Vous êtes sur la page 1sur 268

, .

Chapitre

Statistique descriptive
1 .

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, ...

À l' origine (da ns l'ancienne Babylone, 3000 ans avant Jésus-Christ, en


Chine, plus de 2000 ans avant Jés us-Christ, et en Égypte, vers 1700
Le mot statistique, traduction du avant Jésus-Christ) la statistique rassemblait des renseignements
mOI allemand Srafisfik, apparu au concernant des populations (les premiers recensements permettaient
milieu du XVIIIe siècle, vient du de connaître le nombre des habitants d'un pays et leur répartition par
mOI latin SfCI/US : él:lI.
sexe, par âge , par « catégorie socia-professionne lle », ... ) et l'économie
(évaluatio n des ressources, de l'état des stocks, ... ), ce qui explique le
vocab ulaire encore utilisé actuellement. Les méthodes statistiques sont
aujourd'hui employées également en médecine (évaluation de l'effica-
cité d'un médicame nt, 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 (organisa-
tion scientifique du travail, contrôle de qualité, gestion des stocks, .. . ),
et dans bien d'autres domaines.
, ,
A. SERIES STATISTIQUES A UNE VARIABLE
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)


Peul-on. en quelques jours. interro- Un échantillon (o u lot) est une partie (ou sous-ensemble) de la popu-
ger tous les é l ecteu r.~ de France lation considérée.
avant une élection présidentielle?
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.

Chap. 1 : Statistique descriptive 13


Caractère
Le caractère étudié est la propriété observée dans la population ou
l'échantillon considéré: par exemple, la région de résidence de chaque
Le dernier recensement, en France, Français observée lors du dernier recensement, ou le nombre d'enfants
a eu lieu au printemps de 1999, par famille observé à cette même occasion, ou encore la taille des
élèves d'un lycée.
Le traitement des données relatives Dans ces deux derniers exemples, le caractère est dit quantitatif, car il
à un carac tère quantitatif et il un est mesurable; ce qui n'est pas le cas dans le premier exemple où le
caractère qualitatif est différent caractère est dit qualitatif.
par exemplt', on peut définir une
taille moyenne pour les élèves du Dans le deuxième exemple, le caractère quantitatif est discret, car il ne
lycée A, mais pas une région peut prendre que des valeurs « isolées » (ici entières) alors que, dans le
moyenne de r~sidence pour les troisième, le caractère qualitatif est continu, car il peut prendre, au
Français. 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
Les t'las~es sont non vides et telles Une classe est un so us-ensemble de la population correspondant à une
que tout é l ~ment de la population même valeur ou à des valeurs « voisines» prises par le caractère: par
:lppartient tI une classe et à une exemple, les habitants de la région Champagne-Ardennes, ou les
seule.
familles de deux enfants, ou les élèves du lycée A dont la taille (e n cm)
appartient à l'intervalle [165, 170r.

• Effectif
L'effectif d'une classe est so n nombre d'éléments,
Ainsi, une série statistique à une variable peut être définie par un
Voir l'énont'é du TP 3, tableau de la forme:

l ''l' 1
ème
Le choix du nombre de classes p est le nombre de classes et n; l'effectif de la i classe.
dépend du contexte de l'étude sta~ L'effectif total" est tel que:
tistique \'oir la remarque en
11= 11 1 + "2 + ,.. + Il i + .. + "p' que l'on convient de noter,
marge, au début du paragrJ.phe 2.
p
Cette not.ation, plus courte. év ite
l'ambiguïté des points de suspen- Il =.I
,= l n·,' que l'on lit « somme de i égale 1 àp de Il·
,
».
sion.
• Fréquence
Une fréquence peut au~"i corres~ La fréquence d'une classe est la proportion d'individus de la popula-
pondre à un pourcentage: voir le tion (ou de l'échantillon) appartenant à cette classe.
paragraphe c.
On en d~duit "i = fi'" Ainsi , la i ème classe a pour fréquence f., = '.Il!.i..
On remarque que la somme des fréquences de toutes les classes est:
p
I.
j=I'
f. = ~
11
+ "112 + ... + ~
n
+

14
p p

On rencontrera des résull:us ana- Puisque ~


i=1
II· = 11,
1
nous obtenons L f
i=1 1
= 1.
logues dans la deuxième partie
D'autre part, 0 ~ fi ~ ], pour tout entier i compris entre 1 et p.
calcul des probabilités.

c. Graphique
• Caractère qualitatif
On considère le tableau ci-contre relatif
aux ventes de voitures neuves en France Maque ~
en 1999. La propriété étudiée dans la
Renault 28%
population des voitures neuves vendues
en France en 1999 est la marque: c'est un PSA 29.2 CJ.
caractère qualitatif qui prend trois valeurs
ou modalités permettant de définir trois Marques
classes avec leurs fréquences: étrangères 42,8 %

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-
Fréquence
1- 0,280
- 0,292 0,428

teur circulaire
d'angle a (a en
Voici trois graphiques possibles pour cette série statistique:
radians) et de
rayon Rest
lR 2
2 a. R % Diagramme à secteurs circulaires
Fig. 2 Chaque classe correspond à un secteur
circulaire dont l'angle ou J'aire est pro-
Traditionnellement, on utilise un
portionnel à l'effectif, donc à la fréquen-
demi-cercle pour représenter la
composition de J'Assemblée natio-
ce, de la classe. Ainsi, l'angle pour
nale suivant les groupes politiques. Renault mesure en degrés:
0,280x 360 = 100,8.

Diagramme en tuyaux d'orgue Diagramme en bandes

Ren:.i.ult
28,2 %

PSA
J.<%

28.2 % 34,..
On rencontre aussi des diagrammes
rep~sentant, par exemple, des voi-
tures de taille variable.
Attention! Quelle est alors l:l Renault PSA Étrangères
com·enlion utili sée?
Fig. 3 Fig. 4
L'effel'tif d'une classe est-il pro-
portionnel tlla longueur seule, ~ la Dans les deux diagrammes précédents, chaque classe est représentée
hauteur seule, ou tll'aire de la voi- par un rectangle de même largeur et de longueur proportionnel1e à l' ef-
lure ainsi dessinée? fectif, donc à la fréquence de la classe.

Chap. 1 : Statistique descriptive 15


.......... _d·_.. . . . :
On a obtenu les résultats suivants:
Le choil( des dasses du type
la" hil. Ill i +1' h;+ Il.
"i +
avec
1 = hi permet 1ItQUl élément de
la population, y compris a j + 1 ="i'
d'appartenir 11 une classe et 11 une
(ca_l
[0.500[ 5
--
........
5
seule. [500. l OOO[ 12 17
On aurait pu aussi choisir JlIj, hi].
[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

Toules les autres classes ayant la [5500.6000[ II 995


même amplitude 500, on convient
6000 et plus 5 1000
d'assimiler la cla!>!>e .. 6000 et
plus » à [6000. 6500[. TOTAL 1000

Il en est de même pour l'histo- Dans un hi slogramme des effeclifs, les effectifs des classes sonl pro-
gramme des f~quences, celui des portionnels aux aires des rectangles représentant les classes (fig. 6).
effeclifs cumulés, et celui de" fré-
quences cumu lées. Histogramme des effectifs

Effectif
180 1- -
r-
160 1--
140 1-
120 - r-

100
80
r- -
60

40

20

0
-rf 1 000 2000 3000 4000
rh
5000 6000
Montant (en euros)
Fig. 6

Dans les autres cas, la ~alisation ct Dans l~ cas où toutes les c/asst!s ont mêm~ amplitude, comme ci-des-
l'ulilisatjon d'un hh.togramme Mlnt sus, les effectifs sont proportionnels aux longueurs des rectangles
techniquement plus difficiles. représen tant celles-ci.

Chap. 1 : Statistique descriptive 17


Remarques
Pour chaque classe, on suppose que 1. Dans certains cas, on peut être amené à tracer la ligne polygonale
tous les éléments sont situés au des effectifs en joignant par des segments de droite les milieux Ci des
milieu de la classe: on passe ainsi largeurs supérieures des rectangles de l'histogramme des effectifs.
d'un caractère continu il un carac-
tère discret. 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.
Attention: mis il part les points Ci'
le~ points du polygone des effectifs
n'ont aucune signification st~ltis­ Effectif
tique. On observe cependant des 180
égalités d'aires (fig. 7).
160
80
140
70 aires égales
120
60
100
50
80
40
60
30
40
20
20

0 1 000 4000
2 000 3 000 5 000 6 000
1000 2000 Montant (en euros)
Fig. 7 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-
Le passage du discret au continu se tats où l'unité de longueur est le centimètre:
traduit pour les classes par le rem-
placement de chaque nombre Xi par 170 171 172
l'intervalle [x; ~ ~,Xi + ~[
2 5 4
où.! = Xi + 1 ~ Xi
2 2'

On rencontrera une situation ana- En réalité, vu la précision des mesures, les deux personnes dont la ta.ille
logue dan s le chapitre sur les indiquée est 170 cm ont une taille comprise entre 169,5 cm et 170,5 cm.
variables aléatoires.
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

Ces situations se rencon lre.nt fré- D'autre part, lorsqu'on s'intéresse à des sommes d'argent exprimées
quemment en économie et en ges- par exemple en euros, on considère généralement, lorsque les effectifs
tion.
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
2. CARACTÉRISTIQUES DE POSITION
LL statisticien est confronté au pro- Dans le paragraphe A., on a commencé à condenser les informations
blème du choix du nombre de pour les rendre plus lisibles: on est ainsi passé d ' une liste de plusieurs
classes: prendre un grand nombre dizaines. centaines. éventuellement milliers. de données à un tableau
de classes rend malai'iée la lec ture
du tableau ou de la représentation
ou à un graphique reposant sur un regroupement de celles-ci en
graph ique, mais présen'e un maxi- quelques classes.
mum d'informations (~\'en!ue ll e­ On va synthétiser encore davantage l'information pour les caractères
ment trop, (,'ar certains phénomènes quantitatifs en cherchant quelques nombres permettant de décrire au
marginau x ou M!condaires peuvent
mieux la population observée.
masquer la présence d'autres plu s
essentiel s); en revanche, ne retenir La première idée concerne naturellement la « tendance centrale» de la
que très peu de das~s fa \'uric;e la population; mais cela signifie-t-il calculer une moyenne (comme pour
simplici té de la lecture du t:lblcau les notes d' un élève), chercher un nombre séparant la population en
ou de la repré<>entalion gmphique,
deux parties représentant chacune 50 % de l'effectif total ou, plus sim-
mais peut don ner une vi ... ion si m-
plbte et caricatumle de la popula- plement, choisir la (o u une) classe de plus grand effectif?
tion étud iée. Ces trois points de vue présentent de l'intérêt et conduisent à définir
des caractéristiques de position utilisées en statistique.

a. Moyenne
Définition
Une moyenne est définie par une La moyenne arithm~tique de fi nombres XI' X2' ••.• Xn est
formule; au<;~i convient- il d'inter-' _ XI + X2 + ... + xn 1 ~
préter le r~sullal obtenu , par x= = - ~ x;
exemple, 0,9 enfant par foyer. fi fI;= 1

Les séries statistiques (à une variable quantitative) étudiées les années pré-
cédentes se prése ntent directement ou indirectement sous l'une des trois
formes suivantes:
1er cas: la liste des 11 éléments XI' x2' ...• x; • .... XII'
2e cas: le tableau des effec tifs "; des p classes Xi'
3' cas: le tableau des effectifs "i des p classes [{Ii' bi [ de ce ntre
a· + b·
c.=-'--
, 2 '
La plupart des calculatrices ont une La moyenne arithmétique est alors obtenue à l'aide de la formule sui-
touche .i". Voir les pages calcula· vante, le calcul étant effectué à la calculatrice:
trices :':l Ia fin de cel ouvr.tge.

11':r cas
t _ ,Tl + X1 + ... + Xn
. - Il

11 1-"J + ... + II,rp


x=
"
"I CJ + ... + "/:p
Dans le troi~i~m e cas, celte formu- x=
le ne donne en général qu 'une "
valeur approchée de x. Remarques
1. Dans le deuxième cas, la population est donnée avec autant de pré-
cision que dans le premier. Au contraire, dans le troisième cas, nous ne
connaissons pas la valeur exacte de chaque élément à l' intérieur de sa
classe [ai' bi [.

Chap. 1 : Statistique descriptive 19


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' bj [, 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' bj [, les Ilj éléments sont uniformément répartis; dans ce cas,
Voir le TP 3. 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 ' on a:
II
/1 Il

mvelopper la somme du premier I (axi + h) = a i=I 1 Xi + lib.


i= 1
membre. mettre li en facleur et
. 1. I"= 1 Xi.)+ b.
1. I" ("xi + b) = a (ni
regrouper les b.
Une autre propriété de la moyenne
Donc, en divisant par Il :
l1i=1
est énoncée au début du para-
graphe 3. 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_

Voici l'idée à retenir concernant


la médiane.
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
En économie, on utilise en général 1. Pour obtenir la médiane d'une population, on classe ses éléments par
des données ~s nombreuses. 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
Voir l'exercice corrigé nO3. d'un histogramme des effectifs cumulés ou des croissances cumulées

20
en faisant l'hypothèse supplémentaire: les éléments de la classe conte-
nant la médiane sont uniformément répartis.
50 % 50 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-
1 1
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.
Le mot mode, masculin e n statis- 3. Le mode (resp. la classe modale) est l'élément (resp. la classe) de la
tique, a pour origi ne le mot féminin population correspondant au plus grand effectif.
mode qui correspond à une tendan-
ce 4< dominante » .
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 population s.

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 cel1es de B on t 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 moyenn e Il :
1
Pour A: 7 [(7 - Il ) + (8 - Il) + ... + (13 - Il )] = O.
Il en est de même pour B.
Ce rés ultat est général:
En effet, celte moyenne des écarts ft [(x , - x) + (x 2 - x) + ... + (x,,- x)] = O.
peUl s'écrire
Cela tient au fait que, dans cette somme, il y a « cOffi:pensation » entre
les termes positifs et les termes négatifs.
=x-x On peut surmonter cette difficulté en considérant une somme « voisi-
~O .
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
En remplaçant x par Mf, on définit L'écart absolu moyen de Il nombres xj par rapport à leur moyenne.i est
l'écart absolu moyen paf rapport à
la médiane.
• = hU x , -xl + 1-'2 -xl + ... + lx" -xl]·
Pour A: t! = 2; poUf B: t! "" 3,7.

Chap. 1 : Statistique descriptive 21


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
-, -;)~
1"1 - .n- + ... + (x" -
V n
L'écart type eS! (T = VV.
-
Voir le paragraphe 2.a. ci-dessus. 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 ] - :\? + ... + (xn -if = Xj+.T2+ ... + x;. - -,
Cc .. résull .. ts sont 'ldmi :-.. l ~r cas v= x~

Lü plupart des çakulatriçes don-


" "
nent (J'. Il](X] - x)2 +. . + IIp (Xp - -x) 2 _ " ).li' + ... + "J1''t:'p _ j'2
2e cas v=
Voir les pages calculatrkes h la fin
de cel ouvrage.
" "
- , , ,
lI](c]-xf + ... +lIp <cp - x t_/]ci + . . + " p (Î, -,
3e cas v= n
- X·
"
Dans lous les cas, l'écarl type est (T = VV,
Remarques
Voir la remarque 1 du paragraphe 1. Dans le troi siè me cas, la formule donnée pour V est valable lorsque,
2.a. dans chaque classe [ai ' h i [, tou s les éléments sont concentrés au milieu
Ci de cette classe, mais 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; dan s ce cas,
Voir le TP 3. 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
"4 "
4 "
4 "4
25% 25 % 25 % 25 %

Les nombres QI' Q2 = M e. Q). sont les quartiles.


Dans l' intervalle [QI' Q) l sont situées 50 % des valeurs observées.
E . .. . Q,
n économ ie. on utlhse aus". Q Le nombre Q) - QI est l' interquartile; c'est un indicateur de disper-
comme indicateur de dispersion. r sion .
Nous pouvons définir de même des déciles DI ' D 2• ...• D9 en rempla-
1 2
çant 4' 1 JO
4' 43 par JO' 2
' .... 109 et 1' mterquartl
· ·1e par 1'·InterdeCI
- ·1
e
D9 - Dl· On peut également définir des centiles.
Voir Je paragraphe 2.c. Par exemple. en 1999. 10 % des salariés gagnaient moin s de
Dl = 5720F et 90 % moins de D 9 = 17000F.
• Un franc est égal à 0.15 euro.
Propriété
Étant donné des nombres réels a et b. et Il nombres x; , on définit . pour
tout i, les nombres xi par xi = {LX; + b.
V (resp. V') étant la variance des Il nombres x ; (resp. x;). on a
Comparer ces ~~ul tats à ceux obte-
nus pour la moyenne au paragr.whe
2.c. V' - G2V._o' - ...

B.SÉRIES STATISTIQUES À DEUX VARIABLES


1. TABLEAUX DE DONNÉES.
NUAGE DE POINTS
Ce lien n'esi pas n ~ssairt me n l On observe que, dans certains cas, il semble exister un lien entre deux
une relation de cause à effet. caractères d' une population. par exemple entre le poids et la taille d' un
nou veau-né, entre l'épaisseur d'un mur et sa rés istance thermique,
entre le chiffre d'affaires et le montant des charges d' une entreprise.
entre la consommation et la vitesse d'une voiture...
Pour étudier d'éventuelles liaison s, 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 X I ' .. . , Xi' ... , Xn et )' 1' ... , Yi' ...• Yn ·

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 variable x (en cm).

Chap. 1 : Statistique descriptive 23


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
Si rune des deux variables est le Une entreprise fabrique et vend des lots de circuits électroniques.
temps, on peUl chercher à meure en
Le tableau suivant indique le pourcentage y de circuits d' un lot qui ont
I!vidence une ~\'o luli on.
une panne au cours de x semestres d'utilisation:
On peUl traiter comme des sl!ries
statistiques à deux variables les
sl!ries l'hronologiques qui concer-
ffIlI 1 2 3 4 5 6 7 8 9 10
nent un seul caractère dont les
2 4 8 14 17 20 23 27
valeurs sont relevées à des dates
différentes (températures conWIll-
Y, 0
"
mations. valeurs du chiffre d'af-
faires .... ). Dan'> ce cas Xi peut être
le rang. d'une annl!e. d'un
semestre.

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'
L 'ells~mbledes 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 2OC/W

4 • •
3

2 ••
Le choix des unirl!s dl!pend des ••
valeurs du tableau.
1
• Fig. 9
o 2 4 6 8 JO 12 15 20
Éoaisseur en cm
24
,

Dans l'exemple 2, on obtient le nuage de la figure 10.

Consom mation 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 (fig ure 10), un ajustement affine ne convient pas; on
C'est-à-dire une courbe d'~quation peut penser à « approcher ,. le nuage par une parabole.
y = ax::! + bx + c.
Dans le cas des exemples 1 et 2, on vient d'observer qu'il y a un lien
(en statistique, 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 = -n~~ x·1 et -Vc = y = n""-t
- ~ -,v"
i- 1 ;., 1

Dans l'exemple l , vérifier que le point moyen est G(9,625 ; 2,5).

Chap. 1 : Statistique descriptive 25


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.
Ce tracé au jugé, offre bien !'.ùr, Un moyen d'y parvenir est de tracer au jugé une droite D passant le plus
beaucoup de Mllutions, et le choix près possible des points du nuage, d'équation de la forme y = wc + b,
d'une droite n'est pas toujours
et d'admettre que les valeurs Yi de la résistance et de l'épaisseur Xi sont
faci le,
liées 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)
Pour le coefficient directeur, 011 est y = 0,22x + 0,33.
prend la valeur approchée arrondie
Quelle résistance thermique peut-on espérer obtenir avec une couche
à 10- '-
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 G2 de ces deux nuages partiels.
La droite (G I , G2), ou droite de Mayer, constitue une . bonne » droi-
te d'ajustement dans le cas où le nuage est allongé.
Arrondir à 10- 2. Vérifier qu'une équation de (G I G2) 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
Le vérifier sur cet eltemple. 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
C'est le cas d'un nuage de points repère d'origine 0, par un nuage de II points Mi (Xi' Yi) paraissant jus-
allongé, à la différence d'un nuage tifier un ajustement affine.
plutôt circulaire ou uniformément
r~parti dans un disque.
Le problème est de déterminer quelle droite est susceptible de rempla-
cer « au mieux li) ce nuage de points.

26
Pour trouver cette droite, il est nécessaire de préciser les critères utili-
sés.

On peut éwntuellement passer b. Première condition


directement au paragraphe d.
Voir 2.a. 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 ,
Cela revient. du point de vue Mat is· nous pouvons privilégier l'axe des ordonnées: en notant Pi le point de
tique. à cn~er une di~symétrie entre même abscisse xi que Mi et situé sur la droite D d'équation y = ax + b,
la variable statistique prenant les cet écart est mesuré par la différence des ordonnées de M; et 1';.
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; so ient
y
approchées • au mieux • par D
cu; + b. M,
Yi --------
\. = IU+ b
ax;+b --------

o X;
X

Fig, Il

YM. - Yp'. = Yi - (ax;


1 1
+ b) car Yp.., = ax; + b, -"M. - Yp'. = Yi - axj - b.
"

La répartition « équilibrée » des points Mi du nuage au-dessus et au-


n
~définition. P;M; = Y"'i - )"p;" dessous de la droite D, correspond à la relation.~ P;M; = 0, c'est-à-
1=1
PjMjse lil « P;M, barre •.
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/

~ 1 PM
Or i= 1 1
= ~ (y - ax1 - b),
;= 1 1

.L"
1 =)
PM·
1 ,
= YI - ax) - b + )'')- - aX2 - b + ". + -"n - ax" - b,

"
;~I P;M; = (YI + )'2 + ... + y,.) - a (XI + x2 + ... + x,.) - /lb,
" " P,.M,.
~
y= YI + Y2 +n ... + ·.donc
)'"
i~l = Il.v - anx
fjA.l; - nb, 1= )
= Il (v - a.f - b).
Il)' = YI + )'2 + ... + Yn ,
"
La condition i~) 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


Conclusion
Étant donné un nuage de Il points Mi (Xi' Yi)' une droite D satisfait à la
·Le cas particulier de la droite paral-
"
condition ;~ 1 1) AI; = 0, où Ij est la projection de M; sur la droite D
lèle à l'axe des ordonnées et pas-
sant par G e!>l exclu. 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
1= 1
I)M; = o.
n
Voir A. 3.a. 2. Celte conclusion esl à rapprocher du résultat .I1(x; -
1=
x) = 0 obtenu
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/
Voir A. 3.a.
-introduire l'écart absolu moyen, soit.I
1= 1
p;Mf minimum, qui corres-
Voir A. 3.b.
pond au point de vue adopté pour introduire la variance.

c. Seconde condition
Nous ne sa ... on ~ pas li priori si une
Cherchons, parmi les droites passant par G, celles pour lesquelles
telle droite est unique. n
.I Fj
1= 1
Ml est minimum.
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-
On garde les mêmes vecteun uni-
tion par rupport au repère est la même (donc le coefficient directeur est
taires du repère.
conservé).
Yu . = Yi et YI'. = aXj car P; appar- Par définition, FjM; = >ft,. - Yp ., donc Fj~. = Yi - aXi ·
tient à D . 1
, ,
Alors PM
1
.2 = (y.1 - "X.)2
1 1
car PM
J 1
2 = PM. 2 puisque PM- = IPM- 1
1 1 1 J 1 l'

Donc.I
" " (li -
p,.Ml =.~ aX.)2,
1= l ,= l '
= A1 s1.
lA - BJ'-
A = )jetB = aX;.
- 2AB + ici
I"
i= 1
PM 2 =
1 1 j
I"= 1 (y2 -
1
2"XY,
1 1
+ ,,2X2)
l '

28
"
.~ p;Ml. = YT - 2aX] YI + a 2Xf + Yi - 2aX2Y2 + a2X~ + ...
1-1

... + n _ 2aXn Yn
y2 + a2X n2 .

En regroupant les termes contenant a 2 puis contenant a, puis les


autres, on obt ient:

"
i~1 FjMf = a 2(Xr + X~ + ... + X~) - 2a(X 1Y1 + X 2Y2 + ... + X"Y")

+ Yr + Y~ + ... + y"2,
Il fi fi n
l RM 2 =
i= 1 1 1
a2 l X2 -
i= 1 /
2a l Xy + ;=l 1 Y,2.
i= 1 Il

Dans cette expression, a est l'inconnue et les trois


" X,~,
nombres . ~
1= 1

DM; = OG + GMidon~
~ ~?
i~ 1 XiV; et i~ 1 Yi sont con nus car
{Kr, = x· -
= ,:. -
x
V
1 -, -
JXj=X+Xj
lY'=Y+Yj 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 1X 2 ) a 2 -
(,= 2.I (X/i )" +.I Y7 soit minimum.
1 1= 1 1= 1

L'expression ci-dessus est un polynôme du second degré en o.

On !tait ch~rc.:her Je minimum d'une Étude d'une fonction


foncljon.
Soit f la fonction polynôme du second degré définie sur IR par
11 11 11

Ici la variable est a el les nombres


Xi et tj sont des constantes.
f(a) = ( l X;)a 2 -
,= 1
2I
1= 1
(Xli) a +I Y;.
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

;= 1
l Xy
1 1
Donc [(a) = 0 si, et seulement si, a =

;= 1
l" X2
1
1/

IXY
i= 1 1 1
et [(a) > 0 si, et seulement si, a >
l"
i= 1
X2
1

Chap. 1 : Statistique descriptive 29


Conclusion 11

Il existe une droite unique passant par G telle que.~ P;M7 soit mini-
mum : c'est la droite de coefficient directeur 1- 1

j-l
l" Xy
"
Cl=

l"
i= 1
X2
1

Remarques

1. En revenant aux11 données statistiques x·1 et -1


V" la condition 4. PM?
"
;=1 1 1
minimum s'écrit.4. [y. - (ClX. + b)]2 minimum.
,= 1 1 1
11 1/ 11 11

l XY = i=1
;=1
l (x - x)(y -
II l ,.
v) l X2 = jl=(xl ' - xl
'; = 1 1

2. On montre que la première condition


/1
.l" 1 PM; =
1= 1
0 est satisfaite
lorsque la seconde condition l
i= 1
PM? minimum est vérifiée,
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 ,.
D'

fi"/'·
ax,+b _______ l',~D G
= Jj - (ax j + b)

QjMj = x j - (a 'Yi + b') Yi -~3?1~i - Yi - - - - - -


Q
,,Mi
,
x ,,
, x
o Xi
o Xi
a'y, + b'
Fig. 12 Fig. 13

Soit D une droite d'ajustement.


L'ajustement sera d'autantmeî1leur Soit Mj(x;, Yj) un point du nuage. P; est le point de même abscisse Xi
que les points Mi seront proches que Mi situé sur la droite D d'équation y = ax + b.
des points Pi.
On appelle droite de régression de y en x la droite D telle que la

D' où l'appellation « méthode des


moindres carrés If.
somme t M.P~ = t I\'· -
i""'l " i= l "
(o.t.
1
+ h)f soit minimale.

30
Dans le cas de la fi gure 13, on note Qi le poin t de même ordonnée Yi
q ue M i' situé sur la droite d' ajustement D ' d'équ ation x = a'y + b'.
O n appe lle droite de r égression de x en y la droite D' telle que la

so mme 1- M. Q~
i= l ' ,
soit minimale.

e. Covariance d'une série statistique double


La covariance de la série statistique double de caractères x et ." est le
·~ et y sont les moyennes arithmé- nombre réel cov(x, y) = ~ j~t (xi - :i )Lvj - :V).
tiques des séries statistiques à une
variable x et J.
On note aussi cov(x, y) = U X}..
Il existe une autre fo rmul e, plus comm ode pour les calc uls :

1 ~ --
un. =n ·~tX;Yi- X)' .
. ~

f. Équations des droites de régression


On montre que:

La droite de régression D de ." en x a pour équation y = ax +b


[a(x)]2 est 13 variance
aX).
V= l(n i x;) - (X)::! de la .-.érie
où le coefficient directeur est a = --~
[a(x)j-
et où b vérifie: v. = di + b.
i= 1 1

statistique à une vari"ble x.

La droite D passe donc par le point moyen GCx, y) du nuage.


[o{Y)12 est la variance

\f = l11 (i r;) - C,,)2 de la série


La droite de régression lY de x en .v a pour équation x = a'y + b'
i= 1. ' •
stalislique à une variable J. 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 d es pourcentages de circ uits d ' un lot
qui ont une panne. Déterminons une équ ati on de la droite de régression
de y en x.

x- = W.
55 x- = 5•5 .

[a(x))2 = ~~5 _ 30,25, [a(x)f = 8,25.

-)' 126
= W. -y = 126
,.
a.no = ~~3 - 5,5 x 12,6, a xy = 25.
CT.n ·
On a arrondi a à \O~ 1. a=~, a=3. b = y - ax, b = -4.
[a(x) ]

Chap. 1 : Statistique descriptive 31


En sections de techn icien .. supé- D 'où une équation de la droite de régression de y en x : y = 3x - 4.
rieurs, les coeffic ients li et Il s'ob-
tiennent tt l'aide d'une calculatrice En supposant que la tendance observée se poursuive, on peut alors en
sans aucun calcul intermédiaire. déduire que le pourcentage y de circuits d'un lot qui ont un e panne au
cours de douze semestres d' utili sation est 3 x 12 - 4 = 32.
Pour déduire y de x. on utili se la Remarque
droite de régression de)' en x.
Dans ce cas, x en fonction de y n'a pas de signification concrète; on ne
De même, pour déduire x de y, on
utili se la droite de régression de x
cherchera pas la droite de régression de x en y, bien que le calcul soit
en y. 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 statistique double de
variables x et y est le nombre r défini par :
azy
r=----.
a(x) x a(,')

Exemple

On a arrondi li tt JO- 3.
,
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 , <T.l")'
• Puisque a ;::: ---, et a =
[<T(X) ]- [<T(y)f'

cov(x, y), r, a et Q' sont de même signe,

• On admet que -1"r""1.

c. Interprétation graphique
Attenlion! 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 lié 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
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
« parfait ».

D
D D'
D'

M,

Fig. 14 Fig. 15
r= 1 r =-1
a>Oel (l'>O a<Oet a'<O

2. Si Irl est proche de 1.


Les de ux droites D et D' sont « proches» l'un e de J' autre ; on dit qu 'il
y a une « bonne» corré lation entre les deux caractères.

D'

Fig. 16
r proche de - 1
a<Oeta'<O

D'

o ,F
Fig. 17
r proche de 1
a> 0 el (l' > 0

Chap. 1 : Statistique descriptive 33


Remarque
1. Il existe une « bonne » (ou une « forte ») corrélation entre x et )'
lorsque Irl est suffisamment voisin de 1.
Par exemple, Xi et Yi peuvent mesu- 2. Ne pas confondre une forte corrélati on et un e li aison de cause à effet.
rer deux effets d'une même cause .
D' un secteur technologique à un 3. Dans chaque secteur technologique ou économique. on choisit pour
autre les e:l ; igences peuvent varier quelles valeurs de r la corrélation est jugée suffisante pour pouvoir
pour r de 0,5 .;:;:: Irl .;:;: 1 (dans le effectuer un ajustement affine par la !,11éthode des moindres carrés.
bât iment) à 0,999 .;:;:: Irl .;:;: 1. (dans
la microtech niq ue, la ma inte-
nance ... ) .

34
TRAVAUX PRATIQUES
Dalls ce qui suit tous es calculs seront eif.eetués Calcul de moyenne
TP2
avec une calculatrice. et d'écart type
ÉTUDE DE SÉRIES STATISTIQUES 0311 S une classe, la liste des notes obtenues à un devo ir
,
de mathé matiques par les élèves classés par ordre
A UNE VARIABLE alphabétique est la s ui va nte :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'; lI 1)!1\5;' ,I i 2;1);9;j.8' , " ,

et interpolation affine P Regrouper en classes ce tte 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
dans une usine. On a obte nu les résultats s uivants: 2
1 N_x,
Dwft de vie (en heures) Nombre de lampe." E_", 1
1 1 1
[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 apparte nan t à J'in-
[1100,1 Joo[ 6 ter valle [X- - 2a , X- + 2aJ?
4 0 Quel est le pource ntage de notes appartena nt à l'in -
1 0 Déte rminer le pourcentage de lampes dont la durée ter valle [x - 3a, X- + 3a]?
de vie est stricte ment 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 Représe nter l'hi stogramme des fréquences c umulées TP3 Exemple de populations
croissantes. correspondant à
4 0 On suppose que, da ns chaq ue classe, les élé ments un même tableau d'effectifs
son t répartis de manière uniforme. On pe ut alors rem-
placer l'hi stogramme par la ligne bri sée définie par le Dans ct! Tp, nOlis allons ('alcu ler la moyenne el J' ~cart
point d'abscisse 300 e t d'ordo nnée a
et chacun des type de quatre populatiolls corrnpondanl à 1/11 mêmt!
so mmet s supé rieurs droits des rec tangles. tableau d'effectif'i. Nous obsen'uons ainsi l 'injluenct!
de la répartition des éléments de la popillalioll li /'intt -
a) Tracer cette ligne brisée.
rieur de chaque classe sur la moyenne et l'écart ')ïJe.
b) On se propose de dé te rmine r le pourcentage de
On considère le tablea u d'effectifs ~ ui vant :
lampes dont la durée de vie est infé rieure ou égale à
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). So it M
le point du segme nt [RN] d 'absc isse 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 inférie ure
ments sont situés au centre de la classe, c'est-à-d ire que
ou égale fi 560 heures est l'ordon née du point M.
la populati on est: 4; 4; 4; 4 ; 12 ; 12; 12; 12; 20; 20;
Détermin er ce pourcentage.
20; 20.
c) Soit P le point de coordonnées (900; 0,81) de la
Calculer la moyenne X- e t une valeur approchée arrondie
ligne brisée. Soit / le poi nt du segment rNPJ d'or-
à IO-::! de l' écart type (J de cette pre mière populati on .
do nnée 0,50. La médiane est l'absc isse du point /.
Déterminer la valeur approchée à 10- 2 près de la 2 0 On suppose que les éléments de c haque c1ass~ sont
méd i,:lI1e. répartis unifor mément de la façon suivante: 1 ; 3 ; 5 ; 7;
9; II ; 13: 15; 17; 19; 21 ; 23.
On .dit qu'on a réali~ une i1lt('rpolo.liollllffill(,. On pourra

1 faire un agrandi:i.scment de la partie de la figure relative il.


l'inter valle 500 700 .
Calculer la moyenneX-' e t une valeur approchée arrondie
à 10- 2 de l'écart type a' de cette deuxième pa p ulation.

Chap. 1 : Statistique descriptive 35


3° On suppose que les élémen ts de chaque classe sont 3° On .1 établ i par ai lleurs que, lorsque la moyenne de
répar ti s de la fa ~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]
U
Calculer la moyenne X 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 plu s 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-
lation. Pouvait-on prévo ir les valeurs de i'" et (1'''? TP5 Exemple d'ajustement affine
par une méthode graphique,
par la méthode des moindres carrés
EXEMPLES DE SÉRIES 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 e n grande sé rie une pi èce dont une cote, Les résultats sont cons ignés dans le tableau ci-après.
exprimée en mm, doit se trou ver 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_
1e_llœpri.:y,
o n calcule la valeur moyenne de celle cote. Le tableau
suivant donne les résultats de s 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
ce ntièmes d'heure.
1° a) Représenter le nuage de points Mi(.l ;, Yi)'
1° Dessiner le nuage de points associé à ce tableau: on
prendra un repère ort hogonal où une heure est repré- b) Uti liser la méthode de Mayer pour déterminer
sentée en absc isse par 4 cm et 0, 1 mm est représe nté e n une équation d'une dro ite d'aj ustement â l de la
ordonnée par J CIn. forme y = IIlX + p. Les coefficients III et p seront
donné s par leur valeur décimale approl'hée arrondi e
On représente ra la parti e du plan définie par:
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 va leurs exactes:
2° Déterminer une va leur approchée arrondie à 10- 3
a) des coordonnées des points moyens Giet G2 des du coefficie nt de corrélation linéaire.
sous-nuages constitués des quatre premiers poin ts 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 coefficien ts a et b de l'éq uation y = ax + b méthode des moindres carrés. Les coeffic ients a et b
de la droite (G j G2). 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 passage rs tr:.i.ns-
500000 euros, les frais variables par matériel vendu portés au cours de l' an née de fi1ng 7.
sont supposés nég ligeables.
a) Déduire de l'aju stement par la méthode des
TP7 Exemple d'utilisation
moindres carrés l'expre:-..sion du bénéfice théorique
réalisé en fonction du pri x choisi x et calculer la
d'un lissage par la méthode
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
niers trimestres, d'une entreprise fabriquant du matériel
des prix proposés, celui qui permettra de réaliser le
informatique sont donnés dans le tableau suivant:
bénéfice max imal.

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 Illll1lùiqu~s seront 2 450
dOl/lib {XIr leur \'aleur décillla/~ approcl!ü armlldie à 3 130
10- 3, obtenue d;r~ctemell1 avec /Ille calcula/rice. 4 200
L' étude, durant les cinq dernières années, du nombre de 5 280
passagers tran sportés annuellement sur une ligne 6 410
aérienne a conduit au tableau suivant: 7 200

IWI&del'~ Nombre de passaaers : Pi 8 250

1 7550 9 320

2 9235 10 500

3 10741 11 2JO

4 12837 12 250
10 Représe nter graphiquement le nuage de point s
5 15655
Mj (x j ,
Yi) dans le plan muni d'un repère orthogonal. On
prendra pour unités 1 cm sur l'axe des abscisses et 2 cm
] 0 On pose Yi = ln Pi où ln désigne le logarithme népé-
pour 100 millions d 'euros sur l'axe des ordonnées.
rien.
a) Compléter après l'avoir reproduit le tableau sui-
r a) Le nuage obtenu au 10 présente des écarts à peu
près réguliers de part et d'autre d'une droite d'ajus-
vant :
teme nt tracée au jugé. On effectue souvent dans ce
x, 1 '" cas un lissage du nuage en remplaçant les points par
des points moyen s.
8,929 .. ,
1 " 1 1 1
On peut utili ser la méthode des moyennes mobiles
en remplaçant la série stati stique précédente par la
série de s moyennes mobiles des ventes obtenue en
b) Représenter le nuage de point s MJx;, y) dans un
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 fon ction (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 le s différentes repré-
Nj(x j , ':j)' Le.s irrégularités du nuage des points A~ sentations graphiques demandées dans çe problème.
ont été atténuées.
A. 1° Représenter le nuage de points as.';,ocié à la série

1 Ulili!.er deux convention s différentes pour repré!'oenter les


points Mi et Ni' par exemple. et • .
.';,tatistique (x j • Yj)'
2° a) Déterminer à 10- 3 près, avec une calculatrice,
3° On considère la série des chiffres d'affaires obtenus une valeur approchée du coeffident de corrélation
après li ssage il la question 2°a). linéa ire de la série (x j ' Yi)' Expliquer pourquoi un
a) Déterminer la valeur approchée arrondie à 10- 2 ajustement affine !:>emble justifié ici.
du coefficient de corrélation linéaire de la sé rie sta- b) Déterminer une équation de la droite.6., droite de
tistique double de variables x et .:. régression de y en x. On donnera une équation de la
b) Déterminer p;,tr la méthode des moindres carrés forme y = (u: + h dans laquelle li et b seront arron-
une équation de la droite de régress ion D de .z en x. di s à 10- 3. Construire la droite!l.
On donnera une équation de la forme.: = ax + b e) Calculer une estimation de la popuhltion de cette
dans hlquelle a est une valeur approchée arrondie à ville pour l'année 2002.
1O-::! et b une valeur apprO<.'hée arrondie à une unité 3° On appelle taux annuel de croissance pour l'année Il,
près. le pourcentage d'accroissement de la popu lation entre
c) On admet que la tendance observée pendant les J'année 11 et J'année 1/ + 1. Calcu ler, en arrondissant à
trimestre!:> de rang 4 à 12 se poursuit. Donner le 1O-::!, les taux annuels de croissance pour 1996, 1997,
chiffre d'affaires prévisionnel pour les trime!:>lres de 1998 et 1999.
rangs 13 et 14.
B. Soit f la fonction définie sur [0, + co l par
f(x) = 5,3 ( 1 - eX '0 0.8).
TPB Exemple d'exercice de BTS On admet désor mai s qlle, pour x entier, f(x) + 58
avec un ajustement affine représente la population en milliers d'habitants pour
l'année 1995 + x.
Le tableau çj-des~ous donne l'évolution de la popula-
1° a) Calculer !'(x) pour tout x de {O, + !:C.(. Démontrer
tion d'une ville moyenne au cours des 5 dernières

-_d'_
que, pour tout x de [0, + oc [, j'lx) > O.
années:
h) Calculer lim f(x).
x-+ + oc
1996 1997 1998 1999 2000 En déduire l'existence d'une asymptote D à la
courbe C représentant la fonction f dont on donne-
Rq:zi 0 1 2 3 4
ra une équation.
58 59.Q.l 59.88 60,55 61.1 c) Établir Je tableau de variation de f.
(.. milllm): Z,
d) Construire la courbe C et la droite D sur le dessin
,,=:,-58 0 1.04 1.88 2,55 3, 1 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 .......... 0·


N............. La production de "atelier: histogramme
Dans un atelier, la production de certaines pièces pen-
Regrouper en C1a5SCS une série Màti:o;lique à 1à 3 danl les 20 jours de travail d'un mois donné a été la sui-
une \'ariable.
va nle:
,
Réaliser un diagramme Mali:-.tique. là6
520; 450; 460; 485; 510; 450; 405; 460; 499; 380;
C(m~truire le tableau des das~es 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 ~rie
stat i ~tique.
6 commençant par la classe l375 , 400l.

Déterminer la moyenne d"une série


On complétera le tableau suivant après l'avoir reproduit.
slati~tique.
4 et 5
NOIIlbr<
Déterminer l'écart type d'une série [375.400[
4 et 5 de pi«es produi...
slali~lique.

Repr6enter une !>érie statistique à deux Effectif 4


yariablc". 7à II
Ré.11i~r un aju~[ement affine par la méthode
r Construire l'hi stogramme correspondant.
de Mayer. 7
Réali~r un ajustement affine par la méthode
des moindres r.::alTé~.
8 à II [TI. Résistance mécanique d'un béton
Utilher un ajustement affine pour trouver un Lors de la réalisation d'un tronçon de l'autoroute A4,
9 pour contrôler la qua lité du béton utilisé dans la
maximum.
Réaliser un ajuo;tement qui se r.lmène i), construction de la chaussée, on il mesuré, en mégapas-
la et Il
un ajustement affine. ca ls, la résistance à la compression d'un échanti ll on de
200 prélèvements, 7 jours après leur fabrication.
On trou ve, 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 va nte 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; 3 1; 27; 29; 30; 28; 26; 26; 32; 31; 30.

n-n
10 Regrouper en classes cette sé rie en remplissant, 5
après l'avoir reprodu it , le tableau sui vant où les
nombres Xi sont des nombres entiers consécutifs.
0
25 35 45 55 65 75
Résistance
Nombre 27 à la compres!.ion (MPa)
26
de comlDalldea ; XI
Effectifs ";
(nombre de joun ) 0 En effectuant des mesures sur la figure, constru ire le
00 on a observ~
4 ... ...
tableau des classes et des effectifs.
Xi COJIllIl8Ildes)
r Déterminer le pourcentage des pré lèvements dont la
2° Construire le diagramme en bâtons correspondant. résistance est strictement inférieure à 35 MPa.

Ch.p. 1 : Statistique descriptive 39


i
1
CilleUJo\" dt' moyenne et d'kart ('Ile De cette population, on extrait un échantillon de 315
parties et on compte sur chacune d'elles le nombre de
[!] .. Les notes des étudiants fautes de frappe. On a obtenu les résultats suivants, les
Les 31 étudiants d'une section de technicien s supé- pourcentages étant arrond is:
rieurs ont obtenu les notes suivantes à un devoir de

1I;:rl
mathématiques: NOIIIIR de fou... de ~ NOIIIIRdeporda(....j
[75.80[ 5
7 8 9 10 Il 12 14
1 5 4 12 5 3 1 [80.85[ 10
1 1 1 1 1 1 1

1
10 Construire le diagramme en bâtons obtenu en pla- [85.90[ 20
çant en abscisse xi et en ordonnée "i' Construire le po- [90.95[ 36
lygone des effectifs.
[95.100[ 15
r Faire une représentation en bâtons des effectifs
cumulés croissants. [100.105[ 8

1
3° Déterminer les valeurs approchées arrondies à 10- 2 [105. IIO! 6
de la moyenne et de l'écart type de cette série slatis-
1 0 Construire l'histogramme des fréquences de cette
tique.
série statistique.
0" Longueurs de tiges d'acier 2° En utilisant les fréquences cumulées croissantes, tra-

1
cer le polygone des fréquences cumulées croiss:.lntes.
On a mesuré les longueurs en millimètres d'un échan-
3° Déterminer la c1a~se médiane.
tillon de 100 tiges d 'acie,r à la sortie d'une machine
En admenant que la répartition de l'effectif est uni-
automatique. On a trouvé les résult:.lts suivants:
forme à l'i ntérieur de chaque classe, déterminer la
Longueurs (cn mm) Effec:tif~ médianeM.

1 [120.125[
[125.130[
[130.135[
[l35.140[
10
20
38
25
Que représente M?

Exemp le d'études de séries statistiques


à deux variables

1
E.umple d'utilisation d~ la m ~thode d~ Mayu
[140. 145[

10 Construire l'hi stogramme des effectifs.


2 0 On suppose que les tiges sont défectueuses si leur
7
o H Contrôle de qualité
Une machine-outil produit automatiquement des pièces
longueur est strictement inférieure à 125 mm ou supé- cylindriques. Réglée initialement pour un diamètre de

1
rieure ou égale à 140 mm. 8 mm, elle se dérègle en cours d'utili s~llÎon. Le but de
Quel est le pourcentage de pièces :.lcceptables '! l'exercice est de déterminer le nombre de pièces que J'on
pourra produire avant que leur diamètre n'atteigne
3° On suppose que, dans chaque classe, tous le s élé-
8,1 mm. Afin de contrôler la fabrication et de procéder
ments sonl situés au centre.
aux réglages éventuellement nécessaires, on me ~ ure le
Calculer la moyenne et la ,,<lIeur approchée décimale

1
diamètre de la dernière pièce dans chaque série de dix
arrondie à 10- 2 de l'écart type de celte série stati stique
pièces produites. Les résultats obtenus sont les !'uivants :
ainsi dHinie.

~ Détermination de la médiane
n
N _ de la pi«e : x, 10 20 30 40 50
Diatn!mo (.. mm)
par interpolation affine 8.00 8.00 8.01 8.01 8.02

1
de la pi«:e : Y,
Une mai son d'édition confie la frappe de ses manus-
crits à une entreprise extérieure spéc ialisée dans la sa i- N _ de la pi«e : x, 60 70 80 90 100
sie informatique. Cene entreprise effectue une « pre- Diatn!mo (.. mm)
mière sa isie li- du manuscri t qui est envoyée à l'auteur de la pK:ce : '1 8.03 8.03 8.().l 8.05 8.06

1 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-
1 ° Représenter le nuage de points Mi (.l'j, Yj) associé à la
série statistique précédente dans le plan muni d'un

1
sie )t du document. repère orthogonal.

40
On prendra pour origi ne le point de coordonnées (0, 8), 4° Déterminer une équation de la forme y = lL\" + b de
pour unité, 1 cm pour dix pièces en abscisses et 1 cm la droite D de régression de )' en x par la méthode des
pour 0,01 mm en ordonnées. moindres carrés. On donnera les valeurs approchées
2° Calculer les coordonnées du .point moyen G du des coefficients a et b à 10- 3 près.
nuage. Placer le point G sur la figure. Tracer la droite D sur le graphique du 1°.
3 ° a) Calculer les coordonnées du point moyen Cl 5° Un acier a une teneur en carbone de 77. Donner une
associé aux points du nuage ayant les cinq plus estimation de sa charge de rupture.
petites abscisses et les coordonnées du point moyen
G2 associé aux cinq au tres points du nuage.
h) On prend la droite (G I G2) comme droite d'ajuste-
ment. La trace.r.
c) Déterminer une équation de (G 1G2) sous la forme [!] >tu Le prix de vente d'une machine
y = ax + b.
Le tableau suivant indique le prix de vente en euros
4° Les pièces produites doivent avoir un diamètre de
d'une machine et le nombre d'exemplaires vendus les
8 mm, avec une tolérance de 0,1 mm. Déterminer gra-
quatre dernières années.
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 Rang de l'..w. 1 2 3 4
trouvée au 3 ° cl. (On arrondira à l'entier le plus Prix de vente
2000 1400 1800 2500
proche.) (en euros) : Xi
Nombre d'eumplaires
Exemples d'utilisation de la mét"od~ des moilldr~s
vendus: 'i 198 240 222 160

cards
1 ° Représenter le nuage des points Mi de coordonnées
(Xi' Yi) dans le plan muni d'un repère orthogonal. On
[!] oH Des essais en laboratoire prendra pour origine du repère le point de coordonnées
(J 400,160), pour unité, 1 cm pour 100 euros sur l'axe
Le tableau su ivant donne les résuhats obtenus à partir
de 10 essais de laboratoire concernant la charge de rup- des abscisses et 1 cm pour 10 unités sur l'axe des ordon-
ture d'un acier en fonction de sa teneur en carbone. nées. Vérifier qu'un ajustement affine paraît justifié.
2° Déterminer les coordonnées du point moyen G du
Teneur en carbone : Xi 70 60 68 64 66 nuage. Le placer sur la figure.
Charge de rupture 3 ° a) Déterminer une éq uation de la droite D de régres-
(en kg):
87 71 79 74 79
,Vi sion de )' en x par la méthode des moindres carrés.
Les coeffic ients seron t arrondis à 10- 3.
Teneur en carbone: Xi 64 62 70 74 62 b) Construire cette droite de régression sur le gra-
Charge de rupture phique du 1°.
(en kg): Yi 80 75 86 95 70 4° En quelle année a-t-on eu le chiffre d ' affaires le plus
élevé? Quel est ce chiffre d'affaires?
1 ° Représenter graph iquemen t le nuage de points de 5 ° On suppose maintenant que, chaque année , le
coordonnées (xi' J). nombre d'exemplaires vendus y et le prix de vente x
suivent la relation: y = - O,OSx + 349.
On prendra en abscisse 1 cm pour une llnité en repré-
On note S(x) le chiffre d'affaires réal isé en vendant y
sentant les abscisses à partir de la valeur 60.
machines valant chacu ne x curos.
On prendra en ordonnées 1 cm pour 2 kg, en représen-
a) Exprimer S(x) en fonction de x.
tant les ordonnées à partir de 70.
b) Étudier les variations de la fonction S défin ie sur
r Calculer les coordonnées du point moyen de ce
li 400, 2500] par x .... S(x).
nuage.
c) En déduire le prix de vente d'une machine J'année
3 ° Déterminer la valeur approchée arrondie à 10- 3 du de rang 5 si l'on veut que la somme encaissée S(x)
coefficien t de corrélation linéaire de la série stati stique soit maximale. Quel sera le nombre d'exemplaires
de variables x et y. vendus, à une unité près? Quelle sera alors la
lnterpréter le résultat. somme encaissée?

Chap. 1 : Statistique descriptive 41


1Exemples d'ajustements se ramenant
à un ajustement affine
sion U, en volts, aux bornes d'une lampe. Les résultats
de cette étude expérimen tale figurent dan s le tableau

1
s uivant:
[!:!lu.* Consommation d'une voilure
1ntensi~(enmA):1 36 51 81 100 132
La consommation d'une voiture,::. est donnée en fonc-
tion de sa vitesse, x, par le tableau suivant: Tension (en volts) : U 0,1 0,2 0,5 0,8 1,5

1
x (en kmIh) 80 90 100 110 120 lmenai~ (en mA) : 1 155 175 200 222 250
, (en li....,100 km) 4 5 6,5 8 10 Tension (en voIII) : U 2 2,5 J 4 5

]0 La consommation est-elle proportionnelle ù la vi- 10 Représenter dans un repère orthogonal le nuage de


tesse? Ju stifier rapidement votre réponse.

1
points de coordonnées (l, U) associé à cette série
r Compléte.r le tableau c i-dessus, après l'avoir repro- statistique double.
duit, par une ligne: y = ln:: dont on donnera les valeurs 20 On se propose de réaliser un ajustement du nuage
approchées à 6 décimales (les meilleures poss ibles). précédent par une courbe d'équation de la forme
3° Dan s un repère d'origine 0 ('\"0 = 70;)'0 = 1,30), en U = KI".

1
prenant comme unités 1 cm pour 10 km/h en abscisse a) On pose x = ln 1 et y = ln U.
et 1 cm pour 0,10 en ordonnée, représenter le nuage de Dresser le tableau des valeurs prises par les deux
5 points (x, y = ln ::). variable s x et y. On fera figurer les valeurs appro-
4° Indiquer l'équation d'une droite d'ajustement pour chées arrondies à 10- 2.
les cinq points de coordonnées (x, y) du nuage, par la b) Représenter dan s un second repère orthogonal le

1
méthode des moindres carrés. Donner ce lle équation nuage de points de coordonnées (x, y).
sous la forme y = Ax + B, avec les valeurs approchées c) Déterminer la valeur approchée arrondie à 10- 3
de A et B (les meilleures possibles) à 3 décimales obte- du coefficient de corrélation linéaire r de la série sta-
nues à la calcu latrice . tistique de variables x et y. Peut-on envisager un
50 Estimer y pour une vitesse de 140 km/h.

1
ajustement affine de ce second nuage?
Estimer la consommation aux 100 km pour cette vi- d) Déterminer une équation de la droite de régres-
e
tesse de 140 kmlh , à 0,5 près, comme dans le tableau sio n de y en x par la méthode des moindres carrés.
initialement donné. On donnera des valeurs approchées arrondies à
10- 2 des coefficients. Tracer cette droite dans le

1
second repère.
[!!] ••• Un problème d'électricité e) Déduire du d ) une expression de U en fonction de
1 de la forme U = Kl a .
Au cours d'une expérience de physique, on a mesuré 1) Quelle valeur peut-on prévoir pour la tension pour
les variations de l'intensité 1 d'un courant, en milliam- une intensité de 270 mA?

1
pères, dans un circuit quand on a augmenté la ten- On donnera le résultat arrondi à 10- 1.)

1
1
1
Il 42
EXERCICES NON CORRIGÉS
Études de séries statistiques à une variable ~ *H Tant qu'on a la santé
R~grollpt'III~"t (!Il dtlss~s. diagrammes statistiques Une étude a été faile sur la concentmtion en hémoglo-
bine du sang des femmes. On considère que la concen-
~ • Diagramme en bâtons tration en hémoglobine du sang d'une femme c.n bonne
On considère un lot de barres de métal, ~ la sortie d'une s~mté 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 !lu ivants :
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. ~I 5
10 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
[17.191 H

I~"II
92.1 ..
[19.21[ 2
: Effectif: n, : 3
1 1 1 1 1 Construire l'histogramme des effect ifs cumulés crois-
sants. Si, dans chaque classe , les é léments J.Qnt répanis
2° Construire le diagramme en bâtons correspondant en de manière uniforme, quelle li gne brisée peut rempla-
plaçant les va leurs 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 série 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)
120000 , - -
[200.5: 202.5[ Il
[202.5: 204,51 6 100 000

1° Construire ]' hislOgr,unme des effect ifs cumu lés 80000


croissants.
2° Si, dans chaque classe, les éléments sont répart is de
60000 -
manière uniforme, quelle ligne brisée peUl rempJ.acer 40 ()()() -
cet histogramme?
20000
• On peut :"e reporler :lU TPI.
0 0
~~#~' ",o~~'" \'$'~
.~t." ~ ç.'\.~
3° En déduire une valeur approchée du nombre de
,?~1>\
pièces dont les masses sont inférieures ou égales à
, <fI'~ '$'''''"6<'$'
20 1 grammes. ~'\." ~c Fi g ,19

Ch.p, 1 : Statislique descriptive 43


r À l'aide du graphique remplir, après l'avoir repro- Diamkre en mm : xi
duit, le tableau suivant. Effectif : ".
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
Soit cr l'écart Iype de ceUe série statistique.
Impôts
On admet qu'un réglage de la machine s'impose dès
Total 100 %
que cr> 0,13. Faut-il régler la machine?
2° À l'aide des résultats obtenus au 1° compléter après
J'avoir reproduit le diagramme à secteurs circulaires de I/~ .. Les résultats de l'examen
la figure. C
Lors de la dernière session d'un examen, on a pris un
échantillon de trente copies parmi ce lles des candidats
aux épreuves n05 1,2 et 3.
Sillai~l> Les résultats figurent dans le tableau ci-après.
50 {f
BII'Icdf cleo CIlIpÏIJ
Nole sur 20
ap...ve 1 a,....... 2 a,...... 3

1 Fig. 20

Chaque dépense correspond à un secteue c;,cula;'e do",


l'angle (ou raire) est proportionnel(le)?t l'effectif, donc au
pourcentage obtenu au r. Par exemple, les salaires repré-
5
6
7
8
9
0
6
5
8
1
3
0
5
0
8
0
0
2
1
6
sentant 50 % des dépenses. on leur :is~ie 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
16 2 2 2
En septembre 2000, pour un litre de « sans-p lomb 95 »
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 mieu~ 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
vente à la pompe d'un litre de sans-plomb 95. [!!] * Productique
2° Représenter cette situati on par un diagramme circu-
On a relevé le diamètre e n 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
[34,97; 34,99[ 2
~ • Le bon réglage
ct On mesure en millimètres le diamètre de 100 pièces
134.99; 35,01[
135,01; 35.03[
6
7
pri ses au hasard dans la production d'une machine; on [35,03; 35,051 2
obtien t les résultats suivants: [35,05; 35.07[ 1

44
10 Représenter l'histogramme des effectifs. 10 a) Calculer les moyennes ml et 1112 des sa laires res·
r Déterminer des va leurs 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 sociélé~.
le s éléments son t si tués au centre. e) Calculer les moyennes mi' el rI/!i. des salaires des
cadres respectivement dans les deux soc iétés.
2 0 Donner, pour chaque entreprise, le pourcentage de
~• Productique (suite) cadres parmi les salariés.
Une presse produit des tiges cylindriques. Une lige e~t ] 0 Le PDG de la F/MAC dit à celui de la FIAAM :

jugée acceptable si sa longueur, exprimée en centi- .. Mes salariés sont mieu x payés que les vôtres. )t

mètres, appartient i\ l'in ter valle [4,95; 5,05]. De la pro- « Faux, répond ce dernier, mes employés son t mieux

duction on prélève un échant illon de 50 tiges dont on payés et mes cadres également. Lequel a raison ?
)Do


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
7 6 3 2 1 de bâtiments, chaussée d'autoroutes ... ), les bétons doi·
".L
vent avoir une plus ou moins grande résistance à la
10 Calculer les valeurs approchées arrondies à 10- 3 de 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 tige s pascals (MPa), est notée f':2S'
acceptables? Une cÎrcu laire 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-

Dans les sociétés FJAAM el F/MAC, les salari és sont


classés en deux catégories : employés et cadres. Là
répartition des salari és en fonction de leur catégorie
professionnelle el de leur sa laire annuel S en milliers
d'euros est donnée dans les deux tableaux suivants:
r-
rieur ou égal à 15, les conditions suivantes doivent être
remplies:

x-
1,2<1 "'1'28 si fC'2.8> 25 MPa
0,850-;::: I c28 si f c28 ~ 25 MPa
f cmin + 4 ~ f c28
cl! x est la moyenne des" résultats mesurés, CI l'écart
SocWFIMM type el f cmin la valeur minimale des " résultai S.
Pour réaliser une ('haussée d'autoroute, on utili se un
Cak!pie
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 résu ltats (en MPa) sont regroupés en classes dans le
22~S<32 150 15 tableau suivant.
32 os;; S < 42 0 30
ChlS!oC Effectif
Soc~F1MAC 13,0: 3,51 1

Cattgorie [3.5: 4,01 0


Salaires 14,0 : 4,51 0
Emplny~s CadreS"
[4,5: 5,0[ 1
12~S<22 200 0
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[ 17
més en euros et arrondis au l'euro inférieur. On consi·
17.0: 7,5[ 18
dérera que tous les éléments d'une classe sont si tués en
son centre. [7,5: 8,O[ 3

Chap. 1 : Statistique descriptive 45


10 Représenter cette série stati stiq ue par un histogram- 10 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-
x
10- 2 de la moyenne et de l'écart type cr de la série santes de cette série stat istique.
statistique, en supposan t que, dan<; chaque classe, tous 3° Représenter l'histogramme des fréquences cumulées
les élémen~ 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 c m pour 50 euros sur l'axe des abs-
mentaires? (D'après un document de l'A ssociation 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 problèm~ d~ mOy~lIl1~ point d 'abscisse 50 et d'ordonnée 0 et chacun des som-
' mets supérieurs droits des rectangles.
ê] - Les mathématiques pour se rattraper a) Tracer cene lig ne brisée.

Dans la partie ., enseignement général :. d'un examen b) On admet que cette série a pour l1loyennex = 375
et pour écart ty~ cr = 13 J .43.
untel candidat(e) a obtenu 8,5 en français coefficient 2,
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 s ur l'ef!semble de ces troi s pris en tre: x- x
cr et + 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
représente cette abscisse?
Dlt~rm;nat;o" de médiane, de mod~. d·bindu~,

d'imuquartile Pour traiter Ie~ e;c:erdces 26 et 27, on poUIT3 se reporter au


TPl ou à l'exercice 25.
~ - DéterminMion d'étendue et d'interquartile

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 sU Îvant 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 ré~ultats s uivants:
2h59; 2h57 ; 2h23; 2h29; 2h52; 2h57: 2h29;
4h02; 2h34; 2 h53 ; 3h04; 3h Il ; 3h 15; 3 h06;
2h45.
_v. . .
enmm
C-doo
ai Il
Déterminer l'étendue et l' interquartile de celle série
116, 17[ 16.5 1
statistique.
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-

dessus.
Monllnl dei achab x Nombre de clienlJ "1
r Déterminer la classe médiane.
[50.1501 10
[150. 250[ 12 On adm~t pour la suite qu~, dans c"aqu~ cl(t!iS~, l~s
[250, 350[ 52 il!m~nts sont répartis d~ manièœ ullifon"e.
[350,4501 62 3 ° a) Dé terminer graphiquemen t une valeu r approc hée
[450, 550[ 36 de la médiane.
1550,650[ 14
b) Délerminer par le calc ul 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 G2 le point moyen des. quatre der-
niers points du nuage. (Pour les calculs;on utilisera
les coordonnées de G, et G'2 arrond.ies ~ 10- '2 près
~ ... Médiane, mode et étendue
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:
Diamètre (eu mm)
[19,70; 19,801
[19.80 ; 19,85[
[19.85 ; 19,90[
[19,90 ; 19,95[
- ID
14
22
2
les points G] et G2• puis tracer J~ droite (G]G'2) sur
la figure.
r Utiliser le résultat précédent pour déterminer les
valeurs des constantes A et B. En déduire une estima-
tion de R à 10- 2 près,lorsque e = 37.

[19.95 ; 20.00[ 32
27
[20.00 ; 20,05[
~ •• 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. ~s 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)
del'i!oIant;x, . 30 40 50 60
chaque classe, déterminer graphiquement la médiane.
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
~(eumm)
approchée de l'étendue, c'est-à-dire de la différence 70 80 90 100
del'i!oIant:xi
entre la plus grande et la plus petite valeur de cette série
Raiûnoe dIennique 3,70 4,38
statistique. 3,30 4,02
(en m'"ciw) : Yi

Exemples d'études de séries statistiques 1 ° Représe nter 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:
a) du point moyen G 1 des quatre premières lignes du
La résistance é lectrique R (exprimée en ohms) d'une
tableau;
lige en ni ckel varie en fonction de la température 8
b) du point moyen G 2 des quatre dernières lignes du
(eJ(primée en degrés Celsius) selon une loi du type
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.
résultats suivants en posant x = 6---20- b) Quelle est la signification pratique de l'ordonn ée
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 nécessa ire pour
1.21 2,02 2,75 3,76 4,73 5,07 6.66 7.65
Y; obtenir une résistance thermique de 3,5 m 2°C/W.

Chap. 1 : Statistique descriptive 47


mojnd~s
Exemple!i d'lltilisll1iOI1 de la mhhode des ~ *** Coût de la maintenance d'une Înstallation
ca rré!i de chauffage
Dans cet exercice, les calculs !ieront effectuis à 10- 3
~ ** Résistance à la rupture près.
L'étude du coût de maintenanc.'e annuel d'une install a-
Toutes les raleurs numériques demandées seront
arrondies à 10- 3. tion de chauffage dans un immeuble de bureaux, en
fonction de l'âge de l'installation, a donné les résultats
Dans une fabrication de pièces en caoutchouc par mou-
suivants:
lage à l'aide d'une presse à injection, on constate que la
résistance à la rupture de chaque pièce est fonction du Âge.n
1 2 3 4 5 6
ann6es: Xi
taux de goudron de pin présent dans la gomme utilisée.
CoQl en centaines
On note R, exprimée en newtons, la résistance à la rup- 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 corré lation 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 ma intenance 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 s uivant.
R Ilmen,ilé 1 ~en 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
2~9

~
+ tJ
.J.
w
245
~ • .
~43
1.5 1,7 2.1 2,3

V
;.
1.' 2,5
T
....0 - - - '
Fig 21
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 de s moindres carrés. 2° Dans ce qui sUÎt, tou s les résul tats num~rique s 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 moindre s carrés.
résistance à la rupture pour un taux de goudron de pin b) Tracer la dro ite d'aju ste ment dans le repère.
de 1,8. e Donner une estimation de U pour 10 = 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 su ivant 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: 36 42 48 54 3° a) Déterminer la valeur approchée arrondie à 10- 3
.t 60 66
du coefficient de corrélation linéaire de la série sta-
Ten~iun :y 12 13.5 13,6 14,3 15,4 15 ti st ique de variables x et 1.
0
1 Représenter graphiquement le nuage de points b) Déte.rrniner par la méthode des moindres carrés
LIlle éq uation de la droite de régression D de 1 en x.
M(x, y) dans un repère orthogonal. On prendra pour
unité graph iques, 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 fusio n 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 'u n ajusteme nt par la
méthode des moindres carrés est justitié.
b) Déterminer une éq uat ion de la droite de régres-
s ion de )' en x et la représen ter. (Les coefficients Ajustement affine et recherche d ' un maximum
seron t donnés à 0,00 1 près).
c) Une personne de 70 ans a une tens ion de 16,1.
Quelle serait sa tension théorique en utilisant la ~ *H L~ meilleur prix pour un nettoyeur fi haute
pression .1>
droite de régression? Comparer avec la tension
réelle. Dans Je tableau suivant figurent les résultats d'une
enquête réalisée dans un magasin d'ou tillage pour
déterminer le nombre d'acheteurs potentiels d'un
~ ** Le pourcentage d'internautes en France
modèle de nettoyeur « haute pression » en fonction de
Le tableau suivan t donne le nombre d'internautes en son prix de vente:
France en millions. Pri" d·un nettoyeur
.. haute pre<;"inn JO, 350 400 450 500 550 600
Année: Xi 1997 1998 1999 2000 en euros: x
Nombre d'internaute:. Nombre d'açheteurs
(eu million .. ): Yi
1,5 3.4 7 12 140 100
potentiel:. : y 120 95 85 70

1° Déterminer une éq uation de la droite d'ajustement


11 but d~ ut ~xerc.:ice ~st d~ dit~n1/in ~r l~ prix dt' l't'fltt'
de )' en x par la méthode des moindres carrés, dans
polir lequel la ~Ct'tte 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
(régression de y en x), exprimer)' en fonction de x,
~ ** Température de fusion d'un hydrocarbure
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 2 4 taire x.
Xi 3 1
5
a) En utilisant J'c;\pression de y obtenue à la ques-
- 190 - 170 - 180 - 150 - 130
1 " 1 1 1 1 1 1 tion 1° b ), montrer que r(x) = (- 0,3x + 226,524)x.
b) Donner, e n l'arrondissant à la dizaine d'euros la
.r, 6 7 8 9 10
plus proche, le pri;\ de ven te pour lequel la recette
-100 - 90 -60 -50 -)0
1 " 1 1 1 1 1 1 est maximale; calcu ler cette recette maximale.

Chap. 1 : Statistique descriptive. 49


Etemples d'ajustements se ramel/a1/l à UI/ ajuslement
Àgel,(en~) 1 2 3 4 5
affilie (exercices 37 à 40)
CoOl C,
~ ** Le grand prix (en cemainea 13,3 14,2 16,1 18,9 23,6
d'euroo)
Au cours d'une séance d'essai un pilote d 'auto mobile
doit, q uand il reço it un signal sonore dans so n casque, ] 0 On pose Di = ln Ci' où ln désigne le logarithme
arrêter le plus rapidement possible son véhicule. népérien.
A u moment du top sonore, o n mesure la vitesse de l'au- a) Compléter, après l'avoir reproduit, le tableau
to mobi le, puis la di stance nécessa ire pour arrêter le su ivant;
véh icule.
1
Pour six expériences on a obtenu les résultats sui vants;
"D, 2,588
Vitesse
1
"
. 1 1 1
27 43 62 80 98 11 5 b) Représenter le nuage de points MNi' Di ) dans un
en kmlh: l 'j

Distance: d'arrêt repère or thogonal du plan. Peut-on envi sager un


6,8 20,5 35,9 67.8 101,2 135.8 ajustement affine de ce nuage ?
en m :Yi
r a) Déterminer le coefficient de corrélation linéaire
Le nu age de po ints 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) Déterm iner, 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 régressio n .6. de D en 1.
considère la série do uble (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)?
Xi c) Déd uire du a) une expression de C en fonction
.,.,
de t.
1 1 1 1 1 1 1 1 d ) En admettant que l' évolution du coût constatée
r Dan s un repère orthogonal, construire le nuage de pendant cinq ans se poursui ve les années s ui vantes,
points assoc ié à celte nouvelle série do uble : donner une estimation du coût d'entretien et de
réparation de l'équipement lorsqu 'il aura 7 ans.
- les xi en absc isses, avec 1 cm pour 1 000;
- 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 rég ression de y en x sous la form e
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 pe ments mécaniques identiques. Dans le tableau sui-
180 m pui s la vitesse correspondante du véhicule. va nt , li représente la durée de vie exprimée en heures et
c) Quelle est la distance d'arrêt estimée correspon- RUi) est le pourœntage d 'équipement s encore e n ser-
dant à une vi tesse de 150 km/h ? vice à la date li' (Par exe mple, pour li = 100, il reste
80 % d'équipements en serv ice, et R(ti) = 0,80,)
d) Le manuel du code de la route donne, pour calcu-
1er la di stance d'arrêt (en mètre), la méthode s ui -
vante: « Prendre le carré de la vitesse exprimée en 'i 100 200 300 400 500

dizaines de kil omètres par heure. ~ Comparer le R(/j) 0.80 0,64 0,52 0.40 0,32
résultat obten u 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
] ° On pose Yi = ln R(/ i) où ln désigne le logari thme népé-
Dalls cet ~xen; ia, lous les résull{/(S l/UlIliriques s~rolll rien. Représenter le nuage de points Mi de coordonnées
dOllllts par leur wileur {Ipproch!e arroI/die à 10- 3.
(Ii' J'i) dans le plan muni d'un repère orthogonal.
L'étude du coû t annuel d'entretien et de réparation C 2° Peut-on envi s<lger un ajustement affine du nuage
d'un éq uipeme nt d 'âge l, durant les cinq dernières
précédent ? Calculer le coefficient de corrélation
années, a conduit à établir le tableau s ui 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
équatio n de la droite de régression de y en t. la méthode des moindres carrés est
En déduire qu'il e xiste 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
À
R(t) = ke - '. 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
se rvice au bout de 900 heures de fonctionnement. à propos de la teneur de l'air en COl
Le t'lbleau su ivant 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.n s le tableau ci-dessous, xi désigne le
du pourcentage de logiciels piratés rang de l'année et Yi la teneur en CO2 exprimée en par-

-_
ties par milli on (ppm).
Le tableau sui vant donne l'évolution du pourœntage de
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-

-
ciels piratés
Ranade 0 50 100 140

Ranaxi 1'IIureeIIIage '1


...
1'1IIUI6o:..,

275 290 315 350


1990 0 85 COz :'1
1991 1 78
On a représenté dan s le repère ci-après le nuage de
1992 2 73
points associé à la séri e stati stique (xi' )).
1993 3 66
1994 4 57 Te neur cn CO~

1995 5 51 500
1996 6 47
1 1
450
1997 7 44 .. L L
1998 8 43 400
..
1° Représenter le nuage de points assoc ié à la série sta- 350
.•
lÎstique (.\, Yi) dan s un repère orthogonal tel que: 1 cm
300
représente un an sur l'axe des abscisses et 1 cm repré- .. _.... _. .
sente 5 % sur l'axe des ordonnées. 250
0 20 40 60 80 100 120 140 160
r Dam cell~ question, les résultats serollt obtenus à Rang de l'année
l'aid~ d'une calculatrice et arrondis lIIl millième. Au-
Fig. 23
l'lin détail des calculs statistiques Il' e.~·t demandi.
a) Donner le coefficient de corré latÎ on linéaire r de On veut modéli se r cette évolution par une fonction
la série stati stique (xi' Yi)· dont la courbe est voisine du nuage de points. Plu sieurs
Un ajustement affine est-il justifié? types de fonction s 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 coeJficien L
Représenter ~ dans le repère précédent.
de corrélat io n linéaire, arrondi au centième, de la
c) En utili sant cet ajustement affine, donner une esti-
série (xi' yJ
mati on du pourcentage de log iciels 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 régress ion 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 s ui vants: a arrondi au centième et b à J' unité. Représe nter
• 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 r On considère la fonction définie sur [O. 40] par :
prévoir en 2010'1 Placer dans le repère ci·dessus, f(/) = 500 (1 - e - 0.2/).
après avoi r reproduit la figure, le point Al COITes· a) Recopier et compléter le tableau suivant (les
pondant à cene prévision. résultats seron t donnés à 1 près).

If:~ 1
2° Modélisation par /lne fOl/ction f définie par 1 2 5 10 15 20 30 40
f(x) = 250 + Be Ax 1 1 1 1 1 1 1 1
On pose ::.; = ln Cv,. - 250). On admet que la sé rie
b) Trac:':....la courbe représentative de f dans le repè-
(X,., ::.,.) a pour coeffic ien t de corré lation linéai re 0,999 re (0; i,j) précédent.
et qu'une équati on de la droite de régression de :: en x c) Déterminer graph iquement quelle est, de la droi-
par la méthode des moindres carrés eSt te de la première question ou de la courbe précé-
0= O,O lx + 3,2. dente, ce lle qui ajuste le mieux le nuage et l'utiliser
a) Selon ce modèle, quelle teneur en CO2 peut·on pour indi quer la date à laquelle le quart de la popu-
prévoir en 201O? Placer dans le repère ci·dessus le lation étu di ée a déjà été atteint.
point N correspondant à cette prévision.
b) Donner une équation de la courbe d'ajustement ~ ." .. Le prix du mètre cube d'eau
de y en x, sous la forme y = f(x) = 250 + B ttAl:,
avec A arrondi au cen tième et B à l' unité. A. Ajustt!melit affilie
c) En déduire des valeurs approc'hées décimales On a relevé dans une agglomération le pri~ de l'eau de
arrondies à l'unité de f(O), f(50), f( loo), f(l40). 1994 à 1999. Les résultats ~ont consignés dans le
3° Laquelle des deux prévisions de la teneur en CO2 tableau sui vant:
pour 2010 vous semble la plus plausible? Pourquoi?
Anale Rona !J'rix du m' exprim6
de 1'_", en francs : Y,
Exemples d'exercices de BTS 1994 1 8.74
1995 2 8,80
~ ... Comparaison d'un ajustement affine
1996 3 9,52
et d'un ajustement exponentiel
1997 4 10.42
Pour étudier la progression d'une épidém ie de grippe,
1998 5 Il ,83
une enquête est faite auprès d'un échantillon de 1000
personnes; le tableau ci-dessous donne le nombre N(t) 1999 6 14.62
d'individus ayant été contaminés, à la date l, exprimée • Un franc est égal à 0,15 euro,
en jours.
1° Le plan est muni d'un repère orthogonal. Les unités
2 5 10 15 20 graphiques sont de 2 cm sur l'axe des absc isses et de
88 172 306 420 485 500 l cm sur l'axe des ordonnées. Constmire le nu age des
points Mj(xj. Yi)'
On considère qu'après 20 jours l'épidémie est termi-
née, c'est-à-dire que le nombre total de personnes ayant
r La forme du nuage conduit à rechercher une relation
entre x et y de la forme y = Be,v.·. On pose, pour tout
été contam inées ne varie plus.
entier i de 1 à 6, :; = ln Y; (où ln désigne la fonction
Dans ce problème, on utilisera, pour les calcu ls statis- logarithme népérien).
tiques, les fonctions de la calcu latri ce. a) Établir le tableau de la série double (X,., :j) où on
1° a) Dans un plan muni d'un repère orthogonal donnera des arrondis des: j à 10- 3.
(0; 7,7), placer les points de coordonnées (t, N(t)) b) Déterminer à 10- 3 près le coefficient de corréla-
(unités graphi ques: 0,5 cm pour 1 jour en abscisse, tion linéaire entre la variable X et la variable Z.
1 cm pour 50 individus en ordon née). c) Déterminer par la méthode des moindres carrés.
b) Donner. à 10- 2 près, la valeur du coefficient de une éq uati on de la droite d'ajustement de Z en X.
Les coeffi cients seront arrondis à 10- 2,
corrélati on linéaire de la série statistiq ue double
donnée dans le tableau. Un ajustement affine est-il Donner l'expression de Yen fonction de X. En dédui-
envisageable? re une estimation du prix, en euros, de l'eau en 2004.
c) Déterminer une équatio n de la droite de régres- B. Éludt! d'II11~follctioll
sio n de N en t et la tracer. Les coefficients seront On considère la fonction f définie su r [0, + oo[ par
donnés à 1 près. f(x) = 7,34 eO.IOx

52
On désigne par '€ sa courbe repré sentative dans le D'après ce graphique, dire pourquoi N n'est pas une
repère précédent. fonction affine du temps 1.
1 0 Étudier la limite de f en + 00. 20 Après avoir posé Z = ln (8~0 - 1) o n a él<lbli le
r Étudier les variations de f et construire son tableau tableau et le nuage suivants:
de variation.
30 Tracer <€. Déterminer graphiquement les nombres z,
de points du nuage respecti vement oc au-dessous » et "
0 3,50
« au-dessus » de la courbe ~.
1 2,4 1
4 0 On admet que le prix moyen de l'eau entre 1994 et 2 1.36
1999 est donné par la formule: 3 0,20

P,,, = 5"1 J61 J(x) dt. 4 - 1,07


5 -2,05
Calculer ~II'
6 -3,06
7 -4,09

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 men suelles d'un logiciel s ur 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.
a) Calculer les coordonnées du point moyen G de ce
r Le relevé des ventes cumulées ainsi que le nuage nuage.
correspondant sont les suivants (le premier jour, t = 0,
b) Po étant le point de coordonnées (0; 3,5), on déci-
on a vendu 25 logiciel s).
de de prendre pour droite d'ajustement la droite
N, (Po G). Déterminer une équation de cette droite.
'1
0 25 3 0 On pose maintenant: ln (8~0 - 1) = - 1, 1t + 3,5;
1 70
2 174 en déduire que l'on a : N = 850 .
l+e l.lr +3.5
3 382
4 0 On admet que celte derni ère formule donne l'e;lt-
4 633
pression de N e_n fonction de 1.
5 753
a) Estimer le nombre total de logiciels vendus au
6 8 12
bout de 9 moi s; de 15 moi s.
7 836
b) Que se passe-t-il pour N au bout d ' une « très
N grande durée » ? Justifier.

1~~t;~~~~=+=4~C
~ •• - 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 français.
200r--t--,,~r--t--t--~--r--+- On a recueilli le s informations consignées dans le

o 2 4 5 6 7 8 1
Fig. 2

Chap. 1 : Statistique descriptive 53


Dans les questions suivantes, pour simplifier les cal- C. Ajustement logistique
culs. on pose: Soit la fonct ion f, définie pour 1 réel positif ou nul par:
Xi - 1955

, = -'----:--
5 100
t(l) = 1 + ke"'
où t j représe nte le «rang _ de l'année d'observation.
où k et a sont des constantes que l'on va déterminer.
On obtient ain si:
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
A. Questioll préliminaire exactes de k et li, puis la valeur décimale approchée
Le plan est muni d'un repère orlhogoll:ll (unités: 2 cm de a à 0,1 près par défaut.
pour 1 unité, sur l'axe des abscisses, 1 cm pour 10 %,
2° Soit la fonction f définie sur [0, + 00 [par:
sur l'axe des ordonnées).
Représe,nler le nuage de points correspondant à la série t(l) = 100
1 + ge O,7t
stati stique (fi' Yi)·
a) Calculer la limite de f quand t tend vers + GO.
Calculer les coordonnées du point moyen G et le placer
b) Calculer f'(t), où f' désigne la fonction dérivée de f.
sur la figure précédente.
Déterminer son signe, et en déduire le tableau de
Au vu du schéma, on décide d'effectuer deux ajuste-
variation de f.
ments successifs, en vue de faire des prévisions.
Après l'avoir recopié, compléter le tablea u sui vant:
(Les questiolls B. et C. SOlit il/dépendantes.)
B. Ajustemellt affine
J(I)
1° Donner une valeur approchée à 0,01 près par défaut
du coeffic ient de corrélation linéaire de la série (lj, )).
2° Donner une équation de la droite de régression de y On indiquera les valeurs décimales approchées de
en t, par la méthode des moindres carrés. On arrondira tU) à une unité prè s.
les coefficients ,lU cen ti ème. La représenter sur la Tracer la courbe représentative <6 de f sur la figure
figure précédente. précédente.
3° En utilisant cette représentation graphique, indiquer c) Ré soudre l'inéquation:
à partir de quelle année. au moin s 95 % des ménages f(l) '" 95.
auront été équipés en lave-linge. Donner une interprétation de ce résultat.

54
Chapitre
Probabilités sur
2 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
1. VOCABULAIRE DES ÉVÉNEMENTS
Dans le cas d'un lancer de dé. • Dans une expérience aléatoire, l'ullivers n es t J'ensemble des résul-
!I ~ Il, 2, 3, 4, 5, 61. laIs possibles.
• Un événement est une partie de l'univers.
On noie {5) l'é,,~nemen( élémen- • Un événement élémentaire est un événement possédant un seul élé-
taire . obtenir la face 5 lors d'un ment.
lancer de dé lIo .
• Des événements A, B sont disjoints, ou incompatibles. si, et seule-
menl si, A n B = 121,
• L'événemenl c01ltraire d'un évé nement A est l'ensemble il des élé-
ments de il n' apparten ant pas à A.

Remarque
On note g>(il) l'ensemble des événeme nts de l'u ni vers il.
li: 1 li: 2 Exemple
~ Dans le cas d'un lancer de dé, A = (5, 6) est un événemenl de il
~J(4 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 co mme somme des probabilités des événe ments é lémentaires
qui constituent A, la probabilité de il étant 1. Nous a llons introduire ici
une définition plus générale d'une probabilité.

Chap. 2 : Probabilités sur les ensembles finis 57


Définition
Soit il un univers fini.
Une probabilité sur 0 est une applkation P de l'ensemble \J'(O) des évé·
Pour tout événement A, nements dans l'intervalle 10, 1] telle que :
0" P(A)" J. Axiome 1 : PlU) = 1.
Si A et B sont incompatibles, alo rs Axiome 2 : Pour tOUi événements A et B, si A n B = 0 (fig. 2), alors
PIA o u Bl ~ P(A) + P(B). PIA U B) = PIA) + PlB).

@9 .Q Fig . 2
b. Propriétés
Rappelons quelques ré sultats établis en Première et en Terminale :

C]') Q A u A~Q
Pour tout événement A, PIA) = 1 - PIA).

Fig. 2 bis
Dans le cas particulier où A = n, nolts obtenons 1'(0 ) = O.
Dans le cas où A et 8 ~nt incompa- Pour tous événements A, B : PIA U BI = PIA) + PlB) - PIA n B).
ti bles, nous retrouvon, l'axiome 2.

@)
Ce théorème permet de calcu 1er P(A U B) oU P(A B ) po ur des évé·
nements quelconques.

La probabilité d'un événement A est égale à la somme des probabilités


Q des ~v~nements ~I~mentaires inclus dans A.
Fig. 3
Ce résultat ava it é té choi.. i pour
Mfin ition en Prt m i~ rt .

c. Cas particulier important: l'équiprobabilité


Dans le cas du lancer d 'un dé équi - L'équiprobabilité currespond au cas où tous les événements élémen·
libré, les !lix événe me nts é lémen- taires ont 1. même probabilité.
tai'es Il 1. 12 J, 13J, 141. 151.161
ont chacu n la probâbilité i.
Si les Il événements élémentaires sont équiprobables, chacun a la
probabilité ~

Avec celte for mule, le (:alcul de Dans le cas où tous les ~vénemenlS él~mentaires onl la même probabi-
P (A ) se ral1l ~ n e li UII dénombre- lité, la probabilité d'un événement A est :
Ille nt ; voir le paragraphe C.
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
Considérons un lancer de dé dans le cas de l' équiprobabi lité des évé-
nements élé mentaires de n = (1,2,3,4,5,6).
'l 58
A
(][J
,.~ .4
,

.3
Soit A l'événement _ le résultat est pair » : A = (2, 4,6).
Soit B l'événement « le résultat est supérie ur ou égal à -\ » :
B = (4,5,6 ).
Fig. 4 On a PIA) = ~ = ~ ; de même P(B) = ~.
AnB ~ 14.61·
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 lorsq ue 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
NOLIS remarquons que = -.
Fig. 5 PIA) 3
En conclusion, le fait de disposer de j'information supplé mentaire « A
est réalisé » 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 probabilit~ sur n et soit A un ~vmement de probabilit~ non


nulle.

B La probabilité sachant que A (est réali~) est l'application PA qui, à tout


~v~nement B, associe le nombre PA(B) = P(~)B) .

F;g.6 PA(B) se note aussi P(B IA) et se lit « probabilité de B sachant que A »,
« est réalisé » étant sous-e ntendu.

Chap. 2 : Probabilités sur les ensembles finis 59


c. Propriétés
Voir la définition d'une probabilité • PA' la probabilité sachant que A, est une probabilité sur n.
au parJgrJphe A. 2a.
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;
Fig. 7 P(BIA) = P(~(~)B). Donc f\A n B) = P(B IA)P(A).
BnA=AnB

Puisque P(B) * 0, on peut définir de même P(A IB) = P(B nA).


P(B)
On a donc P(A n B) = P(A IB)P(B).
Ce risultat trh important est appe- Pour tous événements A et B de probabilit~' non nulles.
lé parfois fvrmll/(' d~$ pmbabilitls /'(A n B) = /'(AIB)/'(B) = /'(BIA)/'(A).
cO",{XJSüs.

2. ÉVÉNEMENTS INDÉPENDANTS
Définition
On définit 'linsi la /lotit)n d'indé- Les événements A et B sont indépendants si, et seulement si.
pendance en probabilité. /'(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-
n a 32 é léme nt .. puisqu'il y :t 32 lité des 32 événements élémentaires: -oc tirer l'as de pique », « tirer l'as
cartes dam; le jeu. 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
Voir le paragraphe A. 2e. Donc P(A) = 32 = 8'1
Soit B l'événement « tirer un cœur » : B a huit éléments, puisqu'il y a
huit cœurs dans le jeu.
8
Donc P(B) = 32 = i.
A n B est l'événement « tirer l'as de cœur » ; P(A n B) = 312'

Nous constatons que P(A)P(B) = ~ x i = ~2 = 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
B n C est l'événement . tirer l' as de cœur » ; donc P(B n C) = 312'
Nous constatons que P(B)P(C) =~ x 116 =~ * P(B n C).
Donc les é\'élleme1lfs B et elle sollt pas ;'ultpelldallts.

Remarques
Ulili~rle dernier résultat du para- 1. Dans le cas où A et B ont des probabilités non nulles, A et B sont
graphe A. 1. 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-
cu li 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 c lassement de ceux-ci à l'aide d'une série
d'épreuves publiques.
Dans la phase de c lasseme nt , 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 F4 = lA, B, c, Dl l'ensemble
des quatre c li 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 F4 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 61


P:u définition, une bij ection est Il Y a donc autant de répartitions possibles que de te lles bijections,
une applicalion telle que tout élé- c'est- à-d ire de branches terminales dan s l' arbre c i-après,
ment de l'ensem bl e d'arri vée est
l'image d' un élément et d' un seul
de l'ensemble de départ. _____ C-----D

B _______ D _ _ _ _ _ C
_____ 8 D

~ ~ =~------1~ _____ C-----D


A _ _ _ _ __

-D-----C
_____ A D
Une répartition po~s ible. C_
Fig . 8 - - - - - D - -- - - A
_____ A C
Remarquer qu' id les deux D_
en~mble s jouent des rôl es symé- ----- C -----A
triques, car une répartition co n ~ i s l e _____ 8 D
aussi à associer il chaque client tiré
A _______ _____
au sort un lot et un seu l. 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 _ _ _ __

- B -- - - - A

1"101 : 2" lot: 3< lot : 4r l0i :


4 choi,l 4 x 3choi~ 4 x ). ~ choit 4 x 3 x2x l
pour les IN~ 1 et 2. pour les IOh J. ~ chai, pour k s
el 3. IOIsl,2.3et4

Fi g. 9

En rempla\'anr 4 par 8, on obti ent II Y a donc 4 x 3 x 2 x 1 = 24 répartiti ons possibles des quatre lots
par exe mple le nombre de (,:làs5e- entre les quatre clients tirés au sort.
menlS possibles (sans t'x a t'qll o) des
huit final i ~tes d'u ne épreuve de
Ce nombre 4 x 3 x 2 x 1 est le produit des nombres entiers naturels de
naralion ou d'athlétisme: 4àl.
8 ! = 40320. 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.
Il! M: lit . factorielle /1 . , sur F. est n! = n(n - I)(n - 2) ... 3 X 2 X 1.

62
Permutation
Considérons le cas particul ier Fn = EII'
On appelle permutation de En un e bijection de En sur En'

Le nombre de permulalÎons de n ~I~ments esl n!

Il existe 4 ! permutations des quatre cl ients ti rés au sort.


Une des 4! permutation ...
Fig. JO Remarque
Pour tout entier naturel non nul n, nl est le produit de tous les entiers
1! = 1, 2! = 2. 3 ! = 6. 4! = 24. compris entre 1 et Il .
61 = 720,81 = 5760.... Donc (II + I) ! = (II + 1)11(11 - 1) ... 3 X 2 X I,
La croissa llc~ de la suite tl1!) est
trh rapide. soit (II + I)! = (/1 + I)/I!
9! =9 x 8! =9x 5760 = 51 840. Pour que cette égalité soit encore vraie pour JI = 0, on convient que
O! = 1.
=
Alors, pour tout entier naturel Il , (Il + 1) ! (Il + 1)1l!
Cette re lati on permet de programmer le calcul de II! sur une calculatri-
ce qui ne possède pas une touche ~

2. COMBINAISONS
a. Exemple
Repre nons notre chaîne d' hyperm archés (paragraphe 1.3). Dans un e
autre ville, on commence par ti rer au sort di x clients, puis on sélec-
tio nne sans les classer les quatre gagnants de quatre gros lots iden-
.G
tiques, les six autres clients ayant le même lot de consolati on .

• Problème
F"
Fig. 11 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
Dans un ensemble, l'ordre des élé- Soit N le nombre cherché: c'est le nombre de sous-ensembles consti-
ments n'intervienl pas. tués de qualre éléments de l' ensemble des dix clients tirés au sort.
Voir le paragraphe I.b sur le!. per- Pour chac un de ces sous-ensembles, il y a 4! listes (ordo nnées) consti-
mUlalions. tuées avec les quatre éléments.
Donc. avec les N sous-ensembles di ffé rents de quutre éléments. il y a
4 1N listes ordonnées constituées de quatre éléments pris parmi les di x
clients tirés au sort.
Pour tro uver N, nous allons déterminer par un autre procédé le nombre
de ces listes ordonnées en résolvant le nouveau problème:
On dasse ces quatre lots. De combien de faço ns les quatre premiers lots peuve nt-il s être répartis
entre les dix clients tirés au sort ?

Chap. 2 : Probabilités sur les ensembles finis 63


• Résolution de ce nouveau problème
Pour répartir les quatre premiers lots entre les dix clients, on met en
œuvre une méthode analogue à celle utilisée dans le pardgraphe La :

Une répartition pos~ible.


Fig. 12
Pour ne pas ~ u rc harger le schéma,
seules quelque.s bmnches de l'arbre
ont été représentées.
1"'101 ' zr Ive : 3'101 : 4' 101 :
10,hoix 10 9 choix pour 10 )< 9 le 8choil 10 )< 9 . 8 7
1~ I('1t~ ]eI~ pour let lOti 1. ::1 choix pour lelI
.3 lou l. ::1. 3et4

Fig. 13

10 x 9 x 8 x 7 = 5040. Il Ya donc \0 x 9 x 8 x 7 listes 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 ) .
6x 5x 4 x 3x 2x l
IO x 9 x 8 x 7= 12!!.

• Retour au problème initial


En déterminant de deux façons différentes le nombre de listes ordon-
nées de quatre clients pris parmi dix clients, nous obtenons l'égalité:
N = 210. 4!N= 10! doncN= lQl.
6!' 6 ! 4!
C est la premi~re lettre du mot
Ce nombre est noté C;b qui se lit • C dix quatre • .
combinaison.

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 .
Une combinaison n'e~t pas liée tt la • Le nombre de combinaisons d'ordre p de F. est
notion d'ordre.
C!:selit . Cllp • .
CP =
ri
n!
p!(n - p)!
noté aussi
n
(Pl.
On rencontre encore la notation
C~'~ ( ~).
Exemples
' C~= 15 ;
• C~ = 70.

64
Dans toutes ces propriétés. fi et fJ Propriétés
SOn! des nombres enliers nalurels
lels que fJ .s:;: Il. • COIl = 1 et en Il'
1
• C::~fJ = C~;.
Les démonSIr::ations de ces œsullals
sonl proposées aux exercice .. corri-
• Cp+ 1
Il + 1
= Cp+ 1 +Il
CI,',.
gés 9 el 10.

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 ligne du dessus. par exemple + ~
On obtient alors les différentes valeurs de Cf:
indiquées à droite.

c8
On observe la symélIie du triangle c? c:
de Pascal. qui eSI une conséquence
de la formu le C: - Il = C~' énoncée + cg c~ c~


ci-dessus el démontrte en exercice.
3 cj cl cj cl
Il eSI amusant de savoir que. dans
d'autres p:lys, ce lIi:lngle est aun- 4 6 4 c~ cl cj
cl c~
hué. non à Pascal, mais à un malhé-
maticien local.
5 10 10 5 cj cl c~ cl cl c~
6 15 20 15 6 cg ci c~ 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 :

D émollstratioll: (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 finis 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 + 15_~ + 2U,J + 15x· + 6_~ + x6

D. APPROCHE DE LA LOI FAIBLE


DES GRANDS NOMBRES
L'évén ement A peul être au),si 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
.. obtenir un bulletin de sal:Jire d'un
montant supérieur 11. 1500 euros.,
ou « ulle faclUre datée de décembre
par tirage au h~ard dans un fichier
(p = H ou un cœur dans un jeu de 32 cartes (p =~)-
d'entrepri se» . Effectuons II expériences indépendantes; par exemple, effectuon!')
Illancers 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
On peul .!.imuler ces expériences en
événement.
utili sant une table de nombres au On sait que, lorsque JI devient grand, cette fréquence se stabilise autour
hasard ou un générateur de du nombre p; c'est ainsi qu ' on a introduit, en Première, la probabilité
nombres aléatoires. 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
Le programme préci se 11. ce !lujel : On obtient, avec une probabilit~ aussi grande que J'on veut, une fré-
WI~ appmdl ~ ~.\I,; ,.im ~l1lal~ ~ t lm quence d'apparition de l'~v~nement A, au cours des n expériences indé-
blOilci rudimcntairr .'îllffisel1l.
pendantes. aussi proche que l'on "'eut de p. lorsque n est suffisamment
grand

66
Remarques
Voir Mu(lrb,,(/(iql/~s al/fil d~s {jgt's
IREM , Groupe épistémo logie 1. Jacques Bernoulli avait mis ce phénomène en évidence vers 1700,
~t histoire de s mathém:uiques comme le rappelle Laplace un siècle plus tard:
(Gaulhier - Villars). « 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
stabilise lorsque le nombre d'expériences indépendantes devient très
grand.
Ce point de vue, opposé :1 celui des
.. fn' quentistes » , est dit « baye- Cependant, par exemple en économie, ou pour l'apparition de certaines
sien » . en hommage au révérend pannes (dans les centrales nucléaires d'EDF, par exemple ... ) il n'est
anglais Thomas Bayes, auteur en pas toujours possible d'elTectuer de telles expériences, et on peut alors
t763 d ' un essai , DO<'(rùl t' of être conduit à fixer a priori la valeur attribuée à la probabililé d'un évé-
chllnct's.
nement; on contrôle et éventuellement valide 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 gra ndes. 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 pièces qui présentent le défaut b. A est constitué des
parties <D et@qui n'ont pa!> d'éléments communs el il
POUR LE CALCUL en est de même pour B avec <D et @. Donner, en justi-
DES PROBABILITÉS fiant chaque réponse, le nombre de pièces constituant
chacune des parties <D@@0.

60"1- 0/"" ~ 1
L
0

TP 1 Diagramme, tableau
en productique ~I\~ : Ci) - Ot/t1~
Une entreprise fabrique des pièces métalliques. Une
~"A ,Ci>, '.~ ~{ ~
pièce peut être défectueuse il cause d'au moins l'un des ti A!, ~ MÔ -%l L
deux défauts désignés par CI et b. On considère un lot de "" _Il 01\ 1, _~_olQt{
IOOOCl pièces, dans lequel 2 % des pièces présentent le ( 1""
défau t CI (et peut-être aussi le défaut b), 8 % présentent "- 0 1 ~ ~\). Fig. t4
le défaut b (et peut-êlre aussi Je défaut a) et 0, 16 % pré-
sentent simultanément les défauts a et b. 2 0 Dans le tableau su ivant, A (respeclivement El) est
J'ensemble des pièces ne présentanl pas le défaul Cl
10 On représente cette situation par le diagramme sui-
(respectivement b).
vant où P est l'ensemble des pièces, A l' ensemb le des
pièces qui présentent le défaut lI, B l'ensemble des Reproduire ce tableau et le compléter.

Chap. 2 : Probabilités sur les ensembles fini s 67


A Total TP3 Tirages successifs avec
et sans remise
B o 00 1 (, Tout~s I~s probabilirb suom dOllllÜS sous form~ d~
fractions irrlductib/~.t.
Tocal 0,01., 10000
10 Tirag~s av~c ~m;u
3° On prélève au hasard une pièce dans un lot de On tire une carte au hasard d'un jeu de 32 cartes bien
10000. To utes les pièces ont la meme probabilité d' être battu. on note le rés uhat, on remet la carle dans le
choisies. paquet, on bat les cartes et o n tire de nouveau une carte
au hasard. Un résultat est un couple de cartes. Tous les
Déterminer la probabilité de chacun des événements
couples sont équiprobables.
suivants :
a) El : « La pièce choi sie présente l'un au moins des Quelle e~t la probabilité de l'événement A : « Les deux
deux défaut s»; cartes tirées sont des piques lit ?
h) E2 : .: La pièce chois ie présente un défaut el un 20 Tirag~s J'alls rem js~
seul ,. ; Même question qu 'au 10 en ne remettant pas la
c) EJ >« La pièce choisie ne présente aucun 9~aut )t . première carte tirée dans le paquet avant de tirer la
seconde.
'), - t"' 1 -; \ t \ \ 1)
l .- b , t . r \ .... {-(J\tl .......

o.o')lL,
ru \ f'( ~\_ \" , ,)fil" TP4 Tirages simultanés
_ -) ) 1)1 \ I>~ - ,[. et utilisation de C~
TP 2 Durée d'une mise au point Une boîte contient 9 jetons sur lesquels son t respecti-
et arbre ve ment inscrits le.s nombres:
Dans une usine, hl mise au point d'un matériel électro- 0; 1 ; 2; 3; 4; 5; 6; 7; 8.
nique nécess ite J'exécution de trois tâchc:s conséc u- On tire si multanément deux jetons de celte boîte.
ti ves, notées At B, C. Un gestionnaire de l'entrepri se a Les tirages sont suppo!\és équiprobabl es.
rele vé sur une longue période les durées nécessa ires On désigne par A et B les deux événements suivants:
pour effectuer chacune des trois tâches. Pour At une
A : « Obtenir deux nombres pairs » :
heure ou deux heures; pour B, quatre heures, c inq
B : « Obtenir deux nombres multiples de 3 ».
heures ou six heures; pour C, deux ou trois heures.
(On rappelle que 0 est un nombre pair et que 0 est mul-
On admet que , pour chacune des tâches At B, C, à
tiple de 3.)
l'avenir, la durée d'exécution ne peut pas prendre
d'autres va leurs que celles qui ont été données ci- 10 Montrer que:
5
dessus. a) la probabilité de A est 18 :
Dans ce qui suit . on appelle . mi se au point .. un triplet
b) la probabilité de B est 1. :
(a, b, c) de trois nombres donnant dans l'ordre (tâche 12
A, tâche B. tâche C) les durées d'exécution des trois c )Ia probabilité de (A n B) est 1..
tâche s. 36
1 0 À l'aide d'un arbre, donner to utes les « mi ses au
r Calculer la probabilité de J'événeme nt « obtenir
deux no mbres pairs ou deux nombres muhiples de 3 )t .
point » possibles.
r Chaque « mise au point ,. définit un événement élé-
mentaire. L'obse rvation sur une longue période conduit
à admettre que toutes les mi ses au point sont équipro- Tableau
bables.
TP5
et probabilités conditionnelles
Déterminer sous forme de fraction irréductible, la pro-
babilité de chacun des événeme nts su ivants: Deux machines MA et Mu produise nt chaque jour res-
a) El : « La mi se au point dure au total huit heures» ; pectivement 100 et 200 pièces du même modèle. La
b) E2 : « La mi se au point dure au total au plu s neuf machine MA sort 5 % de pièces défe ctueuses, la
heures » ; machine M B en so rt 6 %.
c) EJ : « La mise au point dure au total stricte me nt 10 Compléter, après l'avo ir reproduit. le tableau suivant
plus de ne uf heures ». qui décrit la production journalière.

68
NomIlre Nombre E2 : « Le roulement est accepté et a un défaut ».
depika depikel b) Calculer la probabililé que le roulement so it
prudui... produi... 'IbIal
accepté.
porMA porMB
Nombrede . . . . 3° Le contrôle permet-il d'affirmer que moins de 1 %
dO!fecIueu... 5 IZ 1f des roulements acceptés présentent un défaut?
Nombredepikes
non dO!fecIueuIOI c:lJ .An ..t<i~
TP7 Événements indépendants
ToœI 1~ 0 2' , 300
2° Un jour donné, on prélève au hasard une pièce parmi Une usine fabrique des pièces d'un certain type pour
la production des deux machines. Toutes les pièces ont l'industrie automobile. Deux défauts de fabrication
seule ment som possibles: un défaut de diamètre el un
la même probabilité d'être choisies.
défaut de longueur. Une étude stati stique permet d'ad-
On considère les événements suivants:
mettre que, pour une pièce prélevée au hasard dans la
A : « La pièce choisie provient de la machine MA » ; production d'une journée, la probabilité de l'événe-
B : « La pièce choisie provient de la machine Ma » ; ment A : « La pièce possède un défaui de diamètre » est
D : « La pièce choisie est défectueuse » ; P(A) ; 0,03 et la probabilité de l'événement
D: « La pièce choisie n'est pas défectueuse • . B : '* La pièce possède un défaut de longueur» est
P(B) ~ 0,07.
Déterminer à J'aide dp labd.eau vré~f~ent lesprob~b.ili~-1:
tés suivantes: P( \::: ') \ (r 1. 1 1
# V On admet que les événements A et B sont indépendants.
P(A) ; P(B) ; P(D) ; P(D) ; P(A n D); P(B n D). Calculer la probabilité de chacun des événements sui-
3° a) Déterminer directement à J'aide du tableau précé- vanL'i :
dent Jes prObabilité! condilionnelle~ p(A ID) et El : '* La pièce prélevée au hasard possède les deux
P(Bj D). il 4 ID -.2. r
(I>I \) )0 défauts » ;
b) À l'aide des risultats J'8tenus au r et au 3°a)
vérifier que P(A jD ) x P(D) ; P(A n D)
E2 : « La pièce prélevée au hasard pos!5ède au moins
l'un des deux défauts JO ;
el que P(BjD) x P(D) ; p(B D). n
Toutes I~s pmbabi/itis seront données SOIIS forme de E3 : « La pièce prélevée au ha~ard ne possède aucun
frtlctions irriductibJes. des deux défauts JO;
E4 : « La pièce prélevée au hasard possède un seu l
TP6 Probabilités conditionnel/es défaut ».

On admeltra q~e, si A et IJ sont jndépend~nts,_A et B sont


Une usine fabrique des roulements i\ billes. Une étude
statistique a montré que 90 % de hl production ne pré-
sente pas de défaut.
I indépendants. A et B sont indépendants. A et B'M)nt indé·
pendan ts.

Chaque roulement est soumis à un contrôle de fabrica-


tion. Ce contrôle refuse 94 % des roulements avec TPB Tirages simultanés,
défaut et accepte 92 % des roulements sans défaut. probabilités conditionnelles,
On prélève au hasard un roulement avant son passage événements indépendants
au contrôle dans la production d'une journée.
Tous les tirages sont équiprobables. Une urne contient 10 boules: 6 boules rouges numéro-
tées de 1 à 6 et 4 boules bleues numérotées de 1 à 4.
On désigne par D l'événement: « Le roulement a un
défaut » et par A l'événement: « Le roulement est On tire simu ltanément 3 boules de l'urne. On suppose
accepté à l'issue du contrôle ». que tous les tirages de 3 boules son t équiprobables.
1° a) Déduire P(D) des informations figurant dans On considère les événements:
l'énoncé. A : « Les 3 boules tirées sont rouges ,. ;
b) Déduire P(AID) des informations figurant dans B : « L'une au moins des 3 boules tirées est bleue ,. ;
l'énoncé.
C : « Chacune des 3 boules tirées porte un numéro supé-
e) Déterminer P(AID) à J'aide des informai ions
rieur ou égal à 3 ».
figurant dans l'énoncé. En déduire P(AID).
2" a) Calculer la probabilité des événements su ivants: 1 0 a) Montrer que la probabilité de A est~.
El : « Le roulement est accepté et n'a pas de b) En déduire la probabilité de B.
défaut », 2. a) Montrer que C a la même probabilité que A.

Chap.2 : Probabilités sur les ensembles finis 69


b} Montrer que la probabilité de l'événement A nc 3° a) Sachant que l'événement A est réalisé, quelle est
la probabilité que C le soit?
est -.L.
30 b) Les événements A et C sont ils indépendants?
c) En déduire la probabi lité de A U C.

Remarque
On peut retenir que:

• dans les situations de lirages s ucce s~ ifs, 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 C~.

EXERCICES CORRIGÉS
DES OBJECTIFS ...rdces
0* Gestion de stock
Num~fUldes

Chez un fournisseur d'équipements pour l'industrie


Réa!i..er un dénombremenl à l'aide de
par(ition~, d'arbre .. , de tableau);."
là3 une étude statist ique effectuée sur une année a perm is
de constater que la demande hebdomadilire d'un modè-
Uli li!<oer de>; fllrmules de dénombrement. 6 à lU
le de joints à lèvres pour pompes hydwuliques peut
Utiliser la formule du binôme. Il prendre toutes les valeurs de 0 à 4.
Réaliser un dénombrement à l'aide des I~ el 13 On obse rve les demandes de deux semaines consécu-
fl)rmules. tives. Un résultat est un couple (a, b) de deu~ nombres
Calculer de ... probabilité~. 14 à 25 où CI dés igne la demande de la premi ère semai ne et b
celle de la deu~ i ème se maine.
Employer de ~ Il.lrInule<,. de dénombrement 17 à 19
pour le caku l de'i probabjlilé~. 1 0 Donner tous les résultat s possibles.

Calculer une probabilité conditionne llc. 20 à 22 el 25


r Donner le nombre de résultats tels que la demande
totale au bout de deu ~ se maines:
Ulili-.er de'i é\énements indépendants. 23 el 2~
a) soit égale à 6;
b) soÎl strictement supérieure à 6;
Exemples de dénombrements à l'aide
c) so it au plus égale à 6.
de partitions, de tableau x, d'arbres

Q] ,. Contrôle de fabrication [TI * Avec remise ou sans remise


Dans une usi ne, o n produit chaque jour mil1e pièces du On tire successivement troi s cartes d'un jeu ' de
même modèle . Chacune de ces pièces est s usceptible 32 cartes . Comb ien y a- t-i l de tirages possibles si les
de présenter un défaut A, un défaut B ou simultané ment tirages o nt lieu:
les deu ~ défauts A et B. a) avec remise (c'est-à-dire qu'on tire une carte, on
On admet que : note Je résultat, on la remet dans le paquet, on
- 8 % des pièces p~sentent le défaut A ; mé lange les cartes et on recommence ... )?
- parmi les pièces atteintes du défaut A, 15 %onl le b ) sans remjse (on tire une carle, mais on ne la remet
défaut B ; pas dans le paquet avanl de tirer la deuxième ... )?
- parm i les pièces non atteintes du défau t A, 5 % on t Imaginez un arbre ... très vieux, car il :t beaucoup de
le défaut B. branches! Faites de même pour les exercice~ 4 CI 5.
Déterminer. parmi la production d'un jour donné, le
nombre de pièces:
a) présentant simultanément le défaut A et le défaut B ;
b ) prése ntan t le défaut B sa ns prése nter le défaut A ;
o U La tournée du conducteur de travaux
Un conducteur de tra va u~ part de son bureau pou r vis i-
c) présentant le défaut B et peut-être le défaut A ;
ter quatre chant iers notés A, B, C, D.
d ) ne présentant ni le défaut A, ni le dé faut B.
1 0 Combien y a-t-il d'ordres théoriques de visite pos-
. On pe ut réali~r un dia g ranllne ou un tableau. s ibles?

70
r Combien lui reste-t-il de poss ibilités s'i l doit passer Exemples de dénombrements
sur le chantier A avant d'aller sur le chantier C, et s' il à l'aide de combinaisons
peut visiter un ou deux chantiers entre A et C?
~. Au conseil muniCÎpill

o .. Des chiffres ... sans lettres!


Parmi les 25 conseillers municipaux d' une petite ville
sont élus troi s maires adjoints.
Combien y a-t-il de résultats possibles?
Combien peut-on former de nombre de troi ~ chiffres
avec les chiffres 1,2, 3, 4, 5, le même chiffre pouvant
être utili sé deux ou trois foi s? ~ •• Contrôle de qualité

J ODans un lot de vingt pièces fabriquées, on en prélè-


ve simultanément quatre. Combien de prélèvements
Exemples de calculs avec des factorielles ou C~ différents peut-on ainsi obtenir?

o. Simplifications
2 0 On suppose alors que, sur les vingt pièces, quatre
sont mauvai ses.
Quel est le nombre de prélèvements où :
Simplifier les fractions suivantes: a) les quatre pièces sont bonnes?
(11 + 2)' b) au moins une pièce est mauvaise ?
a).!!!' b) 30! . c)(II + I)!. d) - - .
16" 27 !3!' Il!' Il! c) une pièce et une seule est mauvaise?
d) deux pièces au moins sont mauvai ses?

0" Calculs d. probabilités


Écrire, à r aide de deu x factorielles, le produit
5 x 6 x 7 x 8. ~ • In~ompatibles ou non ...
On donne deux événement~ A et B tel s que
P(A) = 0,81et P(B) = 0, 16.
Calculer les nombres réels suivant s: Calculer P(A U B ) dans chacun des cas suivants:
a)C~; b)C~ ; c)c l; d)C~. a) A et B sont disjoints (on dit aussi incompatibles);
b) p(A n B) = 0,11.

[!] .... ~ • jeu de cartes

Montrer que pour tous les nombres entiers naturel s 11 et On tire une carte au hasard dans un jeu de 32 cartes.
P Cf: C::
p tels qu~ :s; 11, = -'J. Tous les tiwges sont équiprobables. On considère les
évé nements suivants:

~ .... A : ... La carte tirée est un roi ,. ;


B : ... La carte tirée est un trèfle ».
J ODéfinir par une phrase les événements A, B, A n B ,
Montrer que , pour tou s les nombres entiers naturels 11
AU B.
etp tels quep ~ li , C~ : Il = C~+ 1 + Cf:.
r Calculer sous forme ~e fm:!ions irréductibles les pro-
babilités P(A ). P(B), P(A), P(B), PlA n B ), P(A U B).
Exemple d'utilisation de la formule du binôme
~ •• Dé truqué

On lance un dé cubique truqué dont les faces sont


Développer, à l'a ide de la formule du binôme, les numérotées de J à 6.
expressions suiv ante s, où a est un nombre réel la
On nOle Pi probabilité de l'événement Ej ... Le rés ul-
quelconque: lai du lancer eSI j . , où 1 :s; i :s; 6.
a)E =(a+ 1)4; 0
1 Calculer PI' P2' P3' P4' P5 et P6 sachant que:
b) F = (a - 3)'. P2 = P4; P4 = " 6; PI = P3; P3 = P5; P6 = 2P5'

Chap. 2 : Probabilités sur les ensembles finis 71


1
2° Calculer la probabilité de chacun des événements
suivants:
chevaux. Gagne.r le tiercé dan s J'ordre consiste à trou-
ver le nom et l'ordre d'arrivée des trois premiers.

1
a) « Obtenir un résultat pair»; Gagner le riud dans J~ dlsort/re consiste, seulement,
h) « Obtenir un résultat impair » . 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.

1
Exemples d'emploi de C ~
pour le calcul des probabilités
Probabilités conditionnelles
~ •• Tirage de bou/es
Un sac contie.nt neuf boules indiscernables au toucher,
~ ** Utilisation d'un tableau pour déterminer

1
des probabilités conditionnelles
ce qui rend les tirages équiprobables.
Quatre boules sont blanches et numérotées de 1 à 4. Deux ateliers, notés 1 et 2, d'une même entreprise, pro-
Cinq boules sont noires et numérotées de 1 à 5. duisent chaque jour respectivement 1000 et 800
On tire simultanément trois boules du sac. Calculer la « puces » électroniques d'un même modèle. 2 % des

probabilité de chacun des événements suivants: puces produites par l'atelier 1 et 3 % des puces pro-

1 a) A : 4( Toutes les boules sont blanches » : duites par l'atelier 2 sont défectueuses.
b) B : « Les boules sont de couleurs différentes ,. ; l Compléter, après l'avoir reproduit, le tableau suivant
Q

c) C : « Il y a plus de boules blanches que de boules qui déçrit la production journalière.


noires ,. ;

_do_
1
d) D : « Les numéros des boules sont impairs » .
us résultats seront dOllllb sous fon,,~ d~ fractiolls
irréductibles.
..-..
_do
,'_1 .. . .
~ * jeu de cartes
..-.. ..
1
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


,'_2
1800

Dans ce qui suit, les résultats seront dOl/nés sous form~

1
une main respectivement: d~fractions irréductibles.
a) quatre cartes de même couleur; Q
2 Un jour donné, on prélève au hasard une puce parmi
b) une carte de chaque couleur; les 1800 puces produites par les deux ateliers. Toutes
c) exactement un as ; les puces ont la même probabi lité d'être choisies.
d) exactement deux as; On considère les événements suivants:

1
e) aucun as; A : « La puce prélevée provient de l'atelier 1 » ;
f) au moins un as; B: « La puce prélevée provient de l'atelier 2 » ;
g) deux cœurs et deux piques; D : « La puce prélevée est défectueuse » ;
h) deux cœurs, un pique et un trèfle; D : « LI. puce prélevée n'est pas défectueuse » .
i) deux cœurs et un as exactement;

1
Déterminer, à l'aide du tableau précédent, les probabi-
j) un carré, soit quatre cartes de même valeur. lités suivantes:
• Il Y a quatre couleurs: cœur, carreau, trèfle, pique. al P(D), P(A n D), P(A/ D) .
bl P(D), P(B n D), P(B/D).
On donnera la mleur approchée di c:imale arrondit! à
/0 - 4 d~ chaqu~ ri sultat. 3° Vérifier que P(A n D) = P(A/D) x P(D)

1
el que P(B n D) = P(B/D) x P(D).

~ *** Où il est prouvé qu'il faut avoir beaucoup


de fi: chance » pour gagner au tiercé ...
~ *** Des boules dans une ume

1
11 y a vingt chevaux au départ du Prix d'Australie, la
grande course pour le tiercé de dimanche prochain. Une urne contient cinq boules: trois rouges, numéro-
Seule nous intéresse J'arrivée des trois premiers tées J, 2, 3, et deux nOlfes, numérotées 1 et 2.

1 72
On tire au hasard et simultanément deux boules de cette façon indépendante. À la sortie de l'usine, on prélève
urne. Les tirages sont équiprobables. une pièce au hasard.
a) Quelle est la probabi lité de l'événement A : La probabilité de l'événement El : « La bille est défec-
tueuse » est P(E 1) = 0,03.
~ Les deux boules tirées sont de la même couleur » ?
La probabilité de l'événement E2 : « L'élément est
b) Que ll e est la probab ilité de l'événement B : défectueux » est P(E2) = 0,05.
« La somme des numéros portés sur chacune des Déterminer la probabilité de chacun des événements
. deux boules tirées est égale à 3 » ? suivants.
c) Quelle est la probabilité de B sachan t que A (est a) E3 « La pièce choisie présente les deux
réali sé)? défauts " ;
b) E4 : « La pièce choisie présente l'un au moins des
deux défauts JO ;
~ *** Pauvre Sécurité sociale! c) Es : « La pièce chois ie présente un défaut et un
seul JO ;
Les individus d'une population peuvent être atteints de
d) E6 « La pièce choisie ne présente aucun dé-
deux maladies Ml et M 2.
faut JO .
On prélève au hasard un individu dans la population.
On note A l'événement: « l'individu est atte int de la
maladie M] 1O,et B l'événeme,nt : « l'individu est attejn t Exercice d'e)(amen
de la maladie M2 )t •
. On admet que P(A) = 0,03, P(B) = 0,05, et que la
~ *** Événements indépendants
probabilité qu'un individu pri s au hasard dans la popu-
et probabilités conditionnelles
lation soit attei nt de la maladie M 2 sachan t qu'il est
atteint de la maladie MI est 0,60. Une pièce est usinée successivement par deux
machines M] et M2, les résu ltats des deux usin ages
a) Calculer la probab ilité de l'événement: « l' indi -
étant indépendants.
vidu est atteint de la maladie Ml et de la maladie
M2 » ; Après passage dans la première machine MI' 5 % des
pièces présen tent un défaut. On note A l'événement:
b) Calculer la probabilité de l'événement: « l'indi-
« la pièce est défectueuse après passage dans MI lo .
vidu est atte int de la maladie Ml sachant qu'il est
atteint de la maladie M z » ; Après passage dans la deuxième machine M2 (et quel

1
que soit leur état après leur passage dans MI)' 2 % pré-
c) Calculer la probabilité de l'événement: « l'indi-
sentent un autre défaut. On note B l'événement: « la
vidu est atteint de la maladie Ml ou de la maladie
M2 ». pièce est défectueuse après passage dans M 2 It .
On extrait au hasard une pièce parmi les pièces ayant
subi les deux usinages.

1
Événements indépendants
}ODéterminer les probabilités deA et de B.
Exprimer il l'aide des événemen ts A et B les événe-
~ ** Jeu de cartes ments suivants:
On lire au hasard une carte dans un jeu de trente-deux. C : « la pièce est défectueuse pour les deux usinages

1
Les trente-deux événements é lémentaires sont équipro- parMI etM2 JO ;
bables. D : « la pièce est défectueuse » ;
Les événements A et B suivants sont-il s indépendants? E : « la pièce ne présente aucun défaut ».
a) A : « La carte tirée est une dame ,. ; B : « La carte Calculer les probabilités des événemen ts C, D et E.
tirée est noire ». 2° Dans cette question, donner les probabilirb sous

1
b) A : « La carte tirée est une dame JO ; B ; « La carte fonne de frac/ions irritluc/ibles.
tirée est une figure " . a) Sachant que la pièce extra ite est défectueuse,
quelle est la probabilité que la pièce présente des
défauts d'usinage dus aux deux machines?
~ *** Encore des défauts!
b) Exprimer à l'aide de A el B l'événement :

1
Une usine fabrique des pièces en grande série. Chaque « le défaut provient uniquement de la machine M') lo ,
pièce est constituée par l'assemblage d'une bille fabri- puis sa probabilité. En déduire la probabilité quë le
quée par la machine nO 1 et d'un élément fabriqué par défaut provienne unique,ment de la machine Mz,
la machine nO2. Les deux machines fonctionnent de sachant que la pièce est défectueuse.

Chap. 2 : Probabilités sur les ensembles finis 73

1
EXERCICES NON CORRIGÉS
Exemples de calculs avec des factorielles ou c~ ~ U Avec remise ou sans remise ...

~ ... Simplifications Une urne contient six bou les numérotées de ) à 6.


1° On en tire deux successivement, avec remise. Quel
Simplifier les fractions suivantes. est le nombre de tirages possibles?
a) !1l. b) ~ . c) 100!
(,. + 1)! 2° Même question avec un tirage successif de trois
d) - - .
13!' 5!2!' 9~13! (,.-1)! boules avec rem ise.
3° Même question qu'au 1° avec un tirage sans remise.
~ ... Ca/culs avec C ~ 4° Même question qu'au 2° avec un tirage sans remise.
Calcu ler les nombres réels suivants:
~ •• Avant de {aire des impasses
,
b) Cl.'

,
d) C 3.' e) C,So. Un candidat à un examen oral a étudié seulement
quatre questions de physique sur dix po~sibles et huit
Exemples d'utilisation de la formule du binôme questions de mathématiques sur douze possibles.
L'épreuve consiste à répondre à une question de phy-
~ • Développement sique et à une question de mathématiques.
1° Combien y a-t-il de tels sujets à deux questions?
Utiliser la formule du binôme pour développer 2° Dans combien de cas le candidat connaît-il les
l'expression: réponses aux deux questions?
E(x) = (2.- X)'.
3° Dans combien de cas connaît-il seulement la répon-
se à la question de physique? la réponse à celle de
~ • Recherche d'un coefficient
mathématiques?
Quel est le coeffic ient de .x4 dans le développement de 4° Dans combien de cas ignore-t-il les réponses aux
(x+3)'? deux questions?

~ ... Une application §] .* Circulez!


10 Écrire le développement de ( 1 + x)5. JO Dans la plupart des départements, chaque véhicule
automobile a un numéro minéralogique comportant au
rEn déduire que 2s = C~ + C1 + ... + C~ en plus quatre chiffres sui vis d'une ou de deux lettres (on
considérant le cas particulier où x = 1. peut avoir deux fois la même lettre) ; le s lettres 1 et 0
sont interdites pour éviter des confus ions avec les
Exemples de dénombrements avec un diagramme,
chiffres 1 et O.
un tableau, un arbre, des combinaisons
Combien de véhicules peut-on ainsi immatriculer par
~• Vous êtes des sportifs! département?
r Lorsqu'on a épuisé dans un département toutes les
Une enquête a révélé que dans un groupe de 150 étu-
possibilités d'immatriculer les véhi cules comme on le
diants de STS :
décrit au JO (c'est le cas depuis longtemps à Paris), on
- 98 pratiquent le tennis;
immatricul e les véh icu les avec un numéro comportant
- 53 pratiquent le ski; trois chiffres et trois lettres, par exemp le 100 FER 75.
- 39 pmtiquent le ski et le tennis. Combien de véh icules peut-on ainsi immatriculer?
1° Décrire cette situation avec un diagramme ou un
tableau.
~ ** Des nombres
2° Combien d'étudiants ne pratiquent aucun de ces
deux sports? 1° Combien de nombres distincts de trois chiffres peut·
3° Combien d'étudiants pratiquent uniquement l'un de on former avec les ch iffres 3, 4, 5, 6, le même chiffre
ces deux sports? pouvant être utilisé deux ou trois fois?

74
2° Combien de nomb~es distincts de trois chiffres peut-
~ ** jeu de cartes
on former avec les chiffres 3, 4, 5, 6, chacun étant uti-
lisé au plus une fois '! 1 0 On tire cinq cartes dans un jeu de trente-deux.
Combien y a-t-il de mains possibles?
~ ** L'emploi du temps ZO Combien y a-t-il de mains contenant:
a) exactement trois rois?
L'élaboration de l'emploi ùu temps d'une classe est un b) au moins trois rois?
exerc ice délicat auquel se livre chaque été le proviseur~
adjoint de chaque lycée de France ...
Pour organiser l'emploi du temps d'une classe de STS Calculs de probabilités
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 On donne deux événements A et B tels que
proposer pour cette matinée? P(A) = 0,72 et P(B) = 0,19.
Calculer P(A U B) dans chacun des cas suivants:
~ ** La vie en couleurs a) A et B sont incompatibles;
b) P(A n B) = 0,Q7.
Une palette contient 15 couleurs, 9 vives et 6 pastels.
On doit choisir pour la peinture d'une pièce 3 cou leu rs
différentes, une pour les murs, une pour le plafond. une @] * jeu de cartes
pour les encadrements.
On lire une carte au hasard dans un jeu de 32 cartes.
Deux choix sont considérés comme différents dès que: Les 32 événements élémentaires sont équiprobables.
une couleur utilisée dans l'un ne l'est pas dans
On considère les événements suivants:
l'autre;
A : « La carte tirée e.st URe dame » ;
- une couleur utilisée dans l'un l'est dans l'autre à un
emplacement différent.
. B : « La carle lirée est un cœur JI .
]0 Combien' de choix différents peut-on faire?
1 0 Définir par une phrase les événements.:4, B, A n B,
A UB.
2° Combien y en a-t-il sachant que la <.:ouleur des enca-
2° Déterminer, sous forme de fractions irréductibles,
drements doit être choisie parmi les cou leurs pastel?
les probabilités P(A), P(B), P(A), P(B), P(A n H),
3 0 Combien y en a- t-i l avec les murs e.n couleur vive et
P(A U H).
les encadremen ts en couleur pastel?

~ ** Autour de la table ~ ** Gestion de stock

Il y a 6 places numérotées autour d'une table. Dans un dépôt de pièces détachées, l'observation des
0 ventes sur une longue période a permis d'établir que,
1 Déterminer le nombre de façons de disposer 6 per-
pour un certain type de pièces, la demande quotjdienne
sonnes autour de la table.
, peut prendre les valeurs suivantes: 0, 1. 2, 3, 4, 5, 6.
r L'installation des 6 personnes autour de la table dans
On note PI la probabilité de l'événement « Un jour tiré
une dispos iti on donnée nécessite 30 secondes.
au hasard, la demande pour les pièces est i »
Déterminer le temps .nécessaire pour que les 6 per-
i représente donc n'importe quel nombre entier com-
sonnes puissent « tester» toutes les dispositions pos-
pris entre 0 et 6.
sibles.
L'observation des ventes sur une longue période per-
Avec des combinaisons (exercices 39 et 40) . met d'admettre que: Po = P6 = 0,04; Pl = Ps = 0,15;
P, = P4 = 0,20.
~. Sondage 1° Déterminer la probabilité de chacun des événements
suivants:
Dans une entreprise employant 40 personnes, on pro-
pose à quatre personnes prélevées au hasard de a) « Un jour tiré au hasard, la demande de pièces
répondre à un questionnaire. détachées est 3 ,. ;
De combien de façons pe.ut-on constituer l'échantillon h) « Un jour tiré au hasard, la demande de pièces
de quatre personnes? détachées est inférieure ou égale à quatre • .

Chap. 2 : Probabilités sur les ensembles finis 75


2° Pour des rai sons de coût, on ne peut stocker dans le ·8 % des pièces présentent au moins le déf:lUt DI'
dépôt plus de quatre pièces de ce modèle et on ne réap- • 15 % des pièces présement au moins le défaut O2,
provisionne le dépôt qu'à la fin de la journée. Quelle · 5 % des pièces prése ntent à la fois les défauts DI et
est la probabilité de l'événement: .. Un jour choi.si au D 2 et sont directement mises au rebut
hasard, il y a rupture de stock ... · 90 % des pièces qui présentent un seul défaut peuvent
être réparées et les autres sont mises au rebut.
§] ** Tirages de bou/es 1° Représenter cette situation par un tableau.
r On prélève une pièce au hasard dans la fabrication
Une urne contient II boules blanches (11 est non nul), d' une journée. Toutes les pièces ont la même probabi-
deux boules noi res et trois boules rouges. On extrait au lité d'être choisies.
hasard une boule de l' urne, on regarde sa couleur. Tou s Calculer la probabilité PI qu'elle présente un seul
les tirages sont équiprobables. défaut et la probabilité P2 qu'elle soit exempte de
1° Déterminer en fonction de 11 la probabilité Pl d'ob- défaut.
tenir une boule blanche, la probabilité p" d'obtenir une 3° Montrer que la probabilité qu'une pièce prise au
boule noire, la probabilité P3 d'obtenir une boule rouge. hasard soit acceptée (directement ou après réparation)
r Déterminer Il pour que la probabilité p., soit égale est 0,937.
à~. -
Il
3° Déterminer fi pour que la probabilité p., soit égale
à~ - ~ ** Conférence internationale
5
Quatre pays participent à une conférence internationa-
Exemples d'emploi de dénombrements à l'aide de le l'Allemagne, l 'E~pagne, la France et l'Italie. Un
diagrammes, de tableaux, d'arbres, pour le calcul délégué de chaque pays doit faire U,1l exposé. On tire au
de probabilités sort l'ordre de ces intervenants.
1° Dénombrer tous les ordres possibles. (On pourra
~ ** Paul/re Sécurité sociale! (suite ... ) s'aider d'un arbre.)
Dan s une certaine population de 10000 personnes, il y 2° Tous les ordres possibles sont équiprobables.
a 45 % de fumeurs et 35 % de personnes atteintes de Déterminer, sous forme de fractions irréductibles, les
bronchite. De plus , 65 % des bronchiteux sont fumeurs. probabilités de chacun des événements suivants:
1° Représenter cette situation par un diagramme ou un A : « Les délégués espagnol, italien, allemand se sui-
tableau. \'ent dans cet ordre. ;
B : «; Le délégué français parle juste avant le délégué
2° On prélève une personne au hasard dan s la popula-
allemand ».
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 .;
~ ** Tirages avec remise
b) E2 : «C'est un bronchiteux non fumeur . ;
c) E3 : .. C'est une personne qui n'est ni fumeur ni Un sac contient cinq boules, indiscernables au toucher,
bronchiteux •. portant respectivement les nombres 1,2,3, 4 et 5.
3° On prélève une personne au hasard parmi les On tire une boule du sac; on lit le nombre inscrü sur
fumeurs. Tous les fumeurs ont la même probabilité cette boule et on la remet dans le sac. On répète cette
d'être choisis. Calcule.r la probabi lité de l'événement opération une deuxième fois. On appelle tirage un
F: « C'est un bronchiteux ». couple (0, h) où a est le nombre inscrit sur la première
• On peut faire un diagramme ou un lableau. boule et b le nombre inscrit sur la deuxième boule .
10 Déterminer le nombre de tirages possibles.
2° Tous les tirages sont équiprobables, Déterminer la
~ ** Contrôle de qualité probabilité de chacun des événements suivants:
A: « la somme des deux nombres lus est égale il. JO »;
Une machine fabrique 10 000 pièces par jour.
B : «; la somme des deux nombres lus est égale il. 1 .;
En sortie de fabrication, on a constaté qu'une pièce
peut présenter deux sortes de défalus (et deux seule- C : « la somme des deux nombres lus est égale à 6 • ;
ment). D : « la même boule est tirée deux fois de suite ».

76
~ ... Tirage sans remise
Un joueur tire cinq cartes simultanémen t. Tous les
tirages possibles sont éq uiprobables.
Dans un aquarium contenant des poissons, on prend au L'exercice a pour but de comparer les probabilités des
hasard un premier poisson puis, sans le remettre, un événeme,nts suivants, intervenant dans certains jeux de
deuxième poisson. On obtient ainsi un cou ple de pois~ cartes:
sons. Tous les couples sont équiprobables. A : « Obtenir un carré » (soit quatre cartes d'une même
1° L'aquarium contient 4 poissons rouges et 2 poissons valeur, par exemple quatre rois);
noirs. Dans cette question. les probabilités seront don- B : "" Obtenir une quinte flush JO (soit cinq cartes d'une
nées sous forme de fraclions irréduc tibles. même cou leur dont les valeu rs se su ivent);
a) Combien de couples peut-on obtenir selon le pro- C : 0: Obtenir un full lt (soit troi s cartes d'une même
cédé indiqué? valeur et deux autres de même va le ur, par exemple:
h) Quelle est la probabilité de l'événement A trois ro is et deux dix).
« obtenir 2 poissons rouges " ? 1° Calculer P(A}, P(B), P(C), et donner une valeur
c) Quelle est la probabilité de J'événement B approchée de chaque nombre à 10- 5 près.
« obteni r 2 poissons noirs » ? 2° Un « coup » est dit meilleur qu'un autre si sa proba-
d) Quelle est la probabilité de l'événement A U B ? bilité est plus petite; chaque coup est affec té d'une
En déduire la probabilité d'obtenir 2 poissons de valeur V qui augmente quand P diminue
cou leurs différentes. (si P(B) < P(A), alors V(B) > V(A» .
r Il ya maintenant dans l'aquarium 4 poissons rouges
Le classement défini par la règle du jeu est:
et Il poissons noirs (Il est un en lier supérieur ou égal
V(C) < V(A) < V(B).
à 2).
D'après la question 1°, cette règle est-elle just.ifiée?
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 UnQCM
B : fi( obten ir 2 poissons noirs»?
d} Calculer la probabilité de l'événement
C: fi( obtenir 2 poissons de couleurs diffé- §]**
rentes lt ? Cet uen·ic~ est lUI qll~stiollflai~ à (:hoix multiples.
Indiquez sur \·ot~ copie, pour chaque qu~stio" posée,
qlleJl~ est la !JOllllt! réponse parmi It!s propositiolls de
l'inor/ci. AUCtt11t! just(fication 11 'est demandée.
Exemples d'emploi de dénombrements à l'aide de
combinaisons pour le calcul de probabilités 1 ° Un client compose son repas dans un restaurant en
(exercices 50 et 51) choisissant une entrée parmi quatre, un plat du jour
~ ,. Tirages simultanés parmi trois et un dessert parmi cinq. Combien de choix.
possibles a+ij pour composer son menu?
Une urne contient trois boules vertes, deux boules A: 17; B: 12 ; C:60.
rouges et une boule noire. Un joueur tire s imultané- r On lance deux dés cubiques bien équ ilibrés. Tous les
ment trois boules de l'urne. 11 y a équiprobab ilité des résultats sont équ iprobables .
tirages. Quelle est la probabilité d'obtenir deux numéros iden-
Déterminer, sous forme de fraction irréductible, la pro- tiques?
babilité de chacun des événements suivan ts: A :_1_. B:-I_. C:!.
A : « le joueur tire 3 boules de même couleur JO; 216 ' 1296 ' 6
B: fi( le joueur tire 3 boules de couleurs différentes » ; 3° On tire success ivement sans remi se de ux cartes dans
C: fi( le joueur tire 2 boule.s, et 2 seu lement, de la même un jeu de trente-deux cartes. Tous les tirages son t éq ui -
couleur lt . probables. Quelle est la probabi lité d'obtenir deux
cartes de couleur rouge (cœ ur ou carreau)?
~""Aupoker A·.!2·
·62'
B·!
·4'
C!
.i
On considère un jeu de 36 cartes dans lequel on dis- 4° Afin de former une com mi ssion, on doit chois ir trois
tingue quatre couleurs: trèfle, pique, carreau, cœur et personnes dans un groupe de douze personnes.
dans chaque couleur, neuf valeurs dans l'ordre habi- a} Combien y a-t-i l de commi ssions possibles?
tuel : as, roi, dame, valet, dix, neuf, huit, sept, six. A: 4; B: 1728; C: 220.

Chap. 2 : Probabilités sur les ensembles finis 77


b) Dans ce même groupe de douze personnes, quatre
sont des femmes et huit des hommes. Sachant que
toutes les commiss ions pos~ible~ ont la même pro- _drplka
babi li té d'être chois ies, quelle est la probabilité ........ apoà
qu'une commission comporte deux femmes exacte- Ie_
ment?
A· 12 . B:3-., C:1..
·55' 55 Il

20 On prélève au hasard une pièce parmi les 10000 d'un


Probabilités conditionnelles avec un tableau tel 101. Toutes les pièces ont la même probabilité d'être
(exercices 53 à 55) prélevées. On considère le ~ évé nements sui vants:
El: « La pièce est défectueuse et acceptée par le
contrôle ,. ;
E2 : .. La pièce est bonne et refusée par le contrôle ,. ;
EJ : .. Il ya une erreur dans le contrôle ,..
§] . Vive le sport! Déterminer les probabilités P(EI)' peEl)' peE,).
3° Déterminer la probabilité de l' événement : tE La
110 étud iant s de STS se répartissent de la façon sui-
pièce est bonne sachant qu'elle a été refusée. »
vante:
fine.
Pratiquent un sport 30 50 ~ •• Composants électroniques
Ne pratiquent
Un fabricant de composan ts électroniques d'un certa in
aucUD sport 12 18
modèle possède trois machines A, B et C qui
fournissent respectiveme11l 10 %, 40 % et 50 % de la
On tire un étudiant au hasard parmi les 110. Tous les
production totale de ~on usine. Une étude a montré que
étudiants ont la même probabilité d'être tirés. On 3,5 % des composants produits par la machine A, 1,5 %
considère les événements suivants: des composants produits par la machine B et 2,2 % des
F: « L'étudiant est une fille»; composants produits par la machine C sont défectueux.
G: « L'étud iant est un garçon » ; 1° La production d'une journée est de 10000 unités.
S: « L'étudiant pratique un sport»; Décrire à l'aide d'un tableau la situation journalière de
S: « L'étudiant ne pratique aucun sport ». la product ion.
1° Déterminer, à l'aide du tableau, sous forme de frac- r Après fabrication, les composants sont ve rsés dans
tions irréductibles, les probabilités su ivantes: un bac commun aux trois machines. On pré lève au
a) P(S), P(F n S), P(F /S), hasard un composant dans le bac qui contient la pro-
b) PtS). P(G n 5), p(G/S). duction d'un jour donné. Tous les composants ont la
2' Vérifier que P(F n S) ~ P(F/S) x P(S) et que même probabilité d'être choisis.
P(G n 5) ~ P(G /5) x P(5). 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.
§] . 11 Y a des erreurs dans le contrôle c) Calcul er la probabilité que ce composant pro-
vienne de la machine C, sachant qu'il e~t défectueux:.
Dans un atelier, o n contrôle les pièces d'un ceflain
modèle qui sont fabriquées en grande quantité. 2 % des
pièces fabriquées sont défectueuses. Sans tableau ...
Le contrôle est tel que 96 % des pièces non défec- (exercices 56 à 60)
tueuses sont acceptées et que 98 % des pièces défec-
tueuses son t refusées. ~ • Appliquer la définition
1° On considère un lot de 10000 pièces respec tant les
On considère deu~ événements A et B tels que
pouree-ntages précédents. Comp léter, ap rès l'avoir
reprodu it, le tableau sui vant 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).

78
~ •• Pannes de machines On note:
A l'événement: « l'individu est sain » ,
Dans une usine, la fabrication d'une pièce nécessite B l'événement: « l'individu est contaminé )10,

l'utilisatjon de deux machines At 1 et M2"


C l'événement: « l'individu a un test négatir lt,
Pour une période donnée, les probabilités que ces
machines tombent en panne sont respec tivement D "événement: « l'individu a un test positif lt .
5 .1O- 3 et 7· JO- 3. La probabilité qu'un test so it positif sachant que le
D'autre pari, la probabilité que M,! soit en panne sujet est sain est 0,004.
sachant que At 1 est en panne est 0,5. La probabililé qu ' un test soit négatif sachant que le
On nOIe A J'événement: co: la machine MI tombe en sujet est contaminé est 0,024.
panne )10 el B l'événement: "" la ma<.'hine M 2 tombe en JODéduire de l'énoncé PlA), P(B), p(D IA) et P(C IB).
panne • . On a donc: P(A) = 0,005 : P(B) = 0,007 et r Calculer la probabilité que le test soit positir et l'in~
P(B A) = 0,5. dividu sain.
1° Calculer la probabi lité de J'événement C: . Ies deux 30 Calculer la probabilité que le test soit négatif et l'in-
machines tombent en panne ». dividu contaminé.
2° Déduire du J O que la probabilité d'avoir au moins 4 0 En déduire la probabilité que le résultat du test soit
L1ne machine qui fonctionne est 0.9975. en·oné.

~ .. Au • mondial " de l'automobile


~ ••• En « Formule 1 -'
On effectue une enquête sur les goû ts des consom-
mateurs concernant les accessoires au tomob iles. Un con structeur de moteurs de « Formule 1 » fabrique
Dans la population interrogée, 90 % souhaitent un des moteurs de compét ition. La probabilité qu'un de
véhicule équipé d'un autoradio, 15 !J· souhailent la cli- ces moteurs soit e,;empt de défaut, et par suite ne
matisation et 12 % souhaitent ces deux équ ipements. « casse lt pas lors d'un Grand Prix, est 0,8. On dira pour
10 On prélève un individu .w hasard dans ceUe popu- simplifier qu'un tel moteur est « bon ", et on notera B
lation. Tous les individus on t la même probabilité l'événement: « le moteur est bon » .
d'être choisis. Avant chaque Grand Pri,;, un contrôle très sévère est
On note A l'événement: « le consommateur souhaite effectué: soit le moteur est déclaré utilisable, soit il est
un autoradio lt et B l'événement: « le consommateur rejeté.
souhaite la climatisation lt . Donc P(A) = 0,9 ; On note U J'événement: « le contrôle déclare le véhi-
P(B) = 0,15 et P(A n B) = 0,12. cule utilisable » .
a) Quelle est la probabilité qu'i l ne souhaite pas
Ce contrôle n'est pas infaillible:
d'autoradio?
sachant qu'un moteur est bon, il est déclaré utili-
b) Quelle est la probabilité qu'il souhaite au moins
l'un des deux équipements '! sab le dans 95 % des cas,
ZO On prélève ;w hasard un individu parmi ce ux qui - sachant qu'un moteur a un défaut, il est rejeté dans
souhaitent la dimatisation. Quelle est la probabilité 80 % des ca\).
qu'il souhaite aussi un autoradio, c'est-à-dire P(A B)? 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.
@!] ••• Test de dépistage 10 En traduisant les données de l'énoncé. déterminer
P(B), P(U IB), P(U ii).
Ul ri Sl/llats "mlliriqu~s s~rollt arrondis (lU miJli~m~ f~
plus procht!.
r Calculer la probabilité des événements suivants:
V : « le moteur est bon et il est déclaré utilisable )10 ,
Dan s une région d'un pays en voie de développement,
15 % de la population est arteinte par un certa in virus.
W: « le moteur a un défaut et il est dédaré utilisab le » .
On met en place un test de dépistage. En déduire la probabilité de U.
On tire au hasard un individu dans la rég ion. Tous les 30 Montrer que la probabilité qu'un moteur soit bon
individus ont la même probabilité d'être choisis. sachant qu'i l est déclaré utilisable est 0,95.

Chap. 2 : Probabilités sur les ensembles finis 79


Événements indépendants r Le joueur lance le dé.
a) Quelle est la probabilité de voir apparaître un
~ • Les feux tricolores numéro pair? un numéro impair ?

Sur une route, deux carrefours notés 1 et 2 sont munis b) Quelle est la probabilité que ce so it le numéro l,
sachant que c'est un numéro impair ? On donnera
de feux tricolores. On supposera que ces feux ne sont
une valeur approchée arrondie à JO -2.
pas sy nchroni sés et que pour un automobiliste circulant
sur cette roule, l'apparition d'une couleur donnée est e) On considère les événements:
un pur hasard. A : « voir apparaître un numéro pair »;
On note A l'événement: « le feu 1 est vert » et B l'évé- B : « voir apparaître un multiple de 3 » ;
nement : « le feu 2 est vert » . C : « voir apparaître un nombre inférieur ou égal
P(A) ~ ~ et P(B) ~ ~. Les feux 1 et 2 fonctionnent de àh.
A est-il indépendant de B?
manière indépendante.
A est-il indépendant de C?
Un automobili ste passe successivement aux deux car-
refours.
10 Calculer. sous forme de fraction irréductible, la pro-
Exercices d'examens
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. ~ ... Probabilité et analyse
Une urne contient 36 boules indiscernables au toucher.
§] .. Défaut de fabrication Dans cette urne x boules sont blanches, x boules sont
rouges, toutes les autres sont vertes (x étant un nombre
Un atelier produit un composant optique en deux c.ntier vérifiant 1 ~.t :s;: 17)..
phases indépendantes. La première est susceptible de
On tire au hasard et simultanément 3 boules de l'urne.
faire apparaître un défaut a sur 2 % des composanLS, la
Il y a équiprobabilité des tirages.
seconde un défaut (3 sur 4 % des composants. On pré-
10 On suppose x = 1. Les probabilités seront arrondies
lève un compos~tnt au hasard dans la production d'une
à 10- 4
journée.
a) Quelle est la probabilité de lirer une boule de
On appelle A J'évé nement: « le composant présente le chaque couleur (c'est-à-dire une rouge, une blanche
défaut a » et B l'événement: « le composant présente el une verte)?
le défaut (3 ». b) Quelle est la probabilité de tirer 3 boules vertes?
Calculer à 10- 4 près, la probabilité de chacun des évé- 2 0 a) Étudier les variations de la fonction f définie sur
nements suivant s: [0, 17] par f(x) ~ 36x 2 - 2,' et déterminer la
a) le composant présente les deux défauts; valeur de x pour laquelle f atteint son maximum.
b) le composant présente au moins un des deux b) Montrer que le nombre des tirages donnant une
défauts; boule de chaque couleur est égal à J(x).
c) le composant ne présente allcun des deux défauts; c) Soit P(x) la probabilité de tirer une boule de
d) le composant présente un et un seul des deux chaque couleur. Exprimer P(x) à l'aide de J(x) et en
défauts. déduire la valeur de x pour laquelle P(x) est maxi-
male.

~ •• Dé truqué
~ ••• Le portable n'était pas interdit le jour de l'exa-
Un joueur utilise un dé t.ruqué à six faces. La probabi- men ... avec des probabilités conditionnelles
lité de voir apparaître chacun des six numéros est don-
née par le tableau suivant: Un magasin de distribution vend deux types de télé-
phones portables :
Numbo 2 3 4 5 6
• des téléphones standards;
Probobiliœ 0,4 0.15 0,15 0,05 a b • des téléphones miniatures.
Il propose aussi deux types d'abonnements mensuels:
]0 Calculer a et b. sachant que l'apparition du
• l'abonnement 1 heure ;
numéro 5 est quaLTe fois plus probable que celle
• l'abonnement 2 h 30.
du 6.

80
Le serv ice marketing effectue une enquête sur un probabilité que ces deux boules soient de même cou-
échantillon de 2000 clients ayant acheté dans ce maga- leur est 2..
si n, pendant l'année en cours, un téléphone et un seu l 13
de l'un des types vendus et ayant opté pour un seu l des
abonnements proposés. Sur les 2000 clients interrogés,
1 200 ont acheté le modèle standard. Sur ces 2000
~ ... Test de contrôle dans "industrie pharma-
ceutiquè et probabilités conditionnelles
clients, 960 ont cho isi « J'abonnemen t 1 heure •. Un
client est pris au hasard dans l'échant illon. Dans ut ~xuciu, toutt!s J~s probabilités serollT dOl/-
Tous les clients ont la même probabi lité d'être choisis. nées SOIfS forml! dt! fractions irrlductibJt!s.
On note les événeme.nts : Une entreprio;;e de produits pharmaceutiques fabrique
• S : .. le client a acheté le modèle standard ~ ; en très grande quantité un certain type de comprimés.
• M : « le client a acheté le modèle miniature . ; La probabilité qu'un comprimé soit conforme est 0,9.
• AI : « le c li en t a cho isi l'abonnement 1 heure »; 1° On note C l' événement: << Le comprimé est confor-
• A2 : « le client a cho isi l'abonnement 2 h 30 •. me et ë l'événement cOnlraire de C.
)t,

On note P(E) la probabilité d'un événe ment E. Calcu ler la probabilité de l'événement ë.
Les rbu/tats serolll donnés SOLIS forme décimale m'el' 3 2° On contrôle chaque comprimé. On constate que,
chiffres aprt'S la \'irgule. lorsqu'un comprimé est conforme, il est toujours
l ' Détermi ner P(S), P(M), P(A t ), accepté à l'issue du con trôle; quand un comprimé n'est
r a ) Parmi les clients qui ont acquis le modèle stan- pas conforme, il peut être néanmoins accepté avec une
dard, 32 % ont pris l'abonnement AI. probabilité de D.On note A J'événement: « Le compri-
Traduire cette donnée en terme de probabilité.
mé est accepté à l' iss ue du contrôle ».
b) En déduire la probabilité d'avoir acquis le modè-
le standard et d'avoir opté pour l'abonnement A]. a) Monlfer que les probabilités des événements
A n C et A në sont respectivement égales à 1..
1 10
et 110'
~ ••• Tirages simultanés et probabilités condi-
tionnelles 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-
Dans al nerciu, toutes les prolxlbiJités suont dOI/-
tibles, déterminer la probabilité de A.
nùs sous forme de jracliOlIS irrlductib!es.
Une urne contient huit boules: c) Calculer la probabilité de C sachant que A.
- cinq boules blanches, dont trois portent le numéro a
et deux le numéro l ,
- trois boules noires, dont deux portent le numéro 0 et ~ ••• Dans "imprimerie, avec des probabilités
une le numéro 1. conditionnelles
On tire au hasard, et simultanément, deux boul es de Dans une imprimerie, la fabrication journalière d'un
l'urne. On admet que tous les li rages son t équipro- qumidien condui t à deux défauts de fabrication:
bables. le défaut D : «présence de taches d'encre sur la der-
1° Déterminer la probabilité de l' événement A: .. les nière page du journal»;
deux bou les tirées portent des numéros différents • . le défaut A : « présence de taches d'encre sur la page
des offres d'emplois )t.
En déduire que la probabi lité de l'événement B : « les
La probabilité qu'un journal, pris au hasard dans la
deux boules tirées por tent le même numéro » est ~~. fabrication, pr~sente le défaut D est O,()()..I.5.
2° a) Déterminer la probabilité de l' événement C :« les La probabilité qu'un journal, pris au hasard dans la
deux boules tirées sont noires et portent le même fabrication, présente le défaut A est 0,0025.
numéro )t. On a établi que la probabilité qu'un journal, pris au
b) Déterminer la probabilité de J' événement D: hasard dans la fabrication, présente le défaut D sachant
« les deux bou les tirées sont blanches et portent le qu'il présente le défaut A est 0,8.
même numéro)t. On prélève un journal au hasard, dans la fab rication.
e) Déterminer Ja probabilité de l' événe,ment E : « les 1° Calculer à 10 - 4 près la probabilité qu'i l présente les
deux boules tirées sont de même cou le ur •. deux défauts.
3° Sachant que les deux bou les tirées portent le même 2° Calculer la probabilité qu'il présente le défaut A,
numéro, déduire des questions pr~cédentes que la sachant qu'il présente le défaut D.

Chap. 2 : Probabilités sur les ensembles finis 81


3° Calculer la probabilité qu ' il présente au mo ins un SO Quelle est la probabilité que l'éth~ l o t es t don ne un
défaut. résu h at erroné?
us \'alel/ rs approc!Jüs se.rolll arrondie!)' à 10 - 3.
~ .... Boire ou conduire ... a".ec des probabilités
conditionnelles .

Le seuil max imal d 'alcoolémie toléré pour condu ire


une au tomobi le est 0,5 gramme par litre. ~ . . fi tvénements indépendants
Un laboratoire a mis au point un éthylotest. Théuri- Quatre amis décident de jouer avec un jeu de 32 caries
quement, celui -c i devrait être positif lorsqu'une per- auxquelles ils attribuent des points:
sonne testée a une alcoolémie stri ctement supérieure au
4 points pour chacu n des quatre $: as »,
se uil toléré . Mai s il n'est pas parfait:
3 po ints pour chacun des quatre « roi s » ,
lorsqu'une pe rsonne a un tau x d'alcoolémi e stri cte-
2 points pour chacune des quatre . dames »,
ment supéri eur au seuil toléré, l' éthylotest est posi-
tif 96 fois sur 100 ; 1 point pour chacun des quatre « valets »,
lorsqu'une personne a un taux d'akoo lémie infé- aucun point pour chacune des seize alllres cartes.
rieur ou égal au seuil tolé ré, l' éthylotest est positif 3 Une partie I:on siste à tire r s imultané ment troi s cartes
foi s sur 100. du jeu et à relever le total des points qui leur sont attri M

On ~u ppose que ces résu ltats portent s ur un échantillon bués. On dit que le joueur « ne marque pas » lorsque le
suffisamment important pour qu ' il s soient constants. tota l relevé est nul. On dit que le joueur « marque »
Dans une région donnée, 95 % des conducteurs d'auto- dans tous les autres cas. On admet que, lors de chaque
mobile ont un seuil d'alcoolémie inférieur ou égal au partie, tous les tir~lges de trois cartes sont éq uipro-
seuil tolé ré. On soumet, au hasard, un automobili ste de bables.
cette région à l'éthylotest. 1° Un jOl/eur fait "ne partie.
On définit les événements suiv:mts. On cons idère les événemenl~ sui vant s:
0: • l'éthylotest est positif »; - A : Le joueur « ne marque pas » ;
N: « l' éthylotest est négatif » ; - B : Le joueur . marque»;
S: . le conducteur a un taux d 'alcoolémie strictement - C : Le joueur $: marque » avec un total de 9 points.
supérieur au seuil toléré»; Mo ntrer que la probabilité de l' événement A est l.
.. 62
1 : « le conducteu r a un taux d'alcoolémie inférieur ou Calculer la probabilité des événements B et C.
éga l au se uil toléré ». Dmlllt!r les rbt/llats SOIi S forme de fractions irréduc-
1" Que valent PtT) , p(o IS), p(o ll) ? tibles.
2° Quelle est la probabilité que l'automobili ste ait un 2° U,\" quatre amis jOIl(!1If slIccessil'ement chacull UI/ ('

tau x d'alcool émie strictement supérieur au se uil parlie.


toléré?
On admet que le s résuhats des quatre parties sont indé-
3° Quelle est la probabilité qu'il ait un tau x d 'alcoolé- pendanb. Calculer la probabi lité que l' un au moin s des
mie strictement s upérieur au seuil toléré, et q ue J' éthy- quatre am is « marque ».
lotes!.....soit positif ? -=~--:-::--::----~- __J Do nner une approxim ation décimale du résultai à 10- 4
4" a) Calculer P(O n 1), pui s P(O) . prè.s par défaut.
b) Quelle est la probabilité qu ' il ait un taux d 'alcoo-
Si AI' A2' A3' A-4 sont des é,..énemenb deux il deux indé·
lé mie strictement supérieur au seuil tol éré, sachan t
pendanb.,
que J' éthylotest est posi tif ? P(AJ n A 2 n AJ n A-4) = PlA t ) x P(A 2) x P(A 3) x p(A-4)

82
Chapitre
Variables aléatoires
3 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
1. EXEMPLE

a. Calcul de probabilités sur un univers n


Tirons cm hasard une boule d'ulle urne cOlltellalll une boule rouge R,
Fig. une boule l'erre V et ulle boule bleue B. Remettons-la dans "ume et
Un aUlre choix d'univers e~1 propo- effectltOw'i LUI second tirage d'lme bolt/e, chacune des trois bou/es
~ en remarque ?t. la fin du para-
gr:lphe I.d.
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

(v. Rl
B

R (R.Rl (B, R)
V (R. V) (v. V) (B. V)
B (R. Bl (V, Bl (B. B)
Le tableau ci-contre correspond à
l'arbre ci-dessus. 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


D'après l'énoncé, les neuf événements élémentaires sont équipro-
bables : leur probabi lité commune est donc ~.
Revoir l'équiprob:lbilité au para- Nous pouvons alors calculer la probabilité de tout événement: ainsi,
graphe A. I.e. du chapitre 2. 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


Les situations des jeux ont eu un Complétons la situation précédente par une règle du jeu:
rôle fondamental dans l'élaboration Pour chaque boule rouge tirée, 011 gagne 6 euros.
du calcul des probabilités, comme Pour chaque boule verte tirée, Oll gagne 1 euro.
en témoigne, par ex:cmple, la cor- Pour chaque boule bleue (irée, Oll perd 4 eU/vs.
respondance entre Pascal et Fermat
au milieu du XVII!! siècle. 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) .~~~~~======-j
(R. V)
7

(B.R).~~):::::~=======:~~~
(V. V) 2
(R. B)
(V, B) O---;;;-;;;--=-:I:-=====-j
IB.V)
-3
tB. B) o--7"~------t -8
n Fig. 2

Par exemple. JX)ur lU = (R, B). on a X: w ~ X(w) , gain obtenu avec le tirage w.
X(w) ~ 2. !1 ~ IR (voir ci-contre).
li,) est la lettre grecque m;,wsCl"~ X est une variable aléatoire à valeurs réelles.
« oméga » dont la majuscule est O .
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 variab les 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,
con naître la probabilité de gagner 12 euros ou de perdre 3 euros plutôt
que celle de lirer telle ou telle 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.
Un singlelOn de X(O) est une partie Observons par exemple sur la figure le singleton {2} de X(!1). Il est
de X(O ) ayant un seul é.lémenl. l'image par X de la partie {(B, R), (V, V), (R, B)} de !1.

84
Les neuf événements é lémentaires Or P( {(B , R) , (V, V), (R, B)}) = ~ = ~,
de fi sont équiprobables.
Aussi est-il « naturel » de poser P'({2}) = ~,

1(B, R), (V, V), (R, B)) "1 égal à


• •
lu> 0, X(O) ~ 2).
x
E

X n'est pas une bijeçtion de fi sur
X(O), car 2 a trois antécédents
par X,

• • P
n

o 1
3 Fig. 3

C'est l'événement qui intéresse le De même, soit G l' événement<< avoir un gain positif » .
plus le joueur!
G = {2, 7, 12} pui sque X(O) = {- 8, - 3, 2, 7, 12},

IR~) .-=:s\=======--~x~----____~~:e:
{(R, R), (V, R), (R, V), ( B, R),
(V, V), ( R, B)) <SI égal à
IV,R) .~-:-:=t::======::::::::::::::::~tt:
lu> E fi , X("' ) E CI. (V,v) •

IR,B).

P' x(n)

~-
1
o 2
3 Fig. 4

G est l'image par X de la partie


{(R, R), (V, R), (R, V), (B, R), (V, V), (R, B)}
de 0 constituée de six événements élémentaires de O.
Les neuf é\'énements élémentaires Donc P({(R, R), (V, R), (R, V), (B, R), (V, V), (R, B)}) = ~ =~,
de 0 sont équ iprobables.
Dan s ce jeu, la probabilité de Il est naturel de poser P '( G) = ~,
gagner est supérieure ?t~,
Ainsi P'(G) est la probabilité (mes urée 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 re présen tée sur la figure d·
contre.
x

o x(n)

P '(A) = P(I'" En; X(Ol) E A))


Fig. 5
Nous admetton .. ce résultat. On peut démontrer que P' vérifie les axiomes d'une probabilité défi·
Voir la définition d 'u ne probabilil~ nie sur l'ensemble des parties de X(fi) :
au paragraphe A. I.a. du chap il~ 2.
• 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
Voir le paragraphe A. 1.a. du cha· X(!1) = { - 8, - 3,2,7, 12} à l' aide des probabilités des événements
pitre 2. élémentaires ( k ) .
k appartient :1X(n). On adopte pour celles-ci les notations suivantes :
P'( (2)) = P( (w E 0 ; X(w) = 2)) se note plus simplement P(X = 2).
p(X = 2) se lit « probabilité que la Ainsi P(X = 2) = 1.
vari able aléato ire X prenne la
3
D'une manière générale, pour tout nombre k de X(!l), 011 IlOte
valeur 2 ,..
P(X = k) le 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

On constate que ["équiprobabilité k l'IX ~ k)


des événements éléme ntai~s de n J
n'ex iste plus pour les événemen ts -8
'9
élé me ntaires de X(fl). 2 3
-3 2
'9
J 9
2 t
La lo ngueur totale de tous les
3
bâtons est égale à 1. 7
'9
2
1 9

0 2
1
J -8 -3 7 t2
t2
'9 Fig. 6

86
Remarque
Il est devenu inulile de connaître n Les information s contenues dans ce tableau de valeurs suffisent pour
et la probabilité définie sur n. calculer la probabilité de n'importe quelle partie de X(n ).
Pour modéliser la situation proposée au paragraphe La., nous pouvons
aussi choisir pour uni vers J'ensemble nJ des six é léments su ivants
pour lesquels l'ordre d'obtention des boules n'est pas pris en
compte: e l : deux boules rouges; e2 : 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 bleue.
La probabilité P, définie sur n,
ne correspond plus à l' équiprobabilité
des événements élémentaires, car on a :
Par exemple, 1!'4

I(R, V), (V. RH.


corresjX)nd à pour l '" i '" 3, P'('i) = i, pour 4 ", i '" 6, P, (' i) = l
La situation du paragraphe l.b. condu it alors à définir la variable aléa·
toire XI sui vante:

" . X,
'2

'. 7

I!',,! •
2

' .. "
-)

-8
"
n, R Fig. 7

La probabilité P;(paragraphe c.). image de la probabilité par 1. P,


variable aléatoire XI' conduit (paragraphe d.), à la loi de probabilité
suivante pour XI :

i P,(X, = i~

-8
, Pt(X, = 2) = P, ( { e2' es})'
ij
= P,({ '2 } U {es }),
2
-)
il = P, ({'2}) + P, ( { es})'

2
, car {e2 } et {es} sont incompatibles
"3
(h) n {es} = 0).
2
7 ij
P,(X, i
= 2) = + ~.
, 1
'2 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-
lisation s du tirage. au hasard el avec remise de deu x boules.

Chap. 3 : Variables aléatoires à valeurs réelles 87


G est l'é,.énement .. avoir un gain
~ i tif .. : G est égal à
e. Fonction de répartition
IwEn:X(w)E 12,7, 12)), Nous avo ns déjà vu, au paragraphe I.c., que P(G ) = ~ où
on'appart ient pas à Xt!l).
p(X 0) se lit .. probabi lité que la
::!';;
G = {WE O ;X(w» O},
variable aléato ire X prenne une On convie nt de nOler P(G ) = P(X > 0) ; de mê me, pOlir l'événe me nt
valeur inférieure ou égale à 0 JO. 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) .
p(G) ~ 1 - p(G). Par exemple, P(X ,,;; 0) = 1-
P(X";; 1) = P({w E 0 ; X(w )";; 1))
X(n)~1-8,-3,2,7,12}. = P({w E O ;X(w) =-
3 ouX(w) = - 8 ))
= P(X = - 3) + P(X = - 8)
car les événe menls X = - 3, X = - 8 sont incompatibles.
p(x" 0) ~ p(X" 1), P(X";; 1) = ~ + 1 = 1,
993
P(X";; 15) = P( {w E 0; X(w)";; 15)),
De même. p(X::!';; 20) = 1. = PlO) ,
P(0) ~ O. = L
De même P(X";; - 10) = 0, car { w E 0; X(w ),,;; - IO} = 0.
Définition
On définit parfois la fonction de répar-
La fonction de répartition de 1. variable aléatoire X est 1. fonction F :
tition de X par F(,.t) = p(X < x);
seu les les valeurs de F(k) où t. x .... F(x) = p(X" x)
appartient à Xt11) sont modifiées. R .... [0, Il.

Représentation graphique de F
F est une fonction en escalier (ou
constanle par ioter\'alle5) : voir le
chapitre 1.
Sur chaque SC"gmenl de droite. l'eJt-
tR:mi té de droi te est e:c:clue et ce lle
de gauche. incl use: les absc isses
des extrém ités des SC"gmen ts sont 2
des éléments de X( !l ). 3

1
3

-8 -3 0 2 7 12
Fig. 8

x(n) ~ 1- 8, - 3,2,7, 12 }. F(x) est la so mm e des nombres P(X = k), s'ils existent, pour lesquels
k apparti ent à X(O) el k ,,;; x.
La propriété selon laquelle Fest Les nombres P(X = k) appar tenant à [0, Il, la fonction F est crois-
conti nue à droite en lout .1"0 ~ I sante (au sens large) sur lit
n'est pas un objectif du progr.unmc=
de mathématiques dc=s sect ion" de: F(x) = 0 pour lout x < - 8.
tech niciens supérieurs.
F(x) = 1 pour lout x ;" 12.
Ce derni er résullat est à rapprocher de P(X(O )) = l ,

88
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 :
F(7) ~ F(6,5) + p(X ~ 7). P(X = 7) = F(7) - F(6,5), donc P(X = 7) = ~.
Nous rt'ncontrerons au par.tgraphe Cependant, pour une variable aléatoire comme X, il est plus simple
2. d'autres variables aléatoires pour d'utiliser la loi de probabilité que la fonction de répartition.
lesquelles la fonction de répartition
joue un rôle essentiel.
2. AUTRES EXEMPLES
a. Exemples de variables aléatoires discrètes
La variable aléatoire X éludi~ au 1. Soit Y la variable aléatoire mesurant le nombre k de voitures neuves
parJgraphe 1. est une variable alé.a- vendues en un jour par un concessionnaire d'une certaine marque.
toire disc~le prenant poUf valeurs
Supposons que la loi de probabilité de Y soit la suivante:
les éléments -8. - 3. 2. 7,12 de
X(n).
o 2 3 4

0,0:2 O,t 0,3 0,4

Voir le début de la remarque- du Bien que l'univers n, sur lequel la variable aléatoire Y est définie, ne
paragraphe l.d. 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 -----------,..-
--------..........t
, ,
, ,

,
, ,
--------.1

0,2
,,
O, t ----~

......-.j

o 5 k o 5 k

Fig. 9 Fig. 10

Remarque
Nous a\'ons vu au paragraphe 1. La somme des nombres P( Y = k) où k appartient à (D, l, 2, 3, 4, 5) est
que cette somme est P'(Y(O» = J. 5
~ pey = k) = 1. C'est aussi F(x), pour x '" 5.
k~O
2. Soit X la variable aléatoire mesurant le nombre de lancers d'une
pièce de monnaie nécessaires pour obtenir face pour la première fois,
X peut prendre une infinité de en supposant qu'à chaque lancer pile et face sont équiprobables.
valeurs: les éléments de N *. X peut prendre pour valeur tout nombre entier k supérieur ou égal à 1.

Chap. 3 : Variables aléatoires à valeurs réelles 89


L'événement X = k correspond à: « obtenir pile à chacun des (k - 1)
premiers lancers et face au k-ième lancer ».
p(X ~ 1) ~ P(faco) ~ ~. P(X = k) = (12 x 12 x ... x 1)
2
x1
2

(k - 1) facteurs
p(X = 2) = P(pile au premier lan- En effet, les lancers sont indépendants et, à chaque lancer, pile et face
cer et face au second).
ont la même probabilité ~ d'être obtenus.
p(X = 2) = P(pÎle au premier lan-
cer) x p(face au second) car les Donc, pour tout k;;. l, P(X = k) = (~t
deu x lancers sont indépe01.Jants:
donc:
p(X = 2) = t x ~ = (!t

p(X = k)

2 3 4 5 6 7 k
Fig. II

Remarque
Soit n un nombre entier naturel non nul.

k" (t)k k (l)k est la somme des Il premiers termes de la


11 "

k- I_
es t égal ?t k P(X =
k~ 1
k) =
k~ 1 2
suite géométrique de premier terme ~ et de raison q = ~.
21 + (1)'
2: + (1)' (1)"
2: +"'+2'

Donc
" P(X = k) = 1 -(~r
k
k~ 1 21 _ 1
" 2
soit k P(X = k) = 1 _ (1)".
k~ 1 2

Or lim
11-+ +0:;1
(1)"
2
= 0, car °< 1
2
< l,

d'où lim
n-+ +oo k = 1
k" P(X = k) = 1.
+~

On convient de noter ce résultat: k


k ~ 1
P(X = k) = 1.

Ces risultats sont à rnpprocher de Comme k"


k ~ 1
P(X = k) = P(X .. Il) = F(II), où F est la fonction de
la remarque concernant la variable
aléatoire Y ci-dessus. On retrouve répartition de X, on a démontré que lim F(II) = 1.
11-+ + 00
P'(X(O) ~ 1.

90
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~, ni , 5.
Or, dans les domaines économiques et industriels, on est amené à étu-
dier des variables aléatoires pouvant prendre, au moins théorique-
ment, n'importe quelle valeur dans R ou dans un intervalle de R.
Celte durée n'est pas néces~;:Jire­ C'est le cas, par exemple, de la variable aléatoire X mesurant la durée
ment un nombre entier de jours. de bon fonctionnement, en jours, d'un équipement particulier fabriqu é
en grande série, avec l'intervalle lO, + 00[.
Pour une telle variJble aléatoire, les événements intéressants ne sont
Avec les opér;lIions d'union ct d'in- pas du type X = 400, ou X = 271,35, mais plutôt X ,,; 400, ou
tersection, on peut obteni r le!'\ évé- X > 1 000, ou 400 ,,; X ,,; 1 200.
nements .. utile!))10 à l'aide d'inter-
valles.
C'est-à-dire que l'on privilégie, parmi les événements, ceux qui cor-
respondent à des intervalles.
Nou<; a,'ons déjà ren~onlré des é,'é- Pour une telle variable aléatoire, la fonction de répartition joue donc un
nements du Iype X :!li; 100 au para- rôle essentiel et permet de calculer des probabilités: on suppose que
gmphe I.e. à propos de la fonction
cette fonction de répartition F est définie par :
de réparti lion.
pour tout x < 0, F (x) = °
{ pour tout x ;;. 0, F(x) = f~' JU) dl
Cette fonction intervient en fiabili- où f(r) = 0,002e - 0,002/ pour tout 1 ;;. O.
té, c'est-à-dire lorsqu'on étudie la
Ainsi, pour tout x positif, F(x) est l'aire de la portion de plan en grisé
durée du bon fonctionnement d'un
système. sur la figure 12.
y

F(x) = p(X :!li; x).


0,002
P(X :!li;x)

0,001
Y~/(/)
f1xl

o x 500 1000 1500 Fig. 12

Pour fou t x ~ O. • On en déduit que P(X ,,; 400) = F(4oo) = 0,55.


F(:c) = l-e- O•OO2'l(;, • En utilisant l'événement contraire de X > 1 000, nous obtenons
donc F(x) = 1 _e - O.OO1t , p(X> 1000) = 1 - p(X,,; 1000), soit p(X > 1000) = 1 - F(lOOO) 0,14. =
PIA) ~ 1 - PIA). y

y ~ litl
p(X> 1 (00)
F(I (00)

o 1000 Fig. 13

Chap. 3 : Variables aléatoires à valeurs réelles 91


• 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.
F(4oo) ~ p(X '" 400) Donc P(400 < X", 1 200) = F(l200) - F(400) = 0,36.

0,002
.1'=/(1)

p(400 < X:oS: 1 200)

o 400 1200
Fig. 14

Les événements X = 400 et Nous admettons que P(X = 4(0) 0 et, de manière générale, que,
400 < X :oS: 1 200 sont incompa" pour tout x ., 0, on a P(X x) O. = =
tibles.
Nous en déduisons que P(400 ", X", 12(0) = F(1200) - F(400).

p(X = k)
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) :

Pour tous a et b tels que b ;. a ;. 0,


p(a ", X ", b) = F(b) - F(a) = J. b
!(I) dt
p(a:oS:X:oS:b)
.1'=/(1)

Remarque
b a La fonction! définie par
Fig. 16
f(t) = 0 pour tout t < 0,
f e..<;t nulle en dehors de l'intervalle { f(t) = 0,002e - 0.0021 pour tout t ., 0
[0, + ol [, où X prend ses valeurs. est la densité de probabilité de la variable aléatoire X.

Cette propriété a été utilisée lors C'est une fonction telle que, pour tout t ., 0, on a f(t) ., O.
des interprétations gr.tphiques en
termes d'aires. D'autre part, nous avons vu que, pour tout x ~ 0:
La caractérisation d'une fonction
densité de probabilité d'une
F(x) = f'f(t) dt = 1 - e - O,ooz.<.
variable aléatoire n'e st pas un
Donc lim F(x) =
o
l, c'est-à-dire lim J,xf(t) dt = 1.
objectif du programme. X-4+ Ol X-4+ OO 0

lim ea = O. On convient d'écrire ce résultat J,


r+ oo
f(t) dt = 1 et, comme f est nulle
a-+-OI>
+00 0
Ce résultat est à rapprocher de
F(X(n)) ~ 1. f
sur ]- "', 0], on écrit _ 00 f(t) dt = 1.

92
)'

L'aire lal:lle «sous la courbe » eSI 0,002

~
~gale à 1.

)' = 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.

....
discrète, prenanl un nombre fini
B
...
Paragraphe 1 ~t exemple Y
de valeurs du pamgmphe 2.a.

Il exisle une bijeçlion entre cet dis<:rète, prenanl une infinilé Exemple 2 du paragraphe 2.a. qui
ensemble de valeurs el N. • dénombrable. de valeurs: c'est prolonge le paragra.phe 1.
une généra.li sation du cas précédent.

con linue, ayant une densil~ de probabi lité Paragraphe 2.b.

L'élude de ces exemples se prolonge On étudie une variable aléatoire en utilisant les définitions et les
au pamgmphe B. !oui van!. méthodes fi g urant dans les exem ples du même type cités ci-dessus.

B. ESPÉRANCE MATHÉMATIQUE
VARIANCE, ÉCART TYPE
Une telle démarche a déjà élé effec- Nous avons vu, au paragraphe précédent, que la donnée de la fonction
tuée en slatistique descriptive. Il de répartition d'une variable aléatoire X permet de calculer la probabi-
s'agi l ici de la meltre en œuvre, en
lité d'événements faisant intervenir X.
calcul de!\ probabi lités, pour des
variables aléaloires qui pourront Cependant, la fonction de répartition peut faire intervenir de nombreux
servi r de modèles théoriques pour intervalles et il peut être intéressant de synthétiser l'information conte-
des phénomènes observ~s en slati~­ nue dans celle-ci.
lique.

Chap. 3 : Variables aléatoires à valeurs réelles 93


1. ESPÉRANCE MATHÉMATIQUE
Nous souha itons dégager une « te ndance cent.rale » des valeurs prises
pa r une variable aléatoire.

a. Exemple
Reprenons l'exemple du paragraphe A. l.d.
On a obtenu la di stribution s ui v~tnte pour X:

-8 -3 7 12

1 2 1 2 1
9 9 '3 ij ij

,
En statistique. on a x = !. fi x j La somme des gains multipliés par leur probabilité es t :
Il . i=1
où fi = ïf eSI la f~que nce de la 1. X (- 8) + ~ x (- 3) + 1. x 2 + ~ x 7 + 1. x 12 = 2.
classe Xi d'effect if "" OÙ" est l'ef- 9 9 3 9 9
fectif tota l et J.., le nombre de Ce nombre est, par défi niti on, l'espérance mathé mati que de X~ on le
dasses. note E(X).
C'est le gain moyen qu ' un j oue ur obtie nd rait s' il jouait un très grand
nombre de fois.

b. Définition
On uti li ~ aussÎ le mot moyenne à L'espérance mathématique d'une variable aléatoire discrète prenant n
la place d'espérance mathématique. valeurs Xi avec les probabilités p(X = Xi) = Pi ' OÙ 1 E; i :si: n, est

E(}() = l• pjXj •
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-oncessionn aire.

c. Autres exemples
• En se référant toujours au paragraphe A.2.a ., mais au cas 2, nous
avons:

l X~
2

1 '2 m' (H
Il "
soit l px. = i l= 12'l.
i= l "

Si on joue UII très grand nombre de On peut démon trer et nous ad mettons ici que lim I" l:::: 2.
fois, il faut en moyenne 2 I:lncers "~+~i=12'

pour obtenir face pour la première


fois.

94
Ici E(X) = 2 car, par définition, E(X) est la limite finie, si elle existe,
n +~

de
;=1
l PiXi quand /1 tend vers + co; on note alors E(X) l p.x
=;=l 'J
..

En revanche, si l'on décide d'attribuer un gain = 2; lorsque la par- xi


tie s'arrête au i e lancer, la variable aléatoire X' mesurant le gain est telle
,
que
j =
l" 1 p.x: = 1
1 2
1
x 2 + (1)- X 2 2 + ... + (_21)"2"
2
= 1 + 1 + ... + 1 = Il.
Donc lim
1I~+O:j = l
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

= = parties:
f1 a f(1) dl = [- te - 0.00_1 'la f -
- a e - 0.0021 dt.

!
u(t) r, Il'(t) 1

f° ° ° °
\"(1) = Q,002e - 0,(11)2',
\11) = - e- 0,((12/, a
Donc If(t) dt = -oe-O,OO2a - _ 1_(e - O.002,,_ 1)
0,002'

a
t f(t) dt = - 0'OO?_0 e - 0,002<, _ e
- 0.002(1 1
+ __
J° 0,002 0,002 0,002 .

lim
X-+-OI<
xe X = 0 et lim
l-t-oc.
eX = O. Donc lim
a~+œ 0
fat f(t) dt = _0,002
1- = 500.

D'autre part, pour tout b < 0, JOt f(l) dt = 0, car t f(t) = 0 si t " O.
o b
Donc lim
b~-oo
J
b
t f(t) dl = O.

= 500, car E(X) est la somme de ces deux limites


f O
, f (t) dl + Fr, J(t) dt
Par définition, E(X)
finies, si elles existent.
b

~
0

J"
t>
'1(1) dl. 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),
Lorsque X prend la valeur Xi' On démontre que aX + b esl une variable aléatoire d'espérance
aX + b prend la valeur (U'I + b. 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'espéra nce 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


4. L'espérance mathématique ne suffi t pas à déc rire une vari able aléa-
taire; en effet, soit X la variable al éatoire mesurant le ga in dans une
loterie comportant 1000 numé ros faisa nt tous gagner 5 e uros et soit Y
son analog ue dans une loterie comportant 1000 numéros dont un se ul
est gagnant, le lot étant de 5000 euros.
1)1 = LXI = 5. O n a E(X) = 1 X 5 = 5

"1 = I~' YI =5000


etE(Y) = I O~Ox5000+ 1955oxO=5.
999
1) - .' ., = O. E(X) = E( Y) et pourtant les variables aléatoi res X et Y ne sont pas iden-
1 2- 1000' -
tiques!

Com me en !itatistique de~ripti\'e. 2. VARIANCE, ÉCART TYPE


il s'agit de mc~urer une dispersion
par rapport à une tendance centmle.
a. Définition
E(X), si elle ex iSle. eSI une La variance d'une variable al~atoire X esl. si elle existe, l'espérance
consta nte réelle. (X - ElXn''!. est la mathématique de la variable a1Eatoire (X - E(X)2 On la note VIX).
variable aléatoire me!iurant le ca~
L'écart type de X est (T(X) = YV(X).
de l'écart entre la variable aléatoi re
X et son espérance mathémal ique.

b. Théorème
Si X prend pour valeur xi' Soit X une vari able aléatoire et soit V(X) sa vari ance:
(X - E(X)2 prend pour valeur (X - E(X»)2 = X2 - (2E(X))X + [E(X)f
(x, - E(X)J2 où E(X) est un nombre
réel constant: (xi - E{X)i1 Donc VIX) = E(X-, - (2E(X»X +
?
[E(X))"J.
= x? - 2E(X)xi + IE{X)P. D 'après la re marque 1 de la tin du paragraphe 1. ci-dess us,
E(aX + b) = aE(X) + b.
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.

Dans la suite. nous ne rencontre- Si ces nombres existent, a1o... VIX) = E(X 2) - lE(X)f
rons que des situations où l'hypo-
Ih~ de ce (héo~ me eSI satisfaite.
Conséquence

a el b sont des conslantes réelles.

Nous reprenons les (''\:emplcs du c. Exemples


paragraphe 1. Le calc:ul de EfX 2)
eSI analogue à ce lui de EIX) avec • V(X) = 1~ et <T(X) = 5,77 pour les gains avec le ti rage de boul es
2" Pi X/ 11 la place de I., Pi .l;.
i- l j; 1 dans l' urne.
• V(Y) = 1,32 16 et <T( Y) = 1,15 pourle nombre de voitures neuves ven-
dues e n un jour par un concessionnaire.
Pour le calcul de E(X':!), on inlègre • VIX) = 250000 et a(X) = 500 pour la durée de bon foncti onneme nt
par parlies t 1 l(t) au lieu de tf(t) d' un équipe me nt.
qui inlervenai t dan') la recherche de
E(X) .

96
C. LOIS USUELLES
Les différents Iypes de variabl es Parmi les variables aléatoires les plus so uvent utilisées, nous allons
aléatoi res sont pré~ntés au para- nous intéresser ici à troi s d'entre elles, une de chacun des types déj à
graphe A. 3.
rencontrés.

1. LOI BINOMIALE
a. Exemple
Dans le fichier « Clientèle» d'une société de vente par correspondance,
chaque client correspond à une fiche unique, Un ti ers des clients est
domicilié dan s la région I1e-de-France.
Tirons une fiche au hasard en supposant que toutes les fiches ont la
même probabilité d'être choisies.
J est l'événement contrai re de J : Nous pouvons alors prendre pour univers l'ensemble n = {l, J) où 1
« La fiche lirée est celle d'un client 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 = ~
non domicilié en lIe-de-France ».
Pour simplifier les notations, on
confond ici J el Ilj. et q = 1- P = ~ d'après la composition du tichier et l'équiprobabilité
de tirage des fiches,
Si on n'avait prélevé que deux Préle vons ainsi cinq fiches avec remise, de façon que les cinq tirages
fiches, on aurait considéré l'en- d'une fi che soient indépendants.
semble O::! des couples (1, J), (1, 1).
Nous pouvons alors prendre pour nouvel univers l'ensemble n 5 décrit
(J. J), (J, 1). où le premier élément
J ou J d'un couple correspond au par l'arbre sui vant.
résullat du premier tirage et le _ _- - J : (J, J, J, J, 1)
second à celui du second tirage.
De même, avec trois fiche s, on
J --------- J - J : (J. J, J,J; JJ
~ _______________ J - ~ : (J, J,J. 7, 1)
aurai! considéré l'ensemble 0 3 des J~ J : (J, J, J,J, l)
triplets (l, J. J), (1, J, }), (l, J, 1),
/ ~J~;=::===~

/
J~_J~~J~;::~~:=~ ----
~ _________ J =:: =- --
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


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
Un te l quînlUplet est un é lé me nt de dans la région lle-de-France, c'est-à-dire le nombre de J figurant dans
n5 . le quintuplet ainsi obtenu.
X(05) est l'e nsemble des valeurs X(,{15) = {O, 1, 2, 3, 4, 5}, par définition de X.
pri ses par X. Pour étudier la loi de probabilité, ou distribution, de la variable aléa-
toire X, commençons par calculer, par exemple, la probabilité
P(X = 2).
west l'événement élémentai re: J • Probabilité d'un jvén~"!.ent élémentaire contenant deu x foi s J, par
au premier tirage et J au deuxiè me exemple w = {(J, J, J, J , J)} :
et J au troisième et..
P(w ) = E x q x p x q x q, où p est la probabilité de J et q = 1 - P
Fig. 19 celle de J, car les cinq tirages sont indépendants.
Donc P(w) = p2 q3
V.U. 1. J) On remarque que cette probabilité ne dépend pas du placement des
x
deu x J dans le quintuplet.
Il. 1. J.J.J)
• Nombre d'événements élémentaires contenant exactement deu x J:
C'est le nombre de façons de choisir les deux emplacements des J
parmi les cinq places d'un quintuplet ( , , , , ).
Ce nombre est C~, car dans un ensemble de cinq éléments il y a c~
Voir Je paragraphe C.2. du c ha- façons de constituer un sous-ensemble de deux éléments.
pitre 2.
• Calcul de P(X = 2) :
Ainsi il existe C} événements élémentaires de même probabilité p2 q3
pour lesquels X prend la valeur 2.
On sai l que deux événeme nts é lé- Donc P(X = 2) = p2q 3 + p2 q3 + . . + p2q3
mentaires soni incompalibles et
que, si A et B sont incompat ibl es,
aloes p(A U B) ~ P(A) + P(B).
c~ termes.
CP =
11
11!
p!(11 ~ p)!' Donc P(X = 2) = C1
p2q 3 = 0,329.
Le même raisonnement permet d'obtenir un résultat analogue pour
chaque probabilité P(X = k) où k est un élément de X(,{15) :

Dans chaque cas, la somme des k 0 1 2 3 4 5


exposanls de Il et q eSI 5.
C~ pOq5 C~plq4 C~ p2 q 3 C ~ p3 q2 C~ p4ql C~ p5 qO
On vérifie que la somme de ces l'I)C -i)
probabilités e~t 1. 0. 132 0.329 0,329 0.165 0.04 1 0.004

Diagramme en bâtons
0.4

0.3

0.2

0.1
k
1
o 2 3 4 5
Fig. 20

On pourrait étudier aussi la fonction de répartition de X.

98
b. Définition - Propriétés
Une variable aI~ire X suit la loi binomiale ~(n, 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 :

Le formu laire officiel de mathéma· Pour tout nombre entier naturel k, tel que 0 .. k .. n,
tiques donne celte formule en P(X - k) = C![Io - pt-t.
notant q = 1 - 1'.

Exemple

n
La variable aléatoire X étudi ée au paragraphe C. J.a. suit la loi binomiale
03(5,

Remarque
D'après la formul e du binôme de Newton, on a :
Voir le paragr.tphe C.2 du (a + b)" = I"
k=O
C~a,,-kbk,oùaetbsontdesnombresréels.
chapi tre 2.
La loi binomiale tire son nom de Dans le cas où b = p et II = 1 - p, on a :
celte liai'iOn avec le binôme de
Newlûn.
"
[(l-p)+p]"= lCk(l-p)"-kpk
k=O II
,.... Il

III = 1. D 'où l
k~O
P(X = k) = 1.

Voir une remarque analogue au Nous avons donc vérifié que, quels que soient l'enüer naturel Il et le
début du paragraphe A. 2.a. nombre réel p compris entre 0 et l , la so mme de ces probabilités est 1.

Propriétés

Le formulaire officiel de mathéma· Soit X une variable aI~ suivaDIla loi binomiale ~(n, p) :
tiques donne ces résuhats en notant
q ~ 1 - p.
EIX) = np, \l'lX) = np(1 - p). a(X) = y npO - pl.
Vérifier numériquement ces résul-
tats dam le cas ~(s, ~) étudié au
Ces propriétés son1 démonlrées aux paragraphes D. 3. et D. 4.
C. I.a.
c. Champ d'intervention de la loi binomiale
11 s'agit de déc rire une situation type dans laquelle apparaît une
C'est la généralisation du para-
graphe C. I.a.
variable aléatoire sui vant la loi binomiale.
Au même paragraphe, l'épreU\'e On considère une « épreuve aléatoire . élémentaire pouvant déboucher
aléatoire élémentaire consiste à sur deux résultats, et deux seulement, appelés par exemple « succès »
tirer une fiche du fic hi er el « échec », de probabilités respectives p et q = 1 - p.
« Clientèle ,. et un succès corres-
On réalise Il fois cette épreuve aléatoire et on note X la variable aléa-
pond à obtenir une fiche d'un client
de la région lIe-de-France : c'est toire mesurant le nombre de 4( succès » obte nus au cours de ces Il
l'événement J. 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 e ntre les tirages.
En revan che. lorsque les tirages sont sans remise, ou exhaustifs, il n'y
a plus indépendance entre les tirages, c~u la composition du tichier
change d'un tirage à l'autre.

Chap. 3 : Variables aléatoires à valeurs réelles 99


CeUe loi , dite "YI)ugIQmltriq!l~, Dans ce cas, X suit une loi dépendant de troi s paramètres: Il, p et N l'ef-
ne figure pa~ au programme de fectif total du fichier.
mathémalÏques de:-. sections de
technicien') supérieurs. Cependant, lorsque 11 est « petit » devant N, on peut considérer que X
suit approximativement la loi binomiale 00(11, pl.

Celle loi a été présentée en 1837 par 2. lOI DE POISSON


Denis PoJi'')<.m dalt!'> !>On ouvrage
Rl'char hl'.f .\ /Ir la probabilitl dl's
jl4gl'm~lIts 1'1/ m(lfi~~ crimilll'lIl' l't a. Définition
l'II m(lfi~~ cil'I'II'.

Une variable aléatoire X suilla loi de Poisson ~(À) de paramètre À po>;i-


lif lorsque sa loi de probabililé ••1 :
Pour tout nombre entier naturel k.
k
J>(X=kJ=.-À.À •
k!

Exemple
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 entie r k, 0 .. k .. 14.

~ 5
Repréul1tatiol1 grap"iq/i~ de la loi ~(5) 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
13 0,001
14 0,000
1 1 1 ,
° 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


P(A) = 1 - P(A). moins se présentent à ce guichet:
Les événements X. = O. x. = l , .... P(X ~ 8) = 1 - P(X < 8);
X = 7 sont incompatibles deux à P(X '" 8) = 1 - [P(X = 0) + p(X = 1) + ... + P(X = 7)];
deux.
P(X'" 8) = 1 - 0,867; P(X '" 8) = 0,133.

100
b. Propriétés .

Le formulaire officiel de mathéma- • Soit X une variable aléaloire suÎvant la loi de Poisson ~(À):
tiques donne ces r"tsuh;tlS qui sont
admis.
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
Une érude slati),t ique antérieure a Dans une entreprise, on considère que la probabilité d 'oblenir un
conduit ?t attribuer la valeur 0,05 i) article défectueux à la sortie d'une chaîne de fabrication est p = 0,05.
cette probabilité. 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
E(X) = "p. (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).

LoIde
k
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 utiliser la loi de Poisson pour
3 0,087 0.089
calculer, par exemple, la probabililé qu ' un
4 0.13~ 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
Le théorème . justifiant cette Il 0,021 0.023
approximation CM hors programme. 12 0,010 . 0.011
Noter l'intérêt de cette approxima- 13 0.004 0.005
tia n; on peUl remplacer une loi
14 0.002 0.002
dépendant de deux paramètres par
15 0.001 0,001
une loi à un par.lmètre .
16 0.000 0,000
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- On admet que si n est 0: grand., p 0: voisin. de 0 et np pas .. trop grand:.lo,
miale ffitn./J) peut être approchée alors la loi (iJl(n, p) est très proche de la loi l'P(À) où À = np. .
p:tr une loi de Poisson ~( À) , le
paramètre de celle loi esi donn ~ par
À = "p. c'est-à-dire que l'espé-
rance mathématique est consen:ée.

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
c. Champ d'intervention de la loi de Poisson
L' idée à re tenir est qu ' une loi de Poisson inte rvient dan s la modélisa-
tion de phénomènes aléatoires où le futur est indépendant du passé.
Ainsi, une loi de Poisson peut intervenir dan s des problèmes co ncer-
nant:
- les pannes de machines,
- les sinistres (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 nom bre de tax is passa nt à un e ndroit donné pen-
dant un certain intervalle de temps peut être mesuré par un e variable
aléatoire sui vant un e loi de Poisson, il n'en est pas de même pour les
a utobus oul es trains, qui on t des heures de départ fi xes: le futur, l' ins-
tant de leur passage à un e ndroit donn é, n'est pas indépendant du passé,
l' instant fi xé de le ur départ à un point fi xe (terminus ou gare).

3. LOI NORMALE
a. Définition
Exercice
Tracer dans deu x repères différents, à J'aide d'une calculatrice gra-
phique, la représentation graphique des deux fonction s définies sur IR par

1 (' - 1)'
I _e -ï -y- et f,(I) = _ 1_ e- 2
fl(l) = _ _
"
2y:l; - y:l;
On démontre que chacune de ces Déterminer graphiquement une vale ur approchée de l'aire de la partie
deux ai res est égale à 1 (résultat de plan co mprise entre chaque courbe et l'axe des abscisses.
admis ici).

Défini/ion
On dit aussi loi de L..iplace-G:lu::,s : Une variable aléalOire X suit la loi normale J{(m. (1) de param~tre:; ni el
Pierre Simon de Laplace t!>t un lorsque sa densité de probabilité e~t la fonction f définie !-our IR par
(T
mathématicien frança is ( 1 749~
1827); Carl Friedrich Gauss est un
mat hémat ic ien allemand ( 1777- 1 _l('
., -m (r
1
.'
1
fIl) = - - - e -
1855), Cette égalité n'a pa!> à être ,,-..j2; .
mémorisée.

La dell'.i té de probabilité d'une Exemples (voir l'exercice ci-dess us)


,'ariable a l éa toi~ continue a été
La fon ction fi est la den sité de probabilité de la loi normale .N'( l , 2).
présentée en remarque au parJ.-
graphe A. 2.b. La foncti on f 2 est la densité de probabilité de la loi normale .N'(O, 1).

102
Remarque
On admet ces r~su hats. Soil X une variable aléatoire suivant la loi normale }{(m, cr) :
EtX) = m, VIX) = ,,~, 0"00 = tr.

Ainsi, une variable aléatoire X qui su it la loi nor male X(O, 1) a po ur


espérance mathé matique 0 et po ur écart type 1.
L. loi normale X(O, 1) est dite loi normale centrée réduite.

b. loi normale centrée réduite .N (0, 1)


On admet ce r6 ultat. Théorème
T= lx_!l!. Si une variable aléaloire X suilla loi normale .J(m, cr) alors la ,·ariable
" "
est de la f(lrme aX + Il défin ie en aléatoire T = X ;; m suit la loi normale centrée réduite XIO, 1).
remarque 1 du par.lgrJphe B. 1.
Plus gén~ralemenc, aX + b. ot. a el h sont des com~lantes réelles, suit une
loi normale.

Le formul ai re offi ciel de mathéma- Ce rés ultat est très impor tant, car il permet de limiter l'étude des lois
tiques ne donne des informa ti on~
nor mal es à cell e de la se ul e loi normale centrée réduite X(O, 1), dont la
que ~ ur la lo i normale /(0. 1) ; la
fonction de répartition y est notée densité de probabilité a pour représentation graphique la courbe de la
n lon renco ntre aussi la nota- figure 22.
tion <1» .

Cene courbe est appelée « courbe


en d oche » . -3 -2 - 1 o 2 3

Fig. 22

Voir ég:t lement le paragraphe Pour calc uler la probabilité d'un évé nement concernant une variabl e
A.2.b. : exem ple de variable aléa- aléatoire T s ui vant la loi normale X(O, 1), on utili se en général la table
toire conti nue.
du formulaire et les deux propriétés sui van tes de cette courbe:
La fonction f est paire.
• Cette courbe est symétrique par rapport à l'axe des ordonnées.
On a adrni~ ce résultat au parJ-
gmphe 3.a. • L'aire totale comprise entre la courbe et l'axe des abscisses est
égale à 1.

Exemples
1. Calcul de p eT '" 1,67) = IT( I,67).
La table donne directement le résullat. Il suffit de lrou ver les deux pre-
mi ers chiffres de { dan s la pre miè re colo nn e, so it 1,6 : le troi sième

Chap. 3 : Variables aléatoires à valeurs réelles 103


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 p eT '" 1,67) = 0,9525.

t 0.00 0,01 .. , 0,07


0,0 0,5000 0,5040 ... 0,5279
0,5 0.1 0,5398 0,5438 ... 0,5675
... . ..
n (l,25) l-n(l.25) 1,6 0,9452 0,9463 ... 0,9525
... ... ... ...

-2 - 1 0 Il 2 2, Calcul de peT ~ 1,25).


1.25
Fig. 23 peT ~ 1,25) = 1 - peT < 1,25), car PlA) = 1 - PlA ).
0,5 Or I1(l ,25) = P(T'" 1,25) et PtT = 1,25) = 0 puisque T est une
variable aléatoire continue, d'où:
n (- 1,67) 1 - n(l,67) 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.
-21 -1
- 1,67
o 1 12
1,67 = 1 - I1(I ,67) d'après le calcul précédent.
Fig. 24 = 1 - 0,9525 = 0,0475.
4, Calcul de p et l '" T '" t2)

0,5

i
Dans le cas particulier où t 1 = - 12 on pose t = 12 > O.
-2 -1 " " F;g. 25 Alors: P( - t '" T '" t) = n et) - Il( - t)
= 2[ n(tl - n (Ol] vu la symétrie de la courbe,
Or n(O) -- l2' d 'où'.

F;g.26 Applications
On a au ssi • P( - l '" T '" 1) = 0,68 ;
p(- f3 '" T '" f)3 - 0'5. • P( - 2 '" T '" 2) = 0,95 ;
C'est avec t = 1,96 qu'on se rap- • P( - 2,6 '" T '" 2,6) = 0,99 ;
proche le plus de 0.95.
• P(- 3 '" T '" 3) = 0,997.

Conséquence
0,95
0,02 0,025 Soit X une variable aléatoire suivant la loi normale )(m, cr); on sai l que
T= X - III s uil la loi normale .N'(O, l ).
-2 - 1 0 2 0'
Fig. 27
T = X ;; si et seulement si
1/1
Pour t > 0, P ( - t '" T '" t) = P( - tO' '" O'T '" tO')
X = m + (TT. car u '*
0 pour une
= P(m - tcr ::s;: + uT ::S;: m + ta)
lU

loi normaIe. = P(III - tO' '" X '" ni + tO')

104
Ai nsi. en particulier, P(m - 2u "" X "" m + 2u) = 0,95.

1 --------------+~
~

Sur ce graphique, on a indiqué les


aires de plusieurs parties du plan
symétriques par rJpport à l'axe \'er-
lical correspondant à l'espérance
, ,
, ,2 '2 '
mathémutique, ou moyenne, m. Im_-:-o
m+l~
,, ,, 3 ,
m~20-
,, ,,
nI-30- m+ 30-

, 0.68
.. ., 1
, '

0.95
'. 0.997 Fig. 28

c. Approximation d'une loi binomiale


par une loi normale
Lançons cinquante fois une pièce de monnaie équilibrée. Soit X la
variable aléatoire mesurant le nombre de « face » ainsi obtenu.
Voir le paragraphe C. Le. On sait que X suit la loi binomiale 9))(50, ~).
En effet, d'une part l'épreuve aléatoire élémentaire consiste à lancer
Ici P = q = ~ puisque lu pièce est un e foi s la pièce ; elle débouche donc sur deux résultats seulement:
équilibrée. « pile », • face », chac un ayant ~ pour probabilité.

Le résu ltat d'une épreuve n'a uucune Et, d'autre part, on réalise successivement Il = 50 épreuves aléatoires
influence sur celui d'une autre. 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,
Un calcul programmé s' impose! 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, puis 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.
0.15

0.10

15 35 15 20 25 30 35
Fig . 29 Fig. 30

Chap. 3 : Variables aléatoires à valeurs réelles 105


Ce ré~u ltat a été publié en 1718 par Nous observons, sur ces représentations graphiques, la coïncidence
de Moivre en Angleterre puis, de
presque parfaite entre les sommets des bâtons et des points de la courbe.
façon indépendante en 1812 , par
Laplace, Les con?itions d'approxi- On admet que si fi eSI • grand ... et p ni ~ trop voisin "lOt de 0 ni • trop voi-
mation d'une loi binomiale par une
10Î normale" 'Ollt pas à itre mimo-
sin. de l, alors la loi 00(11, p) est très proche de la loi X(m, 0) où
risits. La seule capacité ex igible m = IIpetu = Vnp(i - pl·
est de savoir que lorsqu' une loi
binomiale f:f3(II, p) peut être appro- L'intérêt de cette approximation est de simplifier les calculs numé-
chée par une loi normale N(m, a), riques. On convient en général d'utiliser cette approximation lorsque
les paramètres de celte loi w nt don- IIp et n(1 - p) sont supérieurs à 15, ou lorsque "l' et 11(1 - p) sont supé-
nés parm = "pel 0" = VI/p(l p),
rieurs à 20.
c'est-à-dire que l"espérance mathé-
matique et l'écart type sont ("onser-
\'és. 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 ~5 suit la loi normale X(O, 1).

Vi
On divise les membres des inégali- P(24 '" X '" 26) = P(24 - 25 '" X - 25 '" 26 - 25)
tés par~.
Voir la fin du paragraphe C. 3,c. = 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.
Ces trois événements sont incom- Donc P(24 '" X '" 26) = P(X = 24) + P(X = 25) + P(X = 26) > 0,3.
patibles deux à deu".
Et le calcul précédent donne P(24 '" X '" 26) = 0,223.
Par exemple. pour calcu ler une Il faut donc améliorer la façon dont on passe d'une variable aléatoire
moyenne ou un écart type. on a discrète (ici binomiale) à une variable aléatoire continue (ici normale),
remplacé une classe [a;, h;! p.:ir son
en se souvenant qu'en statistique on a effectué la démarche inverse.
ai + h,
centre Ci =~.
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
Le sens des crochel.<; des intervalles [23,5; 24,5] et 26 par [25,5; 26,5].
n'a aucune importance, car dans le
cas d'une nriable continue:
Ainsi, on remplace J'ensemble (24,25,26) des trois valeurs considé-
p{X = a) = 0, pour tout nombre rées pour la variable aléatoire discrète par l'intervalle [23 ,5; 26,5].
réel Q.
C'est la correc.tion de continuité qui consiste à remplacer tout nombre
entier k par un intervalle d'extrémités k - ~ et k + ~.
25 2-1,5 25 25,5 P(2 3,5 '" X '" 26,5) = 2fI(0,3 X Yz) - 1 (voir ci-dessus)
= 0,328
On remplace l:! longueur d'un
en faisant une interpolation affine entre IT(0,42) et IT(0,43).
bâton par raire d'un rectangle de
même longueur et de largeur 1. Ce nouveau résultat est en accord avec les observations graphiques.
Remarque.
Cela ne figure pas :w progr;unme
de mathématiques des sections de On peut de même être amené à approcher une loi de Poisson par une
techniciens supérieurs. loi normale.

106
d. Champ d'intervention de la loi normale
Une loi normale intervient dan s 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 phé nomènes économiques et
sociaux, la loi normale intervient dans tous les secteurs.
Ce. n'est pas lt! I.:as d'une loi de Comme une loi normale est définie par la donnée de deux paramètres
Poi sson. où E(X) = V(X): 111 et (T, on peut la prendre pour modèle dans des phénomènes où des
si E(X) = À est fixé études stati stiques préliminaires conduisent à des hi stogrammes très
alors (1(.\') = Vi
est fixé.
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
~
m m
une partie de IR se ulement, par exemple [0, + >o[ ou ]0, 30].
C'est le cas en particulier lorsque X mesure un prix, une longueur ou
0" grand a petit
une masse.
Fi g. 32 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,
Le contrôle de qualit~ joue un rôle mesurant une longueur, suit la loi normale de moyenne 111 = 20 cm et
de plus en plus important dan') la d'écart type cr = 2 cm; il est en effet impossible, dans une même chaîne
vie ~co n o mique: il ne se limite pol:> de fabrication , d'obtenir un produit de longueur - 5 cm ou 120 cm.
au seul secteur industriel mai s
intervient aussi dans le com merce, Avec la loi normale. on obtient:
les services ... P(X'" - 4) = p(X ~ 20 < - 12)
Le formulaire donne = fl( - 12)
1 - 0 (4.5) =3 x 10- 6
D'aut~ part
= 1 - fl(l2) = O.
1 - 0 (5.9) - 1.8 x 10- '.
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 mod èle une loi
normale lorsqu ' une étude statistique préalable débouche sur un petit
CeUe situation est également fré- nombre de classes de grande amplitude.
quente en économ ie (salaires. prix.
... ). Enfin, lorsque les effets de nombreuses causes indépendantes so nt
Conformémen t au programme, multiplicatifs, la loi normale ne constitue pas un bon modèle. Il est
aucune 'conna issance n'est exigibl e préférable de s'orienter vers une autre loi, par exemple la loi log-nor-
'II(

à ce sujet en mat hématiques . 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 mois pour propose r des contrats à d'éventuels clients: A est
chargé de placer de nouveaux contrats à des clients actuels de l'entre-
prise, tandis que B doit prospecter de nouveaux clients.

Chap. 3 : Variables aléatoires à valeurs réelles 107


Soit X (resp. Y) la variable aléatoire mesurant le nombre de con trats
obtenus par A (resp. B) au cours d'une demi-journée.
Les nombres situés dans ce tableau On suppose que X prend des valeurs dans 10, 1,2, 3 j, que Y prend des
sont définis par: va leurs 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

IX x par le tableau suivant:

y P(X = x et Y = y)
~ 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).
On lit ce résultat dans le tableau. Donc P(X + y = 0) = 0,05.
On ne peUl pas avoir en même L'événement X + Y = 1 correspond à (X = 1 et Y = 0) ou (X = 0
temps X = 0 et X = 1. et Y = 1); ces deux derniers événements étant incompatibles, on a :
Si Cel D sont incompatibles, alors P (X + y = 1) = P (X = 1 et Y = 0) + P(X = 0 et Y = 1)
PCC 0" D) ~ P(C) + P(D).
= 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 (o u distribution) de la variable
aléatoire X + Y:

o 2 3 4

0,05 0,25 0,40 0,25 0.05

Sur une longue période, l' équipe L'espérance mathématique de la variable al éatoire X + Yest
cons tituée de A et B obtient en
moyenne deux contrats par demi-
E(X + Y) = 0 x 0,05 + 1 x 0,25 + 2 x 0,40 + 3 x 0,25 + 4 x 0,05
journée. E(X + Y) = 2.
La variance de X + Ye st :
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
Soit X (resp. Y) la variable aléatoire mesurant le nombre de contrats
obtenus par A (resp. B) au cours d'une demi-journée.
Les nombres situés ùan" ce tableau On suppose que X prend des valeurs dans {a, 1,2, 3), que Y prend des

x
sont définis par : 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
x par le tableau suivant:

y p(X = x et Y = y )
~ 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).
On lit ce résultat dans le tableau. Donc P(X + y = 0) = 0,05.
On ne peU! pas avoir en même L'événement X + Y = 1 correspond à (X = 1 et Y = 0) ou (X = a
temps X = Oet X = 1. et Y = 1); ces deux derniers événements étant incompatibles, on a :
Si Cet D sont incompatibles, alors
P(C ou D ) ~ P(C) + P(D).
°
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

Sur une longue période. l'équipe L'espérance mathématique de la variable aléatoire X + Yest
constituée de A e t B obtie nt en
moyenne deux contrats par demi-
E(X + Y) = a
x 0,05 + 1 x 0,25 + 2 x 0,40 + 3 x 0,25 + 4 x 0,05
journée. 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
d. Champ d'intervention de la loi normale
Une loi normale intervient dans la modélisation 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.
Ce. n' est pa') le cas d'une loi de Comme une loi normale est définie par la donnée de deux paramètres
Po i ~son. où EIX) = \'(X): 111 et (1' , on peut la prendre pour modèle dans des phénomènes où des
si E(X) = ~ eM fi x~
études statistiques prélin'linaires conduisent à des histogrammes très
alors cr{X) = Vi est fixé. 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
~
m m
une partie de IR se ulement, par exemple [0, + co[ ou ]0, 30].
C'est le cas en particulier lorsque X mesure un prix, une longueur ou
cr grand cr petit
une masse.
Fi g. 32 Ainsi, en contrôle de qualité, il est a priori étonnant d'envisager le calcul
de la probabilité d'événements tels que X,,; -4, X :;" 100, lorsque X,
Le contrôle de qualité joue un rôle mesurant une longueur, suit la loi normale de moyenne 111 = 20 cm et
de plus en plu~ imporlant dans la d 'écart type 0' = 2 cm; il est en effet impossible, dans une même chaine
\'ie économique; il ne se limite pas de fabrication, d'obtenir un produit de longueur - 5 cm ou 120 cm.
au !\eul sec: tcur indu~ lri e l mai s
intervient aussi da",; le commen.:e, Avec la loi normale, on obtient:
les se(\' ices." P(X"; - 4) = p(X ~ 20 < - 12)
Le formulaire donne = n(- 12)
1 - 11(4.5) = 3 x 10- 6
= 1 - n (12) ~ o.
D'aul~ part
1 - 11(5,9) - 1,8 x 10- 9.
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
Celte si tuatio n est ~ga l e ment fré- nombre de classes de grande amplitude,
quente en économ ie (salaires. prix.
... ). Enfin, lorsque les effets de nombreuses causes indépendames sont
Confor mé me nt au programme, multiplicatifs, la loi normale ne constitue pas un bon modèle. Il est
aucune connaissance n' est ex igi ble préférable de s'orienter vers une autre loi, par exemple la loi « log-nor-
à ce sujet en mathématiques . 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 clients actuels de l'entre-
prise, tandis que B doit prospecter de nouveaux clients,

Chap, 3 : Variables aléatoires à valeurs réelles 107


Remarques
1. Le tableau initial permet de déte.rminer les lois de probabilité res-
pectives de X et de Y.
a a
En effet, l'événement X = correspond à (X = et Y = 0) ou (X = a
et Y = 1).
Les deux é\'énements du second a
Donc P(X = 0) = P(X = et Y = 0) + P(X = et Y = 1) a
membre de l'égalité sont incompa- = 0,05 + 0,10
tibles.
= 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 représeme généralement les lois On peut alors compléter le tableau initial:


de probabilité de X et Y de cette

~
façon: elles sont placées en marge
du tableau: c'est pourquoi on les 0 1 2 3 loi de Y
appelle loi .. marginales. Attention
à la posit.ion dans le tableau des lois
respecti ves de X et Y. a 0,05 0,15 0,20 0,10 0,5

1 0,10 0,20 0,15 0,05 0,5

loi de X 0,15 0,35 0,35 0,15 f-----+~


2. ln versement, la donnée des lois marginales de X et Y ne suffit pas à
On permute les lignes Y =0 définir le tableau initial: le nouveau tableau obtenu en permutant les
et Y = 1. deux lignes du précédent est différent de celui-ci et il correspond
cependant aux mêmes lois marginales de X et Y.
Par exemple, 3. Les variables aléatoires X, Y et X + Y ont pour espérances mathé·
E ( Y) = 0 x 0,5 + 1 x 0,5. matiques respectives:
E(X + Y):l. déjà été calculé ci-des- E(X) = 1,5 E(Y) = 0,5 E(X + Y) = 2.
sus.
Donc E(X + Y) = E(X) + E(Y).
Par exemple,
\'(y) ~ (0 - 0.5)'0.5 + (1 - 0,5)'0,5. Les variances de ces mêmes variables aléatoires sont:
V(X + Y) a déjà été calculé ci-des- V(X) = 0,85 VrY) = 0,25 V(X + Y) = 0,9.
sus. On n'a pas d' égalité pour les Donc V(X + Y) .,. V(X) + VrY)·
\'ariances.

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


Effectuons un premier tirage avec remise en supposant que toutes les
XI = 0 est l'événement: .. la fiche fiches o nt la même probabilité d'être choisies. La variable aléatoire Xl
choisie au premier tirage est celle qui prend la va leur 1 si la tiche tirée correspond à un client d'lle-de-
d'un client non domil'ilié en lIe-de- France et qui , sinon, prend la valeur 0, a pour loi de probabilité:
France • .
o
2 1
'i 3
Les tirages étant avec remise la La variable aléato ire X 2 définie de la même façon po ur un second tira-
composition du fich ier est la même ge avec remise a la mê me loi de probabilité.
à chaque tirage.
La variable aléatoire, notée XI + X2, mesurant le nombre de fois
qu'une fich e d'île-de-France est obtenue au cours des deu x tirages,
prend des vale urs dans (O, 1, 2).
Aucune fiche d'l le-de-France n'a L'événement XI + X2 = 0 correspond à (XI = 0 et X2 = 0).
été tirée au cou ~ des deux tirages.
Donc P(X] + X2 = 0) = P(X I = 0 et X2 = 0) = P(X ] = 0) x P(X 2 = 0)
Si C. D sont il1dépendanL'i, alors
p(e et D) ~ P(C) x P(D). car les tirages étant avec remise, les événements X] = 0 et X2 = 0 sont
indépendants.
Donc P(X I + X, = 0) = ~ x ~ = '1..
- 3 3 9
De même P(X I + X2 = 2) = P(X] = 1 et X2 = 1) = 1 x l = 1.
3 3 9
Enfin, l'événement XI + X2 = 1 correspond à (X t = 1 et X2 = 0) ou
On ne peut pas avoir en même (X t = 0 et X 2 = 1); ces deux derniers événements étant incompatibl es,
temps X] = 1 etX] = O. o n a:
On a déjà remarqué que XI = 1 et P(X I + X2 = 1) = P(X I = 1 et X2 = 0) + P(X ] = 0 et X2 = 1)
X2 = 0 sont intlépendants. de
même que X] = OetX2 = 1. = P(X ] = 1) x P(X2 = 0) + P(X I = 0) x P(X2 = 1)

= l x ~+~ x 1 ='1.
3 3 3 3 9'
On a ainsi obtenu la loi de probabilité de XI + X2 :
o 2

4 4 1
9 9 9

Les calculs sont analogues à ceux


qui ont été effecwés pour X + }'
L'espérance mathématique de XI + X2 est E(X I + X2) = l
dans l'exemple 1. La variance de XI + X2 est V(X I + X 2) = ~.
Remarque
E(X I ) =0 x~ +1x~ =~ et E(X2 ) = E(X]).
On avait obtenu un résultat ana- Donc E(X] + X2 ) = E(X I ) + E(X2 ).
logue dans l'exemple 1.
V(X]) = (0 - ~n + (1 _ ~)2 ~ = ~
On a,'aÜ obtenu un résultat diffé- Dot;c V(X] + X2) = V(X I) + V(X2).
rent dans l'exemple 1.

11 0
2. INDÉPENDANCE
DE DEUX VARIABLES ALÉATOIRES
On a déjà défini deux é\.·énements Définition
indépendants au paragraphe B.2.
Soil X une variable aléatoire discrète prenant un nombre fini de valeurs
du chapitre 2. Ici, il s'ag it de
variables aléüloires indépen- *1' *2' .... kit .... k".
dantes. 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.
On peut étendre cette définition aux
deux autres. types de variables aléa- etpourloutj.l""j""p.
toire!i présentés au paragraphe A. 3. on a : p(X = ki et Y = kj) = p(X = k i ) X p(Y = kj ).

Voir le paragraphe I.a. 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.
L'égalité de la définition ci-dessus O'où P(X = 0) x pey = 0) = 0,Q75.
est fausse au moins dans le cas
Donc P(X = 0 et Y = 0) '" P(X = 0) x pey = 0).
=
particulier k 1 0 el k; O.=
Les variables aléatoires X et Y ne sont pas indépendantes.

Voir le paragraphe l.b. EKemple 2


On a remarqué que, les tirages étant effectués avec remise, le résultat
La composition du fichier est la d'un tirage est indépendant du résultat d'un autre lirage, et cela quels
même il chaque tirage. que soient ces résultats.
Donc, pour tout k de {O, I} e t lout k' de {O. I}. on a :
P(X, = ketX2 = k') = P(X, = k) X P(X2 = k')
Les variables aléatoires XI et X2 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
Nous avons déjà rencontré le nom
de Bernoulli à la fin du chapitre 2. appelées variables de Bernoulli de paramètre p; elles suivenl la loi
binomiale de paramèlres /1 = 1 el p = ~ car
CO' 3
(1)0 (~)'
3
= ~ = P(X = 0)
3 '
el C: (~)' (~t = ~ = P(X, = 1).

Constater que, pour tout élément k La variable aléatoire XI + X2 suit elle aussi une loi binomiale: la loi
de {D, 1. 21, on a
P(X, + X, ~ k) ~ q ('1)'(')'-'
3 '3 . 00(2, ~) de paramèlres Il = 2 et p = ~.
On admet ici ce résultat qu'on n'a Plus généralement, on démontre qu'une variable aléatoire qui suit une
démontré que dans Je Ca.li n = 2. 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 111


, ,
3. ESPERANCE MATHEMATIQUE
D'UNE SOMME
DE VARIABLES ALÉATOIRES
Voir les paragraphes I.a. et Lb. Nous avons démontré, dans deux exemples, que pour une somme
X + Y, on a E(X + 1') = E(X) + E( 1').
Ce résultat s ' ~tend à une somme de On démontre que ce résultat est général.
plus de deux variables al ~atoires :

E( i Xi)
i - 1
~ ii- I E(X,) E(X + Yi = E(.l() + E( YJ. si ces nombres existent.

Voir le paragraphe 8. l.d. 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
La propri~l~ d'ind~pe ndance est considérer X comme la somme de n variables Xj de Bernoulli indépen-
inutile pour cette Mmonslration. dantes de même paramètre p.

E(X) i
= E( ,= l Xi) puisque X =.i, = Xi'
1
n
On utilise une extension du théo- Donc E(X) =.1 1= 1
E(X,). Or E(X,) =0(1 - l') + II' =l';
rème ci-dessus.
·Cette somme a Il termes égaux à p. d'où E(X) = l' + l' + ... + l', .
C'est le résultat admis au para- soit E(X) = '111'.
graphe C. I.b.

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 X2' on a
V(X) + X2) = V(X) + V(X2 ).
On démontre que ce résultat est général.

Dans ce lhé:o~me, on suppose que X et Y étant des variables aléatoire~ indlp~ndant~s,


ces nombres ex istent.
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
Attention au signe +. V(X - Y) = V(X) + V(Y).
Rappelons que, a et b étant des constantes réelles, on a
V(aX + b) = a2V(X).

112
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;) = 02(1 - p) + l2p - p 2, soit V(X,l = p el - 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;), puisq ue X =k" X;.


1= 1 1= 1

Donc V(XJ k"


j= 1
V(X; ) en utilisant une extension du théorème ci-
C'est le résultat admis au p:U-.t-
graphe C. l.b, dessus, soit: V(XJ = IIp(l - p).

5. SOMME DE VARIABLES ALÉATOIRES


SUIVANT DES LOIS NORMALES OU
DES LOIS DE POISSON

a. Lois normales
NOIer l'hypothèse d'indépendance, Soit X, et X2 deux variables alé.toiles indépendantes suivant les lois
E(X, ;: X,) ~ E(X,) + E(X,) . normale~ respectives X(m" ",) et X(m2' "2)' alors X, + X2 suit la loi
V(X, + X,) ~ V(X r) + V(X,).
normal,e de moyenne ml + m2 el d' écart type Vai + a~.
Cette propriété des lOIS normales est très importante.

Remarques
1. Avec les mêmes hypothèses, XI - X 2 suit la loi normale de
E(X, - X,) ~ E(X,) - E(X,).
V(X, - X, ) ~ V(X,) +. V(X,). moyenne ml - m 2 ·et d'écart type VfT~ + (T~.
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 X2 sont deux variables aléatoires indépendantes suivant les
lois de Poisson respectives g>(À,) et g>(À 2). Alors leur somme X, + X2
est une variable aléatoire suivant la loi de Poisson g>(À, + 1. 2).

Chap. 3 : Variables aléatoires à valeurs réelles 11 3


TRAVAUX PRATIQUES
EXEMPLES D'ÉTUDE DE TP2 Tirages simultanés,
SITUATION DE PROBABILITÉ variable aléatoire
Une urne contient dix bou les: une rouge, une blanche
FAISANT INTERVENIR et huit noires. Un jeu consiste à tirer simultanément
UNE VARIABLE ALÉATOIRE deux boules. On suppose l' équiprobabilité des tirages.
l OCombien y a-t-il de tirages possibles?
r On considère les événements suivants:
TP 1 Détermination d'une loi de El ; « le tirage contient la boule rouge el la boule
blanche » :
probabilité, calcul d'espérance
E2 : .c le tirage contient la boule rouge et une boule
mathématique, de variance noire » ;
d'écart type, jeu équitable EJ : « le tirage con tient la boule blanche et une boule
- Une boîte con tient 10 boules. Sur chacune d'elles on a noire » ;
in scrit un nombre suivant le tableau ci-dessous; E4 : « Je lirage cont ien t deux bou les noires » .
Calculer sous forme de fractions irréductibles les pro-
Nombrt inscrit
babili,és PtE,), P(E, ), P(E3), P(E.).
Nombre de buul~ 1
3 0 Si le joueur tire la boule rouge, il gagne 15 euros;
Un joueur mise 10 eu ros, tire une bou le au hasard el s'il tire la boule blanche, il ne gagne rien; enfin, il perd
reçoit la somme (en euros) inscrite sur la boule. Toutes 2 euros p~lr boule noire tirée.
les boules onl la même probabilité d'être tirées. Par exemple, ~ ïl tire la rouge et la blanche, il reçoit 15
I Ole joueur joue une fo is. On >tppelle PI la probabilité euros pour la rouge, 0 euro pou r la blanche et, donc,
qu'il perde de l'argen t (c'est-à-dire qu'il reçoive moins pour les deux boules, 15 euros. On considère la
de 10 euros à ,'issue ÙU li rage) et p~ la probabilité qu'il variable aléatoire X qui, à chaque tirage, associe le gain
reçoive plus de 10 euros. Donner PI elP2" du joueur (une perle e~t un gain négatif).
a) Déterminer les valeurs prises par la variable aléa-
r Soit X la variable aléatoire qui. à chaque tirage, fail
toire X.
correspond re le « gain ,. du joueur (u ne perle est un
b) Donner la loi de probabilité de X sous forme de
« gain ,. négatif). Par exemple : si un joueur lire le
tableau.
nombre 12, son '1\ gain ,. est + 2; s'il tire le 6, son
c) En déduire l'espérance mathématique de la
« gain » est - 4.
variable aléatoire X.
a) Quelles sont les valeurs prises par la variable Quelle remarque peut-on faire?
aléatoire X'!
b) Donner la loi de probabilité de X en complétant,
après l'avoir reproduit, le tableau suivant: EXEMPLES D'ÉTUDE DE
SITUATIONS DE PROBABILITÉS
FAISANT INTERVENIR DES
c) Calculer son espérance mathématique E(X). Que VARIABLES ALÉATOIRES
représente E(X) pou r le joueur?
d) Calculer la variance et la valeur approchée arron- SUIVANT UNE LOI BINOMIALE,
die à IO-:! de J'écart type de X. DE POISSON OU NORMALE
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
TP 3 Tirage de boules et loi binomiale
associée doit être nulle). . Une boîte contient quatre boules rouges, troi s boules
Proposer une solution. vertes et sept boules jaunes. On lire si mult:mément
deux boules de la boîte et on ~ uppose que les tirages
son t équiprobables.

114
1° On considère les événements suivants:
TP 5 Approximation d'une loi
A : « obten ir deux boules de même couleur »,
binomiale par une loi de Poisson
B : '" obtenir deux boules de couleurs différe,ntes » .
Dans cet ~:urcice chaque prohahiliti demandée sera
Calcu ler, sous forme de fractions irréductibles, les pro- arm"di~ il JO -J.
babilités PlA) et P(B).
Une petite entreprise emploie vingt pe.rson nes. Une
r On répète dix foi s l'épreuve précédente en remeUarll étude stati stique permet d'admettre qu'un jour donné la
les deux boules tirées dans la boîte, après chaque tira- probabilité qU'un employé donné so it absent est 0,05.
ge. Les di x épreuves aléatoires élément<lÎres sont donc On admet que les absences des employés survenues un
indépendantes. On note X la variable aléatoire qui , à jour donné sont indépendantes les unes des autres. On
chaque partie de dix épreuves, associe le nombre de note X la variable aléatoire qui à chaque jour tiré au
fois où l' événement A est réali sé. hasard assoc ie le nombre d'employés ab~nt s .
a) Expliquer pourquoi X suit une loi binomiale. 1° E xpliquer pourquoi X suit une loi binomiale. Donner
Donner les paramètres de œtte loi. les paramètres de cette loi.
b) D<;lnner la loi de probabilit é de X en complétant, 2° Calculer la probabilité des événements suivants:
après l'avoir reproduit, le tableau suivant, dans a) El « Un jour donné il y a exac tement troi s
lequel on fera figurer des valeurs approchées arron- absents » ;
dies avec un se·ul chiffre différent de zé ro. b) E') : « Un jour donné il y a strictement plus de
deux· absents ,. ;
1 0 c) E3 : « Un jour donné le nombre d'absents est com-
pris entre trois et six (bornes l'omprises) lt .
c) Calculer l'espéCilnce mathématique E(X) de X. 3° Calcu ler l'espérance mathém.ttique nOlée E<X) de la
Que représente E(X)? On donnera la va leur appro- variable aléatoire X. Que représente E(X)?
chée arrondie à 10- 2. 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-
Lois de Poisson tés respectives des trois événements El ' E2' E3 de la
TP4 et bons de commande question 2° .
Dans une entreprise de vente par correspondance une Vérifie.r que les résultats obtenu:) au 4° d ifférent Je
étude statistique a montré qu'il y ava it 5 % de bons de moin s de 1 % des résultats obtenus au r .
commande comportant au moin s une erreur. On consti-
tue au hasard un échantillon de 100 bons de comman-
de parmi ceux traités un jour donné. TP6 Loi normale
Le nombre de bon s de commande traités dans cette à propos d'industrie textile
journée est assez important pour 'lu 'on pui sse ~ssil1l il er Une usine produit des bobines de fil pour J'indu strie
ce prélève ment à un tirage avec remise de 100 bons de textile. On désigne par X la variable aléatoire qui, à
commande. On dés igne par X la variable aléatoire qui toute bobine tirée au hasard de la production d'une
associe à tout échan tillon de 100 bon s le nombre de journée associe la longueur, exprimée en mètres, du til
bons erronés. On admet que X suit la loi de Poi sson de de cette bobine. On admet que X suit la loi normale de
paramètre 5. moyenne 50 et d'écart type 0,2.
) 0 Déterminer, à l'aide de la table du formulaire, la On prélève au hasard une bobine dans la production
probabilité de chacun des é vénements sui vants: d'une journée .
a) El: « il y a exactement 5 bons erronés parmi les Tous les résltlt{/t.~· approchés semnt arrondis à JO - 2.
100 ,.; ) 0 Calculer la probabilité de chacun des évé.nements
suivants:
b) Ez : « il y a moins de 5 bons erronés parmi le s
100 ,. ; a} la longueur du fil de la bobine est inférieure à
50,19111;
c) E3 : « il y a au moin s 5 bons erronés parmi les
b) la longueur du fil de la bobine est supérieure à
100 ,.. 50,1601;
2° Déterminer le plu s petit entier k tel que la probabi- c) la longueur du fil de la bobine est comprise entre
lité d'.avoir moin s de k·e,rreurs soit supérieure à 0,9. 50,16 m et 50,19 O1.

Chap. 3 : Variables aléatoires à valeurs réelles 11 5


2° Déterminer le nombre réel posit if a tel que: À l'agence de Marne-Ia~V;:ùlée d'une grande entrepri-
Pt50 - a '" X '" 50 + a) ~ 0,9. se, on admet que l'on expédie 100 lettres par jou r. On
note X la variable aléato ire qui, à un jour tiré au hasard ,
associe le nombre de lettres qui parviendront à leur
TP7 Loi normale, approximation destinataire le lendemain. On suppose que les achemi-
d'une loi binomiale nements de ces lettres se font en Ioule indépendance.
par une loi de Poisson ] ° a) Expliquer pourquoi X suit une loi binomiale el
préci~r les paramètres de cette loi.
Une machine fabrique plusieurs milliers de bouchons h) Calculer l'espérance mathématique de X, pu is la
cylindriques par jour. va leu r arrond ie à l'entier Je plus proche de l'écart
] 0 On admet que la variable aléatoire X qui , à chaque type de X.
bouchon prélevé au hasard dan~ la product ion d' une c) Calcu ler la probabi lité que 60 lettres exactement,
journée, associe son diamètre exprimé en millimètres, sur les 100 expédiées un jour tiré au hasard, par-
suit la loi normale de moyenne m = 22 et d'écart type viennent à leur destinataire le lendemain. Pour ce
" = 0,025. çalcul , on prendra Cj~ = 1,375 · IO'S.
Les bouchons son t acceptables si leur diamètre appar- r On décide d'approcher la loi de la variable discrète
tient à l'inter valle [21,95 ; 22,05]. X par la loi normale de paramètres III = 70 et (J = 5.
Déterminer avec la précision de la table du formu laire- On note Y une variab le aléato ire suivant la loi normale
la probab ilité qu'u n bouchon pris au hasard dan s la .N(70 , 5). En ulilisant cette approx imation, calculer:
production soi t acceptable. a) la probabilité qu'au moins 80 des 100 lettres,
expédiées un jour tiré au hasard, parv iennent à leur
2° Dans ceue question, on admet que la probab ilité
destinataire le lendemain , c'est-à-d ire P(Y ~ 79,5);
qu'un bouchon, pris au hasard dans la production d'une
b) la probabilité que le nombre de lettres, sur les 100
Journée, so it défectueux est 0,05.
expédiées un jour tiré au hasard, p~l r venan t à leur
On prélève au hasard un échan till o n de 80 bouchons dest inataire le lendemain, so it strictement compris
(ce prélèvement est ass imilé à un tirage de 80 bouchons entre 55 et 85, c'est-~-dire :
.Ivec remise). On nomme Y la variable aléatoi re qui , à Pt55,5 '" y", 84,5).
chaque tirage de 80 bouchons, assocÎe le nombre de
bouchons défectueux dan s cet échan tillon.
a) Quelle est la loi su ivie par la variable aléato ire Y?
Déterminer l' espérance mathématique de Y. TP9 Somme de variables aléatoires
b) On approche la loi de la variable aléatoire Y par indépendantes suivant
une loi de Poisson. Donner le paramètre À de celle des lois normales
loi de Poi sson.
c) On note Z une vari able .tléalOire sui vant la loi de Pour réali ser un de se~ produits, une entreprise doit pro-
Poisson obtenue au h) . céder il l'assemblage d'une pièce de type A fab riquée
Calcule r la probabi lité qu'un tel éc hanti ll o n en grande série par un sous-traitant et d'une pièce de
conti en ne exactement 10 bouchons défectueux, type 8 réali sée par ses soi ns.
c'est-à-d ire PtZ = 10). Le cah ier des charges précise que la mas~e totale d' un
dispositif asse mblé doi t être compri se en tre 590 et 6 10
grammes.
On désigne par X la variable aléatoÎre qui, à chaque
TPB Approximation d'une loi
pièce de type A, prélevée au hasard dans la produc tion,
binomiale par une loi normale assoc ie sa masse, exprimée en grammes.
On suppose que X suit la loi normale de moyenne 390
Dans ct:f1~ ac/ù·;tl, cJltlq!l~ probabilité del/Ilmdü sera
et d'écart type 4.
arro"die à 10- J.
On désigne par Y la variable aléatoire qui. à chaque
Une enquête réali ~e par la Sofres permet d'est imer pièce de type 8 , prélevée au hasard dans la production,
que la probab ili té qu ' une lettre, prélevée au hasard associe sa masse, exprimée en grammes. Cette variable
dan s Je courrier d'une entreprise. parvienne ~ son de s~ aléatoire Y suit la loi no rmale d'espérance mathéma-
tinataire en France, le lendemain, est 0,7. tique 208 et d'écart type 3.
Dans la suite, on ne considère que les lettres;) destina- La pièce de type A et la pièce de type B à .tssembler
tion de la France. sont prélevées au hasard el de manière supposée

116
indépendante. On désigne par Z la variable aléatoire aléatoire qui, à chaque fausse pièce de 1 €, prélevée au
définie par Z = X + Y. hasard, associe sa masse exprimée en grammes. Cette
On admet que Z suit une loi normale. variable aléatoire Y suit la loi normale de moyenne
1° Vérifier que la loi normale suivie par Z a pour f.L' = 6,56 et d'écart type cr' = 0,02. Calculer la proba·
moyenne 598 et pour écart type 5. bilité qu'une fausse pièce de 1 € soit acceptée par l'ap·
r Calculer à 10- 3 près la probabilité de J'événement pareil (on pourra prendre 1 comme valeur approchée de
E : « une pièce prélevée au hasard dans la production
rr(tl lorsque t eSl supérieur à 5).
ne répond pas au c3hier des charges » .
B. Prob(lbilité.~· cOllditiolllleJ/es
On estime que:
Exercice d'examen .~ ,
~1> ()J <.\ ----- ~ (<MN-/, - • 2~ des pièces de 1 € jetées dans le panier ont été mises
~ Loi normale et probabilités en circulation par les faussaires.
conditionnelles au péage • Les autres pièces de 1 € jetées dans le panier ont été
frappées par la Banque de France.
Les rlsulrats numériques seront dOllllb an!c ulle pré· Soit A l'événement « la pièce de € jetée dans le
cision de /0- 3.
panier est acceptée par l'appareil » .
Pour entrer sur une section d'autoroute, on jette une
Soit B l'événement « la pièce de € jetée dans le
pièce de 1 € dans un panier. La masse de la pièce est
panier a été frappée par la Banque de France » et B
alors testée par un appareil.
l'événement contraire.
L'appareil accepte les pièces dont la masse est compri-
se entre 6,455 g et 6,525 g. Dans la suite on suppose que la probabilité de l'événe-
A. Loi 1iOmlGl~ ment « A sachant que B est réalisé» est 0,98 et que la
1° On note X la variable aléatoire qui, il. chaque pièce probabilité de l'événement «A sachant que B est réali·
de 1 € frappée par la Banque de France, prélevée au sé » est 0,04.
hasard, associe sa masse e~prjmée en grammes. 1° a) Déterminer P(A n B) et P(A n B) ;
Cette variable aléatoire suit la loi normale de moyenne b) Déduire P(A) du a) en remarquant que
fi. = 6,49 et d'écart type fI = 0,015. A = (A n B) U (A n B).
Calcule.r la probabilité qu'une pièœ de 1 € frappée par 2° a) Déduire P(A B) de P(A B);
la Banque de France soit acceptée par l'appareil. b) Calculer la probabilité qu'une pièce de 1 € jetée
r Des faussaires mettent en circulation un grand dans le panier ait été frappée par la Banque de
nombre de fausses pièces de 1 €. On noIe Y la variable France et soit refusée par l'appareil.

Chap. 3 : Variables aléatoires à valeurs réelles 117


EXERCICES CORRIGÉS

DES OBJECTIFS
Numéros des
exel't'Îces
o ~. La loterie

Représenter graphiquement la fonction de Une partie de loterie consiste à lâcher une bille dans un
1
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,
Uli1i~r 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 32 32 32 32 352 32
21
Poisson
Ulili:.er une loi normale 12,13.14.15, La règle du jeu est la su ivante: 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.
Soit Yla variable aléatoire qui à chaque partie effectuée
Exemples de situations menant à l'étude d'une
par un joueur donné associe le gain.
variable aléatoire
1° Quelles son t les valeurs possibles de Y?
2° Déterminer la loi de probabilité de Y?
ŒJ •Prévisions de ven te 3° Un jeu est équitab le si l'espérance mathématique du
gain est nulle. Le jeu est-il équitable '!
Dans une grande surface, on a relevé sur une longue Tous I~s 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 assoc ie, 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 ien t quatre jetons noirs et quatre jetons
blancs. On tire quatre jetons du sac, simultanément.
0" dOllnera les wlleurs approchées arrondies à JO~ 2
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
Nombrexj mathématique et la valeur approchée arrondie à. 10- 2
d'articles vendus
a 1 2 3 4 5 6
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 aléato ire 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 I~l 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, } O Soit X la variable aléatoire qui, à chaque échantillon
la valeur exacte et une valeur approchée arrondie à de six personnes de plus de quarante-cinq ans en bonne
10- 2.
santé, associe le nombre de personnes encore vivantes
1° Déterminer la probabilité de l'événement suivant: trente ans après. Expliquer pourquoi X suit une loi
E : « La première boule tirée est blanche ». binomiale dont on précisera les paramètres.
4
r On répète cinq fois de suite l'épreuve précédente. 2° Trouver à 10- près la probabilité des évé nements
Après chaque épreuve, les deux. boules tirées sont suivants:
remises dans J'urne, les cinq épreuves élémentaires a) A : « Les six personnes seront vivantes dans tren-
précédentes sont donc indépendantes. te ans » ;
Soit X la variable aléatoire qui, à chaque partie de cinq b) B : « Au moins deux personnes seront vivantes
épreuves, assoc ie le nombre de fois que se produit dans trente ans» ;
l'événement E. c) C : « Au moins une personne sera vivante dans
trente ans » .
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***
X désigne une variable aléatoire qui suit une loi bino-
miale de paramètres n et 0,01, notée 00(11; 0,01).
0** Un cas d'école 1° Déterminer 11 pour que P(X = 0) ~ 0,01.
On considère une épreuve aléatoire débouchant sur 2° Déterminer 11 pour que P(X ~ 1) ~ 0,90.
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 assoc ie à 11 Loi de Poisson
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 Soit X une variable aléatoire qui suit la loi de Poisson
Il d'échecs. de paramètre 4.
) 0 Quelles sont les lois suivies par X et Y? Déterminer la probabilité d'avoir 7 ~ X ~ 9.
Donner en fonction de 11 l'expression de :
P(X ~ k); pey ~ k); P(X ~ 0); P(X '" 1); p ey ~ Il ).
[!] . If faut .. éliminer!
ZO On suppose que 11 = 10. Calculer:
P(X ~ 0): P(X ~ 2): p(X '" 2); P(X > 2) ; l'espéran- 3 % des bouteilles d'eau fabriquées par une usine sont
ce E(X) ell'écarllype O'(X). défectueu ses.. On appelle X la variable aléatoire qui, à
TOlU les ré.wlrats seront arroI/di" à 10- 6. tout lot de 100 bouteilles prises au hasard, associe le
nombre de bouteilles défectueuses. On admet que X

o ** Assurance-vie
suit la loi de Poisson de paramètre 3.
Trouver la probabilité de chacun des trois événements
suivants:
Une compagnie d'assura.nces vend des polices d'assu-
A : « Un tel lot n'a aucune bouteille défectueuse » ;
rance-vie à des personnes de quarante~cinq ans, toules
B : « Un tel lot a exacte.mcnt deux bouteille.s défec-
e.n bonne santé. Après consultation des statist.iques des
tueuses " ;
compagnies d'assurances, on admet que la probabilité,
C: « Un te.! lot a au plus deux bouteilles défec-
de l'événe.ment : « Une personne de quar::lIlle-cinq ans
tueuses ».
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. ~ ** Lecture Înverse de la table
On admet que la clientèle des personnes de quarante-
cinq ans en bonne santé est suffisamment imporlante Soit X une variable aléatoire qui suit la loi de Poisson
pour que l'on pui sse assimiler ce prélèvement h un tira- de paramètre 7.
ge avec remise. On a donc une succession de six Déterminer la plus petite valeur de k vérifiant:
épreuves indépendantes. P(X '" k) '" 0,80.

Chap. 3 : Variables aléatoires à valeurs réelles 119


Œ2J u. Détermination du paramètre Approximation d'une loi binomiale
par une loi normale (exercices 16 et 17)
Soit X une variable aléatoire qui suit une loi de Poisson.
Dét.ermine.r à 10- 2 près Je paramètre À sachant que ~ *** Pile ou face
P(X = 0) = 0,3.
On jene dix fois de suite une pièce de monnaie bien
• Utiliser la définition de la loi de Pois'>On. équilibrée en notant chaque fois le résultat, ce qui
constitue une partie.
Tous les résultats approchls sero'" arrondis à 10- 3.
Loi normale. Lecture directe de la table 1 0 On note X la variable aléatoire qui, à chaque partie,
(exercices 12 et 13) 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.
La variable aléatoire X suit la loi normale .N(20, 5).
b) Calculer la probabilité de l'é vénement E : ..: Le
Calculer, avec la précision permise par la table du for- nombre de « face" est compris entre 3 et 6 (bornes
mulaire: incluses) ".
a) P(X ,. 28); b) P(X ;. 28); c) P(X;' 12); r On délèide d'approcher la loi de la variable aléatoire
d) P(X,. 12); e) P(12 ,. X,. 28). discrète X par la loi normale de paramètres m et u.
a) Expliquer pourquoi on prend m = 5 et cr = W.
~ .. Gestion de parc automobile b) On considère une variable aléatoire Y suivan t la
loi .N'(5 ; ,{2,5). En utili sant cette approximarion cal-
Une entreprise de tran sport a un parc total de ISO
culer la probabilité de l'événement: « Le nombre de
. camions. On désigne par X la variable aléatoire qui, à « face » est compris entre 3 et 6, borne s incluses " ,
chaque camion tiré au hasard dans le parc, associe la c'est-à-dire P(2,5 :s; Y:s; 6,5).
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 ~ U_ Statistique et probabilités
parcoure un jour donné une distance comprise entre
A. Statistiqut!
110 et 130 kilomètres en utilisant éventuellement une
Avant d'accepter un contrat de livraison de véh icule s,
interpolation affine.
une société d'équipements automobiles établit une sta-
ti stique de production journalière sur 100 jours.
Lecture inverse de la table de la loi normale

~ ..
(exercices 14 et 15) Le nombre de véhicules équipés journellement se
répartit comme suit:

La variable aléatoire X suit la loi normale .N'(20. 5). Production journali!'re Nomhrt
de véhil:ules équipé~ de jOU"
Déterminer à 10- 2 près le nombre réel a tel que:
a) P(X,. a) ~ 0,99; b) P(X ,. a) ~ 0,01 ; 95 1
c) P(X;' a) = 0,05; d) P(X;' a) ~ 0,90; 96 3
e) P(20 - a ,. X ,. 20 + a) = 0,95. 97 6

~ ... 98
99
100
8
10
13
On désigne par X une variable aléatoire. lOt 18
1 0 X suit la loi normale .N(2 ; 0,1), calculer P(X ;:=: 2,2). 14
102
2° X suit la loi norm ale X(m ; 0,1) :
103 9
a) calculer ni pour que P(X ~ 2,2) = 0,05 ;
104 8
b) calculer /Il pour que P(X;' 2,2) ~ 0,95.
105 6
3 Q X suit la loi normale H(2 ; a) :
106 2
a) calculer cr pour que P(X ,. 2,2) ~ 0,9;
b) calculer cr pour que p(1,8 ,. X,. 2,2) = 0,9.
107 2
100
TOlls I~s résultats seront arrondis à 10- 2.

120
Déterminer la moyenne de la production journalière et 3° Déterminer le nombre réel positif a, tel que la pro-
une valeur approchée arrondie à 10- 2 de l'écart type babilité de l'événement « 40 - Cl ~ Z ~ 40 + Cl lt soit
de cene production. égale à 0,95.
B. Probabilitb
La production exigée par le contrai est au moin s de J00
véhicules équipés par jour, pendant J00 jours de travail Exercices d'examen
consécutifs. À chaque journée tirée au hasard, on asso-
c ie le nombre de véhicules équipés que l'on suppose ~ ... Production de montres,
indépendant du nombre obtenu chacun des autres jours. événements indépendants, loi binomiale
On définit ainsi une variable aléuroire X. On admet que
Une usine d'horlogerie fabrique une série de montres.
la variable aléaroire discrète X peut être approchée par
La fabrication comporte deux: phases. La première
la loi normale de paramètres ni = 10 J el cr = 2,59. On
phase fait apparaître un défaut a dan s 2 % des cas; la
note y une variable aléatoire sui va nt la loi
°
X( 1 1 ; 2,59).
Calculer la valeur approchée arrondie ft 10- 3 de la pro-
seconde phase, un défaut b dans 10 % des cas.
1° Une montre est tirée au hasard.
babilité de l'événement« Le contrat est rempli » , c'est- On définit les événements sui vants:
à-dire P( Y ;;' 99,5). 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 so nt 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
Somme de deux variables aléatoires
défauts lt ;
E : « La montre tirée présente un et un seul des deux
défauts ».
Soit X et Y deux variables aléatoires indépendantes r Au cours de la fabrication, on prélève au hasard suc-
dont les lois de probabilité sont définies par le s cessivement cinq montres. On considère que le nombre
tahleau x suivant s. de montres fabriquées est assez gT"dnd pour que l'on
puisse supposer que les tirages sont indépendants. On
x, 0 10 20 admet que la probabilité qu'une montre choisie au
:1 1 1 1 hasard dans la production ne présente aucun des deux
l'IX - x,) 2 4 4' défauts a e t b est 0,882.
1 1 1 1
Soit X la variable aléatoire qui associe à chaque prélè-
Y, - 5 10 15 20 ve ment de cinq montres le nombre de montres sans
1 1 9 1 aucun des deux défauts a et b.
P(Y == Yi)
'5 :j 20 ru a) Expliquer pourquoi X suit une loi binomiale.
Donner les paramètres de cette loi.
Calculer l'espérance mathé matique el une vale ur
b) Déterminer la probabilité de l'événement F :
approchée arrondie à 10- 3 de l'écart type de la
« Quatre montres au moins n'ont aucun défaut lt.
variable aléatoire Z = X + Y.
On donnera la valeur exacte de cette probabilité,
puis une valeur déc imale approchée arrond ie au mil-
[!!] u. Somme de variables aléatoires lième.
suivant une loi normale
Les deux variables aléatoires X et Y sont indépendantes ~ ... Où on fait de la statistique descriptive et
et suivent respect ivement les lois normales: )((22, 4) utilise les trois lois usuelles de probabilité
et X( 18, 3).
US pa,.ti~~· A, B ~t C SOIll jlld~p~l/da1llu.
Soit la variable aléatoire Z = X + Y. On admet que Z
Une usi ne fabrique des ~iges métalliques servant d'es-
suit une loi normale.
sieux ?t des modèles réduits de voiture.
] 0 Montrer que l'espérance mathématique et l'écart
A. Statistiqu~
type de Z sont respectivement 40 et 5.
Dans un lOI de 1(XX) pièces, on a mesuré la longueur
2° Calculer la probabi lité de l'événement
des tiges.
.-: 34 ~ Z ~ 48 lt.

Chap. 3 : Variables aléatoires à valeurs réelles 121


Voici la répartition en classes de ces mesures; b) Déterminer une valeur approchée arrondie à
10- 4 Je la probabilité pour un tel échantillon:
Longueur (en mm) Nomhre de pià:es - de n'avoir aucune pièce défectueuse;
[67 ,5; n.5[ 5 d'avoir au plus 2 pièces défectueuses.
172,5; 77,51 95 r a) On admet que la loi suiv ie par X peut être
approchée par une loi de Poisson. Déterminer le
[77.5 ; 82.51 790
paramètre de celle loi.
[82,5; 87.5[ 100 b) En utilisant cette loi de Poisson, déterminer des
187,5; 92,51 10 valeurs approchées à 10-3 près de la probabilité de
chJ.cu n des deux événemenL~ du l Ob).

C. On cons idère maintenant que la variable aléatoire


10 Tracer l'histogramme de cette série stat istique.
y qui, à loute tige de la production, associe sa lon-
r En suppos:.tnt que, dans chaq ue classe, tous les é lé- gueur suit la loi normale de moyenne 11/ = 80 et
ments sont situés au centre, calculer une valeur appro- d'écart type cr = 2,5 .
c.:hée arrondie à 10- 2 de la moyenne et de l'éc:ut type Dans ce qui suit, 01/ dOlillera pOlir chaqlle risl/lUlf
de cette série stat istique. tille \'llieur approchée (lrro"di~ à 10- ol.
1° Quelle est la probabilité qu'une lige prise au
B. Probabilirè
hasard dans la production ait une longueur comprise
On prélève des pièces d:.lIls la production d'une jour- entre 77.5 et 82,S?
née. On suppose que la probabilité qu'une pièce soit
r On accepte les pièces donl la longueur appartient
défectueuse est 0,1. On noIe X la variable aléatoire qui,
à l'intervalle l77, 86] (les pièces Irop longues peuvent
à tout échantillon de 50 tiges, prélevé au hasard avec être recoupée.s).
remise, "lssocie le nombre de tiges défectueuses parm i a) Quelle est la probabilité qu'une pièce soit
les 50. acceptée?
10 a) Expliquer pourquoi X su it une loi binominale. b) Donner une estimation du pourcentage de
Donner les paramètres de cette loi. pièces défectueuses dans la production.

EXERCICES NON CORRIGÉS


Loi de probabilité, espérance mathématique, ~ * Découvert à la banque
fonction de répartition
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 d'ad~
mettre que la loi de probabilité de X est donnée par le
tableau suivant:
1° Calculer l'espérance mathématique, la variance et la
valeur approchée arrondie à 10- 2 de l'écart type de la Xi (dâ"OUvcrl en eurm.) Pt,X=x j )
variable aléatoire X dont la loi de probabilité est don-
née par le tableau: 1
200 000
10
150000 1
X; 2 5 12 6
1 1 1 1
P(X = Xi. 120000
6 2 3 5
1
90000
3
r Construire la représentation graph ique de la fonction
70000 1
de répartition de la variable aléatoire X. 5

122
Calculer l'espérance mathématique E(}() de la variable ~ ... Tirage sans remise
aléatoire X. Que représente E(X)?
Une urne contient deux boules rouges, trois boules
blanches et quatre boules noires, indiscernables au tou-
~ -- Pile ou face cher. Un jeu consiste à lirer deux boule~ successive-
On lance simultanément trois pièces de monnaie (non ment, sans remise. 11 y a équiprobabilité des tirages. Le
truquées!) : une de 0,50 €, une de 1 €, une de 2 €. tirage d'une boule rouge fait gagner 3 euros. Le tirage
d'une boule blanche fait gagner 2 euros. Le tirage
Un résultat est noté sous forme de triplet, par exemple
d'une boule noire fait perdre 3 euros.
(P, P, F) . où le premier élément est le résultat pour la
On appe lle X la variable aléatoire qui :l tout tirage de
pièce de 0,50 €. le deuxième le ré!'>uhat pour la pièce
deux bou les fait correspondre le gain en euros (une
de 1 €, le troi sième le résultat pour la pièce de 2 €.
perte est un gain négatif).
1° Déterminer l'ensemble des résllltats possibles.
1° En utilisant les lettres R, B. N respectivement pour
2° On gagne 1 euro si on obtient 3 fois face, 0,5 euro si
rouge, blanche, noire, écrire les neuf résultats possibles
... on obtient 2 fois face el on perd 0,5 euro si on obtient sous la forme de couples dOn! le premier terme repré-
une seule foi s face ou aucune fois face. On note X la sente la couleur de la première boule tirée, et le deuxiè-
variable aléatoire qui. à tout lancer des trois pièces, me terme la couleur de la deuxième boule tirée.
associe le gain obtenu, une perte étant considérée 2° Calculer. sous forme de fraction irréductible, la pro-
comme un gain nég~ltif. babilité de chacun des événements trouvés dans la pre-
a) Définir la loi de probabilité de X en présentant mière question.
les résultats à l'aide d'un tableau. 30 Calculer le gain associé à chacun de ces événements.
b) Calculer l'espérance mathématique E{X) de la 4 0 Écrire la loi de probabilité de X.
vari able aléatoire X. Que représente E{X)? Le jeu So a) Calculer l'espérance mathématique de X et l'in-
est-il équitable? terpréter.
Un jeu e ... t équitable l0rMIue les gains et les perles b) Calculer l'écart type de X et en donner une
s'équilibrent sur un Irh gr.md nombre de parties. c'e))!-
approximation décimale à 0,01 près.
à-dire lorsque EV.') = Q.

EJ U Problème de dés

~ .... Tirage a\'ec remise


On dispose de deu~ dés cubiques non truqués. Le pre-
Une urne contient troi s boules indiscernables au tou- mier cube a cinq faces rouges et une face verte. Le
cher, numérotées respec ti vement 1,2 et 3. deuxième cube a une face rouge, deux vertes et trois
bleues.
On effectue trois tirages successi fs avec remise, et on
note dans l'ordre les trois numéros ainsi obtenus. Un
1° On jette les deux dés. Tous les tirages sont équipro-
bables. On regarde la couleur des faces supérieures de
résultat est un triplet donnan! les numéros dans l'ordre
chaque dé. On note:
où ils ont été obtenus. par exemple: ( l, l, 2).
A, l'événement: « les deux faces son t rouges » .
Tous les triplets sont équiprobables.
- B, l'événement: « les deux faces sont de la même
]0 Donner la liste des triplets possibles. couleur • .
2° Soit X la variable aléatoire qui à chaque triplet asso- - C, l'événement « l'une des faces est rouge et
cie la somme des deux premiers numéros tirés. Par l'autre verte » .
exemple. pour le triplet (J, 3, 3). on a X = 4. D. l'événement: toC les deux faces sont de couleurs
a) Donner les valeurs possibles de X; différentes >t.

b) Dresser le tableau de la loi de probabilité de X;


Expliquer pourquoi PlA) = 2. el P(C) = Il.
36 36
Calcu ler P(B) el P(D).
c) Calculer son espérance mathématique.
3 0 Soit Y la variab le aléatoire qui à chaque triplet asso-
r À chaque jet de ces deux dés est associé un jeu qui
permet:
cie le double du troisième numéro tiré.
un gain de 5 euros si les deux faces sont rouges,
a) Donner les va leurs possibles de Y.
un gain de 2 euros si les deux faces sont vertes,
b) Calculer sous forme de fraction irréductible la une perte si les deux faces sont de couleurs diffé-
probabilité de J'événement X = Y. rentes.

Chap. 3 : Variables aléatoires à valeurs réelles 123


("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 variab le aléatoire X qui, à chaque
jet des deux dés, associe le ga in ou la perte ainsi ~ ** Des boules dans une urne
réalisés.
Déterminer P(X ~ 5), P(X ~ 2), P(X ~ - x).
Une urne contient 16 boules: 8 boules blanches, 5
noires et 3 rouges.
Un tel jeu est dit « équitab le » lorsque l'espérance
On tire simultanément 3 boules de l'urne.
mathématique E(X) = 0; déterminer la valeur de x cor-
On suppose j'équiprobabilité des tirages.
respondante ..
Soit X la variable aléatoire qui, à chaque tirage, associe
1 si les 3 boules sont de cou leurs différentes et - 1
~ .. Événements indépendants et variable aléatoire dans les autres cas.
1° Montrer que la probabilité que X soit égale à 1 est l!.
En observant les ventes de tracteurs sur une très longue
période, le responsable d'une entreprise vendant du 2° Déterminer la loi de probabilité et la valeur exacte
matériel agricole a pu établir que le nombre de trac- de l'espérance mathématique de X.
teurs vendus au cours d'un mois peut prendre les
valeurs su ivantes avec les probabilités correspon- ~ *** Des jetons dans une urne .o. n
danles :
Une urne contient six jetons: trois jetons verts numé-
rotés l, 2 et 3 et trois jetons rouges numérotés 2, 3 et 4.
Nombre de InICteun
Probobilit<! On tire simultanément deux jetons de l'urne. Tous les
vendus en 1 mois
tirages possibles sont supposés équiprobables.
0 0.07 1° Combien existe-t-il de tirages différents possibles?
1 0,2 Toutes I~s probabilités sero1lt dorlllén sous f()rm ~ d~
2 0.4 fractiol/s irréductibles.
2 ° Quelle est la probabilité de tirer un jeton de c-haque
3 0,2
couleur?
4 0,1 3 ° Soit X la variable aléato ire qui associe à chaque tira-
5 0.03 ge la valeur du jeton portant le plus petit numéro si les
numéros sont distincts et, sinon, le numéro commun
On suppose que les ventes de chaque moi s sont indé- augmenté de 1.
pendantes. Déterminer la loi de probabilité de X.
4° Calculer l'espérance mathématique et la valeur
A. Un représentant est embauché en début d'année. approchée arrondie à 1O~2 de l'écart type de X.
Calculer la probabilité de chacun des événements sui- 5° Représenter graphiquement la fonction de réparti-
vants: tion de X.
El: « Il vend au moins deux. tracteurs en janvier » ;
El : « Il vend troi s tracteurs en janvier, un en février, et
quatre en mars » ;
~ *** Contrôle de qualité
E, : « Il vend quatre tracteurs au cours des deux pre- Une usine a fabriqué 25 pièces indiscernables, dont 3
miers mois ».
présentent un défaut.
B.On lui propose soi t un salaire mensuel fixe· de
On donnera le~' résultats sous f()rm~ décimale.
1500 euros, soit un syst~me avec un fixe de
A. On prélève au hasard une pièce parmi les 25 pièces
1200 euros et une prime de 230 euros par tracteur
fabriquées. Toutes les pièces ont la même probabilÎ(é
vendu.
d'être choisies.
On définit ainsi une variable aléatoire X qui, à chaque
1° Calculer la probabilité Pl qu'elle ne so it pas défec-
mois tiré au hasard, associe la prime reçue à la fin de ce
tueuse.
mois.
2° Une personne a besoin de sept pièces non défec·
1° Établir sous forme de tableau la loi de probabilité
tueuses. Combien doit-elle acheter de pièces au mini-
de X.
mum pour être certaine de les avo ir ?
r Calculer l'espérance mathématique de X.
3° Si l'on cons idère un très grand nombre de mois, quel B. On prélève simultanément 2 pièces au hasard parmi
salaire moyen le représentant peut-il espérer en choi- les 25 pièces fabriquées. (On suppose que tous les
sissant le s y stème des primes? tirages de 2 pièces sont éq uiprobables).

124
1° Quelle est la probabilité P2 d'obtenir 2 pièces sans r Calculer P(X:S:; 5).
défaut? 3° Calculer l'espérance mathématique E(X) et la
r On appelle X la variable aléatoire qui. à chaque tira- variance V(X) de la variable aléatoire X.
ge de 2 pièces, associe le nombre de pièces présentant Que représente E(X)?
un défaut.
a) Donner la loi de probabilité de X. sous forme de
tableau. ~ -- Pour contrôler la livraison
b) Calculer l'espérance mathématique de X. À la livraison d'un nombre très important de pièces
dont 1 % sont défectueuses, on pré lève au hasard un
échan tillon de 50 pièces.
La population est suffisamment importante pour qu'on
Loi binomiale puisse ass imil er ce prélèvement à un ti rage avec rem i-
se de cinquante pièces. On a donc une succession de
cinquante épreuves indépendan tes. On note X la variable
~. aléatoire qui à, chaque prélèvement de 50 pièces,
Quelle est l'espér.mce mathématique de la variable associe le nombre de pièœs défectueuses de ce prélè-
aléatoire 'X qui suit la loi binomiale de paramètres vement.
Il = 30 et p = 0,2 ? r Expliquer pourquoi X sui t une loi binom ial e dont on
donnera les paramètres.
r Calcu ler la probabilité de chacun des événements
suivants :
Sachant que la variable aléatoire X suit une loi bino- A : « L'échantillon ne comporte aucune pièce défec-
miale 00(11, p), calcu ler: tueuse lt ;
a) pour Il = 6 et P = 0,4, B : « L'échantillon comporte une seule pièce défec-
P(X = 3), P(X = 0), P(X '" 2), E(X), <T(X); tueu~ »;
bl pour Il = 6 et p = 0,6, C : « L'éc han tillon comporte au moins deux pièces
P(X = 6) , PIX '" 2), P(X > 1) ; défectueuses lt.
Pour a) et b) les ri,fII/tats seront arrondis li 1'0- 3. Tous leJ rb ullats llpprochts serofll arnmdi.\ à JO- 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.
~ •• Absentéisme
Pour c) et d) 011 donnera lt! premier chiffre 1/011 nu/ Un chef d'entreprise a réali sé une étude slir l'absen-
du rlst/ltat. té isme dans son éq uipe de 50 employés.
Soit X la variable aléatoire qui, à un jour tiré au hasard

§]. f.- dans une année, associe le nombre d'employés absents


ce jour-là. Une étude statistique permet d'admettre que
Sachant que la variable aléatoire X suit une loi bino- la loi de probabilité de la variable aléatoire X est don-
miale <,13(11, p), construire le diagramme en bâtons née par le tableau suivant:
représentant celle loi lorsque ri = 6 el p = 0,4.
Valeur de X : x,
(_d'_ o· 1 2 3 4 5 6

~ .. Des boules dans une urne (tirage avec remise) PVC-x~


16 44
-
57 50 30 - 16 - 7
220 220 220 220 220 220 220
TOlls les rist/ltals approchls umllf armm!is à 10- 3.
Une urne contient dix boules dont trois rouges. 1° Calculer J'espérance mathématique, la variance et
On tire huit bou les l'une après l'autre en remeHant à l'écar t type de la variable aléatoire X.
ch'lque fois la boule tirée dans l'urne . Que représente l'espérance mathématique E(X)?
On suppose l'équiprobabi li té des tirages.
On donnera éventuelleme nt des valeurs décimales
Soit X la variab le aléatoire qui, à ch<lque tirage, associe approchées arrondies.à 1O-!.
le nombre de bou les rouges obte nues.
2° La probabilité qu'un employé soit absent un jour
1° Expliquer pourquoi )( suit une loi binomiale.
choisi au hasard est p = 0,05.
Préciser les paramètres de celle loi.

Chap. 3 : Variables aléatoires à valeurs réelles 125


Soit Y la variable aléatoire qui. ~l un employé tiré au d'une journée, associe son poids, exprimé en grammes
hasard, associe son nombre de jours d'absence au cours et arrondi à 10 grammes près.
d'un mois de travail de vingt jours donné. Le tabJe.au suivant indique la probabilité Pi de l'événe-
On suppose que les vi ngt événements possibles: 'le Être ment X = x j .
absent le ... » sont mutuellement indépendants.
a) Expliquer pourquoi Y suit une loi binomiale dont x =x; 580 590 600 610 620

on donnem les p~lramèlres. 0.12 0,25 0,32 0,27 O,().I

b) Déterminer à 10- 3 près, la probabilité de chacun


des événements suivants: Par exemple, la probabilité qu'un pain prélevé au
hasard pèse 590 grammes est 0,25.
A : « L'employé n'est pas absent au cours du mois
de vingt journées de travail » ; }O Calculer l'espérance mathématique de X et une
B : « L'employé est absent trois jours au cours du valeur approchée arrondie à 10- 2 de l'écart type de X.
mois ». 2° Un client achète un pain de campagne. Quelle est la
probabilité que son pain pèse au moins 600 grammes?
8 .... Des jetons dans un sac (avec des tirages 3 ° Un cont rôleur du service de la Répression des
simultanés) fraudes entre dans la boulangerie et prélève, au hasard,
Dans un sac on a mis trois jetons blancs et deu)( jetons dix pains de campagne.
~ rouges. La quantité produite ce jour-là est suffisamment impor-
tante pour qu'on puisse assimiler ce prélèvement à un
A. Un joueur tire simu ltanément deux jetons du sac.
tirag~ avec remise de dix pains. On a donc une succes-
Tous les tirages sont équiprobables.
sion de dix épreuves indépendantes. On note Y la
1° Déterminer la probabilité de l'événement E : « le
variable aléatoire qui à chaque prélèvement de 10 pains
tirage est bicolore ». associe le nombre de pains de 580 grammes contenus
ZO Soit X la variable aléatoire qui à chaque tirage asso- dans ce prélèvement.
cie le nombre de jetons rouges obtenus. a) Expliquer pourquoi Y suit une loi binomiale.
a) Donner sous forme de tableau la loi de probabi- b) Quelle est la probabilité d'avoir exactement trois
lité de X; pains de campagne de 580 grammes?
b) Calculer l'espérance mathématique E(X) de X. c) Quelle est la probabilité d'avoir au moins un pain
Que représente E(X) ? de campagne de 580 grammes?
B. Une épreuve consiste à tirer un jeton, noter sa cou- d) Quelle est la probabilité d'avoir au plus un pain
leur et le remettre dans le sac. Un joueur effectue, de de campagne de 580 grammes?
façon indépendan te, cinq épreuves. On donnera les valeurs exactes puis des valeurs
Soit Y la variable aléatoire qui à chaque partie de cinq décimales approchées arrondies à 10- 4 .
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- ~ ••• Les jeux sont faits, rien ne va plus
nement F : « le joueur a obtenu exactement trois
À ce jeu, la probabilité de gagner à l'issue d'une partie
jetons blancs » ;
est égale à 0, l, et les résultats de deux parties sont indé-
c) Déterminer l'espérance mathématique de Y. Que
pendants.
représente E( Y) ?
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-
~ ... Contrôle de poids nement « gagner au moi ns une fois au cours de Il par-
ties suc.cessives », en supposant que les résultats sont
Un bou lange.r fabrique des pains de campagne qui doi-
indépendants.
vent peser, en théorie, 600 grammes.
On désigne par X la variable aléatoire qui, i\ chaque
r Déterminer le plus petit entier naturel"o pour lequel
pain de campagne prélevé au hasard dans la production Pl!o ~ 0,99.

126
~ ... Contrôle de qualité ~ .... Probabilités conditionnelles
et loi binomiale
Une us ine 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- 7èms l~s rh ultats approchés surmt arroI/dis à JO -2.
duction. La production est assez importante pour qu'on Une étude statistique a été réalisée sur le montant des
pui sse assimiler ce prélèvement à un tirage avec remi- ventes dans un magas in d 'outillage. Pour cela, on a
se de 100 articles. On a donc une sUl.:-cess ion de 100 prélevé au hasard 100 fiches. Le tableau suivant déc rit
épreuves indépendantes. On désigne par X la variable leur di stribu tion.
aléatoire qui associe à tout échantillon de 100 articles
Montant des fil,.'hes
le nombre d'articles défeclUeux. Efftttif
eneul\)';
1° Quelle loi suit la variable aléatoire X? [50.75[ 12
2° Déterminer une valeur approchée arrondie l\ 10- 3
[75.100[ ~5
de la probabililé de chacun des événements suivants :
1 100. 1~5[ 36
A : « L'échantillon contient au moins un arlide défec-
r 1~5. 150[ I~
tueux JI) ;
[150.175[ 9
B : « L'échantillon contient au plus troi s articles défec-
tueux. )10.
10 On considère une fiche prélevée au hasard dan s cet
échantillon. On note A, B, C, les événements s uivants;
~ ... Des jetons dans une boîte " A : « le montant est st rictement inférieur à 125 euros» ;
Dans une boîte sont placés six jetons sur lesquels sont B : « le montant est supérieur ou égal à 75 euros » ;
respectivement ins<'.'fits les nombres entiers relatifs C: (j( l'événement A est réali sé sachant que B est réa-
-3;-2; 1;2;3;4. lisé ».
Un tirage consiste à tirer simultanément deux jetons de Calculer la probabilité de chacun des événements A. B,
la boîte .. AnBete.
On suppose que les tirages sont équiprobables. 2 0 Dans cet échantillon, on prélève au hasard et avec
} O On définit une variable aléatoire X en assoc iant à
remise 40 fiche s. Soit X la vari,'lble alé<lloire qui, i'l tout
chaque tüage la somme des entiers relatifs inscrits sur prélèvement de 40 fiches. associe le nombre de ces
les deu x jetons tirés. fiches dont le muntant est supérieur ou égal il
150 euros.
Dans ct' qlli suit, tolites les pmbabilitb seront dOl/nées
a) Just ifier que la variable aléatoire X suit une loi
SOIIS forme dt' frac/io,,",i irréduoibles.
binomiale. Muntrer que l'espénmce mathématique
a) Déterminer les valeurs prises par X et sa loi de de X e:st 3,6. Que représente E(X) ?
probabilité.
b) Calculer la probabilité de l'événement X = 3.
b) Calculer l'espémnce mathématique E(X} de X. e) Calculer la probabilité de <.:hacun des événements
Que représente EU<) ? suivants :
2 0 Lors d'un tirage, le jOllt:ur a gagné s i la somme des E: '" Il Y a au plus 3 fiches dont le montant est supé-
points est supérieure ou égale à 4. Pour un timge, quel- rieur à 150 euros » ;
le est la probabilité p de gagner? F : « II y a au moins 3 fiches dont le montant est
En déduire la probabilité li de perdre. supérieur à 150 euros ».
3 0 Le joueur effectue 11 tirages s uccess ifs, où 1/ est un
entier naturel non nul , en remettant après chaque tirage
les jetons dans la boîte. On désigne par Y la vuriable ~ .... Les bel/es autos
aléatoire qui, à ch'lque tI; partie » de n tirages, associe Un représentant d'une marque d'automobiles
le nombre de tirages gagnants. démarche dix client s par jour. On suppose que chaque
a) Expliquer pourquoi Y suit une loi binomiale. client lui commande une voiture neuve avec la proba-
1
b) Soit p" la probabilité de gagner au moins une fois bilité 20 et que chaque client prend la décision de
au cours des Il tirages. commander ou non une voiture neuve en toute indé-
Calculer p" en fonction de Il. pendan.ce, sans être innuencé par le comportement dc.!s
e) Déterminer la plus petite valeur de II pour laquel- .Iulres clients.
le Pn ., 0,99 . TOLlS les rbllitats suont dOllllb m't'c trois décimales.

. Chap. 3 : Variables aléatoires à valeurs réelles [27


1" Calculer la probabilité pour le conce.ssionnaire de ~ '" Utiliser la définition
vendre un jour choisi au hasard:
a) au moins une voiture; Soit X une variable aléatoire qui suit la loi de Poi sson
b) troi s vo itures exactement. de paramètre 1,8.
r Sachant qu'il touche 200 euros de commission par À l'aide de la définition, déterminer les probabilités
voiture vendue, calculer la probabilité qu'il gagne au suivantes. Arrondir à 10- 3.
moins 400 euros en une journée. a) P(X = 2);
b) P(X < 2) .
• Dans l' exercice 44. il faut définir une variable aléatoire.

~ * Faut-illimiter la baignade? •
,~~ .. Prob!'bilités cond:tionnelles, loi binomiale Une statistique officielle montre qu'en France, il ya
~ et controle de quallte deux morts par an par noyade pour 100000 habitants.
® Une usine fabrique des pièces dont 1,8 % sont défec-
tueuses. Le contrôle des pièces s'effectue selon les pro-
Soit X la variable aléatoi re qui à toute vi ll e d'environ
150000 habitants tirée au hasard associe le nombre de
babilités conditionnelles suivantes: ses citoyens noyés pendant une année.
sachant qu'une pièce est bonne, on J'accepte avec On admet que X suit la loi de Poi sso n de paramètre 3.
une probabilité de 0,97 ; 'Calculer la probabilité de chacun des événements sui-
sachant qu'une pièce est mauvaise, on la refuse avec vants:
une probabilité de 0,99. A: « Il n'y a aucune noyade cette année dans une telle
On prélève une pièce au hasard dans la production ville )t ;
d'une journée et on note
B: 4( Il Y a deux noyades cette année dans une telle
B l'événement: « la pièce choisie est bonne )t ;
ville » ;
M l'événement: « la pièce chois ie est mauvaise )t ;
C: 4( Il Y a cinq noyades cette année dans une telle
A l'événement: « la pièce est acceptée au contrôle )t ;
ville » ;
R l'événement: « la pièce est refusée au contrôle )t.
D: 4( Il Y a moins de quatre noyades cette année dans la
1" Quelle est la probab ilité qu'une pièce soit défec-
ville » .
tueuse?
r a) Montrer que la probabiliré qu'une pièce soit dé-
fectueuse et acceptée est 0,000 18. ~ *. Durée de vie d'un équipement informatique
b) Montrer que la probabilité qu'une pièce soit bon-
ne et refusée est 0,02946. On admet que la variable aléatoire X qui, à tout équ ipe-
c) Calculer la probabilité qu'il y ait une erreur dans ment informatique prélevé dans un stock important ,
le contrôle. associe sa durée de vie exprimée en nombre entier
3" On contrôle cinq pièces de façon indépendante. On d'années suit la loi de Poisson de paramètre Â. = 5.
note X la variable aléatoire qui, à chaque lot de cinq On définit la fonction R de ce même équipement par:
pièces contrôlées, associe le nombre d'erreurs de R(t) = P(X > t).
contrôle. Montrer que R(I ) = 0.959.
a) Expliquer pourquoi X suit une loi binomiale dont
Présenter sous forme de tableau les valeurs de R(t)
on précisera les paramètres.
pour t entier, 1 ~ 1 :s; 10.
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.
~ ••• Courbe d'efficacité

Loi de Poisson Une machine fabrique des tiges en acier.


Un client achète un lot de tiges fabriquées par cette
~ * Utiliser la table du formulaire machine; pour contrô ler la qualité de ce lot, il prélève
80 tiges et accepte ce lot si le nombre de tiges défec-
Soit X une variable aléatoire qui suit la loi de Poisson tueuses parmi les 80 est au plus égal à 2. On désigne
de paramètre 2. par p la probabilité qu'une tige prise au hasard dans le
À l'aide de la table du formulaire, déterminer les pro- lot soit défectueuse et l'on suppose p < 0,1. On assimile
b<tbilités suivantes: tout prélèvement de 80 tiges à un prélèvement aléatoire
a)P(X=I); b)P(X'; 1); c) P(X > 2). non exhaustif.

128

r
1° On admet que la varÎable aléatoire Yqu i, à tout pré- Combien faudrai t-i l de postes de déchargement pour
lèvement de 80 tiges, associe le nombre de liges défec- que la probabilité de n'avoir aucun camion en attente
lUeuses de cel échanti llon. suit une loi de Poisson de soit supérieure à 0,95?
paramètre 111 = 80 p.
Montrer que la probabilité que le client accepte un lot
est: i.p(m) = e- m(1 + 111 + ,~2). 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 u~O~ ~ ... Contrôle cie qualité (suite)
repère orthogonal d'unités graphiques 1 cm sur l'axe Une usm° e prod III°t d es ar tOcles
1 . dont 3 d7 C
présentent
'
des
des abscisses el 10 cm sur "axe des ordonnées.
défauts. En vue du contrôle de qualité, on constitue au
3° Utiliser la représentation graph iqu e 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 défectueu~.
1° Quelle loi su it la variable aléatoire X? Donner les
Lecture inverse de la table de la loi de Poisson n
V' ' paï..tmètres de la loi suivie par X.
~ .... Temps d 'attente et loi de Poisson ~ r On admet qu'on peut approcher la loi précédente par
une loi de Poisson.
Un chef d'entreprise, pour év iter l'attente des camions
Déterminer le paramètre de cene loi de Poisson.
venant li vrer, envisage, si cela se montre nécessaire, de
JO On note Y une variable aléato ire suivant la loi de
construire de nouveaux postes de déchargement. Il yen
Poisson obtenue au 2°,Déterrniner une valeur appro-
a actuellement cinq. On considère, pour simplifier
chée à 10- 4 près de la probabilité de chacun des évé-
l'étude, qu'il faut une journée pour décharger un
nements suivants:
camion. Une enquête préalable su r cent vingt jours
ouvrables a donné les résultats suivants: A: « L'échantillon contient au moins un art Îc.' le défec-
tueux :. ;
Nombft
B: « L'échantillon contient au plus trois articles défec-
d'.rrhies 0 1 2 3 4 5 6 7 8 9 10
par jour: Xi tueux :..

Nombft
ck jours: "i 2 10 18 22 23 19 12 7 4 2 1 ~ ... Saisie informatique
Une société s'occupe de la sa isie informatique de docu-
A. Sfal;.'iliqLl~
ments.
Calculer la moyenne et une valeur approchée arrondie
Pour chaque document, une première saisie est retou r-
h 10- 2 de la variance et l'écart type de celte série sta-
née, pour vérification, au clie nt correspondant.
tistique.
B. Pmbabili/ts Les résultats demandés seront donnés sous forme de
On admet que la variable aléatoire X qui, à un jour tiré \'aleurs décimales arrondies.1 10- J.
au hasard dans les jours ouvrables d'une année, associe Pour chaque document, le délai de retour de hl première
le nombre de camions venan t li vrer ce jour-là, suit la loi sais ie vers le client est fixé à 2 semaines.
de Poisson de paramètre À. = 4. Une étude stat istique a montré que la probabilité
JO Quelle est, à 0,0001 près, la probabilité de n'avoir qu'une saisie prélevée au hasard soit effectivement
aucun camion en attente? retournée au client dans le délai fixé est égale à 0,9.
2° Combien faudrait-i l de postes de déchargement pour On désigne par X la variable aléatoire qui, à tout échan-
que la probabilité de n'avoir aucun c~lmi on ell attente tillon de Il saisies prélevées au ha:o;ard par lirage avec
soit supérieure à O,95? remise, usso(:ie le nombre de sa isies pour le~quelles le
3° On prévoit, pour les années à venir, un doublement délai de retour n'a pas été respecté.
de la fréquence des livraisons: À = 8. 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. En approchant celte lo i binomiale par une loi de
Calculer la probabilité P(X = 2). Poisson, calculer, pour N = 720, la probabilité de cha-
r Pour celle qu~stion. on suppose que 11 = 100. On cun des événements suivants:
admet que la loi de probabilité de X peut être approchée A: « 11 ne passe aucun véhicu le pendant la période de
par une loi de Poisson. 10 secondes au point de contrôle lt ;
a) Donner le paramètre de celle loi de Poisson. B: « 11 passe un véhicule ... lt ;
b) On noIe Y une variable aléatoire suivant la loi de C: « II passe quatre véhicu les ... » .
Poisson définie au a).
En utilisant celle loi de Poisson, calculer une valeur ~ ... ",. Pannes de micro-ordinateurs rV JI -
approchée de chacune des probabilités P(Y = 4) et
P(Y> 2). 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 son t indépen-
~ .... Temps d'attente
dantes.
Dans un service public, on s'intéresse à l'événement: On note X la variable aléatoire associant le nombre
« Une personne se présente au gu ichet au cours d'une mensuel de pannes prévisibles li chaque parc de
minute, c'est-li-dire entre la minute 1 et la minute ISO micros (on assimilera le choix des 150 micros à un
(t + 1), t élun t ent ierlt. Des observations permellent tirage avec remise et on supposera les pannes indépen-
d'admettre qu'entre IO h et Il h la probabilité de œt dantes).
événement est 0, l. } 0 Déterminer la loi de probabilité de X. Calculer à
On admet que la probabilité que plusieurs personnes se 10-3 près, la probabilité de chacun des événements sui-
présentent <lU guichet au cours d'une même minute est vants:
négligeable et que les arrivées des personnes sont indé- A : oc )e nombre mensuel de pannes est 5 lt ;
pendantes. On désigne par X lu variable aléatoire qui à B : « le nombre mensuel de pannes est au plus égal
toute tranche horaire d'une minute, enire 10 h et Il h, li 3 • .
tirée au hasard. associe le nombre de personnes qui se
20 On admet que la loi de X peut être approchée par une
présentent au guichet pendant ce temps.
loi de Poisson. Donner le paramètre de cette loi.
} O Quelle est la loi de probabilité deX?
3° On utilise cette approximation dans la suite de
Calcu ler l'espérance mathématique et l'écart type de X. l'exercice.
2° On admet que l'on peut approcher la loi précédente a) Reraire les calculs du J O.
par une loi de Poisson.
b) Déterminer le nombre minimal N te l que la pro-
Quel est son paramètre? babilité de l'événement .. Le nombre de pannes est
Dé.erminer P(X = 3), puis P(X "" 6). au plus N » soi t supérieure à 0,99.

@] .... Des travaux sur l'autoroute @:J ",.",. On retourne se baigner


Reprendre l'énoncé de J'exercice 48 et expliquer com-
Afin de prévoir la mise en place d'une signalisation sur
ment on a déterminé la valeur du paru mètre de la loi de
une uutoroute sans causer d'accident, on se propose de
Poisson utilisée.
déterminer la probabilité de l'événement « JI passe
k véhicules pendant une période choisie de 10 secondes,
en un point de contrôle lt . Loi normale
S'il passe un véhicule à l'heure au point de contrôle, la D;tn~ les exercices lJui suivent, ~auf indication particulière,
probabilité de l'événement .. Le véhicule passe au point les r~sult:l.IS numérique" seront donnés uvec la précision
permi~ par la table du formulaire.
de contrôle pendant la période choisie de lO secondes lt
estp=~.
3600
S'il passe N véhicules par heure, de façon indépen-
dante, la variable aléatoire X qui, à chaque intervalle de ~ .. Utiliser fa table du formulaire
temps de 10 secondes tiré au hasard, as~ocie le nombre
k de véhicules (k = N) passant pendant cet intervalle au La variable aléatoire X suit la loi norm.lie X(24, 6).

point de contrôle suit la loi binomiale œ(N, ..J.Q...).


3600
Calculer:
a) P(X "" 30); b) P(X "" 30) ;

130
c) P(X" 2 1); d) P{27 " X" 33); " 1° On note X la variable aléato ire qui, à un sac de
e) P(16,50" X '" 3 1,50); cirnent prélevé au hasard dans la f~lbricillion d'une
f) P( 18 :s;; X :s;; 20). On pourra dans ce cas arrondir usine, associe sa résistance à la compression à 28 jours.
à 10- 2 près une des va leurs extn!mes prise par la Un croquis sur la notice pe rmet d'admettre que X suit
variable aléatoire <auxi liai re T. la loi normale de moyenne ~ = 55 MPa et d'écart type
On peut aussi calcu ler directement la valeur approchée
(J' = 3 MP •.
d'une intégrale avec une calculatrice.
Déterminer, à 10- 2 près, la probabilité

@!J ' Remplissage de bouteilles d 'eau P{50 " X " 60).


j
Une entreprise produit des bouteilles d'eau minérale de
r La ré:-. istance minimale à la compression à 28 jours,
garantie pour chaque sac par cette usine, e~ t de
1,5 litre. Une bouteille d'eau sortant de la chaîne de
45 MPa ; quelle est la prob<tbilité, à 10 - 4 près, d'avoir
remplissage est considérée bonne ~i ell e contient entre
un sac pour leq uel la rés istance à la compression à
149,6 cl d'e.u et 150,4 cl d'eau.
28 jours est insuffisante?
On note C la variable aléatoire qui , à chaque bouteille
• prtle\'ée au hasard dans la prod uct ion d'une journée.
associe son conte nu en ce ntilitres.
On suppose que C su it la loi normale de moyenne 150
et d'écart type 0,2. ~ U Prévisions de ventes @
Déterminer, à 10- 3 près, la probJbililé q u' une bou- La société ACRA fabriqu e et commerc ialise différe-nts
teille SOil bonne. produits de haute techno log ie pour le chauff<tge et la
climatisation. Une ét ude de marché permet d'admettre
~ ". Joints d'étanchéité que la variable aléatoire X qui associe à chaque mois
tiré au ha!'ard le chiffre d'affaires de la société AC RA
Un atelier produit des joints Plallsfrfl, type IE, qui
JX?ur cette gamme de produits s uit la loi norma le de
assurent l'étanchéité du palier d'arbre d'entrée d'un
moyenne 110000 euros et d'écart type 25000 euros.
réducteur de vitesse.
La vari able aléato ire X qui, à tout joi nt pris au hasard 1° Le seu il de rentabilité a été fixé à 85000 euros.
dans la production, associe sa durée de vie exprimée en Déterminer avec la précision de la table du formulaire
heures suit la loi no rm ale de moye nne 970 et d'écart la probabilité qu'un mo is tiré au hasard le chiffre d'af-
type 200. faires pou r cette gamme de produits soil supérieur ou
Dans ce qui SI/if I~s ri sulrats approchis Sl'ront arron- égal au seuil de rentabilité.
-dis à JO-J,
. 20 Un responsable de l'entreprise a fi xé comme objec- ,
JODéterminer la probabilité qu'un joint pris au hasard tif que le chiffre d'affaires mensuel atteigne au moins
dans la production de l'atelier ai t une durée de vie 120000 euros. Déterminer avec la préc ision de la table
comprise entre 720 et 1 000 heures. du formulaire la probabilité qu'un mois tiré au hasard
2° a) Déterminer la probabilité qu'un jo int pris au cet objectif soit atteint.
hasard dans la prod uctio n de l'atelier ail une durée
de vie inférieure il 620 heures.
h) Un joint ayant une durée inférieure à 620 heu res lecture inverse de la table de la loi normale
est défectueux.
Estimer le nombre de joints défectueux dans un lot
de 500 joi nts.
~ ..
Sachant que la variable aléato ire X suit la loi nor mal e
~ _u Résistance à la compression à 28 jours
d 'un ciment
)(24; 6.5), déterminer, à 10-:2 près, (1 tel que:
a) P(2.t - (1 ~ X ~ 24 + (1) = 0,99;

Dans une notice concern an t les ciments Lafarge, on
flo ns idère com me « é levée» la probabilité que la résis-
b) P{IX - 24 '" a) = 0,95.
tance à la compress ion à 28 jours d'un sac de ciment
On rappelle que X - CI ~ CI est ~quÎ\'alent à
soit compri se entre 50 MPa (mégapasca l) .et 60 MPa.
On se propose de détermi ner cet te probab ilité.
I c-a~X~c+a.

Chap. 3 : Variables aléatoires à valeurs réelles 131


~ .. 2 " Déterminer. à 10- 2 près, le nombre a tel que la pro-
portion de barres ayant une longueur comprise entre
La variable aléatoire X suit la loi norm'1le X(III ; 6,5) ;
500 - a et 500 + a soit égale à 0,80.
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 no~male X (24, cr);
déterminer a, à 10- 2 près, sachant que:
a) P(X '" 30) = 0,95; h) P(X '" 10) = 0,01.
~ ••• La taille des hommes ~
On note X la variab le aléatoire qui, à chaque homme
prélevé au hasard dans les étudian ts d'un campus, asso-
cie sa taille en centimètres. On suppose que)( suit la loi
normale de moyenne 178 et d'éçart type 10.
~ ~~ La bonne cole
Dans Ct! qui SI/if, fOl/s I(!s résl/ltats approchés seront
On élUdie la cOle d'une pièce produite par une arrondis à 10- 2.
machine. So it X la variable aléatoire qui à chaque pièce 1" Déterminer la probabilité de çhacun des événements
prise au hasard dans la prodw.:tion associe sa cote x, suivants :
exprimée en millimètres. X suit la loi normale de A : 0( un homme prélevé au hasard parmi les étudiants
moyenne 1/1 = 20 et d'écart type CT = 0,20. a une taille supérieure à 180 lt ;
1° Une cote x est correçte si 111- 3rr ::=.; X ~ III + 3a. B : 0( un homme prélevé au hasard parm i les étudiants
Calculer la probabilité qu'une cote so it correcte. a une taille supérieure à 190 ~ ;
2° Déterminer, à 10- 2 près, la valeur a telle que C : 0( un homme prélevé au hasard parmi les étudiants
P(X'" a) = 0,20. a une taille inférieure ou égale à 150 lt ;
D: 0( un homme prélevé <lU hasard parmi les étudiants
~ ** La cote d'alerte a une taille comprise entre 160 et 185 » ;
2" a) Déterminer la taille li telle que P(X;;::' a) = 0,80.
Une machine usine des pièces. On désigne par X la La valeur de li déterminée peut être considérée
variable aléatoire qui, à chaque pièce prise au hasard comme une estimation de la taille dépassée par
dans la production d'une journée associe sa longueur x. 80 % de la population.
exprimée en millimètres. On suppose que X suit la loi b) Déterminer une estimation de la taille en dessous
normale de moyenne 111 = 54 et d'écart type <.T = 0,2. de laquelle se situe la moitié de la population.
Une pièce est considérée comme défect ueuse si
• x ~ 53,6 ou x ~ 54,3.
TOlls les rbultats approchés seront arrondis à 10~2.
J" Calculer la probabilité p qu'une pièce soit défec-
tueuse. ~ ••• La' masse des paquets: détermination
r Pour vérifier que la machine ne s'est pas déréglée, d'une moyenne
on détermine des cotes d'alerte 111 - h et m + Il définies
TOllf(!S /(!.V valeurs approchées seront arrondies à /0 - 2.
par: P(", - li ~ X ~ m + h) = 0,95. Calculer les cotes
d'alerte. 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-
~ •• De l'acier en barre vé au hasard à la sortie de la machine, associe la masse
Une machine fabrique des barres métalliques en acier. de ce paquet,-exprimée en grammes; elle suit une loi
À chaque pièce tirée au hasard dans la production normale de moyenne 111 et d'écart type 15,8.

• 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
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
m = 500 et d'écart type
( j = 0,12.

J" Que lle est la probabilité, à 0,01 près, que la longueur valeur de U/ (l'écart type est inchangé).
d'une barre, prise au hasard, ne soi t pas comprise entre Sur quelle valeur de Ill, au gramme près, doit êt re
499,79 et 500,21 ? réglée la machine pour que pey ~ 245) ~ 0,1.

132
~ U. Des résistances chauffantes: détermina- Us risl/lrats SOIl1 attendtu- SOIIS fon"e de ,'aleurs déci-
tion d'un écart type males arrondies à 10- 2.
Dan s un centre d'élevage, on él udie le poids des bovins
Une machine fubrique des résistances chauffantes en
d'un âge fixé. Soit X la variable aléato ire qui, à tout'
grandes séries. Parm i la production d'une journée, on
bovi n pré levé au hasard dans J' élevage associe son
prélève une pièce au hasard. On lu i assoc ie sa longueur
~ids.
1exprimée en millimètres. ,On définit ainsi une variable
aléato ire L. On s uppose que L sui t une loi normale el On suppose que X su it une loi normale de moye nne f.L
on désigne par m sa moyenne et par CT son écart type. et d'écart type (1. On sai t que 20 % des bovin s o nt un
poids ~upérieu r à 359 kg et que 90 % o nt un po ids infé-
Une pièce produite est d éc hirée acceptab le si
rieur à 368 kg.
If-. 392,5 ~C ~ 407,5 el défectueuse da ns le cas contraire.
10 Montrer que J.l et 0" ~on t solutions du système:
La moyenne des longueurs des pièces de la fabrication
est 111 = 400. f' + 0,84 <1 = 359
Tous !t.'s risl/llats llppmchb seron t arrondis cl 10- 2. ( f'+ 1,28<1=368.

1° Sachant que 0' = 5,2. calcu ler la probabilité que la Calcu ler f.L et 0".
pièce soit défectueuse. 2° Dans cette question, on prend f.L = 342 et cr = 20.
2° Un réglage de la machine permet de modifier l'écarl On veut sélectionner, pour la production , les 15 % de
type sans changer la moyenne. Q uel doit être le nouvel bovins le s plus lourds. À partir de quel poidS M, déter-
écart type (1' pour que la probabilité que la pièce so it miné à 1 kg près, un animal se ra-t-i l sé lectionné?
défectueuse soit égale à 0.1 ?

Approximation d ' une loi binomiale par une loi


~ .. - Durée de vie des ampoules .- détermina- normale
ti.on d'une moyenne et d'un écart type
On admet que la variable aléatoire X qui assoc ie à IOule ~ *** Approximation d'une loi binomi<l/e par
ampoule du type A sa du rée de vie, mesurée en heures, une loi normale
su it une loi normale de moyenne", el d 'écart type u.
Une usi ne fabrique en grande série un certa in type de
1° Déterminer 11/ et u sachant que
pièces. La probabilité qu'une pièce prélevée au hasard
P(X '" 1 100) ~ 0,9332 et P(X '" 1600) ~ 0,84 13. dan s la production d'une journée soit défectueuse est
2 0 On Stlppose maintenant que m vaut 1400 et que u p = 0,07. On prélève au hasard 250 pièces dans la pro-
vaut 200. duction d'une journée. La production est assez impor-
Calculer ~ 10- 3 près la probabilité p(X '" 1 200).
tante pour qu'on pui sse assimil er ce prélèvement à un
t~rage avec rem ise de 250 pièces. On note X la variable
~ _.. Les notes de BTS aléato ire qui , à tout prélèvement de 250 pièces, asso-
cie le nombre de pièces défectueuses.
On nOIe X la variable aléatoire qui , à chaque..candidat
1° Expliquer pourquoi X suit une loi binomiale dont on
tiré au hasard dan s un ce-ntre d'examen de l'île de
déterminera les paramètres.
France, associe sa note à J'épreuve mathématiques du
2° 0n décide d'approcher la lo i de la variable
BTS.
discrète X par la loi norm.lie de paramètres ni = 17 ,S et
On suppose que X suit une loi normale de moyenne m
cr = 4,03. On note Y une variable aléatoire suivant la
et d'écart type (J.
loi normale ,N'(I7,5 ; 4,03).
1° Déterminer une va leur approchée à 1 près de m et (J
3. Justifier les valeurs de m et (J.
sachant que 10 % des candidats ont obtenu une note
b. Calculer la probabilité qu'il y ail au plus
supérieure ~ 15 et 10 % une note inférieure ou égale
20 pièces défectueuses, c'est-à-d ire, P( Y ~ 20,5).
~ 5.
c, Calculer la probabilité que le nombre de pièces
2° Déterminer une esti mation du pourcentage de can- défectueuses soit compri s au sens large entre 15 et •
didats ayant obtenu une note comprise en tre 9 et 12. 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 .- détermina tion de ~ *** Vente d'appareils photographiqu~s
moyenne et d'écart type
On s' intéresse dans cet exercice à la production de Un revendeu r de matériel photQgraphique dés ire s' im-
bovins (nourris sans farines animales). • pla~ler dans une galerie marchande.

Chap. 3 : Variables aléatoires à valeurs réelles 133


Il estime quïl pourra vendre 40 appareils photogra- b. On note Y une variable aléato ire suivant la loi
phiques par jour et que les ventes sont deux à deux )(m, a). En utili sant cette approximation, détermi-
indépend:.llltes . ner la probabilité que 39 hom mes e,;acte ment parmi
les 500 so ient atteints de daltonisme, c'est-à-dire
Une élude lui a montré que, parmi les différente s
P(38,5 '" y", 39,5), et la probabilité qu'au plus 35
marques d'app,lfeils disponibles, la marque A réalise
de ces 500 hom mes so ient atteint s de daltoni sme,
38.6 % du marché. c'est-à-dire P(Y:::::;: 35,5) .
l On note X la variable aléatoire qui, il. un jour tiré au
Q

2
hasard, associe le nombre d 'appare il s de marque A Tous les rbll/rats approchés umm arrondis à 10 - .
ve ndus ce jour-là.
a) Expliquer pourquo i X suit une loi binomiale et
préciser les paramètres de cette lo i. Variables aléatoires indépendantes suivant des
b ) Calc uler la probabilité que, sur 40 appareil s ve n- lois normales
dus par jour, 20 so ient de la marque A. On en don-
nera une approximation décimale à 10- 2 près.
~ ... Deux variables aléatoires indépendantes
c) Calculer l'espérance mat hématique de X. Cal- suivant des lois normales
c uler l' écart type de X. On en donnera une approxi-
mation décimale à 1 près. On considè re un lot de tubes ?l essais.
r On décide d'approcher la loi de la variable discrète À chaque tube pré levé au hasard , on associe son dia-
X par une lo i normale de moyen ne /1/ et d 'écart type a. mètre et sa hauteur exprimés en millimètres. On définit
a) Déduire du 10 que 111 = 15,44 et a = 3. ainsi deux variables aléatoires D et H.
, b) On note Y une variable aléatoire sui va nt la lo i La variable aléatoi re D suit la loi normale de moyenne
normale XC 15,44 ; 3). Donner une approx imati on de !-Lv = 19,7 et d'écart type tT D = 0,4.
la probabilité de l'événement: « un jour tiré au La vari able aléatoire H suit la loi normale de moyenne
hasard, il y a exactement 20 appareil s de marque A !-LH = 203 et d 'écart type u H = 6.
ve ndus» en calculant à 10- 2 près,
On su ppose que les variabl es aléatoires D et H sont
P(l9,5 '" y", 20.5). indépendantes.
c) Déterm iner la probabi li té de l' événement: « un
1 0 Calculer, à 10 - 3 près, la probabilité qu 'u n tube il
jour donné. 20 au moins des appareils vendus sonl
essais ait un diamètre inférieur il 20 mm.
de marque A 'II en calc:ulant, à 10- 2 près,
P(Y'" 19,5). 2 0 Cakuler, à 10 - 3 près, la probabilité qu ' un tube à
d) Déterminer la probabilité de l'événement: « un essais ait un e hauteur supérieure à 195 mm.
jour donné, le no mbre d'appareils de type A vendus y Des con traintes d'expérience et d 'entretien imposent
est compri s entre 15 et 25. bornes incluses » e n cal- les conditions sui van tes: le diamètre doit apparten ir à
culant, à JO- 0 près, P( 14,5 '" y", 25,5). l' intervalle [19; 20,51 et la hauteur, à l' intervalle
[195;210].
~ .--. Approximation d'une loi binomiale par Calculer la probabilité de l'événement:
une loi normale dans le domaine de la santé (19 '" D '" 20,5 et 195 '" H '" 2 10).
Le daltonisme, ou mau vaise vision des couleurs, est Estimer le pourcentage de tubes à essais utili sables.
une anomal ie dont 8 % des hommes sont atteints. On
contrôle la vue d 'échantillon s de 500 hommes pri s au
hasard avec remi se parmi la population fran çaise. ~ U. A\'€C trois variables aléatoires
TOlls les résululfs approchis .w:rol/t arrondis Il 10- 2. indépendantes
l a On dé sig ne par X la vari able aléatoire qui, à chaque On désigne p'lf x, y,::: les d imensions exprimées en cen-

l prélèvement de 500 hommes, associe le nombre de


ceu,; qui son t atte ints de daltonisme.
a. Ju stifier que la lo i de probabilité suivie par la
timètres, des pièces fabriqu ées par une machine.
On s uppose que pour un tirage au hasard d ' une pi èce
dans la production:
variable X est une loi bino miale . On précisera les
- les variables aléatoires X et Y qui , il chaque pi èce,
paramètres de cette loi .
associent respect ivemen t leurs dim ension s x et )' sui-
b. Calculer l'espérance mathé matique et l' écart type
de la variable aléatoire X. vent la loi normale de moye nn e 10 et d'écart
type 0,05 ;
2° On approche la loi de la vari able discrète X par une
loi normale de paramètres m et a. - la variable aléatoi re Z qui , à chaque pièçe , associe sa
cCimension ::: suit la loi normale de moyen ne 7 et d 'écarl
a. Déterm iner 11/ et a.

134
Iype 0,02.
NombR de machines
Tous les résultats approchés Urollt arrondis à 10- 2. "endues: Xi
Pt,X = ',)
1° Calculer les probabilités: 1
0
Pl = p(9,9 '" X '" 10, 1); 60
p2=P(9,9'" y", 10, 1); 1
1
20
'" = P(6,95 '" Z '" 7,05).
r Une pièce est acceptable si les trois conditions sui- 2 -1
12
vantes son t simultanéme nt remplies: 1
3
9,9'" x '" 10,1, 4
9,9 ~ \' ~ 10, 1, 1
4
16,95 '" : '" 7,05.
2
5

X, Y, Z étant supposées indépendantes, calculer la pro- 5 -


15
babilité qu' une pièce soit accepté!!. 7
6
60
On admettra que la défini tion de deu;Il variables aléatoires

1 indépendantes peUl être étendue au cas de troLs variables


al éato i re~.
7

8
-
1
12
1
15

1" Calculer l'espérance mathématique E(X) de la


variabl e aléato ire X. Que représente E(X)?
Somme de variables aléatoires 2° La ve.nte d'une machine rapporte 5000 euros et les
frais de tonctionnement mensuels de l'atelier fabri-
quant les machines s'é lèvent à 10000 euros. Soit Y la
~ - Somme de deux varÎables aléatoires
variable aléatoire qui, à un mois tiré au hasard, associe
Soit X et Y deux: variables aléatoires indépendantes le résultat en euros de l'ate li er (bénéfice ou perte).
donl les lois de probabilité son t données par les Écri re une relation en tre Yet X. En déduire l'espérance
tableaux ci-après mathématiq ue de la variabl e aléatoire Y. Que repré-
sente E(Y)?

l' ='~~
2

l'(X 0,4 0,6

~ ... Indépendance
0 2 4 et somme de variables aléatoires

P(Y
"= Yi} 0,2 0,5 0,3 Un chan tier néce-ssite l'exécution de trois tâches:
A l'installation d'un regard d'assainissement en
Déter mine-r J'espérance mathématIque et la valeur béton;
approchée arrondie à 1O-::! de l' écart type de la B: la construction d'un hangar pour stocker du maté-
variable aléatoi re Z = X + Y. riel et des pièces détachées;
C: la fabrication d' une chambre pour installer un robi-
net van ne.
Soit X A la variable aléatoire qui, à une tâche de type A
[!!] .. Vente de machines .- tirée au hasard pê1rmi les tâches de ce type réalisées ces
où on utilise l'expression de E(aX + b) dernières années, associe le nombre de jours néces-
saires pour la réaliser. On définit de même les variables
Une entreprise fabrique des machines pour l'industrie aléato ires X B et Xc. On suppose qu e les variabl es aléa-
textile. Soit X la variable aléatoire qui , à un mois tiré au toires X A• XS . Xc sont indépendantes.
hasard, associe le nombre de machines vendues pen- En relevant sur une longue période les du rées néces-
dant cette période. Une étude statistique permet d'ad- saires pour réaliser les tâches de type A, B, C, un ges-
mettre que la loi de probabilité de la variable X est don-
tionnaire de l'agence Sogea de Marne-la-Vallée a établi
née. par le tableau s ui va n ~ :
que les lois de probabilité étaient définies

Chap. 3 : Variables aléatoires à valeurs réelles 135


pourX A par: de plusieurs contrô les, que Y suit la loi normale de
moyenne 180 et d'écart type 2,7.
dur6e~, en joun 3 4
Les variables aléatoires X et Y sont indépendantes.
p(XA:III xi) 0,6 0,4 Soit Z = X + Y la variable aléatoire qui. à chaque
emballage prélevé au hasard, associe la masse de
pour X B par: taboulé obtenu en mélangeant le contenu de la boîte de
durft x, en joun g 9 10 Il
garniture et celui du sachet de semoule, cette masse
étant exprimée en grammes.
P(XB =Xj) 0,1 0.3 0,4 0,2 1° On admet que Z suit une loi normale. Montrer que Z
a pour moyenne 730 et pour écart type 5,68 (arrondi
pour Xc par:
à 10- ').
dur6e xi en joun 4 3 6 2' Démontrer que P(Z '" 720) = 0,04 à 10- 2 près.
PUC=-xi ) 0,3 0,6 0,1

1° Calculer l'espérance mathématique de chacune des ~ *** Somme de deux variables aléatoires
variables aléatoires XA, XB, Xc Que représente cha- à propos d'électricité
cune de ces espérances?
Une mac.hîne fabrique des résistors.
r Calculer l'écart type de chacune des variables aléa-
On tire au hasard un résistor dans sa production.
toires X A , X s ' Xc·
La variable aléatoire R, qui associe à chaque résistor
3° On définit alors ulle variable aléatoire X qui, à un
tiré au hasard dans la production de celte machine sa
chantier comportant la réalisation success ive des tâches
résistance en ohms, s uit la loi normale de paramètres
A, B, C, tiré au hasard, associe le nombre total de jours
m = 100 et a = 3. Une seconde machine fabrique aussi
nécessaires pour le réaliser.
des résistors. La variable aléatoire R', qui associe à
OnaX=XA+XB+XC chaque résistor tiré au hasard dans la production de
À l'aide d'un arbre, déterminer l'ensemble des valeurs cette machine sa résistance en ohms suit la loi normale
prises par X. Quelle est la valeur minimale prise par X? de paramètres m' = 200 et a' = 4.
Quelle est la valeur maximale prise par X ? R" = R + R' est la variable aléato ire qui associe à deux
4° a. Déterminer E(X). Que représente E(X) ? résistors tirés au hasard, fabriqués par les deux
b. Détermine.r l' écart type de X. machines, la résistance du montage en série de ces deux
5° Calculer les probabilités des événements su ivants: résistors.
a. « Le chantier dure 21 jours » ; 1° Calculer l'espérance de la variable aléatoire R".
b. '" Le chantier dure 20 jours » . r On suppose que les variables R et R' sont indépen-
dantes.
Calculer alors la variance de R" donnée par la for-
Somme ou différence de variables aléatoires sui- mule:
vant des lois normales V(R") = VeR) + VeR').
~ *H Taboulé et somme de variables aléatoires 3° On admet que R" suit une loi normale. Quelle est la
probabilité qu'un résistor ainsi obtenu ait une résis-
Un fabricant de plats c.uisinés propose aux supermar-
tance comprise entre 290 et 305 ohms?
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 *** Chiffres d'affaires, somme et différence de
chaque emballage en carton les indi cations sui vantes: variables aléatoires suivant des lois normales
garni ture: 550 g. semoule: 180 g. Deux supermarchés vois in s notés A et B appartiennent
On note X la variable aléatoire qui, à chaque boîte, pré- au même groupe. On admet que la variable aléatoire X
levée au hasard dans la production d'une journée, asso- qui, à un jour d'ouverture tiré au hasard dans une
cie sa masse de gi.UnilU re expri mée en grammes. On année, associe le chiffre d'affaires en milliers d'euros
admet, à la suite de plusieurs contrôles, que X suit la loi de A suit la loi normale de paramètres III = 50 et
normale de moyenne 550 et d'écart type 5. a = 2 et que la variable aléatoire Yqui, à un jour d'ou-
On note Y la variable aléatoire qui, à chaque paquet, verture tiré au hasard, associe le chiffre d'affaires en
prélevé au hasard dans la production, associe sa masse milliers d'euros de B, suit la loi normale de paramètres
de semoule exprimée en grammes. On admet, à la suite

136
ni = 60 et CT = 3. On admet que X et Y sont deu x la production, associe son diamètre en millimètres suit
variables aléatoires indépendantes. la loi no rmale de moyenne 111" = 19,97 et d'écart type
(7,.;: 0,03. L'ajustement est· correct lorsque le jeu,
1° Déterminer, avec la précision de la table, la probabi v

Lité qu'un jour donné le chiffre d'affaires to tal , Z, des x;" - Yj' e ntre les co tes x j et Yj' vérifie
deux supermarchés soit tel que 104 ::s:;: Z::s:;: 122. 0,0 1 ~ x j - Yi ~ O, IS.
2° Déterminer, avec la précision de la table du formu- On rappell e que si X et Y sont des variables aléatoires
laire, la probabilité qu ' un jo ur donné la différence D normales indépendantes de moyennes respecti ves m,r'
ni" et d'écar t type a ' a\, alors la variable aléatoire
entre le chiffre d'affaires de B et ce lui de A soit supé- x
rieure ou éga le à 18. Z';: X-Y. suit la loi nor nlaJe de moyenne "'x -
111\, et
V a;,.
d'écart type CT; + .
10 Déterminer la moyenne et l'écart type de Z.
r Quelle est la probabilité qu ' une tige pri se au hasard,
()'{86l -" Somme de variables aléatoires, à propos pui sse être ajustée de manière correcte dans l'un des
~ de l'assemblage de pièces
tro us tiré :.tu hasard ? On donnera une valeur approchée
Pour réali ser un de ses produits, une entreprise doit arrondie il 10- 2.
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 soin s. ~ ._- Différence de deux variables aléatoires à
Le cahier des charges précise que la masse totale d'un propos de fabrication mécanique
dispositif assemblé doit être comprise entre 970 et TOllt~s I~s \'OJ~urs opprocltüs serOllt arrondie.f à 10- 2.
1 000 grammes.
Une usi ne produit des pièces de type A qui doivent
On désigne par X) (respecti veme nt X'1) la variable aléa- s'ajuster dans des pièces de type B.
toire qui, à la premi ère (respectivement la deuxième)
pièce du type A, pré levée au hasard dans la production,
assoc ie sa masse, exprimée en grammes.
On suppose dans celle question que chacune des
variables indépe ndantes X) et X 2 suit la même loi nor-
B
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 variable
aléatoire Y suit la loi normale d'espérance mathéma- 1° Les dilTérentes valeurs prises par la cote x permet-
tique 208 et d'écart type 2. tent de définir une vari abl e X suivant la loi normale de
Les deu x pièces de type A et la pièce de type B à assem- moyenne 20 et d'écart type 0,04.
bler sont prélevées au hasard et de manière supposée Une pièce de type A est acceptable lorsque sa cote
indépendante. On désigne par Z 13 variable aléatoire appartient à l'intervalle [ 19,92 ; 20,08]. Déterminer la
définie par Z = XI + Y + X2. probabilité qu'une pièce de type A soit acceptable.
Montrer que l'espérance mathématique de Z vaut 988 2° Les différentes valeurs prises par la cote y permet-
et que la variance de Z vaut 24,48. tent de définir une variabl e aléatoire Y suivant la loi
En admettant que la variance Z suit une loi normal e, normale de moyenne 20,1 et d'écart type 0,03. On sup-
montrer que la probabilité qu'un dispositif assemblé ne pose d'autre part que les pièces du type A et B peuvent
réponde pas au cah ier des charges est inférieure à 0,1.
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
~ U_ Différence de deux variables aléatoires à
propos de perçage indépendantes sui vant des lois normales de moyenne
Inx et my de variance Vx et Vy' alors Y- X suit la loi
Une machine automatique perce des tôles.
normale de moyenne nly - mx et de variance Vy + Vx '
La variable aléato ire X qui , à tout trou percé, associe
a. Déterminer la moyenne et l'écart type de la
son diamètre en millimètres suit là loi normal e de variable aléatoire Y - X.
moyenne IIlx = 20 et d'écart type a x = 0,04. Chaque b. Quelle est la probabilité qu'une pièce de type A
trou percé est destiné à recevo ir une tige. La vari able prise au hasard puisse être introduite dans une pièce
aléatoire Y qui, à chaque tige prélevée au hasard dans de type B également prise au hasard?

Chap. 3 : Variables aléatoires à valeurs réelles 137


Somme de deux variables aléatoires suivant des 3° Déterminer la loi de probabilité de X. La présenter
lois de Poisson sous forme de tableau se lon le modèle ci·dessous :

~ ••• Deux sources de pannes 2 3 4

Une machine à e mpaqueter automati sée est suj ette à


deux sources de pannes indépendantes J'une et l'autre. 4° a) Quelle est la probabilité de perdre de l'argent ?
Les unes sont d'ori gi ne mécanique , les autres d'origine b) Quelle est la probabilité d'en gagner?
électrique.
5° Calculer au centième près l'espérance mathématique
Soit X la variable aléatoire q ui , à chaque machine de ce de X, notée E(X). Que représente E(X)?
Iype tirée au hasard dans le parc des machines, assoc ie
le nombre de pannes d'origine mécanique survenues
pendant les trois premières années d'utilisation. X suit [!!] ... Loi binomiale, espérance mathématique
la lo i de Po isson de paramètre À = l ,S. Une compagnie de transport, dont la clientèle est
Soit Y la variabl e aléatoire qui, à chaque machine de ce composée d' usagers rég uliers effectuant 40 trajets par
type tirée au hasard dans le parc des machines, associe mo is (un le matin, un le soir sur 20 jours), étudie un
le nombre de pannes d'origine électrique sur ven ues projet offrant à ces usagers le choix entre:
pendant les tro is premi ères années d'utilisation. Y suit un titre de tran sport (noté C dans ce qui suit) de
la loi de Poisson de paramètre À' = 0,5. 60 euros pour l'ense.mble des trajets mensuels;
JOCalculer les probabilités des évé nements sui vants: pour les voyageurs ne voulant pas se procurer le
«Pendant les trois premières an nées d'utilisation de la titre de transpo rt C, le paiement d' une taxe de M
machine, euros en cas de contrôle.
a) il n'y a aucune pan ne »; La compagnie prévoit d'organi ser les contrôles de
b) il Y a exactement trois pannes »; façon que la probabilité d'un tel contrôle soit po ur
c) il y a au plu s une panne ». chaq ue trajet égale à /0' avec indépendance d'un trajet
r Retrouver les résultats du 1° en admettant que la par rapport à l' autre.
variabl e aléatoire X + Y suit une loi de Poi sson de para· Le but de l'exercice est de déterminer le montant M de
mètre À + À'. la taxe pour que , du po int de vue du calcul des proba·
bilités, les deux choix proposés aux voyage urs soient
financi èrement équi valents pour la compagnje. Soit A
Exercices d'examen 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.
Les exerc ices suivants. proposés r6:emme,nt dans des 1° a) Donner la loi de probabilité de X, c'est·à·dire

I épreuves de BTS, portent su r plusieurs. thèmes abordés


dans les chapitres 2 et 3.
l' express ion en fonction de k (e ntier compri s entre 0
et 40) de la probabilité P(X = k).
b) Calculer le nombre moyen de traj ets contrôlés,
[!!l ''. Variable aléatoire, loi de probabilité, c'est·à·dire l'espérance mathé matique de X.
espérance mathématique c) Quel sera, en fonction de M, le coût moye n men·
Dans un jeu, une urne contient trois bo ul es vertes, deux suel des trajets pour un usager qui ne se procurera
boules rouges et quatre bou les noires. Un joueur pas le titre de tran sport C ?
extrait simultanément deux bo ules de l'urne. Le tirage En déduire la valeur qu'il convient de don ner à M
d'une boule verte fait gagner deux euros, celui d'une po ur que, en moyenne, les deux choix proposés aux
boul e rouge fait gagner un e uro et celui d'une boule usagers soient fin ancièrement équivalents pour la
no ire fait perdre tro is e uros. On admet qu ' il y a éq ui· compagnie.
probabil ité des lirages . 2° Dan s celte question on pose M = 15.
Toutes les probabilitb seront donnùs sous forme de a) Donner des valeurs décimales approchées arron·
fractions irréductibles. die s à 10- 3 des probabilités P(X = 0), P(X = 1),
10 Quelle est la probab ilité que le joueur perde six euros? P(X = 2) et P(X = 3).
r On note X la variabl e aléatoire qui, à chaque tirage b) Si A ne s'est pas procuré le titre de transP'?rt C,
de deux boul es, associe le gain. Déter miner l'en semble quelle est la probabilité que le coût de ses trajets
des valeurs prises par X. mensuels soit au moin s égal à 60 euros?

138
@!J ••• Statistique descripli\'f!~ 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
région.
On a mesuré les diamètres en l11illirnèlres d'un échan-
tillon de 1 000 vis fabriquées par LIlle machine. On a
obtenu les résultaiS suivants:
Total
.'"
85079
lOGO
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
De 25 an ... à 39 ans 2552S 25853
2,5 200
50 ans et plu,> 4284 4743
2,4 160
Femmes 45091 45474
2.3 150
Moins d~ 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!:; s~rolJl dO/mb SOltS form~
1,9 8 llPprochü c) 10- :2 près par dtfimt.
l a a) Déterminer le pourcentage d'évolution du lot<.ll
l a Déterminer la valeur approchée arrondie à 10- 1 de 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 bai~se
tique . pour une tram:he d'âge seu lemen t.
Calculer le pourcentage d'évolution des demandes
r On considère une vis comme défectueuse si son dia-
d'emploi des hommes pour cette tranche d'Jge.
mètre est inférieur ou éga l à 2,2 mm ou supérieur ou
20 En 1999 une entreprise est sub ventionnée pour
égal à 2,8 mm .
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 ~l partir de l' échantillon prél.:édent. d'emploi concernés. Tous le s choix sont éq uiprob:.tbl es.
B. Pmb{/bilitis Qllelle est la probabilité que la personne embauchée
soit une femme?
On cons idère désormais que la probabi lité qu'une pièce
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 équ iprobab les.
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 vale ur appro-
pour qu'on puisse assimiler ce prélèvement à un tirage chée par défaut à 10- :2 près de p.
avec remise de cen t vis. On a don<.' une ~ uit e de cen t 4 0 Dan s cette question, on prendra p éga l à 0,46.
é preu ves 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 v is 2000.
défeclUeuses de cet é1.:ha ntillon. Les cho ix sont indépendants et on assimilera ce choix il
J OExpliquer poun.luoi X suit une loi binomiale. On un tirage aveç remi '\e. On note X la variable aléatoire
donnera les paramètres de celle lo i. qui, à chaque groupe de trois demandeurs d'emploi,
ZOQuelle est la probabilité qu'un lot ne contien ne associe le nombre d'hommes de ce groupe.
aucune vis défectueuse? On donnera une vale ur appro- a) Expliquer pourquoi X suit une loi binomiale dont
o n précisera les paramètres.
chée du résultat arrondie à 10- 7.
b) Quelle est la probabilité que l'entreprise chois isse
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 résu ltat arrondie à IO - .t. un homme et un seul?

Chap. 3 : Variables aléatoires à valeurs réelles 139


~ u* Événements indépendants, loi binomiale r a) Montrer que la probabilité qu'une pièce soit dé-
fectueuse et acceptée est 0,000 18.
Sur une fabrication de chem ises, on constate p~r son- b) Montrer que la probabilité qu'une pièce soit bon-
dage que: ne et refusée est 0,02946.
3 % des chemÎses présentent un défaut de coule ur c) Calculer la probabilité qu'il y ait une erreur dan s
(désigné par « défaut a » dans là su ite de j'exercice), le contrôle.
2 % des chemises présentent un défaut de taill e (dési- 3° On contrôle c inq pièces de façon indépendante. On
gné par « défaut b )t). note X la variable aléatoire qui à chaque lot de cinq
On décide de solder les chemises prése.ntant au moins pi èces contrôlées assoc ie le nombre d'erreurs de
un défaut. contrôle.
On prélève au hasard une chemise dans la production et a) Expliquer pourquoi X suit une loi binomiale dont
on note: o n précisera les paramètres.
A l'événement: « celte chemise présente le défaut Cl ,. ; b) Dé.terminer la probabilité qu' il y ait exactement
B l'événement: « cette che mi se présente le défaut b ,. ; deux erreurs de contrôle. Donner la valeur appro-
S l' événemen t : « cette chemise est en solde » . chée décimale arrondie à 10- 3 du résultat.
Les événements: A et B sont indépendants.
r a) Déterminer la probabilité qu'une chemise prise ~ ••• Probabilités conditionnelles, loi binomiale
au hasard présente les deux défauts (l el b.
b) En déduire la probabilité p de l'événement S. Pour prévenir deux défauts saet eJ3 des pièces fabri-
2° Au cours de la fab rication, on prélève au hasard suc- quées par une usine, on décide de soumettre l'ensemble
cessivement soix.ante chemises. On admet que Je des pièces à des tests.
nombre de chem ises fabriqu ées est assez grand pour Les études statistiques menées sur un effectif assez
que l'on puisse assimiler ce prélèvement à un li rage grand ont montré que:
avec remise de soixante chemises. Soit X la variable - 8 % des pièces présentent le défaut s1 ;
aléatoire qui associe, à tout lot de soixante chemi ses, le
- parmi les pièces atteintes du défaut SI, 15 % ont le
nombre de chem ises qui peuvent être soldées.
défaut 03 ;
a) Expliquer pourquoi X suit une loi binomiale dont
on donnera les paramètres.
- parmi les pièces non attein tes du défaut sa, 5 % ont
le défaut 03.
b) Déterm iner la probabilité d'avoir à solder au
moins une chem ise. Donner la valeur décimale On prend au hasard une pièce produite et on considère
approchée arrondie à 10- 3 du résultat. les événements suivants:
c) Détermine-r l'espérance mathématique E(X) de la A : « La pièce présente le défaut .st1 JO ;

variable aléatoire X. B: « La pièce présente le défaut œ» .


Que représente E(X)? 1° a. Calcu ler 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
~ ••• Probabilités conditionnelles, loi binomiale défaut stI..
et contrôle de qualité
c. En déduire que la probabilité de B est égale à
Une usine fabrique des pièces dont 1,8 % sont défec- 0,058.
tueuses. Le con trôle des pièces s' effect ue selon les pro-
2° Démontrer que la probabilité d'obtenir une pièce
babilités conditionnelles suivantes:
bonne (c'est-à-dire ne présentant ni le défaut .>4., ni le
sachant qu'une pièce est bonne, on l'accepte avec
défaut 03) est 0,874.
une probabilité de 0,97;
sachant qu'une pièce est mauvaise, on la refu se avec 3° Au cours de la fabrication, on prélève successive-
une probabilité de 0,99. ment, au hasard, douze pièces. On admettra que le
On prélève une pièce au hasard dans la production nombre de pièces fabriquées est assez grand pour esti-
d'une journée et on note mer que la proportion de pièces défectueuses reste
B l'événement: « la pièce chois ie est bonne » ; constante au cours du tirage.
M l' événement: « la pièce c-hoisie est mauvaise . ; Soit X la variable aléatoire qui, à tout pré lèvement de
A l'événement: « la pièce est acceptée au contrôle » ; douze pièces, assoc ie le nombre de pièces défectueuses
R l'événement: « la pièce est refusée au contrôle ». de ce prélèvement.
r Quelle est la probabilité qu' une pièce soi t défec- a. Expliquer pourquoi X suit une loi binomiale. On
tueuse? donnera les paramètres de ce tte loi.

140
b. Déterminer la probabilité de J'événement « onze ZO Le fabricant décide, au cours d'une campagne pro-
pièces au moins sont bonnes lt . motionnelle, d'accorder une remise aux clients dont le
A" donnera un e \'alellr dicimale approchée anvndie à montant des achats est suffisamment élevé.
10- 3 du résultat. Déterminer à partir de quel montant, 5 % des clients
bénéficieront de cette remi se.

~ ~". Probabilités conditionnelles, loi binomiale -;


US I)(lrti~s A el B SOli! indépendallles
[!!l ~** Événement indépendants, probabilités
conditionnelles, variable aléatoire,
Un fabricant de matériel informatique commerciali se loi binominale
directe.ment une panie de sa production.
Une entreprise fabrique des moteurs électriques. Afi n
A. Velite d'/Ill systèm~ complet.
de vérifier la conformité des moteurs, on procède à
Le fabricant s'intéresse à la vente d'un système com-
deux tests l'un de type mécanique, l'autre de type
posé d'un ordinateur et d'une imprimante; on propose
l'achat de l'ordinareur avant celu i de j'imprimante. électrique.
La probabilité qu'un client, tiré au h;Jsard dan s la clien- Un moteur est rejeté s'il présente au moins l'un des
tèle, achète l'ordinateur est 0,2. La probabilité qu'un deux types de défaut.
client, tiré au hasard dans la clientèle, m:hè te l'impri - Un moteur est déclaré en parfait état de marche s' il ne
mante quand il a acheté l'ordinateur est 0,7 et la proba- présente aucun des deux types de défaut.
bilité qu'il achète l'imprimante quand il n'a pas acheté Une étude statistique de la production cond uit à
l'ordinateur est 0,1.
admettre que:
ra) Montre.r que la probabilité qu'un dient, tiré au
-la probabilité qu'un moteur soit défectueux pour le
hasard dans la clientèle, achète le système complet
est 0,14. test méc.anique est 0,08,
b) Calculer la probabilité qu'un client, tjré au -la probabilité qu'un moteur so it défectueux pour le
hasard, achète: test électrique est 0,05,
-l'imprimante (avec ou sans l'ordin ateur) ; -la probabilité qu'un moteur soit défectueux pour les
- au moins une des deux pièces. deux tests est 0,02.
r L'ordinateur est vendu 1250 euros et l'imprimante On prélève au hasard un moteur dans la production.
550 euros. On note X la variable aléatoire qui, à chaque On appelle: DM J'événement: 'l' le moteur prélevé pré-
dient tiré au hasard dans la clientèle, associe sa sente un défaut de type mécanique » ,
dépense, en euros pour ce système.
et DE l'événe.ment « le moteur prélevé présente un
Établir la loi de probabilité de X e.n complétant, après
défaut de type électrique ».
l'avoir reproduit, le tableau sui van t :
]0 a) Les événements DM et DE sont-ils indépendants?
o b) Calculer la probabilité de l'événement DM
sachant que l' événement DE est réalisé.
2° a) Calculer la probabilité de l' événemen t A : « le
B. Monlant roral dn achats effectués par la clientèle.
moteur prélevé présente au moins un défaut lt .
On note Y la variable aléatoire qui, à chaque client, tiré
b) Démontrer que la probabilité de l'événement JJ :
au hasard dans la clientèle, associe le montant total de
ses achats en euros. « le moteur prélevé est en parfait état de marche lt est
On suppose que Y suit une loi normale de moyenne ~ 0,89.
et d'écart type (J. On admet que jJ. = 550 et a = 195. c) Déterminer la probabilité de l'événement C: « le
1° On tire au hasard un client dan s la clientèle. moteur prélevé présente un seul défaut )l> .
Calculer. à 10- 2 près, les probabilités de chacun des 3° Soit X la variable aléatoire qui, à chaque moteur pré-
événements suivants : le vé au hasard dans la production, associe le nombre de
A : « le montant de ses achats est inférieur à types de défaut (élec trique ou mécanique) présentés par
600 euros lt ;
le moteur.
B : « le montant de ses achats est de 400 euros, au
a) Quelles sont les valeurs prises par X?
moins lt ;
C : « le montant de ses achats est compris entre b) Déterminer la loi de probabilité de X.
400 euros el 800 euros lt . c) Cakuler l'espérance mathématique E(X).

Chap. 3 : Variables aléatoires à valeurs réelles 141


d) Calculer la variance V(X) et en déduire l'écaTI On admet désormais que la probabilité qu'une lame,
type de X. On arrondira les résultats à 10- 2. prise au hasard dans la production, ne soit pas confor-
me est 0,11.
4° On prélève 12 moteurs au hasard dans la production
(on assimile cette épreuve ~ un tirage de 12 pièces suc- On désigne par Y la variable aléatoire qui, tt chaque
cessivement avec remise). Soit Y la variable aléatoire botte de 6 lames, associe le nombre de lames non
conformes.
qui, à chaque prélèvement de 12 moteurs, associe le
nombre de moteurs en parfait état de marche de ce pré· 1° Justifier le fait que la variab le Y suit une loi bino-
lèvemenl. miale ; en donner les paramètres.

a) Justifier que la variable aléatoire Y suit une loi


r Calculer, à 10 - 2 près, les probabilités P(Y = 0) et
P(Y'" 1).
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.
J100t·· Loi normale, loi binomiale, approximation
(j'une loi binomiale par une loi de Poisson
Dans ct! qui suit, tUIIS I~s rhullalS llpproc:hé.'i seront
arrondis à 10- 2.
[!!] ... Statistique à une variable~ Une entreprise fabrique des brioches en grande quan-
loi normale, loi binomiale tité. On pèse les boules de pâte avant cuisson. On note
A.Slatistiq/l~ à /Ille \'tlriah/t' X la vari able aléatoire qui, à chaque boule de pâte pré-
levée au hasard dans la production d'une journée,
Une entreprise fabrique des lames de parquet. Dans la
associe sa mas~e. On admet que X suit la loi normale
produclion d'une journée, on élUdie un échantillon de
de moyenne 700 g. et d'écart type 20 g.
30 lames dont on mesure les longueurs.

-
10 Seules les boules dont la masse est comprise entre
On obtient la série su ivante: 660 g et 732 g sont acceptées à la cuisson. Déterminer
, - " " ... cm la probabilité qu'une boule, prise au hasard dans la pro-
131,4 1 duction, soit acceptée à la cuisson.
131,6 2
r On désigne par Il un réel positif. Déterminer Il afin
que l'on ait : P(700 - il '" X '" 700 + il) "" 0,95.
131.8 6
3 0 On admet que 8 % des boules sont refusées à la
132 13 cu isso n.
132,2 7 On prélève au hasard, successivement et avec remise,
132,4 0 fi boules dans la production. On note Y la vari ab le
II

132,6 1 aléatoire qui, à. tout prélèvement de Il bou l e~, ussocÎe le


nombre de boules qui seront refusées à la cuisson.
Calculer à, 1 millimètre près, hl longueur moyenne el Celte variable aléatoire Yn suit une loi binomiale.
J'éçart type de celle série statistique. a) Dans le ca~ 11 = 10, calculer la probabilité d'avoir.
B. Loi normale parmi 10 boules prélevées, exactement 3 boules
refusées à la cuisson.
On nOie X la variable aléatoire qui, à une lame de par-
b) Dans le cas fi = 50. on admet que l'on peut appro-
quet prise au hasard dans la production, associe sa lon-
cher la loi de probabilité de la variable aléatoire Yso
gueur en cm.
par une loi de Poisson.
On admet que X suit une loi normale de moyenne Préciser le paramètre de ceUe loi de Poisson.
111= 132 et d'écart type cr = 0,25. Calculer alors la probabilité d'avoir, parmi les
Une lame est estimée conforme si sa longueur appar- 50 boules prélevées, exactement 4 boules refusées à
tient à l'intervalle [131.6; 132.4J. la cuisson, puis la probabilité d'avoir au moins
1° Calculer, à. 10- 2 près, la probabilité 45 boules acceptées à la cui sson

~I'"
P(l 3 1.6 '" X '" 132,4).
r En déduire la prob'lbilité qu'une lame, prise au
Statistique descriptive, loi normale, à
hasard dans la production, ne soit pas conforme. propos de biochimie
C. Loi binomial~
A. Statistique
Ces lames sont conditionnées en boues de 6. On assi-
Au cours d'une répartition de péni cilline en flacons su r
mile la const itution d'une bolle à un tirage de 6 lames
une machine aUlOmatique. on prélève, à. intervalles plus
successivement, avec remise.

142
ou moins réguliers, un flacon dont on pèse le contenu, journée, associe sa longueur sui t la loi normale de
au dixième de milligramme. moyenne III = 100 ('m et d'écart type (T = 0,16 cm.
On prélève ainsi un éc:hanti llon de 250 flacons dont les a) Déterminer, au centième près, la probabilité que
masses des contenus exprimées en mg se répartissent X n'appartienne pas à l'intervalle [99,7 ; 100,3].
en 20 classes com me sui t : b) Déterminer, à 10- 2 près, le réel positif a tel que
la probabi lité que X appartienne à l'intervalle
CWoc Effectif CIuoe Elfeclif [100 - 0.100 + li) soit égale à O,S.
[116.5; 1l7,5[ 2 [126,5; 127.51 25 2° 011 considère désormais que la probabilité qu'un
cy lindre prélevé au hasard dans la production soit
[117,5; 118,51 3 1127.5; 128,5[ 22
défectueux est 0,06.
[118,5; Il 9.5 [ 4 [128.5; 129,5 [ 14
On prélève au ha:sard un éc hanti llon de 50 cylindres. La
[119,5; 120,5[ 10 [ 129.5; 130,5[ 15 production est suffisamment importante pour qu'on
[120.5; 121.5[ 10 [ 130,5; 131,5[ 10 puisse assimiler ce prélèvement à un tirage avec remise
[121,5; 122,5[ 16 [13 1.5; 132.5[ 7 de 50 cylindres. Soit Y la variable aléatoi re qui associe
à tout échant illon de 50 cyli ndres le nombre de
[122,5; 123,5[ 20 1132,5; 133.5[ 5
cylindres défectueux de cet échantillon.
1123,5; 124.5 [ 23 [133,5; 134.51 5 a) Expliquer pourquoi Y su it une loi binomiale. On
[124,5; 125.51 21 [134.5; 135,51 4 donnera les paramètres de t'Cne loi.
[125.5 ; 126,5[ 30 [135,5; 136,5[ 4 b) Déterminer une valeur approchée arrondie à 10 - 4
de la probabilité qu'un éc hantillon de 50 cylindres
En supposant que, dans chaque classe, tous les élé- nt! contienne aucun cylind re défectueux.
ments sont situés au centre, déterminer les valeurs c) On approche la loi binomiale du a. par une loi de
approchées arrondies à 10- 3 de la moyenne x et de Poisson. Préciser le paramètre de celte loi. En utili-
sant celte loi de Poisson, déterminer une valeur
l'écart type (T de cette sérÎe statistique.
itpprochée arrondie à 10- 4 de l' événeme nt du b.
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
11031••• Approximation d'une loi binomiale
par une loi normale
suit la loi normale de moyenne m = 126 et d'écart type
0' ~ 4. Dans une revue, on peut lire: 4< On estime à 60,5 % le
j OCalcu ler, avec la précision permise par la table, les pourcentage de Français partitnt au moins une fois en
probabili tés P(X";; 125), P(IIS";;X";; 134), vacances dans le co uran t de l'année. JO
P(X '3 129,2). On considère 100 personnes prises au hasard, avec
2° On a utilisé un sel de pénici lline titrant 1 600 unités remise, parmi la population française.
au milligramme. L'activité moyenne par flacon est
Dans a qui suit, tous l~!i ri:Hlltats SUOIIf arroI/dis ()
20 1 600 unités. /0-3
Pour obéir aux prescriptions des normes en vigueur,
1° On désigne par X la variable aléatoire qui à chaque
l'activité trouvée par flacon doit être au moins de 95 (}
pré lèvement de 100 personnes associe le nombre de
de celle annoncée sur l' étiquette. soit 200 000 unités.
celles qui ne partent pas en vacances dans le courant de
a) Quelle est la masse Il du contenu du flacon cor-
respondant à celte activité minimale? (On exprime- J'année.
ra la réponse à 10- 3 près par défaut.) a) Justifier que la loi de probabilité suiv ie par la
b) Quelle est la proportion moyenne de flacons dans variable X e~t une loi binomiale. On précisera les
la population ayant une masse inférie ure à cette p~ramètres de cette loi.
masse Il? (Autrement dit, calcu ler P(X ~ Il).) b) CaJculer l'espérance mathématique et l'écart type
de la vari~b l e X.
Il021~ •• Loi normale, loi binomiale, c) Calculer la probabilité de l'événement « X = 45 )10 .

approximation d'une loi binomiale par une


Pour ce calcul , on prendra C l~ "" 6,145 X 1028 .
loi de Poisson
r On décide d'approcher la loi de la variable aléatoire
Une machine fabrique des cylind res en bois. discrète X par la loi normale de paramètres III = 39,5 et
j ° On admet que la variable aléatoire X qui, à toute cr = 4,89. On note Yune variable aléatoire suivant la loi
pièce prélevée au hasard dans la production d'une ,N(39,5 ; 4,89).

Chap. 3 : Variables aléatoires à valeurs réelles 143


En utilisant cette approximation, calcu ler: On note Z une variable aléatoire su ivant cette loi.
a) la probabilité que 45 personnes exactement parmi En utilisant cette approximation. calculer la probabi-
les 100 ne partent pas en vacances dans le courant de lité qu'au plus J 20 personnes, parmi les 500 choisies
l'année, c'est-à-dire P(44,5 ~ Y ~ 44,5); au hasard, aient suivi le stage, c'est-à-dire
b) la probabilité qu'au plus 30 de ces 100 personnes P(Z ~ 120,5). Donner ce résultat à 10- 2 près.
ne partent pas en vacances dans le courant de J'an-
Partie B
née, ~ re P(Y ~ 30,5).
Dan s cette entreprise, le personnel comprend 52 % de

11041 '~inomiale,
femmes. L'événement F « une personne tirée au
approximation d'une loi hasard dans l'entreprise est une femme )t a donc pour
binomiale par une loi normale, probabilités probabilité pen = 0,52.
conditionnelles On rappelle que 25 % du personnel a s uivi le stage de
formation à l'utilisation du nouveau logiciel de gestion.
Dans une entreprise, un stage de formation à l'utilisa-
L'événement S : « une personne tirée au hasard dans
tion d'un nouveau logiciel de DAO a été suivi par 25 %
l'entreprise a suivi le stage a donc pour probabilité
)t

du personneL Ainsi, la probabililé qu'une personne


P(S) = 0,25.
tirée au hasard dans l'entreprise ait suivi ce stage est
Enfin, 40 % du personnel féminin de cette entreprise a
p = 0,25 . . suivi le stage. La probabilité condit ionnelle correspon-
dante est p (Sln = 0,4 oU PF(S) = 0,4.
Les parties A et B peuvent être traitées de façon
10 Calculer la probabilité de l'événement A : « une per-
indépendante.
sonne tirée au hasard dans l'entreprise est une femme et
Partie A a sui vi le stage )t .
On prélève au hasard" personnes de ceUe entreprise. r Calculer la probabilité de J'événemen t B: fi: une per-
On suppose l'effectif suffisamment important pour sonne tirée au hasard parmi les personnes ayant suivi le
assimiler ce choi" à un tirage avec remise. stage est une femme )t .
1 0 Dans cette question, Il = 10.
On note X la variable aléatoire qui, à tout ensemble de 11051". Événements indépendants, loi binomiale,
10 personnes ainsi choisies, associe le nombre de per- approximation d 'une loi binomiale par une
sonnes ayant suiv i le stage. loi normale
a) Expliquer pourquoi X su it une loi binomiale. Une usine produit, grâce à des machines A, 8, C, des
Indiquer les paramètres de cette loi. pièces qui ont:
b) Déterminer, à 10- 2 près, la probabilité des évé- - pour la machine A : le défaut a dans 5 % des cas;
nements suivants: - pour la machine B : le défaut b dans 3 % des cas;
El : « Parmi 10 personnes tirées au hasard, exacte- - pour la machine C : le défaut c dans 2 % des cas.
ment 2 personnes ont sui vi le stage»; Une ma,'hine M fabrique un objet assemblant une pièce
Ez : « Parmi JO personnes tirées au hasard, au plus provenant de A, une pièce provenant de B et une pièce
une personne a suivi Je st.lge » . provenant de C. Elle prend au hasard des pièces dan s
r Dans cette question, Il = 500. trois stocks comprenant un grand nombre de pièces.
Les différentes pièces sont tirées au hasard et indépen-
On note Y la variable aléatoire qui, à tout ensemble de
damment les unes des autres,
500 personnes ains i choisies, assoc ie le nombre de per-
Les trois questio/lS Slli\,{1II1~S som indép~lIdantes.
sonnes ayant suivi le stage. On admet que la variable
JO Quelle est, à 10- 2 près. la probabilité qu'un objet,
aléatoire Y suit la loi binomiale de paramètres II = 500
prélevé au hasard dans la production de M, ne présente
et p = 0,25.
aucun défaut.
a) Déterminer l'espérance mathématique de la
r On admet qu'un objet fabriqué par M a la probabi-
variab le aléatoire Y. En donner une interprétation.
lité:
1
Déterminer une valeur approc hée, arrondie à 10- ,
0,048 d'avoir seulement le défaut a ;
de l'écart type de la variable aléatoire Y. 0,028 d'avoir seulement le défaut b ;
b) On décide d'approche,r la loi de la variable aléa- 0,018 d'avoir seulemenl le défaut c.
toire Y par la loi normale moyenne 125 et d'écart On désigne par X la variable aléato ire qui , à tout échan-
type 9,7. 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 b) Donner de même la probabilité P2 que ce chèque
cet échantillon présentant se ul ement le défaut a. ait un montant appartenant à [1 JO, 140 1.
a) Quelle est la loi suivie par X? Préciser les para- r On prélève, au hasard et avec remise, un échantillon
mètres. de 36 chèques parmi les 120 déposés à la banque.
b) Calculer à 1O- 3près la probabilité que, dans un tel
Soit X la variable aléatoire q ui , à tout prélèvement d'un
échantillon, deux objets exactement présentent le
tel échantillon, associe le nombre de chèques dont le
seul défaut a.
c) Calculer à 10- 3 près la probabilité que, dans un tel montant appartient à la classe l200, 280].
échanti llon , un objet au plus présente le se ul On définit de même la variable aléatoire Y pour la
défaut a. classe [110,1401.
3° La machine M convenablemen t réglée rejette tous a) Indiquer sans justification la loi de probabilité
les objets présentant le défaut a o u le défaut b. Seuls suivie par la variable aléatoire X. Donner son espé-
continuent à sortir ceux ne présentant que le défaut c. rance et son écart type arrondi au dixième.
La probabilité qu'un objet présente alors le seul défaut b) Indiquer de même sans justification la loi de pro-
e est 0,018. babilité suivie par la variable aléatoire Y. Donne.r son
On désigne par Y la variable aléatoire qui, à tout échan- espérance et son écart type.
tillon de 1000 objets pris au hasarù à la sortie de la
3° On considère que la loi de probabilité suivie par la
machine M, associe le nombre d'objets présentant le
variable aléatoire X peut être approchée par loi de
seul défaut c.
Poisson de paramètre 1,5.
La production étant importante, tout échantill on de
1000 objets est assimilé à un échantillon prélevé avec On note XI une variable aléatoire qui suit cette loi de
remise. Poisson.
a) Quelle est la loi sui vie par }'? Calculer, avec cette approx imation, la probabilité d'ob-
b) On approche la loi de }' par une loi normale. tenir au moins trois L:hèques d'un montant appartenant
Quels son t les paramètres de cette loi normale? à la classe [200. 280] (arrond ir le résultat au cen tiè me).
c) On désigne par Z une variable aléato ire qui suit 4° On considère que la loi de probabilité su ivie par la
œUe. lo i. Déterminer la probabilité que la machine
variable aléatoire Y peUl être approchée par la loi nor-
fabrique au plus 20 objets présentant le défaut c,
male de moyenne 18 d'écart type 3.
pour cela on calcule,ra P(Z ~ 20,5).
On note YI une variable aléatoire qui suit cette loi nor-
Les résllitats approchés seront ~;rondis à 10- 2 dans le 3°. male.
Calculer, avec cette approximat ion. la probabilité d'ob-
~
tenir entre 15 et 21 chèques d'un montant appartenant

~
06 ~~. Loi binomiale, approximation d'une loi
à [110,140 [, c'est-à-dire P(14,5 '" YI '" 21,5) (aTTon-
~ binomiale par une loi de Poisson,
. approximation d 'une loi binomiale par une dir le résultat au centième).
loi normale
11071 **~ Loi normale, somme de variables
Le gérant d'un magasin d'outillage dépose 120 chèques aléatoires suivant une loi normale
à sa banque. Les montants de ces chèques, libellés en
euros, onl été regroupés en ci nq classes: Les questions 1 et Il sont indépendantes. Tous les résul-
tats approchés serolll arrondis () 10- 3.
Ciasoes I!lfedlfs Pour la réalisation d'un projet, une soc iété doit effec-
150,60 [ 12 tuer successivement deux tâches A et B. Les durées de
160, 110 1 24 réalisation de ces tâches sont aléatoires. On désigne par
X (respecti vement Y) la variable aléatoire qui, à une
1110.1401 60
t5che de type A tirée au hasard (respectivement une
1140, 200 1 19 tâche de type B), associe sa durée exprimée en semaine.
[200,280] 5 Ces variables aléatoires suiven t des lois de probabilité
approximées par les lois normales: de moyenne 22 et
1° On prélève un chèque au hasard parmi les 120. Tous d'écart type 3 pour X, de moyenne 25 et d'écart type 4
les chèques o nt la même probabilité d'être tirés. pour Y.
a) Donner, sous forme de. fraction irréductible, la 1. Questions relatÎ\'es GlU· lâches
probabilité Pl' que ce chèq ue ait un montant appar- } O Déterminer la probabilité de réaliser une tâche de
lenan l à [200, 280]. type A en plus de 30 semaines.

Chap. 3 : Variables aléatoires à valeurs réelles 145


2° Soit Il un réel positif. On cons idère l'événement E : assez important pour qu'on puisse assimiler ce prélè-
25 - /1 ~ Y :::;;; 25 + il. vement à un tirage avec remise de 10 sacs.
Déterminer l'ensemble des valeurs de Il pour lesquelles On considère la variable aléatoire}' qui, à tout prélève-
on a : P(E) '" 0,9544. rnent de 10 sacs, associe le nombre de sacs défectueux.
Il. QIl~.sriullS relaril'ts à la riolharirJ/l du proj~t On suppose que la probabilité qu'un sac soit défec-
On désigne par Z la variable aléatoire qui, à tout projet tueux est p = 0,03.
tiré au hasard, associe sa durée, expri mée en semaines. 1° Expliquer pourquoi Y suit une loi binomiale; déter-
On a Z = X + }' et on suppose que les variables aléa- miner les paramètres de cene loi.
toires X et Y sont indépendantes. 2° Calculer la probabilité que, dans un tel prélèvement
)0 Calculer l'espérance mathématique et l'écart type de Z. de 10 sacs, deux au plus soient défectueux.
2° On admet que Z su it une loi de probabilité approxi-
mée par la loi normal~ )(47, 5). C. On désigne par Z la variable aléatoire qui, à une
Déterminer la probabi li té de réalber le projet en moins journée tirée au hasard dans une année, assoc ie le
de 50 semaines. nombre de sacs vendus dans le magasin de Vincennes.
On suppose que Z suit la loi normale X( 1 190, 130).

Il OSI ~"· Loi normale, loi binomiale, Chaque S'IC est vendu 19 F. TOllt sac défectueux est
remplacé gratui tement. La marge réalisée sur la vente
somme de variables aléatoires
d'un sac, représente 20 % de son prix de vente. De plus,
us trois partin dt ut exercice SOllt ifldip~lIdalltes. la chaine de supermarchés éva lue ses perles totales
Une chaine de supermarchés, spéc ialisée dans la vente journalières sur la vente des sacs (remplacements,
du matériel de bricolage, vend des sacs aux clients pour vols .. .) à 750 F. On désigne par B la variable aléatoire
le transport des achats. qui , à chaque journée ouvrable tirée au hasard, assoc ie
Dans ce qui suit, tous les rfsultats apprrx:hb seront le bénéfice, en francs, réalisé sur la vente des sacs.
arrondis d 10- 2. 1° a) Exprimer B en fonction de Z.
A. On note X la variable aléatoire qui, à chaque sac b) Montrer que B suit approximativement la loi nor-
prélevé au hasard dans le stock du magasin de male .N'(3772, 494).
Villemomble, associe la charge rnaximale en kilo- r a) Calculer la probabilité p de l'événement
grammes qu' il peul suppor ter. On suppose que X su it la
loi normale de moyenne 50 et d'écart type 4.
ç;, ~'" 3500.
b) À J'aide du calcu l précédent (2°a.) indiquer si le
1° Déterminer la probabilité de l'événement X ~ 55, directeur commercial a raison de dire qu'il y a au
puis celle de l'événement 48 :::;;; X ~ 52. moins 75 % de chance~ que la chaîne de supermar-
ZO Calculer le nombre réel positif r tel que la probabi- chés réa li se plus de 3500 F de bénéfice journalier
lité de l'événement X ~ r soit égale à 0,025. sur la vente des sacs.
B. Dans le stock de sacs du magasin de Chelles, on pré-
lève au hasard 10 sacs pour vérification. Le stock est • Un franc est égal à 0. 15 euro.

146
Chapitre
1-

Échantillonnage
4
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 Considérons un événement A de probabilité l' : par exemple, A consis-
à obtenir une pièce défe(:lueu~ par
tirage au sort dans une produclÎon te à obtenir pile uvee une pièce usuelle (p = ~), ou un as avec un dé
industrielle. ou obtenir une l'oncen-
!ralion trop forle d'une substance
usuel ~ = ~), ou un cœur dans un jeu de 32 cartes (1' = !).
par tirage au sort dan~ une ~érie de Effectuons n expériences indépendantes ; par exemple, effectuons n
dosages de laboratoire.
lancers d'une pièce ou d'un dé, ou Il tirage s au hasard, avec
remise, d'une car te 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 + X2 + ... + Xj + ... + XII permet
de compter le nombre d'apparitions de l'événemen t A au cours des
II expériences.

Voir la loi binomiale au chapitre 3. 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'apparition de
l' événement A au cours des " 11 expériences.

Ona\'uque: E(S,,) = ln E(S );


11 /1
donc E(S,,)
n
= p.
E(llX) = aE(>") et
V{(Lt) = a 2 V(X). v(S,,) =.l.
11 ,,2
V(S ):
/1
donc v(S,,) = p(l -
" Il
l')

S est '11'(1
L'écart type de -1! l') .
Il Il

Chap. 4 : Échantillonnage 147


L'événement: « Sn prend une valeur appartenant
/1

, 11'(1 - 1')
à l'intervalle l' -
[ V /1 ' l' +

Voir le rappel sur la valeur ab ~lu e


dan s le chapitre 1 du tome
s'écrit: 1~7 - pl ,,; yp(l Il l')
d'AnalyJe (mêmes auteurs):

A B [ "1
1
a
1
b

La distance AB est lb - al. y/~
"
'
Son é venement - s 'écnt
contratre -IS"
"""'il - l
p > ,V11'(1 Il l')

De même: [ l~
1

2 y P(1 - p)
---
"

Et --------+[--------,j-c-------~-Jr---------

S" - 1 >2,6, 11'(1 - l')


I Il P V 11

Théorème (admis)
Pour tout nombre entier n > 0 et pour tout nombre réel t > 0,
P est fix é dan s [O. 1].

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

[1'-1 Y
p(l
/1
l')
,1'+1
yp(1
Il
l') 1
[ P
1 avec une probabilité inférieure ou égale à ~.
r

t
y,,(1
- -
p)
-
"
148
Par exemple, A est J'é\-'énement Exemples
prélever au hasard un garçon dans
'fi

une classe composée de 18 filles el 1. l' = 0,4 ; II = 200 ; r = 10.


de 12 garçons lIo, Ima&inon~ alors
une urne avec 30 boules corre~pon­ p(I S22000_004' 1> 10"0,4
V 200
x 0,6 <>_1_.
100
dam aux 30 élè\'es de la dasse et

p( 1~~~ -
effectuon.s 200 tirages d'une boule
en remellant chaque fois la boule Donc 0,41 > 0,35) <> 0,01.
tirée dans J'urne.
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.
p(ii) ~ 1 - P(B) En conséquence, cette fréquence est comprise entre 0,05 et 0,75 avec
1 - 0,01 ~ 0,99. une probabilité supérieure ou égale à 0,99.

On effectue 10000 tirJges dans les 2, l' = 0,4 ; Il = 10 000 ; r = 10.


mailles condition:",
Nous obtenons de même p(l~b~ - 0,41 > 0,049) <> 0,01.

L'intervalle [0,05 ; 0,75] esl remplacé par [0,35 1 ; 0,449].


p est un nombre thé dans lO, 1].
Remarquons sur ces exemples que, quand 11 augmente, t étant constant,
l'amplitude de l'intervalle diminue.

t et p SOn! fixés, t > 0, D'autre part, r' 11'( 1 l') = ni p(1 p) _I_ et lim _1- = 0;
'
V Il y;; 11 --t + 00 y;;
donc lim r' 11'...;(_
1---,p-,-) = o.
II--t+oo V II

Ainsi:

Il suffit de choisir t assez grand, 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,
Voir Mat"bnatiqll~s (lIIftl d~s ûg~.t comme le rappelle Laplace, un siècle plus tard:
- IREM. Groupe épistémologie et « En multipliant indéfiniment les observations et les expériences, le
histoire des mathématiques
(Gauthier - Villars).
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. »
Voir le chapitre 2 p:lragraphe D. 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.

Chop. 4 : Échantillonnage 149


Ce point de vue, opposé :\ celui de!. Cependant, par ex.emple en économie, il n'est pas toujours possible
« f~quenlisles 10 , est dit d'effectuer de telles expériences, et on peut alors être conduit à fi xer
• « bayesien _, en hommage au révé-
rend anglai s Thomas Bayes, auteur
a priori la valeur attribuée il la probabilité d ' un événement; on contrô-
en 1763 d' un essai. Drx:trill~ of le et éventuellement valide ce choix a posteriori, en étudiant ses consé-
dumas. 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
1. CAS PARTICULIER
Soit Xl ' X2• ... • Xi" ...• X", Il variables aléatoires indépendantes suivant
toutes la même loi normale X( /J.,u).
Xi sui t la loi .N'( IL, (1). Pour tout i, 1 ~ i ~ " . on a E(X j ) = I-L.
E(X + Y) ~ E(X) + E(Y). Donc E(X t + X + ... + X,.) =
2 II/J..
E({jX) = (Œ{X).
EtE(X t + X2 : ... +X,,) = /J..
X; suil la loi X(IJ-. 0"). De même, pour tout i , 1 ~ i ~ Il, on a V(X j ) = 0.2.
Les variables aléatoires Xj étant indépendantes,
on a V(X] + ... + X,,) = V(X]) + ... + V(X,.).
Donc V(X t + ... + X,,) = IIU- .
,
Et V (
Xl + X2 + ... + XII)- -
_-na,2 -_ -a 2.
Il 11-"
Celte notation mppelle la moyenne
.
La van able aleatolre
•. Xt + ... + X" .
est desormats notée p us simp e-
. l ' 1
arithmétiGue définie en Mati<;tique - Il
ment XII' ')
descripti,re (chapitre 1).
E(X,,) = /J.
et V(X,,) = u- , donc l'écart type de X" est~.
Il y;,
Voir la loi normale au chapitre 3. Les variables aléatoires Xl' .... XII étant indépendantes et suivant une
loi normale, leur so mme 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
Voir la loi norma le au chapitre 3. 1. Nous déduisons immédi::ttement de ce résultat que la variable uléu-
taire x,,~/J. 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
2. THÉORÈME
Comme on ne rencontre pas toujours des variables aléatoires nor-
males, il eSI nécessaire d'éludier quelle propriélé possède la variable
aléalOire X"' défini e au paragraphe précédenl, lorsque J'h YPolhèse de
normalité des Il variables aléatoires Xi n'est plus satisfaite.

Théorème de la limite centree (admis)


Soil XI' X2, ... , 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
Voir la loi normale au chapitre 3. Pour Il' suffisamment grand,
X !L-
- Il
Il v;.(X" : ~ ) Suil.pprox!-
v;.
mativementla loi normale .1( 0, 1).

Remarques
La convergence d'une suite de 1. Conformémenl au programme de malhématiques des seclions de
variables al~.)(o i res n'est pas au techniciens supérieurs, ce théorème est énoncé ic i en ter mes d'ap-
programme. La con\'e rgenc~ env i· proximation et non en termes de limite.
sag~e ic i n'est d'ailleurs pas de
même nature que celle intervenant 2. Comme dans le cas particulier du par.graphe 1, on a encore ici
dans la loi faible des grands
nombres. -
E(X,,)
-
= Il, V(X,.) = -(J'2 el 1, écarl Iype de -X" esl - cr .
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 stique de ce rés ullal sera fa ile aux paragraphes
C. et D. ci-dessous dans deux cas fo nda mentaux. C'est en vue de cette
étude que J'hypolhèse selon laq uelle les X; sui ven! Ioules la même loi
a élé choisie; on aurail pu prendre une hypothèse un peu moins res-
tricti ve.

Chap. 4 : Échantillonnage 15 1
,
C. DISTRIBUTION D'ECHANTILLONNAGE
ASYMPTOTIQUE DE LA MOYENNE
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.
Voir chapitre 5. 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 statistique 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. Ils 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
Avec la méthode des quota~ se pose la méthode des quotas, qui consiste à chercher à créer une ou plusieurs
le problème de la représemJtivité «populations en miniature» : par exemple, même proportion d'indivi-
d'un échantillon lorsqu'oll ne dis-
. pose pas d'information;;; ~uffisantes
dus par âge, sexe, catégorie socioprofessionnelle, région, ... dans la
sur la population. population et dans un échantillon.
Après le lirage sans remise d'un Le tirage des éléments d'un échantillon aléatoire peut être sans remi-
élément, on ne remet pas dans l'ur- se, ou exhaustif; dans ce cas, la composition de l'urne est modifiée à
ne le papier ou la boule correspon- chaque tirage: les tirages ne sont pas indépendants.
dant 3 un élémen t.
Sinon, le tirage est avec remise, ou non exhaustif; dans ce cas, les
Un même élément peut être choisi
tirages sont indépendants.
plusieurs fois dans le ca.' d'un tira-
ge avec remi~.
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 sa ns remise à
un tirage avec remi se.

2. DISTRIBUTION D'ÉCHANTIllONNAGE
ASYMPTOTIQUE DE LA MOYENNE
Par exempl e, 11/ est la moyenne des Considérons une population d'effectif N, de moyenne m et d'écart
soldes de N livrets d'épargne, tan- type CI.
dis que x est la moyenne des soldes Prélevons, dans cette population, un échantillon (aléatoire) de taille II ;
de 11 li vrets lifts au hasard parmi
on note x la moyenne de cet échantillon et (T' son écart type.
tes N.
Par exemple, Xl as'>OCie au premier Considérons les" variables aléatoires XI' X2 , ... , Xi' ... , XII où chaque
tirage le solde du premier livret variable aléatoire Xi' 1 ~ i ~ Il, associe au i-ème tirage le nombre cor-
ainsi tiré; de même pour X'l: .. , XII' respondant à l'élément choisi.

152
Un tel échantillonnage aléatoire de Si nous supposons que le tirage des Il éléments de l'échantill on a été
laille II, obtenu avec;: remise. est effectué avec remise, alors les variab les aléatoi res Xi sont indépen-
ainsi con<;idéri comme réal isation
dantes, Elles sui vent toutes la mê me loi, ont toutes la même moyenne
des 11 varia ble~ aléa to ires indépen-
dantes X j , m et le même écart type (f,
Xn associe à cet échant illon la La variable aléatoire X = XI +, .. + X" assoc ie alors à cet échantillon
moyenne ,t des masses des pièce~ " Il

de cet échantillon; plu" générale-


sa moyenne l ; plus gé néralement, XII associe à tout éc hantillon de
ment, Xn associe à tout échanlillon taill e Il la moyenne de cet échantillon,
de tai lle 11 la moyenne des ma~se~
des pièces de cel échant ill on,

[IJ
effectif n ft

muyenne il ïl ... ...


A'rI ENTlON: deux éc h'lntillons ~arl type (J' 1 0"2 ,,',
pcu"enl avoir des élémenLS com-
muns, ÉdllllllillonJ ÉdullllillCJf/ ~ Échantillon i

Population: effec tif N, moyenne m, écar t type tT,

XII prend pour valeurs les moye nnes 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 samm ent grand ,
XII suit approxi mati ve me nt la loi nor male
_X(m, J!...-).
v;. _
Tous les échanlillons onl le me me Nous pouvons alléger l' éc riture e n notant X la variabl e aléatoire X"' car
effectif II, ici, II étant fix e, il n'y a pas de risque de confusion,

Cette conséquence du théorème Considérons une population de moyenne ln el d'écarl type ". Soit Xla
de la limite centrée est rondamen- variable aléatoire qui. à toul échanlillon aléaloire prélevé av"", remise el
ta le pour la suite,
d'effectif n fixé, associe la moyenne de cel échantillon.
Pour n suffisamm~nl grand. Xsuit approximativement la loi normale

X(m,~).
-------- ----------------~

Remarques
1, Dans la plupart des cas, on considère que,., est « suffisa mment
grand » lorsque Il atteint quelques dizaines, par exemple lorsq ue
Il ;" 3D, mais cela dépend de la nalure de la pop ul ation et du contexte

de l'étude.
Voir le pM3graphe ll, l , 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 utilise r le
rés ultat sur X avec 1/ « petit »,
2. Lorsque les éc hantill ons de taille Il so nl prélevés sans remise dan s
la population d'effeclif N, on peUl, dan s certain s cas, utili ser le résultat

N-
N-l
/1

li vité,
est appelé facleur d'elthaus- précédent, en prenant JL.
v;. VNN - -1/
I
au lieu de ~ cOllune écart type de
v;.
X.
3. Ne pas confondre l'écart type.", de la variable aléaloi re qui prend
Vil
pour valeurs les moye nnes d'échantillons de tuille Il , et l'écart type ,,'
d ' un éc hantillon.

Chap. 4 : ~chantillonnage 153


D. DISTRIBUTION D'ÉCHANTILLONNAGE ASYMPTO-
TIQUE DE LA FRÉQUENCE
Nous pouvons remplacer fréquence Considérons une population d'effectif N dont les éléments possèdent
paf proportion ou pourcentage. une certaine propriété avec une fréquence p.
Voir le paragraphe C.2 ci-dessus
D' une manière analogue, prélevons avec remise dans cette population
en remplaçant III par p, fréquen ce
avec laquelle les N livrets d' épar- des échanti110ns aléatoires de même effectif 11 et mesurons pour chacun
gne ont un solde supérieur à d'eux la fréquence f avec laquelle les éléments possèdent cette même
5 ()(M) euros, et x par f. propriété.

effectif n
fr«Juence fi
ATfENTION: deux échantillons peu-
vent avoir des éléments communs. Échalltillon J Éch(mtil/oll 2 Échantillon i

Populafion : effectif N, fréquence p

NOLIS obtenons avec la fréquence un rés ultat analogue à celui figurant


au paragraphe C. 2 à propos de la moyenne :

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 suffisamm~nt grand, F suit approximativement la loi normale
X(p, 'fJ) où q = 1 - p.
L 1

Remarques
Voi r paragraphe A. 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 variab le aléatoire discrète qui peut prendre pour valeur tout
nombre entier k compris e ntre 0 et n.
S
F = --.!!.. est donc un e variable aléatoire discrète qui prend pour valeurs
li
les fractions k, où 0 ~ k ~ n.
Il

P(F =~) =P(Sn =k) =~pk( 1 _ p)" - k

Aussi, dans l' approx imati on de la loi de F par la loi normale

Voir au chapitre 3, la fin du para- .N(p, V'r!). on peut être amené à effectuer une correction de conti-
graphe 3.c.
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 Remarque


Dans le chapitre 5, nOl/S nous intéresserons au
D'ÉCHANTILLONNAGE problème ÎIl\'erse : cl parrir d'informations sur un
DE LA MOYENNE échantillon, peut-oll pré\'oir où se situe la moyen-
ne de la population?
TP 1 011 from'era ci-ap r~s ml début de répollst! dans lUI
cas particulier.
On considère la population constituée des 100