Académique Documents
Professionnel Documents
Culture Documents
I) Introduction
3 15
2 10
1 5
0
120 140 160 180 200 120 140 160 180 200
taille (cm) taille (cm)
150
1500
100 1000
50 500
0
0 120 140 160 180 200
taille (cm)
120 140 160 180 200
taille (cm)
Rappel :
On considère une variable aléatoire X qui suit la loi binomiale B ( n, p ) .
X associe le nombre de succès lors de n répétitions d'une épreuve de Bernoulli de paramètre p.
Dans ce cas, E ( X ) = np et σ ( X ) = np (1 − p )
Exercice 1 :
On considère une variable aléatoire X qui suit la loi binomiale B (10,0.3) .
Construire un tableau de la loi de X.
Réaliser un histogramme de cette loi.
En faisant varier n :
En faisant varier p :
Propriété :
Etant donnés n ∈ et p ∈ ]0,1[ , on considère une variable aléatoire X n qui suit la loi binomiale B ( n, p ) .
Xn − E ( Xn )
On lui associe la variable centrée réduite Z n = .
σ ( Xn )
On a alors ∀n ∈ , E ( Z n ) = 0 et σ ( Z n ) = 1.
Pour des grandes valeurs de n l’histogramme de la variable Z n décrit une courbe en cloche. Cette courbe est la
densité de la loi normale centrée réduite. On le démontrera plus tard, c’est le théorème de Moivre-Laplace.
III) Loi normale centrée réduite
Définition :
Soit Z une variable aléatoire continue à valeurs dans l'intervalle .
x2
1 −
On appelle loi normale centrée réduite, notée N ( 0,1) sur Z la loi ayant pour densité x → f ( x ) = e 2
.
2π
x2
1 b −
On a alors P ( a ≤ Z ≤ b ) =
2π
∫a
e 2
dx.
Remarques :
x2
1 −
← p ( −1 ≤ Z ≤ 1) = ∫ e 2
dx 0.68
−1
1) Avec la calculette :
Exercice 2 :
Si une variable aléatoire X suit la loi N ( 0,1) , utiliser la calculatrice pour déterminer des valeurs approchées à
10−3 près de P ( −0.3 ≤ X ≤ 0.6 ) P ( X ≤ 0.5 ) et P ( X ≥ 0.1)
2) Graphiquement à partir de la courbe de densité :
Exemple :
1) P (1 ≤ X ≤ 2 )
2) P ( X ≥ 2 )
Remarque :
Avant l’utilisation massive des calculatrices, on utilisait des tables de valeurs de la fonction Π pour calculer
des probabilités avec la loi normale.
Exemple :
Cette table donne les valeurs de la fonction π : x → P ( Z < x ) où Z suit la loi N ( 0,1) . .
Etant donnée un réel α ∈ ]0,1[ , on peut aussi chercher la valeur x telle que π ( x ) = α .
InvNormCD casio InvNormCD (α )
Pour cela on peut utiliser la fonction permet de calculer x =
invNorm TI et nspire invNorm (α )
Définition :
Soit X une variable aléatoire continue à valeurs dans l'intervalle .
On dit que X suit la loi normale de paramètres µ et σ 2 notée N µ ,σ 2 ( )
Z −µ
si la variable aléatoire associée Z = suit la loi N ( 0,1) .
σ
a−µ b−µ
P (a ≤ X ≤ b) = P ≤Z ≤
σ σ
1) Avec la calculette :
Exemples :
1) Si X ∼ N ( 5, 2 ) , déterminer P ( 4 ≤ X ≤ 6 )
2) Si X ∼ N ( 7,3) , déterminer P ( X ≤ 8 )
3) Si X ∼ N ( 0, 2 ) , déterminer P (1 ≤ X )
Exercice 3 :
On note X la variable aléatoire qui, à chaque homme prélevé au hasard, associe sa taille en centimètres. On
suppose que X suit la loi normale de moyenne 178 et d'écart-type 10.
Déterminer la probabilité de chacun des événements suivants :
1) A : « Un homme interrogé au hasard a une taille supérieure ou égale 180 »
2) B : « Un homme interrogé au hasard a une taille strictement inférieure à 150 »
3) C : « Un homme interrogé au hasard a une taille comprise entre 160 et 185 »
5
1) Montrer que ∀σ > 0, P ( X < 5 ) = P Z <
σ
2) Donner le réel x tel que P ( Z < x ) = 0.8
3) En déduire la valeur de σ telle que P ( X < 5 ) = 0.8
20 − µ
1) Montrer que ∀µ ∈ , P ( X > 20 ) = P Z >
4
2) Donner le réel x tel que P ( Z > x ) = 0.01
3) En déduire la valeur de µ telle que P ( X > 20 ) = 0.01
On utilise encore une table de valeurs de la fonction π : x → P ( Z < x ) où Z suit la loi N ( 0,1) . .
Par exemple :
Si X une variable aléatoire qui suit la loi normale de paramètres µ = 11 et σ = 3.22 , pour calculer la
X − 11
probabilité P ( 7 ≤ X ≤ 15 ) , on pose Z = qui suit la loi normale centrée et réduite.
3.22
X − 11
Comme 7 ≤ X ≤ 15 ⇔ −1.24 ≤ ≤ 1.24 ⇔ −1.24 ≤ Z ≤ 1.24
3.22
P ( 7 ≤ X ≤ 15 ) = P ( −1.24 ≤ Z ≤ 1.24 ) = Π (1.24 ) − Π ( −1.24 ) = 0.892 − 0.108 = 0.78
Propriété :
Si X est une variable aléatoire qui suit la loi normale N ( µ ,σ 2 ) ,
alors E ( X ) = µ et V ( X ) = σ 2 .
X −µ
Dem : On pose Z = . D'après le cours, la variable Z suit la loi N ( 0,1) et E ( Z ) = 0 et V ( Z ) = 1.
σ
Comme X = σ Z + µ , par linéarité E ( X ) = E (σ Z + µ ) = σ E ( Z ) + µ = µ .
2
( 2
)
On a V ( X ) = E ( X 2 ) − E ( X ) = E (σ Z + µ ) − µ 2 = E (σ 2 Z 2 + 2 µσ Z + µ 2 ) − µ 2
= σ 2 E ( Z 2 ) + 2 µσ E ( Z ) + µ 2 − µ 2σ 2 = σ 2 E ( Z 2 ) + 2 µσ E ( Z ) = σ 2
car E ( Z ) = 0 et V ( Z ) = 1 ⇔ E ( Z 2 ) − E 2 ( Z ) = 1 ⇔ E ( Z 2 ) = 1
P ( X ∈ [ µ − σ , µ + σ ]) = P ( Z ∈ [ −1,1]) 0.683
P ( X ∈ [ µ − 2σ , µ + 2σ ]) = P ( Z ∈ [ −2, 2]) 0.954
P ( X ∈ [ µ − 3σ , µ + 3σ ]) = P ( Z ∈ [ −3,3]) 0.997
X −µ
Dem : Si X est une variable aléatoire qui suit la loi normale N ( µ ,σ 2 ) , alors Z = suit la loi N ( 0,1) .
σ
µ − iσ − µ X −µ µ + iσ − µ
On a alors : µ − iσ ≤ X ≤ µ + iσ ⇔ ≤ ≤ ⇔ −i ≤ Z ≤ i pour i ∈ .
σ σ σ
Exercice 6 :
On suppose que la glycémie est distribuée normalement dans la population avec une moyenne de 1 g/l et un
écart-type de 0.03 g/l. On mesure la glycémie chez un individu.
1) Calculer la probabilité pour que sa glycémie soit inférieure à 1.06.
2) Calculer la probabilité pour que sa glycémie soit comprise entre 0.94 et 1.08.
3) On mesure la glycémie chez 1000 individus.
Donner le nombre moyen d’individus dont la glycémie est supérieure à 0.99.
4) Donner le taux moyen de la glycémie dans la population.
Exercice 7 :
Une usine utilise une machine automatique pour remplir des flacons contenant un certain produit en poudre.
Par suite de variations aléatoires dans le mécanisme, le poids de poudre par flocon est une variable aléatoire
de loi normale de moyenne m et d’écart type 1.1 mg. Les flacons sont vendus comme contenant 100 mg de
produit.
1) La machine est réglée sur m = 101.2 mg . Quelle est la probabilité que le poids de produit dans un
flacon soit inférieur au poids annoncé de 100 mg ?
2) Donner une valeur approchée de la valeur de m sur laquelle il faut régler la machine pour qu’au plus 4
% des flacons aient un poids inférieur au poids annoncé de 100 mg ?
1ère méthode : On pourra tracer la courbe de la fonction x → PN ( x ,1.1) ( X ≤ 100 ) .
2ème méthode : On pourra utiliser la démarche de l’exercice 5.
V) Théorème de Moivre-Laplace
Application pratique : On considère que la limite dans la théorème de Moivre-Laplace est pratiquement atteinte
lorsqu’on a simultanément n ≥ 30, np ≥ 5 et n (1 − p ) ≥ 5 . C’est-à-dire un échantillon de taille supérieure ou
égale à 30 avec une espérance de posséder ou pas le caractère supérieure ou égale à 5.
X n − np
Dans ces conditions P a ≤ ≤ b P ( a ≤ Z ≤ b ) où Z ∼ N ( 0,1) .
np (1 − p )
Exemple :
Avec X ∼ B ( 60,0.25 ) , on a bien : n = 60 ≥ 30, np = 60 × 0.25 = 15 ≥ 5 et n (1 − p ) = 60 × 0.75 = 45 ≥ 5.
P (18 ≤ X ≤ 22 ) = P ( X = 18 ) + P ( X = 19 ) + P ( X = 20 ) + P ( X = 21) + P ( X = 22 )
60 60 60
= × 0.2518 × 0.7542 + × 0.2519 × 0.7541 + × 0.2520 × 0.7540
18 19 20
60 60
+ × 0.2521 × 0.7539 + × 0.2522 × 0.7538 0.20
21 22
X − 15
On a np = 15 np (1 − p ) = 60 × 0.25 × 0.75 3.35 et Z = ∼ N ( 0,1)
3.35
18 − 15 X − 15 18 + 15
P (18 ≤ X ≤ 22 ) = P ≤ ≤ = P ( 0.89 ≤ Z ≤ 9.84 ) = 0.19
3.35 3.35 3.35
Exercice 8 : (BTS biochimie 1994)
On effectue des contrôles d’alcoolémie d’automobilistes dans une région donnée, un jour donné, pendant une
période horaire donnée. Les statistiques permettent d’établir que la probabilité pour qu’un automobiliste choisi au
1
hasard dans les conditions précédentes présente un contrôle positif est . On considère un échantillon de la
50
population constitué de 2000 automobilistes dont on veut contrôler le taux d’alcoolémie dans les conditions
précédentes. On appelle X la variable aléatoire comptant le nombre de contrôles positifs parmi ces 2000.
1) Quelle loi suit la variable X ? En donner les paramètres. Calculer l’espérance et l’écart type de X.
2) Calculer la probabilité que X soit compris entre 33 et 43.
3) Est-il raisonnable d’utiliser une approximation normale pour calculer cette probabilité ?
Quels sont alors ses paramètres.
4) En utilisant cette loi normale calculer les probabilités P ( X ≥ 36 ) et P ( 33 ≤ X ≤ 43) .
Exercice 10 :
Un revendeur de téléphones désire s’implanter dans une galerie marchande.
Il estime qu’il pourra vendre 40 appareils par jour et les ventes sont deux à deux indépendantes.
Une étude lui a montré que, parmi les différentes marques disponibles, la marque A réalise 38.6 % du marché.
1) On appelle X la variable aléatoire qui compte le nombre d’appareils de marque A vendus ce jour-là.
2) a) Expliquer pourquoi X suit une loi binomiale. Préciser ces paramètres.
b) Calculer la probabilité que , sur 40 appareils vendus par jour, 20 soient de marque A.
Calculer l’espérance de X . Calculer l’écart type à 0.1 près.
3) On décide d’approcher cette loi par une loi normale de paramètres µ et σ
a) Expliquer pourquoi µ = 15.44 et σ = 3
b) On note Y la variable aléatoire qui suit la loi normale N (15.44,3) .
Donner une valeur approchée à 0.01 près de P (19.5 ≤ Y ≤ 20.5 )
c) Déterminer la probabilité de l’événement : « un jour donné, 20 au moins des appareils vendus sont de
marque A ».
d) Déterminer une valeur approchée de l’événement : « un jour donné, le nombres d’appareils de marque A
vendus est compris entre 15 et 25 ».
2) Intervalles de fluctuation
La population
On étudie un caractère dans une population. Chacun des individus possède ce caractère ou pas.
On note p la proportion du caractère dans la population.
L’échantillon
Un échantillon de taille n de cette population est constitué des résultats de n répétitions indépendantes de la même
expérience. On note X la variable aléatoire qui compte de nombre de succès (l’individu possède le caractère).
Cette variable suit une loi binomiale B ( n, p ) d’espérance np et d’écart type np (1 − p ) .
Propriété :
Si Z est une variable aléatoire qui suit la loi normale centrée réduite N ( 0;1) ,
alors pour tout α ∈ ]0,1[ , il existe un unique réel uα tel que P ( −uα ≤ Z ≤ uα ) = 1 − α .
Dem :
x
On définit la fonction g sur + par g ( x ) = P ( − x ≤ X ≤ x ) = 2∫ f ( x ) dx.
0
x
On rappelle que la fonction x → ∫ f ( x ) dx est la primitive ( sous forme intégrale ) de f qui s'annule en 0.
0
Avec la calculette :
α +1
1ère méthode : On utilise P ( − x ≤ Z ≤ x ) = α ⇔ 2 × π ( x ) − 1 = α ⇔ π ( x ) =
2
InvNormCD casio InvNormCD α 2+1
la fonction permet de calculer x =
invNorm TI et nspire invNorm α2+1
Exercice 11 :
Si la variable aléatoire X suit la loi normale N(0,1), déterminer u0.10 .
On souhaite, par exemple déterminer les intervalles de fluctuation au seuil 0.95 (c’est-à-dire avec α = 0.05 ).
On a vu que u0.05 1.96 :
Intervalles de fluctuation au seuil 95 %
Si la variable aléatoire X n suit une binomiale B ( n, p ) ,
p (1 − p ) p (1 − p )
alors la fréquence des succès Fn fluctue dans l'intervalle I n = p − 1.96 , p + 1.96
n n
avec une probabilité d'autant plus proche de 0.95 que n est grand.
Exemple :
Si on reprend l’exemple du dé avec p = 0.5 , on a n ≥ 30 et np = n (1 − p ) = 30 × 0.5 = 15 ≥ 5 et :
I100 = [0.40,0.60] I1000 = [0.47,0.53] I 4000 = [0.48, 0.52]
La fréquence d’apparition du pile appartient donc à l’intervalle [0.48,0.52] avec une probabilité proche de
0.95.
b) Version simplifiée (programme de seconde)
Situation :
Considérons une expérience à deux issues contraires dont on ne connait pas la probabilité p. On désire estimer au
mieux p à partir ne n expériences indépendantes. En notant X n le nombre de succès, il est naturel de proposer
X
comme estimation Fn = n . A quel point peut-on se fier à cette estimation ?
n
Propriété :
1 1
Lorsque n est assez grand ( en pratique n ≥ 30, np ≥ 5 et n (1 − p ) ≥ 5 ) , P p ∈ Fn − , Fn + ≥ 0.95.
n n
1 1
On dit que Fn − , Fn + est un intervalle de confiance à 95 %.
n n
Admis.
Exemple :
Lors d’un scrutin électoral, on souhaite connaître la proportion p de français qui voteront pour un candidat « A ».
Un institut de sondages mène une enquête auprès de 1000 personnes tirées au hasard. Le résultat indique de 49%
d’entre-elles voteront pour le candidat « A ».
1) Quelle est la loi suivie par le nombre de personnes votant « A » dans cette enquête ?
2) Etant donné le résultat de l’enquête, donner un intervalle de confiance à 95 % pour la proportion p.
3) Peut-on affirmer d’après l’enquête que le candidat « A » n’aura pas la majorité des votes ?
Rappel de seconde :
1 1
En seconde, on a vu que pour n > 25 et 0.2 < p < 0.8, l'intervalle p − ,p+ constitue un intervalle de
n n
fluctuation au seuil 95 %.
On veut tester l’hypothèse selon laquelle la pièce est équilibrée, c’est-à-dire que p = 0.5 .
On a n = 4040 et l'intervalle de fluctuation au seuil 95% est donc [ 0.48,0.52].
2048
La fréquence du pile dans l’échantillon est f = 0.51 .
4040
Cette fréquence appartient à l’intervalle de fluctuation, on peut donc accepter l’hypothèse « la pièce est
équilibrée ».
Rappel de première :
En supposant que la pièce est équilibrée, la variable aléatoire X qui dénombre les résultats pile obtenus dans
l’échantillon suit une loi binomiale B ( 4040,0.5 ) .
k k
On a vu en première que l’intervalle de fluctuation à 95% associé à X est l’intervalle 1 , 2 où
n n
k1 est le plus petit des entiers k vérifiant P ( X ≤ k ) > 0.025
k1 est le plus grand des entiers k vérifiant P ( X ≤ k ) ≥ 0.975
On détermine k1 et k2 en réalisant des simulation sur tableur :