Exercices Corrigés de Probabilités Et Statistique

Exercices corrigs de
probabilits et statistique
Universit Paris 1 Panthon-Sorbonne
Cours de deuxime anne de licence de sciences conomiques
Fabrice Rossi & Fabrice Le Lec
Cette uvre est mise disposition selon les termes de la licence Creative
Commons Paternit - Partage lIdentique 3.0 non transpos.
Table des matires

Table des matires
iii
1 Expriences alatoires et probabilits
2 Conditionnement et indpendance
11
3 Variables alatoires discrtes

3.1 Loi, fonction de rpartition, esprance et
3.2 Lois discrtes classiques . . . . . . . . .
3.3 Variable fonction dune autre variable .
3.4 Couples de variables alatoires . . . . .
.
.
.
.
25
25
39
44
48
4 Variables alatoires absolument continues

4.1 Densit, fonction de rpartition et moments . . . . . . . . . . .
4.2 Lois continues classiques . . . . . . . . . . . . . . . . . . . . . .
55
55
63
volutions de ce document
71
iii
variance
. . . . .
. . . . .
. . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Introduction
Ce document propose des exercices corrigs illustrant le cours de probabilits
et statistique. Les corrections sont abondamment commentes pour faciliter la
comprhension et expliciter le raisonnement qui conduit la bonne solution.
On trouve ainsi la suite de lnonc dun exercice une srie de commentaires
encadrant des lments de correction. La rponse attendue lors dune valuation
est constitue de lensemble des lments de correction, lexclusion, bien
entendu, des commentaires. Pour faciliter la sparation entre correction et
commentaires, les lments de correction sont prsents comme suit :
Correction
Un lment de correction.
Pour profiter au maximum de ce recueil, il est trs vivement conseill de lire
lnonc seulement, puis de rdiger une correction exhaustive (et pas seulement
un brouillon) en se mettant dans les conditions dune valuation, cest--dire
en se chronomtrant, en nutilisant pas de calculatrice et, enfin, en sabstenant
de consulter des notes de cours ou dautres documents. Une fois la correction
rdige, on pourra la confronter la correction type, en reprant notamment les
justifications manquantes. On pourra aussi rechercher dans les commentaires
un ventuel raisonnement faux typique, si la correction rdige est fortement
loigne de la correction type.
Chapitre 1
Expriences alatoires et
probabilits
Exercice 1.1
nonc On tudie les connexions dinternautes un site web. Celui-ci propose
six versions de son contenu, rparties en trois versions anglaises (notes en) et
trois versions franaises (notes f r). Pour chaque langue, les trois versions sont
les suivantes : une version normale (n), une version pour les petits crans comme
ceux des tlphones (p) et une version pour les crans de taille moyenne comme
ceux des tablettes (m). En tudiant lhistorique des connexions, on constate que
les versions ne sont pas utilises de faon uniforme. Plus prcisment, si on
choisit un internaute connect au hasard, la probabilit de tomber sur chacune
des versions est donne par la table suivante :
version (f r,n) (f r,p) (f r,m) (en,n) (en,p) (en,m)
5
1
4
3
P({version})
a
b
21
21
21
21
Dans la table, chaque version est dsigne par sa langue et son type. Lensemble
des six versions forme lunivers . Les lettres a et b dsignent des paramtres
dterminer.
Question 1 Quelles proprits doivent vrifier a et b pour que P soit bien une
probabilit sur ?
Question 2 On constate que le site a deux fois plus dutilisateurs anglophones
que dutilisateurs francophones. En dduite a et b.
Question 3 Quel pourcentage dutilisateurs du site consultent la version pour
petit cran ?
Dans cet exercice, lunivers est dj fix et lobjectif est de construire une probabilit sur cet univers. Les questions ont pour objectif de tester la connaissance
des proprits dune probabilit.
1
Chapitre 1. Expriences alatoires et probabilits
Correction
Pour que P soit une probabilit sur , il faut que P({version}) [0,1]
pour toute version du site web. En particulier, on doit donc avoir :
P({(f r,n)}) = a [0,1],
P({(en,p)}) = b [0,1].
De plus, on doit avoir P() = 1. Or, est lunion disjointe de tous
les vnements lmentaires et P() est donc la somme des probabilits
indiques dans le tableau. On a donc :
P() = a +
5
1
4
3
+
+
+b+
= 1,
21 21 21
21
soit
a+b=
8
.
21
Il est frquent que la solution propose ne soit pas aussi bien justifie que ce qui
prcde. Il est pourtant important de ne pas oublier les conditions de la forme
a [0,1] et surtout de justifier quon peut faire la somme des valeurs donnes
dans le tableau. Il se pourrait en effet que ne soit pas couvert compltement
par les lments du tableau (imaginons ici une version allemande du site pour
laquelle on ne donne pas de probabilits prcises), et il faudrait donc connatre
la probabilit de lensemble des vnements lmentaires lists dans le tableau
pour remplacer lanalyse base sur P() = 1.
Correction
Le site ayant deux fois plus dutilisateurs anglophones que francophones, on
suppose que P({version anglaise}) = 2P({version franaise}). Or lvnement {version anglaise} est lunion disjointe des trois vnements {(en,n)},
{(en,p)} et {(en,m)} et donc la probabilit de lvnement est la somme
des probabilits des trois vnements lmentaires. Donc, daprs le tableau,
on a
4
3
+b+ ,
21
21
7
=b+ .
21
P({version anglaise}) =
De la mme faon, on trouve que

5
1
+ ,
21 21
6
=a+ ,
21
P({version franaise}) = a +
3
soit finalement

7
6
.
b+
=2 a+
21
21
En combinant cette quation avec le rsultat obtenu la question prcdent,

8
savoir a + b = 21
, on trouve

7
8
6
b+
,
=2
b+
21
21
21
1
soit b = 13 et a = 21
. On constate que a et b sont bien des lments de
[0,1] ce qui montre que cette solution est acceptable.
Comme pour la premire question, il faut justifier les rponses en voquant

au moins une fois la dcomposition dun vnement bien choisi en vnements
dont on connat les probabilits. La dernire question se traite de cette faon
aussi.
Correction
Lvnement {petit cran} est lunion disjointe des vnements {(en,p)}
et {(f r,p)}, donc sa probabilit est la somme des probabilits de ces deux
vnements. On obtient ainsi :
P({petit cran}) = P({(en,p)}) + P({(f r,p)}) =
5
12
+b= .
21
21
Exercice 1.2
nonc On place dans un sac 5 billets de 5 e, 7 billets de 10 e et 10 billets
de 20 e. On choisit au hasard une poigne de 8 billets, chaque billet ayant la
mme probabilit dtre attrap.
Question 1 Quelle est la probabilit de navoir choisi aucun billet de 5 e ?
Question 2 Quelle est la probabilit davoir obtenu uniquement des billets de
20 e ?
Question 3 Quelle est la probabilit davoir obtenu au moins un billet de
chaque valeur ?
Question 4 On recommence lexprience en tirant les billets un par un et en
remettant le billet dans le sac aprs son tirage. Calculer les probabilits des
trois vnements ci-dessus dans cette nouvelle exprience.
Comme dans tout exercice de probabilit qui ne fait pas intervenir de variables
alatoires, on doit commencer la rsolution par la dfinition de lunivers
associ lexprience. On rencontre ici une difficult classique : les billets dune
catgorie ne sont pas (facilement) discernables. On pourrait donc tre tent
de tenir compte de ce fait dans : cest en gnral une mauvaise ide. On

suppose donc les billets discernables (numrots, par exemple).
Correction
On suppose les billets discernables. On appelle c1 , . . . , c5 les 5 billets de 5
e, d1 , . . . , d7 les 7 billets de 10 e et v1 , . . . , v10 les 10 billets de 20 e. On
note lensemble des billets B, avec
B = {c1 , . . . , c5 , d1 , . . . , d7 , v1 , . . . , v10 } .
Lunivers de lexprience alatoire, , est constitu de tous les ensembles
de 8 billets distincts, soit donc
= {{b1 , . . . , b8 } | i, bi B et j 6= i, bi 6= bj } .
La dfinition de lunivers est ici trs formelle. On peut se contenter dune
dfinition plus informelle, condition de bien faire ressortir dans celle-ci deux
lments cruciaux de lnonc : le nombre dlments choisis (ici 8) et la
nature du tirage. Ici, on indique quon tire une poigne de billets, ce qui
implique quil ny a pas de remise et quil ny a pas dordre. Ceci est traduit
mathmatiquement par le fait quon considre un ensemble de billets (et pas
une liste) et que les billets sont distincts. Ces deux mots cl (ensemble et
distinct) doivent imprativement apparatre dans la rponse. Il faut aussi faire
apparatre lensemble des objets dans lequel les sous-ensembles sont choisis (ici,
B).
Il faut maintenant dfinir la probabilit sur . Comme dans de nombreuses
situations, on fait une hypothse naturelle dquiprobabilit, ce qui transforme
le calcul dune probabilit en celui de la taille dun ensemble.
Correction
Les billets tant quiprobables, on suppose que la probabilit est uniforme
que et donc que pour tout vnement A, sa probabilit P(A) est donne
par
|A|
P(A) =
.
||
8 car il sagit de lensemble des sousOn sait que || est donn par C22
ensembles de cardinal 8 de lensemble B qui est lui mme de cardinal
22.
Notons quil est important de justifier brivement le choix de la probabilit

uniforme (comme cest fait ici) et de rappeler le mode de calcul des probabilits
dans cette situation.
Une fois lexprience dcrite par son univers et la probabilit associe,
on peut passer aux questions proprement dites. En gnral, les solutions
5
obtenues en sattaquant directement aux questions sans passer par la phase de
modlisation sont totalement fausses.
Correction
Soit lvnement A = {navoir aucun billet de 5 e}. Il est clair que A peut
aussi sexprimer
A = {avoir uniquement des billets de 10 e et de 20 e}.
On cherche donc les sous-ensembles de 8 billets distincts choisis dans B 0 ,
8 ,
lensemble des 17 billets de 10 e et 20 e. On en dduit alors que |A| = C17
puis que
P(A) =
8
17! 14!8!
C17
17 16 10
=
=
' 0, 076
8
9!8!
22!
22 21 15
C22
Notons que le rsultat attendu est simplement celui qui fait apparatre les
formules explicites pour les Cnp . La simplification du rsultat et la valeur
numrique approche ne doivent pas tre fournies en gnral.
On peut interprter le rsultat sous forme dun tirage squentiel. Il est clair
en effet que la probabilit de tirer un unique billet qui ne soit pas de 5 e est
de 17
22 . Si on tire ensuite un deuxime billet sans remettre le premier, il ne
reste plus que 21 billets, dont seulement 16 ne sont pas de 5 e. La probabilit
15
de ne pas tomber sur un billet de 5 e devient donc 16
21 , puis 20 et ainsi de
10
suite jusqu 15 pour le huitime billet. En formalisant ce raisonnement et en
sappuyant sur la notion de probabilits conditionnelles, on peut retrouver le
rsultat sur P(A). Il est cependant beaucoup plus simple de dterminer la taille
de A en sappuyant sur des proprits connues.
Notons quil ne faut surtout pas chercher dterminer la composition de
la poigne de billets ne contenant pas de billets de 5 e au risque de perdre
beaucoup de temps. Cet exercice se diffrencie donc dautres exercices dans
lesquels on tudie une partie complexe de en la dcomposant en parties
plus simples. Ici, on sintresse toujours des sous-ensembles de taille huit,
mais on change lensemble dont ils sont des parties : on passe de B tout entier
(lensemble des 22 billets) un sous-ensemble de B. On procde exactement de
la mme faon pour la question suivante.
Correction
Soit lvnement D = {obtenir uniquement des billets de 20 e}. On
cherche ainsi les sous-ensembles de taille 8 billets choisis dans lensemble
8 et
des 10 billets de 20 e. On donc |D| = C10
P(D) =
8
C10
10! 14!8!
=
' 1, 41 104 .
8
8!8! 22!
C22
La troisime question se traite dune faon assez diffrente car elle ncessite de
rcrire lvnement.
Correction
Soit lvnement
E = {obtenir au moins un billet de chaque valeur}.
On tudie son complmentaire F = E quon dcompose en deux sousvnements disjoints :
F1 = {obtenir des billets dune seule valeur}
F2 = {obtenir des billets de deux valeurs}.
F1 est en fait lvnement
F1 = {obtenir uniquement des billets de 20 e} = D,
car il ny a pas assez de billets de 5 e et de 10 e pour obtenir une poigne
de 8 billets compose uniquement de lune ou lautre des valeurs. On sait
8 . On dcompose F en trois sous-ensembles disjoints :
dj que |F1 | = C10
2
G5 = {obtenir des billets de 10 e et de 20 e, et pas de 5 e},
G10 = {obtenir des billets de 5 e et de 20 e, et pas de 10 e},
G20 = {obtenir des billets de 5 e et de 10 e, et pas de 20 e}.
On remarque que
G20 = {navoir aucun billet de 20 e}.
En effet, comme il y a strictement moins de 8 billets de 5 e et de 10 e, ne
pas obtenir de billet de 20 e implique dobtenir au moins un billet de 5
e et au moins un billet de 10 e. Daprs le raisonnement de la premire
8 .
question, on a donc |G20 | = C12
On remarque aussi que
G5 = {aucun billet de 5 e} \ {uniquement des billets de 20 e}.
8 , alors que daprs la
Daprs la question 1, |{aucun billet de 5 e}| = C17
8 . On a donc
question 2, |{uniquement des billets de 20 e}| = C10
8
8
|G5 | = C17
C10
.
7
Un raisonnement similaire conduit
8
8
|G10 | = C15
C10
.
Finalement, on a
|F | = |F1 | + |G5 | + |G10 | + |G20 |
8
8
8
8
8
8
= C10
+ C17
C10
+ C15
C10
+ C12
8
8
8
8
= C17
+ C15
+ C12
C10
On a donc
P(E) = 1 P(F ) = 1
8 + C8 + C8 C8
C17
15
12
10
' 0, 902.
8
C22
Cette question est beaucoup plus complexe que les prcdentes et peut conduire
des solutions fausses de faon malheureusement assez naturelle. Il est frquent
par exemple de confondre les vnements G5 et A. Or, dans G5 , on considre les
poignes qui ne contiennent pas de billet de 5 e mais qui contiennent aussi au
moins un billet de 10 e et au moins un billet de 20 e. Lvnement A est moins
restrictif car il demande seulement de ne pas avoir de billet de 5 e. On peut
donc obtenir une poigne ne contenant que des billets de 20 e. Pour trouver
|G5 |, on doit donc enlever de A les poignes ne contenant que des billets de 20
e.
Une autre erreur classique consiste essayer de construire les rsultats
de lexprience qui constituent lvnement tudi. Cette stratgie fonctionne
trs bien dans certaines situations, mais elle est parfois dlicate mettre en
uvre. Dans la question prcdente, on tudie donc des sous-ensembles de
8 billets contenant au moins un billet de chaque valeur. Pour obtenir un tel
sous-ensemble, on peut donc choisir un billet de 5 e (soit 5 possibilits), un
billet de 10 e (7 possibilits), un billet de 20 e (10 possibilits) et enfin 5
5 possibilits). Les
billets quelconques parmi les 19 billets restants (soit donc C19
5 faons de construire une
choix tant indpendants, on obtient 5 7 10 C19
poigne de 8 billets.
Le problme est quon construit de cette faon plusieurs fois les mmes
poignes, ce qui revient les compter plusieurs fois. Si on choisit par exemple les
billets (c1 , d1 , v1 ) puis la poigne {c2 , c3 , d2 , d3 , v2 }, on obtient la mme poigne
que si on commence par choisir (c2 , d2 , v2 ) puis la poigne {c1 , c3 , d1 , d3 , v1 }.
5 = 4 069 800 alors que C 8 = 319 770 : on compte donc
En fait 5 7 10 C19
22
de trs nombreuses fois les mmes poignes. Il faudrait ainsi trouver un moyen
dviter ces constructions redondantes, ce qui est assez complexe. La meilleure
solution reste alors la technique de dcomposition utilise dans la correction.
Le traitement de la question 4 ncessite lintroduction dun nouvel univers.
Comme indiqu plus haut, cette tape est indispensable pour obtenir des
rsultats corrects.
Correction
Le tirage tant maintenant squentiel, on obtient une liste de billets. De
plus, comme les billets sont remis dans le sac, on peut obtenir plusieurs
fois le mme. Lunivers est donc le produit cartsien B 8 , soit
= {(b1 , . . . , b8 ) | i, bi B}.
Comme dans la dfinition du premier univers, on attend ici des expressions cl
importantes : liste (par opposition ensemble et pour tenir compte de lordre
dans le tirage) et plusieurs fois le mme (par opposition distinct et pour
traduire la remise entre chaque tirage).
On introduit ensuite la probabilit sur .
Correction
Comme dans les questions prcdents, on utilise la probabilit uniforme
sur , ce qui demande le calcul du cardinal de cet ensemble. Comme cest
un produit cartsien, on a
|| = |B|8 = 228 .
Le calcul des trois probabilits se fait ensuite assez facilement en utilisant les
mmes raisonnements que dans la premire exprience, avec les adaptations
ncessaires au mode de tirage.
Correction
On considre lvnement A = {navoir aucun billet de 5 e}. Comme pour
la question 1, il sagit de trouver les tirages ne contenant que des billets
de 10 e et de 20 e. On cherche donc les listes de 8 billets choisis dans
B 0 , lensemble des billets de 10 e et de 20 e. On a donc clairement
|A| = |B 0 |8 = 178 . Donc
P(A) =
178
' 0, 127.
228
De mme, lvnement D = {obtenir uniquement des billets de 20 e} se

traite comme la question : il sagit de trouver des listes de 8 billets choisis
parmi les 10 billets de 20 e. On a clairement 108 listes de ce type, ce qui
conduit
108
P(D) = 8 ' 1, 82 103 .
22
Enfin, lvnement
E = {obtenir au moins un billet de chaque valeur},
9
se traite par dcomposition exactement comme dans la question 3. En utilisant les mmes notations, on cherche donc la taille de son complmentaire
F en passant par F1 et F2 . Une diffrence avec la question 3 est quon
peut obtenir ici des listes de 8 billets contenant uniquement des billets
de 5 e, ou uniquement des billets de 10 e car on remet les billets. On
dcompose donc F1 en trois sous-vnements disjoints :
H5 = {obtenir uniquement des billets de 5 e},
H10 = {obtenir uniquement des billets de 10 e},
H20 = {obtenir uniquement des billets de 20 e}.
Dans chaque cas, on cherche des listes constitues uniquement des billets
dun catgorie, ce qui conduit un ensemble contenant k 8 listes si on
considre k billets. On a donc
|H5 | = 58 ,
|H10 | = 78 ,
|H20 | = 108 .
Le calcul des cardinaux de G5 , G10 et G20 se fait selon les mmes principes
que dans la question 3 : on compte dabord le nombre de listes ne contenant
pas de billets de la valeur non souhaite, puis on enlve au total le nombre
de listes composes uniquement dun type de billet. On obtient ainsi :
|G5 | = (7 + 10)8
| {z }
pas de 5 e
8
78
|{z}
uniquement des 10 e
8
108
|{z}
uniquement des 20 e
|G10 | = (5 + 10) 5 10 ,
|G20 | = (5 + 7)8 58 78 .
Finalement, on a
|F | = |H5 | + |H10 | + |H20 | + |G5 | + |G10 | + |G20 |,
= 178 + 158 + 128 58 78 108 ,
ce qui donne
P(E) = 1 P(F ) = 1
178 + 158 + 128 58 78 108

' 0, 820.
228
Chapitre 2
Conditionnement et
indpendance
Exercice 2.1
nonc On considre le jeu suivant : le joueur lance dabord un d non truqu.
Il tire ensuite un jeton dans une urne choisie en fonction du rsultat du d.
Lurne A est choisie quand le d donne 1, 2 ou 3, lurne B quand on obtient 4
ou 5 et lurne C quand on obtient 6. Les urnes contiennent les jetons suivants :
urne A : deux jetons rouges, trois jetons bleus ;
urne B : deux jetons bleus, quatre jetons verts ;
urne C : un jeton vert, un jeton rouge.
Question 1 Quelle est la probabilit dobtenir un jeton rouge par ce procd ?
Question 2 On obtient un jeton vert. Quelle est la probabilit que ce jeton
soit issu de lurne B ?
Question 3 On obtient un jeton bleu. Quelle est la probabilit que le lancer
du d ait donn 3 ?
Question 4 Quelle est la probabilit de ne pas obtenir un jeton vert, sachant
que le lancer du d a donn 3 ou 6 ?
Question 5 Est-ce que lvnement choisir dans lurne C et lvnement
obtenir un jeton rouge sont indpendants ? Justifiez votre rponse.
La rsolution de lexercice passe comme toujours par une premire phase

de modlisation dans laquelle on traduit lnonc sous forme dhypothses
mathmatiques.
11
12
Chapitre 2. Conditionnement et indpendance
Correction
On considre les vnements R, Bl et V qui correspondent respectivement
lobtention dun jeton rouge, bleu ou vert la fin de lexprience. On
considre aussi les vnements A, B et C correspondant respectivement
lutilisation des urnes dsignes par les mmes lettres.
Comme le d utilis nest pas truqu, on suppose que la probabilit sur
lensemble des faces du d {1, . . . , 6} est uniforme. Daprs lnonc, on a
P(A|{le d donne 1, 2 ou 3}) = 1,
P(A|{le d donne 4, 5 ou 6}) = 0.
La probabilit conditionnelle sur P(A|{le d donne 1, 2 ou 3}) est la traduction
naturelle de la relation dterministe (cest--dire non alatoire) entre rsultat
du lancer de d et le choix de lurne. De faon gnrale, on traduit un nonc
de la forme si U alors V en P(V |U ) = 1.
Correction
Comme les vnements {le d donne 1, 2 ou 3} et {le d donne 4, 5 ou 6}
sont disjoints et que leur union forme lunivers tout entier (du point de
vue du lancer du d), on peut appliquer la loi des probabilits totales. On
a donc
P(A) =P(A|{le d donne 1, 2 ou 3})P({le d donne 1, 2 ou 3})
+ P(A|{le d donne 4, 5 ou 6})P({le d donne 4, 5 ou 6}).
On a donc aprs simplification
P(A) = P({le d donne 1, 2 ou 3}) =
|{1, 2, 3}|
1
= .
|{1, 2, 3, 4, 5, 6}|
2
De la mme faon, on obtient

1
P(B) = ,
3
1
P(C) = .
6
On peut obtenir les probabilits des trois vnements A, B et C dune autre
faon en sappuyant sur la notion de variable alatoire, voir le chapitre 3. Dans
tous les cas, il est indispensable de sappuyer sur des proprits connues et des
dfinitions prcises. Ici, on utilise la loi des probabilits totales. On commence
donc par indiquer que les hypothses de celle-ci sont remplies (vnements
disjoints et dont lunion est lunivers), puis on applique la loi. On ne peut pas
se contenter de donner directement le rsultat de cette application.
13
Correction
Considrons le tirage dun jeton dans lurne A. Lunivers correspondant
A scrit
A = {r1 , r2 , b1 , b2 , b3 },
o r1 et r2 sont les jetons rouges, et b1 , b2 , et b3 les jetons bleus. Les
jetons sont supposs discernables pour faciliter lanalyse. En labsence
dhypothse particulire sur les urnes et les jetons, on suppose que la
probabilit sur A , PA , est uniforme. On a donc
PA (R) = PA ({r1 , r2 }) =
|{r1 , r2 }|
2
= .
|{r1 , r2 , b1 , b2 , b3 }|
5
De la mme faon, on trouve

3
PA (Bl) = ,
5
PA (V ) = 0.
On a donc
2
P(R|A) = ,
5
3
P(Bl|A) = ,
5
P(V |A) = 0.
Un raisonnement similaire permet de calculer les autres probabilits conditionnelles comme par exemple P(Bl|B) que nous utiliserons pour rpondre
aux questions.
On note ici un passage de PA P(.|A) : il sagit de lutilisation directe de la
notion de probabilit conditionnelle. Quand on travaille dans lurne A, on fait
implicitement lhypothse que lvnement A a eu lieu. Toute lanalyse conduite
sur lurne A, en particulier son univers A et la probabilit associe PA , nest
donc valide que conditionnellement lvnement A. Les probabilits quon
obtient sont donc des probabilits conditionnelles.
La modlisation tant termine, on peut passer la rsolution des questions.
Correction
Pour obtenir la probabilit de R (obtention dun jeton rouge), on utilise
dabord la loi des probabilits totales relativement aux vnements A, B
et C. En effet, ces trois vnements sont disjoints et leur union forme
14

lunivers tout entier (puisquon choisit toujours une urne). On a donc
P(R) = P(R|A)P(A) + P(R|B)P(B) + P(R|C)P(C).
Il nous reste calculer P(R|B) et P(R|C). Or lurne B ne contient pas de
jeton rouge, ce qui donne P(R|B) = 0. En appliquant le mme raisonnement
que celui appliqu lurne A, on obtient que P(R|C) = 12 , car il y a deux
jetons dans lurne C dont un seul est rouge. On a donc
P(R) =
2 1
1 1 1
17
+0 + = .
5 2
3 2 6
60
Comme dans la phase danalyse, il est indispensable de bien sappuyer sur

des proprits connues des probabilits. En fait, cest encore plus crucial ici
que dans le calcul de P(A) par exemple. En effet, le recours aux probabilits
conditionnelles dans le calcul des probabilits des trois urnes est trs rigoureux,
mais on peut accepter une solution plus intuitive qui consiste simplement
traduire lvnement A en un vnement correspondant pour le lancer du d.
On peut dire en effet que
{obtenir lurne A} = {le d donne 1, 2 ou 3},
puis calculer P(A) par simple dnombrement. Ce type de raisonnement nest
pas applicable pour la question 1 qui ncessite au contraire lutilisation de la
loi des probabilits totales.
Correction
On cherche donc calculer P(B|V ). On applique la rgle de Bayes qui
donne
P(V |B)P(B)
P(B|V ) =
.
P(V )
En appliquant toujours le mme raisonnement, on voit que P(V |B) = 46 = 23
car lurne B contient 6 jetons dont 4 sont verts. Pour calculer enfin P(V ),
on applique de nouveau la loi des probabilits totales qui donne
P(V ) = P(V |A)P(A) + P(V |B)P(B) + P(V |C)P(C).
Comme lurne A ne contient pas de jeton vert, on a P(V |A) = 0. On a
aussi P(V |C) = 12 car lurne C contient 2 jetons dont un est vert. On a
donc
1 2 1 1 1
11
P(V ) = 0 + + = ,
2 3 3 2 6
36
ce qui conduit
2
1
8
P(B|V ) = 3 11 3 = .
11
36
15
On note deux points importants dans la solution. Il faut dabord traduire
correctement lnonc : ici on sait que V a eu lieu puisquon a obtenu un jeton
vert. On demande alors la probabilit de B, ce qui sous-entend quon cherche
la probabilit conditionnelle de cet vnement ou, en dautres termes, quon
cherche la probabilit de B sachant que V a eu lieu. On doit donc calculer
P(B|V ).
Cette grandeur tant inconnue, on utilise loutil classique pour se ramener
des grandeurs connues, savoir la rgle de Bayes (il faut imprativement
rappeler le nom de cette rgle pour lutiliser). Elle permet en effet de renverser
le conditionnement : on passe ici de P(B|V ) P(V |B). Or, cette deuxime
grandeur est connue puisquelle se dduit du protocole suivi dans lexprience.
La question suivante se traite exactement de la mme manire : on utilise
la rgle de Bayes et la loi des probabilits totales pour calculer les probabilits
conditionnelles recherches.
Correction
On cherche calculer P({le d donne 3}|Bl). En notant {3} lvnement
sur le d, la rgle de Bayes donne
P({3}|Bl) =
P(Bl|{3})P({3})
.
P(Bl)
En appliquant {3} le mme raisonnement qu A, on a

3
P(Bl|{3}) = ,
5
car lvnement {3} conduit un tirage dun jeton dans lurne A qui en
contient 5 donc 3 sont bleus. Dautre part, comme le d nest pas truqu,
on a P({3}) = 16 . Enfin, on calcule P(Bl) par lintermdiaire de la loi des
probabilits totales, ce qui donne
P(Bl) = P(Bl|A)P(A) + P(Bl|B)P(B) + P(Bl|C)P(C).
Or, P(Bl|C) = 0 car lurne C ne contient pas de jeton bleu, et P(Bl|C) =
2
1
6 = 3 car lurne B contient 6 jetons donc 2 bleus. On a donc
P(Bl) =
3 1 1 1
1
37
+ +0 = ,
5 2 3 3
6
90
ce qui conduit
P({3}|Bl) =
3
5
37
90
1
6
9
.
37
Ltude dun vnement sur le d plutt que sur lurne demande un peu
dattention : il faut en effet justifier que P(Bl|{3}) = P(Bl|A) ce qui se fait
16
simplement en indiquant quon raisonne de la mme faon dans les deux cas.
On sait en effet que lobtention dun 3 conduit utiliser lurne A et donc
aux probabilits conditionnelles dj calcules. Il faut simplement bien faire
attention de considrer P(Bl|{3}) dans les calculs, et pas P(Bl|A), pour viter
toute confusion.
La question suivante est un peu plus subtile. Elle est destine tester
les connaissance sur les probabilits conditionnelles. En effet, si U et V sont
deux vnements disjoints, on pourrait croire que pour un autre vnement W ,
P(W |U ou V ) est gal la somme de P(W |U ) et P(W |V ), ce qui est faux en
gnral. En revanche, comme une probabilit conditionnelle est une probabilit,
on a bien
P(U ou V |W ) = P(U |W ) + P(U |V ),
quand U et V sont disjoints. En utilisant la rgle de Bayes ou la dfinition des
probabilits conditionnelles, on peut donc calculer P(W |U ou V ), mais cest
un peu plus complexe quon pourrait le croire de prime abord.
Correction
On cherche donc P(V |D) avec
D = {le d a donn 3 ou 6}.
En utilisant le fait que P(V |D) = 1 P(V |D), on se ramne au calcul de
P(V |D). Or, par dfinition des probabilits conditionnelles, on a
P(V |D) =
P(V D)
P(V {3}) + P(V {6})
=
,
P(D)
P({3}) + P({6})
la deuxime galit provenant du fait que D est lunion disjointe des deux
vnements {3} et {6} (qui dsignent respectivement lobtention dun 3 et
dun 6).
On sait que P(V {3}) = 0 puisque lobtention dun 3 conduit utiliser
lurne A qui ne contient pas de jeton vert. Dautre part, en appliquant de
nouveau la dfinition des probabilits conditionnelles, on a
P(V {6}) = P(V |{6})P({6}).
Or, lobtention dun 6 conduit utiliser lurne C et donc choisir un jeton
parmi deux jetons (dont un est vert). On a donc P(V |{6}) = 12 . On en
dduit donc
0+ 1 1
1
P(V |D) = 1 2 1 6 = ,
4
6 + 6
et donc finalement que P(V |D) = 34 .
La dernire question est essentiellement une question de cours.
17
Correction
Deux vnements U et V sont indpendants si et seulement si P(U V ) =
P(U )P(V ). On considre donc lvnement C R. Par dfinition des
probabilits conditionnelles, on a
P(C R) = P(R|C)P(C) =
Or, daprs la question 1, P(R) =
P(R) P(C) =
17
60 ,
1 1
.
2 6
donc
17 1
6= P(C R).
60 6
De ce fait, les deux vnements considrs ne sont pas indpendants.
Exercice 2.2
nonc Un fabricant prpare des films de protection dcran pour tlphones
portables. Il retient trois longueurs pour la diagonale des crans (et donc pour
les films), 4 pouces, 4,7 pouces et 5 pouces. On se limite ici aux possesseurs
de tlphones avec ces trois tailles dcran. Une tude de march indique au
fabricant que les crans de 4 pouces quipent 30 % des tlphones. Cette tude
lui indique aussi que 30 % des possesseurs dcran 4 pouces ont une protection
dcran. Cest aussi le cas de 25 % des possesseurs dcran 4,7 pouces et de
40 % des possesseurs dcran 5 pouces.
Question 1 Sachant que 34 % des possesseurs de tlphone possdent une
protection dcran, calculer le pourcentage de possesseurs dcran de 4,7 pouces
et de 5 pouces.
Question 2 On considre un possesseur de protection dcran. Calculer la
probabilit quil possde un tlphone avec un cran de 5 pouces.
Question 3 On considre maintenant une personne possdant une protection
dcran et dont le tlphone na pas un cran de 4,7 pouces. Calculer la probabilit
quelle possde un tlphone avec un cran de 5 pouces.
Dans cet nonc, on utilise volontairement un vocabulaire imprcis du point de

vue mathmatique, en parlant de pourcentage plutt que de probabilit. On
interprte alors ces pourcentages comme des probabilits afin de bnficier des
rsultats classiques comme la loi des probabilits totales et la rgle de Bayes.
La rsolution passe donc par une phase de modlisation mathmatique avant
mme de pouvoir songer rpondre aux questions.
18
Correction
On appelle lensemble de tous les possesseurs de tlphone pris en
compte dans ltude. Lexprience alatoire consiste choisir au hasard
une personne dans cet ensemble. Lnonc se traduit alors comme suit :
on note E4 lvnement la personne choisie possde un tlphone
avec un cran de 4 pouces (idem pour E4,7 et E5 ) ;
on note P E lvnement le tlphone de la personne choisie possde
une protection dcran ;
on a
P(E4 ) = 0,3,
P(P E|E4 ) = 0,3,
P(P E|E4,7 ) = 0,25,
P(P E|E5 ) = 0,4.
Notons que sans la modlisation effectue ci-dessus, la rsolution de lexercice
devient dlicate et hasardeuse. Il faut aussi que la modlisation soit juste !
Il est ainsi frquent dinverser le conditionnement lors de la traduction de
lnonc. Ici, on parle par exemple des possesseurs dcran 4 pouces , ce qui
sous-entend que lvnement E4 est ralis de faon sre. On est donc bien en
train de spcifier P(P E|E4 ) et non pas P(E4 |P E). Pour donner une indication
sur cette dernire probabilit, on aurait crit quelque chose comme parmi
les possesseurs de protection dcran, x % possdent un cran 4 pouces , soit
donc P(P E|E4 ) = x. Dans tous les cas, il faut imprativement identifier ce qui
est certain pour dterminer lvnement de conditionnement.
Correction
Lnonc prcise que P(P E) = 0,34. Or, les vnements E4 , E4,7 et E5
forment une partition de (daprs lnonc, le fabricant se limite ces
tailles), on peut appliquer la loi des probabilits totales, ce qui donne :
P(P E) = 0,34,
= P(P E|E4 )P(E4 ) + P(P E|E4,7 )P(E4,7 ) + P(P E|E5 )P(E5 ),
= 0,9 + 0,25 P(E4,7 ) + 0,4 P(E5 ).
Pour la mme raison, on a P(E4 ) + P(E4,7 ) + P(E5 ) = 1. On obtient ainsi
deux quations deux inconnues :
0,25 = 0,25 P(E4,7 ) + 0,4 P(E5 ),
0,7 = P(E4,7 ) + P(E5 ).
19
En soustrayant la deuxime quation la premire multiplie par 4, on
obtient :
0,3 = 0,6P(E5 ),
soit P(E5 ) = 0,5 et donc P(E4,7 ) = 0,2.
La rsolution ci-dessus ne comporte pas de difficult particulire. Il faut bien
entendu invoquer la loi des probabilits totales en prcisant que ses conditions
dapplication sont bien vrifies. Attention, il faudrait en toute rigueur dire
quon suppose que les vnements E4,7 et E5 sont tous deux de probabilit non
nulle, car cette condition est ncessaire pour appliquer la loi.
Correction
On cherche ici P(E5 |P E). En appliquant la rgle de Bayes, on obtient :
P(E5 |P E) =
P(P E|E5 )P(E5 )

0,4 0,5
10
=
=
' 0,59.
P(P E)
0,34
17
De nouveau, ce calcul ne prsente aucune difficult, mais il faut justifier son

utilisation (application de la rgle de Bayes). Comme pour la loi des probabilits
totales, il faudrait en toute rigueur rappeler que la rsultat sapplique car
P(P E) > 0.
Correction
On cherche enfin la valeur de P(E5 |P E E4,7 ). On remarque que P E
E4,7 E5 = P E E5 car E4,7 = E4 E5 et que cette dernire union est
disjointe. Donc, en appliquant la dfinition des probabilits conditionnelles,
on obtient :
P(E5 |P E E4,7 ) =
P(P E E4,7 E5 )
P(P E E5 )
=
.
P(P E E4,7 )
P(P E E4,7 )
Or, en appliquant de nouveau la dfinition des probabilits conditionnelles,

on obtient :
P(P E E5 ) = P(P E|E5 )P(E5 ) = 0,4 0,5 = 0,2.
De plus, daprs lcriture de E4,7 comme lunion disjointe E4 E5 et en
appliquant encore la dfinition des probabilits conditionnelles, on a
P(P E E4,7 ) = P(P E E5 ) + P(P E E4 )
= P(P E|E5 )P(E5 ) + P(P E|E4 )P(E4 ),
= 0,2 + 0,3 0,3,
= 0,29.
20

Finalement, on obtient
P(E5 |P E E4,7 ) =
0,2
20
=
' 0,69.
0,29
29
La dernire question ne comporte pas non plus de difficult spcifique. Cependant, elle peut paratre surprenante, notamment parce quon nutilise pas pour
sa rsolution la rgle de Bayes ou la loi des probabilits totales. Ceci vient
du fait que lvnement de conditionnement P E E4,7 mlange une cause
(la taille de lcran) et une consquence (la possession dune protection
dcran). De ce fait, la probabilit associe ce conditionnement est totalement
inconnue. En passant par la rgle de Bayes, on obtiendrait :
P(E5 |P E E4,7 ) =
P(P E E4,7 |E5 )P(E5 )

,
P(P E E4,7 )
ce qui naide pas beaucoup, seule P(E5 ) tant connue. En particulier, le calcul
de P(P E E4,7 |E5 ) nest pas plus facile que celui de la probabilit dorigine,
notamment parce quon ne sait rien de particulier sur lvnement P E E4,7 .
Autrement dit, le passage pas la rgle de Bayes ne fait ici que compliquer le
calcul.
Exercice 2.3
nonc Dans une sordide affaire, les polices scientifiques de Las Vegas, Miami
et Manhattan cooprent afin de confondre le coupable. Sur les lieux du crime, il
y avait onze personnes prsentes, et il ny a pas de doute que le coupable est
parmi elles. On trouve sur les lieux du crime un fragment de cheveu qui ne peut
appartenir quau coupable. Les quipes de Manhattan et de Miami mettent en
place deux tests pour identifier le coupable partir de ce fragment. Les deux
tests sont positifs avec certitude si la personne teste est le coupable, mais les
deux tests sont galement positifs dans 10 % des cas si la personne teste est
innocente.
Question 1 (question prliminaire) Montrer que pour toute probabilit et pour
deux vnements E1 et E2 tels que P(E1 ) = 1 et P(E2 ) = 1 alors P(E1 E2 ) = 1.
Pour la suite, on notera pour une personne prise au hasard :
T1 : lvnement le test 1 est positif
T2 : lvnement le test 2 est positif
C : lvnement la personne est coupable
On suppose que chaque suspect la mme probabilit que les autres dtre choisi
au hasard parmi les onze suspects.
Question 2 Donner une criture simple de lvnement I : La personne est
innocente et de lvnement T : les rsultats aux deux tests (1 et 2) sont
positifs .
21
Question 3 Quelle est la probabilit quun suspect pris au hasard soit le coupable sachant que le test 1 est positif ?
Pour la suite de lexercice, on admettra, du fait de la symtrie du problme, que
P(C|T2 ) = P(C|T1 ). Les deux quipes de Manhattan et de Miami se rendent
compte que pour les personnes innocentes un rsultat positif avec le test 1
et un rsultat positif avec le test 2 sont des vnements indpendants. Plus
formellement T1 et T2 sont conditionnellement indpendants sachant I.
Question 4 Grce au rsultat de la question 1, dterminez la probabilit que
les tests 1 et 2 soient tous les deux positifs sachant que la personne est coupable.
Question 5 En appliquant la formule des probabilits totales T1 , T2 et T1 T2 ,
dterminez si en gnral T1 et T2 sont indpendants.
Question 6 Quelle est la probabilit davoir affaire au coupable lorsque les
deux tests 1 et 2 sont administrs une mme personne et sont positifs ?
Question 7 Lquipe de Las Vegas entre en scne et imagine un autre test (le
test 3) qui est tel quaucune personne non-coupable ne puisse tre positive
la fois au test 2 et au test 3. Comme les deux autres tests, le test 3 est positif
avec certitude si la personne teste est coupable. Proposez une procdure pour
dcouvrir de manire certaine le coupable (et justifiez).
Cet nonc est reprsentatif du raisonnement probabiliste. Il est assez dlicat car
il fait intervenir la notion dindpendance conditionnelle. Ceci dit, la premire
question est lmentaire et ne demande que dappliquer les proprits classiques
des probabilits.
Correction
On sait que pour deux vnements quelconques
P(E1 E2 ) = P(E1 ) + P(E2 ) P(E1 E2 ),
et donc ici
P(E1 E2 ) = 1 + 1 P(E1 E2 ).
Or une probabilit est toujours infrieure ou gale 1, donc P(E1 E2 )
1, et donc 2 P(E1 E2 ) 1. Comme P(E1 E2 ) 1, on obtient
P(E1 E2 ) = 1 (ainsi que P(E1 E2 ) = 1, dailleurs).
La deuxime question est aussi assez lmentaire et repose sur la traduction
des formules logiques en oprations ensemblistes.
Correction
On a clairement I = C car on est soit coupable, soit innocent. On a aussi
de faon vidente T = T1 T2 .
22
La troisime question demande de traduire lnonc mathmatiquement, puis

dappliquer les rsultats classiques dans ce genre de situation (rgle de Bayes
et formule des probabilits totales).
Correction
On a 11 suspects (qui forment ) et le choix dun suspect dans la liste est
quiprobable. Comme il ny a quun coupable, la probabilit de C est donc
1
10
P(C) = |C|
|| = 11 (et donc P(I) = 11 ). Si la personne teste est le coupable,
les tests le dtectent avec certitude, donc P(T1 |C) = P(T2 |C) = 1. Enfin,
si la personne est innocente, les tests sont tout de mme vrais avec une
probabilit de 10 %. Donc P(T1 |I) = P(T2 |I) = 0,1.
On cherche P(C|T1 ). En appliquant la rgle de Bayes, on sait que
P(C|T1 ) =
P(T1 |C)P(C)
.
P(T1 )
Dans cette formule, seule P(T1 ) nest pas connue. On lobtient en appliquant
la rgle des probabilits totales (C,I) (qui sont complmentaires). On
obtient
P(T1 ) = P(T1 |C)P(C) + P(T1 |I)P(I),
1
10
=1
+ 0,1 ,
11
11
2
= .
11
Ceci nous permet de vrifier au passage que P(.|T1 ) est bien dfinie. On
en dduit de plus que
P(C|T1 ) =
1
2
11
1
11
1
= .
2
On note au passage quen retenant un suspect en raison du rsultat dun seul

test, on na tout de mme une chance sur deux de le dclarer coupable tort.
Cela est du au fait quil y a beaucoup plus dinnocents que de coupables dans
la population (10 fois plus ici) et la probabilit non ngligeable dun faux
positif (le test est positif alors que la personne est innocente).
Remarquons aussi que le rsultat admis dans lnonc P(C|T1 ) = P(C|T2 )
est trs facile obtenir puisque les calculs pour T2 sont exactement les mmes
que pour T1 .
La question suivante est trs simple en pratique mais dlicate conceptuellement. Il faut en effet bien comprendre que pour tout vnement A tel que
P(A) > 0, le conditionnement par A correspond la construction dune nouvelle probabilit sur , P(.|A). Or, la question 1 sapplique tout et toute
probabilit sur , donc en particulier aux probabilits conditionnelles.
23
Correction
On sintresse P(T1 T2 |C). Comme P(.|C) est une probabilit comme
une autre, on peut lui appliquer le rsultat de la question 1. On sait en
effet que P(T1 |C) = P(T2 |C) = 1 et donc P(T1 T2 |C) = 1.
On demande trs souvent de dterminer si deux vnements sont indpendants.
Ici la difficult vient du fait quil faut sappuyer sur tout ce qui est connu sur
les hypothses formules sur les probabilits conditionnelles P(.|C) et P(.|I)
alors quen gnral, on se contente dun calcul numrique simple.
Correction
Pour tudier lindpendance entre T1 et T2 , on calcule P(T1 T2 ). Pour
cela on applique la rgle des probabilits totales pour le couple (C, I). On
a donc
P(T1 T2 ) = P(T1 T2 |C)P(C) + P(T1 T2 |I)P(I).
On sait que P(T1 T2 |C) = 1 (question prcdente). De plus T1 et T2 sont
conditionnellement indpendants sachant I, donc
P(T1 T2 |I) = P(T1 |I)P(T2 |I) = 0,1 0,1 = 0,01.
Donc finalement
P(T1 T2 ) = 1
1
10
1
+ 0,01
= .
11
11
10
2
Nous avons dj calcul P(T1 ) = 11
la question 3. Par symtrie, P(T 2) =
4
1
P(T1 ) et donc P(T1 ) P(T2 ) = 121 6= 10
. On en dduit donc que T1 et T2
ne sont pas indpendants.
La question suivante est plus classique et sappuie naturellement sur la rgle

de Bayes.
Correction
En appliquant la rgle de Bayes, on a
P(C | T1 T2 ) =
P(T1 T2 | C)P(C)
.
P(T1 T2 )
Toutes les valeurs ont t calcules dans les questions prcdentes et on a

donc
1
1 11
10
P(C | T1 T2 ) =
= .
1
11
10
24

On constate une nette amlioration par rapport lutilisation dun seul
test.
La dernire question est formule de faon ouverte. Il est important dans ce type
de situation de commencer par formuler de faon mathmatique les nouvelles
hypothses, avant mme de chercher une solution. Ces hypothses conduisent
en gnral de faon assez directe une solution naturelle, comme cest le cas
ici.
Correction
On note T3 lvnement le test 3 est positif . Daprs lnonc, on a
P(T2 T3 I) = 0,
car il est impossible dtre la fois innocent et dobtenir un rsultat positif
aux tests 2 et 3. Il semble donc naturel dtudier la probabilit dtre
coupable sachant T2 T3 , soit P(C|T2 T3 ). Notons que cette probabilit
est bien dfinie car C T2 T3 et P(C) > 0. Par la rgle de Bayes, on a
donc
P(T2 T3 |C)P(C)
P(C|T2 T3 ) =
P(T2 T3 )
Or, on a
T2 T3 = (T2 T3 I) (T2 T3 C),
et lunion est disjointe. Donc, daprs lnonc,
P(T2 T3 ) = P(T2 T3 C),
et daprs la dfinition des probabilits conditionnelles
P(T2 T3 C) = P(T2 T3 |C)P(C),
et donc
P(C|T2 T3 ) = 1.
On trouve donc le coupable avec certitude en considrant le seul suspect
pour lequel les tests 2 et 3 donnent un rsultat positif.
Notons que dans cette dernire question, la vrification de P(T2 T3 ) > 0 est
un point crucial. En effet, on pourrait trs bien avoir P(T2 T3 ) = 0, soit donc
bien P(T2 T3 C) = 0. Il est donc important de sassurer que le test 3 est
toujours positif pour le coupable. Si on relchait cette hypothse, rien dans
lnonc ne permettrait de conclure.
Chapitre 3
Variables alatoires discrtes

3.1
Loi, fonction de rpartition, esprance et

variance
Exercice 3.1
nonc Pour les jeux suivants, on utilise un d quatre faces numrotes
0, 2, 3 et 5. On dispose aussi dune urne contenant trois billes numrotes
respectivement 1, 3 et 5.
Dans premier jeu, on procde de la faon suivante : on lance le d puis on
tire une bille. Si le d donne 0, on ne gagne rien. Sinon, on gagne 5 e si le d
et la bille portent le mme numro. Sinon, on gagne 1 e.
Question 1 Donner lunivers 1 et la probabilit associs lexprience alatoire.
Soit X la variable alatoire correspondant au gain du joueur.
Question 2 Donner la dfinition de X sous forme dune fonction (on pourra
utiliser un tableau) et expliciter X(1 ).
Question 3 Donner la loi de X et son esprance E(X).
Le second jeu est plus complexe. On lance un d puis on place dans lurne une
bille portant le numro de la face obtenue lors du lancer du d (par exemple,
on place une deuxime bille portant un 3 si on obtient 3). On tire ensuite une
bille dans lurne ainsi modifie. Le gain en euros est alors le montant indiqu
sur la bille obtenue. On note Y la variable alatoire correspondante.
Question 4 Donner Y (2 ) (il nest pas ncessaire de dcrire explicitement
2 , mme si cela peut tre utile).
Question 5 Donner la loi de Y .
Question 6 Donner E(Y ). Lorganisateur qui propose ce jeu demande de
payer 3 e pour jouer une fois. Quelle est sa rmunration moyenne ?
25
26
Chapitre 3. Variables alatoires discrtes
La premire question est trs classique et nappelle pas de commentaire particulier (il faut toujours une rdaction rigoureuse, bien entendu).
Correction
Lexprience consiste lancer un d dont les faces sont F = {0, 2, 3, 5}
puis choisir une bille dans lensemble B = {1, 3, 5}. Lunivers est alors
lensemble des couples obtenus, soit
1 = F B.
En absence dindication particulire dans lnonc, on considre que le d et
lurne ne sont pas truqus et donc que la probabilit P sur 1 est uniforme.
|A|
Pour tout A 1 , on a donc P(A) = |
. On a de plus |1 | = 12.
1|
Quand une variable alatoire est dfinie explicitement comme cest le cas ici,
il est trs important de bien prciser son comportement, notamment quand
lunivers est suffisamment petit pour permettre un calcul exhaustif.
Correction
Le tableau suivant donne le rsultat du d en ligne, celui du tirage dans
lurne en colonne et la valeur de X chaque intersection :
F/B
0
2
3
5
1
0
1
1
1
3
0
1
5
1
5
0
1
1
5
Daprs lnonc, les gains sont soit 0 e, soit 1 e, soit enfin 5 e. De ce

fait, on a clairement
X() = {0, 1, 5}.
Notons que X() est obtenu ici directement partir de lnonc. Si la variable
alatoire avait t plus complexe, on se serait bas sur le tableau donnant ses
valeurs en fonction de .
Correction
Pour calculer la loi de X, il faut dterminer PX ({x} pour tout x X().
3.1. Loi, fonction de rpartition, esprance et variance
27
Par exemple ici, on constate que

PX ({0}) = P(X 1 ({0})
par dfinition de PX
= P({0} {1, 3, 5})

|{0} {1, 3, 5}|
=
|1 |
3
1
=
= .
12
4
par dfinition de X
car P est uniforme
En procdant de la mme manire pour 1 et 5, on obtient la loi suivante

x
P(X = x)
1
4
7
12
1
6
Lesprance de X est alors

E(X) = 0
1
7
1
+1
+5 ,
4
12
6
17
.
12
On applique ici simplement les dfinitions. Comme toujours, il est important
de justifier les calculs. Ceci ncessite le rappel de la dfinition de PX (comme
ci-dessus, on peut se contenter dexpliciter un calcul) et celui de E(X) (comme
ci-dessus, il suffit de donner la formule applique au cas concret).
=
Correction
Commenons par expliciter 2 . Chaque tirage constitue une paire de deux
chiffres, la face du d et le numro de la bille. Cependant, il est important
de distinguer les billes qui portent le mme numro afin de pouvoir faire
lhypothse duniformit. Pour faciliter lcriture, on dcompte 2 en 4
sous ensembles, Of avec f F en fonction du rsultat du d. On obtient
ainsi :
O0 = {0} {0, 1, 3, 5},
O2 = {2} {1, 2, 3, 5},
O3 = {3} {1, 31 , 32 , 5},
O5 = {5} {1, 3, 51 , 52 },
et 2 = 00 O2 O3 O5 . On a not 31 et 32 les deux billes portant la
valeur 3 (idem pour 51 et 52 ). Par symtrie du problme, et sans mention
spcifique dans lnonc, il est naturel de supposer que la probabilit est
uniforme sur 2 .
Cette partie de lexercice est plus dlicate en tant quexprience compose
et en raison des valeurs identiques sur certaines billes. Comme toujours dans
28
cette seconde situation, il faut supposer les billes discernables car cest la
seule solution simple pour dfinir la probabilit. Lexprience se faisant en deux
temps, il serait plus rigoureux de passer par les probabilits conditionnelles pour
dterminer la probabilit sur 2 . On crirait ainsi que P(f et b) = P(b|f )P(f )
o f dsigne lvnement obtenir la face f par le lancer du d et b dsigne
lvnement obtenir la bille b . P(f ) vaut clairement 14 pour tout f car le
d nest pas truqu (pas de mention ce sujet dans lnonc). Ensuite, pour
tout f , lurne contient toujours 4 billes (discernables !) et donc P(b|f ) = 14 car
les billes sont priori quiprobables. Donc tout vnement f et b est de
1
probabilit 16
ce qui revient exactement dire que la probabilit est uniforme
sur 2 .
Notons pour finir que cette analyse nest pas ncessaire pour dterminer
Y () car le texte de lnonc permet dnumrer les valeurs possibles de faon
directe. Cependant, le calcul de PY est facilit par lcriture explicite de 2 et
la dtermination de P.
Correction
On constate dans 2 que Y peut prendre les valeurs 0, 1, 2, 3 et 5. On
obtient donc
Y (2 ) = {0, 1, 2, 3, 5}.
Correction
Le calcul de PY se fait comme celui de PX ci-dessus. Par exemple on a
PY ({2}) = P(Y 1 ({2})
= P({2} {2})
|{2} {2}|
=
|2 |
1
= .
16
par dfinition de PY
par dfinition de Y
car P est uniforme
En procdant de la mme manire pour les autres valeurs, on obtient la

loi suivante
y 0 1 2 3 5
1
4
1
5
5
P(Y = y) 16
16
16
16
16
Le rappel de dfinition propos ci-dessus pour PY nest pas ncessaire, puisque
nous avons dj fait ce rappel pour PX . En revanche, tout le dveloppement sur
lunivers 2 et sa probabilit doivent se trouver dans la rponse (soit donc dans
la rponse prcdent, soit ici), faute de quoi le calcul de la loi de Y nest pas
justifi. Une stratgie peut tre par exemple de dtailler le calcul de P(Y = y)
pour une valeur de y en revenant des vnements sur 2 , comme dans la
remarque prcdente qui sappuyait sur le conditionnement. Quelle que soit la
solution choisie, il faut imprativement une justification !
29
Correction
On calcule E(Y ) comme suit
1
4
1
5
5
+1
+2
+3
+5 ,
16
16
16
16
16
23
46
= .
=
16
8
E(Y ) = 0
La rmunration moyenne de lorganisation est de 3 E(Y ), soit
1
8
e.
Exercice 3.2
nonc On considre le jeu suivant : le joueur lance dabord un d non truqu.
Sil obtient 1, 2 ou 3, il gagne lquivalent en euros (cest--dire 1 e sil obtient 1,
par exemple). Sinon, il perd 2 e. On note X la variable alatoire correspondant
au gain du joueur (ngatif en cas de perte).
Question 1 Donnez la loi de X et sa fonction de rpartition FX .
Question 2 Calculez lesprance de X.
Question 3 Calculez la variance de X.
On modifie le jeu de la faon suivante : les gains restent les mmes pour les
rsultats 1, 2 ou 3, mais si le joueur obtient autre chose, il relance le d. Sil
obtient 3 ou moins, il gagne 3 e, sinon il perd 5 e.
Question 4 Dcrivez formellement lunivers du nouveau jeu.
Question 5 Donnez la loi de Y (qui dsigne de nouveau le gain du joueur) et
calculez son esprance.
Question 6 Quelle variante du jeu est la plus avantageuse pour le joueur ?
Quand une variable alatoire est dfinie de faon explicite, il est important
de bien dfinir lunivers de lexprience alatoire de dpart afin dviter toute
confusion. Cela sera particulirement important dans la deuxime partie de
lexercice.
Correction
Lexprience alatoire est un lancer de d dont lunivers est donc
= {1, 2, 3, 4, 5, 6},
muni dune probabilit uniforme (car le d nest pas truqu). La variable
alatoire X est donne par le tableau suivant :
1 2 3 4
5
6
X() 1 2 3 2 2 2
30

On en dduit donc que X() = {2, 1, 2, 3}. La loi de X est donne par
P({X() = x}) = P(X 1 ({x})) pour les x X(). En utilisant le fait
que la probabilit P est uniforme, on obtient les rsultats rsums dans le
tableau suivant, dont la dernire ligne donne la loi de X :
x
2
1
2
3
X 1 ({x}) {4, 5, 6} {1} {2} {3}
1
1
1
1
PX (x)
2
6
6
6
Une fois la loi de X dtermine, les questions suivantes sont essentiellement

des questions de cours, associes la ralisation de quelques calculs.
Correction
La fonction de rpartition FX dfinie par FX (x) = P(X x) est alors
0 pour x < 2,
21 pour 2 x < 1,
FX (x) = 23 pour 1 x < 2,
6 pour 2 x < 3,
1 pour x 3.
Pour calculer E(X), on applique la dfinition de lesprance, savoir
X
E(X) =
xPX (x).
xX()
On obtient ainsi
E(X) = 2
1
1
1
1
+ 1 + 2 + 3 = 0.
2
6
6
6
Pour calculer V (X), on utilise V (X) = E(X 2 ) (E(X))2 . On a

E(X 2 ) = (2)2
et donc V (X) =
13
3
1
1
1
1
13
+ 12 + 22 + 32 = ,
2
6
6
6
3
' 4,33.
Pour le calcul de la variance, il est rare que le passage par la formule de

dfinition, cest--dire

V (X) = E (X E(X))2 ,
soit trs pratique. En gnral, il vaut mieux passer par la formule utilise
ci-dessus. Dans le calcul de E(X 2 ), deux erreurs classiques sont viter. On
doit tout dabord mettre au carr les valeurs prises par X, pas les probabilits
de ces valeurs. De plus, il faut tre attentif au signe de ces valeurs : dans le
31
calcul ci-dessus, on a bien (2)2 = 4 et non pas (22 ) = 4, ce qui donnerait

un rsultat compltement faux.
La deuxime partie de lexercice est plus dlicate car lexprience ne semple
pas symtrique. La solution la plus simple pour lanalyser est de faire comme si
elle tait symtrique : on considre deux lancers de d, le deuxime tant inutile
pour la dfinition de Y dans certaines situations. Cette approche sapparente
celle utilise pour faciliter le traitement de certains problmes dans lesquels on
fait comme si les objets tudis (des jetons par exemple) taient discernables
alors quils ne le sont pas.
Correction
On choisit comme univers celui dune exprience dans laquelle on lance
toujours deux fois le d. On a donc
= {1, 2, 3, 4, 5, 6} {1, 2, 3, 4, 5, 6},
muni de la probabilit uniforme.
La variable alatoire Y est alors donne par le tableau suivant en
fonction du rsultat de lexprience = (u,v) :
(u,v)
1
2
3
4
5
6
1
1
2
3
3
3
3
2
1
2
3
3
3
3
3 4
5
6
1 1
1
1
2 2
2
2
3 3
3
3
3 5 5 5
3 5 5 5
3 5 5 5
On constate que Y () = {5, 1, 2, 3}. Pour tout y Y (), on doit

dterminer Y 1 ({y}) pour calculer la probabilit de cet vnement et ainsi
la loi de Y . Daprs le tableau, on a
Y 1 ({5}) ={4, 5, 6} {4, 5, 6},
Y 1 ({1}) ={1} {1, 2, 3, 4, 5, 6},
Y 1 ({2}) ={2} {1, 2, 3, 4, 5, 6},
Y 1 ({3}) = ({3} {1, 2, 3, 4, 5, 6}) ({4, 5, 6} {1, 2, 3}) .
En utilisant le fait que la probabilit sur est uniforme, on obtient le

tableau suivant qui rsume la loi de Y :
y
PY (y)
5
=
9
36
1
4
6
36
1
=
1
6
6
36
2
=
3
1
6
6
36
9
36
5
12
32
Comme dans la premire partie de lexercice, une fois la loi de Y dtermine,

le reste nest que calcul...
Correction
On a
1
1
1
5
1
+1 +2 +3
= .
4
6
6
12
2
Comme E(Y ) > E(X), on gagne en moyenne plus la deuxime variante
qui est donc plus avantageuse pour le joueur.
E(Y ) = 5
Exercice 3.3
nonc On tudie dans cet exercice lanctre du jeu de craps, le hazard. Le
joueur commence par choisir un entier entre 5 et 9 inclus quon appelle le
principal. Le joueur lance alors 2 ds ( six faces non truqus) et fait la somme
des rsultats. Dans une version simplifie du jeu, les gains sont les suivants. Si
la somme obtenue est le principal, le joueur gagne 1 e. Sinon, si la somme est
2 ou 3, le joueur perd 1 e. Si la somme est 11, le joueur gagne si le principal
vaut 7, sinon il perd (1 e dans les deux cas). Si la somme est 12, le joueur
gagne si le principal vaut 6 ou 8, sinon il perd (toujours 1 e). Enfin, dans tous
les autres cas, il ne se passe rien (ni gain, ni perte).
Question 1 On appelle S la variable alatoire donnant la somme des deux
ds. Donner S() et la loi de S.
Question 2 On appelle X7 la variable alatoire donnant le gain (ngatif en
cas de perte) du joueur quand le principal vaut 7. Donner X7 (), puis la loi de
X7 et sa fonction de rpartition.
Question 3 Calculer E(X7 ) et V (X7 ).
Question 4 On considre X6 le gain du joueur quand le principal vaut 6.
Donner la loi de X6 et E(X6 ).
Dans le vrai jeu du hazard, la situation neutre ne correspond pas un gain
nul. En effet, si le joueur nobtient ni son principal, ni 2, 3, 11 ou 12, on note
la somme obtenue et on lappelle la chance. Le joueur doit alors relancer les
ds. Sil obtient son principal, il perd 1 e alors que sil obtient la chance, il
gagne 1 e. Sinon, le rsultat est nul (ni gain, ni perte).
Question 5 On suppose que le joueur a choisit 7 comme principal. On note
G7 la variable alatoire de son gain final. Dterminer la loi de G7 sachant que
le premier tirage est neutre .
Question 6 Dterminer la loi de G7 (sans conditionnement).
La principale difficult de la premire partie cet exercice est la complexit des
rgles du jeu (qui sont seulement une version simplifie des rgles dorigines).
33
Il faut donc tre trs mticuleux dans lanalyse de lnonc et dans lcriture
des variables alatoires identifies. La second partie de lnonc est beaucoup
plus complexe.
Correction
On suppose les ds discernables avec un premier lancer L1 et un
second lancer L2 . On crit alors lunivers = {1, 2, 3, 4, 5, 6}2 et on
suppose que la probabilit P est uniforme (car lnonc parle de ds non
truqus). On a || = 36.
Comme presque toujours, le choix discernable simpose pour pouvoir faire
lhypothse dquiprobabilit.
Correction
Pour dcrire la variable alatoire S, on la reprsente par un tableau avec
en ligne le premier lancer et en colonne le second, et dans chaque case la
somme. On obtient
S(L1 , L2 )
1
2
3
4
5
6
L1
1
2
3
4
5
6
7
L2
3 4 5 6
4 5 6 7
5 6 7 8
6 7 8 9
7 8 9 10
8 9 10 11
9 10 11 12
2
3
4
5
6
7
8
On constate que S() = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}. Pour calculer la loi
de S, on applique la dfinition P(S = s) = P(S 1 ({s})). On a par exemple
S 1 ({4}) = {(3, 1), (2, 2), (1, 3)},
et donc P(S = 4) = P({(3, 1), (2, 2), (1, 3)}). Comme P est uniforme
3
P(A) = |A|
|| et donc P(S = 4) = 36 . En rptant ce type de calcul, on
obtient la loi de S :
s
P(S = s)
10 11 12
1
36
2
36
3
36
4
36
5
36
6
36
5
36
4
36
3
36
2
36
1
36
Lanalyse de S suit le schma classique dtude dune variable alatoire avec la

dfinition formelle de la fonction (ici par un tableau), puis le calcul de limage
de par la variable alatoire. On illustre ensuite le calcul dune valeur de la
probabilit partir de la dfinition formelle (calcul de limage rciproque). On
termine par le tableau donnant la loi complte sans dtailler les autres calculs.
34
Le seul risque dans ce type danalyse rside dans le choix de lunivers et de

la probabilit. Ici, si on ne fait pas lhypothse que les ds sont discernables, la
probabilit nest plus uniforme et lanalyse devient plus complexe (mais reste
faisable).
Correction
On dfinit X7 avec un tableau, comme pour S. Il est clair quon a
X7 (L1 , L2 )
L1
1
2
3
4
5
6
L2
1
2 3 4 5 6
1 1 0 0 0 1
1 0 0 0 1 0
0
0 0 1 0 0
0
0 1 0 0 0
0
1 0 0 0 1
1
0 0 0 1 1
En effet, on gagne 1 quand la somme est 7 (principal) et on perd 1 quand

on obtient 2 ou 3. On gagne 1 quand on obtient 11 (car le principal est 7)
et on perd 1 quand on obtient 12 (car le principal nest ni 6, ni 8). Tous
les autres rsultats conduisent un gain nul.
On constate dans le tableau que X7 () = {1,0,1}. On calcule la loi
de X comme celle de S, ce qui donne
x 1 0
P(X7 = x) 19 69
1
2
9
Comme indiqu en introduction, on voit quil ny a ici aucune difficult de

nature probabiliste mais simplement un besoin de prcision dans la traduction
des rgles en gains et pertes. Comme souvent, les tableaux prcisant la dfinition
des variables alatoires sont loutil de choix.
Notons que comme toujours, on ne justifie pas en dtail les calculs conduisant
la loi de X7 car on a dj produit cette justification pour la loi de S.
Correction
Le calcul de la fonction de rpartition est vident en utilisant la dfinition,
soit FX7 (x) = P(X7 x). On obtient
0 si t < 1
1
9 si 1 t < 0
FX7 (x) =
7
si 0 t < 1
9
1 si t 1
35
On sait que
E(X7 ) =
x P(X7 = x),
xX()
= 1
1
6
2
+0 +1 ,
9
9
9
1
= .
9
On sait aussi que V (X7 ) = E(X72 ) E(X7 )2 . On calcule E(X72 )
X
x2 P(X7 = x),
E(X72 ) =
xX()
= (1)2
1
6
2
+ 02 + 12 ,
9
9
9
3
= ,
9
et donc
3
9
26
= .
81
V (X7 ) =
2
1
,
9
Pour les calculs qui prcdent, il suffit de rappeler une fois chaque dfinition
ou proprit, puis de donner les rsultats.
Correction
Pour tudier X6 , on procde de la mme faon que pour X7 . Le tableau
des valeurs est
X6 (L1 , L2 )
L1
1
2
3
4
5
6
L2
1
2 3 4 5
6
1 1 0 0 1
0
1 0 0 1 0
0
0
0 1 0 0
0
0
1 0 0 0
0
1
0 0 0 0 1
0
0 0 0 1 1
Le tableau est proche de celui de X7 avec comme diffrences principales quon

gagne pour la somme gale 6 et quon inverse les gains pour les cas particuliers
correspondant 11 et 12.
36
Correction
On constate que X6 () = {1, 0, 1} (par simple lecture du tableau). La
loi de X6 est obtenue comme celle de X7 en utilisant lquiprobabilit sur
et le tableau. On trouve ainsi
x 1
5
P(X6 = x) 36
25
36
1
6
On calcule E(X6 ) comme E(X7 ), soit

X
x P(X6 = x),
E(X6 ) =
xX()
= 1
=
5
25
1
+0
+1 ,
36
36
6
1
.
36
Comme la dmarche est strictement identique pour X6 et pour X7 , les justifications et les dtails donns pour X7 nont pas besoin dtre rpts pour X6 .
On se contente donc de dire quon utilise les mmes techniques et de produire
les rsultats.
Correction
On sintresse donc la loi de G7 sachant que le rsultat est neutre. On
dfinit dabord S la variable alatoire donnant la somme des deux ds lors
du premier lancer. La loi de S est facile obtenir en utilisant le premier
tableau qui donne justement les valeurs de S en fonction du lancer. On
trouve
s
P(S = s)
10 11 12
1
36
2
36
3
36
4
36
5
36
6
36
5
36
4
36
3
36
2
36
1
36
Pas de difficult particulire jusquici, il sagit encore dune application directe

du tableau introduit au dbut du corrig.
Correction
Considrons maintenant G7 sachant que le rsultat est neutre. On note N
lvnement obtenir un tirage neutre . Par dfinition, on a
P(G7 = g|N ) =
P({G7 = g} N )
P(S = s)
Or, N est ralis quand la variable S pour le premier tirage vaut 4, 5, 6, 8,

9 ou 10 (et seulement dans ces situations). On peut donc crire lvnement
N obtenir un tirage neutre comme lunion disjointe des vnements
37
{S = 4}, {S = 5}, . . ., {S = 10}, cest--dire

N = {S = 4} {S = 5} {S = 6} {S = 8} {S = 9} {S = 10},
et donc
{G7 = g} N = ({G7 = g} {S = 4}) . . . ({G7 = g} {S = 10}),
avec une union disjointe. Donc pour calculer P({G7 = g} N ), il suffit de
calculer les P({G7 = g} {S = s}) pour s dans {4, 5, 6, 8, 9, 10}.
La difficult rside ici dans le fait que lvnement N ne permet pas directement
dobtenir le comportant de G7 . En effet, selon la raison qui cause N (S = 4
ou S = 5, par exemple), la probabilit de retomber sur la chance nest pas
la mme. Il est donc indispensable de dcomposer N en des vnements plus
lmentaires qui permettent un calcul plus simple de G7 sachant ceux-ci.
Correction
Par dfinition, on a
P({G7 = g} {S = s}) = P(G7 = g|S = s)P(S = s).
Daprs les rgles du jeu, on gagne 1 e si le second tirage donne le mme
rsultat que le premier. Or le second tirage S2 a la mme loi que le premier
S. Donc P(G7 = 1|S = s) est donn par la table suivante
s
P(G7 = 1|S = s)
10
3
36
4
36
5
36
5
36
4
36
3
36
Dautre part, on perd 1 e si le second tirage est le principal. Pour tout s,

6
on a donc P(G7 = 1|S = s) = 36
car le principal est ici 7.
La deuxime difficult de cette partie de lnonc est quon doit de nouveau
appliquer la dfinition des probabilits conditionnelles. En effet, le dcoupage de
lvnement de conditionnement N ne peut se faire quau niveau de lintersection
entre G7 = g et N . En effet, on ne peut rien dire de particulier en gnral sur
P(A|B C). On pourrait croire que si B et C sont disjoints, un lien simple
existe entre P(A|B C) dune part et P(A|B) et P(A|C) dautre part, mais ce
nest pas le cas. Cela est li au fait que si B C = , on a
P(A (B C))
,
P(B C)
P(A B) + P(A C)
=
,
P(B) + P(C)
P(A|B C) =
38
ce qui ne peut pas tre reli simplement

P(A B) P(A C)
+
.
P(B)
P(C)
Au contraire, le calcul de P({G7 = g} {S = s}) ne peut pas se faire de faon
directe car les rgles du jeu ne donnent que P(G7 = g|S = s).
Notons en outre que le calcul de ces probabilits ncessite de bien prciser
que le second tirage a la mme loi que le premier.
Correction
En combinant avec la loi de S, on a
s
P({G7 = 1} {S = s})

3 2
36

4 2
36

5 2
36

5 2
36

4 2
36
10

3 2
36
et donc

2
2
4
3
3 2
+
+ ... +
,
P({G7 = 1 N }) =
36
36
36
100
= 2,
36

De mme on a
s
P({G7 = 1} {S = s})
10
6 3
36 36
6 4
36 36
6 5
36 36
6 5
36 36
6 4
36 36
6 3
36 36
et donc
6
36
144
= 2.
36
P({G7 = 1} N ) =
3
4
3
+
+ ... +
36 36
36

,
De plus, on peut calculer P(N ), en utilisant de la dcomposition de N en

une union de {S = s}. On trouve ainsi
P(N ) = P(S = 4) + . . . + P(S = 10),
3
4
3
=
+
+ ... +
36 36
36
24
= .
36
3.2. Lois discrtes classiques
39
Comme la seule autre valeur de G7 est 0, on a

P(N ) = P({G7 = 1} N ) + P({G7 = 0} N ) + P({G7 = 1} N ),
144
100
24
= 2 + P({G7 = 0} N ) + 2 ,
36
36
36
et donc P({G7 = 0} N ) = 620
.
362
On peut alors calculer P(G7 = g|N ) par simple division, ce qui donne
g
P(G7 = g|N )
25
216
6
36
155
216
Cette partie nintroduit pas de difficults supplmentaires, mais ncessite de

nouveau de passer dune vision intersection une vision sachant que
pour la variable G7 et lvnement N .
Correction
On applique les probabilits totales {G7 = g} et N , ce qui donne
P(G7 = g) = P({G7 = g} N ) + P({G7 = g} N ).
Daprs les rgles du jeu P({G7 = 0} N ) = 0 car si on nest pas dans la
situation neutre, on a directement gagn ou perdu quelque chose.
Dautre par P({G7 = g}N ) pour g 6= 0 sobtient par simple comptage,
comme dans le calcul de X7 . On a ainsi P({G7 = 1} N ) = 29 et P({G7 =
1} N ) = 19 ). On en dduit la loi de G7 , donne par
g
P(G7 = g)
3.2
288
362
620
362
388
362
Lois discrtes classiques
Exercice 3.4
nonc Pour amliorer la sret de fonctionnement dun serveur informatique,
on envisage dintroduire de la redondance, cest--dire davoir plusieurs exemplaires des composants importants. On peut raliser les oprations suivantes :
on utilise trois alimentations de 300 Watts chacune : le serveur peut
continuer fonctionner avec une alimentation en panne car il consomme
au maximum 500 Watts.
on place les quatre disques durs en configuration RAID 5 : le serveur peut
continuer fonctionner avec un disque dur en panne.
40
On suppose que la probabilit de panne dune alimentation est p et que celle

dune panne de disque dur est q. On suppose en outre que tous les composants
sont indpendants.
Question 1 Soit un serveur avec alimentations redondantes : calculer la probabilit de panne du serveur en supposant quaucun autre composant que les
alimentations ne peut tomber en panne.
Question 2 Soit un serveur avec disques durs RAID 5 : calculer la probabilit
de panne du serveur en supposant quaucun autre composant que les disques
dur ne peut tomber en panne.
Question 3 Si p = q, quelle solution de redondance est la plus intressante ?
Cet exercice consiste avant tout en la modlisation dun problme rel au
moyen doutils probabilistes classiques. Il faut donc reconnatre dans lnonc
les hypothses qui permettent de se ramener des modles connus.
Correction
Comme un composant possde ici deux tats (en panne ou pas), on
considre cet tat comme une variable de Bernoulli, ltat de panne correspondant au succs de la variable.
Donc, ltat de lalimentation i est reprsent par une variable Ai distribue selon B(p) une variable alatoire Bernoulli qui vaut 1 si lalimentation
est en panne.
Cette modlisation est trs frquente et trs classique. chaque fois quon
rencontre une grandeur alatoire qui peut prendre deux valeurs, on est en fait
en prsence dune variable de Bernoulli. La valeur reprsenter par 1 dpend de
ce quon veut faire dans la suite. Ici, on doit compter le nombre de composants
en panne pour savoir si lordinateur continue de fonctionner. Il est donc naturel
de reprsenter par 1 la panne plutt que le bon fonctionnement.
Correction
Lalimentation globale est constitue de trois alimentations A1 , A2 et A3 .
Comme les alimentations sont des variables de Bernoulli indpendantes de
mme paramtre p, le nombre dalimentation en panne, qui est la somme
A1 + A2 + A3 est une variable de loi Binomiale B(3, p).
De nouveau, nous utilisons ici une modlisation trs classique. Pour justifier
lutilisation dune loi Binomiale, il faut rappeler les proprits importantes
suivantes : on compte les succs de variables de Bernoulli indpendantes et de
mme paramtre. Si les variables ne sont pas indpendantes ou si elles ont des
paramtres diffrents, le rsultat nest pas une loi Binomiale. Notons aussi que
compter les succs ou faire la somme des variables est exactement la mme chose
et quon peut donc utiliser la justification la plus adapte au contexte.
41
Correction
Le serveur est en panne si deux au moins des alimentations sont en panne.
On note A lvnement panne de lalimentation globale . On a donc
P(A) = P(A1 + A2 + A3 2),
= P(A1 + A2 + A3 = 2) + P(A1 + A2 + A3 = 3),
= C32 p2 (1 p) + C33 p3 ,
= p2 (3 2p),
en utilisant les proprits de la loi Binomiale.
La deuxime question est exactement la mme que la premire mais avec des
paramtres numriques lgrement diffrents...
Correction
Comme pour les alimentations, on modlise les disques durs par des
variables Dj de Bernoulli B(q), indpendantes. Le nombre de disques en
panne est alors une variable de loi Binomiale B(4,q). Le serveur est en panne
si au moins deux des disques sont en panne, lvnement correspondant D
tant de probabilit
4
X
P(D) = P
Dj 2 ,
j=1
4
4
4
X
X
X
= P
Dj = 2 + P
Dj = 3 + P
Dj = 4
j=1
C42 q 2 (1
2
j=1
2
q) +
C43 q 3 (1
q) +
j=1
C44 q 4 ,
= q (6(1 q) + 4q(1 q) + q 2 ),
= q 2 (3q 2 8q + 6).
Pour choisir la meilleure solution, on compare les probabilits de panne en
supposant que p = q. On a ainsi
P(A) P(D) = p2 (3 2p) p2 (3p2 8p + 6),
= p2 (3p2 + 6p 3).
Le signe de cette diffrence est alors celui de f (p) = 3p2 + 6p 3.
La drive de f est f 0 (p) = 6(1 p) qui sannule en p = 1 et qui est
donc positive sur lintervalle [0, 1]. La fonction est donc croissante sur
cet intervalle. Or, f (1) = 0 (et f (0) = 3. Donc, sur lintervalle [0, 1],
42

f (p) 0. La probabilit de dfaillance des alimentations est donc toujours
infrieure celle des disques durs et il est donc plus intressante dutiliser
une redondance sur les alimentations.
On pourrait considrer que lapproche choisie pour valuer lintrt de la

redondance est un peu nave. En effet, un ordinateur classique comprend
ncessairement une alimentation et un stockage prenne de type disque dur.
De ce fait, on devrait normalement tudier lordinateur comme un ensemble
comportant un sous-systme redondant (par exemple les disques durs) et un
sous-systme non redondant (ici lalimentation), puis calculer la probabilit de
panne et comparer les deux solutions.
Il savre en fait que lapproche propose dans lexercice donne un rsultat
identique celui de lapproche plus complexe. Considrons le cas dun ordinateur
avec une alimentation redondante et un unique disque dur. On sintresse
lvnement lordinateur ne tombe pas en panne , ce qui scrit A D avec
les notations de la correction. En supposant les sous-systmes indpendants,
on a
P(A D) = P(A)P(D) = (1 P(A))(1 P(D)).
En utilisant les rsultats de la correction pour A et les hypothses pour D, on
a donc
P(A D) = (1 p2 (3 2p))(1 q).
Un raisonnement similaire conduit la probabilit suivant dans le cas dun serveur
aux disques durs redondants et lalimentation unique :
P(A D) = (1 p)(1 q 2 (3q 2 8q + 6)).
Si on suppose maintenant que p = q, on voit apparatre dans les deux expressions un facteur (1 p) commun quon peut donc supprimer dans lanalyse.
On se retrouve ainsi comparer P(A) et P(D) dans le cas de redondance
pour les deux sous-systmes. Or, il sagit de la comparaison des probabilits
des complmentaires des vnements tudis dans la correction. On obtient
donc exactement les mmes conclusion que dans cette correction : il est plus
intressant de rendre les alimentations redondantes.
Exercice 3.5
nonc Un magasin spcialis reoit en moyenne 4 clients par jour, le nombre
de clients tant distribu selon une loi de Poisson. Calculer la probabilit que le
magasin soit visit le mercredi par :
Question 1 aucun client ;
Question 2 5 clients ;
Question 3 au moins 6 clients.
43
Correction
On note C la variable alatoire donnant le nombre de clients reus par
jour dans le magasin. Par hypothse, C est distribue selon une loi de
Poisson de paramtre et telle que E(C) = 4. Or, on sait que si C P(),
E(C) = , donc = 4.
La phase de modlisation traditionnelle consiste ici traduire les hypothses de

lnonc exprimes en franais en hypothses mathmatiques. Ici, lnonc fait
une hypothse indirecte sur le paramtre de la loi de Poisson en indiquant lesprance de la variable. Une simple phrase de justification permet de transformer
cette hypothse sur lesprance en une hypothse sur la valeur de . Le reste
lexercice est alors trs simple et consiste essentiellement en une application
des proprits lmentaires de la loi de Poisson.
Correction
Comme C P(4), on a
P(C = 0) = e4
40
= e4 ' 0.0183.
0!
En appliquant de nouveau la formule de la loi de Poisson, on a

P(C = 5) = e4
45
' 0.156.
5!
Enfin, pour calculer P(C 6), on note que

{C 6} = {C 5} =
5
[
{C = k},
k=0
car C prend seulement des valeurs entires. On a donc

P(C 6) = 1
5
X
k=0
P(C = k) = 1 e4
5
X
4k
k=0
k!
' 0.215.
Seule la dernire question demande un peu de rflexion, puisquil faut crire

lvnement {C 6} en terme dvnements de la forme {C = k} qui sont les
seuls dont on connat les probabilits (grce la loi de la variable C). Comme
la variable alatoire est discrte, un vnement de la forme {C A} scrit
sous forme de lunion disjointe des vnements {C = a} pour toutes les valeurs
a A. Pour viter davoir crire une somme infinie pour {C 6}, on utilise
le complmentaire de cet vnement, ce qui donne la correction propose.
44
3.3
Variable fonction dune autre variable
Exercice 3.6
nonc On suppose que la variable alatoire X suit la loi uniforme sur lensemble
X() = {3, 2, 1, 4}.
Question 1 Donner la loi de X.
Question 2 Calculer E(X) et V (X).
On dfinit la variable alatoire Y = 2X + 1.
Question 3 Donner Y () et la loi de Y .
Question 4 Calculer E(Y ) de deux faons diffrentes.
Reprendre les deux questions prcdentes pour la variable Z = (X + 1)2 .
Correction
Par hypothse, la loi de X est uniforme et la probabilit davoir X = x pour
tout lment x de X() est donc constante. De ce fait, cette probabilit
1
est de |X()|
= 41 . La loi de X est donc rsume par le tableau suivant
x 3 2 1
1
1
PX (x) 14
4
4
4
1
4
On applique ici directement les rsultats de cours sur la loi uniforme pour une
variable alatoire discrte ( ne pas confondre avec le cas continu).
Correction
Lesprance de X est donne par
X
E(X) =
xPX (x),
xX()
1 X
x,
4
xX()
1
= (3 2 + 1 + 4),
4
= 0.
Il faut toujours mentionner au moins une fois la formule qui dfinit lesprance
pour pouvoir lutiliser dans une solution.
3.3. Variable fonction dune autre variable
45
Correction
Pour calculer la variance, on utilise la formule V (X) = E(X 2 ) (E(X))2
dont le deuxime terme est nul. On sait aussi que pour toute fonction ,
X
E((X)) =
(x)PX (x).
xX()
On a donc
V (X) = E(X 2 ),
X
=
x2 PX (x),
xX()
1
= ((3)2 + (2)2 + 12 + 42 ),
4
= 7.
Le rappel de la proprit gnrale qui permet de calculer E((X)) nest pas
ncessaire pour le calcul de E(X 2 ) mais il est conseill car il permet de ne pas
faire lerreur frquente qui consiste mettre les probabilits au carr plutt
que les valeurs de x.
Correction
Considrons Y = 2X + 1. Le tableau suivant donne la valeur de Y pour
toutes les valeurs possibles de X :
x 3 2 1 4
2x + 1 5 3 3 9
On a donc Y () = {5, 3, 3, 9}.
Comme Y est une variable discrte, sa loi est dtermine
par
les
y1
probabilits PY (y) pour tout y Y (). Or, PY (y) = PX 2
car
Y = 2X + 1 et donc X = Y 21 . De plus, pour tout y , y1
2 puisquon a
dans Y ()les images
par Y des valeurs de X(). De ce fait, pour tout

y1
1
y , PX 2 = 4 . Donc la loi de Y est la loi uniforme sur Y ().
On applique ci-dessus les proprits classiques pour la loi dune variable alatoire
obtenue comme fonction dune autre variable, Y = f (X). On sait en effet que
pour sous-ensemble A de Y (),
PY (A) = PX (Y 1 (A)),
o Y 1 est dfini par
Y 1 (A) = {x X() | f (x) A}.
46
Dans le cas dune variable alatoire discrte qui nous intresse ici, il suffit de
considrer les ensembles A rduits une seule valeur, ce qui conduit la solution
propose. Notons que celle-ci est simple car la transformation Y = 2X + 1 est
bijective. La variable Z sera lgrement plus complexe tudier.
Correction
Pour calculer E(Y ), on peut appliquer en fait trois rsultats diffrents.
On sait que pour tout et dterministes, et toute variable alatoire X,
E(X + ) = E(X) + . Ici on a donc
E(Y ) = 2E(X) + 1 = 1.
On peut aussi appliquer le rsultat rappel ci-dessus la fonction (x) =
2x + 1. On a donc
E(Y ) = E((X)),
X
=
(x)PX (x),
xX()
1 X
(2x + 1),
4
xX()
1
= (5 3 + 3 + 9),
4
= 1.
Enfin, on peut appliquer la dfinition de lesprance Y , ce qui donne
X
E(Y ) =
yPY (y),
yY ()
1 X
y,
4
yY ()
1
= (5 3 + 3 + 9),
4
= 1.
Quand on demande dobtenir une esprance par deux mthodes diffrentes,
cest en gnral quon veut que le calcul soit ralis une fois avec la dfinition de
lesprance (troisime calcul ci-dessus) et une autre fois en sappuyant sur une
proprit classique de lesprance comme sa linarit (utilise dans le premier
calcul) ou la formule pour E((X)), applique trs rgulirement (deuxime
calcul dans la correction).
3.3. Variable fonction dune autre variable
47
Correction
On tudie maintenant Z = (X +1)2 . On calcule Z() au moyen du tableau
suivant qui donne les valeurs de Z en fonction des valeurs de X :
x 3 2 1 4
(x + 1)2 4
1 4 25
On constate que Z() = {1, 4, 25}. Pour calculer la loi de Z on doit
dterminer Z 1 (z) pour tout z Z(). Le tableau suivant rsume ce
calcul et la loi de Z obtenue ainsi, en appliquant la proprit PZ (z) =
PX (Z 1 (z)) :
z
Z 1 (z)
1
4
25
{2} {3, 1} {4}
PZ (z) = PX (Z 1 (z))
1
4
1
2
1
4
On utilise ici le fait que la loi de X sur X() est uniforme et donc que la
probabilit dun ensemble A est donne par le ratio entre le cardinal de A et
celui de X(). On remarque que le calcul est lgrement plus complexe que
celui de Y car la fonction x 7 (x + 1)2 nest pas injective : les deux valeurs
distinctes 3 et 1 que peut prendre X sont toutes deux transformes en la
valeur 4 pour Z. De ce fait, la loi de Z sur Z() nest pas uniforme.
Correction
Pour calculer E(Z), on peut appliquer le rsultat classique Z = (X)
avec (x) = (x + 1)2 , ce qui donne
E(Z) = E((X)),
X
=
(x)PX (x),
xX()
1 X
(x + 1)2 ,
4
xX()
1
= (4 + 1 + 4 + 25),
4
17
= .
2
48

On peut aussi utiliser la dfinition de lesprance, ce qui donne
X
E(Z) =
zPZ (z),
zZ()
1
1
1
1 + 4 + 25,
4
2
4
17
= .
2
Contrairement au cas de la variable Y , les deux approches utilises ci-dessus

conduisent des calculs lgrement diffrents. Dans le deuxime calcul, on a
dj factoris les valeurs identiques de Z, cest pourquoi la probabilit de
4 est de 12 . Dans le premier cas, on travaille du point de vue de X et tous les
probabilits sont de 12 . Mais comme on transforme les valeurs de X en valeurs
de Z, on obtient deux fois la valeur 4, ce qui conduit bien entendu au mme
rsultat final.
3.4
Couples de variables alatoires
Exercice 3.7
nonc Soit un couple de variables alatoires (X, Y ) tel que X() = {2, 0, 1}
et Y () = {1, 1, 2} dont la loi jointe est donne par le tableau suivant :
P(X = x, Y = y) y = 1 y = 1 y = 2
x = 2
0,2
0,2
x=0
0,1
0,1
0,05
x=1
0,2
0
0,1
Question 1 Donner lunique valeur possible pour en justifiant brivement
la rponse.
Question 2 Calculer les lois marginales de X et de Y .
Question 3 Montrer que X et Y ne sont pas indpendantes.
Question 4 Calculer la loi conditionnelle de X sachant Y = 1. En dduire
E(X|Y = 1).
Question 5 Calculer lesprance conditionnelle de X sachant que Y 6= 2.
Question 6 Calculer E(XY ) et en dduire Cov(X,Y ).
Question 7 On pose Z = X + Y . Calculer la loi de Z, puis E(Z) et V (Z).
Correction
3.4. Couples de variables alatoires
49
On sait que P(X X(), Y Y ()) = 1 et que

X X
P(X = x, Y = y).
P(X X(), Y Y ()) =
xX() yY ()
Donc la somme des probabilits contenues dans le tableau doit tre gale
1. On constate que la somme est ici 0,95 + . Donc = 0,05.
La justification propose est assez dtaille. On peut se contenter de dire que la
somme des probabilits doit tre gale 1, puisque cest une proprit majeure
des tableaux utiliss pour donner les lois de couple de variables alatoires
discrtes.
Correction
La loi marginale de X est donne par
X
P(X = x) =
P(X = x, Y = y).
yY ()
Un simple calcul donne les rsultats rsums dans le tableau suivant

0
1
x 2
P(X = x) 0,45 0,25 0,3
De la mme faon, on obtient la loi de Y donne par
y 1 1
2
P(Y = y) 0,5 0,3 0,2
On se contente ici de justifier les calculs dans un des deux cas, par symtrie. Il
est utile de vrifier que la somme des probabilits de la loi obtenue pour chaque
variable est bien 1.
Correction
Les variables X et Y sont indpendantes si et seulement si pour tout x et y,
P(X = x, Y = y) = P(X = x)P(Y = y). Or, on remarque dans le tableau
que P(X = 1, Y = 1) = 0, alors que P(X = 1) P(Y = 1) = 0,3 0,3 6= 0.
Les deux variables ne sont donc pas indpendantes.
Pour les questions dindpendance, on doit toujours rappeler la dfinition
puis essayer de lappliquer. Quand on cherche comme ici montrer que les
variables ne sont pas indpendantes, il suffit de trouver un contre-exemple,
cest--dire une valeur pour chaque variable telles que la probabilit du couple
soit diffrente du produit des probabilits de chaque variable. Si on cherche
montrer lindpendance, on doit au contraire vrifier que toutes les paires de
valeurs satisfont lgalit demande.
50
Correction
On utilise la dfinition de la loi conditionnelle, P(X = x|Y = 1) =
P(X=x,Y =1)
P(Y =1) , ce qui conduit immdiatement la loi rsume dans le tableau
suivant
x
2
0
1
0,1
2
1
0
P(X = x|Y = 1) 0,2
=
=
0,3
3
0,3
3
0,3 = 0
Lesprance conditionnelle est obtenue en appliquant la dfinition, cest-dire
X
E(X|Y = 1) =
xP(X = x|Y = 1),
xX()
= 2
2
1
+ 0 + 1 0,
3
3
4
= .
3
On se contente ici dappliquer les dfinitions et de faire des calculs lmentaires.
La question suivante est lgrement plus complexe puisquil faut considrer un
conditionnement qui ne sexprime pas sous la forme Y = y.
Correction
6=2)
On doit dabord calculer P(X = x|Y 6= 2) = P(X=x,Y
P(Y 6=2) . Or, {Y 6= 2} =
{Y = 1} {Y = 1}, avec une union disjointe. Donc
P(X = x, Y 6= 2) = P(X = x, Y = 1) + P(X = x, Y = 1),

ainsi que P(Y 6= 2) = P(Y = 1) + P(Y = 1), cest--dire
P(X = x|Y 6= 2) =
P(X = x, Y = 1) + P(X = x, Y = 1)
.
P(Y = 1) + P(Y = 1)
En appliquant cette formule, on obtient la loi conditionnelle rsume dans

le tableau suivant
x
P(X = x|Y =
6 2)
2
=
0,4
0,8
1
2
0,2
0,8
0
=
1
4
0,2
0,8
1
=
1
4
51
On en dduit lesprance conditionnelle souhaite par le calcul suivant

X
E(X|Y 6= 2) =
xP(X = x|Y 6= 2),
xX()
= 2
1
1
1
+0 +1 ,
2
4
4
3
= .
4
Comme dans lexercice 2.1, la difficult de lanalyse vient essentiellement de la
tentation dinventer des proprits fausses en gnralisant des proprits
vraies. En particulier, ici, on pourrait tre tenter de croire que la probabilit
P(X = x|Y 6= 2) est gale la probabilit 1 P(X = x|Y = 2). Or, cest en
gnral faux. Dans le cas prsent, si on considre par exemple x = 2, on a
P(X = 2, Y = 2)
,
P(Y = 2)
0,05
=1
,
0,2
3
= ,
4
1 P(X = 2|Y = 2) = 1
alors que P(X = 2|Y 6= 2) = 12 . En fait, on a bien

1 P(X = x|Y = 2) = P(X 6= x|Y = 2),
mais ce nest pas utile pour calculer P(X = 2|Y 6= 2) !
Correction
On calcule E(XY ) en appliquant la proprit classique : pour toute fonction
, on a
X X
E((X,Y )) =
(x,y)P(X = x, Y = y).
xX() yY ()
Le tableau suivant donne les calculs intermdiaires xyP(X = x, Y = y) :

P(X = x, Y = y)
x = 2
x=0
x=1
y = 1
0,2 2 = 0,4
0,1 0 = 0
0,2 1 = 0,2
y=1
0,2 2 = 0,4
0,1 0 = 0
01=0
y=2
0,05 4 = 0,2
0,05 0 = 0
0,1 2 = 0,2
On obtient ainsi E(XY ) = 0,2.

Comme dans la plupart des questions de calcul, il est important de rappeler la
dfinition de ce quon calcule et les proprits utilises, comme nous lavons
fait ci-dessus. On procde de la mme faon pour la suite de la question, en
rappelant la dfinition de la covariance et de lesprance dune variable seule.
52
Correction
On sait que Cov(X, Y ) = E(XY ) E(X)E(Y ). On calcule donc E(X) et
E(Y ) en utilisant les dfinitions de ces esprances :
X
E(X) =
xP(X = x)
xX()
= 2 0,45 + 0 0,25 + 1 0,3

= 0,6.
De la mme faon
E(Y ) = 1 0,5 + 1 0,3 + 2 0,2
= 0,2.
On obtient finalement Cov(X, Y ) = 0,2 (0,6) 0,2 = 0,08.
Correction
tudions maintenant Z = X + Y . Le tableau suivant donne les valeurs
prises par Z en fonction de celles de X et Y :
z = x + y y = 1 y = 1 y = 2
x = 2
3
1
0
x=0
1
1
2
x=1
0
2
3
On a donc Z() = {3, 1, 0, 1, 2, 3}. Pour calculer la loi de Z = f (X,Y ),
on doit dterminer f 1 (z) pour tout z Z() puis calculer la probabilit
de f 1 (z) partir de la loi jointe de X et Y , en utilisant la proprit
P(Z = z) = P((X,Y ) f 1 (z)). On obtient les rsultats suivants :
P(Z = 3) = P(X = 2, Y = 1) = 0,2
P(Z = 1) = P((X,Y ) {(2, 1), (0, 1)}) = 0,1 + 0,2 = 0,3
P(Z = 0) = P((X,Y ) {(2, 0), (1, 1)}) = 0,05 + 0,2 = 0,25
P(Z = 1) = P(X = 0, Y = 1) = 0,1
P(Z = 2) = P((X,Y ) {(0, 2), (1, 1)}) = 0,05 + 0 = 0,05
P(Z = 3) = P(X = 1, Y = 2) = 0,1
On utilise la proprit classique qui caractrise la loi dune variable dfinie

comme fonction dautres variables partir de la fonction rciproque (ici f 1 )
et de la loi jointe des autres variables.
53
Correction
Comme Z = X + Y et que lesprance est linaire, on a
E(Z) = E(X) + E(Y ) = 0,6 + 0,2 = 0,4.
De plus, on sait que
V (X + Y ) = V (X) + V (Y ) + 2Cov(X,Y ).
On calcule donc les variances de X et Y . On a
E(X 2 ) = (2)2 0,45 + 02 0,25 + 12 0,3
= 2,1,
et
E(Y 2 ) = (1)2 0,5 + 12 0,3 + 22 0,2
= 1.6.
Donc V (X) = E(X 2 ) (E(X))2 = 1,74 et V (Y ) = 1,56. On obtient
finalement
V (Z) = 1,74 + 1,56 + 2 (0,08) = 3,14.
Notons que lesprance et la variance de Z qui sont obtenues ici au moyen de
proprits de ces deux grandeurs pourraient aussi tre calcules directement
partir de la loi de Z. Quelle que soit loption choisie, il faut rappeler les
proprits et dfinitions utilises.
Chapitre 4
Variables alatoires absolument

continues
4.1
Densit, fonction de rpartition et moments
Exercice 4.1
nonc Soit la fonction f dfinie par
(
ax2 + b
f (x) =
0
si x [0,1]
sinon
Question 1 quelles conditions sur a et b la fonction f est-elle la densit

dune variable alatoire continue ?
Question 2 On suppose que a et b vrifient les conditions dtermines la
question prcdente. Soit X une variable alatoire de densit f . On suppose que
P(X 0,5) = 78 . En dduire a et b.
Question 3 Calculer E(X) et V (X) en utilisant les valeurs de a et b obtenues
la question prcdente.
Correction
Pour
R que f soit une densit, il faut que pour tout x, f (x) 0 et que
f (x)dx = 1. On commence par la premire condition. Comme f est
nulle en dehors de lintervalle [0,1], il suffit de considrer le cas x [0,1]
pour lequel on doit avoir ax2 + b 0.
Pour les deux conditions, on peut en gnral se focaliser uniquement sur les
intervalles pour lesquels la fonction propose nest pas nulle.
55
56
Chapitre 4. Variables alatoires absolument continues
Correction
On remarque que f (0) = b, et il faut donc que b 0. Si a = 0, il ny a pas
dautre condition ncessaire pour assurer la positivit.
La drive de f est donne par f 0 (x) = 2ax. Sur lintervalle [0,1], le
signe de f 0 est donc celui de a. Si a > 0, f est croissante sur [0,1] et on a
donc f (x) b pour tout x [0,1]. De ce fait, la condition b 0 est encore
suffisante pour assurer f (x) 0. Si a < 0, f est dcroissante sur [0,1], et
donc a donc f (x) f (1) = a + b pour tout x [0,1]. On doit donc avoir
a + b 0.
En rsum si b 0 et si a b, alors f est positive (le cas a b
inclus en particulier le casR a 0).
Calculons maintenant f (x)dx = 1. Daprs les proprits classiques

de lintgrale, on a
Z
Z 0
Z 1
Z
f (x)dx =
f (x)dx +
f (x)dx +
f (x)dx.
Comme f est nulle en dehors de [0,1], on a donc

Z
Z
f (x)dx =
f (x)dx.
0
Il faut toujours justifier (brivement) la rduction de lintervalle dintgration.

On peut cependant se contenter dcrire directement la deuxime galit, avec
la justification qui la prcde.
Correction
La fonction x 7 ax2 + b admet comme primitive possible la fonction
x 7 a3 x3 + bx. On a donc
Z
0
ax2 + b dx =
ha
3
x3 + bx
i1
0
a
+ b.
3
On doit donc avoir a3 + b = 1 (en plus de b 0 et si a b). Comme

b = 1 a3 , on a doit donc avoir 1 a3 0, soit a 3. De plus a + b 0
devient a + 1 a3 0, soit a 32 .

Finalement, f est une densit si et seulement si a 32 , 3 et b = 1 a3 .
Il ny a pas de difficult majeure dans lanalyse qui prcde, mais il faut tout de
mme tre attentif dans le calcul de la primitive (il faut bien faire la primitive
deux termes de la somme ax2 + b et ne pas crire seulement 13 ax3 + b, par
exemple). De mme, lanalyse des conditions sur a et b doit tre ralise avec
soin afin de ne pas oublier une condition lors des transformations. Ici, on a bien
conserv la condition qui donne une intgrale de 1, puis on a utiliser les deux
4.1. Densit, fonction de rpartition et moments
57
conditions dingalits pour obtenir deux bornes sur a. On a donc conserv

trois conditions, comme il le fallait.
Correction
R
On sait que P(X 0,5) = 0,5 f (x)dx. Comme f est nulle en dehors de
[0,1], et en utilisant la primitive dtermine la question prcdente, on a
Z
P(X 0,5) =
f (x)dx,
0,5
1
Z
=
f (x)dx,
0,5
ha
i1
,
x3 + bx
3
0,5
a
a 1
1
= +b b ,
3
3 8
2
a
b
=1
.
24 2
Une erreur courante dans lanalyse prcdente consiste confondre densit
f et fonction de rpartition F . On sait en effet que, par dfinition, si FX
est la fonction de rpartition de X, P(X 0,5) = 1 FX (0,5) (on a utilis
la continuit de X pour saffranchir de problmes aux bornes de intervalles).
Si on confond f et F , on peut tre tent dcrire (ce qui est faux !) que
P(X 0,5) = 1 f (0,5) = 1 a4 b. On obtient alors un rsultat totalement
diffrent dans la suite (et, insistons sur ce point, faux).
Correction
En utilisant les rsultats de la premire question, on a donc deux quations
deux inconnues :
a
+ b = 1,
3
a
b
7
1
= .
24 2
8
En utilisant b = 1
a
3
dans la deuxime quation, on obtient

1
a
1 a
7
+ = ,
24 2 6
8
ce qui donne a = 3, puis b = 0 (et donc f (x) = 3x2 sur [0, 1]). On remarque
que les valeurs de a et b sont compatibles avec les ingalits tablies la
question 1 et donc quon obtient bien une densit.
La dernire vrification est trs importante. On pourrait en effet supposer par
exemple que P(X 0,5) = 18 . Des calculs similaires ceux effectus ci-dessus
58
donnent a = 3 et b = 2. Or, ces valeurs ne sont pas acceptables daprs les

contraintes obtenues la question 1. Lhypothse P(X 0,5) = 18 entre donc
en contradiction avec lhypothse sur la densit de X. Ce nest pas le cas avec
lhypothse P(X 0,5) = 78 !
Correction
R
On sait que E(X) = xf (x)dx. ce qui donne ici (en tenant compte de
la nullit de f en dehors de [0,1]) :
1
x 3x2 dx,
E(X) =
0
3x3 dx,
0

3 4 1 3
x
= ,
=
4
4
0
=
en utilisant le fait que x 7 34 x4 est une primitive de x 7 3x3 .

Pour calculer V
(X), on utilise la relation V (X) = E(X 2 ) (E(X))2 .
R
2
Comme E(X ) = x2 f (x)dx, on a
2
3x4 dx,
0

3 5 1 3
= ,
=
x
5
5
0
E(X ) =
en utilisant le fait que x 7 53 x5 est une primitive de x 7 3x4 . On a donc

V (X) =
3
9
3
= .
5 16
80
Exercice 4.2
Soit une fonction F dfinie de la faon
a(x + b)2
F (x) =
cx + d
suivante :
si
si
si
si
x 2
x ] 2,0]
x ]0,1]
x>1
Question 1 Donner les conditions que doivent vrifier les nombres rels a, b,
c, d et e pour que F soit la fonction de rpartition dune variable alatoire
relle absolument continue.
59
Question 2 On suppose que F est la fonction de rpartition de X, une variable

alatoire relle absolument continue (et donc que les conditions tablies la
question prcdente sont vrifies). On suppose que P(X 1) = 0. En dduire
les valeurs des rels a, b, c, d et e. quelle loi classique la fonction ainsi obtenue
correspond elle ?
Question 3 On suppose maintenant que F est la fonction de rpartition de
Y , une variable alatoire relle absolument continue (et donc que les conditions
tablies la premire question sont vrifies). On suppose de plus que P(Y
[1; 0,5]) = 58 . En dduire les valeurs des rels a, b, c, d et e.
Question 4 Calculer E(Y ) et V (Y ) pour la variable Y dcrire la question
prcdente.
Correction
On vrifie dans un premier temps les conditions sur les limites. On constate
que limx F (x) = 0, comme cela doit tre le cas. On constate dautre
part que limx F (x) = e, ce qui impose e = 1.
Le traitement des conditions limites est en gnral la partie la plus facile de
lanalyse dune fonction de rpartition. On conseille donc de commencer par
cette partie.
Correction
Comme F doit tre la fonction de rpartition dune variable alatoire
absolument continue, il faut que F soit continue sur R tout entier. On
constate que sur chaque intervalle de sa dfinition, F est continue, car elle
est soit constante, soit affine, soit quadratique. Il faut donc simplement
vrifier que F est continue aux bornes de ces intervalles.
Par continuit de x 7 a(x + b)2 , on a limx2 a(x + b)2 = a(b 2)2 .
Pour que F soit continue en 2, il faut donc que a(b 2)2 = F (2) = 0.
De mme, par continuit de x 7 cx + d, on a limx0 cx + d = d. Pour
que F soit continue en 0, il faut donc que d = F (0) = ab2 .
Enfin, on a limx1 e = e = 1. Pour que F soit continue en 1, il faut
donc que F (1) = c + d = 1.
En rsum, F est continue si et seulement si :
a(b 2)2 = 0
d = ab2
c+d=1
Le raisonnement prsent au dessus est typique dune dmonstration de continuit pour une fonction dfinie par morceaux. Pour que la fonction soit continue,
il faut en effet quelle soit continue sur chaque morceau, mais aussi que tout
se passe bien chaque transition entre deux morceaux. Pour analyser ces
60
points, on sappuie sur la continuit de la fonction sur chaque intervalle, en

faisant comme si la dfinition sur lintervalle sappliquait aussi aux bornes.
Dans lexemple ci-dessus, on considre par exemple quil y a deux dfinitions
pour la valeur de F en 0, la vraie dfinition (donne par a(x + b)2 valu en
0) et la dfinition obtenue en calculant la limite de la formule sur lautre
intervalle (ici la limite en 0 de cx + d). La continuit est garantie si les deux
dfinitions ne sont pas contradictoires, cest--dire si elles donnent la mme
valeur.
Correction
On vrifie enfin que F est croissante. Comme F est continue (avec les
conditions tablies ci-dessus), il suffit de vrifier que F est croissante sur
chaque intervalle. Cest vident pour les intervalles o elle est constante.
Pour lintervalle ] 2,0], F 0 (x) = 2a(x + b). Pour que F soit croissante
il faut donc que 2a(x + b) 0 pour tout x ] 2,0]. Or, nous avons vu
que a(b 2)2 = 0, ce qui implique soit a = 0, soit b = 2 (soit les deux).
Si a = 0, F est identiquement nulle sur ] 2,0] et est donc croissante. Si
a 6= 0, alors b = 2. Dans ce cas, on ne peut pas avoir a < 0. En effet cela
impliquerait F (0) = 4a < 0 ce qui est impossible pour une fonction de
rpartition. On doit donc avoir a > 0 et donc F 0 (x) = 2a(x + 2) 0 sur
] 2,0], soit F croissante sur cet intervalle.
Sur lintervalle ]0,1], F 0 (x) = c et F est donc croissante si et seulement
si c 0. En combinant toutes les conditions, on trouve que F est une
fonction de rpartition si et seulement si :
a(b 2)2 = 0
d = ab2
c+d=1
e=1
c0
a0
Lanalyse de croissance est souvent la phase la plus dlicate. La mthode
gnrale de rsolution consiste calculer les drives sur chaque intervalle
et sassurer de leur positivit. Il est important de sappuyer sur lanalyse
de continuit ce moment car une fonction peut trs bien tre croissante
(strictement) sur chacun de ses intervalles de dfinition sans tre croissante
globale si elle nest pas continue.
Correction
On suppose maintenant que P(X 1) = 0. Par dfinition de la fonction
de rpartition, on a donc F (1) = 0 = a(b 1)2 . Ceci nest possible que si
61
a = 0 ou b = 1. Or, si b = 1, la condition a(b 2)2 = 0 devient a = 0. De

ce fait, on doit ncessairement avoir a = 0. Dans cette situation, la valeur
de b nimporte plus. En revanche, d = ab2 devient d = 0, ce qui implique
c = 1. On obtient donc
a
b
c d e
0 quelconque 1 0 1
La fonction F devient alors beaucoup plus simple et est donne par
0 si x 0
F (x) = x si x ]0,1]
1 si x > 1
On reconnat la fonction de rpartition de la loi uniforme sur lintervalle
[0,1].
Correction
On suppose maintenant que P(Y [1; 0,5]) = 58 . On a
5
= P(Y [1; 0,5])
8
= P(Y ] 1; 0,5])
= F (0,5) F (1)
c
= + d a(b 1)2
2
car Y est une variable alatoire continue

par dfinition dune fonction de rpartition
Comme dans la question prcdente, on tudie dabord la condition a(b

2)2 = 0. Si a = 0, on a aussi d = ab2 = 0 (et la valeur de b nimporte plus).
Daprs la condition c + d = 1, on a c = 1. Lquation sur P(Y [1; 0,5])
ne peut alors pas tre satisfaite car 2c + d a(b 1)2 = 12 .
Donc a > 0, ce qui impose b = 2 et d = 4a. En remplaant dans
lquation sur P(Y [1; 0,5]), on obtient
5
c
= + 3a.
8
2
En utilisant c + d = 1 = c + 4a, on obtient
d = 12 et c = 12 . En rsum
a b
d e
1
8
1
2
1
2
c
2
= 1 2a puis, a =
1
8
puis
62
Correction
Pour calculer lesprance et la variance de Y , on doit dterminer sa densit
fY , cest--dire la drive de F . On obtient directement :
0
si y 2
1 (y + 2) si y ] 2,0]
fY (y) = 41
si y ]0,1]
0
si y > 1
On a alors
Z
E(Y ) =
yfY (y)dy
Z 2
2
Z 1
Z 0
yfY (y)dy
yfY (y)dy +
yfY (y)dy +
yfY (y)dy +
y
y
(y + 2)dy +
dy
4
2
0 2
2 1
0
3
y
y2
y
+
+
=
12
4 2
4 0
(2)3 (2)2 1
+
12
4
4
1
=
12
On calcule V (Y ) en utilisant la relation V (Y ) = E(Y 2 ) E(Y )2 . On a

Z
2
E(Y ) =
y 2 fY (y)dy
0 2
y
Z
=

=
16
=
1
=
2
et donc V (Y ) =
71
144 .
2
y4
Z
0
y3
6
(2)4
16
(y + 2)dy +

+
(2)3
6
0
1
3
y
1
+
6
y2
dy
2
4.2. Lois continues classiques
4.2
63
Lois continues classiques
Exercice 4.3
nonc On remplit un verre de volume 20 cl dune quantit alatoire deau
choisie uniformment entre 0 et 20 cl :
Question 1 quelle est la probabilit dobtenir moins de 5 cl deau ?
Question 2 on vide 5 verres ainsi remplis dans une trs grande bassine. Quelle
quantit moyenne deau obtient-on dans la bassine ?
Correction
Soit V la variable alatoire correspondant la quantit deau dans un
verre. Par hypothse, V suit une loi uniforme sur lintervalle [0, 20].
La seule difficult de modlisation est de bien comprendre quon travaille ici
avec une variable alatoire continue et pas avec une variable discrte. En effet,
il ny a pas de raison de supposer que la quantit deau est ncessairement un
entier, par exemple.
Correction
On cherche P(V 5). Par dfinition de la fonction de rpartition, on a
P(V 5) = FV (5). Or, pour une variable uniforme sur [0, 20], on a
FV (5) =
50
1
= ,
20 0
4
qui est donc la probabilit recherche.

Quand on vide 5 verres remplis alatoirement, V1 , . . . , V5 , on obtient
la quantit alatoire V1 + + V5 . Par linarit de lesprance, on a
E(V1 + + V5 ) = E(V 1) + + E(V5 ).
Les variables tant toutes uniformes sur [0, 20], elles sont toutes desprance
0+20
2 = 10. La quantit moyenne deau obtenue dans la bassine est de donc
5 10 = 50 cl.
Il est important de rappeler la proprit utilise ici pour calculer la quantit
moyenne deau, savoir la linarit de lesprance. On note en particulier que
cette proprit ne ncessite pas lindpendance entre les variables alatoires.
Exercice 4.4
nonc On suppose que la dure de vie dun disque dur est distribue selon une
loi exponentielle. Le fabricant veut garantir que le disque dur a une probabilit
64
infrieure 0.001 de tomber en panne sur un an. Quelle dure de vie moyenne
minimale doit avoir le disque dur ?
Correction
On appelle D la variable alatoire donnant la dure de vie du disque dur.
D suit une loi exponentielle de paramtre . Le fabricant veut garantir
que
P(D 1) 0.001.
Comme P(D a) = FD (a) par dfinition, on obtient lingalit
1 exp( 1) 0.001,
en appliquant la formule classique pour la fonction de rpartition dune
variable de loi exponentielle. On a alors
1 exp() 0.001,
0.999 exp(),
ln(0.999) ,
ln(0.999),
1
1
,
ln(0.999)
1
999,5 .
en utilisant la croissance de ln
en utilisant la dcroissance de
1
x
Or, comme D suit une loi exponentielle, son esprance est 1 . La dure de
vie moyenne du disque dur doit donc tre dau moins 999,5 ans !
Cet exercice est une simple application des proprits de la loi exponentielle et
de la dfinition de la fonction de rpartition. Il faut simplement tre attentif dans
la manipulation des ingalits pour bien obtenir une minoration de lesprance
et donc de la dure de vie.
Exercice 4.5
nonc Daprs une tude rcente, la taille des femmes franaises est distribue
selon une loi normale de moyenne m = 1,58 et dcart-type = 0,06. Pour
produire un stock de vtements, un fabricant souhaite utiliser cette loi.
Question 1 Il commence par dterminer un intervalle de la forme [ma, m+a]
(donc symtrique autour de la moyenne) contenant en moyenne 90 % (environ)
des tailles des femmes franaises : calculer a.
65
Question 2 Il en dduit trois tailles, S, M et L, correspondant respectivement

aux intervalles [m a, m a/3], [m a/3, m + a/3] et [m + a/3, m + a]. Calculer
le pourcentage de la production qui doit tre affect chaque taille.
Correction
Soit T la variable alatoire reprsentant la taille dune femme. Par hypothse, T suit une loi normale N (1,58; 0,062 ). On cherche a > 0 tel
que
P(T [m a,m + a]) = 0,9.
Dans cet exercice, il ny pas dtape de modlisation car la loi de la variable
dintrt est donne explicitement, avec la valeur de ses paramtres. La traduction de lnonc se limite donc exprimer mathmatiquement lvnement
tudi et donner les hypothses sur cet vnement.
Correction
Soit la variable Y = T m
. On sait que Y suit une loi normale standard
2
N (0; 1 ). De plus, on a
ma
a
a

T
T m
T m
m + a,
a,
a
.
Donc P(T [m a, m + a]) = 0,9 est quivalent a P(Y [ a , a ]) = 0,9.

Cherchons donc tel que P(Y [, ]) = 0,9.
On utilise ci-dessus la manipulation classique permettant de se ramener une
variable alatoire distribue selon une loi normale standard pour laquelle on
dispose dune table. La technique consiste appliquer lvnement dfini sur la
variable dorigine (ici T ) les transformations qui conduisent la variable centre
et rduite (ici Y ). On transforme ainsi lvnement sur T en un vnement sur
Y pour lequel on pourra appliquer la table.
Correction
On sait que
P(Y [, ]) = FY () FY (),
car Y est une variable alatoire continue. De plus, par symtrie de la loi
normale standard, on FY () = 1 FY (), et ainsi
P(Y [, ]) = 2FY () 1.
66

De ce fait, chercher tel que P(Y [, ]) = 0,9 est quivalent chercher
tel que FY () = 1+0,9
= 0,95.
2
La table ne donne que la fonction de rpartition de la loi normale. Il faut donc

se ramener une quation portant sur cette fonction. On utilise dabord le
fait que pour toute variable alatoire continue (cest faux pour une variable
discrte), on a
P(X [a, b]) = FX (b) FX (a).
Ensuite, on applique la proprit de symtrie de la loi normale pour se dbarrasser du terme ngatif (le terme FY ()).
Correction
La lecture de la table de la loi normale donne :
FY (1,64) = 0,9495,
FY (1,65) = 0,9505.
Pour avoir un intervalle lgrement plus grand que celui recherch par le
fabricant, on choisit = 1,65. Si on pose a = = 0,06 1,65 = 0,099,
on a donc
P(T [m a, m + a]) = P(T [1,481; 1,679]) ' 0,9
Il faut tre attentif linversion de la relation dans le calcul final de a. On

a en effet trouv grce la table, mais ce nest pas la grandeur recherche
puisque lvnement tudi est Y [ a , a ] alors quon ajust la probabilit de
Y [, ]. On doit donc faire a = , ce qui donne a.
Le reste de lexercice est une application de la mme stratgie de centrage et
de rduction de T , mais avec une utilisation inverse de la table : lvnement
tudi est fix et on doit calculer sa probabilit. On a intrt conserver la
formule a = pour simplifier les calculs.
67
Correction
tudions le premier intervalle. On a
ma
a
a

T
T m
T m
m a3 ,
a3 ,
a
,
3
,
3
et donc

h
a i
= P Y ,
,
P T m a, m
3
3

= FY
FY (),
3

= 1 FY
1 + FY (), par symtrie
3

1,65
,
selon lanalyse prcdente
= 0,9505 FY
3
= 0,9505 0,7088,
par lecture dans la table
= 0,2417.
On a de la mme faon

h
a
a i

P T m ,m +
=P Y ,
,
3
3
3 3

FY
,
= FY
3
3

= 2FY
1,
3
= 2 0,7088 1,
= 0,4176.
Enfin :

h
i
a
P T m + ,m + a = P Y
, ,
3
3

= FY () FY
,
3
= 0,9505 0,7088,

= 0,2417,
68

ce dernier rsultat tant vident par symtrie de la loi normale autour de
sa moyenne.
On calcule enfin les pourcentages partir de ces probabilits. La
production totale correspond 90% de la population et on doit donc
diviser les probabilits obtenues par cette valeur. On obtient alors
% de S =
% de M =
% de L =
0,2417
0,90
0,4176
0,90
0,2417
0,90
' 27%
' 46%
' 27%
Lexercice se termine par un pige classique : comme le fabricant se contente

de cibler 90 % de la population, les probabilits dobtenir les diffrentes tailles
ne donnent pas directement les pourcentages de la production. On doit passer
par un ratio pour obtenir ces pourcentages.
Annexes
69
La dernire version de ce document se trouve sur la page

http://apiacoa.org/teaching/statistics/index.fr.html.
18/02/2016 : version 0.2.0
ajout dun exercice sur les variables alatoires discrtes ;
amlioration de la prsentation.
30/04/2015 : version 0.1.1 correction dune erreur dans lnonc de lexercice 4.1.
26/01/2015 : version 0.1.0
rorganisation pour mieux reflter la structure du cours
ajout dun exercice sur lindpendance conditionnelle
12/03/2014 : version 0.0.9
amlioration de la prsentation ;
ajout dun mode demploi ;
ajout dun exercice sur les variables alatoires discrtes.
07/03/2014 : version 0.0.8
ajout dun exercice de conditionnement.
02/03/2014 : version 0.0.7
ajout dun exercice sur une probabilit non uniforme.
05/04/2013 : version 0.0.6
ajout dun exercice sur les variables alatoires continues (fonction de
rpartition).
05/04/2013 : version 0.0.5
ajout dun exercice sur les variables alatoires continues (densit).
28/04/2012 : version 0.0.4
ajout dun exercice sur les variables fonction dautres variables ;
ajout dun exercice sur les couples de variables.
71
72
27/04/2012 : version 0.0.3

ajout dun exercice sur la loi de Poisson ;
ajout dun exercice sur la loi uniforme ;
ajout dun exercice sur la loi exponentielle ;
ajout dun exercice sur la loi normale.
26/04/2012 : version 0.0.2
ajout dun exercice sur les variables alatoires discrtes ;
ajout dun exercice sur les lois Bernoulli et Binomiale.
23/04/2012 : version 0.0.1
premire version diffuse avec deux exercices corrigs.

Exercices Corrigés de Probabilités Et Statistique

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Exercices Corrigés de Probabilités Et Statistique

Transféré par

Droits d'auteur :

Formats disponibles

Exercices corrigs de

Fabrice Rossi & Fabrice Le Lec

Table des matires

1 Expriences alatoires et probabilits

3 Variables alatoires discrtes

4 Variables alatoires absolument continues

Chapitre 1. Expriences alatoires et probabilits

De la mme faon, on trouve que

En combinant cette quation avec le rsultat obtenu la question prcdent,

Comme pour la premire question, il faut justifier les rponses en voquant

Chapitre 1. Expriences alatoires et probabilits

de tenir compte de ce fait dans : cest en gnral une mauvaise ide. On

Notons quil est important de justifier brivement le choix de la probabilit

Chapitre 1. Expriences alatoires et probabilits

Chapitre 1. Expriences alatoires et probabilits

De mme, lvnement D = {obtenir uniquement des billets de 20 e} se

178 + 158 + 128 58 78 108

La rsolution de lexercice passe comme toujours par une premire phase

Chapitre 2. Conditionnement et indpendance

De la mme faon, on obtient

De la mme faon, on trouve

Chapitre 2. Conditionnement et indpendance

Comme dans la phase danalyse, il est indispensable de bien sappuyer sur

En appliquant {3} le mme raisonnement qu A, on a

Chapitre 2. Conditionnement et indpendance

De ce fait, les deux vnements considrs ne sont pas indpendants.

Dans cet nonc, on utilise volontairement un vocabulaire imprcis du point de

Chapitre 2. Conditionnement et indpendance

P(P E|E5 )P(E5 )

De nouveau, ce calcul ne prsente aucune difficult, mais il faut justifier son

Or, en appliquant de nouveau la dfinition des probabilits conditionnelles,

Chapitre 2. Conditionnement et indpendance

P(P E E4,7 |E5 )P(E5 )

Chapitre 2. Conditionnement et indpendance

La troisime question demande de traduire lnonc mathmatiquement, puis

On note au passage quen retenant un suspect en raison du rsultat dun seul

La question suivante est plus classique et sappuie naturellement sur la rgle

Toutes les valeurs ont t calcules dans les questions prcdentes et on a

Chapitre 2. Conditionnement et indpendance

Variables alatoires discrtes

Loi, fonction de rpartition, esprance et

Chapitre 3. Variables alatoires discrtes

Daprs lnonc, les gains sont soit 0 e, soit 1 e, soit enfin 5 e. De ce

3.1. Loi, fonction de rpartition, esprance et variance

Par exemple ici, on constate que

= P({0} {1, 3, 5})

En procdant de la mme manire pour 1 et 5, on obtient la loi suivante

Lesprance de X est alors

Chapitre 3. Variables alatoires discrtes

En procdant de la mme manire pour les autres valeurs, on obtient la

3.1. Loi, fonction de rpartition, esprance et variance

La rmunration moyenne de lorganisation est de 3 E(Y ), soit

Chapitre 3. Variables alatoires discrtes

Une fois la loi de X dtermine, les questions suivantes sont essentiellement

FX (x) = 23 pour 1 x < 2,

Pour calculer V (X), on utilise V (X) = E(X 2 ) (E(X))2 . On a

Pour le calcul de la variance, il est rare que le passage par la formule de

3.1. Loi, fonction de rpartition, esprance et variance

calcul ci-dessus, on a bien (2)2 = 4 et non pas (22 ) = 4, ce qui donnerait

On constate que Y () = {5, 1, 2, 3}. Pour tout y Y (), on doit

En utilisant le fait que la probabilit sur est uniforme, on obtient le

Chapitre 3. Variables alatoires discrtes

Comme dans la premire partie de lexercice, une fois la loi de Y dtermine,

3.1. Loi, fonction de rpartition, esprance et variance