pas eu de défaillance
au cours des 900 premières heures d'utilisation "'.
a) Calculer P(A), PeB) el P(A n B).
b) Calculer la probabili té de l'événement : .. le tube
n'a pas eu de défaillance pendant les 900 premières
heures sachant qu'i l n'en a pas eu au cours des 600
premières heures "'.
TP3
Étude de fiabilité à l'aide
d'un tableur et la loi de Weibull
Un distributeur automatique élabore du jus d'orange en
mélangeant de l'eau et du concentré d'orange.
Une étude de de ce type de di stributeur a per-
mi s à l'aide d'un tableur, d'établir le tableau ci-des-
sous, où F{I ,.) et RU,. ) correspondent respectivement à
232
la probabilité de défaillance et à la fiabilité au temps 1;
TBF (en heures) Nombre de panne.
(selon la méthode des rangs moyens) :
[0, 250j 1
1 FU,I RHj} Ij - Inu
i
} Y, =' Int InHull
J250.450j 2
40 0,125 0,875 3.68887945 -2,013418678
j450,600j 2
48 0.25 0,75 3.87120101 - 1,245899324
J600,8ooJ 3
55 0.375 0.625 4,00733319 - 0,755014863
J800. 1 looJ 4
60 0.5 0.5 4.09434456 - 0,366512921 ]1100. 14001 4
64 0,625 0.375 4,15888308 -0.019356889
68 0.75 0.25 4,21950771 0.32663426
Trois autres machines ont fonctionné correctement au
80 0.875 0. 125 4.38202663 0,732099368
moins jusqu'à la date « 1400 heures lt .
] 0 Déterminer, à un près, à J'aide du papier de Weibull
Le tableur a donné, à 10-
4
près. les coefficients d'une
les paramètres de la loi de Weibu ll . ajustant cette
équation de la droite de régression linéaire de y en x et
rribution. Donner l'expressi0!l de R(/).
le coefficient de corrélation linéai re r :
r Calculer, à un près, la MTBF et l'écart type de celte
y = 4,0999x - 17,1242 et r = 0,9960
loi.
Soit T la variable aléatoire qui, à tout distributeur de ce
3° Déterminer, à un près. graphiquement puis par le
type, associe son temps de bon fonctionnement
calcul, la périodicité d'un entretien systématique fondé
exprimé en jours. On cherche à ajuster la loi de T à une
sur une fiabilité de 0,9.
loi de Weibull.
4° Déterminer, à un jour près. graphiquement et par le
1° On admet le résultat suivant qui n'a donc pas été
calcul. la probabilité qu'une machine de ce type fonc-
démontré ici :
tionne plus de 2000 heures sans panne.
R(I) = e - y = 13x - ln '1.
5° Donner à 0.01 près, l'expression du taux d'avarie
où l'on a x = ln 1 et y = ln 1- InR(I)].
sur l'intervalle [0, 1 000] et le
Déduire des informations précédentes les résultats
ment.
dessous:
B
a) Le nuage de points (x;, Y;) est correctement ajus-
On modifie l'énoncé de la A de la manière sui-
té par cette droite D;
vante.
b) On peut considérer que T suit la loi de Weibull de
Une usine utilise 19 machines de même modèle.
par..tmètre 'Y = 0;
L'étude du bon fonctionnement en heures, avant la
c) On peut prendre, pour les deux autres paramètres,
mière panne de chacune de ces 19 machines, a permis
r3 = 4,1 (arrondi au centième) et" = 65 (arrondi à
l'unité).
TSF (en heure!i) Nombre de pannes
(On pourra utiliser l'équivalence encadrée ci-dessus).
[1000,12501 1
r Calculer la MTBF. Arrondir à l'unité.
]1250. 14501 2
3° Déterminer, par le calcul, à un près, la périodkité
]1450, I600J 2
d'interventions préventives basée sur une fiabi lité de
JI 600, 18001 3
90 %.
JI 800, 2100J 4
J21oo, 2400j 4
Des machines
Troi s autres machines ont fonctionné correctement au
TP4 moins jusqu'à la date « 2400 heures lt.
qui tombent souvent en panne,
1 ° Placer sur le même papier de Weibull que celui de la
Étude de leur fiabilité partie A les points N;{r;, F{t»; vérifier que 'Y = 1000.
à l'aide de la loi de Weibull,
Donner de R(I).
détermination du taux d'avarie
r Répondre avec ce nouvel énoncé aux questions 2°,
3°, 4° et 5° de la A.
Partie A
Une usine utili se 19 machines de même modèle.
L'étude du bon fonctionnement en heures. avant la pre-
mière panne de chacune de ces 19 machines, a permis
ct obte nir l' 'stori ue suivant: q
Chap. 7 : Fiabilité 233
1
1 _____ fX_f_R_a_C_B_C_O_R_R_IG_B ______
1
1
DES OBJECTIFS
Numéros
2° Déterminer, à une unité près, par le calcul à quel Îns-
des exerdces tant 10 la fiabilité de JB 007 est égale à 80 %.
Déterminer Je paramètre
Comment peut-on vérifier ce résultat graphiquement?
d'une loi c1Ç,ponentielle.
1,2,3
3° On envisage de placer deux pièces J B 007 en paral-
une loi c'tponentielle. 1,2.3
lèle, c'est-à-dire de telle sorte que le système fonclÎon-
Déterminer graphiquement
ne tant que j'une des deux pièces est en étal de fonc-
ies paramètres d'une loi de Wcibull.
4
tionnement.
Fiabilité d'un l>yMème. 2,5
Étant .donné qu'à l'instant '0 la fiabilité d'une pièce
1
1,1
JB 007 est de 80 %, déterminer, à cel instant, celle du
Utiliser une loi de WeibuJl 4.5
système ainsi formé. On admet que les deux pièces
Fiabililé el ajuslement par
3.4
fonctionnent de façon indépendante.
la méthode des mOÎndres
4° Quelle aurait été la fiabililé à l'instant to si on avait
\ placé les deux pièces en série, c'est-à-dire de telle sorte
..
que le système ainsi formé soit défaillant dès que l'une
des deux pièces casse? (On admettra encore l'indépen-
[2J -Trouver le paramètre ' . dance du fonctionnement des deux pièces.)
\

U ariuble aléatoire T suit une loi exponentielle.
) ° Trouver, à 10-
6
près, le paramètre çle
[2] - -Fiabilité et méthode des moindres carrés
sachant que peT '" 70) 0,05.
a relevé durant une période de 3 000 la durée
2° Les valeurs pri ses par T étant des heures .. détermi-
de vie de 100 éléments identiques mis en service à la
ner, à un près, la MTBF et l'écarl type de T.
même heure, 22 éléments étant encore en fonctionne-
3° Calculer, à 10-
4
près, peT > 30).
ment au bout de ces 3000 heures. On a obtenu les résul-
0--- Fiabilité de la pièce jB 007
tats suivants:
Durtt de vie (en heures) Nombre d·él. défaillants
Un technicien supérieur en maintenance a été chargé
[0,5OOJ 22
d'étudier plus particulièrement le cas de la pièce
]500. loooJ 18
JB 007.
]1000.15OOJ 13·
Son historique lui permet de connaître les durées de vie
]1 500, 2000J 10
des pièces de ce type déjà utilisées. Elles sont con si- ]2000,2500] 9
gnées dans le tableau suivant. ]2500.3000] 6
N° d'ordre
Durée de vje
N° d'ordre
Durée de vie
) 0 En utilisant la méthode des rangs bruts, compléter le
(heures) (heures)
tableau suivant dans lequel les valeurs approchées
1 130 7 64
seront arrondies à 10- 3.
2 20 8 50
3 348 9 135
TSF = l, FU,) t!n 'l- R(ti) en 4 Yi = InRlt
i
)
4 100 10 224
5 14 It 67
6 212
r À l'aide de la c.t1culatricc, déterminer une équation
} O On note R(t) la probabilité de survie du matériel à la
de la forme y = at + b de la droite d'ajustement des
date t. En utilisant une feuille de papier semi-logarith-
valeurs de)' à cell es de t, ainsi que le coefficient de cor-
mique, justifier l'approche de R(t) par une loi exponen-
rélation entre t et )'. r sera arrondi à 10- 4, li à 10- 4 et
tielle.
b à 10- 5
1
1
1
1
1
1
1
Déterminer, à une unité près, graphiquement, la MTBF
En déduire l'expression de R(t) et le paramètre de la loi
d'une pièce JB 007. Montrer que l'on peut prendre
exponentielle R(t).
pour valeur approchée du paramètre de la loi expo- 3° On prend = 0,0005 comme valeur approchée du
nentielle la va.leur 0 007. p aramètre de cette loi ex onentielle. p
1
234
/
On prélève au hasard un élément.
Calculer, à 10-
3
près. la probabilité de l'événement
« l'élément est encore en fonctionnement au bout de
1 000 heures ».
loi de Wei bull
_u Où l'on reprend le TP 1 du chapitre 1
On a mesuré la durée de vie de 400 lampes produites
dans une usine et obtenu les résultats sui vants:
DurU de \'ie (en Nombre de lamp« .
\300.5001 60
[500.700[ 134
1700.9001 130
[900. 11 00[ 70
11100, 1300[ 6
} O Déterminer, à l'aide du papier de \Vei bull , les para-
mètres de la loi de Weibull aj ustant cette distribution.
Donner l' expression de R(t).
2° Calculer, à une heure près, la MTBPet l'écar t type
de cene loi.
3° Déterminer graphiquement pui s par le calcul hl
d'un entretien systématique fondé sur une
fiabilité de 0,9. On donnera la valeur approchée arron-
die à 1 heure.
4° Déterminer, graphiquement et par le calcul. à 10-
2
près, la probabilité qu'une machine de ce type fonc-
tionne plus de 2000 heures sans panne.
5° Construire la courbe représentative du taux d'avarie
sur l'in1ervalle (500, 1300].
Que peut-on en conclure?
6° On pose LI; = In/; et Vi = ln l - ln R(t j)]'
a) Démontrer par la méthode des moindres carrés, à
l'aide de la calculatrice, que les points Mj(u
i
, "j)
peuvent êt re ajustés par une droite d'équation
\' = au + b.
Donner le coefficient de corrélation entre Il et Il.
h) En prenant des valeurs approchées arrondies à
10- 1 des coefficients, montrer que l'équation peut
s'écrire: v = 4u - 27.
En déduire une expression de R(t) sous la forme:
R(I) = exp [-
Exercice d'examen
W _n Composants électriques et loi de Weibull
On étudie la durée de vie d' un certain type de compo-
sants électriques fabriqués par une lJsine.
On désigne par T la variable aléatoire qui à chaque
composant, prélevé au hasard dans la production, asso-
cie sa durée de vie en mois.
Après une étude stat istique, on admet que T suit la loi
de Wei bull de :
= 0; f3 = 2.4; Tl = 50.
1° En déduire l'expression de R(t ).
2° Déterminer par le calcul ?t 1 % près les probabilités
des événements sui vants:
a) .. la durée de vie d'un composant est inféri eure à
10 mois »;
b) .. la durée de vie d' un composant est comprise
entre 10 mois et 50 mois ».
3° Déterminer par le calcul. le temps au bout duquel un
composant doit être changé, sachant que sa probabilité
de survie doit rester supérieure à 90 %.
Comparer les deux résultats.
4° Un système (5) est constitué de deux composants du
type précédent, montés en série et fonctionnant de
manière indépendante (le système (5) est donc
défaillant dès qu'un de ses composants l'est).
Déterminer le temps au bout duquel (5) doit être
changé, sachant que la probabilité de survie de (5) doit
rester supérieure à 90 %.
Chap. 7 : Fiabilité 235
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
EXERCICES NON CORRIGÉS
Utiliser une loi exponentielle connaissant son
paramètre ~
G * Fiabilité d'un certain type de composants
On considère des composants d'un certuin type.
On admet que la variable aléatoire T qui associe à tout
composant tiré au hasard dans la production sa durée de
vie, exprimée en jours, su it la loi exponentielle définie
par
R(t) = e - 0.0001,.
1° Déterminer la probabilité que l'un de ces compo-
sants ait une durée de vie supérieure à 2000 jours.
Donner la valeur exacte puis la V<lleur arrondie à 10- 2,
r Déterminer la MTBF et l'écart type de T.
3° Déterminer la valeur de 1
0
, arrondie à 1 jour, pour
laquelle PtT '" (0) = 0,5.
o ** On perce la tôle
Une machine automatique perce des tôles.
On admet que la variable aléatoire qui associe à Ioule
machine de ce type tirée au hasard sa durée de vie (fia-
bilité) suit une loi exponentiell e. La MTBF (moyenne
des temps de bon fonctionnement) annoncée par le
constructeur est de 5000 heures.
On dO/mua les l'alt'urs exactes puis les l'a/l'urs appro-
c h é ~ s arrondies li 10 ~ 2 des probabilitis.
1° Calculer la probabilité qu'il n'y ait pas de défail-
lance au cours des 2000 premières heures d'utilisation
d'une telle machine.
r Sachant qu'une machine de ce type n'a connu aucu-
ne défaillance au cours des 2000 premières heures
d'utilisation, quelle est la probabilité que cette machine
l1e connaisse aucune défaillance pendant les 6000 pre-
mières heures d'utilisation?
[!] * TroU\"€r le paramètre
Déterminer l'expression de R(t) qui caractérise une loi
exponentielle sac:hant que peT > 400) = 0,4.
En déduire PtT '" 1 (00).
[!] *u Fiabilité dJun système de composants
Soit Tt et T
2
les variables aléatoires qui associent à des
composants respectivement du type A et du type B tirés
au hasard leur durée de vie exprimée en heures.
236
On admet que Tl et T
2
suivent des lois exponentielles
de paramètres respectifs:
À, = 0,0012 et À, = 0,0007.
} O Quelle est, à 10-
4
près, la probabilité qu'un compo-
sant du type A soit encore en état de marche au bout de
1 000 heures? Mème question pour un composant de
type B.
r Déterminer, à 1 jour près. Je nombre de jours au bout
desquels 70 % des composants du type A ont eu leur
première défaillance.
3° Deux composants du type A et deux composants de
type B sont associés comme suit :
Déterminer la fiabilité d'un tel système au bout de
1000 heures. (Les défaillances des composants de type
A ou B sont indépendantes les unes des autres).
~ *** Panne d'ordinateurs
Dans le se.rvice après vente d'un grand magasin un
technicien est chargé de la réparation d'un certain type
d'ordinateur.
Les ordinateurs sont en nombre important et tombent
en panne de façon aléawire, indépendamment les uns
des autres. Il s'établit alors une « file » d'ordinateurs
oc e.n panne » en attente de réparation.
Il s'agit d'étudier le phénomène afin d'évaluer s'i l est
nécessaire d'embaucher un nouveau technicien.
On a relevé les temps entre chaque arrivée en heures, et
on a obtenu, à l'aide d'un logiciel spécialisé qui exé-
cute automatiquement les calculs, une MTBF égale à
4 heures soit en moyenne une arrivée d'ordinateur en
panne toutes les 4 heures.
On note T la variable aléatoire qui, à chaque panne,
associe le temps d'attente en heures avanll'arrivée de
la prochaine panne. On admet que T suit une loi expo-
nentielle de paramètre ~ .
} O Déterminer le paramètre ~ et l'expression en fonc-
lion de t de peT > t).
2
0
Calculer, à 10-
4
près, PtT > 6) et PtT '" 3).
Faire une phrase pour exprimer ce résultat.
3° Déterminer la valeur de t, arrondie à la minute, qui
correspond ~ une probabilité P(T:OS;; t) = 0,05.
Faire une phrase pour exprimer ce résultat.
Utiliser une loi exponentielle et la méthode des a) Reproduire et compléte-f le tableau précédent.
moindres carrés
On donnera les valeurs décimales arrondies à 10- 3
ri.!] *** Panne d' ordinateurs (suite)
de ln [R(t)].
b) Tracer le nuage de points correspondant à la série
On reprend la situation de l'exercice précédent et on
staristique (l, ln [R(t)]. En abscisse, 100 jours seront
s'intéresse maintenant au temps de réparation qui est
représentés par 1 centimètre et, en ordonnées, 1 uni-
également variable.
té sera représentée par 5 centimètres.
L'observation de 100 rép<trations a permis d'établir le
c) Donner une équat ion de la droite d'ajustement
tableau suivant (rangs bruts):
y = ml + p obtenue par la méthode des moindres
Temps Temps 'j Nombre de Yj = InRH
i
)
carrés et tracer celle-ci sur le graphique précédent.
FIl;) RU
I
) Les valeurs décimales arrondies à 10- 6 près des
classes centres rq,aration'l
à 10-> pm
)O,IJ 0,5 24 0,24
coefficients 111 et p peuvent être obtenues directe-
ment à l'aide d'une calculatri ce.
JI,2J 1.5 19 0,43
]2,31 2,5 15 0,58
Montrer qu'en utilisant cene équation on obt ient:
J3,4J 3,5 Il 0,69
R(I) ~ 1,003413 x e-O,001374'.
J4,5J 4.5 9 0,78
d) On admet pour la suite que R(I) = e - 0,001374/ ;
J5.6] 5,5 5 0,83
ainsi la fiabilité du système suit une loi e"ponen-
J6,7J 6,5 4 0,87
tielle. Donner une valeur approchée à 10- 6 près du
]7,8J 7,5 5 0,92
J8,9J 8,5 2 0,9-1
taux d'avarie du système, puis la MTBF, moyenne
J9,IOJ 9,5 2 0,96
du temps de bon fonctionnement, au jour près.
]10, Il] 10,' 1 0,97
e) Calculer, à 10- 2 près, la probabilité de voir le
>11 3 1 0
système tomber en panne pendant l'année de garan-
1
0
Compléter le tubleau ci-dessus.
tie, c'est-à-dire avant 365 jours.
rEn ne prenant pas en compte la dernière valeur
(> 11), déterminer à l'aide de la calculatrice, une équa-
Déterminer graphiquement le paramètre
tion y = af + b de la droi te d'ajustement de y à l, selon
d'une loi exponentielle
la méthode des moindres carrés, ainsi que le coefficient
~ *** L'usine Mécanix fabrique des pièces
de corrélation r entre y et f, r sera arrondi à 10- 4, a à
/0- 3, b à /0- 5
L'usine Mécanix est spécialisée dans la fabrication de
3° En prenant pour valeurs approchées a = - 0,3 et
pièces métalliques.
b = 0, donner l'expression de R(I). En déduire la loi
Les durées de vie, en jours, de 9 pièces utili sées dans
suivie par la variable X qui à chaque ordinateur à répa-
des condirions semblables ont donné le résultat su i-
rer associe son temps de réparation en heures.
v"nl:53, 112, 178,255,347,458,600,805, 1 151 jours.
4
0
Déterminer à /0- 2 la MTBF el l'écart Iype de la
1
0
En utilisant la méthode des rangs moyens, complé-
variable aléatoire X.
ter le tableau ci-après, après l'avoir reproduit.
5 0 Calculer à 10- 3 les probabilités P(X > 5,5) el
r À l'aide du papier semi-logari thmique, vérifier que
P(X '" 2,5).
la variable aléatoire mesur,:mt la durée de vie des pièces
12 *** Store automatique
suit une loi exponentielle dont on déterminera, à 10- 3
près, le paramètre et donner l'expression de R(t).
Un système déclenche aUlOmatiquement, en fonction
Durte Nbre hltal d'él.
de la température et de la vit esse du vent, l'ollverture de vie d!faillants n
j
FU
j
) = ";110 RU
j
)
ou là fermeture d'un store extérieur protégeant la vi-
I, à l'inslalll 'j
trine d'un magasin.
53
Une étude statistique a permi s d'obtenir les valeurs sui-
112
vantes de la fonction de fiabili té 1 ~ R(I) du système
178
où r désigne le nombre de jours depuis l'installation de
255
celui-ci.
347
458
1 90 200 360 500 750 1000 1200 1500
600
R(I) 0,89 0,76 0,61 0.51 0,36 0,25 0, 19 0,13
805
lolR(11I
1151
Ch.p. 7 : Fiabilité 237
Fiabilité d'ampoules
L'étude de la durée de vie de 15 ampoules identiques
sur un banc d'essai a donné au bout de 1000 heures les
temps de fonctionnement suivants classés en ordre
croissant: 70, 120,200,250,350,430,550,620,780
860, les 5 aut.res ampoules étant toujours allumées.
1° En utilisant la méthode des rangs moyens,
construire un tableau où figureront, pour chaque
ampoule, TBF = li' F(ti) en % et R(/j) en %.
2° Tracer le nuage de points Mj(tj, R(lj» sur du papier
semi-Iogarithmique; en déduire que la variable aléa-
toire mesurant la durée de vie des ampoules suit une loi
exponentielle.
Déterminer graphiquement la MTBE On admet pour la
suite que MTBF = 900 heures.
3° En déduire le paramètre À et l'écart type de cette 101
exponentielle, ainsi que l'expression de RU).
Calculer la probabilité de survie à la MTBE On don-
nera la valeur exacte et la valeur approchée arrondie
à 10-
4
près.
4° Calculer, à 1 heure près, le temps de bon fonction-
nement pour une défaillance, admise de 50 %.
Utiliser une loi de Wei bull connaissant
ses paramètres
• Application directe du cours
Soit T la variable aléatoire qui associe à toute machine
d'un modèle donné, tiré au hasard, son temps de bon
fonctionnement avant défaillance, exprimé en mois. T
suit la loi de Weibull caractérisée par:
R(t) = exp [ - (' 0)"3]
1° Calculer peT ,.,:;;: 30). On donnera la valeur exacte,
puis la valeur approchée arrondie à 10-
2
.
r Calculer, à 10-
4
près, P(T > 25).
3° Déterminer la MTBF et l'écart type de T. On don-
nera la valeur exacte, puis la valeur approchée arrondie
à 10-
2
•• Les paramètres sont connus
Un atelier est équipé de 30 machines du même type,
pour lesquelles on a constaté un coût de maintenance
important. La direction de l'usine décide d'étudier la
politique de maintenance à appliquer.
On relève le nombre de jours de bon fonctionnementf
des 30 machines au cours d'une année. On constate
alors que la variable aléatoire T qui, à toute machine
de ce type tirée au hasard, associe sa durée de bon
fonctionnement, suit une loi qui peut être approchée
par la loi de Weibull, de paramètres 'Y = 100,,, = 100,
= 2.
) 0 Déterminer la MTBF et l'écart type de T, ainsi que
la probabilité de bon fonctionnement jusqu'à la MTBE
On donnera les valeurs approchées arrondies à 10-
2
.
r Déterminer par le ca1culla périodicité d'un entretien
systématique fondé sur une fiabilité de O,9.0n donnera
le résultat à 1 unité près.
3° Déterminer, à 10-
2
près, par le calcul le nombre de
jours au bout desquels 30 % des machines ont eu leur
première panne.
4° Déterminer, à JO-2 près, la probabilité de l'événe-
ment:
200 300.
5° Après avoir donné l'expression du taux de
défaillance Mt), le représenter graphiquement sur l'in-
tervalle [100, 500]. Que peut-on en conclure du point
de vue de la fiabilité?
.-- Quand la variable aléatoire prend
pour valeurs des kilomètres au lieu d'un TBF
On a noté, au moment de la mise hors circulation (à la
casse ou autre ... ), le kilométrage de 100 véhicules du
même modèle S. On a obtenu l'historique suivant:
1 .. ··tl<E..-dekm) __ ,
[0,50] 5
]50.80] 20
]80, 1101 38
]1I0,140J 32
]140,170J 5
1° À l'aide du papier de Weibull, on a déterminé les
paramètres de la. loi de Weibull ajustant cette distribu-
tion. On a trouvé 'Y = 0, f3 = 3,8 et " = 110. Donner
l'expression de R(t).
r Déterminer, à 10-
4
près, la probabilité qu'un véhi-
cule du modèle S roule plus de 70000 km, plus de
200000 km.
3° Si l'on considère un très grand nombre de véhi-
cules S, quel est le nombre de milliers de kms, en
moyenne, que l'on peut espérer effectuer avec ce type
de véhicule?
Utiliser la loi de Weibull et la méthode des
moindres carrés
§J'"
Un tour à commande numérique fabrique en grande
série des cylindres.
de maintenance a relevé pendant plusieurs
mois les temps de fonctionnement, en heures, entre
deux réglages consécutifs du tour et a établi le tableau
suivant:
238
où fi représente le temps de fonctionnement entre deux.
réglages consécutifs et F(l;) le pourcentage cumulé de
réglages effectués avant le temps fi.
1° On pose IIi = ln lj el \'j = ln( -lnR(ti»
Montrer par la méthode des moindres carrés, à raide de
la calculatrice, que les points M
j
(lI
j
, Vi) peuvent être
ajustés par une droite d'équation l' = (lU + b. (l sera
arrondi il 10-
2
, b il 10-]
Donner, à 10-
4
près, Je coefficient de corrélation entre
Iletl'. "
Justifier l'ex.pression de R(t) : R(t) = e - he;}
2° E:<pliquer pourquoi cette distribution peut être ajus-
tée par une loi de Weibull dont on déterminera les para-
mètres.
3
0
Calculer, il 10-
1
près, la MTBF el, il 10-
2
près, la
probabilité de ne pas avoir de réglage à faire avant cette
MTBE
4° Déterminer par le calcul, à une unité près, la pério-
dicité de réglage systématique basée sur une fiabilité de
90 %.
... Avec fa foi de Weibuff
Une machine fabrique des pièces cylindriques en
grande série.
Le parc de l'atelier comporte 10 machines fonctionnant
dans les mêmes conditions.
Afin d'étudier la fiabilité de ces machines, on relève le
nombre de jours de bon fonctionnement avant la pre-
mière défaillance. Les résultats sont: 50 ; 44 ; 18 ; 85 ;
70 ; 30 ; 60 ; 36 ; II ; 24.
On désigne par T la variable aléatoire qui, à toute
machine de ce type tirée au associe sa durée de
vie.
)0 On pose"i = Inti et v
j
= In( -ln R(tj».
Montrer par la méthode des moindres carrés. à l'aide de
la calculatrice, que les points Mj(u
j
. Vj) peuvent être
ajustés par une droite d'équation v = au + b. a et b
seront arrondis à 10-
4
.
Donner, à 10-
4
le coefficient de corrélation entre
Il ett
l

2° En des valeurs approchées à 10- 2 près des
coefficients, montrer que l'équation peut s'écrire:
v 1,6u - 6,13.
En déduire une expression de R(t) sous la forme:
R(t) e -
a) vérifier que la variable aléatoire T suit une loi de
Wei bull de paramètre 'Y = 0;
b) déterminer les deux autres paramètres de cette
loi;
c) déterminer à quel instant lO la fiabilité d'une telle
machine est de 70 %;
d) déterminer, il 10-
4
près, p(T'" 6).
Déterminer graphiquement les paramètres de la loi
de Weibull
•• Problème d'engrenages
Une usine fabrique des engrenages. Le service de main-
tenance a relevé leurs durées de vie en usure accélérée.
Les résultats sont consignés dans le tableau ci-dessous:
oum: de vie (heu ... ) Ftt,) en poun:enIIIFI
250 3
350 11
400 18
510 40
550 50
600 63
750 91
800 96
F(tj) est le pourcentage d'engrenages hors service à la
date tj.
1° À l'aide du papier de Weibull justifier que la
variable aléatoire qui prend pour valeurs la durée de vie
des engrenages peut êlre ajustée par une loi de Wei bull.
Déterminer les paramètres de cette loi. Les résultats
seront arrondis à l'unité.
2
0
a) Calculer, il 10-
2
près, la MTBF ell'écarl type de
cette loi de Weibull.
b) Déterminer, à J heure près, par le calcul au bout
de combien de temps, 5 % des engrenages sont
défectueux. Vérifier graphiquement le résultat obte-
nu.
JO Une transmission mécanique comporte une série de
trois engrenages i.dentiques dont les durées de vie sui-
vent la loi précédente et fonctionnent de façon indé-
pendante.
QueHe eSl, à 10-
2
près, la probabilité que la durée de
vie d'un tel système soit au moins de 300 heures?
Chap. 7 : Fiabilité 239
êJ **. Avec la loi de Weibull (autre méthode)
Une machine fabrique des pièces cylindriques en
grande série.
Le parc de )' atelier comporte 10 machines fonctionnant
dans les mêmes condi tions.
Afin d'étudier la fiabil ité de ces machines, on relève le
nombre de jours de bon fonctionnement avant la pre-
mière défaillance. Les résultats sont:
50; 44; 18; 85; 70; 30; 60; 36; Il; 24.
On désigne par T la variable aléatoire qui, à toute
machine de ce type choisie au hasard, associe sa durée
de vie.
l a En utili sant la méthode des rangs moyens et à l'aide
du papier graphique de Weibull fourni en annexe:
a) vérifier que la variable aléatoire T suit une loi de
Wei bull de paramètre 'Y = 0;
b) déterminer les deux autres paramètres de cette
loi;
c) déterminer, à 1 jour près, à quel instant to la fiabi-
lité d'une telle machine est de 70 %;
d) déterminer, à 10-
3
près, peT '" 6).
2° Vérifier par le calcul les résultats obtenus dans les
questions 1°c) et d).
3° Calculer, à l jour près, la MTBP.
4° Un système (S) est constitué de deux machines du
type précédent, montées en série et fonctionnan t de
manière indépendante (le système (S) est donc
défaillant dès qu'une de ses machines l'est).
Déterminer, à 1 jour près, le temps au bout duquel (S)
doi t être changé, sachant que la probabilité de survie de
(S) doit rester supérieure à 70 %.
Détermination des paramètres d'une loi de
Weibull par la méthode graphique et par la métho-
de de moindres carrés
u* Lampes de projecteurs
Une société utilise des l:lmpes de projecteurs toutes
identiques. Une étude de la durée de vie de ce type de
lampes pendant un an et demi a permis d'obtenir le
tableau suivant, où f est le temps exprimé en années et
F(r) le pourcentage cumulé de lampes hors d'usage à
l' instant t :
'; en ann6es 0,25 0,5 0.75 1 t,25 1.5
1'(1,) en '" 0,4 6 30 63 90 99
On veut déterminer une périodicité d'entretien systé-
matique fondé sur une défaillance admise de 5 %.
A. Jf! mtthode : utilisation du papier de Weibull
1
0
Tracer le nuage de points Mi('i' F(l» sur le papier de
Wei bull et e-n déduire les paramètres de celle loi , ainsi
que l'expression de R(t).
r Déterminer, à 10-
2
près, la MTBF, calculer, à 10-
3
près, l'écart type de la distribution ajustée.
3
0
Déterminer, à 10-
2
près, graphiquement la périodi-
cité d'un entretien systématique fondé sur une fiabilité
de 0,95.
B. 2f! méthode .- méthode des carrés
Une calculatri ce permet, par la méthode des moindres
carrés, de trouver les paramètres de la loi de Weibull
ajustant cette distribution.
1° En utilisant l'expression de R(t) donnée dans le for-
mulaire, démontrer que:
In[-lnR(t)] = In(t - In'1.
2° Le coeffic.:ient de corrélation entre x = ln t et
y = ln 1- ln RU)] montre que l'approximation par une
relati on affine par la méthode des moindres carrés est
justitïée dans le cas étudié.
Soit y = ax + b une équati on de la droite d'ajustement
de )' par rapport à x. On prend comme approx imation
de a la valeur 4 et comme approximation de b la valeur
O.
En déduire les paramètres -y, 13, TI, ainsi que l'expres-
sion de RU).
3°Déterminer, à 0,01 près, par le calcul la périodicité
d'un entret ien systématique fondé sur une fiabilité de
0,95.
Exercices d'examen
§J *** On retrouve le calcul intégral
1° Calculer, en fonct ion du réel .1', les intégrales sui-
vantes: t
a) F(x) = JX 1. e -, dt.
05
, t
b)J(x) = J' 1. te-' dt.
05
(On utilisera une intégration par parties.)
t
c) K(x) = J" 1. ?-e -:5 dt.
05
(On utilisera deux intégrations par parties.)
r En déduire: 1 = lim F(x)
x.-;+œ
J = lim J(x) et K = li m K(x).
x--+ + IX x--+ + œ
240
3° En utilisant les résultats précédents:
a) Montrer que la fonction f définie sur] - 00, O[ par
t
!(I) = ° et sur lO, + <cl par !(I) = ! e-' est une
5
densité de probabilité d'une variable aléatoire T.
b) On considère des congélateurs d'un certain type.
Soit T la variable aléatoire qui, à tout congélateur
tiré au hasard, associe sa durée de vie exprimée en
années. Calculer l'espérance E(T).
c) Calculer l'écart type ,,(T).
4° En utilisant la fonction de répartition F de la
variable aléatoire T sur [0, + 00[. déterminer, à 10-
3
près, la probabilité qu'un congélateur fonctionne moins
de 5 ,ms, plus de 5 ans.
5° a) Donner l'expression de R(T).
b) Calculer, à 10-
3
près, P(T "" 10).
e) Déterminer, à un mois près, 1 tel que
P(T < 1) = 0,01.
§!] .. Sésame ouvre-toi!, loi exponentielle
La commande d'un portail automatique est composée
de trois éléme,nts : une commande manuelle à infra-
rouges type plip, un récepteur et un vérin électrique.
Une étude statistique des pannes de chacun des trois
éléments constitutifs du portail automatique permet
d'estimer que la probabilité de panne à chaque utilisa-
tion est de 0,001 pour le plip, 0,0005 pour le récepteur
et 0,000 1 pour le vérin.
Les pannes des trois éléments sont supposées indépen-
dantes.
} O Calculer, à 10-
4
près, la probabilité de panne du
système au cours d'une utilisation par l'usager.
2° Le portail automatique est utilisé deux fois par jour
(soit 730 fois par an).
Quelle est, à 10-
4
près, la probabilité que ce portail
soit en panne au plus trois fois dans l'année?
(On admetl.ra que l'on se trouve dans les conditions
d'application d'une loi de Poisson et on montrera que
le paramètre est ;\ = 1,168).
3° Pour étudier la fiabilité du système on a relevé le
nombre de jours de bon fonctionnement avant panne et
on a obtenu le tableau suivant:
" 100 250 450 600 750 900 1100 1400
/1(1,) 0,86 0,69 0,51 0,41 0.32 0,26 0,19 0,12
où 'i désigne le nombre de jours et R(t;) la v:lleur prise
par la fonction de fiabilité il la date t
i
.
a) Tracer le nuage de points M;(t;, R(ti» sur du
papier semi-Iogarithmique.
b) On admet que la fiabilité du système suit une loi
exponentielle. En déduire graphiquement la MTBF
puis, à 10-
5
près, le taux d'avarie.
e) Calculer, à 10-
3
près, la probabilité de voir le sys-
tème tomber en panne pendant l'année de garantie.
p ~ OJ.<,.: -l " ~ w U H-: t-u--
® .. Avec fa foi exponentielle
On s'intéresse à un type de constituant fonctionnaJll
dans un appareil, en moyenne, trois heures par jour.
Dalls a qui suit les résultats llpprochb seroll' llrroll·
dis à 10-
3
A. Trois machines Ml' M
2
• M3 fabrique.nt ce type de
constituant dans la proportion suivante:
20 % pour la machine Ml; 50 % pour la machine M
2
;
30 % pour la machine M3.
La probabilité qu'un constituant tiré au hasard parmi la
production d'une machine soit bon est: PI = 0,9 pour
MI' l', = 0,95 pour M2' 1'3 = 0,8 pour M3·
On achète un constituant tiré au hasard parmi la pro-
duction totale.
} O Calculer la probabilité que le constituant soit bon.
ZO Le constituant acheté étant bon, calculer la probabi-
lité à 0,001 près qu'il ait été fabriqué par Ml'
B. On suppose que la probabilité qu'un constituant,
acheté au hasard, soit bon est constamment de 0,895.
Calculer pour un lot aléatoire de 10 constituants achetés,
la probabilité qu'au plus un soit mauvais. On considére-
ra que les constituants achetés sont bons ou mauvais
indépendamment les uns des autres.
C. On note Tla variable aléatoire qui, il tout constituant
aléatoire, associe sa durée de vie en jours et on note
pour 1 > 0, R(I) = P(T > 1).
L'étude des temps de bon fonctionnement d'un lot de
constüuants fabriqués par une machine a permis de pla-
cer des points de coordonnées (t
j
, R('j» sur du papier
se mi-logarithmique, voir ci-après.
} °La variable T suit une loi exponentielle de para-
mètre;\ :
- Expliquer pourquoi.
- Estimer ;\ en se servant du graphique.
- En déduire R(t) en fonction de 1.
2° À l'aide du graphique, déterminer successivement la
probabilité qu'un constituant fonctionne:
- plus de 100 jours;
- moins de 50 jours.
Ch.p. 7 : Fiabi lité 24l
r
Retrouver ces résultats par le calcul, en utilisant l'ex-
pression de R(t) trouvée au 1
0

1
0,9
0,7
0,5
0,368
0,3
0,2
0,1
o
f'.-
1
1
1 1
, 1
100
l'

200 300
t--f'.-
t
400
Fig. j 1
••• Probabilités conditionnelles et loi expo-
nentielle
Un technicien en maintenance a étudié le temps de bon
fonctionnement de machines d'un type donné. La
moyenne des temps de bon fonctionnement (MTBF)
est de 1 000 heures.
On admet que la variable aléatoire X, qui, à toute
machine de ce type, prise au hasJrd, associe sa durée de
vie t exprimée en heures. suit une loi exponentielle.
On désigne par R la fonction de fiabilité correspon-
dante.
Les résultats demandés seront dOl/nts SOIIS dt!
\'Oleurs dk imales arrolldies à 10-
3
.
1
0
Déterminer l'écart type CT de X.
En déduire l'expression de R(t) en fonction de t.
2
0
On tire au hasard une machine du type considéré.
a) Calculer la probabilité de chacun des événements
suivants:
-la machine n'a pas eu de défaillance au cours des
800 premières heures d'utilisation;
- la machine a eu une défaillance au cours des
900 premières heures d'utilisation.
b) Soit A l'événement: « la machine n'a pas eu de
défaillance au cours des 800 premières heures d'uti-
lisation • .
Soit B l'événe.ment : « la machine n'a pas eu de dé-
faillance au cours des 1 100 premières heures d'uti-
lisation ».
• Déterminer l'événement A n B.
• Montrer que la probabilité que la machine n'ait pas
eu de défaillance pendant les 1100 premières heures
d'utilisation, sachant qu'elle n'en a pas eu au cours
des 800 premières est approximativement 0,741.
·H. Test bilatéral, loi de Weibull/ loi normale
Les parties A, B et C SOlit indépendantes.
La société qui vous emploie utilise une pièce OS 117
sur une de ses machines. Le fabricant des pièces
OS 117 affirme que leur durée de vie moyenne est de
600 heures. Vous devez contrôler l'affirmation du
fabricant et étudier la fiabilité de ces pièces car leur
coût est important et le délai de livraison est d'un mois.
Vous possédez l'historique de panne des 36 dernières
pièces déjà utilisées.
On désigne par X la variable aléatoire qui, à chaque
pièce OS 117, prélevé au hasard dans la production,
associe sa durée de vie exprimée en heures.
A. Dans un premier temps vous décidez de tester au
moyen d'un test bilatéral, au seuil de signification 5 %,
l'hypothèse selon laquelle la durée de vie moyenne des
pièces est bien j..L = 600 heures. Pour l'échantillon des
36 pièces déjà utilisées vous trouvez la moyenne
x = 540 heures et l'écart type s = 160 heures. Pour
construire le test vous supposez que la variable aléa-
toire X suit approximativement une loi normale de
moyenne j..L inconnue et d'écart type estimé par

1
0
Préciser l'hypothèse nulle Ho et l'hypothèse alterna-
tiveH
J

r On note X, la variable aléatoire qui, à chaque échan·
tillon aléatoire de 36 pièces OS 117, associe la durée de
vie moyenne des pièces de l'échantillon.
La production est suffisamment Importante pour que
l'on puisse assimiler tout échantillon de 36 pièces à un
échantillon de 36 pièces prélevé avec remise.
Quelle est, sous nulle Ho, la loi de la
variable aléatoire X ? Déterminer le réel positif Il tel
que: P(6oo - h '" X '" 600 + h) 0,95.
3° Énoncer la règle de déc-ision de ce test, utiliser ce
test avec l'échantillon ci-dessus et conclure.
B. Dans un deuxième temps vous décidez d'étudier à
l'aide de l'historique précédent la fiabilité des pièces
OS 117. Cela vous a permis de constater que la
variable aléatoire X suit approximativement la loi de
242
Weibull de par.lmètres "Y = 100 heures, ~ = 3 et
Tl = 500 heures.
1° Déterminer, à 10-
1
près, la MTBF et j' écart type de
cette variable aléatoire, donner l'expression de R(r).
2° Déterminer, à 10-
2
près, par le calcul, à quel instant
f, la pièce OS Il? a une fiabilité égale à 0,9.
3° La pièce OS Il? fonctionne 16 heures par jour (y
compris les jours fériés). Dès la défaillance de cette
pièce on la remplace par la seule pièce en stock et on
commande immédiatement une autre pièce. Le délai de
li vraison est de 30 jours.
Quelle est, à 10-
3
près, la probabilité que la pièce
OS Il? tombe en panne avant l'arrivée de la pièce de
rechange?
C. Dans un troi sième temps, vous décidez de comparer
les résultats précédents (B. 2° et 3°) à ceux que l'on
obtiendrait en admettant que la variable aléatoire X suit
approximativement la loi normale de moyenne 546,5 et
d'écar' 'ype 162,5.
Sous cette hypothèse:
1° Déterminer, à 10-
2
près, t tel que P(X > t) = 0,9.
2° Calculer, à 10-
3
près, P(X '" 480).
Chap. 7 : Fiabilité 243
DES ÉPREUVES POUR LE GROUPEMENT B
Épreuve 1
Exercice 1 (9 points)
On suppose que At suit la loi normale de moyenne
ml = 250 et d'écart type 0'1 = 1,94.
_--,.-,--__ ---------------,& On suppose que N suit la loi normale de moyenne
• Loi binomiale
• Loi normale "'2;:: 150 et d'écart type (12::; l ,52.
• aléatoires 1
0
Calculer la probabilité que la longueur d'une pièce
• Probabilitts conditÎonnelle,. au hasard dans ce lot soit comprise enlre 246
Groupement B x
Groupement C x
Groupement 0 x
US parties A, B et C de Cft' exercice peUI'e1l' être tra;-
tüs de façoll.5 iruJépendallft!s.
Une entreprise fabrique, en grande quantité, des pièces
métalliques rectangulaires dont les côtés sont exprimés
en millimètres.
Un contrôle de qualité consiste à vérifier que la lon-
gueur el la largeur des pi èces sont conformes il. la
norme en vigueur.
Dalls ce qui suit, tous les rbllitals approchés uroflf
arrrmdis li JO-J.
Partie A
On note E l' événement: « une pièce prélevée au hasard
dans le stock de l'entreprise est conforme ».
On suppose que la probabilité de J'événement E est 0,9.
On prélève au hasard 10 pièces dan:, le stock. Le stock
est assez imporlanl pour que l'on puisse assimiler ce
prélèvement à un tirage avec remise de 10 pièces.
On considère la variable aléatoire X qui, il. tout prélève-
ment de 10 pièces. associe le nombre de pièces
conformes parmi ces 10 pièces.
1
0
Justifier que la variable aléatoire X suit une loi bino-
miale dont on déterminera les paramètres.
2° Calculer la probabilité que, dans un lei prélèvement,
8 pièces au moins soient conformes.
B
Une partie des pièces de la production de l'entreprise
est fabriquée par une machine automatique notée
«machine 1 ».
Soient AI et N les variables aléatoires qui. à chaque
pièce prélevée au hasard dans un lot très important
fabriqué par la machine l , associent respectivement sa
longueur et sa largeur.
Épreuves de révision pour les BTS du groupement B 249
et 254.
2° Calculer la probabilité que la largeur d'une pièce
au hasard dans ce lot soit comprise entre 147
eL 153.
3° Une pièce est conforme si sa longueur est comprise
entre 246 et 254 el si sa largeur est comprise entre 147
eL 153.
On admet que les variables M et N sont indépendantes.
Montrer que la probabilité qu ' une pièce prélevée au
hasard dans ce lot soi t conforme est 0,914.
C
Une autre machine automatique de l' entrepri se, notée
« machine 2lt fabrique également ces mêmes en
grande quantité.
On suppose que la probabilité qu'une pièce prélevée au
hasard dans la production d'une journée de la ma-
chine 1 soit conforme est PI = 0,914 et que la probabi-
lité qu'une pièce prélevée au hasard dans la producti on
d'une journée de 1.1 machine 2 soit conforme
P, = 0,879.
La machine 1 fournie 60 % de 1:.\ production totale de
ces pièces et la machine 2 le reste de cette production.
On prélève au hasard une pièce parmi la production
totale de l'entreprise de la journée.
Toutes les pièces ont la même probabi lité d' être tirées.
On définit les événements suÎvants :
A: « la pièce provient de la machine 1,. ;
B : «la pièce provient de la machine 2,. ;
C : <j( la pièce est conforme,..
l ' DéLerminer les probabi lités P(A), P(B), P(C/A),
P(C/B).
(On rappelle que P(C/A) eSl la probabiliLé de l'événe-
ment C sachant que J' événement A est réali sé.)
2' En déduire P(C n A) eL P(C n B).
3' En admen,nL que C = (C n A) U (C n B), calculer
P(C).
Exercice 2 (Il points)
• Ré!Olution d'une équation différentielle du pœmier
ordro.
• Développement limiré.
·In(égration par parties.
Groupement B x
Groupement C seulement le A
Groupement D seulement le A
Les trois de cet exercice pell\'ent être traitées de
façon indépendante.
A. Résollltion d'une équation différentielle
On considère l'équation différentielle (E) :
y' - 2)' = e
2
(.
Où y est une fonction de la variable réelle x, définie et
dérivable sur R et y' sa fonction dérivée.
1° Résoudre sur R l'équation différentielle (Eo) :
y' - 2y = O.
r Soit h la fonction définie sur IR par "(x) = xe
b
.
Démontrer que h est une solution particulière de
J'équation différentielle (E).
3° En déduire l'ensemble des solutions de l'équation
différentielle (E).
4° Déterminer la solution particulière f de J'équation
(E) qui vérifie la condition f(O) =-1.
B. Étude d'ulle fOl/ction
Soit f la fonction définie sur IR par f(x) = (x - 1)e;2.r.
Sa courbe représentative est donnée dans le repère de
l'annexe (à rendre avec la copie).
r a) Calculer lim f(x),
.l-t+_
b) On .. dmet que Iim .l'e
2x
= O.
En déduire lim f(x).
,(-t - _
c) Interpréter géométriquement le résultat obtenu
au h).
r a) Démontrer que, pour tout x de IR,
f'(x) = (2x - 1) el'.
b) Résoudre dans IR l'inéquation ['(x) O.
c) En déduire le sens de variation de f sur IR.
3° a) À l'aide du développement limité au voisinage de
o de la fonction exponentielle 1 e, donner le déve-
loppement limité, à l'ordre 3, au voisinage de 0 de la
fonction x t-+ e
2
(.
b) En déduire que le développement limité, à
l'ordre 3, au voisinage de 0 de la fonction f est:
f(x) = -1 - x + + x' ,(x) = O.
c) En déduire une équation de la tangente r à la
courbe ce au point d'abscisse 0 et la position relative
de et Tau voisinage de ce point.
d) Tracer T dans le repère de l'annexe,
C. Calcul illtlgral
) 0 Soit ex un réel strictement négatif;
on pose I(n) = r f(x) dx.
Démontrer que J(a) = - - e
2a
. On pourra
effectuer une intégration par parties.
2° a) Calculer la limite de J(a) quand a tend vers _00.
b) À l'aide d'une phrase, donner une interprétation
graphique de ce résultat.
r t
,v

+

C-
r !
+
c-
-
t
-J
'C
- - +
- +
f- '. -
1-
H -- + 1 - - -
Épreuve 2
Exercice 1
• Loi normale.
• Loi binomiale.
1
(8 points)
• Approximation d'une loi binomiale
par une loi de Poisson.
• conditionnelles.
Groupemenl B
GmupementC
Groupemem D
x
x
x
Ul question 3° est indépendclIIle des deux questions JO
et 2°.
Une machine usine des billes de roulements à billes.
Soit D la variable aléatoire qui, à toule bille prélevée au
hasard dans la production, associe son diamètre. On
suppose que D suit une loi normale de moyenne
réglable J.L et d'écart type cr dépendant de la précision
de la machine.
250
Tous Its risllitats, sallf indication contraiT?, stront
arrondis à 10 -
2
.
1° Les billes fabriquées dOÎvent avoi r un diamètre de
8 mm ± 0,012 mm.
a) La machine a été réglée pour avoÎr J.L = 8 mm et
CT = 0,006 mm. Quelle est la probabilité qu'une bille
prise au hasard dans hl production soi t acceptable?
b) La machine étant réglée pour obtenir J..L = 8 mm,
quel devrait être l'écart type CI pour que le pourcen·
tage de billes acceptables soir de 99 %? (Le r6sultat
sera donné à 10 - 4 près).
c) Après un usage important, l'écart type est passé à
CT = 0,016 mm et le réglage délicat donne
Il = 8,011 mm.
Quelle est la probabilité qu'une bille prise au hasard
dans la production soit acceptable '!
2° On suppose dans ceUe question que la proportion de
billes acceptables dans la production est de 95 %.
Soit X la variable aléatoire qui, à chaque lot de" billes
prélevées au hasard dans la production, associe le
nombre de billes défectueuses.
On a::.simile le choix d'un lot à un tirage avec remise.
a) Montrer que la variable aléatoire X sui t une loi
binomiale dont on donnera les paramètres. Donner
son espérance mathématique.
b) Soit Il = 10.
Calculer la probabilité que l' échantillon contienne
au plus 2 billes défectueuses.
c) Soit Il = 100.
• On admet que la loi de probabilité de X peut être
approchée par une loi de Poisson de paramètre À.
Quelle est la valeur de À ?
• Soit Z une variable aléatoire suivant la loi de
Poisson obtenue. Déterminer la probabilité que le lot
tiré contienne plus de deux pièces défectueuses.
3° L'usine achète une deuxième machine plus perfor·
mante. Elle dispose donc d'une machine 1 fournissant
un tiers de la production totale et d'une machine 2 four·
nissant le reste de la production.
95 % des pièces produites par la machine 1 sont accep·
tables et 99 % de celles produites par la machine 2 sont
acceptables.
On prélève au hasard une pièce dans la production Iota·
le de "usine de la journée. Toutes les pièces ont la
même probabilité d'être tirées. On définit les
ments suivants:
El : « la pièce provient de la machine 1 » ;
El : « la pièce provient de la machine 2 )t ;
Épreuves de révision pour les BTS du groupement B 251
A : « la pièce est acceptable )t .
a) Déterminer les probabilités prE,), prE,), prAIE,),
P(AIE,).
b) En déduire PlA nE,) et PlA nE,).
e) On admet que A = (A nE,) U (A nE,).
En déduire P(A) et la probabilité de l'événement
B : « la pièce prélevée au hasard est défectueuse. )t
Exercice 2 (12 points)
• dei _ d'tille _ d6iDie .va; la fonc-
tion eJl:pooentielle.
• Rechen:1t< d'un limill!.
• Calcul d'aire.
• R.&olution d"une 6quation diff&entielle du second ordre.
Groupement B x
Groupement C
Gmupement 0
us dtllX /xlrties A et B SOli' illdtpendalTft!.\".
A. Soit f la fonct ion définie sur IR par :
f(x) = 2xe -
2x
.
On désigne par <g la courbe représentative de f dans le
plan muni du repère orthonormal (0; T,l), unité gra-
phique 1 cm.
1
0
a) ·Déterminer J(O) ;
b) Déterminer lim J(x).
x ...... + _
c) On donne sur les dessins suivants les courbes
représentatives respectives <gl' <g2' 'C) de trois fonc-
tions fi' f 2' f 3 définies sur IR. On précise que 1
admet l'axe des abscisses comme asymptote en - 00,
que admet l'axe des abscisses comme asymptote
en + 00 et que (()3 admet la droite d'équation y = 1
comme tlsymptote en + 00.
l
r
1
..
Courbe 1
r
Courbe 2
r
l
1
l Courbe 3
On admet que f est l'une des trois fI' f! ou
Ir Laquelle de ces trois fonctions est la fonction f '!
Justifier votre choix.
r Déterminer par le calcul J'abscisse du point où la
courbe <c admet une tangente parallèle à l'axe des abs-
cisses.
3° a) Mont.rer que le développement limité à J'ordre 2
de la fonction f au voisinage de 0 est
f(x) = 2x - + .r E(x). avec lim E(X) = O.

b) En déduire une équat ion de la tangente cr à la
courbe au point d'abscisse 0, et la position relative
de «S e l 'Tau voisinage de ce point.
4° a) Démontrer, à J'aide d'une intégration par parties,
que la valeur exacte de j'intégrale I
2
J(x) dl" est
1 = 1(1 - 5e -'). 0
2
b. Déterminer l'aire en cm
2
, à 10- 3 près par défaut,
de la panie du plan limitée par la courbe ce, l'axe des
abscisses elles droites d'équations x = 0 et x = 2.
B. Soit (El) l'équation différentielle:
4)''' + 5)" + )' = 0, où y désigne une fonction de la
variable réelle x, définie et deux foi s dérivable sur R y'
et yU les fonctions dérivée première et dérivée seconde
de )'.
1° Résoudre l'équation différentielle (EJ
r Démontrer que la fonction 1 définie sur IR par
I(x) = 2 x e - 2.r est une solution particulière de l'équa-
tion différentielle (E,) :
4.\''' + 5y' +v Il).
3° Déduire du 1° et du r l'ensemble de.s solutions de
l'équation différent ielle (E
2
).
Épreuve 3
Exercice 1 (10 points)
1
-Loi normale.
-
- Loi binomiale.
- Approximation d'uoc loi bioomiale par une loi de
PoinOD.
Groupemenl B x
Groupemenl C x
Groupemenl 0 x
Les trois questions de cet exercice .'10111 indépendal1les.
Une usine fabrique de grandes quantités d'un certain
type de pièces mécaniques dont les dimensions théo-
riques sont 65 mm pour la longueur, et 1 ° mm pour la
largeur.
Dans a qui Juif, tous les résultats approchés semllt
armlldis cl JO-J.
1 °Une pièce de ce type a une largeur acceptable
lorsque cel le-ci, exprimée en millimètres, est comprise
entre 9 et J 1.
On note L la variable aléatoire qui, à chaque pièce pré-
levée au hasard dans la production d'une journée,
associe sa largeur.
On suppose que L suit la loi normale de moyenne 10
et d'écart type 0,5.
Déterminer la probabilité qu'une pièce ait une largeur
acceptable.
r On note A l'événement: « une pièce prélevée au
hasard dans un stock important présente un défaut de
résistance à la torsion ».
On note B l'événement « une pièce prélevée au
hasard dans le stock présente un défaut de longueur ».
On admet que les probabilités des événements A et B
sont P(A) = 0,03 et P(B) = 0,02 et on suppose que ces
deux événements sont indépendants.
Calculer la valeur exacte de la probabilité de chacun
des événements suivants:
a) El: « une pièce prélevée au hasard dans le stock
présente les deux défauts » ;
b) E"J. : « une pièce prélevée au hasard dans le stock
présente au moins un des deux défauts » ;
c) EJ : « une pièce prélevée au hasard dans le stock
ne présente aucun des deux défauts ».
3° Dans une grosse livraison destinée à l'exportation,
on prélève au hasard 40 pièces pour vérification. La
livrai son est assez importante pour qu'on puisse assi-
252
miler ce prélèvement à un tirage avec remise de
40 pièces.
On considère la variabl e aléatoire X qui, à tout prélève-
ment ainsi défini de 40 pièces, associe le nombre de ces
pièces présentant au moins lm des deu;!; défauts.
Dans cette question, on prend 0,05 comme valeur
approchée de la probabilité de l'événement « une
pièce prélevée au ha ... ard dans la li vraison présente au
moins un des deux défauts )t.
a) Expliquer pOLlrquoi X suit une loi binomiale;
déterminer les paramètres de celle loi.
b) On approche la loi binomiale par une loi de
Poisson de même espérance mathématique.
Déterminer le paramètre de cette loi.
e) En utilisant la loi de Poisson, déterminer la pro-
babilité de l' événement:
F: « le prélèvement contie.nt au plus deux pièces
réalisant l'événement El '"
Exercice 2 (10 points)
• RtsoJulioô d'une équatiun différentielle du second ordre.
• Élude d'une fonction définie avec la fonc-
tion exponentielle.
• te.: .... graphique.
Groupement B x
Groupement C x
Groupement D
L'objectif de cet exercice est de résoudre /lne iqumioll
différentielle et de sïll1éresur à fa liaison ent/? la
cO/lrbe représelltatil'(O d'une fOllctioll el li celle de sa
fonctioll dérÎ\'ü, ce lien étant utilisé da/ls d'autres
ciplines scientifique,,'.
Les trois pllrlies peul'e111 être traitées façon ;ndé-

A.Risolutioll d'une équmiol1
On considère l'équation différentielle
(E) : y" - 3,v' + 2y = 0, où )' désigne une fonction
numérique de la variable réelle x, détinie et deux fois
dérivable sur [R,)" sa fonction dérivée et)''' sa fonction
dérivée seconde.
1° Résoudre l'équation différentiel1e (E).
2° Soit g la fonction numérique définie sur ut par:
g(x) = -4 el + 8 e
2t
.
La fonction g est-elle une solution de l'équation (E) ?
Justifier.
3° Donner la sol uti on Il de (E) qui vérifie les condi-
tions initiales: li(O) = ° et Il'(0) = 4.
Épreuves de révision pour les BTS du groupement B 253
B. Étude d'uI! graphique
Sur le graphique en annexe (à rendre avec la copie)
figurent les courbes représentatives .:cl' «,3 et «54
des qu,ure fonctions fI' 1
2
, 13 et f4 définies sur [R par:
JI(x) = e" fi\') = é", f
3
(x) = -4 el' + 8 e2.t.
et fl\') = -4 e( + 4 é·
l
.
Les unités graphiques sont JO cm sur l'axe des abs-
cisses et 2 cm s ur l'axe des ordonnées.
Deux de ces courbes se coupent au point de coordon-
nées (0, 1).
1° a) Calculer f,(O), f,(O), f,lO) et f,(O).
b) Sur le graphique de l'annexe, A et B sont deux
points de même abscisse 0,6 situés chacun sur une
des courbes.
Donner par lecture graphique des valeurs appro-
chées des ordonnées des points A et B.
c) Compléter le graphique de l'anne"e, après l'avoir
reproduit, en mettant dans chacun des quatre cadres
prévus le nom de la courbe çorrespond;mtc (on ne
demande pas de justification).
r a) Tracer sur le même graphique la droite eli d'équa-
tion : )' = 2\' + 1.
b) À quelle(s) courbees) cette droite est-elle tangente
au point d'abscisse 0 ? Justifier.
+
T
..
+ ..
+ ..
f
..
1
+
1 ..
1
,
.l



L
o x
[j
C.Dt /erminatioll du minimum de la JOf/ctioll 14 défillie
dans la B.
Une lecture graphique permet d'observer que la fonc-
tion /4 admet un minimum en lm point d'abscisse Xo de
l'intervalle [ - l , ° J, mais la valeur de Xo ne peut être
lue avec une grande précision.
Une étude de la fonction va permettre d'en donner la
valeur exacte.
1 ° Calcul de la l'aleur de .f
o
a) Faire l'étude des v'lriations de la fonction /4 sur
l - 1, 0]. (On pourra remarquer que f'.ix) a même
signe que 2<" - 1.)
b) En déduire la valeur exacte dexoet la valeurexac-
te du minimum de /4 sur (-1, 01.
2° Ill urpritation de Xo il l'aide de la courbe
de la fOllctio" déril'ü
La courbe représentative de la fonction dérivée 1'4 est
l'une des courbes représentées sur le graphique de l'an-
nexe.
Ut ili ser cette courbe pour placer, sur le graphique, le
point M correspondant au minimum de la fonction 14
sur la courbe <8
4
, Justifier et laisser apparents les traits
de construction sur le graphique.
Épreuve 4
Exercice 1 (10 points)
• indqlendaots.
• Probabililh conditionnelles.
• Loi binomiale.
• Approximation d'une loi binomiale par une loi normale.
Gmupement B x
Groupement C x
Groupement 0 x
Une usine fabrique des objets d'un certain type.
Chacun de ces objets est constitué de deux éléments a
et b.
us rbultat$ demllIIdis serollt, s'il)' a lieu, arnmdis d
JO -
2
.
1° On tire au hasard l'un des objets dans la production.
On désigne par A l'événement: .. l'élément a de l'ob-
jet présente un défaut de fabrication », par B l'événe-
ment: « l'élément b de l'objet présente un défaut de
fabrication » .
Les deux événements A et B sont indépendants et on
donne: P(A) = 0,1 et P(H) = 0,2.
a) Calculer p(A n B) et P(A U H).
b) La défectuosité d'un élément, au molns, suffit à
faire déclasser un objet: il n'est plus de premier
choix, mais de deuxième choix.
Soit E l'événement : « l'objet est de deuxième
choix ».
Montrer que peE) = 0,28. En déduire la probabilité
de l'événement: « l'ob'et est de premier choi x ».
254
2° On note X la variable aléatoire qui, à chaque objet
tiré au hasard dans la production, associe le nombre
d'éléments défectueux de cet objet.
a) Utiliser les résultats des questions précédentes
pour donner : P(X = 0) et P(X = 2). En déduire
P(X = 1).
b) Calculer l'espérance mathématique de X.
c) Sachant qu'un objelliré au hasard dans la produc-
tion est de deuxième choix, quelle est la probabilité
que cela provienne de la défectuosité d'un et d'un
seul élément '!
3° On prélève un échant ill on de 100 objets, pris au
hasard et avec remise, dans la producti on. On note Y la
variable aléatoire qui, à chaque échantillon de ce type,
associe le nombre d'objets de deuxième choix dans cel
échanti llon.
a) Montrer que la variable aléatoire Y une loi
binomiale dont on donnera les paramètres.
b) Donner hl moyenne et l'écart type de Y.
c) On veut calculer le nombre Cl = P(Y 20).
Expliquer pourquoi le calcul de a, par utilisation
directe de la loi de Y, est long.
On considère qu'on peut approcher la loi de Y par
une loi normale. Donner ses paramètres. On note Z
une variable aléatoi re qui suit cette loi normale.
On admet que la probabilité P(Z 19,5) est une
approximation sat isfaisante de Cl.
Calculer P(Z '" 19,5).
Exercice 2 ( 10 points)
• IUoolution d'une ..... dilRrmlielle ... premier
ordre.
• Recbeo:he d'un d&!veloppemeollimi"-
• Calculer une par partiel.
Groupement B
Groupement C
Groupement 0
US parties A B SOI/I indépelldalltes.
A.Rbolutio" d'LUle équatioll
Soit (E) l' équation différentielle
y'( 1 + x)' + 2)'( 1 + xl' = 1
x
où l'inconnue y est une fonction de la variable x défi-
nie et dérivable sur J - l, + co ( et où y' est la fonction
dérivée de y.
] 0 Résoudre sur 1- l , + col l'équation différentielle (Eo) :
i(1 + x)] + 2y( 1 + xl' = o.
r Déterminer une fonction K de la variable réell e x
définie et dérivable sur] - 1, + 00 L. telle que la fonc-
tion " définie sur ] - 1. + 00 [ !l(x)
une solution particulière de (E).
K(x) .
2' SOIt
(x + 1)
3° Déterminer l'ensemble des solutions de
l'équation (E).
4° Déterminer la soluti on particulière j de (E) qui véri-
fie la condition initiale j(O) = O.
B. ttude d'une jOllction
Soit j la fonction définie sur J - l , + 00 [ par :
In(l + x)
!(x) = , .
(1 + x)-
On désigne par la courbe représentative de f dans un
repère orthonormal (0; 7,J) d'unité graphique 4 cm.
La courbe <€ est donnée ci-après.
1°a) Démontrer que, pour tout x de] - l, + oo l,
J'(x) = 1 - 21n(l + x)
(1 + x)'
b) Étudier les vari ations de f sur ] - l, + 00 1.
r Déterminer, par le calcul, lim j(x) et lim j(x).
... ....,-1 ... --t+ _
3° a) Démontrer que le développement limité à
J'ordre 2 de hi. fonction f au voisinage de 0 est
!(x) = x - -2
5
x' + x' E(x), avec Iim E(x) = O.
HO
b) Déduire du a) une équation de la tangente Tà <€
au point d'abscisse 0 et la position relative de <e et T
au voisinage de ce point.
4° a) À L'aide d'une intégration par parties, démontrer
que 1'ln(l + x) dx= 1 - In2
o (1 + x)2 2
b) On considère la partie du plan limitée par la
courbe ce, les axes de coordonnées et la droite
d'équation x = 1. On désigne par 9l son aire expri-
mée en cm
2
• Calculer une valeur approchée arrondie
à 10-
2
de e4.
pW
rW
fft
11=
t,+
t .I ,J

17 H "T f-t'i" ,
;::t
f-l-
l
I -l- L
,
h


p
. +
1 ++

g



h

b

2
Épreuve 5
Exercice 1 (lI points)
• R&olulion d'uoe du premier .1
ordr<.
• Étude des variations d'une fonction avec la fone-
I
lion logarithme
• Calcul d'aire.
Groupement B
Groupemenl C
Groupement 0
x
x
x
US /Xlrties A et B peuvent être traitées de jaçon indé-
pe"dante,
A.Soit (E) l'équation différentielle
• 1 _ -x
)' + --y - ---,
I +x (I+x)-
où y est une fonction définie et dérivable sur
] - 1, + 00 [ et y' la fonction dérivée de y.
r Résoudre l'équation différentielle (Eo) :
v, +_I_,,=O.
• 1 + x'
2
0
Soit li la fonction définie sur] -l, + oo[ par:
"(x) = - 1 + In( 1 + x)
I +x
a) Montre.r que It est une solution partil:ulière de
(E) .
b) En déduire la solution générale de (E).
c) Trouver la soluti on particulière g de (E) telle que
g(O) = O.
B. Soit f la fonction définie sur] - l , + 00 [ par:
f(x) -x + In(l + x)
1 + x
et <6 sa courbe représentative dans un repère orthonor-
mal (unité de longueur: 2 cm).
1
0
Montrer que, quand x tend vers - 1 par valeurs
supérieures, la limite de f est - 00.
2° a) Montrer que, pour tout x de ] - l, + 00 l,
!(x) = _ 1 + _1_ + In(1 + x)
l+x I+x
b) En déduire lim f(x).
.1:-++ -
3° Déterminer les variations de j sur] - l, + 00 [.
4° Construire la courbe <g et ses deux asymptotes, dans
le repère orthonormaL
5° a) Calculer la dérivée de la fonction " définie sur
1 [ ,
]-1, +"'[. par ,,(x) = 2" In(1 + x)]-.
En déduire une primitive de la fonction f.
b) Déterminer l'aire de la partie du plan délimitée
par, l'axe des abscisses, la courbe <e et les droites
d'équation x = 0 et x = 3 (on donnera la valeur
exacte en cm
2
).
Épreuves de révision pour les BTS du groupement B 255
Exercice 2 (9 points)
1
. loi normale.
• ÉchantillOllllB&<.
• Loi binomiale.
• Approximalion d'une loi billOlllialc par une loi de
POisson.
Groupement B x
Groupement C
x
Groupement 0 x
Les delu questions Solll indipendallles. ùs résultats
umm arrondis ellO-
J
.
Une usine produit des boules en grande série.
1° On défin it une variable aléatoire X en associant à
chaque boule, prélevée au hasard dans la production,
son diamètre exprimé en millimètres.
On suppose que X sui t la loi normale de moyenne
jJ. = 50 et d'écart type (T = 0,5.
a) Déterminer le nombre réel positif a tel que la
probabilité qu'une boule tirée ,lU hasard dans la pro-
duction ait un diamètre compris entre 50 - a et
50 + li soit 0,95.
b) Une boule est dite défectueuse si son diamètre
n'est pas dans l'intervalle l49, 51]. Calculer la
probabilité qu'une boule tirée au hasard soit défec-
tueuse.
e) On prélève au hasard des échantill ons aléatoires
de 36 boules. Le prélèvement ainsi opéré sera consi-
déré comme 36 tirages avec remise.
On note X la variable aléatoire qui, à chaque échan-
tillon, associe la moyenne des diamètres des
36 boules.
QueJle est la loi suivie par X?
Déterminer le nombre réel positif b tel que
P(50 - b '" X '" 50 + h) = 0,9.
2° On suppose qu'il y a 5 % de rebut dans la pro-
duction. Un tirage au hasard de 11 boules de cette
production est assimilé à un tirage avec remise. On
désigne par Y la variable aléatoire qui associe à cha-
cun de ces tirages le nombre de boules à rejeter
parmi les 11 boules.
a) Montrer que la variable aléatoire Y suit une loi
binomiale dont on donnera les paramètres.
b)Sin = 10,calculerP( Y> 1).
e) Dans le cas où 1/ = 100, on admet qu'on peut
approc.her la loi de probabilité de Y par une loi de
Poi sson.
Déterminer le paramètre de cette dernière. On nOIe
Z une variable aléatoire suivant celle loi de Poisson.
Calculer P(Z < 6), Traduire ce résultat par une
phrase en français.
Épreuve 6
Exercice 1 (9 points)
1
. Loi normal.. 1
• indépendants.
• Loi binomiale. J
• E. .. timation d'une moyenne par intervalle de confiance.
Groupement B
x
Groupement C x
Groupement D x
Les quatre questions de cet exerr:ia sont indépen-
dantes.
Une entreprise de matériel pour l'industrie produit des
modules constitués de deux types de pièces: Pl et Pz'
1° Une pièce Pl est considérée comme bonne si sa lon-
gueur, en centimètres, est comprise entre 293,5 et
306,5.
On note L la variable aléatoire qui, à chaque pièce Pl
tirée au hasard dans la production d'une journée, asso-
cie sa longueur.
On suppose que L suit la loi normale de moyenne 300
et d'écart type 3. Déterminer, à JO - z près, la probabi-
lité qu'une pièce Pl soi t bonne.
2° 0n note A l'événement: _ une pièce Pl tirée au ha-
sard dans la production des pièces Pl est défectueuse ».
On note de même B l'événement: « une pièce Pz tirée
au hasarù dans la production des pièces Pz est défec-
tueuse ».
On admet que les probabilités des événements A et B
sont P(A) = 0,03 et P(B) = 0,07 et on suppose que ces
deux événements sont indépendants.
Un module étant tiré au hasard dans la production, cal-
culer, à JO - 4 près, la probabilité de chacun des événe-
ments suivants:
El: « les deux pièces du module sont défectueuses» .
Ez : « au moins une des deux pièces du module es
défectueuse» ;
256
EJ : aucune des deux pièces constituant le module
n'est défectueuse ».
3° Dans un important stock de tels modules, on prélè
ve au hasard 10 modules pour vérification. Le stock es
asse.z important pour qu'on puisse assimiler ce prélè
vement à un tirage avec remi se de la modules.
On considère la variable aléatoire X qui, à tout prélè
vement de l a modules, associe le nombre de modules
réalisant l'événement EJ défini au r.
On suppose que la probabilité de l'événement E] es
0,902.
a) Expliquer pourquoi X suit une loi binomiale
déterminer les paramètres de celle loi.
b) Calculer, 10 - 3 près, la probabilité que, dans un
tel prélèvement, 9 modules au moins réalisent l' évé-
nement El'
4
0
Dans cette quest ion on s' intéresse au diamètre des
pièces Pl .
Soit X la variabl e aléatoire qui, à tout échantill on de
60 pièces P
2
prélevées dans la producti on de la journée
considérée, associe la moyenne des diamètres des
pièces de cet échantill on.
La producti on est assez importante pour qu'on pui sse
assimiler tout prélèvement à un tirage avec remise,
On suppose que X suit la loi normale de moyenne I-L et
d'écart type CY = 0,084.
v'6O
On mesure le diamètre, exprimé en centimètres, de cha-
cune des 60 pièces Pl d'un échantillon prélevé au
hasard et avec remi se dans la production d'une j ournée.
On constate que la valeur approchée arrondie à
10 - 3 près de la moyenne x de cet échanti llon est
x = 4,012.
a) À partir des informations portant sur cet échan-
ti llon, donner une est imati on ponctuelle, à
10 -
3
près, de la moyenne I-L du diamètre des pièces
Pl produites pendant cette journée.
b) Déterminer un intervalle de confiance centré en
x de la moyenne j.l. des diamètres des pièces P2 pro-
duites pendant la journée considérée, avec le coeffi-
cient de confiance 95 %.
c) On considère l'affirmation sui vante: « la moyen-
ne j.l. est obli gatoirement entre 3,991 et 4,033 »,
Peut-on déduire de ce qui précède qu'elle est vraie?
Exercice 2 (11 points)
• Résolution d'une tqualion différentielle du second ordre,
• Intégration par parties.
• Calcul d'aire.
Groupement B x
Groupement C
Groupement 1) x
US A B petO'i' flt être traitéeJ" de façon indi-
pendante.
A.Rbolutiofl d'ufli' iqumioll différelllielle
On considère l' équati on différentielle (E) :
"

- - . 2
où y désigne une fonction de la variabl e réelle x défi-
ni e et deux fois dérivable sur IR, y' la fonction dérivée
de)' et y" sa fonction seconde.
Épreuves de révision pour les BTS du groupement B 257
1
0
Résoudre dans IR l'équati on différenti ell e (E' ) :
)''' - 2)" + y=O.
2
0
Déterminer les constantes réelles a, h, c pour que la
fonction g défini e sur IR par : g(x) = ar + bx + c soit
une solution particuli ère de J' équation (E).
3
0
Déduire du r et du 2° l'ensemble des solutions de
l'équation différentielle (E) .
4° Déterminer la solution f de l'équation (E) qui véri -
fie les conditi ons initiales t(O) = 0 et f( 1) = e +
B. Étude fOllcl ioti
Soient f et g les deux fonct ions de la variable réelle x
définies sur IR par :
f(x) = xe' + f + x et g(x) = f + x .
On note cg la courbe représentative de f et la courbe
représentati ve de g dans le plan muni du repère ort ho-
normal (0; l, I) (unité graphique 2 cm).
r Déterminer lim j(x), lim f(x)
.1:-)-'" X-)+ ...
et lim [f(x) - g(x)].
.1:-)+_
Interpréter graphiquement, pour les de
'(; et le dernier résultat.
r Étudier sur IR la position relative des deux courbes <tg
et '3>.
3
0
a) Démontrer que pour tout x de IR :
f'(x) = (x + I )(e' + 1) .
b) Étudier les vari at ions de f sur IR.
4° a) Compléter le tableau de valeurs figurant SUT la
feuille annexe (à rendre avec la copie) ; les valeurs
approchées seront arrondies 10 - 2.
b) Construire la courbe C€ dans le repère (0 ; LI)
sur la feuill e annexe (à rendre avec la copie) où fi-
gure la courbe
SO a) Démontrer, à l'aide d'une intégration par parties,
que la valeur exacte en cm
2
de l'aire de la partie
limitée par la courbe «5, la parabole et les droites
d'équations x = - 3 et x = - 2 est
dl = 4(- 4 e-' + 3 e-').
b) Donner une valeur approchée arrondie à 10 -
2
de dl.
Annexe (à rendre avec la copie)
4' a)
Ifl:J 1-
3
1-
2
ll
l
'lll-0.51 0
1 0,51
1
1
b)
f
,
,.
1-'
1
r
1
CJ>
- -
!------l --
1
-
1
-1
j
1
3
1

-'1
Y
0
'J'
1
l r l
1
Épreuve 7
Exercice 1 (10 points)
• Ajullleml:nt affine.
• ProNbilité!i conditionnelle ....
• Lui binomiale.
• Appru."(imation d'une loi binomiale par une lui de

• Estimation d'un poun:entage par intervalle de confiance.
Groupement B x
Groupement C x
Groupement D x
11s quatre /xlrtie.\· A, B. C et D de cel exen.'ia peuvent
iruMpel1dammellf les UIlt!S des mitres.
Une société fabrique des poutrelles métalliques.
A
Le tableau suivant indique les commandes totalbées
au cours des années écoulées.
.1:,
Commande
en millier.. Y,
1993 200
1994 229
1995 259
1996 279
1997 305
1998 331
1999 359
2000 389
2001 409
1° Représenter, sur une feuille de papier millimétré, le
nuage de points Mj(x
j
. Yj) dans un repère orthogonal.
(Unités graphi ques: 1 cm pour une année el 1 cm pour
25 milliers de poutrelles).
2° Calculer, à 10 -
4
près, le coefficient de corrélation
linéaire entre x et y. (On ne demande pas le détail des
calculs).
Que peut-on en conclure?
3° Déterminer une équation de la droite de régression
de y en x, sous la forme y = ax + h, où a et b seront
arrondis à 10 -
4
. Tracer cette droite sur le graphique
précédent.
4° En utilisant l'équation précédente. calculer la com-
mande qui serait faite en l'an 2003.
Partie B
Cette société fabrique ces poutrelles dans deux. usines
A et B. En une semaine, elles ont fabriqué 7 500 pou-
trelles, parmi lesquell es certaines sont défectueuses.
L'usine A en a fabriqué 3000, dont 1 % sont défec-
tueuses et l'usine B a fabriqué les autres, dont 6 % sonl
défectueuses. On prend au hasard une poutrelle dans la
production de cette semaine.
On considère les événements suivants:
A : « la poutrelle provient de l'usine A » ;
B : « la poutrelle provient de l'usine B » ;
D : « la poutrelle est défectueuse » ;
l5: « la poutrelle n'e$t pas défectueuse ».
Déterminer p(A) ; p(B) ; p(D/A) ; p(D/B).
En déduire p(D nA), P(D n B), p(D) el 1'(15),
C
On admet, pour cette partie, que la probabilité qu'une
poutrelle, tirée au hasard dans la production, soit défec-
tueuse est égale à 0,04. On effectue un prélèvement de
100 poulfelles prises au hasard dans la production. Ce
prélèvement peut être assimil é à un tirage avec remise.
On désigne par X la variable aléatoire qui, à tout échan-
tillon de 100 poutrelles ainsi réali sé, associe le nombre
de poutrelles défectueuses dans cel échantillon.
1° a) Montrer que la variable aléatoire X suit une loi
binomiale dont on précisera les paramètres.
b) Calculer les probabilités P(X = 0), P(X = 1),
P(X '" 2).
On donnera des valeurs approchées des résultats
arrondies à 10 - 4.
2° On admet que l'on peut approcher la loi de probabi-
lité de X par une loi de Poisson.
a) Donner le paramètre de cette loi de Poi sson.
b) Utili ser cette loi de Poisson pour calculer une
valeur approchée, arrondie, à. 10 - -1, de la probabi lité
qu'un client accepte un lot de 100 poutrelles, sachant
258
qu'il l'accepte seulement dans le cas où le lot
contient au maximum 3 poutrelles défectueuses.
Partie D
On cherche à estimer le pourcentage p, inconnu, des
poutrelles défectueuses de la production. On admet que
la variable aléatoire F, qui , à tout échant ill on de
100 poutrelles prises au hasard dans la production (pré-
lèvement assimilé à un tirage avec remise), associe le
pourcentage de poutrelles défectueuses de cet échan-
till on suit la loi normale N(p, Yw:::!J).
On prélève un tel échantillon dans la production. On
constate qu'il contient 3 poutrelles défectueuses, parmi
les 100.
] 0 Donner, à partir de cet échantill on, une estimation
ponctuelle f du pourcentage p.
2° Déterminer une estimation de p par un intervalle de
confiance centré en J avec le coefficient de confiance
égal à 90 %. Pour les bornes de cet intervalle, m. don-
nera valeurs approchées comportant deux déci-
males.
Exercice 2 ( 10 points)
• Étude d'une- foru:tion définie avec la fonction exponen-
tielle.
• Recherche d'un développement limité.
• RéfoOlution d'une étluation diffmntielle du premier 1
ord«:.
Groupemenl B x
Groupement C
Groupement 0
Les deux parties A ét B sont indépendantes.
A. Étude de quelques propriétb d'Ilne jonctioll el
détermination d'Ilne ra/eur d'lIne aire.
Soit j la fonction définie sur] - 00, 1 [ par:
f(x) e -
x
.
I-x
On désigne par'€ la courbe représentative de J dans le
plan muni du repère orthonormal (0; f,l) ; l'unité
graphique est 2 cm.
La courbe '€ est donnée par le dessin ci-après.
] 0 a) Déterminer, par le calcul, lim j(x).

Que peut-on en déduire pour la courbe '€ ?
b) Déterminer, par le calcul, lim J(x) .
.l-+-'"
(On poUffa remarquer que, po.ur tout x de] - 00; 1 [,
e-
x
-x
f(x) =- x --.
x 1 - x
Épreuves de révision pour les BTS du groupement B 259
2° Déterminer par le calcul l'abscisse du point où la
courbe <g admet une tangente parallèle à l'axe des abs-
cisses.
3° a) Démontrer que le développement limité à
l'ordre 3 de la fonction J au voisinage de 0 est
f(x) 1 + i+ x
3
' + ...'E(X) avec lim E(x) O.
2 x-+o..,
b) Soit g la fonction définie sur IR par g(x) = 1 + f.
La courbe représentative r de g est donnée sur l a
figure. Déduire du a) 1:1 position de «5 par cappon à
r au vois inage du point d'abscisse O.
1
4° a) On note J l'intégrale I"2 le d\'o Donner une in-
o
terprétation graphique de J.
(On ne cherchera pas à calculer J).
b) Calculer la valeur exacte de l'intégrale
1
J l'g(X)dt.
o
Donner la valeur approchée arrondie à 10 - 2 du résul-
tat.
c) Les courbes <g et r étant « voisi nes» l'une de
l'autre sur l'intervalle t on admet que le résul-
tat obtenu au b) est une valeur approchéeecJe l'inté-
grale 1 du a).
En déduire une valeur approchée en cm
2
de l'aire de
la partie du plan ensemble des points M de coordon-
nées (x, y) tels que 0 y 1- el 0 y j(x).
1(.,

+ fc
r ,
x
B. Résolution Iqllll/ion dijJiremielle
Soi t (E) l' équation différentielle (1 - x) y' - .\). = e - "'",
où J'inconnue y est une fonction de la variable réelle x,
définie et dérivable sur ] - 00, 1 [ et où y' est la fonction
dérivée de)'.
r On nore (El) J'équation différentielle:
( 1 - x)y' - x)' O.
Vérifier que la fonction f de la partie A est solution de
l 'équation (E,).
r Vérifier que la fonction Il définie sur J - 00, 1 [ par
-,
!J(x) = xe est une solution particulière de l'équa-
I-x
tion différentielle (E).
3° Déduire du 2° l'ensemble des solutions de l'équation
différentielle (E).
Épreuve 8
Exercice 1 (8 points)
• Loi normale.
• Loi binomiale.
• Test bilatéral de t.:omparaison d'une moyenne à un

Groupement B x
Groupement C x
Groupement D x
Les trois cet exucice smlt indépelldantu.
Une entreprise industrielle utilise de grandes quantités
d'un certain type de boulons. Un contrôle de qualité
consiste à vérifier que le diamètre de la tête ou Je dia-
mètre du pied d'un boulon est conforme à la norme en
vigueur.
Dalls a qui suit. tous les résultats approchés SUOIlf
arroI/dis à JO - 2.
10 Un boulon de ce type est considéré comme confor-
me pour le diamètre de sa tête si celui-ci est, en milli-
mètres, compris entre 25,30 et 25,70.
On· note D la variable aléatoire qui, à chaque boulon
prélevé au hasard dans un lot très important, associe le
diamètre de sa tête.
On suppose que D suit la loi normale de moyenne
25,50 et d'écart type 0,10. Déterminer la probabilité
qu'un boulon prélevé au hasard dans le lot soit confor-
me pour le diamètre de la tête.
2° Dans un lot de ce type de boulons, 96 % ont le dia-
mètre de la tête conforme.
On prélève au hasard 10 boulons de ce lot pour vérifi-
cation du diamètre de leur tête. Le stock est suffisam-
ment important pour que l'on puisse assimiler ce pré-
lèvement à un tirage avec remise de 10 boulons.
On considère la variable uléatoire X qui, ;\ tout prélè-
vement de 10 boulons, associe le nombre de boulons
conformes pour le diamètre de la tête.
a) Justifier que la variable aléatolfe X SUIt une 01
binomiale dont on déterminera les paramètres.
b) Calculer la probabilité que, dans un tel prélève-
ment, au plus un boulon ne soit pas conforme pour
le diamètre de la tête.
3° Dans cette question, on veut contrôler la moyenne
de l'ensemble des diamètres, en mm, des pieds de bou-
lons constituant un stock très important; on se propo-
se de construire un test d'hypothèse.
On note Y la variable aléatoire qui, à chaque boulon tiré
au hasard dans le stock, associe le diamètre, en mm, de
son pied.
La variable aléatoire Y sui t la loi normale de moyenne
inconnue /..L et d'écart type cr = 0,1.
On désigne par Y la variable aléatoire qui, à chaque
échanti ll on aléatoire de 100 boulons prélevé dans un
stock, associe la moyenne des diamètres des pieds de
ces 100 boulons (le stock est assez important pour que
l'on puisse assimiler ces prélèvements à des tirages
avec remise).
L'hypothèse nulle est Ho: = 10. Dans ce cas les bou-
lons du stock sont conformes pour le diamètre de leur
pied.
L'hypothèse altern3tive est HI : /..L =1= 10.
Le seuil de signifi cat ion du test est fixé à 0.05.
a) Justifier que, sous l' hypothèse nulle Ho' y suit la
loi normale de moyenne 10 et d'écart type 0,01.
b) Sous l'hypothèse nulle Ho, déterminer le nombre
réel positif 11 tel que
P(10 - Il '" ï' '" 10 + Il) 0,95.
c) Énoncer la règle de décision permettant d'utiliser
ce test.
d) On prélève un échantill on de 100 boulons et on
observe que, pour cet é{'hantillon, la moyenne des
diamètres des pieds est .\1 = J 0,03.
Peut-on, au risque de 5 %, conclure que les boulons
du stock sont conformes pour le diamètre de leur
pied?
Exercice 2 (12 points)
• Résolution d'une différentielle du second
• Élude du sem de nriation d'une fonction dlfmie ll'aidl
de la fonction exponentielle.
• Recherche d'un développement limité.
• Intégration par parties.
• Calcul d'aire.
Groupement B x
Groupement C
Groupement D
260
L cel fqlllltion
dont solution œ SIlScep·
tib/e d!finir del/sitl proIKlbi/itb.
US parties A el B peUl"ent êlft! traitées de façol! illdé·

A. Résolutioll d'une IqllatùJII différentielle
On considère l'équation différentielle (E) :
,," - 4)' = 16 e -
2
.1" où \' est une fonction de Ja
· 3·
variable réelle x, définie et deux fois dérivable sur IR,
y' la fonction dérivée de y et y" sa fonction dérivée
seconde.
1° Résoudre sur !Ii l'équation différentielle (Eo)
y" - 4y = 0,
2° Vérifier que la fonction g définie sur IR par
g(x) = 3xe-"
est une solution particulière de l'équation différen·
tielle (E).
3° En déduire l' ensemble des solutions de J'équat ion
différentielle (E).
4° Déterminer la solution particulière Il de l'équation
différtnlielle (E) vérifiant les conditions 11(0) = 3 et
"'(0) = _1

B. Étude d'Ilnefonction
Soit f la fonction définie sur [0, + 00 ( par:
f(x) = 3 (1 + x) e - ".
Une représentation graphique '€ de J, dans un repère
orthogonal, est donnée ci·après.
2
t
t
' (,
r r
r
1 °Le graphique suggère un sens de variation pour la
fonction f. L'objet de cette question est de justifier ce
résultat.
a) Démontrer que, pour toul x de [0, + 00 [,
f'(x) = - 3 (2x + l )e - 2<.
Épreuves de révision pour les BTS du groupement B 261
b) En déduire le sens de variation de f sur LO, + 00 [.
2° Le graphique permet d'envisager une asymptote en
+ 00 pour la courbe CC, À partir de l'expression de f(x),
déterminer une limite de f justifiant cette propriété gra-
phique,
3° a) À l'aide du développement limité au voisinage de
o de la fonction exponentielle t I----i> e, donner le déve·
Joppement limité à l'ordre 3 au voisinage de 0 de la
fonction: x t----+ e - 2(.
b) En déduire que le développement limité à
l"ordre 3 au voisinage de 0 de la fonction f est:
f(x) = 1-1 x + + x'E(X) avec
lim E(x) = O.

c) En déduire une équation de la tangente T à la
courbe <g au point d'abscisse 0 et la "jX)sition relative
de «; el T, pour x positif au voisinage de O.
4° a) À l'aide d'une intégration par parties, calculer la
valeur exacte de l'intégrale: 1 = r f(x) dl'.
()
Donner une valeur approchée, arrondie au centième,
de l'intégrale 1.
Donner une interprétation graphique de l'intégrale 1.
b) Sur "écran d'une calculatrice, équipée d'un logi-
ciel particulier (calcul formel), on lit le sui-
vant, où t est un nombre réel positif quelconque:
f f(x) dr = t - l)e-
2
' + 1.
o
Ce résllita/ est admis ici et Il'a donc pas à ilœ

Déterminer lim (- t - I)e-:!:/
l-f +_
c) Soit at(t) J'aire, en unités d'aire. de la parüe du
plan limitée par les axes de coordonnées, la
et la droite d'équation x = t où t est un
nombre réel positif.
Déterminer] = Iim $(1).
t-+ +_
d) Déterminer la valeur exacte de J - 1 où 1 = .51(3)
a été calculé à la question 4° a), et en déduire la
double inégalüé: O:s;: J - / 10 -
2
.
Donner, à l'aide d'une phrase, une interprétation
graphique de J J.
Une épreuve pour le BTS maintenance
industrielle
À J'illlérieur d'/111 ;:mupement, /Ill BTS peut amir, IUle
Wl11ù dOl1fiÜ. lm uncice différent pOlir tmir comple
de sa spicificiti. L'exen:;ce suil'OIII li hi prvposi {lU
BTS maintenance industrielle aI'ec l'exl'n.:;u 2 de
l'lpf?uve 8.
Épreuve 9
Exercice 1 ( 10 points)
• Loi binomiale.
• Appro:<imalion J'une loi binomiale pJr une loi normale.
• Prob:.l.bilit6 çonditionnelle\
• Fiabilité.
Groupement B (maintenançc) x
Groupement C
Groupement D
Les ateliers d'un grand comtrucleur d'automobiles
comportent des robots permettant de positionner les
pistolets de peinture autour de la carrosserie. Ces
robots sonl constitués de trois parties: un bras articulé
actionné par des vérins hydrauliques, un groupe
hydmulique et une armoire de contrôle (système élec-
tronique qui gère les du robot par des pro-
grammes),
Amloire
de contrôle
Groupe
hydraulique
L'objn'Iif de d'ltudin la 'Ult,a? la
répartition
US troÎs fXlrties at sont
A. sur bras articull
Au moment de s'équiper de 300 robots équipés de bras
articulés d'un certain type, le constructeur d 'automo-
biles s'i ntéresse aux essais réalisés par son fourni sseur
lors de la mise au point des robots: la probabilité qu'un
robot ait une panne mécanique sur son bras articulé
pendant une période déterminée est alors 0,05 et les
pannes mécaniques des bras des différents robots sont
supposées indépendantes.
On prélève au hasard 300 robots dans le très
important du fournisseur et on assi mil e ce prélèvement
à un tirage avec remi:-;e.
On désigne par X la variable aléatoire qui, à tout prélè-
vement ainsi défini, associe le nombre de robots dont le
bras a connu une panne mécanique pendant la période
considérée.
1° Expliquer pourquoi X suit une loi binomiale; déter-
miner les paramètres de cette loi.
2° On approche X par la variable aléatoire Y de loi nor-
male de moyenne = 15 et d'écart type cr = 3,77.
Justifier le choix des paramètres et Cl.
3° Soit E l' événement ., Lors de leur mise au point,
strictement plus de 20 robots ont eu une panne méca-
nique sur leur bra..;; articulé pendant la période considé-
rée lit.
Calculer P(Y 20,5) à près (c'est . en utilisant
l'approximation de X par Y, la valeur de P(E».
B. Dlfail/al/us des
Un tiers des robots des ateliers de peinture du construc-
teur d'automobiles est équipé d'un modèle Ml de
groupe hydraulique, alors que les deux autres tiers
bénéficient d'un modèle 1.1':,. plus récent. La probabili-
té, une semaine donnée, qu'une défaillance se produise
par manque de pression est 0,03 pour un modèle M
2
.
À la fin d'une semaine, on tire au hasard un groupe
hydraulique. On note
A l'événement: « le groupe choisi est de type Ml »,
B I"événement : ., le groupe choisi est de type At'"! )Do
et D l'événement: ., le groupe choisi a été
durant la semaine »,
On a donc PlA) ; P(B) ; PlO/A) 6,03 el
P(O/B) 0,02.
1°En remarquant que D = (A n D) U (8 n D) et que
AnD et B n D sont incompatibles, calculer P(D). à
JO - 3 près.
2° On constate qu'un groupe hydraul ique tiré au hasard
a été défaillant. Quelle est, à 10 -
3
près, la probabilité
qu'il s'agisse d'un modèle Ml' c'est-à-dire P(A/D)?
d" des
de COI/frôle
Le ser vice de maintenance préconise. pour les armoires
de contrôle, des interventions préventives (par change-
ment de cer tains élément s électroniques). La période
de ces interventions sera déterminée à partir d'un hi s-
torique de pannes d'une armoire de contrôle choisie au
hasard.
Les neuf premiers temps de bon fonctionnement (en
jours) de cette armoire de contrôle sont les suivants
262
(rangés en ordre croissant) : 3 1 ; 42 ; 67 ; 77 : 89 ; 95 ;
122 ; 144; 173.
Soit T la variabl e aléatoire qui , à toute armoire de
contrôle, associe son temps de bon foncti onnement. On
cherche à ajuster la loi de T à une loi de Weibull.
À l'aide d' un tableur, on a obtenu le tableau et le
graphique ci-dessous, où F(ti) et R(ti) correspondent
respecti vement à la défaillance et à la fiabilité au
temps li (selon la méthode des rangs moyens) :
l, FU, ) R(I, ) x, = 1n(r;) Yi = ln 1- lnRu,IJ
31 0, 1 0.9 3.43398720 - 2,25036733
42 0,2 0,8 3,73766962 - 1.49993999
67 0,3 0,7 4,20469262 - 1.03093043
77 0,4 0,6 - 0.67172699
89 0,5 0,5 4,48863637 - 0,36651 292
95 0,6 0,4 4. 55387689 - 0.08742157
122 0,7 0,3 4,80402104 - 0,1 8552676
144 0,8 0,2 4,9698 1330 - 0,47588500
173 0,9 0, 1 5, 15329159 - 0,83403245
0.5
y = 1,7522.r -8,2171
,-'2.= 0.9882
0
-2.5 1
2 S 4
-1
>
t
-1,5 i +
-2 i
D
1
,
-:!,5
Sur le graphique ci-dessus, fi gure la droite de régres-
sion D de yen x, oblenue par la méthode des moindres
carrés, avec son équation dans un repère orthogonal ,
ainsi que le carré r du coeffic:i ent de corrélati on li-
néai re.
On admel le résultat sui vant, qui n'a donc pas à être
démontré ici : 1 a
R(I) = e -(il) équivaut ày = -
où l' on a posé x = ln t et y = ln [ - ln R(t)].
1 °Dédui re des informations précédentes les rés ultats
ci-dessous:
a) Le nuage des points de coordonnées (Xi' y) est
correctement ajusté par celle droite 9b ;
b) On peut considérer que T suit une loi de Weibull
de paramètre "Y = 0 ;
c) On peut prendre, pour les deux autres paramètres,
= 1,75 (arrondi au centi ème) et" = lO9 (arrondi
à l' unité). (On pourra utili ser l' équi valence encadrée
ci-dessus).
2° Déter miner, par le calcul. la périodi cité d' inter ven-
ti ons préventi ves basée sur une fiabilit é de 80 %.
Exercice 2 (10 points)
Voir J'e,erci ce 2 du 7
Une épreuve pour le BTS conception de
produits industriels
L 'tprel/l 'e du BTS CP/ duranl 3 elle comporte
1111 de pill s que celle des BTS du groupemm l B.
Épreuve 10
Exercice 1 et 2
Voir k s 1 et 2 de l' épreuve 8.
Exercice 3
• E,emple de de l'ourbe plane définie par une repré-
sentation par;lmétrique x = fit). y = X(1).
Dans un repère orthonormal (0; T,I ) d' unité gra-
phique 4 centimètres, on donne les quatre points sui-
vants par leurs coordonnées ;
A( - 1, 0) ; B(O, 3) ; C(2, 2) ; D(3, 1).
Le but de l' exercice est de déterminer et de tracer une
courbe possédant les propri étés sui vantes :
- elle passe par A et 0 ;
- ell e admet AB pour vecteur tangent au point A ;
- elle admet DC pour vecteur tange.nt au point D.
Pour tout nombre 1 de l'intervall e [0, 1 l, soit M le point
défini par :
OM= (1 _ 1)3 OA + 3 1 ( 1 - 1)' OB
+ 3r (1 - 1) OC + t' OD.
1 °Calculer en fonction de 1 les coordonnée.s du point
M.
2° On considère les foncti ons f et g définies sur l'inter-
vall e [0, 1] par :
f (l) = - 1 + 31 + 3r-2t'
et g(t) = 9 1 - 12 1' + 4t' .
Étudier les variations des foncti ons f et g sur l'inter-
valle [0, 1 1 el rassembl er les résultats dans un tabl eau
unique.
3° On note r la courbe, dans le repère orthonormal
(0 ; T,I), dont un système d'équati ons paramétriques
!
x = f(t)
est où 1 appartient à l'intervalle [0, 1] .
." = g(t)
a) Montrer que la courbe r admet AB pour vecteur
langent au point A et De pour vecteur tangent au
point D.
Épreuves de révision pour les BTS du groupement B 263
b) Tracer avec précision sur une feuille de papier
millimétré les vecteurs AB et De puis la courbe r
(on rappelle que l'unité graphique du repère ortho-
normal est 4 cm).
La courbe r ainsi obtellue est la courbe de BI:.ier
dont A, S, C, D sont points de di finition ; It'J'
courbes BI:.;u sont un des bau intu-
l't'I/alll dans les dt' conaption assistü pl"
ordinatt'ur (CAO) IIrilisb tlOtw1mlt'nt mlcanique,
en alronauliqut! et d(ms J'industrie automobile.
Piare Bf:.ier est lUI inglnieur dont
les premihes publications nlr datenl
amlles soi.xalllt'.
DES ÉPREUVES POUR LE GROUPEMENT C
Épreuve 11 2° Calculer, à 10 - 4 près, PlY = 0) ; PlY '" 1).
Exercice 1 (10 points) 3
0
On désire calculer P( Y 5). Pour cela, on décide
r . Loi normale.
1
d'approcher la loi de Y par une loi de Poisson.
• Loi binomiale .
a) Déterminer le paramètre de cette loi de Poisson .
• Appoximation d"une loi bioomiale par UDe loi de
b) Calculer alors, à l'aide de cette loi de Poiso;on,
Poi5lKm.
une valeur décimale approchée, à 10 - 3 près, de la
Gf\lupement B
probabilité que, dans un lot de 50 pièces, il y ait au
x
plus 5 pièces défectueuses.
Groupement C x
Groupement 0 x
us pllrlies A el B peLl"elll êtl? lraitüs de façon ;mM-
pendante.
Exercice 2 (10 points)
Une machine fabrique en grande série des pièces
d'acier.
• équation dilfmntieile du oecond ordn:. .1
A. Soit X la variable aléatoire qui, à toute pièce préle-
• Étude dei variaiionJ d"une fonctioa dEfinie avec la fone-
I
tion exponentielle.
vée au hasard dans la production hebdomadaire, asso-
cie sa longueur, exprimée en cm. On admet que X suit
Gmupement B x
la loi normale )(10 ; 0,02).
--
1
0
Déterminer, à 10 - 4 près. les probabilités suivantes:
Groupement C x
a) P(X '" 10,03) ;
Groupement D
b) P(X '" 9,972) ;
c) P(9,972 '" X '" 10,03). L'objectif de ce problème est l'étude d'une fonction f
2° Déterminer, à 10 - 4 près, le nombre réel positif Cl tel
solution de l'équation différentielle:
que P(IO - a '" X '" 10 + a) = 0,8.
(E) 2)''' + y' - )' = - x + 2, où y est une fonction de
3
0
Une pièce est déclarée défectueuse si sa longueur
la variable réelle x, y 1 la fonction dérivée de y et y" sa
est inférieure à 9.972. Déterminer, à 10 - 4 près, la pro-
fonction dérivée seconde.
habilité qu'une pièce prélevée au hasard dans la pro-
ùs partit's A et B SOllt indipl'rlda1lft'S.
duction hebdomadaire soit défectueuse. A.1° a) Résoudre sur l'ensemble IR des nombres réels
B. On admet que la probabilité qu'une pièce prélevée
l'équation différentielle (E
o
): 2)''' + y ' - y = O.
b) Déterminer les nombres réels a et b tels que la
hasard dans la production soit défectueuse est 0,08.
fonction g, définie sur IR par g(x) = ax + b soit
On prélève des lots de 50 pièces dans la production
solution de l'équation différentielle (E).
hebdomadaire, au hasard et avec remise.
c) En déduire les solutions de l'équation (E).
Soit Y la variable aléatoire qui, à tout lot de 50 pièces,
r a) Déterminer la solution f de (E) vérifiant les
associe le nombre de pièces défectueuses dans ce lot.
conditions initiales !(O) = 0 et j'(0) = O.
1
0
Montrer que la variable aléatoire Y suÎt une loi bino-
h) ]nterpréter graphiquement ces conditions ini-
miale dont on donnera les paramètres.
tiales.
264
B. Soit f la fonction définie sur )' intervalle [0, + 00 [
par f(x) = e + x - 1.
On note C€ la courbe représentative de la fonction f
dans un repère orthonormal (0; 1,1) du plan.
r a) Calculer j'ex) et montrer que son signe est le
même que celui de eX - 1.
b) En déduire le sens de variation de f sur [0, + cc[.
2° a) Montrer que la d'équation y = x-l, est
asymptote à '€.
b) Que peut-on en déduire pour la limite de f(x)
quand x tend vers + 00 ?
c) Étudier la position de la droite par rapport à la
courbe C€.
3° Dans le repère (0; LI), tracer la tangente à '€ au
point 0, l'asymptote §:I et la courbe ce. (unité gra-
phique : 4 cm).
Épreuve 12
Exercice 1 (Il points)
li • Rt!oOlution d'une diffmntielle du second
• Élude de" variatiom d'une fonctÎ(m définie avec la fonc-
tion exponentielle .
• Calcul d'aire.
Groupement B x
Groupement C x
Groupement 0
A. On considère l'équation différentielle (E) :
y" + 4y' + 4y = 8, où y désigne une fonction de la
variable réelle x définie et deux fois dérivable sur IR.
1 °Vérifier que la fonction g définie sur IR par g(x) = 2
est une solution de (E).
2° Résoudre sur IR l'équation différentielle:
y" + 4y' + 4)' = O.
3° En déduire l'ensemble des solutions sur IR de
l'équation différentielle (E).
4°Déterminer la solution f de l'équation (E) qui véri-
fie les conditions f(O) = 2 et f( = + 2.
B. Soit la fonction f de la variable réelle x définie sur
IR par: f(x) = xe -2r + 2.
On note cg la courbe représentative de f dans un repè-
re orthogonal (0; l,]).
1° a) Calculer la limite de f en - 00, puis la limite de f
en + 00.
b) En déduire que la droite d'équation y = 2 est
asymptote à la courbe <t5 .
c) Étudier la position de la courbe <e par rapport à la
droite
r Montrer que, pour tout x de Ill,
f'(x) = (I - 2.<) e - '".
Étudier les variations de f sur IR.
3° Tracer <€ et '2Zl dans un repère orthogonal (0; T,l)
(unités graphiques: 2 cm sur l'axe des absci sses, 4 COl
sur j'axe des ordonnées).
4°Soit la fonction k définie sur IR par
k(x) = H -!)e- l<
a) Calculer k'(x).
b) En déduire l'aire, en cm
2
, du domaine compris
entre et les droites d'équations respectives
x = Oetx = 4.
On donnera la valeur exacte, puis une valeur appro-
chée décimale arrondie à 10 - 2.
Exercice 2 (9 points)
• Probabilit& conditionnelles.
• Loi normale.
• Loi binomiale.
• Estimation d'une moyenne par intervalle de
Groupement B x
Groupement C x
Groupement 0 x
US A B .'Ionl indépmdantes.
A. Dans une usine, on utilise conjointement deux
machines MI et M
2
pour fabriquer des pièces cylin-
driques en série. Pour une période donnée, leurs pro-
babilités de tomber en panne sont respectivement
0,010 et 0,008.
De plus, la probabilité de l'événement: « la machine
M
2
est en panne sachant que MI est en panne » est
égale à 0,4.
1° Montrer que la probabilité d'avoir les deux
machines en panne au même moment est égale à
0,004.
2° En déduire la probabilité d'avoir au moins une
machine qui fonctionne.
B. Dans partie, Ofl s'inllresse au diamètre des
pièces fabriquées.
1° On admet que la variable aléatoire X qui, à chaque
pièce prélevée au hasard, associe son diamètre expri-
mé en millimètres, suit la loi normale de moyenne 250
et d'écart type 2.
Une pièce est défectueuse si son diamètre n'appartient
pas à l'intervalle [246, 254].
Épreuves de révision pour les BTS du groupement C 265
On prélève au hasard une pièce dans la production.
Calculer la probabilité d'avoir une pièce défectueuse.
r On admet dans la suite que la probabilité de prélever
une pièce défectueuse dans la production est égale à
0,046. On désigne par Y la variable aléatoire qui, à tout
lot de 50 pièces prises au hasard. associe le nombre de
pièces défectueuses de ce lot. Un lot de 50 pièces prises
au hasard peut-être assimilé à un tirage avec remise.
a) Déterminer la loi de probabilité de la variable
aléatoire Y. Donner les paramètres de cette loi.
b) Calculer la probabilité de n'avoir aucune pièce
défectueuse dans un lot. (On donnera une valeur
décimale approchée arrondie?t 10 - 3 près).
c} Calculer la probabilité d'avoir au plus 2 pièces
défectueuses dans un lot. (On donnera une valeur
décimale approchée arrondie à 10 - 3 près).
3°Après un certain temps de fonctionnement de la
machine, pour vérifier le bien fondé de l'hypothèse
faite en B. 1°, on s'intéresse il la moyenne des dia-
mètres des pièces produites.
Pour cela, on étudie un éc.'hantillon de 100 pièces prises
au hasard et avec remise dans la production. La moyen-
ne x des diamètres des pièces de cet échantillon est
égale à 249,7. On suppose que la variable aléatoire X
qui, à tout échantillon de 100 pièces prélevées au
hasard et avec remise associe la moyenne des diamètres
de œs pièces suit une loi normale de moyenne incon-
nue j.l. et d'écart type _2_. Au vu de l'échantillon,
yfOO
déterminer un intervalle de confiance centré en x de la
moyenne j.l. avec le coefficient de confiance 95 %.
ÉpreuYe 13
Exercice 1 (11 points)
• Résolution d'une équ:uion diO'érentielie du premier
ordre.
• Étude des \"arialion>; d'une fonction définie avel' la fOIlI.:-
lion exponentielle.
• Résolution graphique d'une inéquation.
Groupement B x
Groupement C x
Groupement 0
x
Soit l'équation différentielle (E) : 10
9
y' + 3 f2y = 0 où
y est une fonction de la variable réelle t, définie et déri-
vable sur IR et y' la fonction dérivée de y.
1
0
Résoudre (E) dans R.
JO On appelle f la fonction définie sur IR par:
"
f(t) = e ~ î O ' .
a) Vérifier que f est la soluti on de (E) prenant la
valeur 1 en O.
b} Démontrer que f est une fonction décroissante.
Déterminer sa limite en +00 et interpréter géométri-
quement ce résultat.
c} Déterminer la limite de f en _00.
d} Tracer soigneusement la courbe représentative de
f dans un repère orthogonal pour t variant de 0 à
1500 (échelle: J cm pour 100 unités sur l'axe des
abscisses et 10 cm pour une unité sur l'axe des
ordonnées).
3°a} Résoudre algébriquement dans IR l'équation
f(t} = 0,5 ; donner la valeur exacte de la solution, puis
sa valeur approchée arrondie à l'unité.
b} En déduire l'ensemble des solutions de l'inéqua-
tion f(t) < 0,5.
4° On appelle T la variable aléatoire associant à toute
machine d'un certain type sa durée, en heures, de fonc-
tionnement sans p;.mne.
On admet que, pour t réel posilif ou nul, f(t} représente
la probabilité que T soit supérieur à t ain si
P(T> t) = f(l)·
a) Calculer la probabilité qu'une telle machine fonc-
tionne plus de 100 heures sans panne.
b) Pourquoi peut-on affirme,r qu'il y a plus de neuf
chances sur dix qu'une telle machine fonctionne
sans panne plus de 400 heures?
Exercice 2 (9 points)
• Loi normale.
• Loi hinomiale.
• Approximation d'une loi binomiale
par une loi de Poi>;son.
1
• Construc:tion d'un le!>1 bilaléral de comparaison d'une
moyenne à un nombre fixé.
Groupement B x
Groupement C x
Groupemenl D x
A, Un lycée achète son papier pour photocopieur à une
entreprise. On appelle X la variable aléatoi re qui, à
chaque feuille, prise au hasard dans la production,
associe son épaisseur en microns. Le fabricant spécifie
que X sui t la loi normale de moyenne 110 et d'écart
type 3.
Un photoc.·opieur ~ e bloque dès que le papier fourni a
une épaisseur inférieure à lOI microns ou supérieure à
122 microns.
Déterminer, avec la précision permise par la table, la
266
probabilité p qu'une feuille du papier livré, prise au
hasard, bloque le photocopieur.
Dans la suite, on premJra p = 0.00 1.
B. Une documentation de 12 pages e5.t phOlocopiée en
50 exemplaires. On appelle K la variable alé.lIoire qui ,
à toute série de 600 associe le nombre de
blocages pendant la reprographie. On assimilera une
série de 600 photocopies à un prélèvement de
600 feuilles de papier au hasard et avec remise.
1
0
Quelle est la loi de probabilité :-iuivie par K?
2° Calculer la probabilité des événements suivants (on
donnera les résuhats eX:'H.:ts, puis arrondis au mil-
lième) :
a} « Au cours de ce travail , le photocopieur ne se
bloque jamais •.
b) « Au cours de ce travail, le photor.:opieur se
bloque exactement trois foi s • .
3° On .admet que la loi de probabilité suivie par K peut
être appr<X:hée par une loi de Poisson.
a) Préciser son paramètre.
b) Quelle est la probabilité que le photocopieur se
bloque plus de deux fois pendant ce travail?
C.Le lycée met à l'épreuve les affirmations du fabri-
cant concernant la moyenne de la variable aléatoire X.
On suppose que l'écart type est connu et égal à 3. Pour
cela, il étudie un échantillon de 1000 feuilles prises au
hasard dans une livraison. L'étude de l'épaisseur de ces
feuilles donne, en microns, une moyenne de 109,9.
1° On effectue un test d' hypothèse bilatéral ; préciser
quelle est l' hypothèse nulle Ho et l'ulternative HI'
r On désigne par X la variable aléatoire qui à tout
échantillon de 1000 feuilles tirée!! au hasard et avec
remise associe la moyenne des épaisseurs des feuilles
de cet échantillon. Quelle est, sous l'hypothèse Ho' la
loi de probabilité de X?
3° Au vu de l'échantillon étudié, peut-on admettre que
la moyenne est llO ? Faire un test au seui l de 10 c;t-.
Épreuve 14
Exercice J (11 points)
• Ré",olution d'une é4u,tlion du premier
(lnlre.
• Calt:ul tI'aire. 1
Groupement B x
Groupement C x
x
Épreuves de révision pour les BTS du groupement C 267
A. Équatioll
On considère l'équation différentielle (E) suivante, où
y désigne une fonction de la variable réelle x, définie et
dérivable sur l'intervalle 10, +oo[ et où ln désigne la
fonction logarithme népérien:
(E) .l'y' - Y = In.l'.
1
0
Résoudre, sur l'intervalle ]0, + 00 (, l'équation diffé-
rentielle : xy' - y = O.
2° Vérifi er que la fonction h. définie pour tout réel x
uppartenant ?t l'intervalle] 0, +00 [ par h(x) = -lnx - l,
est une solution particulière de (E).
En déduire l'ensemble des solutions de (E).
3° Déterminer la solution J de (E) qui vérifie f( 1) = 1.
8. fonctioll
Soit la fonction f définie sur l'intervalle ]0, + oo ( par
f(x) 2, - Inx.
1° Déterminer la limite de f en 0 et montrer que la limi-
te de f en + 00 est +00.
r C.alculer la fonction dérivée f' de f. en déduire les
variations de f sur l'intervalle ]0, +00[.
calcul d'ai"
On note '(, la courbe d'équation)' = f(.l') dans un repère
orthonormal (0; iJ) dLi plan.
1
0
Étudier la position de cC par rapport à la droite
d'équation: y = 2\' - 1.
2° Tracer la partie de la courbe CC pour 0 < x :.0;;; 3 ainsi
que la (unité graphique: 4 cm).
3° a) Vérifier que la fonction H: x .l'In x - x est une
primitive sur l'intervalle )0, +oo[ de la fonction

b) Représenter le graphique le domaine délimité
par la courbe <e, la droite et les droites !1 et !1'
d'équations respectives: x = et x = 1.
e) Calculer, en cm
2
, l'aire dë ce domaine. (On en
donnera une valeur décimale approchée par excès à
10-
2
près).
Exercice 2 (9 points)
• Loi binomiale.
• Loi de Poi .... on.
• Loi nürmale.
• Te'" relatif!t une moyenne .
Groupement B
GflJupement C
Groupement 0
Us A n B SOIlI 011 donllua
rbl/lltlt.\' à 10-
1

Une usine fabrique des billes métalliques. L'élude
porte sur le diamètre de ces billes, mesuré en milli-
mètres.
A.Étudt! dt! la production
1° On appelle X la variable aléatoire qui, à chaque bille
prise au hasard dans la production de l'usine, associe
son diamètre mesuré en millimètres.
On admet que X suit la loi normale de moyenne 25 et
d'écart type 0,44.
Calculer la probabi lité de chacun des événements sui-
vants:
El : «Le diamètre de la bille est inférieur à 25,2 ».
E
2
: «Le diamètre de la bille est compris entre 24,1 et
25,9».
2° Certaines billes sont défectueuses. On admet que la
probabilité de tirer au hasard une bille défectueuse est
égale à 0,04.
Les billes sont conditionnées par paquets de 150. On
admet que le choix d'un paquet peut être assimilé il un
tirage avec remise de 150 bi lles.
On note Y la variable aléatoire qui associe à tout paquet
choisi au hasard le nombre de billes défectueuses du
paquet.
a) Justifier que Y suit une loi binomiale dont on don-
nera les paramètres.
b) On admet que la loi de Y peut être approchée par
une loi de Poisson de paramètre A. Calcule.r la valeur
de À et déterminer la probabilité de l'événement EJ :
«il y a au plus 4 billes défectueuses dans le paquet _.
B. COII/mandt! d'lin client
Un client réceptionne une commande. Il prélève un
échantillon de 125 billes choisies au hasard et avec
remise dans le lot reçu et constate que le diamètre
moyen est égal à 25,1.
On rappelle que pour les billes fabriquées par l'entre-
prise, la variable aléatoire X qui prend pour valeurs
leurs diamètres suit une loi normale d'écart type 0,44.
L'entreprise s'est engagée à ce que la moyenne des dia-
mètres des billes fournies soil 25.
Le client décide de construire un test bilatéral permet-
tant de vérifier l'hypothèse selon laquelle le diamètre
des billes du lot reçu est de 25.
)0 Quelle est l'hypothèse nulle Ho? Quelle est l'hypo-
thèse alternative HI ?
r On désigne par X la variable aléatoire qui, à tout
échantillon de 125 billes, prises au hasard et avec remi-
se, associe la moyenne des diamètres obtenus.
a) Donner sous l'hypothèse nulle la loi de X. En pré-
ciser les paramètres.
b) Déterminer le nombre a tel que
p(25 -(1 < X < 25 +(1) = 0,95.
c) Énoncer la règle de décision du lest.
3° Au vu de l'échantillon, au risque de 5 %, que peul
conclure le client sur le respect de l'engagement de
l'entreprise?
DES ÉPREUVES POUR LE GROUPEMENT D
É preuve 15 On suppose que le phénomène démarre à l'instant
Exercice 1 (12 points)
f = O. À l'instant t, on note q(t) la quantité d'alcool
• Ajustement affine.
encore prése.nte dans le tube digestif et v(t) la quantité
• RâoIulion d'une ~ u a t i o n difUrentielle du premier
d'alcool présente dans les liquides du corps. (Ces quan-
1 œWe.
tités sont ex;primées en mole d'alcool et le temps f est
• Étude des variations d'une fonctioo dKInie avec la
ex;primé en minutes).
fonction exponeDlielle.
1
On a : qo ~ (q(O) ~ 1,2 et 1'(0) = o.
À l'instant t, qa - [q(t) + \o(t)] représente la quantité
Groupement B d'alcool dégradé ou évacué.
Groupement C
Partit! A ." Étude o:phimel/fale
Groupement D x
On a relevé les données suivantes:
Après la prise d'une boisson alcoolisée, l'alcool ingé-
Ij (en mm) 0 1,73 2,8 5,5 18 22
ré est absorbé et se répartit dans les liquides du corps
qJ - q(tj)
1,2 0,9 0.75 0,48 0.06 0,03
(en particulier dans le sang) où il est en partie dégra- (en mole)
dé ou évacué.
268
q
1° On pose w . = In..Jl:.
, q.
Recopier et le tableau suivant :
t,
1 0 I
l
.
73
1 2.81 5.51
18
1 22 1
."
On donnera w
1
sous forme décimale approchée il
10 -
2
près.
r Représenter le nuage des points ( li' w) dans un
repère orthogonal (unités graphiques: 1 cm pOUf une
unité sur l'axe des abscisses et 4 cm pour une unité sur
l'axe des ordonnées).
3° Donner une équation de la droite de régression de w
en t .
Représenter cette droite dans le repère ci-dessus.
4° L'ajustement précédent étant supposé valide, expri-
mer q(t) en fonction de t.
Partie B : Ditt'rminatioll dt's q l'f l'.
1° 0n admet désormais que q vérifie :;= -O, J7q.
Déterminer alors q(t) en fonction de t, en tenant
compte de la condition initi ale, q(O) = 1,2.
dv dq - 3
r On admet également que dt = - dt - 2,9 . 10 ,
ceci pour t :s:;; 400.
En déduire que de v(t) en fonction de l, en
tenant compte de la conditi on initiale v(O) = ° est:
\,(t) = 1,2( 1 - e -
O
.
17
/) - 2,9· 1O - 3
t
.
C : ttllde dll taw;
1 °Étudier les variat ions de \' sur [0 , 400].
2° Tracer la courbe représentative de v dans un repère
orthogonal (unités graphi ques: 1 cm pour 20 mn sur
l'axe des abscisses et 10 cm pour une unité sur l'axe
des ordonnées).
3° Le taux d'alcoolémie à l'instant r est repré-
sente le volume des liquides du corps).
Chercher, à l'aide du graphique précédent, le temps ri à
partir duquel le taux d'alcoolémie est inférieur à
1,09.10 -
2
molele (cette valeur correspond à 0,5 g
d'alcool par litre).
Exercice 2 (8 points)
• Loi normale.
• Loi binomiale.
• Approximation d'une loi binomiale par une loi de
Poi!lson.
1
Les résultats seront donné.\" SOllS fonne décimale
approc!Jü arrondie à iO-
2
.
1° Une machine fabrique des pièces métalliques.
L'unité de mesure est le mm. On admet que la variable
aléatoire D qui, à toute pièce prélevée au hasard dans la
production associe son diamètre, suit la loi normale de
moyenne = 90 et d'écar t type cr = 0,16.
a) Quelle est la probabilité que le diamètre d'une
pièce prise au hasard ne soit pas dans l'intervalle
/ , l89,7 ; 90,3] ?
b) On effectue un grand nombre de mesures de dia-
mètre. Évaluer le réel positif e tel que 90 % des
mesures appartiennent à l'intervalle
/, [90 - e ; 90 + el
r On tire au hasard N pièces d'un stock comprenant un
très grand nombre de pièces. La production est suffi-
samment importante pour qu'on puisse assimi ler les
tirages de N pièces à des tirages avec remise. On rejette
les pièces dont le diamètre n'appartient pas à '1' On
admettra que la probabilité qu' une pièce soit rejetée est
0,06. On appelle X la variable aléatoire qui, à chaque
tirage de N pièces, associe le nombre de pièces rejetées.
On N = 4.
a) Quelle est loi de probabilité suivie par X?
On donnera ses paramètres;
b) Calculer P(X 1);
c) Calcul er P(X > 1).
On .Hlppnu N = 50.
d) On admet que la loi de X peut être approchée par
une loi de Poisson. En préciser le paramètre.
e) On note Y une variable aléatoire suivant la loi de
Poisson obtenue au d.
Calculer P(X 0) et P(X < 3).
Épreuve 16
Exercice 1 (9 points)
• Loi normale.
, • Eslimation d'une moyenne par intervalle de confiam:e.
Groupement B x
Groupement C x
Groupement D x
Étude du résultat de la pesü d'ul! objer de masse III
(exprimü el! grllmmes).
On admet que la variable aléatoire X qui prend comme
valeurs les résultats de la pesée d'un même objet
donné suit la loi normale de la moyenne 111 et d'écart
type ri.
Épreuves de révision pour les BTS du groupement D 269
Partie A
Dans ceUe partie, on suppose que 111 = 72,40 et
CI 0,08.
1 °Calculer la probabilité des événements suivants (les
résultats seront arrondis au millième le plus proche) :
a) « X > 72,45 » ;
b) « X < 72,25 JO ;
cl « 72,30 < X < 72,50 •.
2° Déterminer le réel strictement positif" (arrondi au
centième) tel que la probabilité pour que X prenne une
valeur dans l'intervalle [,111 - h, ni + "] soit égale à
0,989.
Partie B
Dans cette partie, on suppose que m et u sont inconnus.
On a relevé dans le tableau suivant les résultats de
10 pesées d'un même objet;
Masse en grammes
72,20
72,24
71,26
72,30
72.36
72,39
72,42
72,48
72,50
72,54
Les résultats seront arrondis au centième le pllls
procht'.
1° Calculer la moyenne et l'écart type de cet échan-
tillon.
r En déduire des estimations ponctueJles de la moyen-
ne ni et de l'écart type u de la variable X.
3° Dans la suite, on admet que la variable aléatoire qui
à tout échantillon de 10 pesées, associe la moyenne de
ces pesées suit une loi normale. En prenant pour écart
type la valeur estimée au 2°, donner un intervalle de
confiance au seuil de 5 % de la moyenne m.
4° L'écart de l'appareil de pesée, mesuré partir
de nombreuses études antérieures, est en réalité, pour
un objet ayant environ cçUe masse, de 0,08. Dans celle
queslion. 9n prend donc CI = 0,08.
a) Donner un intervalle de confiance au seuil de 5 %
de la moyenne m.
b) Déterminer a (à l'unité près) pour qu'au seuil de
a %, un intervalle de confiance de 111 soi'!
[72,31 ; 12,43J.
Exercice 2 ( Il points)
• Ajustement se ramenant à un ajustement affine.
1
• Résolution d'une équation différentielle du premier
onlre.
• Étude variali,ms d'une fonction dKtnie avec la fonc-
tion exponentielle.
Groupement B x
Groupement C x
GroupemeOi 0
x
A
Suite à un incident nucléaire, on a consigné dans le
tableau suivant, heure par heure, les résultats fourni s
par un appareil de mesure de la radioactivité.
Les N
j
sont des nombres entiers représentant le nombre
de particules recueillies par l'appareil pendant une
seconde.
" (en heures) 0 1 2 3 4 5 6
Ni
170 102 63 39 24 16 9
1 ° On pose :::'j = In(N
j
- 2) pour tout; variant de ° à 6
(où ln désigne le logarithme népérien).
Donner les valeurs de :j arrondies au millième le plus
proche.
Représenter le nuage (Ii' Zj) dans un repère orthogonal
(unités graphiques: 3 cm pour une heure en abscisse,
4 cm pour une unité en ordonnée).
r Donner le coefficient de corrélation linéaire de la
série (rj' :::j) et donner une équation de la droite de
régression de z en t (les coefficients seront arrondis au
millième le plus proche).
3° Donner l'expression de N en fonct ion de t déduite
de cel ajustement.
4° En supposant que l'expression obtenue en 3° reste
valable, déterminer à partir de quel relevé on obtiendra
une valeur de N inférieure ou égale à 3.
B
Une étude plus approfondie amène à faire l'hypothèse
que la fonction, qui au temps t (en heures), associe le
nombre N(t) est une soluti on de l'équation différen-
tielle (E) :
y' = a(y - 2) où a est une constante réelle.
1° Déterminer la solution générale de l'équation diffé-
rentielle ci-dessus.
r En déduire la solution qui prend la valeur 170 pour
t = ° et la valeur 9 pour t = 6.
270
Partie C
Soit f la fonction définie sur lO, + oo[ par
f(x) = 168e - 0.511' + 2 et '(; sa courbe représent,ative
dans un repère or thogonal (unités graphiques : 2 cm
pour 1 sur l' axe des abscisses, 1 cm pour 10 sur J'axe
des ordonnées).
1 ° Calculer lim f(x); interpréter géométriquement le
x--t+_
résuhat obtenu.
r Chercher les variati ons de la fonction f sur [0, + œ[.
y Construire la courbe '€.
4° Résoudre l'équation f(x) .:s:; 30 dans l'intervalle
CO, + 00 [ : vérifier graphiquement.
5° Calculer la valeur moyenne de la fonction f sur l'in-
tervalle Il, 6] ; on donnera la v:tleur exacte et une
valeur décimale approchée ;arrondi e à. 10 - :!.
Épreuve 17
Exercice J (9 points)
• Loi binomiale. !
• Tes( unilat&al relatif à une de moyenne.
Groupement B
Groupement C
Groupement D x
Une entreprise fabrique des pOIS de peinture.
Elle fait li vrer habituellement par lots de 20 pots ou de
100 pots. On propose d'étudier les variat ions de la
quantité d'un certain produit A contenu dans chaque
pot.
Partît! A
On suppose que la production totale de l'e,nlreprise est
très importante et que 7,5 % des pots fabriqués
contiennent plus de 110 g de substance A. On note X la
vari able aléatoire qui, à tout tirage aléatoire de 20 pots
(tirage considéré comme tirage avec remise), associe
le nombre de poiS contenant plus de 110 g de substan-
ce A. On note de même Y la vari able associée dans le
cas de tirages de 100 pots.
1° Préciser la loi de X.
r Calculer au millième le plus proche la probabilité de
l'événement « X = 1 • .
3° Préciser la loi de Y.
4° On veut approcher la loi de Y par une loi de Poisson
de même espérance mathématique.
Préci ser le paramètre de cette loi de Poisson.
Épreuves de révision pour les BTS du groupement 0 271
5° En supposant que Y suive effectivement la loi de
Poi sson ai nsi définie, donner une approximation au
millième le plus proche de la probabilité de l' événe-
ment « Y::s;; 6 )J.
B
On a contrôlé le dosage du produit A il la sor tie de deux
chaînes de fabrication.
Deux échantill ons de 100 pots ont été analysés; J'un
provient de la chaîne nO l , l'autre de la chaîne nO 2.
Le tableau suivant donne la répartition de l'échanlillon
de la chaîne n° 1 en fonction de la masse de produit A
exprimée en grammes.
m(en g) Effectif,
[100,1021 1
(102, 1041 3
[1(J.j, I061 25
1106,1081 32
[108,110[ 27
[11O,112[ 6
[112,114[ 4
1114,1 16[ 2
On donne des valeurs approchées de la moyenne "'2 el
de l'écart type a:! de l'échanti llon fabriq ué par la chaî-
ne n
C
2 : 111
2
= 107 et a::! = 2 (en grammes).
Dans les questions 1 ° et r les valeurs seront arrondies
au dixième le plus proche.
1 ° En prenant les centres des classes, c<llculer une
approximation de la moyenne 111
1
et de l'écart type al
de l'échantillon issu de la chaîne nO 1.
2° En considérant les résultats obtenus dans la première
question, donner les est imations ponctuelles :
a) des quantités moyennes !-lI et 1-l2 de produit A
pour les productions de ces deux chaînes,
b) des écarts types SI et S2 correspondants.
3° On se propose de savoir si la différence des
moyennes observées dans les deux échilnti ll ons est due
à des fluctuations d'échantillonnage ou si la chaîne de
fabrication nO 1 produit des pots contenant davantage
de produit que la chaîne n° 2.
On nOle XI la variable aléatoire qui, à tout échantillon
aléatoire de 100 pots provenant de la chaîne nO 1, asso-
cie la quantité moyenne de produit A dans cet échan-
tillon.
On note X:!, la variable aléatoire qui, il lout échantillon
aléatoire de 100 pots provenant de la chaîne n
C
2, asso-
cie la quantité moyenne de produit A dans cet échan-
tillon.
On admeltra que:
- s[
• X 1 suit une loi normale de paramètres !-LI et m ;
- . .
• X 2 sull une 101 normale de paramètres !-L2 et IÜ '
• X[ et X
2
, sont des variables aléatoires indépendantes;
D = Xl - X
2
suit une loi normal e.
On choisit J'hypothèse nulle Ho : « !-L[ = l-L:2 » contre
l'hypothèse alternative Hl : j..L[ > !-Lz ».
a) Calculer la variance de la vari abl e aléatoire D. On
appelle ,,(D) son écar t type. Vérifier que
,,(D) 0,32.
b) Calculer au centi ème le plus proche le réel a tel
que P(D < a) 0,99.
c) L'hypothèse nulle Ho est-elle acceptée ou rejetée
(au seui l de 1 %) ?
Exercice 2 (II points)
• Ajustement se ramenam à un ajustement affine.
• Résolution d'une équation différenlielle du premier

• Étude de!'. d'une fonction définie a',cc la fonc-
tion ellponenlielle.
Groupement B x
Groupement C x
Groupement 0 x
Dans cet e.rncice, les quatre parties pellvelll être trai-
tüs de façoll indépendante. III partie A a pour objet la
détenllilla/ion d'ulle loi d'b'oll/tion à partir de don-
nées statistiques. Les partie,5 B et C corre.\pOndelll cl
des modélisations dOl1nées du phénomène i ll/dii . La
partie D envisage J'b'oill/ioll de la population dans 1111
nOU\'eau contexte.
Partie A
On procède à une réimplantat ion d'écrevisses. On
lâche 100 individus et on relève tous les six mois l'ef-
fectif 11 de la colonie d'écrevisses en fonction du temps
écoulé t (exprimé en mois).
On obtient ainsi huit effectifs Il
j
(i variant de 1 à 8) :
Temps 'i
Effcctif$ n,
0 100
6 160
12 350
18 900
24 2500
30 7500
36 22000
42 64 000
} °On pose y = ln(3n - 200) où ln représente la fonc-
tion logarithme népérien. Calculer les valeurs
Yj = In(3l1
j
- 200) pour i variant de 1 à 8 (valeurs
décimales arrondies au millième le plus proche). On
donnera ces valeurs dans un tableau.
ZC Représe-nter le nuage de points M;</j' Yi) dans un
repère orthogonal (unités graphiques : 3 cm pour
6 mois sur l'axe des abscisses, 1 cm par unité sur j' axe
des ordonnées).
3° Donner une équation de la droite de régression de y
en f (les coefficients seront donnés sous formes déci-
males, au centi ème le plus proche) et en déduire l' ex-
pression de Il en fonction de r associée à cet ajustement.
Partie B
Dans cette panie, on considère que la fonction donnant
le nombre d'individus en fonction du temps t (exprimé
en mois) est représentée par une solut ion de J' équat ion
différentielle (E) : X' - 0,18X - 12.
} O Résoudre l' équati on différentielle d'inconnue X:
X' - 0,18X O.
2° Sachant que (E) admet une solution particulière X
o
constante, donner la solution générale de (E).
3° Déterminer la solution de (E) qui vérifie X(O) = 100.
C
Soit (0; T,I) un repère orthogonal (unités graphiques:
1 cm pour 3 mois sur l'axe des abscisses et 1 cm pour
4000 unités sur J'axe des ordonnées).
1° Soit N la fonction définie sur l'intervalle J = [0,42]
par N(t) Ir e
O
.
18
' + 2r .
Étudier le sens de variation de N sur J.
2° Tracer la courbe représentative de N dans le repè.re
(0; T,)"). On suppose que cette fonction représente
correctement l'évolution du nombre d'écrevisses.
Partie D
272
À partir de t = 42, on décide d'autoriser la pêche aux
écrevisses.
On admet que la population d'écrevisses est alors
représentée par la fonction F définie sur l'intervalle
[42,72] par F(r) 64oooe-
O
,.""-42'.
} O Étudier F sur l'inter vall e [42, 72] (variation et
valeurs au:\ bornes).
2° Tracer la courbe représentati ve de F dans le repère
précédent (par/ie C), sur le même graphique qu'à la
question C 2°).
3° Déterminer graphiquement l'instant où la population
devient inférieure à 32000 individus.
Épreuve 18
Exercice 1 (12 points)
• Équation diffirentielle du premier ordre.
1
• Étude variations d'une fonction dffinir
la fonction e"ponentieUc.
Groupement B x
Groupement C x
Groupement 0 x
US parties A el B itre traÎrüs ùuUfMtldam-
ment l'utle de l'autre.
On se propose d'étudier J'évolution en fonction du
temps des températures d'un bain et d'un solide plongé
dans ce bain. Ces températures (à l'instant 1) sont res-
pectivement notées o(t) et (3(1). Le temps test ex.primé
en seconde et les températures en oc.
Partie A
Les tempémlures o.(r) et (3(1) véritient les conditions
suivantes:
(
1) n'(I) = - 0,0 Il (n(l) - (a(o) = 40
avec
(2) W(I) = O,021(a(l) - = 10
1· On pose !(I) = a(l) -
a) Vérifier que f est une soluti on de j'équation dif-
férentielle y' + 0,032 y = O.
b) Résoudre l'équation précédente.
c) Calculer !(O) et montrer que f(l) = 30e - 0.032 '.
r SOil F la primitive de f qui vérifie F(O):::; O.
a) Exprimer F(t) en fonction de t.
b) À l'aide de la cond ition (2) justifier que
13(t) = K + 0,021 F(t) où K est une constante.
c) Déterminer K et donner une expression de l3(r) en
fonction de t.
Partie B
Pour tout t dans [0, +00 [ on pose
(
-")
a(l) = 95 + 33e'"
6(t) = (95 -
1° Déterminer la limite de a. ainsi que celle de 13 en +00.
Que peut-on en déduire pour les courbes représenta-
tives de ces fonctions?
2° Calculer la dérivée et donner les variations de cha-
cune des fonctions a. et 13.
3° Construire les courbes représentatives des fonctions
a. et 13 dans un repère orthogonal (sur papier millimé-
tré ; unités graphiques: 1 cm pour 5 secondes en abs-
cisse et 2 cm pour 5°C en ordonnée; on fera varier t
entre 0 et 120 secondes .
4° A partir de quel instant la différence de température
enlre le solide et le bain est-elle inférieure à 1°C?
Exercice 2 (8 points)
• Loi binomiale. 1
• Approximation d4une loi binomiale par une loi normale.'
• Tnt d'hypothhe unilatéral rrlatif à une proportion.
Groupement B
C
Groupement 0 x
Un magicien prétend qu'il peut souvent deviner il dis-
tance la couleur d'une carte tirée au hasard d'un jeu de
cartes bien banu et comportant des cartes de deux cou-
leurs différentes en nombre égal.
On appelle p la probabilité que le magicien donne une
réponse juste (succès) lors d'un tirage.
Si le magicien est un imposteur on ap = p >
On appellera échantillon de taille" toute réalisation de
II tirages successifs d'une carte dans le jeu, avec
remise.
A
On suppose p = et on note Y la variable aléatoire qui,
à tout échanti llon de taille Il, associe le nombre de suc-
cès du magicie.n.
(On arrondira les probabilités aux dix millièmes le plus
proche.)
] 0 Dans celle question on prend Il = 20.
a) Quelle est la loi suivie par Y? Donner ses para-
mètres.
b) Calculer la probabilité P(Y = 15).
r Dans celle question on prend II = 100. On admet que
la variable aléatoire Y peut-être approchée par une
variable aléatoire Z suivant une loi normale.
a) Préciser les paramètres de celle loi normale.
b) Utiliser celte approximation pour calculer
P(Y> 60), c'est-à-dire calculer P(Z '" 60,5).
B
On appelle F la variable aléatoire qui, à tout échantillon
de taille Il, associe la fréquence des succès obtenus par
le magicien au cours des Il lirages d'une carte. On
admet que F suit la loi normale de moyenne inconnue
,jp(1-p)
p et d'écart type V·_-
n
--'
On construit un test unilatéral permettant de détecter,
au risque de 5 %, si le magicien est un imposteur.
On choisit '1 = 100.
Épreuves de révision pour Jes BTS du groupement D 273
On choisit comme hypothèse nulle Ho : p = ~ ,
et comme hypothèse alternative HI : p > ~ .
1° Calculer, sous l'hypothèse Ho' le réel positif Il tel
que 1F '" ~ + Il) = 0,95.
2° Énoncer la règle de décision du test.
3° Sur un échantillon de taille 100, le magicien a
obtenu 64 succès. Peut-on considérer, au ri sque de 5 %,
que le magicien est un imposteur ?
274
En utilisant la table du formulaire, on obtient
P(77,5 '" y ", 80) '" 0,6826.
2
0
a) On cherche P(77 '" y ", 86).
P(77 '" y", 86) = P( - 1,2 '" T '" 2,4)
= 11(2,4) - 11( - 1,2)
= 11(2,4) + 11( 1 ,2) - 1.
En utili sant la tabl e du formulaire, on obtient
P(77 '" y", 86) = 0,8767.
b) La probabi lité qu'une pièce tirée au hasard dans la
production soi t défectueuse est 1 - 0,8767 = Q, 1233.
Il Y a donc environ 12,3 % de pièces défectueuses.
Chapitre 4
Réponses des travaux pratiques
TP 1
10 m = Seta==2.
TP 2
1°1'=40 %.

des exerCices
, ganable aléatOi re X SUI t 1,1 lOI normale
X(l50; 0,21).
La variable aléatoire M qui, à tout échantillon de
400 pièces prélevées au hasard et avec remise, associe
la moyenne des diamètres des pièces de cet échanti llon
suit la loi normale .1((150 ; soit X(l50; 0,0 105).
Soit T = M - 150 la variable aléatoire centrée réduite
0,0105
associée à M.
P( 150 - Il '" M '" 150 + Il) = 0,95 équivaut successi-
vement à :
p( __ '_1 _ '" T '" _'_1 _) = 095
0,ûl05 0,0105'
211[ _'_1 _] _ 1 = 095 _'_1 - = 1 96
0,ûl05 ' , 0,0 105 "
car T suit la loi normale X(O, 1).
Soit M la variable aléatoire qui associe à chaque échan-
ti llon aléatoire de taille Il la moyenne des longueurs des
pièces de cet échanti llon; M suit la loi X(28.2;
On note T la variable aléatoire normale centrée réduite
associée à M. On a :
P(28,195 '" M '" 28,205)
= p(_ 0,005 VIi '" T '" 0,005 VIi)
0,027 0,027
= 211(;7 VIi) - 1.
M prend une valeur appartenant à l'intervall e
[28,195; 28,205J avec la probabilité 0,95 si et seule-
ment si ; 211(;7 VIi) - 1 = 0,95.
On résout par équivalences celle équation où l'incon-
nue est Il.
11(2V1i) = 0,975, 2 VIi = 1,96,,, = (1,96 x 27)2,
n n 5
d'où Il = 113.
1 °F suit la loi normale de paramètres p = 0,52 et
"1'(1 l') = , /0,52 x 0,48 _ 0025.
V,I V 400 '
Soit T la variable aléatoire normale centrée réduile
associée à F. La probabilité d'avoir dans un échantillon
de 400 nouveau-nés un pourcentage de garçons com-
pri s entre 50 I?f et 54 Cl est:
P(0,50 ", F '" 0,54) = p(-0,ü2 '" T '" 0,ü2 ),
0,ü25 0,025
= 211(0,8) - 1 = 0,58.
r La probabili té d'avoir dans un échantillon de 400
nouveau-nés un pourcentage de filles inférieur à 45 %
est; P(F > 0,55) = pcr > 1,2) = 1 - 11(1 ,2)=0, 12.
S
1
0
Soit F = -If la variable aléatoire qui, à tout
échanti ll on aléatoire de taille Il, associe la fréquence
d'appa.rÎtion d'un garçon dans cet échantillon. On
cherche le plus pet it entier naturel "0 leI que:
(
Sn )
p 0,39 0,41 ;2!: 0.95.
Les inégalités suivantes sont équivalentes:
p( 0,39'" '" 0,41) '" 0,95;
(
Sn )
P - O,OI "'11- 0,4"'°,01 "' 0,95 ;
p(1 - 0,41 '" 0,01) '" 0,95 ;
292
1 - p(1 - 0,41 > 0,01) > 0,95 ;
p(1 - 0,41 > 0,01) "'0,05.
Avec p = 0.4 el 1.; = 0,05. soit P. = 20. le théorème de
r-
Ia loi faible des grands nombres donne:
p(1 _ 0,41 > y20 x x 0,6) '" 0,05.
Celte relation implique
p(1 - 0,41 > 0,01) '" 0.05
dès que II vérifie '\ /20 x 0.4 x 0.6 < 0,0 1.
V II
On alors flO = 48(x)(),
2' F suil la loi x( 0,40 ; y ).
Soit T = F - 0,4 la variuble aléatoire centrée réM
, 10,24
V II
duite associée à F.
On obtient:
P(0,39 '" F '" 0,41) p( F - 0,4 '" 0,01 )
YO.24 , / 0,24
Il V"
P(ITI '" Y
L
Les relations suivantes sont équivalentes:
P(0.39 '" F '" 0,41) "" 0,95
Il (y 0,975
,, / 1/ ;:l:
V 2400
3° Dans la deuxième question, la taille de l'échantillon
permettant d'obtenir, avec la probabilité 0,95, une fré·
quence de garçons située à moins d'un centième de
cette même fréquence pour la population, est 5,2 foi s
plus petite que dans la première question. Le fail de
savoir qu'il est possible d'utiliser une loi normale
met d'améliorer le résultat donné par la loi faible des
grands nombres.
o
] 0 La variable aléatoire X suit la loi normale de
mètres m = 50 et CI = 0,4.
Soit T la variable aléatoire associée à X : T = X-50,
T suit la loi normale centrée réùuite .N'(O,l). 0,4
p(49.1 '" X '" 50,9) P(-2,25 '" T '" 2,25)
P(49,1 '" X '" 50,9) 211(-2,25 -1),
P(49, l '" X '" 50,9) 2 x 0,9878 - 1,
p(49, l '" X '" 50,9) 0,976.
La probabilité qu'une pièce ne soit pas défectueuse est
0,976.
La probabilité qu'une pièce soit défectueuse est donc:
1 - 0,976 0,024.
2° a) Les prélèvements aléatoires sont supposés avec
remise. On est donc en présence d'une succession de 11
épreuves indépendantes, chacune ayant deux issues:
la pièce est défectueuse, de probabilité 0,02. ou la pièce
est non défectueuse, de probabilité 0,98.
y suit la loi binomiale 00(11 ; 0,02).
b)" 10
P(Y = 2)
P(Y=2) 0,015 il 10-
3
près.
c) P(Y '" 1) P(Y 0) + P(Y 1),
P(Y'" 1) 0,984 il 10-
3
près.
d) À "1' 50 x 0,02, À 1, Ysuilla loi 2J>(I).
P(Y> 1) 1 - (P(Y 0) + P(Y 1 ),
P(I' > 1) 1 - 0,368 - 0,368,
p(Y> 1) 0,264 il 10-
3
près.
3° X la variable aléatoire qui, à chaque é(..'hantillon de
100 pièces associe la moyenne des diamètres des pièces
de cel échantillon, suit la loi normale X(50; ,
soil X(50; 0,04). V 100
P(50 - b:s:; X :s:; 50 + b) = 0,95 équivaut, en utilisant
le changement de variable T = X-50 à
0,04 '
p(- --.!L '" T '" --.!L)= 0,95 el il
0,04 0,04
211 (--.!L) - 1 095 el il --.!L 1 96
0,04 ' 0,04"
b 0,ü78 il 10-
3
près.
Corrigés du chapitre 4 293
Chapitre 5
Réponses des travaux pratiques
TP 1
1° [2 934,67 ; 3 065,33].
2° 12945,17; 3 054,83] ; [2 914 ; 3 086].
3° On observe que l' ilmplitude de l'intervall e de
confiance augmente avec Je coefficient de confiance.
TP2
l ° x=92,2;s=7,17.
2° ~ = 92,2; CI = 7,21.
3° c) [90,3; 94,1].
4° " = 799.
TP3
• 0 f = 0,68.
2° [0,639; 0,721] ou [63,9 %; 72, 1 %].
3° [0,636; 0,724].
4° f = 0,52; [0,476; 0,564].
Corrigés des exercices
[D
1
0
x = 5,03 et s = 1,14; ces résultats sonl obtenus à la
calculatri ce.
r Une estimation ponctuelle de la moyenne J..l. et de
J'écart type 0" du nombre de camions en panne chaque
jour pour la population const ituée des jours ouvrables
de l'année est:
J.L=X=5ela=Y II s=1,16.
11 - 1
3° Un intervalle de confiance de la moyenne j..L de la
population avec le coefficient de confi ance 95 % est:
[
- CI- CI]
X - 1,96yn;x + 1,96yn = [4,61; 5,45].
1
0
Une estimation ponctuelle de p est la fréquence des
intentions de vote pour le candidat A obse,cvée dans
l'échantillon, soit : 550 = 0,515.
1068
UWn intervalle de confiance de p avec le coefficient de
confiance 95 % est alors:
[
0 515 _ 1 96 ' 10,5 15 x 0,485 .
, , V 1067 '
0,5 15 + 1,96 \ 1 0,515 x 0.485 ,] soit [0.485; 0,545]
V 1067
ou, en pourcentages, [48,5 %; 54,5 %].
2° Avec le coefficient de confiance 95 %, le pourcen-
tage des électeurs votant pour A est situé dans
[48,5 %; 54,5 %J.
Ce pourcentage peut très bien être 49 %, auquel cas A
n'est pas élu.
1° Une estim . .ttion ponctuelle de la proportion d'élec-
teurs vol;.mt pour A est 0,52.
Un intervalle de confiance avec Je coefficient de
confiance 95 % correspondant à cet échantillon de
taille" est :
[
0,52 _ 1,96' / 0,52 x 0,48; 0,52 + 1,96' / 0,52 x 0.48] .
V 11- 1 V ,,-1
Cel intervalle contient 0,5 ~ i et seulement si
0,52 - J ,96' 1 0 , 5 ~ x 0,48 '" 0,5 qui équivaut il
V 1/-1
/1 '" 0,52 x 0,48 x (1,96)2 + 1.
(0,02)2
Le nombre minimal de personnes sondées est donc
/1 = 2399.
2° Dans le calcul précédent, on remplace 1,96 par 2,58
et on obtient alors II = 4 155.
1 1 ° La calculatri ce donne pour moyenne et écart
type: x = 250 et CI' = 15,81 à 10- 2 près.
ZO Une estimation ponctuelle de m est 250, une estima-
tion ponctuelle de cr est 15,81 yrw, soit 15,89 ~ 10- 2:
près.
3° Un intervalle de confi ance de le moyenne m avec le
coefficient de confiance 95 % centré en x est l'inter-
valle:
[x - 1,96':;"; x + 1,96 J,; l
Avec x = 250, cr est estimé par 15,89 et II = 100, on
obtient:
[250 - 1,96 x 1,589; 250 + 1,96 x 1,589].
294
Donc un intervalle de confiance de ni au seuil de risque
5 % est [246,89; 253, II J.
II 1° On e!\t en présence de n tirages indépendants
débouchant sur deux. issues de probabilités
respectives: p = 0,26 et q = 0,74. La variable aléa-
toire X qui, à tout échantillon.aléatoire non exhaustif de
" paquets testés par le service te contrôle », associe le
nombre de paquets dont la masse apparti ent à l'inter-
valle l245, 255[ suit la loi binomiale œ(n ; 0,26).
2° " = 6.
P(X ~ 4) ~ Q(0,26)4(0,74)2,
P(X ~ 4) ~ 0,0375, P(x ~ 4) ~ 0,04 à 10-
2
près.
3° On ('herche la valeur minimale "0 de Il telle que
P(X"" 1) < 0,95 qui équivaut à P(X ~ 0) '" 0,05 et à
(0,74)11 '" 0,05 et à IIln(0,74) '" In(0,05) (la fonction ln
étant croissante).
O
. In (0,05) .
n obtient Il ~ --- SOit 11 ~ 9,949.
ln (0,74)
La valeur minimale 110 de /1 pour que P(X ~ 1) > 0,95
est donc 110 = 10.
lU } O La variable aléatoi re Y suit la loi normale
N(250' 15 8) l:l variable aléatoire T = Y - 250 suit la
, , , 158
loi normale centrée réduite .N'(O, 1). '
peY '" 245) ~ PU' '" 0,316),
peY '" 245) ~ 1 - TI (0,3 16),
P(Y'" 245) ~ 1 - 0,624,
P( y", 245) ~ 0,38 à 10-
2
près.
r La variable aléatoire Y su it la loi normale
.N'(m; 15,8), la variable aléatoire T = Y - III suit la loi
" 15,8
normale centrée réduite ..1., (0, 1).
P(Y'" 245) '" 0,1 équivaut à ptT '" 245 -III) '" 0,1
15,8
et à 245 - 11/ :s;: _ 1 28 >- 265 205
15,8 " '" - .,-
d'où 111 = 266g.
A, On cherche prA) ~ P(X'" 1).
La variable aléatoire T = X - 1,46 suit la loi normale
centrée réduite .N'(O, 1).
0,30
P(X '" 1) ~ p( X - 1,46", 1 - 1 ,46 ),
0,30 0,30
c'est-à-dire
P(X'" 1) ~ P(T'" - g:;g), P(X '" 1) ~ P(T'" -l,53)
P(T'" - 1 ,53) ~ TI(- l,53) et
TI(-1,53) ~ 1- TI(I,53)
Corrigés du chapitre S 295
Donc
P(X'" 1) ~ l -TI(l,53)
P(X '" 1) ~ 1 - 0,9370,
P(X'" 1) ~ 0,063,
c'est-a-dire PlA) ~ 0,06.
B. P Chaque épreuve est constituée par 100 e.xpé-
rien ces élémentaires indépendantes. Chaque expé-
rie.nce élémentaire peut déboucher sur deux résultats et
deux seulement : te Le poulet prélevé a un poids infé-
rieur ou égal à 1 kilo», événement de probabilité
p = 0,03, et te le poulet prélevé a un poids stri ctement
supérieur à 1 kilo », événement de probabilité
q ~ 1 - p, q ~ 0,97.
Donc la variable aléatoire Y suit la loi binomiale
00(100 ; 0,03).
r le paramètre de la loi de Poisson est À = np avec
fi = 100 et p = 0,03, donc À = 3.
3°PCC) ~ P(Z'" 4).
P(C) ~ p(Z ~ 0) +p(Z ~ 1) +p(Z ~ 2)+ p(Z ~ 3 ) + p ( Z ~ 4),
P(C) ~ 0,815, avec la table du formulaire, PCC) ~ 0,82.
C}O On choisit le pourcentage de poulets dont le poids
est inférieur ou égal à 1 kilo dans l' échant ill on comme
estimation ponctuelle du pourcentage p de poulets du
stock de poulets dont le poids est inférieur ou égal 3
1 kilo.
Donc p ~ 160, p '" 0,04 (ou p ~ 4 %).
r a) Un intervalle de confiance du pourcentage p avec
le coefficient de confiance 95 % est l'intervalle:
[
f - 1 \ 1 f(l - f) ; f + t \ 1 f( 1 - f) J,
V' 11 -1 V' n- 1
avec f ~ 0,04, 1 ~ 1,96, n ~ 100.
On obtient l'intervalle [0,001 ; 0,079].
b) La réponse est non.
Si on prélevait un très grand nombre de tels échan-
tillons, environ 95 pour 100 d'entre eux contiendraient
le pourcentage inconnu p de la population.
Chapitre 6
Réponses des travaux pratiques
TP 1
A.l° HO: fL = 130. Hl : fL " 130.
133.61 '" [1 26,87 ; 133, 13J.
Au seuil 5 %. la vitesse moyenne des automobiles pas-
sant à cet endroit est signiti cati vement diffé rente de
130 km/h.
2° 133,61 E [1 25,88; 134, 12J.
Au seuil l %, on accepte Ho.
B. 1°HO: fL = 130. Hl : fL > 130. 133,61 > 132,6.
Au seuil 5 %, la vitesse moyenne des automobil es pas-
sant à cet endroit est significati vement supérieure à
130 kmlh.
r 133,61 < 133,7.
Au seuil 1 % on accepte Ho et on Hl"
TP2
A. l ° HO: fLA = fLB· Hl : fLA " fLB·
4 '" [- 3,23; 3,23J.
Au seuil 5 €kt il y a une différence significati ve entre
les durées de vic moyennes des ampoul es fabriquées
par A et B.
r 4 E [- 4,26; 4,26J.
Au seuil 1 %, il n'y a pas de différence signifi cati ve
e ntre les durées de vic moyennes des ampoules fabri-
quées par A et B.
B. 1° Ho: J.LA = J.Ls" Hl : J.l.A > !-LB"
4 > 2,7 : on rejeue Ho et 0 11 accepte H ["
Au seuil 5 %, la durée de vic moyenne des ampoules de
l' entreprise A est significati vement supéri eure à cell e
de l'entrepri se B.
2° 4 > 3,8.
Au seuil 1 %, on arri ve à la mê me concl usion.
TP3
1°Ho: p = 0, 12. Hl : P " 0,50.
0,24'" [0,056; O, 184J : On rejette HO.
Au seuil 5 %, monsieur A a tort.
2° Ho : p = 0,33. Hl : p '" 0,33.
0,24 E [0,238; O,422J.
Au seuil 5 %, madame B a raison.
3° 0,24 '" [0,036; O,204J.
Au seuil 1 %, monsie ur A a tort.
0,24'" [0,268; 0,45IJ.
Au seuil 1 %, madame B a tort.
TP4
A. 1 °HO : P = p' . Hl : fJ " fi .
- 0, 1 '" [- 0,084 ; 0,084]; on rejette Ho.
Au seuil 5 %, il Y a une différence significati ve entre
les pourcentages d' unités de qualité supérieure obtenus
par les deux procédés de fabri cation.
2° - 0, 1 E l -O, ll ; 0, 11] ; 011 Ho'
Au seuil 1 %, il n'y a pas de différence signifi cati ve
entre les pourcentages d' unités de qualité supérieure
obtenus par les deux procédés de fabri cati on.
B.JoHo:p=p'· H ) :p< p'.
- 0, 1 < - 0,07 ; on rej ette Ho et on accepte HI '
Au seuil 5 %, les moditi cations apportées ont améli oré
signifi cati vement le pourcentage d' unités de qualité
supérieure.
2° d = -0, 1 est à la frontière de la région critique.
Il serait hasardeux de conclure, car les calcul s précé-
dents sont notamment entachés d' erreurs d' arrondis;
mieux vaudrait prélever de nouveaux échantill ons de
mê me tai lle que ceux-ci et utili ser ce même test avec
eux.
Corrigés des exercices
ŒJ
1°On pose T = X - 550.
195
VsO
T sui t la loi normale centrée réduite .N' CO, 1).
Donc P(550 - " X 550 + Il ) = 0,95 est équi valent
à p(550 - II - 550", X - 550", 550 + II-55, = 0 95
195 195 195 ' ,
VsO VsO VsO
p(- 1IY50 '" T '" 1IY50) = 095
195 195' ,
rr(IIY50 ) _ rr (II Y50) = 0 95
195 195 "
2rr ( A Y50) - 1 = 0,95 qui est équi valent à
195
AY50 = 1,96, II = 54.
195
L1 région d'acceptati on est donc
[550 - 54; 550 + 54J = [496, 6Q.lJ.
296
r Règle de décision . on prélève. au hasard et avec
remise un échantill on de 50 clients et on calcule la
moyenne x des achats des clients de cet échanti llon.
Si x appar tient à [496, 6041, on accepte Ho au seuil de
5 %. Sinon on rejette Ho et on accepte HI à ce même
seuil.
3° Pour l'échantillon observé x = 597 est compris
entre 496 et 604, on accepte Ho au seui l de 5 %, on
conclut au seuil de 5 % que la moyenne,... des ventes
est égale à 550 euros.
1° a) Choix de HO : la moyenne des chiffres d'affaires
journaliers de l'hypermarché après la campagne publi-
citaire est,... = 1,5 (million d'euros).
Choix de HI : j.L> 1,5.
b) Diterminatioll de la région critique: sous l'hypo-
thèse Ho, on a ,... = 1,5, donc Z suit la loi normale
X( 1,5; 0,3) et la vari able aléatoire centrée rédu ite T
associée à Z définie par: T v'3o (Z - 1,5) suit la loi
X(O,I)' 0,3
Par suite, P(Z :es;: h) = 0,95 équivaut successivement à
P(T '" v'3o (II - 1 5») ° 95'
0,3 ' "
n( v'3o (II - 1 5») 095' v'3o (II - 1 5) 1 645
0,3 ' " 0,3 ' "
Il 0,3 1,645 + 1,5, Il l,590.
v'3o
c) On prélève un échantillon non exhaustif de taille 30
dans la population des chiffres d'affaires journal iers
obtenus après la campagne publicit aire.
On calcule la moyenne,... de cet échantill on.
Si ,... :s;: 1,590 on accepte Ho, et on rejette Ho.
Si,... > 1,590 on rejette Ho, et on accepte HI'
r a) = 1,623.
b) ,... > 1,590 on rejette Ho> et on accepte HI'
On conclut, au seuil de signification 5 %, qu'à la suite
de la campagne publi citaire la moyenne des chiffres
d'affaires a augmenté, c'est-à-dire dépassé 1,5 million
de francs.
1° a) L'hypothèse nulle est Ho: p 0,02.
L'hypothèse alternative est HI : p *" 0,02.
b) On appelle F la variable aléatoire qui, à tout
échantillon de 50, associe le pourcentage de sporti fs
contrôlés positivement.
On admet que., sous l'hypothèse Ho, F suit la loi nor-
male X(p, p») où p = 0,02 et 11 = 50 donc F
sui t la loi normale X(0,02; 0,020).
On pose T F - 0,02
0,020
T suit la loi normale centrée réduite N(O, 1). Cherchons
un nombre réel positif (/ tel que
P(0,02 - a '" F '" 0,02 + ,,) 0,9, c'est-il-dire
p(- -"- '" T '" _"_) 0,9, 2n(_a_) - 1 0,9,
0,020 0,020 0,020
n(-"-) = 0,95. Par lecture inverse de la table du for-
0,020
mulaire on obtient:
0,;20 1,645, donc " 0,0329, li = 0,033.
On prend comme région d'acceptation du test
1 [0,020 - 0,033; 0,020 + 0,033].
1 [-0,013; 0,053].
c) É1lolld de la de décision: on calcule dans un
échanti llon aléatoire, supposé non exhausti f, de
taille 50, le pourcentage f d'individus sportifs contrô-
lés positivement.
Si f E l on accepte Ho et l'échantill on observé est
représentatif de J'ensembl e de la population sporti ve au
seui l de risque de 10 %.
Si f fi. 1 on rejette Ho et on accepte Hl' Dans ce cas
l'échantillon obse,rvé n'est pas représentatif de l'en-
semble de la population sporti ve au se-uil de risque
de 10 %.
2° Application du
Dans l'échantillon 2 contrôles ant idopage ont été
déclarés positifs sur 50 donc f 0,40, f E 1.
50
Par conséquent Ho est acceptée et l' échantillon obser vé
est représentatif de l'ensemble de la populati on sporli -
ve au risque de JO %.
1 °Construction du test
a) Choix de Ho : p 0,5.
Choix de HI : p > 0,5 (Je candidat est élu au premier
tour); il s' agit d'un test unilatéral.
b) Détermination de la région critique au seui l 5 %
Sous l'hypothèse Ho, F suit la loi normale
X(0,5; 0,ül5 3).
Donc F - 0,5 suit la loi normale N(O, 1).
0,0153
Alors p(F - 0,5 '" ,) = 0,95 pour 1 1,645.
0,0153
Donc P(F '" 0,525) = 0,95.
Corrigés du chapitre 6 297
c) Énoncé de la règle de décision
On prélève un échant illon aléatoire, en principe non
exhaustif, de taille 1068, dans la population des 85 842
électeurs. On calcule la fréquence f des intentions de
vote en faveur du candidat.
Si f:S;: 0.525, on accepte Ho et on rejette donc Hl'
Si f > 0,525, on rejette Ho et on accepte donc Hl'
d) Utilisatioll du test
• Calcul de f: f 550 0,515.
1068
• Application de la règle de décision
0,515 :s;: 0,525 ; on accepte HO et on rejelll! Hl' Au seuil
5 %, au vu des résultats du sondage, on ne peut accep-
ter l'hypothèse selon laquelle le candidat sera élu au
premier tour.
2° Avec le seuil 1 %, on remplace t = 1,645 par
t = 2,32; la région crit ique devient l'intervalle
] 0,535; + co [ qui ne contient pas f. On rejette
encore Hl'
L'estimation ponctuelle de l'écart type de Fest
'\ (j(l='f) où Il = 100 et f = 0,25 correspondent au

premier échantill on: CfF = 0,0435.
De même pour F' avec II = 400 et f' = 0,33 :
<IF' 0,0235.
En tenant compte des lois suivies par les variables aléa-
• Énoncé de la règle de décision
On prélève un échanti ll on aléatoire non exhaustif de
taille 100 de la population et on calcule le pourcentage
f de réponses favorables au produit nouveau.
On fait de même un mois plus tard avec un échantillon
de taille 400 issu dans les mêmes conditions de la
même population et on calcule j'.
Soit d f - f'.
Si li E [- 0,097; O,097J, on accepte Ho.
Si li fi- [ - 0,097; O,097J. on rejette Ho.
Utilisation du test
• Calcul de d : li 0,25 - 0,33 0,08.
• Application de la règle de décision
- 0,08 E l- 0,097; 0,097J; on accepte Ho·
Au seui l de 5 %, le pourcentage d'opinions favorables
au produit nouveau dans l'ensemble de la population
n'a pas changé significativement en un mois.
Partie A
La variable aléatoire X suit la loi normale .N'(25 ; 0,1).
La variable aléatoire T = X - 25 suit la loi normale
" 0,1
centrée réduite J, (0, 1).
1
0
P(24 75'" X '" 25 25) p(-0,25 '" T '" 0,25)
, , 0,1 0,1 '
toires indépendantes F et F', là variable aléatoire P(24,75:S;: X:s;: 25,25) = 2n(-2,5)- l,
D F - F' suit la loi normale de moyenne P(24,75 '" X '" 25,25) 2 x 0,9938 - l,
E(F) - E(F') p - p' et d'écart type P(24,75 '" X '" 25,25) 0,9876, à 10-
4
près.
VU2F + up. = 0,0495.
Construction du test
• Choi. de Ho : p p'.
Choix de Hl : P *" p'.
• Déterminaüon de la région critique au seuil 5 % :
Sous l'hypothèse HO' D suit la loi normale de moyen-
ne 0 et d'écart type 0,0495.
Donc __ D_ suit la loi normale N(O, 1).
0,0495
p(- t :s;: __ D_ '" r) = 0,95 pour t = 1,96.
0,0495
Donc P(- 0,097'" D '" 0,097) 0,95.

, ,
1 0,95 1
0: 025

- 0,097 0.097
r On cherche le réel a tel que
P(25 - a :s;: X :s;: 25 + a) = 0,95 ce qui équivaut à
p(-a '" T ",!!...) 0,95 et à 21I( !!...) - 1 0,95 et à
0,1 0,1 0,1

0,1 "0,1 ' ,
Partie B
1° Sous Ho, X suit la loi normale .N'(25; 0,1), X suit la
loi normale X(25 ;v%lo) soit .N(25 ; 0,01);
2° a) T = X - 25 sui l la loi normale centrée réduite
0,01
X(O, 1), P(25 - h <X '" 25 + h) 0.95
équivaut à - 1 0,95 et il 0,975,
0,01 0,01
1,96, il 0,0196 à 10-
4
près.
0,01
298
b) Pt24,9804 '; x.; 25,0196) = 0,95.
Si Ho est vraie on il 95 % de ch::mces de prélever un
échantillon aléatoire dont la moyenne appartient à J'in·
tervalle 1 = [24,9804; 25,0196J. soit 5 % de chances
que cette moyenne soit à l'extérieur de 1.
La région critique est l'extérieur de l'intervalle
1 = [24,9804; 25,0196J.
de décision
On prélève un échanti llon aléatoire, non exhauslif, de
taille 100.
On calcule sa moyenne x,
si xE Ion accepte Ho et on rejette Hl ;
si i fi , on accepte Hl et on rejette Ho'
3° Utilisation dit It!st
a) Avec la calculatrice on trouve i = 25,0150.
b) 25.0150 E [ [24,9804: 25,0196]. On accepte l'hy-
pothèse ]J. = 25.
On conclut. au risque de 5 %, que la moyenne des
masses des liges de la production est = 25 donc que
la machine est bien réglée.
1 1° La variable aléatoire X suit la loi normale
X(400, 40). La variable aléatoire T = X - 400 suit la loi
100
normale centrée réduite N(O, 1).
P = P(X'; 318) = PtT.;- 2,05),
p = 1 - nt2,05),
p = 1 - 0,9798, p = 0,0202 à 10-
4
près.
2
0
a) Les prélèvements aléatoires sont supposés avec
remise. On est donc en présence d'une succession de
50 épreuves indépendantes, chacune ayant deux
issues: moteur non commercialisable de probabi lité
constante 0,02 ou moteur commercÎalisable de proba-
bilité 0,98.
y suit la loi binomiale 91(50 ; 0,02) .
IV = 2) = SotO,02)2(0,98)48,
P(Y = 2) = 0. 186 il 10-
3
près.
b) = np = 50 x 0,02, À = 1, Ysuit la loi
PtY ';3)= 0,981 , P(Y';3) = 0,981 il 10-
3
près
(calculable par la loi binomÎ'lle ou la loi de Poisson).
II 1
0
À l'aide de la calculatrice, on trouve:
"'1 = 398,8 et al = 39,38.
r Choix de Ho: MI = M
2
ou MI -M
2
= O. Choix de
HI :M
l
-:f:.M
2
·
"D= _1 __ 2=565
Y
cr
2
+ (T2
100 '
a) Sous l'hypothèse Ho, D su it la loi normale
N(O ; 5,65). L..1 vari able centrée réduite T =...R...- suit la
loi normale centrée réduite )( 0, 1). 5,65
Pt- il .; D.; il) = 0,95 équivaut à
p( .; T .; _il_) = 0,95.
5,65 5,65
La table donne -'-'- = 1,96, d'où" = 11 ,07 et
5,65
P(-11,07 "" D.; 11,07) =0,95.
b) de dlcisioll
On prélève deux échantillons aléatoires non exhaustifs
de taille 1 00 les productions de MAT et MATie et
on calcule leurs moyennes ml et m'2'
Si ml - 1112 E [-11,07 ; Il ,07], on acceple HO et on
rejette Hl'
Si 111
1
-"'2 [-11,07; Il ,07], on accepte Hl et on
rejeue HO'
c) Utilisation du
m
l
-m2 = -8,
-8 E [- 11,07 ; Il,07J, on accepte Ho.
On conclut , au seuil de signification 5 %, qu'il n'y a
pas de différence signiti cati ve entre les productions des
deu,. filiales.
Chap[tre 7
Réponses des travaux pratiques
TP 1
2'
100 .. ,1 r T

T

1 ±
,
J
cc
t
0
f

t t

f f
l
50 Il ..r
,
36,8%
C

,
t
,
Ji
f;.
r
t
t
t
r
1
t
-
,
!!
r
J 320 4""

J
100
'00 300 400 500 600 700
MTBF

Corrigés du chapitre 6 299
MTBF = 460 heures.
3" = 0,0022; R(t) e - 0.00"'.
4" to = 319 heures; R.f.r
o
) = 0,75.
TP2
1" a) = 0,0015. R(r) = e- O,OO15,.
b) P(X '" 500) = 0,472. P(X > 1000) = 0,777.
ZO a) P(A) = 0,407; P(B) = 0,259; P(A n B) = 0,259.
b) P(BIA) = 0,638.
TP3
1" a) r = 0,9960 = 1.
b) L'ajustement est linéaire donc "Y = O.
c) y=4, lx- 17, 12
13 = 4,1 ln 'Tl = 1 'Tl = 65.
ZO 13 = 4,1 A = 0,9077 MTBF = 59.
( ')"1
3" e 6,5 = 0,9 t = 37,5.
La périodicité d'un e ntretien systématique basé sur une
fiabilité de 90 % est donc de 37 jours.
TP4
Partie A
.. ----- ----------------------
-_ J' • ..... • ,.
- ----- r--- ------------
- ,
* 1
101- - ____
'Tl = 1100 ; 13=2.
R(t) = expH 1 /00)']
, ,
, ,
r MTBF = 975 heures; cr = 509 heures.
3° t = 360 heures.
4"4 %.
5" = 1,65 x 1O-
6
t.
B
2° MTBF = 1 975 heures; CT = 509 heures.
4" 43 %.
5" = _2_(t- 1000).
1100 1100
Corrigés des exercices
[!]
1" peT '" 70) = F(70). T suit une loi e!'t ponentiell e :
R(t) = e-". R(70) = 0,95 éq ui vaui à e-
70
' = 0,95 el
à - = ln 0,95.
D'où À =
-lnO,95
, À = 7,32 X 10-
4
70
2" MTBF = t, MTBF = 1 365 heures. fI = MTBF.
3" peT > 30) = R(30), R(30) = e-
O

02l96
,
P(T> 30) = 0,9782.
0
1
0
On détermine R(t) et F(/) par la méthode des rangs
: F(ti) = peT fi) est estimé par le rapport
-'-, où ; désigne le rang et fi la taille de l'échantillon.
Il + 1
Le pourcentage unitaire est donc 1/12 = 8,3 %, d'où le
tableau:
',(en_) 1"(',) (en -.) R(',) (en-.)
14 8,3 91,7
20 16,7 83,3
50 25 75
64 33.3 66.7
67 41,7 58.3
100 50 50
130 58,3 41,7
135 66,7 33,3
212 75 25
224 83,3 16.7
348 91.7 8.3
On place les points de coordonnées (ri' R{t;» sur du
papier semi. logarithmique (fig. 3). Les points sont sen·
siblement alignés; la droÎte d'ajustement passe par le
point de coordonnées (0, 1). La variable aléatoire qui, à
chaque pièce JB 007 tirée au hasard. associe son temps
de bon fonctionnement, suit une loi qui peut être appro·
chée par une loi exponentielle.
La fiabilité est R(r) = e-),/, où À = MisF (voir for·
mulaire); donc R(MTBF) = = e- l,
SOli R(MTBF) = 0,368.
D'après le graphique, R(t) = 36,8 % pour t 145 h,
MTBF 145 h, = _1_, d'où 0,007.
145
Avec À = 0,007, la fiabilit é à l' instant r est donc
R t ()
= e-
0
.
007
/.
300
'00 ,,f il
,
,
T
6
h
! r
't

t
$1'
ft
,

r
r
,
36.8 " _+-__
d, !
,

30 145
J
t t
100 MTBF
300 400"
'00
(heures)
Fig. 3
2° À j'instant 'O. la fiabilité est de 80 % si, el seule-
ment si, e - O.OO7/(l = 0,8.
qui est équivalent à - 0,0071
0
= ln 0,8;
d
· . In 08 3' h
ou 10 = ---.1
0
""" _ eures.
0.007
Graphiquement, il suffit de trouver l'abscisse du point
de la droite d'ajustement correspondant à l'ordonnée
80 %; on trouve '() = 30 heures.
3° Désignons par TI el T'1les deux variables aléatoires
mesuranl les temps de bon fonctionnement respectifs
de deux pièces J B 007 lirées au hasard.
Soit R
1
(to) e l R
2
(to) les fiabilités respectives de ces
deux pièces et soi! Rs(to} la fiabilité du système élUdié
à l'instant 10'
Lorsque le système esi conslitué par le montage en
parallèle de deux pièces J8007.
RsC.lo) = P(T, > lU oU T, > (
0
),
= 1 - peT] 10 et T
2
10}'
Les deux pièces fonctionnent de manière indépen-
dante, donc RsC.lo) = 1 - p(T, "" (
0
) x (T, "" (
0
)
1- ri - R,(to)] x [1 - R,(to)]
1 - (1 - 0,8) x (1 - 0.8)
1 - 0.2'
RsC.lo) = 0,96.
4° En utilisant les notati ons précédentes, quand le sys-
tème est est constitué par le montage en série de deux
pièces JB007, RsC.lo) = PtT, > (
0
) e' T, > (
0
),
Les deux pièces fonctionnent de manière indépen-