2f3906da4622e725a807ece1813149b4

Département de Mathématiques et Informatique
Abdelhamid El Mossadeq
Professeur à l’EHTP
© A. El Mossadeq
Mai 2008
TABLE DES MATIÈRES

1. La loi de Bernouilli 1
2. La loi binomiale 1
3. La loi géométrique 2
4. La loi binomiale négative 3
5. La loi multinomiale 4
6. La loi hypergéométrique 5
7. La loi polyhypergéométrique 5
8. La loi de Poisson 6
9. La loi uniforme 6
8. La loi exponentielle 7
9. La loi normale 8
10. La loi du Khi‐deux 9
11. La loi de Student 11
12. La loi de Fisher‐Snedecor 13
13. Les lois de M et S² 14
14. Exercices 15
Lois Usuelles A. El Mossadeq
1. La Loi de Bernouilli
Soient ( ; T ;P ) un espace probabilisé et X une variable aléatoire dé…nie sur cet

espace.
X est une variable aléatoire de Bernouilli de paramètre p, 0 p 1 si
elle prend les valeurs 0 et 1 avec les probabilités 1 p et p respectivement :
8
< P [X = 0] = 1 p
:
P [X = 1] = p
L’espérance mathématique et la variance de X sont données par :
8
< E [X] = p
:
V [X] = p (1 p)
Les fonctions caractéristique et génératrice sont dé…nies par :
8
< (t) = p + (1 p) exp it ; t 2 R
:
G (z) = p + (1 p) z ; z2C
2. La Loi Binomiale
Soit ( ; T ;P ) un espace probabilisé.

Supposons qu’on s’intéresse au nombre de réalisations d’un événement A de
T lorsqu’on fait n épreuves indépendantes de l’expérience aléatoire décrite par
( ; T ;P ).
Notons Zn la variable aléatoire égale au nombre de réalisations de A en n épreuves
indépendantes.
1
A. El Mossadeq Lois Usuelles
Zn est la somme de n variables indépendantes de Bernouilli de même paramètre

p, où :
p = P [A]
Pour tout k , 0 k n, on a :
P [Zn = k] = C(n; k)pk (1 p)n k
La loi de Zn , que l’on note B (n; p), est appelée la loi binomiale d’ordre n
et de paramètre p.
L’espérance mathématique et la variance de Zn sont données par :
8
< E [Zn ] = np
:
V [Zn ] = np(1 p)
Les fonctions caractéristique et génératrice de cette variable sont dé…nies par :
8 n
< n (t) = [p + (1 p) exp it] ; t2R
:
Gn (z) = [p + (1 p) z]n ; z2C
Remarque 1
Une variable aléatoire binomiale d’ordre n et de paramètre p est la somme de n
variables aléatoires indépendantes de Bernouilli de même paramètre p:
3. La Loi Géométrique
Soit A un événement d’un espace probabilisé ( ; T ;P ) :

Soit Y la variable aléatoire égale au nombre d’épreuves nécessaires pour la réal-
isation de l’événement A, les épreuves étant indépendantes.
2
Pour tout k , k 2 N , on a :
P [Y = k] = p (1 p)k 1
où :
p = P [A]
L’espérance mathématique et la variance de Y sont données par :
8
> 1
>
> E [Y ] =

> 1 p
>
: V [Y ] =
p2
8
> p exp it
>
> Y (t) = ; t2R
< 1 (1 p) exp it
>
> pz
>
: GY (z) = ; z2C
1 (1 p) z
4. La Loi Binomiale Négative
Soit A un événement d’un espace probabilisé ( ; T ;P ).

Soit Yr une variable aléatoire dé…nie sur cet espace telle que [Yr = r + k] ,
k 2 N, désigne l’événement :
"A se réalise pour la reme fois à la (r + k)eme épreuve"
les épreuves étant indépendantes.

Pour tout k , k 2 N, on a :
P [Yr = r + k] = C(r + k 1; k)pr (1 p)k
3
La loi de Yr , est appelée la loi binomiale négative d’ordre r et de paramètre

p.
L’espérance mathématique et la variance de Yr sont données par :
8 r
>
> E [Y r ] =
>

> r (1 p)
>
: V [Yr ] =
p2
8 r
>
> p exp it
>
> Yr (t) = ; t2R
< 1 (1 p) exp it
>
> r
>
> pz
: GYr (z) = ; z2C
1 (1 p) z
5. La Loi Multinomiale
On fait n épreuves indépendantes chacune pouvant donner les résultats A1 ; :::; Ar

avec les probabilités p1 ; :::; pr , p1 + ::: + pr = 1.
Notons Zni , 1 i r, la variable aléatoire égale au nombre de réalisations de
Ai en n épreuves indépendantes.
Zni est une variable binomiale d’ordre n et de paramètre pi .
La distribution, dite multinomiale ou polynomiale de degré n, de Zn1 ; :::; Znr
est donnée pour tous k1 ; :::; kr dans f0; :::; ng telles que k1 + ::: + kr = n, par :
n!
P [Zn1 = k1 ; ::; :Znr = kr ] = pk11 ::: pkr r
k1 ! ::: kr !
4
On a :
8
>
> E Zni = npi
>
>
<
V Zni = npi (1 pi )
>
>
>
>
:
Cov Zni ; Znj = npi pj
6. La Loi Hypergéométrique
D’une urne contenant M boules rouges et N M boules blanches, on tire au

hasard n boules sans remise, n N.
Notons Xn la variable aléatoire égale au nombre de boules rouges parmi les n
boules tirées.
Pour tout k , 0 k inf (M; n), on a :
C(M; k)C(N M; n k)
P [Xn = k] =
C(N; n)
On a :
nM
E [Xn ] =
N
nM (N M )(N n)
V [Xn ] =
(N 1)N 2
7. La Loi Polyhypergéométrique
On suppose que l’urne contient N1 boules de la couleur 1, ... , Nr boules de la

couleur r, N1 + :::+ Nr = N .
On tire de l’urne n boules sans remise.
Notons Xni , 1 i r, la variable aléatoire égale au nombre de boules de la
couleur i parmi les n boules tirées.
5
Pour tout k1 , ..., kr tels que k1 + :::+ kr = n, 0 ki inf (Ni ; n), on a :

C(N1 ; k1 ):::C(Nr ; kr )
P Xn1 = k1 ; :::; Xnr = kr =
C(N; n)
8. La Loi de Poisson
Une variable aléatoire X suit une loi de Poisson de paramètre , > 0, si

elle prend des valeurs entières positives ou nulle avec les probabilités :
k
P [X = k] = exp ; k2N
k!
On la note : P ( ).
8
< E [X] =
:
V [X] =
8
< (t) = exp [ (exp it 1)] ; t 2 R
:
G (z) = exp [ (z 1)] ; z2C
9. La Loi Uniforme
On dit qu’une variable aléatoire X suit la loi uniforme sur l’intervalle [a; b] si
elle admet comme densité la fonction dé…nie par :
8
>
> 1
< si x 2 [a; b]
b a
f (x) = ;
>
>
: 0 si x 2 = [a; b]
6
Sa fonction de répartition est donnée par :

8
>
> 0 si x a
>
>
>
>
< x a
F (x) = si a x b
>
> b a
>
>
>
>
: 1 si x b

8
> a+b
>
> E [X] =
< 2
>
> b)2
: V [X] = (a
>
12
Sa fonction caractéristique est dé…nie pour tout t 2 R par :
exp (ibt) exp (iat)
(t) =
i (b a) t
10. La Loi Exponentielle
On dit qu’une variable aléatoire X suit la loi exponentielle de paramètre ,

> 0, si elle admet comme densité la fonction :
8
< exp x si x>0
f (x) =
:
0 six 0
sa fonction de répartition est dé…nie par :
8
< 0 si x 0
F (x) =
:
1 exp x si x 0
7
0.5
y
0.4
0.3
0.2
0.1
0.0
0 1 2 3 4 5 6 7 8 9 10
x
1
La loi exponentielle de parametre =
2

8
> 1
>
> E [X] =
<
>
> 1
>
: V [X] = 2
Sa fonction caractéristique est dé…nie pour tout t 2 R par :
(t) =
it
11. La Loi Normale
Dé…nition 1
On dit qu’une variable aléatoire X suit une loi normale, ou de Gauss, ou de
Laplace-Gauss, de paramètre 2 R et 2 > 0, qu’on note N ; 2 , si elle
possède une densité dé…nie sur R par :
2
1 1 x
f (x) = p exp ; x2R
2 2
8
N (0; 1) est appelée la loi normale centrée réduite.
0.4
y
0.3
0.2
0.1
-3 -2 -1 0 1 2 3
x
La densite de la loi N (0; 1)
2
L’espérance mathématique et la variance de la loi N ; sont données par :
8
< E [X] =
: 2
V [X] =
Sa fonction caractérestique est dé…nie pour tout t 2 R par :
1 2 2
(t) = exp it t
2
12. La Loi du Khi-Deux
On pose :
Z +1
(p) = xp 1 e x dx ; p > 0
0
9
Dé…nition 2
Une variable aléatoire X suit la loi p , p > 0, si elle admet comme densité la
fonction dé…nie par :
xp 1 e x
f (x) = ; x>0
(p)
On a alors :
8
< E [X] = p
:
V [X] = p
Proposition 1
Soient X1 ; :::; Xn n variables aléatoires indépendantes qui suivent une même loi
normale centrée réduite, et considérons la variable aléatoire :
X n
Zn = Xi2
i=1
Zn suit la loi de densité :

n
1 z 2 1 1
fn (z) = n exp z; z>0
2 2
2 2
dite la loi du khi-deux à n degrés de liberté.
On la note : 2n
L’espérance mathématique et la variance de la loi du Khi-deux à n degrés de

liberté sont données par :
8
< E [Zn ] = n
:
V [Zn ] = 2n
Sa fonction caractérestique est dé…nie pour tout t 2 R par :
n
1 2
(t) = ; t2R
1 2it
10
y 0.12
0.10
0.08
0.06
0.04
0.02
0.00
0 2 4 6 8 10 12 14 16 18 20 22 24
x
La densite de la loi du Khi-deux a 7 d:d:l
13. La Loi de Student
Dé…nition 3
Une variable aléatoire X suit la loi Bp;q , p 0 et q 0, si elle admet comme
densité la fonction dé…nie par :
8 p 1
>
> x (1 x)q 1
< si x 2 [0; 1]
f (x) = B (p; q)
>
>
:
0 si x 2= [0; 1]
où :
Z 1
B (p; q) = xp 1
(1 x)q 1
dx
0
On a alors :
8 p
>
> E [X] =
>
< p+q
>
> pq
>
: V [X] =
(p + q + 1) (p + q)2
11
Proposition 2
Soient X et Y deux variables aléatoire indépendantes telles que X suive une loi
normale centrée réduite et Y une loi du khi-deux à n degrés de liberté.
La variable aléatoire :
p
nX
Tn = p
Y
suit la loi de densité :
n+1
1 t2 2
fn (t) = p 1+ ; t2R
nB 12 ; n2 n
dite la loi de Student à n degrés de liberté, notée Tn .
0.4
y
0.3
0.2
0.1
-4 -3 -2 -1 0 1 2 3 4
x
La densite de la loi de Student a 12 d:d:l
L’espérance mathématique et la variance de la loi de Student à n degrés de

liberté sont données par :
8
< E [Tn ] = 0
>
>
: V [Tn ] = n
n+2
12
Remarque 2
On a :
1 t2
lim fn (t) = p exp
n!1 2 2
Donc Tn converge vers la loi normale centrée réduite.
14. La Loi de Fisher-Snedecor
Proposition 3
Soient X et Y deux variables aléatoires indépendantes telles que X suive une loi
du khi-deux à n degrés de liberté et Y une loi du khi-deux à m degrés de liberté.
La variable aléatoire :
mX
F =
nY
suit la loi de densité :
1 n n2 n 1 n n+m
2
f (x) = x 2 1 + x ; x2R
B n2 ; m2 m m
dite la loi de Fisher à n et m degrés de liberté.
0.8
y
0.6
0.4
0.2
0.0
0 1 2 3 4
x
La densite de la loi F (13; 10)
13
15. Les Lois de M et S2
Soient X1 ; :::; Xn un n-échantillon issu d’une variable aléatoire normale de moyenne

2
et de variance .
Posons : 8 n
>
>
> 1X
< M
> =
n i=1
Xi
n
>
> 1 X
>
: S
>
2
= (Xi M )2
n 1 i=1
M et S 2 représentent la moyenne empirique et la variance empirique du n-

échantillon.
Proposition 4
1. Les variables aléatoires M et S 2 sont indépendantes.
2. La variable aléatoire :
(M )
p
n
suit une loi normale centrée réduite.
(n 1) S 2
2
2
suit une loi du à (n 1) degrés de liberté.
(M )
S
p
n
suit une loi de Student à (n 1) degrés de liberté.
14
16. Exercices
Exercice 1
Soient X et Y deux variables aléatoires binomiales indépendantes de paramètres
(n; p) et (m; p) respectivement.
1. Quelle est la loi de probabilité de :
Z =X +Y
2. Quelle est la loi conditionnelle de X sous l’hypothèse [Z = a] ?

3. Soit T une variable aléatoire telle que la loi conditionnelle de T sachant
[X = x] est binomiale de paramètres (x; ).
Montrer que T suit une loi binomiale de paramètres (n; p) :
Solution 1
Les lois de probabilité de X et Y sont dé…nies respectivement par :
P [X = k] = C (n; k) pk (1 p)n k
; 0 k n
et :
P [Y = k] = C (m; k) pk (1 p)m k
; 0 k m
De plus X et Y sont indépendantes.
1. Pour tout k , 0 k n + m, on a :
k
M
[Z = k] = [X = r; Y = k r]
r=0
où :
[X = r; Y = k r] = ; si r > n ou k r>m
15
d’où :
k
X
P [Z = k] = P [X = r; Y = k r]
r=0
Xk
= P [X = r] P [Y = k r]
r=0
puisque X et Y sont indépendantes.

En remplaçant, on obtient :
" k #
X
P [Z = k] = C (n; r) C (m; k r) pk (1 p)n+m k
r=0
= C (n + m; k) pk (1 p)n+m k
Z suit donc une loi binomiale d’ordre n + m et de paramètre p.

2. Pour tout a, 0 a n + m, et pour tout k , 0 k inf (a; n), on a :
P [X = k; Z = a]
P [X = k j Z = a] =
P [Z = a]
P [X = k; Y = a k]
=
P [Z = a]
P [X = k] P [Y = a k]
=
P [Z = a]
C (n; k) C (m; a k)
=
C (n + m; a)
C’est une loi hypergéométrique.
3. Pour tout x, 0 x n, et pour tout k , 0 k x, on a :
P [T = k j X = x] = C (x; k) k
(1 )x k
Déterminons d’abord la loi du couple (X; T ).

Pour tout x, 0 x n, et pour tout k , 0 k x, on a :
16
P [X = x; T = k] = P [X = x] P [T = k j X = x]
= C (n; x) C (x; k) px (1 p)n x k
(1 )x k
D’où :
n
X
P [T = k] = P [X = x; T = k]
x=k
n
X
= C (n; x) C (x; k) px (1 p)n x k
(1 )x k
x=k
n k
X
= C (n; r + k) C (r + k; k) pr+k (1 p)n r k k
(1 )r
r=0
n k
X
k
= C (n; k) (p ) C (n k; r) [p (1 )]r (1 p)n r k
r=0
= C (n; k) (p )k (1 p )n k
d’où le résultat.
Exercice 2
Soient X et Y deux variables aléatoires indépendantes qui suivent des lois de
Poisson de paramètres et respectivement.
Z =X +Y
2. Quelle est la loi conditionnelle de X sous l’hypothèse [Z = n] ?
17
Solution 2
Les lois de probabilité de X et Y sont dé…nies respectivement par :
k
P [X = k] = exp ; k2N
k!
et :
k
P [Y = k] = exp ; k2N
k!
de plus, X et Y sont indépendantes.
1. Pour tout k 2 N on a :
k
M
[Z = k] = [X = r; Y = k r]
r=0
d’où :
k
X
P [Z = k] = P [X = r; Y = k r]
r=0
Xk
= P [X = r] P [Y = k r]
r=0
" k
#
1 X k! r k r
= exp ( + )
k! r=0 r! (k r)!
( + )k
= exp ( + )
k!
Z suit donc une loi de Poisson de paramètre + .
2. Pour tout n 2 N et pour tout k , 0 k n, on a :
P [X = k; Z = n]
P [X = k j Z = n] =
P [Z = n]
P [X = k; Y = n k]
=
P [Z = n]
P [X = k] P [Y = n k]
=
P [Z = n]
puisque X et Y sont indépendantes.
18
En remplaçant, on obtient :
k n k
P [X = k j Z = n] = C (n; k)
+ +
Donc, la loi conditionnelle de X sous l’hypothèse [Z = n] est une loi binomiale
d’ordre n et de paramètre .
+
Exercice 3
Soient X et Y deux variables aléatoires indépendantes qui suivent une même loi
géométrique de paramètre p
Z = max (X; Y )
T =X +Y
3. Quelle est la loi conditionnelle de T sous l’hypothèse [X = k] ?

Calculer l’espérance mathématique de T sous cette hypothèse.
Solution 3
Les lois de probabilité de X et Y sont dé…nies pour tout k 2 N par :
P [X = k] = P [Y = k]
= p (1 p)k 1
De plus, X et Y sont indépendantes.
1. Calculons la fonction de répartition F de la variable aléatoire :
Z = max (X; Y )
19
Pour tout n 2 N on a :
F (n) = P [Z < n]
= P [max (X; Y ) < n]
= P [X < n; Y < n]
= P [X < n] P [Y < n]
"n 1 #2
X
= p (1 p)k 1
k=1
h i2
n 1
= 1 (1 p)
D’où, pour tout n 2 N on a :
P [Z = n] = F (n + 1) F (n)
h i
= p (1 p)n 1 2 (2 p) (1 p) n 1
2. Déterminons la loi de probabilité de la variable aléatoire :
T =X +Y
Pour tout k , k 2, on a :
k 1
M
[T = k] = [X = r; Y = k r]
r=1
d’où :
k 1
X
P [T = k] = P [X = r; Y = k r]
r=1
Xk
= P [X = r] P [Y = k r]
r=1
= (k 1) p2 (1 p)k 1
20
3. Pour tout k 2 N et pour tout n, n k + 1, on a :

P [X = k; T = n]
P [T = n j X = k] =
P [X = k]
P [X = k; Y = n k]
=
P [X = k]
= P [Y = n k]
= p (1 p)n k 1
L’espérance mathématique de T sous cette hypothèse est donnée par :

+1
X
E [T j X = k] = nP [T = n j X = k]
n=k+1
+1
X
= np (1 p)n k 1
n=k+1
X+1
= p (r + k + 1) (1 p)r
r=o
1 p
= k+1+
p
Exercice 4
Soient X et Y deux variables indépendantes suivant la même loi de Bernouilli
de paramètre p, 0 p 1
1. Déterminer les lois de probabilité des variables aléatoires :
U = X +Y
V = X Y
2. U et V sont-elles indépendantes ?
21
Solution 4
On a :
P [X = k] = P [Y = k] = pk (1 p)1 k
; k 2 f0; 1g
1. (a) La variable aléatoire :

U =X +Y
prend ses valeurs dans l’ensemble f0; 1; 2g.
(i) On a :
[U = 0] = [X = 0; Y = 0]
d’où :
P [U = 0] = P [X = 0; Y = 0]
= P [X = 0] P [Y = 0]
= (1 p)2
(ii) On a :
[U = 1] = [(X; Y ) = (0; 1)] [(X; Y ) = (1; 0)]
d’où :
P [U = 1] = P [f(X; Y ) = (0; 1)g f(X; Y ) = (1; 0)g]

= P [X = 0] P [Y = 1] + P [X = 1] P [Y = 0]
= 2p (1 p)
(iii) On a :
P [U = 2] = P [X = 1; Y = 1]
22
d’où :
P [U = 1] = P [X = 1; Y = 1]
= P [X = 1] P [Y = 1]
= p2
Remarquons que U suit une loi binomiale d’ordre 2 et de paramètre p.
(b) La variable aléatoire :

V =X Y
prend ses valeurs dans l’ensemble f 1; 0; 1g.
(i) On a :
[V = 1] = [X = 0; Y = 1]
d’où :
P [V = 1] = P [X = 0; Y = 1]
= P [X = 0] P [Y = 1]
= p (1 p)
(ii) On a :
P [V = 0] = [(X; Y ) = (0; 0)] [(X; Y ) = (1; 1)]
d’où :
P [V = 0] = P [f(X; Y ) = (0; 0)g f(X; Y ) = (1; 1)g]

= P [X = 0] P [Y = 0] + P [X = 1] P [Y = 1]
= p2 + (1 p)2
23
(iii) On a :
[V = 1] = [X = 1; Y = 0]
d’où :
P [V = 1] = P [X = 1; Y = 0]
= P [X = 1] P [Y = 0]
= p (1 p)
2. Les variables aléatoires U et V ne sont pas indépendantes car :
P [U = 0; V = 0] = P [X = 0; Y = 0]
= (1 p)2
alors que :
h i
2 2 2
P [U = 0] P [V = 0] = (1 p) p + (1 p)
Exercice 5
Deux personnes jouent à ”pile” ou ”face” n fois chacune.
1. Quelle est la probabilité que chacune des deux personnes obtienne k fois le
côté ”pile” ?
2. Quelle est la probabilité que les deux personnes obtiennent le même nombre
de fois ”pile” ?
Solution 5
Le nombre de ”pile” obtenu par l’une ou l’autre des deux personnes en jetant la
1
pièce n fois est une variable binomiale d’ordre n et de paramètre :
2
24
1. Pour tout k , 0 k n, la probabilité pik que la ieme personne obtienne k

fois ”pile” est :
k n k
1 1
pik = C (n; k)
2 2
n
1
= C (n; k)
2
d’où, pour tout k , 0 k n, la probabilité pk que les deux personnes
obtiennent chacune k fois ”pile” est :
n 2
1
pk = p1k p2k = C (n; k)
2
2. Ainsi, la probabilité p que les deux personnes obtiennent le même nombre de
fois ”pile” est :
n
X
p = pk
k=0
Xn n 2
1
= C (n; k)
2
k=0
2n
1
= C (2n; n)
2
Exercice 6
On estime que la probabilité pour un nouveau-né d’être primapare est p, et celle
d’être multipare est q = 1 p. On étudie cette parité dans une maternité.
1. Quelle est la probabilité pour que les k premiers nouveaux-nés soient tous des
miltipares ?
2. Quelle est la probabilité pour que le premier primapare soit précédé de k
multipares ?
3. Quelle est la probabilité pour que le reme primapare soit le k eme nouveau-né ?
25
Solution 6
Notons d’abord que les naissances sont indépendantes.
1. La probabilité p1 que les k premiers nouveaux-nés soient tous des multipares

est :
p1 = q k
2. La probabilité p2 que le premier primapare soit précédé de k multipares est :
p2 = pq k
3. Le reme primapare est le k eme nouveau-né, donc il y a r 1 primapares parmi

les k 1 premières naissances, puis un primapare à la k eme naissance.
D’où la probabilité p3 de cet événement est :
h i
p3 = C (k 1; r 1) pr 1 q (k 1) (r 1)
p
= C (k 1; r 1) pr q k r
C’est la loi binomiale négative.
Exercice 7
Un groupe de 2n …lles et 2n garçons est séparé en deux sous groupes de même
e¤ectif.
Quelle est la probabilité que dans chaque sous groupe il y a autant de …lles que
de garçons ?
Solution 7
Le nombre de groupes d’e¤ectif 2n d’un ensemble à 4n éléments est :
(4n)!
C (4n; 2n) =
(2n)! (2n)!
26
Le nombre de groupes à n …lles parmi les 2n …lles et n garçons parmi les 2n

garçons est :
2
(2n)!
C (2n; n) C (2n; n) =
n!n!
D’où, la probabilité p que dans chaque sous groupe il y a autant de …lles que de
garçons est :
[C (2n; n)]2
p =
C (4n; 2n)
[(2n)!]4
=
(n!)4 (4n)!
C’est une distribution hypergéométrique.
Exercice 8
dans une loterie, il y a 400 billets et 4 prix.
Une personne détient dix billets.
Quelle est la probabilité qu’elle gagne au moins un lot ?
Solution 8
Désignons par pk la probabilité pour que la personne gagne exactement k lots.
Pour tout k , 0 k 4, on a :
C (4; k) C (396; 10 k)
pk =
C (400; 10)
La probabilité p pour que la personne gagne au moins un lot est :
4
X
p = pk
k=1
= 1 p0
= 0:096662
27
Exercice 9
On distribue les 52 cartes d’un jeu à quatre joueurs A; B; C et D.
Soient a, b, c et d le nombre d’as reçus par les joueurs respectivement, a + b +
c + d = 4.
1. Quelle est la probabilité d’une répartition (a; b; c; d) ?

2. On considère les répartitions ( ; ; ; ) où l’un des joueurs, sans préciser
lequel, reçoit as, un autre as, un autre as et un autre as.
Combien y a-t-il de répartitions de ce type ?
Evaluer la probabilité de chacune de ces répartitions
Solution 9
1. Nous sommes en présence d’une distribution polyhypergéométrique.
Notons p (a; b; c; d) la probabilité de la répartition (a; b; c; d).
On a alors :
C (13; a) C (13; b) C (13; c) C (13; d)
p (a; b; c; d) =
C (52; 4)
2. Notons p0 ( ; ; ; ) la probabilité de la répartition ( ; ; ; ).
Il y a cinq type de répartitions ( ; ; ; ) :
(a) les répartitions du type (4; 0; 0; 0) : l’un des quatre joueurs reçoit les
quatre as.
Le nombre de possibilités correspondantes est :
C (4; 1) = 4
D’où :
p0 (4; 0; 0; 0) = 4p (4; 0; 0; 0)
2
= 1:0564 10
(b) les répartitions du type (3; 1; 0; 0) : l’un des quatre joueurs reçoit trois as,
un deuxième un as.
28
A (4; 2) = 12
D’où :
p0 (3; 1; 0; 0) = 12p (3; 1; 0; 0)

= 0:1648
(c) les répartitions du type (2; 2; 0; 0) : deux joueurs reçoivent chacun deux
as.
C (4; 2) = 6
D’où :
p0 (2; 2; 0; 0) = 6p (2; 2; 0; 0)
= 0:13484
(d) les répartitions du type (2; 1; 1; 0) : l’un des quatre joueurs reçoit deux as,
deux autres reçoivent chacun un as.
P (2; 1; 1) = 12
D’où :
p0 (2; 1; 1; 0) = 12p (2; 1; 1; 0)

= 0:5843
(e) les répartitions du type (1; 1; 1; 1) : chaque joueur reçoit un as.

C (4; 4) = 1
29
D’où :
p0 (1; 1; 1; 1) = p (1; 1; 1; 1)
= 0:1055
Exercice 10
On considère deux urnes contenant chacune dix boules : la première deux noires
et huit blanches, la deuxième cinq noires et cinq blanches.
1. On tire de la première urne trois boules simultanément et on désigne par X la

variable aléatoire représentant le nombre de boules blanches obtenues lors du
tirage.
Déterminer la loi de probabilité de X et son espérance mathématique.
2. On tire trois boules simultanément de l’une des deux urnes. Elles sont toutes
blanches. Quelle est la probabilité de les avoir tirées de la première urne ?
Solution 10
1. (a) Déterminons la loi de probabilité de X:
Puisque l’urne ne contient que deux boules noires, donc au moins l’une
des trois boules tirées serait blanche.
Comme X suit une loi hypergéométrique, alors pour tout k , 1 k 3,
on a :
C (8; k) C (2; 3 k)
P [X = k] =
C (10; 3)
D’où :
1
P [X = 1] =
15
7
P [X = 2] =
15
7
P [X = 3] =
15
30
(b) Calculons l’espérance mathématique de X:

On a :
3
X
E [X] = kP [X = k]
k=1
= 2:4
2. Considérons les événements :

B : ”les trois boules sont blanches”
U1 : ”les tirages sont e¤ectués de la première urne”
U2 : ”les tirages sont e¤ectués de la deuxième urne”

On a : 8
>
> 1
>
> P [U1 ] = P [U2 ] =
>
> 2
>
>
>
< 7
P [B j U1 ] = P [X = 3] =
>
> 15
>
>
>
>
>
> C (5; 3) C (5; 0) 1
>
: P [B j U2 ] = =
C (10; 3) 12
d’où :
P [U1 ] P [B j U1 ]
P [U1 j B] =
P [U1 ] P [B j U1 ] + P [U2 ] P [B j U2 ]
28
=
33
Exercice 11
Un industriel vend des paquets de thé par lot de 25 paquets.
chaque paquet est supposé peser cent grammes, mais le côntrole statistique a
établi, à partir de l’expérience antérieure de l’usine, que deux pour cent des paquts
produits n’ont pas un poids réglementaire, c’est à dire qu’ils pèsent moins de cent
grammes.
31
1. On choisit au hasard un lot.

Calculer la probabilité P1 qu’on y trouve au moins un paquet de thé non
réglementaire.
2. On choisit au hasard cinq lots.
Déterminer :
(a) la probabilité P2 que chaque lot contient au moins un paquet de thé non
réglementaire.
(b) la probabilité P3 que chaque lot contient exactement un paquet de thé
non réglementaire.
(c) la probabililité P4 que quatre lot contiennent au plus trois paquets de thé
non réglementaires et le cinquième plus de trois paquets non réglemen-
taires.
3. Un épicier achète à l’industriel cent lots.

Déterminer l’espérance mathématique du nombre de lots qui contiennent :
(a) exactement trois paquets non réglementaires

(b) au moins deux paquets non réglementaires
(c) au plus trois paquets non réglementaires
Solution 11
Désignons par X la variable aléatoire représentant le nombre de paquets de thé
non réglementaires dans un lot donné. Alors X est une variable binomiale d’ordre
n = 25 et de paramètre p = 0:02 : B (n; p)
P [X = k] = C (25; k) (0:02)k (0:98)25 k
et :
E [X] = np = 0:5
32
1. La probabilité P1 de trouver au moins un paquet de thé non réglementaire est

donnée par :
P [X 1] = 1 P [X < 1]
= 1 P [X = 0]
= 0:60346
2. Notons Xi ,1 i 5, la variable aléatoire représentant le nombre de paquets

de thé non réglementaires dans le ieme lot. Alors (X1 ; X2 ; X3 ; X4 ; X5 ) con-
stituent un 5-échantillon de variable parente X , c’est àdire que (X1 ; X2 ; X3 ; X4 ; X5 )
sont des variables aléatoires indépendantes qui suivent la même loi que X .
(a) La probabilité que le ieme lot contient au moins un paquet de thé non
réglementaire.est :
P [Xi 1] = P [X 1]
donc la probabilité P2 que chaqu’un des cinq lots contient au moins un

paquet de thé non réglementaire est :
5
Y
P2 = P [Xi 1]
i=1
= (P [X 1])5
2
= 8:0028 10
(b) La probabilité qu’un lot contient exactement un paquet de thé non régle-
mentaire est :
P [X = 1] = 0:30789
33
D’où, la probabilité P3 que chaque lot contient exactement un paquet de

thé non réglementaire est :
5
Y
P3 = P [Xi = 1]
i=1
= (P [X = 1])5
2
= 2:7668 10
(i) La probabililité qu’un lot contient au plus trois paquets de thé non
réglementaires est :
3
X
P [X 3] = P [X = k]
k=0
X3
= C (25; k) (0:02)k (0:98)25 k
k=0
= 0:99855
(ii) La probabililité qu’un lot contient plus de trois paquets de thé non
réglementaires est :
P [X 3] = 1 P [X < 3]
X2
= 1 C (25; k) (0:02)k (0:98)25 k
k=0
2
= 1:3243 10
(iii) Donc, .la probabililité P4 que quatre lot contiennent au plus trois
paquets de thé non réglementaires et le cinquième plus de trois paquets
non réglementaires est :
P4 = C (5; 4) (P [X 3])4 P [X 3]
= 0:065832
34
(a) Désignons par Yk la variable aléatoire égale au nombre de lots, parmi les
cent lots acheté par l’épicier, contenat chacun exactement k paquets non
réglementaires. Alors, la variable aléatoire Yk est distribuée selon une loi
binomiale d’ordre n = 100 et de paramètre p = P [X = k] :
P [Yk = i] = C (100; i) (P [X = k])i (1 P [X = k])100 i
En particulier, pour k = 3, on obtient :
P [Y3 = i] = C (100; i) (P [X = 3])i (1 P [X = 3])100 i
= C (100; i) (0:011798)i (0:988202)100 i
Puisque :
P [X = 3] = 0:011798
Il en résulte que :
E [Y3 ] = np = 1:1798
(b) Désignons par Tk la variable aléatoire égale au nombre de lots, parmi les
cent lots acheté par l’épicier, contenat chacun au moins k paquets non
réglementaires. Alors, la variable aléatoire Tk est distribuée selon une loi
binomiale d’ordre n = 100 et de paramètre p = P [X k] :
P [Tk = i] = C (100; i) (P [X k])i (1 P [X k])100 i
P [T2 = i] = C (100; i) (P [X 2])i (1 P [X 2])100 i
= C (100; i) (0:088645)i (0:911355)100 i
Puisque :
P [X 2] = 0:088645
35
E [T2 ] = np = 8:8645
(c) Désignons par Sk la variable aléatoire égale au nombre de lots, parmi

les cent lots acheté par l’épicier, contenat chacun au plus k paquets non
réglementaires. Alors, la variable aléatoire Sk est distribuée selon une loi
binomiale d’ordre n = 100 et de paramètre p = P [X k] :
P [Sk = i] = C (100; i) (P [X k])i (1 P [X k])100 i
P [S3 = i] = C (100; i) (P [X 3])i (1 P [X 3])100 i
= C (100; i) (0:99855)i (0:00145)100 i
Puisque :
P [X 3] = 0:99855
E [S3 ] = np = 99:855
Exercice 12
On considère une urne contenant b boules blanches et a b boules noires.
On tire au hasard une boule de l’urne, on note sa couleur, puis on la remet dans
l’urne en y remettant en même temps r boules de la même couleur que la boule
tirée, r 2 Z.
On e¤ectue ainsi n tirages et note X la variable aléatoire donnant le nombre de
boules blanches obtenues sur ces n tirages.
1. Quelle est la probabilité d’avoir k boules blanches aux k premiers tirages puis
(n k) boules noires aux (n k) tirages suivants ?
2. En déduire la loi de probabilité de X .
36
3. Quelles sont les lois obtenues dans chacun des deux cas suivants :
(a) r = 0 ?
(b) r = 1?
Solution 12
1. La probabilité pk d’avoir k boules blanches aux k premiers tirages puis (n k)
boules noires aux (n k) tirages suivants est :
b b + r b + (k 1) r a b (a b) + r (a b) + (n k 1) r
pk = ::: :::
a a + r a + (k 1) r a + kr a + (k + 1) r a + (n 1) r
kQ1 nQ
k 1
(b + ir) ((a b) + ir)
i=0 i=0
= nQ1
(a + ir)
i=0
2. Il en résulte que :
P [X = k] = C (n; k) pk
kQ1 nQ
k 1
(b + ir) ((a b) + ir)
i=0 i=0
= C (n; k) nQ1
(a + ir)
i=0
(a) Lorsque r = 0, les tirages sont alors e¤ectués avec remise, et la loi de X
b b
est donc une loi binomiale d’ordre n et de paramètre : B n; :
a a
kQ1 nQ
k 1
b (a b)
i=0 i=0
P [X = k] = C (n; k) nQ1
(a + ir)
i=0
k n k
b a b
= C (n; k)
a a
37
(b) dans le cas où r = 1, les tirages sont alors e¤ectués sans remise, et la
loi de X est donc une loi hypergéométrique :
kQ1 nQ
k 1
(b i) ((a b) i)
i=0 i=0
P [X = k] = C (n; k) nQ1
(a i)
i=0
C (b; k) C (a b; n k)
=
C (a; n)
Exercice 13
Une usine fabrique quatre cent lampes électriques à l’heure.
On admet que le nombre X de lampes défectueuses produites en une heure suit
une loi de Poisson de paramètre :
1. On suppose
= 15
Calculer :
P [X > 15]
2. Déterminer la plus grande valeur entière du paramètre tel que :
P [X > 20] 0:05
Solution 13
Pour tout k 2 N on a :
k
P [X = k] = e
k!
1. Si :
= 15
38
alors :
P [X > 15] = 1 P [X 15]

X15 k
= 1 e
k!
k=0
= 0:43191
2. La relation :
P [X > 20] 0:05
équivaut à :
P [X 20] 0:95
d’où :
= 14
Exercice 14
1
Un artilleur a une probabilité de d’atteindre une certaine cible.
5
Il tire dix coups et on compte le nombre de fois N où il atteint la cible.
1. Quelle est la loi de probabilité de N ?

2. Quelle est la probabilité qu’il ait touché la cible une fois ?
3. Quelle est la probabilité qu’il ait touché la cible au moins une fois ?
Solution 14
1 1
1. N suit une loi binimiale d’ordre 10 et de paramètre : B 10; :
5 5
D’où, pour tout k , 0 k 10, on a :
k 10 k
1 4
P [N = k] = C (10; k)
5 5
39
2. La probabilité p1 que l’artilleur ait touché la cible une fois est :
p1 = P [N = 1]
9
1 4
= C (10; 1)
5 5
= 0:26844
3. La probabilité P1 que l’artilleur ait touché la cible au moins une fois est :
10
X
P1 = P [N = k]
k=1
= 1 P [N = 0]
= 0:89263
Exercice 15
Une agence de renseignements A comprend plusieurs services spécialisés. Soit S
l’un d’entre eux.
Le nombre de clients qui s’adresse à l’agence A au cours d’une journée est une
variable aléatoire X qui suit une loi de Poisson de paramètre :
Désignons par Y la variable aléatoire représentant le nombre de clients s’adressant
au service S .
1. Quelle est la probabilité, qu’un jour donné, n clients s’adresse à l’agence ?

2. Chaque client a la probabilité p de consulter le service S .
Quelle est la probabilité qu’au cours d’une journée où n clients sont venus, k
d’entre eux ont aient consulté le service S ?
3. Déterminet la loi conjointe de (X; Y ).
4. En déduire la loi de probabilité de la variable aléatoire Y .
40
Solution 15
1. Pour tout n, n 2 N, on a :
n
P [X = n] = e
n!
2. Si chaque client a la probabilité p de consulter le service S , la loi condition-
nelle de Y , sous l’hypothèse [X = n], est une loi binomiale d’ordre n et de
paramètre p :
P [Y = k j X = n] = C (n; k) pk (1 p)n k
pour tout k , 0 k n:
3. Pour tout n 2 N et tout k , 0 k n, on a :
P [X = n; Y = k] = P [X = n] P [Y = k j X = n]
n
= pk (1 p)n k
e
k! (n k)!
4. Il en résulte que la loi marginale de Y est donnée pour tout k 2 N par :
X
P [Y = k] = P [X = n; Y = k]
n2N
Or :
n k
donc :
1
X
P [Y = k] = P [X = n; Y = k]
n=k
X1
= P [X = n + k; Y = k]
n=0
X1
= P [X = n + k] P [Y = k j X = n + k]
n=0
X1
1
= n+k k
p (1 p)n e
n=0
k!n!
41
X1
1
P [Y = k] = ( p)k [ (1 p)]n e
n=0
k!n!
1
X
( p)k [ (1 p)]n
= e
k! n=0
n!
( p)k (1 p)
= e e
k!
( p)k p
= e
k!
donc Y suit une loi de Poisson de paramètre p:
Exercice 16
Le nombre de voitures fabriquées par une usine suit une loi de Poisson de
paramètre , > 0.
La probabilité pour qu’une voiture présente un défaut de fabrication est p, p > 0:
1. Sachant que N voitures ont été fabriquées par l’usine, calculer la probabilité
pour que k d’entre elles présentent un défaut.
2. Calculer la probabilité que k voitures produites soient défectueuses.
Solution 16
Soit X la variable aléatoire représentant le nombre de voiture fabriquées par
l’usine.
On a :
k
P [X = k] = e ; k2N
k!
Désignons par D la variable aléatoire représentant le nombre de voitures dé-
fectueuses fabriquées par l’usine.
42
1. Sous l’hypothèse [X = N ], la variable aléatoire D suit une loi binomiale

d’ordre N et de paramètre p: B (N; p) :
D’où, pour tout k , 0 k N on a :
P [D = k j X = N ] = C (N; k) pk (1 p)N k
2. Il en résulte que :
+1
X
P [D = k] = P [X = N; D = k]
N =k
+1
X
= P [X = N ] P [D = k j X = N ]
N =k
+1
X
= P [X = N + k] P [D = k j X = N + k]
N =0
+1
X N +k
= e C (N + k; k) pk (1 p)N
(N + k)!
N =0
+1
X
( p)k [ (1 p)]N
= e
k! N!
N =0
k
( p)
= exp exp (1 p)
k!
( p)k
= exp p
k!
D suit donc une loi de Poisson de paramètre p.
Exercice 17
Soient X1 ; :::; Xn n variables aléatoires indépendantes qui suivent toutes une
même loi exponentielle de paramètre , > 0:
Déterminer la loi de la variable aléatoire :
Zn = X1 + ::: + Xn
43
Solution 17
Soit :f la densité de probabilité de loi exponentielle de paramètre , et pour tout
k , 1 k n, soit fk la densité de X1 + ::: + Xk .
On a :
8
< 0 si x 0
f (x) =
:
exp x si x > 0
Démontrons, par récurrence sur n, que la densité fn de X1 + ::: + Xn .est dé…nie
pour tout x > 0 par :
n
fn (x) = xn 1
exp x
(n 1)!
les variables aléatoires X1 ; :::; Xn étant indépendantes
(i) Pour n = 1, la propriétés est vraie.

(ii) Suposons que pour tout k , 1 k n 1, la densité fk de de la variable
aléatoire X1 + ::: + Xk est :
8
>
> 0 si x 0
<
fk (x) = k
>
>
: xk 1
exp x si x>0
(k 1)!
Puisque X1 ; :::; Xn sont indépendantes, alors :
fn (x) = (fn 1 f ) (x)

Z +1
= fn 1 (t) f (x t) dt
1
8
>
> 0 x 0
<
= Z x n 1
>
>
: tn 2 e t e (x t)
dt x>0
(n 2)!
8 0
>
> 0 x 0
<
= n Z x
>
>
: e x tn 2 dt x>0
(n 2)! 0
44
et par suite :
8
>
> 0 x 0
<
fn (x) = n
>
>
: xn 1 e x
x>0
(n 1)!
d’où le résultat.
Exercice 18
Soient X et Y deux variables aléatoires indépendantes qui suivent des lois nor-
males N 1 ; 21 et N 2 ; 22 respectivement.
Déterminer la loi de la variable aléatoire :
T =X +Y
Solution 18
On a :
2
1 1 x 1
fX (x) = p exp ; x2R
1 2 2 1
et :
2
1 1 x 2
fY (y) = exp p ; x2R
2 2 2 2
Puisque X et Y sont indépendantes alors :
fX+Y (u) = (fX fY ) (u)

Z +1
= fX (t) fY (u t) dt
1
Z " #
+1 2 2
1 1 t 1 u t 2
= exp + dt
2 1 2 1 2 1 2
1 1 2
= p p exp [u ( 1 + 2 )]
2
1 + 2
2 2 2 ( 21 + 2)
2
45
Puisque pour tout a, a > 0, on a :

Z +1 r
b2 4ac
exp ax2 + bx + c dx = exp
1 a 4a
Donc la variable aléatoire :
T =X +Y
2 2 2 2
suit une loi normale de moyenne 1+ 2 et de variance 1+ 2 :N 1 + 2; 1 + 2
Exercice 19
Soient X et Y deux variables aléatoires indépendantes qui suivent des lois nor-
males N (0; 1) et N ; 2 respectivement.
1. Calculer :
(a) P [X < 2:41]

(b) P [X < 1:09]
2. Déterminer x tel que :
(a) P [X < x] = :975

(b) P [X < x] = :883
3. Trouver une relation entre P [X < x] et P [X < x]

4. Montrer que :
P [a < X < b] = P [X < b] P [X < a]
5. En déduire P [ a < X < a] en fonction de P [X < a] :

6. Montrer que :
y
P [Y < y] = P X <
Calculer lorsque = 4 et =2:
P [3 < Y < 4]
46
7. On suppose que :
8
 1] = :8413
:
P [Y > 9] = :0228
Déterminer alors et :
Solution 19
1. D’après la table de la loi normale centrée réduite on a :
P [X < 2:41] = :92
P [X < 1:09] = :8621

P [X < x] = 0:975 =) x = 1:96
P [X < x] = 0:883 =) x = 1:19

3. Puisque la densité de la loi normale centrée réduite est une fonction paire,
alors on a :
P [X < x] = P [X x]
= 1 P [X < x]
4. On a :
]a; b[ = ] 1; b[ ] 1; a] =) P [a < X < b] = P [X < b] P [X a]
=) P [a < X < b] = P [X < b] P [X < a]

puisque X est absolument continue.
5. On a :
P [ a < X < a] = P [X < a] P [X < a]

= 2P [X < a] 1
47
6. Puisque X est la variable aléatoire centrée réduite associée à Y , alors :

y
P [Y < y] = P X <
Calculons :
P [3 < Y < 4]
lorsque = 4 et = 2:
On a :
P [3 < Y < 4] = P [Y < 4] P [Y < 3]

= P [X < 0] P [X < 0:5]
= P [X < 0] (1 P [X < 0:5])
= 0:5 1 + 0:6915
= 0:1915
7. On a :
8
8 > 1
 1] = :8413 >
 = :8413
()
: >
> 9
P [Y > 9] = :0228 : P X> = :0228
8
>
> 1

> 9
: P X< = :9772
8
>
< 1
=1
() 9
>
: =2
( 8
=
() 3
= +1
48
Exercice 20
La taille des individus d’une certaine population est une variable aléatoire normale
de moyenne 171 cm et d’écart-type 4 cm
1. Un individu étant choisi au hasard et X étant sa taille en cm.

Déterminer la probabilité des événements suivants :
(a) [X = 175 cm] à un cm près,

(b) [X > 190 cm]
(c) [jX 171j > 8] :
2. On choisit au hasard dix personnes dans la population et l’on note M10 la
moyenne des tailles des individus choisis.
(a) Calculer l’espérance mathématique et la variance de M10 :

(b) Déterminer a tel que :
P [jM10 171j > a] = 0:1
3. On choisit au hasard n personnes dans la population et l’on note Mn la

moyenne des tailles des individus choisis.
(a) Calculer l’espérance mathématique et la variance de Mn :

(b) En admettant que Mn suit une loi normale, déterminer a tel que :
P [jMn 171j > a] = 0:1
(c) Démontrer que pour tout a, a > 0, on a :
lim P [jMn 171j > a] = 0

n!1
Solution 20
Soit N la variable aléatoire normale centrée réduite associée à X :
X 171
N=
4
49
(a)
P [174 X 176] = P [X 176] P [X 174]

176 171 174 171
= P N P N
4 4
= P [N 1:25] P [N :75]
= 0:8944 0:7734
= 0:121
(b)
195 171
P [X > 195] = 1 P N<
4
= 1 P [N < 6]
= 0
(c)
P [jX 171j > 8] = P [jN j > 2]

= 1 P [jN j < 2]
= 2 2P [N < 2]
= :0456
2. Soit X1 ; :::; X10 le 10-échantillon tiré de la population.

On a :
10
X
M10 = Xk
k=1
M10 est la moyenne empirique du 10-échantillon.
50
(a) Il en résulte que :
E [M10 ] = E [X]
= 171 cm
et :
V [X]
V [M10 ] =
10
= 1:6 cm2
et par conséquent :
[X]
[M10 ] = p
10
= 1:2649 cm
M10 suit une loi normale N 171 cm; 1:6 cm2

(b) On a :
jM10 171j a
P [jM10 171j > a] = P >
[M10 ] [M10 ]
M10 171 a
= 2 2P <
[M10 ] [M10 ]
d’où :
P [jM10 171j > a] = 0:1
équivaut à :
M10 171 a
P < = 0:9
[M10 ] [M10 ]
d’où :
a
= :8289
[M10 ]
et …nalement :
a = 1:0485
51
3. Soit X1 ; :::; Xn le n-échantillon tiré de la population.

On a :
n
X
Mn = Xk
k=1
Mn est la moyenne empirique du n-échantillon.
(a) Il en résulte que :
E [Mn ] = E [X] = 171 cm
et :
V [X] 16
V [Mn ] = =
n n
et par conséquent :
[X] 4
[Mn ] = p = p
n n
16
Mn suit une loi normale N 171 cm; cm2 :
n
(b) Par un calcul analogue on aboutit à :
a
= :8289
[Mn ]
d’où :
3:3156
a= p
n
(c) D’après l’inégalité de Bienaymé-Tchebychev, pour tout a, a > 0, on a :
V [Mn ]
P [jMn 171j > a]
a2
16
na2
d’où pour tout a, a > 0, on a :
lim P [jMn 171j > a] = 0

n!1
52
Exercice 21
Une machine fabrique en série une des pièces utilisées dans la construction d’un
appareil électroménager.
Le diamètre de cette pièce doit être 10 cm, mais une marge de tolérance m
est permise, c’est à dire toute pièce dont le diamètre est élément de l’intervalle
[10 m; 10 + m] est acceptée.
On admet que la diamètre L de la pièce est une variable aléatoire normale de
moyenne = 10 cm et d’écart-type = 0:12 cm:
1. Calculer :
(a) la probabilité qu’une pièce mesure moins de 9:85 cm:

(b) la probabilité qu’une pièce mesure moins de 10:21 cm sachant qu’elle
mesure plus de 9:85 cm:
2. Sur 4375 pièces usinées, 924 ont dû être refusées : motié d’entre elles étant
trop grandes et les autres trop petites.
Déterminer la marge de tolérance m:
3. En supposant que le réglage de la machine permette que la variable aléatoire L
soit toujours régie par une loi normale de moyenne = 10 cm et d’écart-type
, quelle valeur faudrait-il donner à pour que 90% de la production de cette
machin esoit acceptés ?
Solution 21
Soit.:
L
D=
la variable aléatoire normale centrée réduite associée à L.
53
1. (a) On a :
9:85 10
P [L < 9:85] = P D<
0:12
9:85 10
= P D<
0:12
= P [D < 1:25]
= 1 P [D < 1:25]
= 0:1056
(b) On a :
P [(L < 10:21) \ (L > 9:85)]
P [L < 10:21 j L > 9:85] =
P [L > 9:85]
P [9:85 < L < 10:21]
=
P [L > 9:85]
P [L < 10:21] P [L < 9:85]
=
P [L > 9:85]
Or :
10:21 10
P [L < 10:21] = P D<
0:12
= P [D < 1:75]
= 0:9599
et :
P [L > 9:85] = 1 P [L < 9:85]

= P [D < 1:25]
= 0:8944
d’où :
P [L < 10:21 j L > 9:85] = 0:95517
54
2. On a :
m m
P [L 2
= [10 m; 10 + m]] = P D2
= ;
0:12 0:12
m m
= 1 P D2 ;
0:12 0:12
h m i
= 2 2P D <
0:12
or :
924
P [L 2
= [10 m; 10 + m]] =
4375
= 0:2112
donc :
h m i
P D< = 0:8944
0:12
d’où :
m
= 1:25
0:12
et …nalement :
m = 0:15
3. Puisque la relation :
P [L 2 [10 m; 10 + m]] = 0:90
est équivalente à :
h mi
P D< = 0:95
alors :
m
= 1:65
et …nalement :
0:15
=
1:65
' 0:09
55
Exercice 22
Tn désigne une variable aléatoire de Student à n degrés de liberté.
1. Déterminer t tel que :
(a) P [T7 < t] = :95

(b) P [T24 < t] = :6
2. Calculer :
(a) P [T5 < :92]

(b) P [T7 < 3]
3. Déterminer n tel que :
(a) P [Tn < 2:6] = :99

(b) P [Tn < 1:94] = :95
4. Trouver une relation entre P [Tn < x] et P [Tn < x]

5. En déduire P [ a < Tn < a] en fonction de P [Tn < a]
Déterminer a tel que :
P [ a < T5 < a] = :95
Solution 22
1. D’après la table de la fonction de répartition de la loi Student à n degrés de
liberté, on a :
P [T7 < t] = :95 =) t = 1:9
P [T24 < t] = :6 =) t = :256

liberté, on a :
P [T5 < 0:92] = :8
P [T7 < 3] = :99
56

liberté, on a :
P [Tn < 2:6] = :99 =) n = 15
P [Tn < 1:94] = :95 =) n=6

4. Puisque la densité de probabilité de la variable aléatoire de Student à n degrés
de liberté est une fonction paire, donc :
P [Tn < x] = P [Tn > x]

= 1 P [Tn < x]
5. On en déduit que :
P [ a < Tn < a] = P [Tn < a] P [Tn < a]

= 2P [Tn < a] 1
En particulier :
P [ a < T5 < a] = :95 =) 2P [T5 < a] 1 = :95
=) P [T5 < a] = :975
=) a = 2:57
Exercice 23
n désigne une variable aléatoire du Khi-deux à n degrés de liberté.
1. Déterminer x tel que :

2
(a) P 26 < x = :75
2
(b) P 21 < x = :01
2. Calculer :
2
(a) P 3 < 1:21
2
(b) P 5 < 9:24
57
3. Déterminer n tel que :

2
(a) P n < 3:36 = :5
2
(b) P n < 2:20 = :1
Solution 23
1. D’après la table de la fonction de répartition de la loi du Khi-deux à n degrés
de liberté , on a :
2
P 26 < x = :75 =) x = 30:4
2
P 21 < x = :01 =) x = 8:9
2
P 3 < 1:21 = 0:25
2
P 5 < 9:24 = 0:9
2
P n < 3:36 = :5 =) n=4
2
P n < 2:2 = :1 =) n=6
Exercice 24
Fn;m désigne une variable aléatoire de Fisher à (n; m) degrés de liberté.
1. Déterminer f tel que :
(a) P [F2;5 < f ] = :95

(b) P [F12;8 < f ] = :95
58
(a) P [F7;12 < f ] = :975

(b) P [F16;13 < f ] = :975
(a) P [F20;11 < f ] = :99

(b) P [F16;3 < f ] = :99
Solution 24
1. D’après la table de la fonction de répartition de la loi de Fisher à (n; m) degrés
P [F2;5 < f ] = :95 =) f = 5:79
P [F12;8 < f ] = :95 =) f = 3:28

P [F7;12 < f ] = :975 =) f = 3:61
P [F16;13 < f ] = :975 =) f = 3:03

P [F20;11 < f ] = :99 =) f = 4:1
P [F16;3 < f ] = :99 =) f = 5:29
59

2f3906da4622e725a807ece1813149b4

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

2f3906da4622e725a807ece1813149b4

Transféré par

Droits d'auteur :

Formats disponibles

Département de Mathématiques et Informatique

Soient ( ; T ;P ) un espace probabilisé et X une variable aléatoire dé…nie sur cet

Soit ( ; T ;P ) un espace probabilisé.

Zn est la somme de n variables indépendantes de Bernouilli de même paramètre

P [Zn = k] = C(n; k)pk (1 p)n k

Soit A un événement d’un espace probabilisé ( ; T ;P ) :

4. La Loi Binomiale Négative

Soit A un événement d’un espace probabilisé ( ; T ;P ).

"A se réalise pour la reme fois à la (r + k)eme épreuve"

les épreuves étant indépendantes.

P [Yr = r + k] = C(r + k 1; k)pr (1 p)k

La loi de Yr , est appelée la loi binomiale négative d’ordre r et de paramètre

On fait n épreuves indépendantes chacune pouvant donner les résultats A1 ; :::; Ar

D’une urne contenant M boules rouges et N M boules blanches, on tire au

On suppose que l’urne contient N1 boules de la couleur 1, ... , Nr boules de la

Pour tout k1 , ..., kr tels que k1 + :::+ kr = n, 0 ki inf (Ni ; n), on a :

Une variable aléatoire X suit une loi de Poisson de paramètre , > 0, si

Sa fonction de répartition est donnée par :

L’espérance mathématique et la variance de X sont données par :

10. La Loi Exponentielle

On dit qu’une variable aléatoire X suit la loi exponentielle de paramètre ,

L’espérance mathématique et la variance de X sont données par :

Sa fonction caractéristique est dé…nie pour tout t 2 R par :

11. La Loi Normale

N (0; 1) est appelée la loi normale centrée réduite.

La densite de la loi N (0; 1)

12. La Loi du Khi-Deux

Zn suit la loi de densité :

L’espérance mathématique et la variance de la loi du Khi-deux à n degrés de

La densite de la loi du Khi-deux a 7 d:d:l

13. La Loi de Student

La densite de la loi de Student a 12 d:d:l

L’espérance mathématique et la variance de la loi de Student à n degrés de

14. La Loi de Fisher-Snedecor

La densite de la loi F (13; 10)

15. Les Lois de M et S2

Soient X1 ; :::; Xn un n-échantillon issu d’une variable aléatoire normale de moyenne

M et S 2 représentent la moyenne empirique et la variance empirique du n-

1. Quelle est la loi de probabilité de :

2. Quelle est la loi conditionnelle de X sous l’hypothèse [Z = a] ?

puisque X et Y sont indépendantes.

Z suit donc une loi binomiale d’ordre n + m et de paramètre p.

Déterminons d’abord la loi du couple (X; T ).

1. Quelle est la loi de probabilité de :

2. Quelle est la loi conditionnelle de X sous l’hypothèse [Z = n] ?

1. Quelle est la loi de probabilité de :

2. Quelle est la loi de probabilité de :

3. Quelle est la loi conditionnelle de T sous l’hypothèse [X = k] ?

De plus, X et Y sont indépendantes.

1. Calculons la fonction de répartition F de la variable aléatoire :

D’où, pour tout n 2 N on a :

2. Déterminons la loi de probabilité de la variable aléatoire :

3. Pour tout k 2 N et pour tout n, n k + 1, on a :

L’espérance mathématique de T sous cette hypothèse est donnée par :

1. Déterminer les lois de probabilité des variables aléatoires :

1. (a) La variable aléatoire :

[U = 1] = [(X; Y ) = (0; 1)] [(X; Y ) = (1; 0)]

P [U = 1] = P [f(X; Y ) = (0; 1)g f(X; Y ) = (1; 0)g]

Remarquons que U suit une loi binomiale d’ordre 2 et de paramètre p.

(b) La variable aléatoire :

P [V = 0] = [(X; Y ) = (0; 0)] [(X; Y ) = (1; 1)]

P [V = 0] = P [f(X; Y ) = (0; 0)g f(X; Y ) = (1; 1)g]

2. Les variables aléatoires U et V ne sont pas indépendantes car :

1. Pour tout k , 0 k n, la probabilité pik que la ieme personne obtienne k