.. 3A EIS MA311 Liste Exos Probas

Quelques exercices de probabilités corrigés
Antoine Clerc
December 12, 2004
1 Dénombrement-Probabilités élémentaires
Exercice 1
On considère les lettres du mot : ANNIVERSAIRE
1. Combien de mots peut on former avec ces lettres ? (On ne se préoccupera pas du sens des mots formés)
2. Combien de mots commençant et finissant par une voyelle peut on former ?
3. Combien de mots peut on former si on veut que toutes les voyelles soient groupées ensemble ?
Correction de l’Exercice 1
1. 1er méthode:
Il y a 2 A, 2 E, 2 R, 2 I et 2 N; et 1 V et 1 N.

12 10 8
Plaçons les A: il y a façons de faire; Ensuite, il y a façons de placer les E, puis façons
2 2 2
pour les R, et ainsi de suite. Il reste ensuite le V et le N à placer sur les 2 places qui restent: on a 2 choix.

12 10 8 6 4
On obtient donc 2 mots possibles.
2 2 2 2 2
2ième méthode: Il y a 12 lettres dans le mot ANNIVERSAIRE. En les permutant, on obtient 12! mots
possibles.
Cependant, il y a 2 A, 2 E, 2 R, 2 I et 2 N. Il faut donc diviser 12! par 2!2!2!2!2! ( car en permutant les
A, les E ..., on obtient les mêmes mots).
12! 12!
On obtient donc = 5 = 14968800 mots possibles.
2!2!2!2!2! 2
2. On va distinguer 2 cas:
1er cas: Les 2 voyelles du début et de la fin sont identiques.
Il y a 3 types de voyelles différentes: A, E, I. On a donc 3 façons la voyelle qui commence et finit le mot.
Ensuite, il faut calculer le nombre de mots faisables avec les 2 types de voyelles identiques restantes ( 2
A et 2 E par exemple si on a choisi le I pour commencer et finir le mot) et les 2N, 2R, le S et le V.
MA311 Exercices corrigés 2

10 8 6 4
Avec un raisonnement identique à celui de la question 1), on obtient 2 mots possibles.
2 2 2 2

10 8 6 4 3.10! 3.10!
Dans ce cas, on trouve donc 3.2 = = 4 mots
2 2 2 2 2!2!2!2! 2
2ième cas: Les 2 voyelles du début et de la fin ne sont pas identiques.

3
Choisissons les 2 types de voyelles parmi les 3 qui seront au début et à la fin du mot. Il y a façons.
2
Ensuite on peut les permuter de 2 façons.
Ensuite il reste comme lettres: 2 N, 2 R, 1 V, 1 R, 2 ( type de voyelle non choisie pour commencer le
mot), 1 voyelle identique à celle du début , 1 voyelle identique à celle de la fin.

10 8 6
Avec ces lettres, on peut former 4! mots.
2 2 2

3 10 8 6 3.10!
On obtient donc 2 4! = 2 mots.
2 2 2 2 2
3.10! 3.10!
Conclusion: Il y a donc + 2 = 3402000
24 2
6!
3. Le bloc des voyelles a 7 places possibles. A l’interieur de ce bloc, il y a ( cf question 1)) 23
façons de
ranger les voyelles. Ensuite, il y a ( cf question 1)) 26!3 façons de ranger les autres lettres.
7!6!
On a donc = 113400 façons de ranger les lettres.
25
Exercice 2 (Un problème historique: Le premier problème du Chevalier de Méré )
Le Chevalier de Méré, adepte des jeux de hasard, posa un jour cette question à Pascal:
Quel est le plus probable: obtenir au moins un 6 en lancant 4 fois de suite un dé, ou obtenir au moins un
double 6 en lancant 24 fois de suite 2 dés?
Que répondre au Chevalier de Méré?
Calculons P1 = P ( obtenir au moins un 6 en 4 lancers de 1 dé)

P2 = P ( obtenir au moins un double 6 en 24 lancers de 2 dés).
Calcul de P1
P1 = P ( obtenir au moins un 6 en 4 lancers) = 1 − P ( n’obtenir aucun 6 en 4 lancers )
5.5.5.5
Or P (n’obtenir aucun 6 en 4 lancers )= 6.6.6.6 .
En effet, on a 5 choix pour le résultat du dé à chaque lancer.

D’où 4
5
P1 = 1 − ' 0.5
6
Calcul de P2
De la même façon, P2 = 1 − P ( n’obtenir aucun double 6 en 24 lancers des 2 dés)
Or pour chaque lancer, on a 6.6=36 possibilités, et 35 possibilités autres que le double 6.
Donc 24
35
P2 = 1 − ' 0.49
36
La première possibilité est donc plus probable; mais de façon si insignifiante qu’il était impossible au
chevalier de s’en apercevoir...
Exercice 3 ( Le deuxieme problème du Chevalier de Méré)
Le Chevalier de Méré continue d’embêter Pascal. Voici le nouveau problème qu’il lui pose:
Deux joueurs jouent à un jeu de hasard en plusieurs parties: celui qui, le premier gagne trois parties gagne
le jeu et la totalité de la mise. Malheureusement, le jeu est interrompu alors que le premier a déjà gagné 2
parties, et le deuxieme joueur 1 partie. Comment répartir équitablement la mise?
Que répondre au Chevalier de Méré?
Plaçons nous dans la situation où le premier joueur a déjà gagné 2 parties et le 2eme une autre partie.
Calculons P1 = P ( le 1er joueur gagne le jeu)
P2 = P ( le 2eme joueur gagne le jeu).
Calcul de P1
P1 = P ( le 1er joueur gagne le jeu )

= P ( le 1er joueur gagne la partie suivante) + P (le 2eme joueur gagne la partie suivante, et le 1er celle d’après)
1 11
= +
2 22
D’où
3
P1 =
4
Calcul de P2
P1 = P ( le 2eme joueur gagne le jeu) = P ( le 2eme joueur gagne la partie suivante, et encore celle d’après)
11
=
22
Donc
1
P2 =
4
3
Le premier joueur doit donc obtenir les de la mise, et le 2eme ce qui reste ( au passage, on vérifie bien
4
3 1
que + = 1)
4 4
Exercice 4
Robert fait ses affaires pour aller skier. Son armoire est remplie de 10 paires de gants. Il décide de prendre
4 gants.
Le problème est que Robert est un garçon dans la lune et qu’il choisit les gants au hasard.
Quelle est la probabilité qu’il tire:

1. deux paires complètes? ( veinard )
2. au moins une paire?
3. une paire et une seule ?
4 possibilités.
1. On suppose qu’il choisit les gants simultanément. Il y a donc C20
2 façons de choisir les 2 paires.
Il a C10
2
C10
Donc P ( il choisit 2 paires ) = 4 ' 0.009
C20
2. On va calculer la probabilité de l’évènement contraire: { tous les gants proviennent de paires différentes
}
4 façons de choisir les 4 paires d’où proviennent les gants. Ensuite, pour une paire, il y a 2 choix
Il y a C10
possibles.
4 24
C10
D’où P ( il tire au moins 1 paire ) = 1 − 4 ' 0.307
C20
3. En notant E1 = {il tire 2 paires}, E2 ={il tire au moins une paire} et E3 = {il tire 1 paire et 1 seule}, on a:
E2 = E1 ∪ E3 . Or E1 et E3 sont disjoints, donc P (E2 ) = P (E1 ) + P (E3 ).

4 24
C10 2
C10
D’où P ( il choisit 1 paire et 1 seule) = 1 − 4 − 4 ' 0.297
C20 C20
10C92 22
On peut aussi le calculer directement, en écrivant P ( il choisit 1 paire et 1 seule) =
C2 04
Exercice 5
On dispose d’une urne contenant n boules, dont m sont noires, le reste étant des boules blanches.
On effectue un tirage sans remise de r boules parmi ces n boules. Calculer la probabilité de tirer k boules
noires dans un tel tirage.
On peut ici raisonner de deux manieres différentes. Le tirage effectué, on peut considerer le résultat comme:
1. une partie à r éléments de l’ensemble des n boules, où l’ordre n’intervient pas.
2. Une liste ordonnée de r boules.
1ere méthode
L’ensemble des résultats possibles a dans ce cas Cnr éléments.
k façons de tirer les k boules noires, et C r−k façons de tirer les boules blanches.
il y a Cm n−m
k C r−k
Cm n−m
Donc P ( il y a k boules noires dans le tirage)=
Cnr
2eme méthode
L’ensemble des résultats possibles a dans ce cas Arn éléments.

Choissisons les instants où on a tiré les k boules noires. Il y a Crk possibilités.
Ensuite, on a Akm façons de tirer les k boules noires, et Ar−k
n−m façons de tirer les r − k boules blanches.
Akm Ar−k k
n−m Cr
Donc P ( il y a k boules noires dans le tirage)=
Arn
(On vérifie qu’on trouve bien le même résultat avec les 2 méthodes)
Exercice 6
On considère un jeu de 32 cartes truqué qui possède deux dames de coeur.
1. On tire n cartes au hasard dans le jeu. Calculer la probabilité de s’apercevoir que le jeu est truqué.
2. On suppose n = 4 et on renouvelle l’expérience consistant à tirer 4 cartes du jeu (en remettant les 4
cartes tirées à chaque fois). Quel est le nombre minimum d’expériences à réaliser pour qu’on s’apercoive
que le jeu est truqué avec une probabilité de 0.95?
n−2
C22 C30
1. P ( le jeu est truqué )=P ( on tire les 2 dames, puis les n−2 cartes restantes parmi les 30 autres)= n
C32
2. P ( s’apercevoir que le jeu est truqué en k tirages)=1-P (ne pas s’apercevoir que le jeu est truqué en k
tirages)
Or pour ne pas s’apercevoir que le jeu est truqué en k tirages, il faut que à chaque tirage, on ne s’apercoive
pas que le jeu est truqué.
C n−2
Notons p = P (ne pas s’apercevoir que le jeu est truqué en 1 tirage)=1 − 30n
C32
On a, comme les tirages sont indépendants, P (ne pas s’apercevoir que le jeu est truqué en k tirages)= pk
On cherche donc k tel que 1 − pk ≥ 0.95 ⇔ k ≥ 247
Exercice 7
Le docteur M. pense avoir démontré un théorème très important, mais malheureusement sa démonstration
comporte une faute. En lisant son texte, un lecteur s’apercoit de l’erreur avec une probabilité p.
Pour être sûr que son article est juste, il fait effectuer n relectures de ce dernier par n lecteurs avisés
indépendants.
1. Soit k ∈ N∗ . On note X = nombre de lecteurs ayant repéré l’erreur. Calculez la probabilité que X = k.
2. Quelle est la probabilité qu’en n relectures, on s’apercevoive de l’erreur au moins deux fois?
Application numérique: p = 0.2, n = 4
3. Le docteur M. est voué à un grand avenir et n’aimerait pas publier un article faux. Combien de lectures
doit il faire effectuer si il veut que l’erreur soit découverte avec 90% de chances ?
Application numérique: p = 0.2
1. {X = k} est la probabilité que k lecteurs s’apercoivent de l’erreur.

n
Choisissons les k lecteurs qui s’apercoivent de l’erreur; il y a façons de le faire. Chaque lecteur, et
k
INDEPENDAMMENT des autres, s’apercoit de l’erreur avec la proba p.
Ainsi, la probabilité que les k lecteurs chosis s’apercoivent de l’erreur est pk . La probabilité que les n − k
autres lecteurs ne s’apercoivent pas de l’erreur est de même (1 − p)n−k .

n k
Donc P (X = k) = p (1 − p)n−k
k
2. On cherche donc P (X ≥ 2) = P (X = 2) + ...P (X = n) = 1 − P (X = 0) − P (X = 1)
Application numérique: 1 − P (X = 0) − P (X = 1) = 0, 1808
3. On cherche le plus petit entier n tel que P ( on découvre l’erreur en k relectures) ≥ 0, 9
Or P ( on découvre l’erreur en k relectures)= 1 − P ( personne ne découvre l’erreur en k relectures

= 1 − (1 − p)n
1 − (1 − p)n ≥ 0, 9 ⇔ 0, 1 ≥ (1 − p)n
⇔ ln(0, 1) ≥ n ln(1 − p)
ln(0, 1)
⇔ n≥ car ln(1 − p) < 0
ln(1 − p)
⇔ 10, 32 ≤ n
Il faut donc faire 11 relectures pour être sur à 90% de s’apercevoir de l’erreur.
2 Probabilités conditionnelles
Exercice 8
On considère un groupe de personnes.
Parmi ces personnes figurent des medecins (8%) et des profs de maths (15%), et des gens normaux (77%)
C’est bien connu: les profs de maths écrivent très mal. Mais dans ce domaine ils sont battus par les
médecins, qui écrivent encore plus mal.
Ainsi 50% des profs de maths écrivent de facon illisible, mais cette proportion atteint 70% des medecins.
Quand aux gens normaux, seuls 30% ecrivent de façon incompréhensible.
On considère un mot écrit par une personne du groupe.
1. Quelle est la probabilité que ce mot soit illisible ?
2. Le mot est en effet illisible. Quelle est la probabilité qu’il ait été écrit par une main noble ? (c’est a dire
par un prof de math)
On note A1 l’évènement : ”la personne qui a écrit le mot est un prof de math”, A2 = ”la personne qui a
écrit le mot est un médecin”, A3 = ”la personne qui a écrit le mot est normale”
On a d’après l’énoncé P (A1 ) = 0.15, P (A2 ) = 0.08, P (A3 ) = 0.77
Les évènements (A1 , A2 , A3 ) forment un système complet d’évènements.

En effet, ils sont 2 à 2 disjoints, de probabilité non nulle, et recouvrent tous les cas possibles.
1. Pour cette question, on applique la formule des probabilités totales:
P ( le mot est illisible ) = P ( le mot est illisible |A1 )P (A1 ) + P ( le mot est illisible |A2 )P (A2 )
+ P ( le mot est illisible |A3 )P (A3 )
= 0.5 ∗ 0.15 + 0.7 ∗ 0.08 + 0.3 ∗ 0.77
= 0.362
2. On utilise ici la formule de Bayes.
P ( le mot est illisible |A1 )P (A1 )

P (A1 | le mot est illisible ) =
P ( le mot est illisible )
0.5 ∗ 0.15
= = 0.207
0.362
Exercice 9
On considére une maladie dont est atteinte 1% de la population.
Si on est malade, on meurt avec la probabilité 0.5. Il existe un traitement contre la maladie, qui fait qu’un
individu malade et traité n’a plus que 10% de chances de mourir.
Le test de dépistage permet de detecter 80 % des malades, mais désigne aussi à tort 3% de personnes saines.
Or si une personne saine est traitée, elle meurt dans 2% des cas.
1. Si on effectue aucun test de dépistage, quelle est la probabilité de mourir de cette maladie?
2. On décide de procéder à un dépistage généralisé et à un traitement des individus désignés comme malades.
Quelle est la probabilité de mourir dans ce cas? (a cause de la maladie ou du traitement )
Notons: M = être malade, M o = mourir, D = être désigné positif par le test.
D’après l’énoncé, on sait que: P (M ) = 0.01, P (M o|M, D) = 0.5, P (D|M ) = 0.8, P (D|M ) = 0.03,
P (M o|D, M ) = 0.1, P (M o|D, M ) = 0.02
On aura besoin par la suite des valeurs suivantes:.
P (D) = P (D|M )P (M ) + P (D|M )P (M ) = 0.8 ∗ 0.01 + 0.03 ∗ 0.99 = .0377

P (D, M ) = P (D|M )P (M ) = 0.8 ∗ 0.01 = 0.008
P (D, M ) = P (D|M )P (M ) = 0.03 ∗ 0.99 = 0.0297
P (M, D) = P (M ) − P (D, M ) = 0.01 − 0.008 = 0.002
1. On cherche P (M o).
Dans ce cas, il n’y a pas de test donc P (M o) = P (M o|M, D)P (M, D) + P (M o|M , D)P (M , D) = 0.5 ∗
0.01 + 0 ∗ 0.99 = 0.005
2. C’est plus compliqué.
On a: P (M o) = P (M o|M )P (M ) + P (M o|M )P (M ).
P (M o, M )
(a) Calculons P (M o|M ) = .
P (M )
P (M o, M ) = P (M o, M, D) + P (M o, M, D)
= P (M o|M, D)P (M, D) + P (M o|M, D)P (M, D)
= 0.1 ∗ 0.008 + 0.5 ∗ (0.002) = 0.0018
0.0018
D’où P (M o|M ) = 0.01 = 0.18
P (M o, M )
(b) Calculons P (M o|M ) = .
P (M )
P (M o, M ) = P (M o, M , D) + P (M o, M , D)
= P (M o|M , D)P (M , D) + P (M o|M , D)P (M , D)
= 0.02 ∗ 0.0297 + 0 = .000594
0.000594
D’où P (M o|M ) = 0.99 = 0.0006
(c) D’où le résultat: P (M o) = 0.18 ∗ 0.01 + 0.0006 ∗ 0.99 = .002394
On constate donc que la probabilité de mourir est plus faible; il vaut donc mieux faire effectuer un
traitement systématique des personnes détectées. Et tant pis pour les personnes traitées à tort et
qui mourront des suites du traitement...
Exercice 10
Une source d’information émet un message sous forme de ” 0 ” ou de ” 1 ” avec des probabilités respectives
p0 = 0.3 et p1 = 0.7.
On souhaite transmettre ce message vers le recepteur par une liaison A. Cette liaison, à cause de défauts,
transmet le contraire du message avec une probabilité d’erreur qA = 10−7 .
On souhaite diminuer cette probabilité d’erreur, on considère alors le système suivant:

Les messages sont maintenant transmis vers un récepteur par 2 canaux distincts A et B. On admet que les
2 liaisons sont indépendantes et que les probabilités d’erreur sur chacune de ces liaisons sont respectivement
qA = 10−7 et qB = 2.10−7 (quel que soit le message émis).
1. A un instant donné, le récepteur reçoit ” 0 ” sur le premier canal et ” 1 ” sur le second. On demande de
décider quel était le message émis, en choisissant celui dont la probabilité d’émission sachant le résultat
à la réception (sur les 2 canaux) est maximale. (méthode du maximum a posteriori)
2. Etablir une règle de décision par la méthode du maximum a posteriori pour toutes les configurations
possibles en réception.
• 0 recu sur A, 0 recu sur B
( autrement dit, que décider dans les cas suivants: • 1 recu sur A, 1 recu sur B )

3. Calculer approximativement la probabilité d’erreur globale de cette règle de décision. Conclusion ?

E0 = le message initial est un 0, E1 = le message initial est un 1

Notons: RA 1 = le message recu sur la ligne A est un 1, RA 0 = le message recu sur la ligne A est un 0

RB 1 = le message recu sur la ligne B est un 1, RB 0 = le message recu sur la ligne B est un 0

1. On cherche donc P (E0 |RA0 ∩ RB1)
P (RA 0 ∩ RB 1|A0 )P (E0 )

P (E0 |RA 0 ∩ RB 1) =
P (RA 0 ∩ RB 1)
p0 (1 − qA )qB
= (formule de Bayes)
P (RA 0 ∩ RB 1|E0 )P (E0 ) + P (RA 0 ∩ RB 1|E1 )P (E1 )
p0 (1 − qA )qB
=
p0 (1 − qA )qB + (1 − p0 )(qA )(1 − qB )
On trouve P (E0 |RA 0 ∩ RB 1) = 0, 4615

On a donc P (E1 |RA 0 ∩ RB 1)0, 5 ' 0, 54, il faut ainsi décider qu’on a émis un 1
2. On a 4 cas possibles:
• 0 recu sur A, 0 recu sur B. Dans ce cas, il est clair qu’il y a plus de chance pour que le message émis
soit un 0 (on peut faire le calcul si on est pas convaincu!). On décide donc que le message initial est
0.
• 1 recu sur A, 1 recu sur B. Par le même raisonnement que ci-dessus, on décide que le message émis
est un 1.
• 0 recu sur A, 1 recu sur B. C’est le cas résolu à la question précédente, on décide donc un 1
• 1 recu sur A, 0 recu sur B. La probabilité de se tromper est plus grande sur B que sur A: on décide
donc que le message initial est celui de A, c’est à dire 1.
Messages reçus Décision

0A , 0B 0
De façon résumée: 1A , 1B 1
0A , 1B 1
1A , 0B 1
3. On a P (erreur) = P (erreur|E1 )P (E1 ) + P (erreur |E0 )P (E0 )
or P (erreur|E1 ) = P (RA 0 ∩ RB 0|E1 ) = qA qB : en effet, si le message emis est 1, le seul cas où notre règle
de décision nous trompe est quand on recoit 0 sur A et sur B.
De même,
P (erreur|E0 ) = P (RA 1 ∩ RB 1|E0 ) + P (RA 0 ∩ RB 1|E0 ) + P (RA 1 ∩ RB 0|E0 )

= qA qB + (1 − qA )qB + qA (1 − qB )
Finalement,
P (erreur) = (1 − p0 )qA qB + p0 (qA qB + (1 − qA )qB + qA (1 − qB )) ' 0, 9.10−7
Conclusion: On a un peu diminué la probabilité d’erreur... mais pas de beaucoup ! (on passe de 10−7
sur A à 0, 9.10−7 )
Exercice 11
1
Un quart d’une poulation a été vaccinée. Si on est vacciné, on tombe malade avec une probabilité de .
20
Parmi les malades, il y a 4 non-vaccinés pour 1 vacciné.
Quelle est la probabilité pour un non-vacciné de tomber malade?
Un petit exercice où il faut se servir de la formule des probabilités totales, mais pas seulement.
Notons : V = être vacciné, M = être malade.

On notera V le contraire de V .
1
D’après l’énoncé, on peut écrire: P (M |V ) = 20 , P (V |M ) = 15 , P (V ) = 14 .
On cherche x = P (M |V ). On a:
P (M, V )
x =
P (V )
P (V |M )P (M )
=
P (V )
Or: P (M ) = P (M |V )P (V ) + P (M |V )P (V ) ( formule des probas totales ). D’où:
P (V |M )
x = P (M |V )P (V ) + P (M |V )P (V )
P (V )
P (V |M )
= P (M |V )P (V ) + xP (V )
P (V )
4
Or P (V |M ) = .
5
D’où !
1
4 1 4 4 1
x= 1 +x ⇔x=
5 20 1− 4
5 15
3 V.a discrètes
Exercice 12
Le jeu américain ”chuck a luck” est le suivant: On parie sur un nombre de 1 à 6. On lance 3 dés.
Si le nombre sur lequel on a parié sort :

3 fois, on gagne 3$
2 fois, on gagne 2 $ ;
1 fois, on gagne 1 $ ;
0 fois, on perd 1 $.
1. Soit X le gain lors d’une partie, déterminer la loi de X.
2. En moyenne, combien gagne t-on à ce jeu lors d’une partie ?

1. Les valeurs que peut prendre X sont: 3, 2, 1 ou -1.

ATTENTION!: X ne suit donc pas une loi binomiale, car une v.a de loi binomiale ne prend que des
valeurs positives.
Si on pose Y = nombre de fois où le nombre choisi sort, la par contre Y suit une loi binomiale.
3
• P (X = 3) = 16 = 216 1
2 5
• P (X = 2) = C32 16 15

6 = 216
2
• P (X = 1) = C31 16 65 = 216 75
3
• P (X = −1) = 65 = 125

216
(on vérifie que la somme fait 1)

2. On cherche E(X). Attention, X n’est pas une loi binomiale; on ne peut appliquer la formule du cours.
X 1 15 75 125
E(X) = kP (X = k) = 3 +2 + −
216 216 216 216
−17
= = −0.078
216
En moyenne, on perd 0.08 $ à ce jeu.
Exercice 13
Dans la mémoire d’un ordinateur d’un ordinateur, on appelle quartet un ensemble de 4 bits (1 bit=0 ou 1).
Soit Q un quartet, notons par Z le nombre tel que Q = écriture de Z en base 2.
On suppose que la mémoire de l’ordinateur n’a pas été initialisée: ainsi, tous les bits de la mémoire se
trouvent, indépendamment, dans l’état 1 avec probabilité p.
1. Calculer l’espérance et la variance de Z.
2. Calculer la probabilité que Z soit pair.
3. Calculer P (Z > 3).
Notons Q = b0 b1 b2 b3 le quartet.
Les bi sont les bits qui valent 0 ou 1. Leur valeur est aléatoire: P (bi = 1) = 1, P (bi = 0). Les bi sont donc des
v.a de Bernoulli.
3
X
1. En base 2, Z est Q, donc Z = bi 2i . Donc
k=0
3
!
X
E(Z) = E bi 2i
k=0
3
X
= 2i E(bi ) (linéarité de l’espérance)
k=0
3
X
= 2i p car bi ∼ B(p)
k=0
= 15p
De même,
3
!
X
i
var(Z) = var bi 2
k=0
3
X
= var(bi 2i ) car les bi sont indépendantes
k=0
X3
= (2i )2 var(bi )
k=0
X3
= 4i p(1 − p)
k=0
= 85p(1 − p)
On rappelle qu’en général var(X + Y ) 6= var(X) + var(Y ): on a var(X + Y ) = var(X) + var(Y ) que si
X et Y sont indépendantes.
2. Z = b0 + 2b1 + 4b2 + 8b3 = b0 + 2(b1 + 2b2 + 4b3 ). Ainsi Z est pair ssi b0 = 0. Donc P (Z pair) = 1 − p)
3. On cherche P (Z > 3). On peut écrire P (Z > 3) = 1 − P (Z ≤ 3) = P (Z = 0) + P (Z = 1) + P (Z =

2) + P (Z = 3). C’est un peu long.
Comme Z = b0 + 2b1 + 4b2 + 8b3 , il est clair que Z ≤ 3 ⇔ b2 = b3 = 0.

Donc P (Z > 3) = 1 − P (b2 = 0; b3 = 0) = 1 − (1 − p)2 par independance de b2 et b3 .
Exercice 14
Un fleuriste doit faire un bouquet de 2p + 1 roses blanches pour un client. Son stock de roses est consitué
de 4n roses, dont n sont blanches. (2p + 1 < n)
Mais, troublé par une cliente venant d’entrer, il choisit les roses au hasard. Soit Xn le nombre de roses
blanches dans le bouquet.
1. Calculer la loi de Xn
2. Que se passe t-il si n tend vers +∞?
k Akn A2p+1−k
3n
1. On a calculé en cours: P (Xn = k) = C2p+1 2p+1 .
A4n
2p+1−k
Cnk C3n
Rmq: en raisonnant d’une autre manière, on peut aussi trouver P (Xn = k) = 2p+1 (ce qui est la
C4n
même chose !)
2. Quand n → +∞, on a : Akn ∼ nk .
En effet, Akn est un polynôme en n; en +∞, il est donc equivalent à son terme de plus haut degré.
On en déduit: k 2p+1−k
n k (3n)2p+1−k 1 3
k k
P (Xn = k) ∼ C2p+1 = C2p+1
(4n)2p+1 4 4
1 k 3 2p+1−k
k Quand n est grand, la loi de Xn est la loi B(2p + 1, 41 ).

Donc P (Xn = k) −−−−−→ C2p+1 4 4 .
n→+∞
On parle de convergence en loi.
Exercice 15
Le nombre N d’enfants d’une famille d’une population est une v.a de loi de Poisson de paramètre λ. Chaque
enfant a la probabilité p d’avoir un gène A, et ceci de façon indépendante. Soit X le nombre d’enfants d’une
famille ayant le gène A et Y le nombre d’enfants de la famille ne l’ayant pas.
1. Quelle relation existe-t-il entre N , X, Y ?
2. Pour n ∈ N et k ∈ {0...n}, déterminer P (X = k|N = n). Calculer la loi de X.
3. Déterminer la loi de Y .
4. Montrer que X et Y sont indépendantes.
5. Application. λ = 2, p = 0, 4. Déterminer la probabilité pour une famille d’avoir 3 enfants présentant le

gène A et 2 enfants ne l’ayant pas.
1. On a N = X + Y
2. Pour n ∈ N et k ∈ {0...n}, on a P (X = k|N = n) = Cnk pk (1 − p)n−k .

En effet, si on sait que la famille possède n enfants, que X = k, on a forcément n − k enfants avec le gène
B.
On en déduit :
+∞
X
P (X = k) = P (X = k|N = n)P (N = n)
n=k
+∞
X λn
= Cnk pk (1 − p)n−k e−λ
n!
n=k
+∞
X Cnk n−k
= e−λ pk λk λ (1 − p)n−k
n!
n=k
+∞
k X
(λp) (λ(1 − p))n−k
= e−λ
k! (n − k)!
n=k
+∞
X (λ(1 − p))n−k
Or = eλ(1−p)
(n − k)!
n=k
D’où
e−λp
P (X = k) = (λp)k . Ainsi X ∼ P oi(λp)
k!
3. Par le même raisonnement, Y ∼ P oi(λ(1 − p).
4. Soient k ∈ N, q ∈ N. calculons P (X = k, Y = q).

On a {X = k, Y = q} ⊂ {N = k + q}. Donc
P (X = k, Y = q) = P (X = k, Y = q, N = k + q)
= P (X = k, Y = q|N = k + q)P (N = k + q)
e−λ
k
= Ck+q pk (1 − p)q (λ)k+q
(k + q)!
(λp) −λ(1−p) (λ(1 − p))q
k
= e−λp e
k! q!
D’où P (X = k, Y = q) = P (X = k)P (Y = q). QED
5. Application. λ = 2, p = 0, 4.
On cherche P (X = 3, Y = 2). Par indépendance, P (X = 3, Y = 2) = P (X = 3)P (Y = 2) = 0.008
Exercice 16
On considère le jeu suivant: un candidat doit répondre à une question, puis quelquesoit sa réponse, tirer
une boule dans une urne. Si la boule est blanche, on remet la boule blanche, une boule noire de plus, et le
jeu continue. Si elle est noire le jeu s’arrête. De plus à chaque bonne réponse il gagne 1000 euros, et il a une
chance sur 2 de se tromper.
On note X = nombre de parties jouées par le candidat, et Y = gain du joueur. 0n pose par convention
X = −1 et Y = −1 si le jeu ne s’arrête jamais.
On suppose qu’au départ il n’y a qu’une boule blanche.
1. (a) Determiner la loi de X. (on calculera P (X = n) pour n ∈ N∗ , puis P (X = −1))

(b) Calculer E(X)
2. determiner la loi de Y .
1. Il manque une donnée dans l’énoncé: il faut connaitre le nombre de boules blanches et de boules noires
au début du jeu. On va faire les calculs avec 1 boule blanche et 0 noire au début.
Notons Bi =le joueur tire une boule blanche à la ieme partie.
Notons Ni =le joueur tire une boule noire à la ieme partie.
Soit n ∈ N. calculons P (X = n). On a trivialement P (X = 0) = 0.

Si n ≥ 1, on a: {X = n} = le candidat tire une boule blanche à chacune des n − 1 premieres parties, puis
une noire lors de la nième.
Donc
P (X = n) = P (B1 ∩ B2 ∩ ... ∩ Bn−1 ∩ Nn )
En utilisant la formule des probabilités conditionnelles en cascade (voir TD précédent), on a :
P (X = n) = P (B1 )P (B2 |B1 )P (B3 |B2 ∩ B1 )...P (Nn |B1 ∩ ... ∩ Bn−1 )
D’où
11 1 n−1 n−1
P (X = n) = 1 ... =
23 n−1 n n!
+∞
X
Enfin, pour calculer P (X = −1), on peut écrire que P (X = n) + P (X = −1) = 1.
n=0
D’où
+∞
X n−1
P (X = −1) = 1 −
n!
n=1
K K K +∞
X n−1 X 1 X 1 1 X n−1
Or = − =1− . En faisant K → +∞, on obtient: = 1.
n! (n − 1)! n! K! n!
n=1 n=1 n=1 n=1
D’où
+∞
X n−1
P (X = −1) = 1 − =1−1=0
n!
n=1

P (X = 0) = P (X = −1) = 0
Conclusion: la loi de X est donnée par
∀n ≥ 1, P (X = n) = n−1
n!
2. le calcul est pénible.

L’ensemble des valeurs prises par Y est {0, 1000, 2000, ..., } ∪ {−1}
En appliquant la formule des probas totales au système d’événements X = n, on trouve:

 P (Y = −1) = 0 √

P (Y = 0) = 1 − 2e √
 (k− 1 ) e
∀k ≥ 1, P (Y = 1000k) = 2k2k!

Exercice 17 (Calcul d’espérance et de variance)

1. Soit X une v.a de loi de Poisson P oi(λ). Calculez E(X), puis E(X(X − 1)) et en déduire var(X).
2. Soit X une v.a de loi binomiale B(n, p). Calculez E(X), puis E(X(X − 1)) et en déduire var(X).
2◦ ) Pour le calcul de E(X) on a deux méthodes:
1ère méthode: La méthode calculatoire.
On ne se pose pas de questions et on calcule:

Xn n
X
E(X) = kP (X = k) = kCnk pk (1 − p)n−k
k=0 k=0
n
X
= kCnk pk (1 − p)n−k
k=1
n! n! (n − 1)! k−1
Or kCnk = k = =n = nCn−1 .
k!(n − k)! (k − 1)!(n − k)! (k − 1)!(n − k)!
D’où:
n
X n
X n
X
k−1 k k−1 k
E(X) = kCnk pk (1 n−k
− p) = nCn−1 p (1 − p) n−k
=n Cn−1 p (1 − p)n−k
k=1 k=1 k=1
n
X
k−1 k−1
= np Cn−1 p (1 − p)n−1−(k−1)
k=1
n−1
X
k
= np Cn−1 pk (1 − p)n−1−k = np(p + (1 − p))n−1 d’après le binôme de Newton
k=0
= np
Donc E(X) = np
2eme méthode: La méthode plus fine.
On sait d’après le cours qu’une v.a qui suit la loi B(n, p) peut être considérée comme une somme de n v.a
de Bernoulli indépendantes.
Ainsi si X = X1 + X2 + ... + Xn , avec Xi v.a de bernoulli, on a:

E(X) = E(X1 + X2 + ... + Xn ) = E(X1 ) + E(X2 ) + ... + E(Xn ) = p + p + ... + p = np.
Pour le calcul de var(X), on préférera bien sur la deuxième méthode:
var(X) = var(X1 + X2 + ... + Xn ) = var(X1 ) + var(X2 ) + ... + var(Xn ), mais attention içi l’indépendance
des Xi est essentielle pour pouvoir écrire cette égalité.
Donc var(X) = nvar(X1 ) = np(1 − p)
4 V.a continues
Exercice 18 (Minimum de 2 v.a de loi exponentielles)
1. Soient T1 et T2 2 v.a indépendantes de loi exponentielle de paramètre λ1 et λ2 .
On considère la v.a Z = min(T1 , T2 ). Calculer la loi de Z
2. Généraliser au cas de n v.a (X1 , ..., Xn ) suivant respectivement des lois Exp(λi )
3. Robert attend au bureau de poste. Devant lui sont deux guichets occupés.
Soient X1 et X2 les temps d’occupation respectifs des deux guichets, on suppose que X1 et X2 sont
indépendants st suivent des lois Exp(λ1 ) et Exp(λ2 ).
On note Y = le temps d’attente de Robert. Calculer la loi de Y .
1. Soit x ∈ R+ . L’évènement (Z > x) est egal à l’évènement (T1 > x; T2 > x)
En effet, si le minimum de deux nombres est plus grand que x, cela revient à dire que ces deux nombres
sont plus grands que x.
Donc :
P ((Z > x) = P (T1 > x; T2 > x)

= P (T1 > x)P (T2 > x) par indépendance
= e−λ1 x e−λ2 x = e−(λ1 +λ2 )x
Donc P (Z < x) = 1 − e−(λ1 +λ2 )x , ce qui prouve que Z ∼ Exp(λ1 + λ2 ) ( si x < 0, on trouve trivialement
P (Z < 0) = 0)
2. Montrons par récurrence que la loi de min(T1 , ..., Tn ) est Exp(λ1 + λ2 + ... + λn ).
• Si n = 1, c’est evidemment vrai.

• Soit n ≥ 1. Supposons que la loi de min(T1 , ..., Tn−1 ) est la loi Exp(λ1 + ... + λn ), et calculons la loi
de min(T1 , ..., Tn ) .
Si on note Z = min(T1 , ...Tn−1 ), on a:


 Z et Tn indépendantes
Z et Tn suivent des lois exponentielles de paramètres (λ1 + ... + λn−1 ) et λn
min(T1 , ..., Tn ) = min(Z, Tn )

Donc d’après la question 1), la loi de min(T1 , ..., Tn ) est donc la loi Exp((λ1 + ... + λn−1 ) + λn ).
• Donc: ∀n ∈ N, la loi de min(T1 , ..., Tn ) est une loi exponentielle dont la paramètre est la somme des
paramètres des Ti .
Exercice 19
Toto s’impatiente à un arrêt d’autobus: il décide de prendre le taxi, si un taxi libre venait à passer devant
l’arrêt avant le prochain autobus.
Soient X la variable donnant le temps d’arrivée du prochain autobus, Y la variable donnant le temps de
passage du prochain taxi libre devant l’arrêt. On suppose que X est une variable discrète prenant trois valeurs:
P (X = 5) = 1/4, P (X = 15) = 1/2, P (X = 25) = 1/4

que Y ∼ Exp(λ = 15 ) , et que X et Y sont indépendantes (ces temps sont exprimés en minutes).
1. Quelle est la probabilité pour que Toto attende plus de dix minutes?
2. Quelle est la probabilité pour que Toto prenne le taxi plutôt que l’autobus?
3. Quelle est la probabilité pour que Toto prenne le taxi plutôt que l’autobus, si l’on sait en outre qu’il a
attendu plus de dix minutes?
1.
P (Toto attende plus de 10 minutes) = P (X > 10; Y > 10)

= P (X > 10)P (Y > 10) car X et Y sont indépendantes
= (P (X = 15) + P (X = 25)) P (Y ≥ 10)
3 +∞ −λx
Z
3 h −λx i+∞
= λe dx = −e
4 10 4 10
3 −λ10 3 −2
= e = e
4 4
2. On cherche donc P (Y < X).

On utilise ici la formule des probabilités totales. Les événements {X = 5}, {X = 15}, {X = 25}
forment un système complet d’événements.
P (Y < X) = P (Y < X|X = 5)P (X = 5) + P (Y < X|X = 15)P (X = 15) + P (Y < X|X = 25)P (X = 25)
= P (Y < 5|X = 5)P (X = 5) + P (Y < 15|X = 15)P (X = 15) + P (Y < 25|X = 25)P (X = 25)
Or P (Y < 5|X = 5) = P (Y < 5) car les événements {X = 5} et {Y < 5} sont indépendants.

Donc P (Y < X) = P (Y < 5)P (X = 5) + P (Y < 15)P (X = 15) + P (Y < 25)P (X = 25)
1 5 −λx 1 15 −λx 1 25 −λx
Z Z Z
= λe dx + λe dx + λe dx
4 0 2 0 4 0
1 1 1
= (1 − e−5λ ) + (1 − e−15λ ) + (1 − e−25λ )
4 2 4
3. On cherche P (Y < X|X > 10; Y > 10).

P (Y < X; X > 10; Y > 10) P (10 < Y < X)
Or P (Y < X|X > 10; Y > 10) = =
P (X > 10; Y > 10) P (X > 10; Y > 10)
Le dénominateur a été calculé à la question précédente.

Calculons P (10 < Y < X) par la formule des probabilités totales.
P (10 < Y < X)=

P (10 < Y < X|X = 5)P (X = 5) + P (10 < Y < X|X = 15)P (X = 15) + P (10 < Y < X|X = 25)P (X =
25)
= P (10 < Y < 15|X = 15)P (X = 15) + P (10 < Y < 25|X = 25)P (X = 25)
= P (10 < Y < 15)P (X = 15) + P (10 < Y < 25)P (X = 25)
1 15 −λx 1 25 −λx
Z Z
= λe dx + λe dx
2 10 4 10
1 −λ10 1
= (e − e−λ15 ) + (e−λ10 − e−λ25 )
2 4
1 −λ10
2 (e − e−λ15 ) + 41 (e−λ10 − e−λ25 ) 1 −2
2 (e − e−3 ) + 14 (e−2 − e−5 )
Donc P (Y < X|X > 10; Y > 10) = 3 −2 = 3 −2
4e 4e
Exercice 20
On considère une route de longueur l, joignant les villes A et B. Des incendies surviennent sur cette route.
On note X la distance entre un incendie et la ville A.
Il y a une caserne de pompiers sur cette route, elle est située à une distance p de la ville A.
1. On suppose que les incendies se produisent au hasard sur la route [A; B], c’est a dire que X ∼ U ([0, l]).
Calculer la distance moyenne que doivent parcourir les pompiers pour atteindre un incendie.
2. Quelle est la valeur de p pour que cette distance soit la plus petite possible?
1. on cherche E(|X − p|). On a:

Z
1
E(|X − p|) = |x − p| 1[0; l] (x)dx
R l
Z l
1
= |x − p|dx
l 0
1 p 1 l
Z Z
= (p − x)dx + (x − p)dx
l 0 l p
1 p2 1 (l − p)2
= +
l 2 l 2
2. On devine que cette valeur est 2l , ce qui est confirmé par le calcul:
1 p2 1 (l − p)2
On pose f (p) = + , et on cherche le minimum de f .
l 2 l 2
p l−p
f 0 (p) = − ; en étudiant les variations de f , on trouve que le minimum de f est 2l .
l l
Exercice 21
Une entreprise fabrique du chocolat. Une presse façonne les tablettes dont le poids X (exprimé en grammes
suit une loi N (m, σ 2 ), avec σ = 3.
Le réglage de la presse permet de modifier m par pas de 0.1 sans affecter σ.
Les services de contrôle permettent que 2.5% des articles puissent peser moins que le poids net mentionné
sur l’emballage.
1. Determiner m pour respecter la loi si on indique 250 g sur l’emballage.
2. On décide de vendre les paquets par lots de 2, avec comme indication 500 g. Calculer m dans ce cas. Si
on vend 100 000 plaques, quelle est en moyenne l’économie réalisée ?
(On se souviendra que la loi de la somme de 2 v.a indépendantes de loi N (m1 , σ12 ) et N (m2 , σ22 ) est la loi
N (m1 + m2 , σ12 + σ22 ))
1. On cherche m tel que P (X > 250) ≥ 0.975. On a :
X −m 250 − m
P (X > 250) = P ( > )
σ σ
X −m
Or si X ∼ N (m, σ 2 ), ∼ N (0, 1).
σ
La table nous indique que si α = 1.96, P ( X−m

σ > α) ≥ 0.975.
250 − m
On a donc 1.96 = ⇔ m = 250 − 1.96σ ⇔ m=244.12
σ
2. On cherche maintenant m tel que P (X1 + X2 > 500) ≥ 0975, où X1 et X2 représentent les poids de 2
tablettes fabriquées. X1 et X2 sont donc indépendantes et suivent toutes deux des lois N (m, σ 2 ).
X1 + X2 suit donc la loi N (2m, 2σ 2 ). On a:
X − 2m 500 − 2m
P (X > 500) = P ( √ > √ )
2σ 2σ
√
500 − 2m 500 − 1.96 2σ
On a donc comme au 1) √ = 1.96 ⇔ m = ⇔ m=245.8
2σ 2
En moyenne, chaque plaque pèse donc m = 245.8 grammes. En moyenne, on gagne donc 4.2 g par tablette
si le réglage avait été simplement fait sur m = 250
Ce qui fait, sur 100 000 plaques, une écomomie de 420000 g... 420 tonnes de chocolat, ce qui n’est pas
négligeable !!!
Exercice 22
Un appareil éléctrique fonctionne avec 3 piles P1 , P2 , P3 . Chacune de ces piles Pi a une durée de vie Xi ,
qui est une v.a de loi Exp(λ). On suppose de plus que les 3 durées de vie sont indépendantes.
L’appareil cesse de focntionner dès que 2 de ses piles sont mortes. On note T la durée de fonctionnement
de l’appareil.
1. Calculer G, la fonction de répartition de T .
2. T admet elle une densité? Si oui, la calculer.
1. Soit x ∈ R. Calculons P (T ≤ x)
• Si x < 0 , on a evidemment P (T ≤ x) = 0.
• Sinon,
P (T ≤ x) = P ( 2 piles au moins sont tombées en panne pendant l’intervalle [0, x])

= P ( 2 piles exactement sont en panne ) + P ( les 3 piles sont en panne)
Notons p = P (une pile choisie au hasard tombe en panne pendant [0, x]). Les piles ayant des durées
de vie indépendantes, les évènements ’Pi est en panne’ et ’Pj est en panne’ sont indépendants. Donc:
P (T ≤ x) = C32 p2 (1 − p) + p3
Or p = P (D1 < x) = 1 − e−λx .

Donc P (T ≤ x) = 3e−λx (1 − e−λx )2 + (1 − e−λx )3

0 si x < 0
La loi de T est donc donnée par: P (T ≤ x) =
3e−λx (1 − e−λx )2 + (1 − e−λx )3 sinon

0 si x < 0
Remarque: en développant, on obtient une expression plus simple: G(x) =
1 + 2e−3λx − 3e−2λx sinon
2. La fonction de répartition de G, calculée à la question précédente, est continue et de classe C 1 par

morceaux; ainsi T possède une dénsité qui est la dérivée de G.

0 si x < 0
Le densité de T est donc donnée par:
−6e−3λx + 6e−2λx sinon
Exercice 23 (Lois sans mémoire)

Une v.a X est dite sans mémoire si ∀s ∈ R+ , ∀t ∈ R+ P (X > t + s|X > s) = P (X > t)
1. Montrer qu’une v.a suivant la loi exponentielle est sans mémoire.
2. Robert est au supermarché. On suppose que le temps que chaque client doit attendre devant une caisse
suit une loi exponentielle Exp(1/6). Robert s’impatiente à sa caisse: il attend depuis 5 minutes.
A t-il intérêt à aller à la caisse d’à côté ??

1. Soient s ∈ R+ , t ∈ R+ .
P (X > t + s, X > s)
P (X > t + s|X > s) =
P (X > s)
Or P (X > t + s, X > s) = P (X > t + s). Donc:
P (X > t + s)
P (X > t + s|X > s) =
P (X > s)
R +∞ −λx −λx +∞
t+s λe dx −e t+s
= R +∞ =
λe−λx dx [−e−λx ]+∞
s s
e−λ(t+s)
= = e−λt
e−λs
= P (X > t)
2. Notons X le temps que Robert doit attendre à sa caisse. Notons Y le temps que Robert doit attendre à
la caisse voisine. X et Y suivent des lois Exp( 61 ).
1
si Robert reste à sa caisse P (Robert attende encore t min )= P (X > t + 5|X > 5) = P (X > t) = e− 6 t
1
si Robert change de caisse P (Robert attende t min )= P (Y > t) = e− 6 t
Les deux situations sont donc les mêmes!!
Exercice 24
Robert entre chez le coiffeur. Celui ci est occupé avec un client. La coupe dure (exactement) 30 min, et celle
ci a débuté selon une durée aléatoire uniformément répartie entre 0 et 30 min.
Calculer la probabilité que t minutes après l’entrée de Robert, le coiffeur n’ait pas fini la coupe.
Notons U le temps (en minutes) que le coiffeur a déjà passé avec le client qu’il coiffe à l’entrée de Robert.
D’après l’énoncé, ce temps suit une loi uniforme sur [0, 30].
Ainsi, la coupe va durer encore (30 − U ) minutes. Soit t ≥ 0
P ( le coiffeur n’a pas fini sa coupe t minutes apres l’entrée de Robert) = P (30 − U > t) = P (U < 30 − t)
 
 0 30 − t ≤ 0
si  0 si 30 ≤ t
30−t t
Or P (U < 30 − t) = si 0 ≤ 30 − t ≤ 30 = 1 − 30 si 0 ≤ t ≤ 30
 30
1 si 30 ≤ 30 − t 1 si t = 0

Exercice 25
ln(U )
Soit λ ∈ R+∗ , soit U une v.a de loi uniforme sur [0, 1]. On considère X = − .
λ
1. Pourquoi peut on dire que X existe presque surement?
2. Calculer la loi de X
1. X est définie si U > 0. Or P (U ≤ 0) = P (U = 0) = 0 car U est une v.a à densité.

Ainsi P (X n’est pas définie)= 0
2. Soit x ∈ R.
• Si x ≤ 0, on a bien sûr P (X ≤ x) = 0.
• Sinon, si x ≥ 0, :
− ln(U )
P (X ≤ x) = P ( ≤ x)
λ
= P (U ≥ e−xλ ) car ln est croissante
= 1 − e−λx
Donc X ∼ Exp(λ).
5 Couples de variables aléatoires
Exercice 26
Robert doit prendre le prochain bus.
1. Robert est à l’arrêt de bus. Le temps d’attente avant que le bus n’arrive suit une loi Exp(0.2).
Quelle est la probabilité que Robert attende plus de 10 minutes ?
2. Robert voudrait bien prendre le bus en compagnie de sa jolie voisine, mais celle ci n’est pas encore arrivée.
Le temps qu’elle met pour arriver suit une loi Exp(0.3).
Quelle est la probabilité que Robert puisse effectuer le voyage avec elle ?
1. Notons X le temps que doit attendre Robert. On cherche P (X > 10)

Z +∞
+∞
0.2e−0.2x dx = −e−0.2x 10

P (X > 10) =
10
= e−2
2. Notons Y le temps que met la jolie voisine à arriver. On cherche P (X > Y )
(x, y) ∈ R2 tq

x>y
Si on note B = , on a P (X > Y ) = P ((X, Y ) ∈ B).
x ≥ 0, y ≥ 0
Or comme X et Y sont indépendantes, la densité f(X,Y ) du couple (X, Y ) est le produit des densités de
X et de Y .
Z
P (X > Y ) = f(X,Y ) (x, y) dxdy
B
Z Z +∞ Z +∞
−0.2x −0.3y
= 0.2 ∗ 0.3e e dxdy = 0.2 ∗ 0.3e−0.2x e−0.3y dxdy
B 0 y
Z +∞ +∞
0.3e−0.3y −e−0.2x y dy

=
0
Z +∞ 0.3 −0.5y +∞
= 0.3ey(−0.2−0.3) dy = − 0.5 e 0
0
= 0.6
Robert a donc 6 chances sur 10 de passer le voyage avec sa voisine.
Exercice 27
Soient X, Y deux v.a indépendantes de densité respectives:
1 a−1 −x 1 b−1 −y
fX (x) = x e 1[0,+∞[ (x) et fY (y) = y e 1[0,+∞[ (y)
Γ(a) Γ(b)
Z +∞
(a et b sont deux réels > 0, et on rappelle que Γ(b) = e−x xb−1 dx).
0
X
On pose U = X+Y et V = X + Y .
1. Trouver la loi du couple (U, V )
2. Les v.a U et V sont elles indépendantes ?
On cherche la loi du couple (U, V ). Pour cela, on doit calculer P (U ≤ u; V ≤ v).
X
P (U ≤ u; V ≤ v) = P ( ≤ u; X + Y ≤ v)
X +Y
( x
+2 ≤u
= P ((X; Y ) ∈ A) où A = (x, y) ∈ R tq x+y
x+y ≤v
Or X et Y sont indépendantes, donc la densité du couple (X; Y ) est le produit des densités de X et Y .
Z Z
Donc P (U ≤ u; V ≤ v) =  x  f (x)f (y)dxdy
X Y

 ≤ u et x ≥ 0; y ≥ 0  
x+y
x+y ≤v

 

( x
X=

x = XY
Faisons le changement de variables: x+y ⇔
Y =x+y y = Y − XY

Y X X ≤ u et X ∈ [0; 1]
Le jacobien est: = Y et les nouvelles bornes sont:
−Y 1−X Y ≤ v et Y ≥0
Z Z
Donc P (U ≤ u; V ≤ v) =  Y fX (XY )fY (Y − XY )1[0;1] (X)1[0;+∞[ (Y )dXdY
 X≤u 
 Y ≤v 
Z Z
1
=   (XY )a−1 Y b−1 (1 − X)b−1 Y e−Y 1[0;1] (X)1[0;+∞[ (Y )dXdY
Γ(a)Γ(b)  X≤u 
 Y ≤v 
Ainsi la densité du couple (U ; V ) est:

1
f(U,V ) (X, Y ) = X a−1 (1 − X)b−1 Y a+b−1 e−Y 1[0;1] (X)1[0;+∞[ (Y )
Γ(a)Γ(b)
Exercice 28
Soit X et Y deux v.a indépendantes suivant la loi normale N (0, 1).
1. Calculer la loi de Z = X 2 + Y 2
2. Calculer E(Z)
1. On peut penser à calculer d’abord les lois de X 2 et Y 2 , puis faire le produit de convolution de ces 2 lois.
Cela ferait deux calculs à faire, c’est un peu long. Calculons directement P (X 2 + Y 2 ≤ t) en utilisant les
couples de v.a.
2 y2
1 − x2
Comme X et Y sont indépendantes, la densité de (X, Y ) est f(X,Y ) (x, y) = fX (x)fY (y) = 2π e e− 2
(x, y) ∈ R2

2 2
P (X + Y ≤ t) = P ((X, Y ) ∈ A), où A =
x2 + y 2 ≤ t
Z Z
= f(X,Y ) (x, y) dxdy
Z Z A
1 − x2 − y2
= e 2 e 2 dxdy
{x2 +y 2 ≤t} 2π
Z Z
1 − x2 +y2
= e 2 dxdy
{x2 +y 2 ≤t} 2π
(
x = r cos(θ)
La présence de +x2 y2
nous incite à passer en polaire:
y = r sin(θ)
2 2 2
√
r = x + y varie de 0 à t, donc r varie de 0 à t. θ varie de 0 à 2π (pas de contraintes sur θ)
Z 2π Z √t
1 r2
P (X 2 + Y 2 ≤ t) = e− 2 r drdθ
2π 0 0
Z 2π Z t
1 r2
= dθ e− 2 r dr
2π 0 0
2
√t
r
= −e− 2
0
t
= 1 − e− 2
Donc X 2 + Y 2 ∼ Exp( 21 )
2. Comme Z ∼ Exp( 12 ), E(Z) = 2.
Exercice 29
Stéphanie doit se rendre à la poste. Le temps qu’elle passe à attendre dans la queue suit une loi Exp(λ1 ).
Le temps qu’elle passe au guichet suit une loi Exp(λ2 ). Le temps qu’elle doit attendre avant que son téléphone
portable sonne suit une loi Exp(λ3 ). Ces 3 grandeurs sont indépendantes.
Calculer la probabilité que le téléphone portable de Stéphanie sonne dans la poste.
Notons T1 = temps qu’elle passe à attendre dans la queue.

Notons T2 = temps qu’elle passe à attendre au guichet.
Notons T3 = temps avant que le téléphone sonne.
On cherche donc P (T3 ≤ T1 + T2 ).
On a P (T3 ≤ T1 + T2 ) = P ((T1 , T2 , T3 ) ∈ A), où A = {(x, y, z) tq x ≥ 0, y ≥ 0, z ≥ 0, z ≤ x + y}
Or Ti ∼ Exp(λi ), et les Ti sont indépendantes.
Donc
Z +∞ Z +∞ Z x+y
P ((T1 , T2 , T3 ) ∈ A) = λ1 e−λ1 x λ2 e−λ2 y λ3 e−λ3 z dzdxdy
0 0 0
λ2 λ3
= 1−
(λ1 + λ2 )(λ1 + λ3 )
Exercice 30 ( l’aiguille de Buffon)

On possède une table, recouverte de lignes parallèles, espacées entre elles de D cm. On y jette une aiguille
de longueur l, avec l ≤ D.
On cherche la probabilité que l’aiguille rencontre une ligne.

1. On repère la position de l’aiguille avec les coordonées suivantes:

• θ est l’angle formé entre l’aiguille et une perpendiculaire aux lignes.
• X est la distance entre le milieu de l’aiguille et la ligne parallèle la plus proche.
Quand l’aiguille coupe t-elle une ligne?
2. Quelles lois suivent θ et X? Sont-elles indépendantes?
3. Trouver la probabilité cherchée.
4. Imaginez une méthode pour calculer π.
1. On rappelle les notations: X est la distance entre le milieu de l’aiguille et la parallèle la plus proche. θ
désigne l’angle entre l’aiguille et une perpendiculaire aux lignes.
l
On a (faire le dessin ): l’aiguille coupe une ligne ⇔ cos(θ) ≥ X
2
2. Les aiguilles sont lancées de façon aléatoire, on peut donc supposer que X et θ suivent des lois uniformes,
et que X et θ sont indépendantes.
Sur quels intervalles ? On a X ∈ [0; D

2 ], donc X ∼ U[0, D ] . Notons la densité de X: fX (x) =
2
D 1[0; D ] (x)
2 2
On a de même θ ∈ [0; π2 ], donc θ ∼ U[0, π2 ] . Notons la densité de θ: fθ (y) = π2 1[0; π2 ] (y)
3. On lance une aiguille. D’après le 1), P ( l’aiguille coupe une ligne )= P ( 2l cos(θ) ≥ X)

 x ≤ 2l cos(y)
l 
P ( cos(θ) ≥ X) = P ((X, θ) ∈ B), où B = (x, y) tq x ∈ [0, D 2]
2  π
y ∈ [0, 2 ]

La densité f(X,θ) du couple (X, θ) est le produit des densités de X et de θ, par indépendance.
Z
l
P ( cos(θ) ≥ X) = fX (x)fθ (y)dxdy
2 B
Z πZ l
2 2 2 2 cos(y)
= dxdy
Dπ 0 0
Z π
4 2 l
= cos(y) dy
πD 0 2
2l
=
πD
nombre d’aiguilles touchant une ligne 2l
4. Si on lance n aiguilles, si on note Fn = , alors Fn −−−−−→ πD
n n→+∞
Il suffit de lancer suffisamment d’aiguilles...
Exercice 31
On suppose que des coeurs arrivent à un hopital suivant le processus suivant: Le premier coeur arrive à la date
T1 , le deuxieme met un temps T2 à arriver après que le premier coeur soit arrivé. T1 et T2 sont deux v.a de loi
exponentielle Exp(µ)
Deux malades attendent d’être greffés. Le premier coeur va au premier patient, si celui est encore en vie;
sinon au second (s’il est encore en vie...) On suppose que leurs durées de vie (qui sont indépendantes) suivent
des lois exponentielles de paramètre λ1 et λ2 . Ces durées de vie sont indépendantes des arrivées des coeurs!
1. Calculer la probabilité que le premier patient soit greffé

2. Calculer la probabilité que le second soit greffé.
Notons V1 et V2 les durées de vie respectives des deux patients. D’après l’enoncé, V1 ∼ Exp(λ1 ), V2 ∼ Exp(λ2 )
et ce sont deux v.a indépendantes.
1. Dire que le premier patient est gréffé, cela revient à dire que T1 < V1 . (sa durée de vie est plus grande
que le temps que met le premier coeur à arriver)
( 2
t1 , v 1 ∈ R +
P (T1 < V1 ) = P ((T1 , V1 ) ∈ A) où A =
t1 < v1
Z Z
= µe−µt1 λ1 e−λ1 v1 dt1 dv1
A
Z +∞ Z +∞
= µe−µt1 λ1 e−λ1 v1 dv1 dt1
0 t1
Z +∞ h i+∞
= µe−µt1 −e−λ1 v1 dt1
0 t1
Z +∞
= µe−(µ+λ1 )t1 dt1
0
+∞
µ −(µ+λ1 )t1
= − e
µ + λ1 0
µ
=
µ + λ1
2. Le deuxième patient est gréffé dans deux cas:

• le premier patient prend le premier coeur et le deuxième survit suffisamment pour qu’on lui greffe
le deuxieme coeur: T1 < V1 et T1 + T2 < V2
• Le premier patient meurt avant de recevoir le premier coeur, et le deuxieme patient est gréffé avec
ce coeur: T1 > V1 et T1 < V2
On cherche donc P (T1 < V1 ; T1 + T2 < V2 ) + P (T1 > V1 ; T1 < V2 ).
Z Z Z Z
P (T1 < V1 ; T1 + T2 < V2 ) =  µe−µt1 µe−µt2 λ e−λ1 v1 λ e−λ2 v2 dt dt dv dv
1 2 1 2 1 2



t1 , t 2 , v 1 , v 2 > 0 



t1 < v1 
t1 + t2 < v2

 

Z ∞Z ∞Z ∞ Z ∞
= µe−µt1 µe−µt2 λ1 e−λ1 v1 λ2 e−λ2 v2 dv1 dv2 dt1 dt2
0 0 t1 +t2 t1
Z ∞Z ∞Z ∞ h i+∞
= µe−µt1 µe−µt2 λ2 e−λ2 v2 −e−λ1 v1 dv2 dt1 dt2
0 0 t1 +t2 t1
Z ∞Z ∞Z ∞
= µe−(µ+λ1 )t1 µe−µt2 λ2 e−λ2 v2 dv2 dt1 dt2
0 0 t1 +t2
Z ∞Z ∞ h i+∞
= µe−(µ+λ1 )t1 µe−µt2 −e−λ2 v2 dt1 dt2
0 0 t1 +t2
Z ∞Z ∞
= µe−(µ+λ1 +λ2 )t1 µe−(µ+λ2 )t2 dt1 dt2
0 0
+∞ +∞
µ −(µ+λ1 +λ2 )t1 µ −(µ+λ2 )t2
= − e − e
µ + λ1 + λ2 0 µ + λ2 0
µ µ
=
µ + λ 2 µ + λ1 + λ2
D’autre part,
Z Z Z
P (T1 > V1 ; T1 < V2 ) =  µe−µt1 λ e−λ1 v1 λ e−λ2 v2 dt dv dv
1 2 1 1 2

t1 , v1 , v2 > 0 


 


t1 > v1 
t1 < v2

 

Z ∞ Z +∞ Z +∞
= µe−µt1 λ1 e−λ1 v1 λ2 e−λ2 v2 dv2 dt1 dv1
0 v1 t1
Z ∞ Z +∞ h i+∞
= µe−µt1 λ1 e−λ1 v1 −e−λ2 v2 dt1 dv1
0 v1 t1
Z ∞ Z +∞
= µe−(µ+λ2 )t1 λ1 e−λ1 v1
0 v1
Z ∞ +∞
µ
= λ1 e−λ1 v1 − e−(µ+λ2 )t1 dv1
0 µ + λ2 v1
Z ∞
µ
= λ1 e−(λ1 +µ+λ2 )v1 dv1
µ + λ2 0
+∞
µ λ1 −(λ1 +µ+λ2 )v1
= − e
µ + λ2 λ 1 + µ + λ2 0
µ λ1
=
µ + λ2 λ1 + µ + λ2
µ µ µ λ1
Donc P ( le deuxieme patient est gréffé) = +
µ + λ 2 µ + λ 1 + λ 2 µ + λ 2 λ 1 + µ + λ2
Exercice 32 (Loi de sommes de v.a)

Soient X et Y deux v.a indépendantes, de loi Exp(λ) et Exp(α) . Montrer que la densité de X + Y est
−αx −e−λx
f (x) = λα e λ−α 1]0,+∞[ (x)
On applique le cours:
Si X et Y sont indépendantes, si X possède une densité fX , si Y possède une densité fY , alors X + Y

possède une densité gX+Y donnée par:
Z +∞
gX+Y (u) = fX (u − t)fY (t)dt
−∞
Appliquons ce résultat ici, avec fX (t) = λe−λt 1R+ (t) et fY (t) = αe−αt 1R+ (t). On obtient:
Z +∞
gX+Y (u) = λe−λ(u−t) 1R+ (u − t)αe−αt 1R+ (t)dt
−∞
Or 1R+ (t) = 0 si t < 0, donc

Z +∞
gX+Y (u) = λe−λ(u−t) 1R+ (u − t)αe−αt dt
0
• 1er cas : u < 0.

Z +∞
Alors dans l’expression λe−λ(u−t) 1R+ (u − t)αe−αt 1R+ (t)dt, u − t < 0 et ainsi 1R+ (u − t) = 0.
0
Donc
gX+Y (u) = 0
• 2ième cas : u ≥ 0.
/ R+ ⇔ u < t. D’où
On a: 1R+ (u − t) = 0 si u − t ∈
Z u
gX+Y (u) = λe−λ(u−t) αe−αt dt
0
Z u
= λαe−λu eλt e−αt dt
"0 #u
−t(α−λ)
−λu e
= λαe
λ−α
0
λα −λu −u(α−λ) e−αu − e−λu
= e (e − 1) = λα
λ−α λ−α
−αu −e−λu
La réunion des deux cas se note donc gX+Y (u) = λα e λ−α 1R+ (u)
Exercice 33
1. Montrer qu’il existe c tel que f (x, y) = c[1 + xy(x2 − y 2 )]1[−1,1] (x)1[−1,1] (y) soit une densité de probabilité
sur R2 .
2. Soit (X, Y ) un couple ayant f (x, y) comme densité. Expliciter les lois de X et Y .

f (x, y) ≥ 0 (1)
1. pour être une densité, f doit vérifier deux conditions:
Z
 f (x, y)dxdy = 1 (2)
R2
Examinons la condition (2).
Z Z 1 Z 1
f (x, y)dxdy = c(1 + xy(x2 − y 2 )) dxdy
R2 −1 −1
Z 1 Z 1 Z 1 Z 1 Z 1 Z 1
= c dxdy + c x3 y dxdy − c y 3 x dxdy
−1 −1 −1 −1 −1 −1
Z 1 Z 1 Z 1 Z 1
Or par symétrie il est clair que x3 ydxdy = y 3 xdxdy
−1 −1 −1 −1
Donc Z Z 1 Z 1
f (x, y)dxdy = c = 4c
R2 −1 −1
1
ainsi (2) ⇔ c =
4
On vérifie qu’avec ce choix pour c, la condition (1) est aussi vérifiée.
1
Donc f est une densité ⇔ c = 4
2. On applique le cours. La densité marginale de X est donnée par:

Z
fX (u) = f (u, y)dy
R
Z 1
1
= (1 + uy(u2 − y 2 ))1[−1;1] (u)dy
−1 4
1 1
Z
= 1[−1;1] (u) (1 + u3 y + uy 3 )dy
4 −1
1 1 1 1 3 1 1 3
Z Z Z
= 1[−1;1] (u) dy + 1[−1;1] (u) u ydy + 1[−1;1] (u) uy dy
4 −1 4 −1 4 −1
1 1
1 3 y2 1 y4
= 2.1[−1;1] (u) + +1[−1;1] (u) u + +1[−1;1] (u) u
4 2 −1 4 4 −1
= 2.1[−1;1] (u)
D’où
fX (u) = 2.1[−1;1] (u)
Par symétrie, on obtient

fY (u) = 2.1[−1;1] (u)
6 Convergence des v.a
Exercice 34
On rappelle les résultats suivants:
Si on jette une aiguille de longueur l sur une table rayée dont les lignes sont espacées de D cm, la probabilité
2l
que l’aiguille coupe une ligne est
πD
1. Proposer une méthode pour calculer π
2. Combien de lancers effectuer si on veut une valeur approchée de π à 0.1 près, fiable à 95% ?
1. D’après la loi des grands nombres, si on lance beaucoup d’aiguilles, le rapport nb d’aiguilles touchant une ligne
nb d’aiguilles lancées
2l
va tendre vers πD . Il suffit donc de lancer beaucoup d’aiguilles pour calculer une valeur approchée de
2l
πD , donc de π.
2. • Le problème qui se pose est le suivant: je vais arriver facilement, avec cette méthode, à calculer une
2l
valeur approchée de πD , donc en fait de π1 . Mais si j’approche π1 à 0.1 près, approcherais-je π à 0.1
près ?
1 1
Ce n’est pas du tout evident, par exemple 0.4 et 0.5 sont proches à 0.1 près, mais pas 0.4 et 0.5 :
1 1
0.4 − 0.5 = 0.5

1 1 b − a
: on s’apercoit donc du fait suivant: si 1 ≤ 1, alors 0.1 ≤ 0.1, d’où

En fait on a − = ba ba
a b ba

− ≤ 0.1 ⇒ 1 − 1 ≤ 0.1 ⇒ | = b − a ≤ 0.1 ⇒ |b − a| ≤ 0.1
1 1
a b a b ba ba ba
1
Or ici, a = π et b =approximation de π. Comme on sait que π ≥ 1, on aura bien ba ≤ 1.
• Calculons donc une valeur approchée de π1 à 0.1 près:

(
1 si le i ième lancer est réussi
Posons Xi = Les Xi sont des v.a indépendantes de Bernoulli, elles
0 sinon
vérifient toutes les hypothèses du théorème central limit et de la loi des grands nombres. On a
2l
E(Xi ) = P (Xi = 1) = p = πD
2l X1 +...+Xn
Une valeur approchée de πD est n :
On cherche donc n tel que

D(X1 + ... + Xn ) 1
P (
− ≤ 0.1) ≥ 0.95
2ln π

D(X + ... + X ) − n 2l
1 n π
⇔ P ( ≤ 0.1) ≥ 0.95

2ln

D(X + ... + X − 2l n)
1 n πD
⇔ P ( ≤ 0.1) ≥ 0.95

2ln

X + ... + X − 2l n 0.1(2l)
1 n πD
⇔ P ( ) ≤ ≥ 0.95

n D
X + ... + X − 2l n 0.1(2l)√n

1 n πD
⇔ P ( √ ) ≤ ≥ 0.95

nσ Dσ
2l
p p 2l X1 +...+Xn − πD n
où σ = var(Xi ) = p(1 − p), où p = πD . D’après le TCL, la loi de Y = √
nσ
est la loi
N (0, 1).

D(X1 + ... + Xn ) 1
P (
− ≤ 0.1) ≥ 0.95
2ln π
√
0.1(2l) n
⇔ P (|Y | ≤ ≥ 0.95
Dσ√
0.1(2l) n
⇔ 2P (Y ≤ ) − 1 ≥ 0.95
Dσ√
0.1(2l) n
⇔ P (Y ≤ ) ≥ 0.975
Dσ
√ 2
D’où, en cherchant sur la table 0.1(2l)
Dσ
n
= 1.96 ⇔ n = 1.96Dσ
0.1(2l)
1
p p
σ = p(1 − p) est inconnu, on peut le majorer en écrivant p(1 − p) ≤ 2 (cf exercice sur les
sondages)
2
1.96D
Ainsi on devra effectuer n = 0.2(2l) lancers
Exercice 35
Les statisticiens on établi que la probabilité qu’un homme de 45 ans vive encore dans 60 ans est de 0.05.
Une société d’assurance vient de vendre à 300 hommes de 45 ans une police d’assurance-vie.
On note X le nombre de personnes, qui parmi ces 300, atteindront 105 ans.
1. (a) Donner la loi de X

(b) Calculer p1 la probabilité pour que l’assureur débourse de l’argent pour au moins 298 contrats.
2. On choisit d’approcher X par une loi de Poisson.
(a) Quel paramètre choisir pour la loi de Poisson ?

(b) Calculer dans ce cas une valeur approchée de p1
3. On choisit d’approcher X par une loi normale.
(a) Quel paramètres choisir pour la loi normale ?

(b) Calculer dans ce cas une valeur approchée de p1
4. Comparer les résultats.
1. (a) La loi de X est une loi binomiale de paramètres n = 300 et p = 0.05

(b) p1 = P (X ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2) = .2926752598 ∗ 10−4
2. (a) On choisit comme paramètre np = 15

(b) p1 = P (X = 0) + P (X = 1) + P (X = 2) = .3930844818 ∗ 10−4
3. (a) On a X = X1 + . . . X300 , où les Xi sont

p des lois de bernoulli indépendantes. On peut donc appliquer
le TCL et affirmer que X ∼ N (np, np(1 − p), car E(Xi ) = p et var(Xi ) = p(1 − p).
p
(b) On pose σ = np(1 − p) = 3.774917218
p1 = P (X ≤ 2)
X − 15 13
= P( ≤−
σ σ
= P (Y ≤ −3.4437) où Y ∼ N (0, 1)
= P (Y ≥ −3.4437) où Y ∼ N (0, 1) par symétrie de la loi normale
= 1 − P (Y ≤ 3.4437) = 1 − 0.99966
= .34 ∗ 10−3
4. L’approximation par la loi normale est moins bonne que celle par la loi de Poisson, car la loi normale est
continue et que la loi binomiale ne l’est pas.
7 Processus de Poisson
Exercice 36
On considere une personne partie faire une randonnée en VTT. Les chemins étant en mauvais état, des chutes
surviennent, en moyenne une toutes les 15 minutes. La randonnée commence à 14 heures. On note Nt le
nombre de chutes survenues avant t, et on suppose que Nt suit un processus de Poisson.
1. Quel est le paramètre λ du processus de Poisson Nt ?
2. Quelle est la probabilité qu’il y ait exactement une chute dans la premiere heure? Même question en
remplacant exactement par au moins.
3. Sachant que la personne est tombée (exactement) 3 fois dans la premiere heure, quelle est la probabilité
qu’elle soit tombée (exactement) une fois dans la premiere demi-heure? dans le deuxieme quart d’heure?
4. Au bout de 10 minutes, la personne est tombée deux fois. Quelle est la probabilité qu’elle tombe k fois
dans les 10 minutes qui suivent?
1. Le paramètre λ du PP correspond à l’inverse du temps moyen entre deux des instants du PP. Ici il s’écoule
1
en moyenne 15 minutes entre deux chutes (les chutes sont les instants du PP considéré.) Donc λ = 15
2. On a: P (exactement une chute dans la première heure)= P (N60 = 1).

Or on sait que Nt suit une loi Poisson(λ). Donc P (exactement une chute dans la première heure)=
e−λ60 (λ60)
1!
On a: P (au moins une chute dans la première heure)= 1 − P (aucune chute dans la première heure)=
1 − P (N60 = 0). Donc P (au moins une chute dans la première heure)= 1 − e−60λ .
3. La probabilité cherchée est P (N30 = 1|N60 = 3). D’après les propriétés d’uniformité, cette probabilité
1 2
est égale à C31 ( 21 ) ( 12 )
Au niveau des probabilités, tomber dans le premier quart d’heure ou dans le deuxieme est la même chose.
1 2
On cherche donc P (N15 = 1|N60 = 3) = C31 ( 14 ) ( 34 )
4. Le nombre de chutes dans les 10 minutes qui suivent les 10 premieres minutes est N20 − N10 . On cherche
donc ici P (N20 − N10 = k|N10 = 2).
Or N20 − N10 et N10 sont indépendantes ( car un PP est à accroissements indépendants).
Donc P (N20 − N10 = k|N10 = 2) = P (N20 − N10 = k). Or la loi de N20 − N10 est la même que celle de
−10λ k
N10 (car un PP est à accroissements stationnaires). La probabilité cherchée est P (N10 = k) = e k!(10λ)
Exercice 37
On considère un serveur informatique. Pour acceder à ce serveur, le routeur dispose de 2 liaisons possibles:
la liaison A et la liaison B. Le nombre de connexions Nt par le routeur suit un Processus de Poisson λ = 100
(le temps est en secondes). Le routeur choisit de facon aléatoire si une connexion se fera par la liaison A ou B;
la probabilité qu’une connexion se fasse par A est pA . On note N At et N Bt les processus désignant le nombre
de connexions passant par la liaison A et par la liaison B.
On met en marche le serveur à 9 heures
1. Que peut on dire de N At et N Bt ?
2. Quelle est la probabilité qu’il y ait au moins 100 connexions entre 9h 10 et 9h 11 ? (on ne demande pas
de valeur numérique)
3. Sachant qu’on a enregistré 150 connexions en 2 secondes, quelle est la probabilité que 50 d’entre elles
soient passées par B? (on ne demande pas de valeur numérique)
4. On doit determiner la politique de routage, ie choisir pA . Le problème est que la liaison A passe par de
vieux ordinateurs et que celle ci plante dès que le nombre de connexions est trop élevé. Calculer pA si on
veut que le nombre moyen de connexions par la liaison A en une minute soit inférieur à 200.
1. On est dans le cas d’un PP qui se décompose en deux processus de Poisson. D’après le cours, on sait que
N At et N Bt sont deux PP, de paramètres respectifs λpA et λ(1 − pA ). De plus on peut affirmer que N At
et N Bt sont indépendants.
e−λ60 (−λ60)k
2. La probabilité cherchée est P (N60 ≥ 100) = +∞
P
k=100 k!
50 (1 −
3. On cherche P (N B2 = 50|N2 = 150). D’après les propriétés d’uniformité, ce nombre vaut C150
50
pA ) (pA )100
4. Le nombre de connexions passant par A est égal à N A60

On cherche donc pA tel que E(N A60 ) ≤ 200. Comme N A60 suit une loi Poisson (λpA 60), on a E(N A60 ) =
λpA 60.
1
Ainsi pA doit etre choisi tel que λpA 60 ≤ 200, ce qui donne pA ≤ 30 .
Exercice 38
On suppose que des voitures arrivent chez un garagiste suivant un processus de Poisson à un rythme λ = 11
par jour en moyenne.
On suppose que le temps que passe chaque voiture dans le garage est une v.a de loi exponentielle µ = 1
(ces temps sont indépendants pour chaque voiture)
On note Nt le nombre de voitures encore dans le garage à t = 2, et Nt0 le nombre de voitures réparées
(sorties du garage) à t = 2.
1. Quelle est la probabilité que 3 voitures soient entrées au garage le premier jour?
2. Donner la loi de Nt et Nt0 .
3. Le garage ne peut contenir plus de 20 voitures en même temps. Quelle est la probabilité qu’il soit saturé
à t = 2 ?
e−λ (λ)3
1. Si on note Gt le nombre de voitures entrées au garage dans [0;t], on cherche P (G1 = 3) = 3! =
e−11 (11)3
3!
2. Soit t > 0. On classe les voitures entrées pendant [0,t] en deux types: le type 1 qui correspond aux
voitures sorties avant t et le type 2 qui correspond aux voitures encore dans le garage à t.
Soit x ∈ [0, t]. Calculons g1 (x) = P (une voiture arrivée à la date x est de type 1). Or:
P (une voiture arrivée à la date x est de type 1) = P (Le temps de réparation de cette voiture est ≤ t − x)
R t−x −µz
= 0 µe dz = [−e−µz ]t−x
0 = 1 − e−µ(t−x)
Ainsi g1 (x) = 1 − e−µ(t−x) et g2 (x) = e−µ(t−x) . (car g2 = 1 − g1 )
On applique ensuite le cours qui affirme que Nt et Nt0 suivent des lois de Poisson de paramètres respectifs
Rt Rt −µt
λtp et λt(1 − p), où p = 1t 0 g2 (z)dz = 1t 0 e−µ(t−z) dz = 1−eµt
En faisant t = 2 et µ = 1, on obtient: N2 suit une loi de Poisson(λ(1 − e−2 )), et N20 suit une loi de
Poisson(λ(1 + e−2 ))
−2 )
P+∞ e−λ(1−e (λ(1−e−2 ))k
3. La probabilité cherchée est donc P (N2 > 20) = k=21 k!
Exercice 39 (Sur la Plage)

C’est l’été et Stéphanie se rend sur la plage. Elle s’étend sur le sable chaud et étant plutôt jolie, ne tarde pas
à attirer les regards... ainsi des garçons viennent l’aborder, en moyenne 1 toutes les 10 minutes. On suppose
que le nombre de garcons venant la voir suit un processus de Poisson. ( On négligera le temps qu’elle passe à
discuter avec ces garçons, de toute façon elle les envoie balader très vite)
1. Calculer la probabilité pour que plus de deux garçons viennent la voir dans le premier quart d’heure
2. Si 3 garcons sont venus la premiere heure, quelle est la probabilité que personne ne soit venu les 20
premieres minutes?
3. Au bout de 10 minutes, 2 garçons sont déjà venus la voir. On note Z = nombre de garçons qui viendront
dans la demi-heure suivante. Calculer la loi de Z
4. En fait si elle joue la jeune fille ennuyée par ces importuns, Stéphanie apprécie la visite de ces jeunes
hommes. On se place à un instant t où elle est seule. On note R = temps qu’elle doit attendre avant la
visite du prochain courtisan. Calculer la loi de R.
1. Le paramètre λ du PP correspond à l’inverse du temps moyen entre deux des instants du PP. Ici il s’écoule
1
en moyenne 10 minutes entre deux arrivées de garçons. Donc λ = 10
On note: Nt le nombre de garçons étant venus la voir pendant t minutes.
On a: P (plus de deux garçons arrivent)= P (N15 > 2) = 1 − P (N15 = 0) − P (N15 = 1) − P (N15 = 2).

3 (λ15)2
Or on sait que N15 suit une loi de Poisson (λ15), donc P (N15 > 2) = 1 − e− 2 1 + (λ15)
1! + 2!
2. La probabilité cherchée est P (N20 = 0|N60 = 3). D’après les propriétés d’uniformité, cette probabilité
0 3
est égale à C30 ( 31 ) ( 23 ) = 27
8
1
En effet, 20 minutes représentent 3 d’une heure.
3. Soit Z = nombre de garçons qui viendront dans la demi-heure suivante. Soit k ∈ N, calculons P (Z = k).
P (Z = k) = P (N40 − N10 = k|N10 = 2)

= P (N40 − N10 = k) car N20 − N10 et N10 sont indépendantes
= P (N30 = k)
Ainsi la loi de Z est la loi de N30 : une loi de Poisson de paramètre λ30 = 3
4. R est le temps qu’il reste avant qu’un garçon arrive. D’après le cours il s’agit du temps de vie résiduel
. Ce temps suit une loi Exp(λ). (revoir le cours)
8 Chaı̂nes de Markov
Exercice 40 (Les 4 Tours) Un chateau comporte 4 tours reliées par un chemin de ronde. Le gardien effectue
sa ronde de la manière suivante: Arrivé à une tour, il tire à pile ou face pour décider s’il fait demi-tour ou s’il
continue dans le même sens.
1. On note Xn la nieme tour visitée. Pourquoi (Xn )n∈N est il une chaine de Markov? représenter son graphe
et sa matrice de transition.
2. Determiner si la chaı̂ne est irréductible et determiner les éventuels vecteurs de probabilité stationnaire.
3. L’ennemi veut entrer dans le chateau sans être vu . Il pense que la tour 1 est la plus propice à ce genre
d’exercice. Le soldat met 2 minutes pour aller d’une tour à l’autre et reste 1 min dans chaque tour. Dès
que le soldat quitte la tour 1, il fait une tentative. De combien de temps peut il esperer disposer pour
s’infiltrer dans le chateau avant que le soldat ne revienne à la tour 1?
1. (Xn )n∈N est une chaine de Markov puisque le numéro de la nieme tour visitée ne dépend que de la
(n − 1)ieme .
Si on représenteles tours de cette façon,
1 1 
0 2 0 2
 1 0 1 0 
on obtient P =  2 2 
 0 1 0 1 
2 2
1 1
2 0 2 0
2. La chaine est irréductible puisque tous les états communiquent entre eux. Essayons de résoudre l’équation
π = πP . (en n’oubliant pas que π est un vecteur de probabilité)
π0 = π21 + π23


π π

 π1 = 20 + 22


On trouve le système: π0 = 2 + π23
π1
⇔ π0 = π1 = π2 = π3 = 14
π = π20 + π22

 1



π0 + π1 + π2 + π3 = 1
3. Calculons le temps de séjour du soldat dans les états 2,3 et 4 alors qu’il vient de quitter la tour 1. On a,
avec les notations du cours: α = (P (X0 = 2); P (X0 = 3); P (X0 = 4)) = ( 12 , 0, 12 ). En effet lorsqu’il quite
la tour 1, le soldat a une chance sur 2 de se trouver dans la tour 2 ou dans la 3.
1
  
0 2 0 1
1 1 
On a de plus: Q =  2 0 2 et e =  1 . On trouve T = 3 (après calculs).
1
0 2 0 1
On a pas fini; cela veut dire qu’avant de revenir à la tour 1 le soldat visite 3 tours en moyenne; convertissons
cela en temps. S’il visite 3 tours, il effectue 4 trajets; il passe 4 × 2 = 8 minutes dans les trajets; à cela
doit s’ajouter les temps passé dans les tours qui est de 3 × 1 = 3
L’ennemi dispose donc en moyenne de 11 minutes pour pouvoir rentrer dans le chateau par la tour 1.
Exercice 41 (Le chat et La souris)

Dans une maison constituée de 4 pieces se déroule un cruel épisode de la vie sauvage. Une souris se promène
pour trouver à manger. Un chat (qui lui n’a pas ce genre de soucis, c’est une larve gavée par ses maitres) décide
d’attraper la souris.
La souris reste 10 minutes dans chaque piece, puis ayant oublié où elle a déjà cherché, change d’endroit
pour une des 3 autres pieces. Le chat, en bonne larve qu’il est, ne veut pas courir. Il se place dans la cuisine
et attend la souris.
1. Pourquoi peut on modéliser cette situation par une chaine de Markov?
2. Donner le graphe, la matrice de transition de cette chaine.
3. Classifier les états de la chaı̂ne.
4. Quelle est l’esperance de vie de la souris?
5. Determiner le régime stationnaire de la chaı̂ne. Pouvait on prédire le résultat?
1. Notons Xn = numéro de la piece où est la souris. Cette piece, d’après l’énoncé ne dépend que de la pièce
ou est la souris à l’instant n − 1 puisque la pauvre souris n’a pas de mémoire et ne se souvient pas des
pièces auparavant visitées.
2. Puisque la souris choisit aléatoirement

 une des 3 autres pièces en sortant de la pièce où elle se trouve, la
0 13 13 13

 1 0 1 1 
matrice de transition s’écrit: P =  3 3 3 
 1 1 0 1 
3 3 3
0 0 0 1
L’état 4 étant dramatiquement absorbant, puisque il s’agit du cas où la souris rencontre le chat.
3. Il y a deux classes: {1, 2, 3} et {4}.
La classe {1, 2, 3} est transitoire, puisque, une fois quittée, la chaı̂ne n’y retourne jamais... en effet, quitter
cette classe signifie la mort de la souris. (snif)
A l’inverse la classe {4} est absorbante, donc récurrente.
4. L’esperance de la vie de la souris correspond bien sûr au temps de séjour dans les états 1,2,3.
Avec les notations du cours: α = (P (X0 = 1); P (X0 = 2); P (X0 = 3)) = ( 31 , 13 , 13 ). En effet n’ayant pas
de précisions sur l’endroit où la souris commence sa quête, on suppose que c’est au hasard parmi les 3
pièces.
1 1
   
0 3 3 1
1 1
On a de plus: Q =  3 0 3
 et e =  1 . On trouve T = 3 (après calculs).
1 1
3 3 0 1
π1 = π32 + π33


π π

 π2 = 31 + 33


5. On résoud le système : π3 = 3 + π32
π1
. On trouve π1 = π2 = π3 = 0, et π4 = 1.
π1 π2 π2
π = π4 + 3 + 3 + 3

 4



π1 + π2 + π3 + π4 = 1
Ce qui était prévisible, tôt ou tard une chaine de markov qui possède une classe récurrente et une classe
transitoire finit par quitter cette derniere pour la classe récurrente; on peut interpréter ceci en disant que
tôt ou tard la souris finit par être mangée...
Exercice 42
Une information (de type binaire V ou F ) est transmise à travers n personnes J1 , J2 , ..., Jn . J1 recoit la
bonne information, la transmet à J2 et ainsi de suite jusqu’à Jn qui transmet finalement l’information. Chaque
personne transmet ce qu’il entendu avec la probabilité p. Ce que la personne transmet est indépendant de ce
que les autres personnes ont transmis.
Modéliser ce problème par une chaı̂ne de Markov. Calculer pn = la probabilité pour l’information initiale
soit correctement transmise par le nieme intermédiaire.
Calculer la limite de pn .
• Le message étant binaire, disons qu’il prend les valeurs 0 et 1. Notons Xn = état du message transmis.
X0 représente le message initial.
(Xn )n∈N est donc un processus à valeurs dans 0;1. Ce proccessus est-il markovien??
calculons P (Xn = en , |Xn−1 = en−1 , ..., X0 = e0 ).
P (Xn = en , |Xn−1 = en−1 , ..., X0 = e0 ) = p si en = en−1 . En effet, chaque intermediaire transmet ce qu’il
a entendu avec la probabilité p. Le message ne change pas entre n et n − 1 avec cette probabilité.
P (Xn = en , |Xn−1 = en−1 , ..., X0 = e0 ) = 1 − p si en 6= en−1 , pour les mêmes raisons.

Ainsi P (Xn = en , |Xn−1 = en−1 , ..., X0 = e0 ) = P (Xn = en , |Xn−1 = en−1 ). Donc (Xn )n∈N est une chaine
de Markov.

p 1−p
• On a ainsi sa matrice de transition: P =
1−p p
• On cherche P (Xn = X0 ).
C’est simple (?), puisque à partir de P on sait calculer la loi de Xn .
On a en effet (cours) (P (Xn = 0), P (Xn = 1)) = (P (X0 = 0), P (X0 = 1)) × P n .
• Calculons P n . On diagonalise cette matrice (symétrique!).

! !
√1 √1 √1 √1

2 2 1 0 2 2
On trouve P = √1 √1
× × √1 √1
2
− 2
0 2p − 1 2
− 2
1 1
! 1 1
!
√ √ √ √

n 2 2 1 0 2 2
D’où P = √1
× ×
2
− √12 0 (2p − 1)n √1
2
− √12
1 + (2p − 1)n 1 − (2p − 1)n

n 1
Et ainsi P = 2 (ouf!)
1 − (2p − 1)n 1 + (2p − 1)n
• Revenons à nos moutons et calculons P (Xn = X0 ).

P (Xn = X0 ) = P (Xn = 1|X0 = 1)P (X0 = 1) + P (Xn = 0|X0 = 0)P (X0 = 0)
Or P (Xn = 1|X0 = 1) = P (Xn = 1) si la chaine démarre de l’état 1
Or si la chaı̂ne démarre de cet état, on a (P (Xn = 0), P (Xn = 1)) = (0, 1) × P n .

Donc P (Xn = 1|X0 = 1) = 12 (1 + (2p − 1)n ).
De la même façon, on a P (Xn = 0|X0 = 0) = 12 (1 + (2p − 1)n ).
Donc P (Xn = X0 ) = 21 (1 + (2p − 1)n ).
1
• Comme (2p − 1) ∈] − 1; 1[, on a P (Xn = X0 ) −−−−−→ 2
n→+∞
Exercice 43
On lance 3 pièces de monnaie. Soit X la v.a représentant le nombre de pièces tombées sur pile.
1. Donner la loi de X
2. A chaque lancer, on retire les pieces tombées sur Pile, et on continue à jouer avec celles qui restent, tant
qu’il reste des pieces à jouer. Modéliser ce jeu par une chaı̂ne de Markov, et determiner sa matrice, son
graphe.
3. Determiner les classes de cette chaı̂nes, les états récurrents et transitoires.
4. Ecrire la(les) formule(s) permettant de calculer le nombre moyen de lancers du jeu.
 3
1 1
P (X = 0) = =


2! 8




 3


P (X = 1) = 1 1 3
=

3! 2 8


1
1. X est une loi binomiale de paramètres n = 3 et p = 2 Donc 3
 2 1 3
P (X = 2) = =




 3 2 8

 3

 1 1
P (X = 3) =
 =
2 8
2. On pose Xn = nombre de pièces encore en jeu avant le nième lancer. Les valeurs de Xn sont {0, 1, 2, 3}.
 
1 0 0 0
 1 1 0 0
On a facilement la matrice de transition P =  2 2 
 1 1 1 0
4 2 4
1 3 3 1
8 8 8 8
3. Aucun état ne communique avec un autre. 0 est atteignable depuis tous les autres, de manière générale
i est atteignable depuis j si i ≤ j. Il y a donc 4 classes: {0}, {1}, {2}, {3}.
La classe {0} est absorbante, elle est donc récurrente. Quand aux autres, elles sont transitoires car si on
la quitte, on ne peut pas y revenir.
4. Le nombre moyen M de lancers est le temps de séjour dans les états {1, 2, 3}. On utilise la formule pour
−1  
1 − 12

0 0 1
le calculer: M = (0, 0, 1)  − 12 1 − 14 0  1 = 22 7
− 38 − 38 1 − 18 1
En effet, la loi initiale est (0, 0, 1) car au départ, on a 3 pièces.
Exercice 44
On considère un disque dur partagé en 4 zones Z1 , Z2 , Z3 , Z4 .

Un logiciel antivirus scanne le disque dur de la façon suivante: Il inspecte une zone, puis, après l’avoir
inspectée choisit au hasard une des 3 autres zones et va l’inspecter.
Le logiciel inspecte chaque zone en 3 minutes, et met 20s pour passer d’une zone à l’autre.
1. Modéliser ce système par une chaı̂ne de Markov dont on calculera les probabilités de transition.
2. Un virus peut pénétrer le système par la zone 4. Une fois que le logiciel a quitté cette zone, de combien
de temps en moyenne dispose t-il pour réussir sa tentative?
1. On pose Xn = numéro de la zone où est le logiciel antivirus.
Xn est une chaı̂ne de Markov car lorsqu’il quitte une zone, le logiciel va dans une autre zone sans se
soucier de savoir s’il l’a dejà visitée ou pas.
Après avoir quitté une zone, le logiciel choisit une zone au hasard parmi les 3 qui restent, on a donc la
 1 1 1
0
 3 3 3
 
 
1 1 1

3 0 
3 3
matrice de transition suivante P = 
 

1 1 1
 0 
3 3 3
 
 
1 1 1
 
0
3 3 3
2. Si on note N = nombre d’étapes passées dans les états {1, 2, 3}, le temps (en secondes) dont dispose le
virus pour entrer dans le système est T = 180N + (N + 1)20.
En effet, une étape correspond à 3 minutes, et si il y a N étapes, il y a N + 1 transitions, qui durent

chacune 20s.
On cherche E(T ) = 180E(N ) + 20(E(N ) + 1).

−1  
1 − 31 − 13

1
1 1 1  1
Or E(N ) vaut d’après le cours ( 3 , 3 , 3 ) − 3 1 − 13  1 = 3
− 13 − 13 1 1
La loi initiale est ( 13 , 13 , 31 ) car au départ le logiciel a autant de chances de se trouver dans 1, 2 ou 3.
Le virus a donc 180 ∗ 3 + 4 ∗ 20 = 620s pour réussir sa tentative.
Exercice 45 (La ruine du joueur)
Un joueur dispose d’une fortune de i euros et joue au jeu suivant.
A chaque étape du jeu (les étapes sont indépendantes), il joue contre le casino et s’il gagne, il gagne 1 euros;
sinon il perd 1 euro. La probabilité de gagner une étape est p.
Le jeu s’arrête quand le joueur n’a plus d’argent ou quand sa fortune a atteint N euros.
1. Modéliser ce jeu par une chaı̂ne de Markov; on donnera le graphe et la matrice de transition.
2. Ecrire la (les) formule(s) permettant de calculer le temps moyen du jeu, sachant que la fortune initiale
du joueur est i (0 < i < N )
3. Ecrire la (les) formule(s) permettant de calculer la probabilité que le joueur sorte gagnant de ce jeu. (la
fortune du joueur atteint N ), sachant que sa fortune est i.
4. On choisit un joueur au hasard. Calculer la probabilité que ce joueur sorte gagnant de ce jeu.
1. On pose Xn = fortune du joueur au début de la nième étape. C’est bien une chaı̂ne de Markov car Xn
ne dépend que de Xn−1 .
(
p0→0 = 1 et pN →N = 1
On obtient sans difficulté les probabilités de transitions:
∀1 ≤ i ≤ N − 1, pi→i+1 = p et pi→i−1 = 1 − p
2. On note T = temps d’entrée dans {0, N }. C’est le temps moyen du jeu. On cherche donc Ei (T ). (on
notera Ei (T ) par Ei pour simplifier)
   
E0 (T ) 0
 E1 (T )   E1 
   
En notant E =  .
.   .. 
 =  . , on sait que E est solution de E = 1 + P.E.

 .   
EN −1 (T ) EN −1 
EN (T ) 0 
E1 = 1 + pE2



E2 = 1 + (1 − p)E1 + pE3



..
Ce qui peut se réécrire par le système: .





EN −2 = 1 + (1 − p)EN −3 + pEN −1

N −1 = 1 + (1 − p)EN −2
E
3. On note T = temps d’entrée dans {0, N }. On cherche la probabilité de gagner, c’est à dire Pi (XT = N ).
(on notera Pi (XT = N par Pi pour simplifier)
   
P0 0
 P1   P1 
   
En notant W =  ...  =  ... , on sait que W vérifie W = P.W .
   
   
PN −1  PN −1 
PN  1


P1 = pP2

P2 = (1 − p)P1 + pP3


..

Ce qui peut se réécrire .


PN −2 = (1 − p)PN −3 + pPN −1




N −1 = (1 − p)PN −2 + p
P
4. Il faut utiliser la formule des probabilités totales:

N
X −1
P (XT = N ) = Pi (XT = N )P (X0 = i)
i=1
1
Comme le joueur est choisi au hasard, on a P (X0 = i) = N −1 ; quand aux probas Pi (XT = N ), elles ont
été calculées à la question précédentes.

.. 3A EIS MA311 Liste Exos Probas

Transféré par

Informations du document

Description :

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 ?

Description :

Droits d'auteur :

Formats disponibles

.. 3A EIS MA311 Liste Exos Probas

Transféré par

Description :

Droits d'auteur :

Formats disponibles

Quelques exercices de probabilités corrigés

December 12, 2004

2ième cas: Les 2 voyelles du début et de la fin ne sont pas identiques.

Exercice 2 (Un problème historique: Le premier problème du Chevalier de Méré )

Que répondre au Chevalier de Méré?

Calculons P1 = P ( obtenir au moins un 6 en 4 lancers de 1 dé)

En effet, on a 5 choix pour le résultat du dé à chaque lancer.

Exercice 3 ( Le deuxieme problème du Chevalier de Méré)

Que répondre au Chevalier de Méré?

P1 = P ( le 1er joueur gagne le jeu )

Quelle est la probabilité qu’il tire:

1. deux paires complètes? ( veinard )

2. au moins une paire?

3. une paire et une seule ?

E2 = E1 ∪ E3 . Or E1 et E3 sont disjoints, donc P (E2 ) = P (E1 ) + P (E3 ).

2. Une liste ordonnée de r boules.

L’ensemble des résultats possibles a dans ce cas Arn éléments.

1. {X = k} est la probabilité que k lecteurs s’apercoivent de l’erreur.

2. On cherche donc P (X ≥ 2) = P (X = 2) + ...P (X = n) = 1 − P (X = 0) − P (X = 1)

Application numérique: 1 − P (X = 0) − P (X = 1) = 0, 1808

3. On cherche le plus petit entier n tel que P ( on découvre l’erreur en k relectures) ≥ 0, 9

Or P ( on découvre l’erreur en k relectures)= 1 − P ( personne ne découvre l’erreur en k relectures

On considère un mot écrit par une personne du groupe.

1. Quelle est la probabilité que ce mot soit illisible ?

On a d’après l’énoncé P (A1 ) = 0.15, P (A2 ) = 0.08, P (A3 ) = 0.77

Les évènements (A1 , A2 , A3 ) forment un système complet d’évènements.

1. Pour cette question, on applique la formule des probabilités totales:

2. On utilise ici la formule de Bayes.

P ( le mot est illisible |A1 )P (A1 )

On aura besoin par la suite des valeurs suivantes:.

P (D) = P (D|M )P (M ) + P (D|M )P (M ) = 0.8 ∗ 0.01 + 0.03 ∗ 0.99 = .0377

2. C’est plus compliqué.

On souhaite diminuer cette probabilité d’erreur, on considère alors le système suivant:

• 1 recu sur A, 0 recu sur B

3. Calculer approximativement la probabilité d’erreur globale de cette règle de décision. Conclusion ?

1. On cherche donc P (E0 |RA0 ∩ RB1)

P (RA 0 ∩ RB 1|A0 )P (E0 )

On trouve P (E0 |RA 0 ∩ RB 1) = 0, 4615

Messages reçus Décision

3. On a P (erreur) = P (erreur|E1 )P (E1 ) + P (erreur |E0 )P (E0 )

P (erreur|E0 ) = P (RA 1 ∩ RB 1|E0 ) + P (RA 0 ∩ RB 1|E0 ) + P (RA 1 ∩ RB 0|E0 )

P (erreur) = (1 − p0 )qA qB + p0 (qA qB + (1 − qA )qB + qA (1 − qB )) ' 0, 9.10−7

Quelle est la probabilité pour un non-vacciné de tomber malade?

Notons : V = être vacciné, M = être malade.

Or: P (M ) = P (M |V )P (V ) + P (M |V )P (V ) ( formule des probas totales ). D’où:

Si le nombre sur lequel on a parié sort :

1. Soit X le gain lors d’une partie, déterminer la loi de X.

2. En moyenne, combien gagne t-on à ce jeu lors d’une partie ?

1. Les valeurs que peut prendre X sont: 3, 2, 1 ou -1.

(on vérifie que la somme fait 1)

3. On cherche P (Z > 3). On peut écrire P (Z > 3) = 1 − P (Z ≤ 3) = P (Z = 0) + P (Z = 1) + P (Z =

Comme Z = b0 + 2b1 + 4b2 + 8b3 , il est clair que Z ≤ 3 ⇔ b2 = b3 = 0.

2. Que se passe t-il si n tend vers +∞?

2. Quand n → +∞, on a : Akn ∼ nk .

1. Quelle relation existe-t-il entre N , X, Y ?

2. Pour n ∈ N et k ∈ {0...n}, déterminer P (X = k|N = n). Calculer la loi de X.

4. Montrer que X et Y sont indépendantes.

5. Application. λ = 2, p = 0, 4. Déterminer la probabilité pour une famille d’avoir 3 enfants présentant le

2. Pour n ∈ N et k ∈ {0...n}, on a P (X = k|N = n) = Cnk pk (1 − p)n−k .

4. Soient k ∈ N, q ∈ N. calculons P (X = k, Y = q).

D’où P (X = k, Y = q) = P (X = k)P (Y = q). QED