Vous êtes sur la page 1sur 9

Department de Mathématiques Année 2020-2021

Faculté des sciences Agadir Pr. S. Mazid

Corrigé TD : Série 3
Probabilités et Statistiques (SMA3, SMI3-M18)

Exercice 1. a.

Y =0 Y =1 Y = 2 PX
X=0 0 1/8 1/8 1/4
X = 1 1/8 1/4 1/8 1/2 .
X = 2 1/8 1/8 0 1/4
PY 1/4 1/2 1/4

b. P(X = 0 ∩ Y = 0) = 0 6= P(X = 0)P(Y = 0) donc pas indépendance.


Cov(X, Y ) = i,j pi,j xi yj − E[X]E[Y ] = 34 − 1 = − 14
P
c.

Exercice 2. a. Pour tout k, l ∈ N,


P((X, X + Y ) = (k, l)) = P(X = k et Y = l − k)
= P(X = k)P(Y = l − k) ( par indépendance )

Ainsi,
si k ∈
/ J0, mK ou l ∈

0 / Jk, k + nK
P((X, X+Y ) = (k, l)) =
Cmk l−k l
Cn p (1 − p)m+n−l sinon.
b. Nous avons, pour tout k ∈ J0, mK et l ∈ Jk, k+ nK
P((X, X + Y ) = (k, l)) C k C l−k pl (1 − p)m+n−l
P(X = k | X+Y = l) = = ml n l
P(X + Y = l) Cn+m p (1 − p)n+m−l

si k ∈
/ J0, mK ou l ∈

0 / Jk, k + nK
soit P(X = k | X+Y = l) = .
Cm Cn /Cn+m sinon.
k l−k l

Exercice 3. a. La fonction f est positive et on a


Z Z 1
4 1
(1 − x)1/3 dx = −(1 − x)4/3 0 = 1

f (x)dx =
R 0 3
donc f est bien une densite de probabilité.
b. La fonction de répartion F (x) associée est donnée par
x
0R si x ≤ 0
Z 
F (x) = f (u)du = x 4  x
−∞ 0 3
(1 − u)1/3 du = −(1 − u)4/3 0 = 1 − (1 − x)4/3

1
Department de Mathématiques Année 2020-2021
Faculté des sciences Agadir Pr. S. Mazid

c. Z Z 1
4
E[X] = xf (x)dx = x × (1 − x)1/3 dx
R 0 3
En intégrant par parties, il vient
1
Z 1
4/3
(1 − x)4/3 dx

E[X] = x × −(1 − x) 0
+
0
 1
3 3
= 0 + − × (1 − x)7/3 =
7 0 7
Exercice 4. a. Pour trouver la valeur de c, on utilise le fait que l'intégrale
de la fonction de distribution f (x) sur le domaine de dénition de x est
égale à 1. Ainsi
Z ∞ Z 3 Z 6
f (x)dx = cxdx + c(6 − x)dx
−∞ 0 3
x=3  x=6
x2 x2

9 9
=c + c 6x − = c + c = 9c
2 x=0 2 x=3 2
2
1
⇔c=
9
.
b. 2. La fonction de répartition se calcule en 2 étapes ; d'abord pour 0 ≤
x≤3
x
x2
Z
t
FX (x) = dt =
0 9 18
et ensuite pour 3 ≤ x ≤ 6
3 Z x t=3 t=x
6−t t2 6t − t2 /2
Z
t
FX (x) = dt + dt = +
0 9 9 18 t=0 9
3 t=3
2
6x − x /2
= −1
9
On obtient alors la fonction de répartition
si

 0 x<0
si

 2
x /18 0≤x<3
FX (x) = 1
(6x − x2 /2) − 1 si 3≤x<6
 9

si

1 x≥6

2
Department de Mathématiques Année 2020-2021
Faculté des sciences Agadir Pr. S. Mazid

c. Les événements A et B sont indépendants si

P (A ∩ B) = P (A)P (B)

On calcule les 3 termes pour vérier (ou inrmer) la derniere égalité :


1
P (A) = P (X ≥ 3) = 1 − FX (3) =
2
puis
7 1 3
P (B) = P (1, 5 ≤ X ≤ 4, 5) = FX (4, 5) − FX (1, 5) = − =
8 8 4
et nalement
7 1 3
P (A ∩ B) = P (3 ≤ X ≤ 4, 5) = FX (4, 5) − FX (3) = − =
8 2 8
On vérie donc bien que P (A)P (B) = 3/8, ce qui signie que les 2
évenements sont indépendants.
Exercice 5. a.
Z ∞ Z ∞
1 −x x x=∞
P (X > 8) = f (x)dx = e 8 dx = − e− 8 x=8 = e−1 ' 0, 37.
8 8 8
La probabilité que la télévision ait une durée de vie supérieure à 8 ans
est d'approximativement 37%.
b. On cherche la probabilité que la durée de vie d'une télévision soit su-
périeure à 10 ans en sachant qu'elle a déjà 2 ans
P (X > 10 ∩ X > 2) P (X > 10) e−5/4
P (X > 10 | X > 2) = = = −1/4 = e−1
P (X > 2) P (X > 2) e

Le résultat est le même qu'en question a., car la loi exponentielle est
sans mémoire.
c. Calculons l'espérance de X
Z ∞ Z ∞
x −x x x=∞ x x x=∞
E(X) = e 8 dx = − xe− 8 x=0 + e− 8 dx = − 8e− 8 x=0 = 8
0 8 | {z } 0
=0

3
Department de Mathématiques Année 2020-2021
Faculté des sciences Agadir Pr. S. Mazid

Pour déterminer la variance de X, on va utiliser la relation var(X) =


E (X 2 ) − E(X)2 . Le 2e moment s'obtient de la manière suivante
∞ ∞
x2 − x
Z Z
x x=∞ x −x
2
e 8 dx = − x2 e− 8 x=0 +16 e 8 dx = 2 · 82

E X =
0 8 8
|0
| {z }
=0
{z }
=E(X)=8

et donc
var(X) = E X 2 − E(X)2 = 2 · 82 − 82 = 64


On remarque que var(X) = E(X)2 .


Exercice 6. Soit X la taille en centimètres d'un homme âgé de 30 ans. X
suit une distribution normale de paramètres (175,36).
a. Le pourcentage d'hommes de 30 ans mesurant plus que 185 cm est
 
185 − 175
P (X > 185) = 1 − Φ ' 1 − Φ(1, 67) ' 4, 8%
6
b. La probabilité qu'un homme mesurant plus de 180 cm dépasse 192 cm
est
P (X > 192 ∩ X > 180)
P (X > 192 | X > 180) = =
P (X > 180)
P (X > 192) 1 − Φ(2, 83)
= ' ' 1, 1%
P (X > 180) 1 − Φ(0, 83)
Exercice 7. Soit X la variable aléatoire représentant la vitesse mesurée.
Cette variable aléatoire suit une loi normale (72,64) .
a. La proportion de conducteurs qui recevront une amende est égale à la
probabilité que X soit plus grand que 80, soit
 
80 − 72
P (X > 80) = P Z> = 1 − Φ(1) ' 16%
8
Z suivant une loi normale centrée et réduite.
b. On cherche la probabilité conditionnelle de mesurer une vitesse su-
périeure à 110 en sachant que le conducteur est déjà passible d'une
amende. On calcule donc
P (X > 110 ∩ X > 80)
P (X > 110 | X > 80) = =
P (X > 80)
P (X > 110) 1 − Φ(4, 75)
= = '0
P (X > 80) 1 − Φ(1)

4
Department de Mathématiques Année 2020-2021
Faculté des sciences Agadir Pr. S. Mazid

La probabilité est presque nulle.


Exercice 8. Soient X1 , X2 , . . . , Xn n variables aléatoires indépendantes qui
suivent une loi uniforme sur [a, b] : une densité commune est :
1
si x ∈ [a, b]

∀x ∈ R, f (x) = b−a
0 sinon
et leur fonction de répartition est :
si x 6 a

 0
∀x ∈ R, F (x) = x−a
b−a
si x ∈ [a, b]
1 si x > b

Puisque pour tout i ∈ J1, nK, Xi (Ω) = [a, b], on a encore Yn (Ω) = [a, b]. Si on
note G la fonction de répartition de Yn , on a donc :

∀x 6 a, G(x) = 0, ∀x > b, G(x) = 1

Soit à présent x ∈ [a, b]. Alors :


G(x) = P (Yn 6 x) = P (max (X1 , X2 , . . . , Xn ) 6 x)
= P ([X1 6 x] ∩ [X2 6 x] ∩ · · · ∩ [Xn 6 x])
= P (X1 6 x) P (X2 6 x) × · · · P (Xn 6 x) ( par indépendance )
= F (x)F (x) × · · · × F (x)( car les Xi suivent la même loi )
= (F (x))n
 n
x−a
=
b−a
Exercice 9. On sait que X suit une variable aléatoire de loi exponentielle
E(λ). Autrement dit, on connait une densité de X :

si t < 0

0
∀t ∈ R, fX (t) =
λe−λt si t > 0
et la fonction de répartition de X
si x 6 0

0
∀x ∈ R, FX (x) =
1 − λe−λx si x > 0

5
Department de Mathématiques Année 2020-2021
Faculté des sciences Agadir Pr. S. Mazid


a. Soit Y = X . Remarquons déjà que X prend bien ses valeurs dans R+ ,
ce qui permet de bien dénir Y . Notons F√Y la fonction de répartition de
Y . Puisque X(Ω) = [0, +∞[ et que t 7→ t est à valeurs dans [0, +∞[,
on a donc Y (Ω) = [0, +∞[. On peut donc déjà dire que
∀x 6 0, P(Y 6 x) = 0
D'autre part, pour tout x > 0, On a alors pour tout x ∈ R
√ 2
P(Y 6 x) = P( X 6 x) = P X 6 x2 = F x2 = 1 − λe−λx
 

On a donc la fonction de répartition de Y :


si x 6 0

0
∀x ∈ R, FY (x) =
si x > 0
2
1 − λe−λx
On remarque que FY est continue sur R et de classe C 1 sur R∗ , on en
déduit donc que Y est une variable aléatoire à densité. Une densité
possible de Y est la fonction fY dénie par :
si x 6 0

0
∀x ∈ R, fY (x) =
si x > 0
2
2λxe−λx

b. Notons Z = X 2 . Notons FZ la fonction de répartition de Z . On a


directement Z(Ω) = [0, +∞[, donc déjà
∀x 6 0, P(Z 6 x) = 0
D'autre part, pour tout x > 0
√ √ √
P(Z 6 x) = P X 2 6 x = P(X 6 x) = F ( x) = 1 − λe−λ x


On a donc la fonction de répartition de Z :


si x 6 0

0
∀x ∈ R, FZ (x) = √
1 − λe−λ x si x > 0
On remarque que FZ est continue sur R et de classe C 1 sur R∗ , on en
déduit donc que Z est une variable aléatoire à densité. Une densité
possible de Z est la fonction fZ dénie par :
si x 6 0

0 √
∀x ∈ R, fZ (x) = λ

2 x
−λ x
e si x > 0

6
Department de Mathématiques Année 2020-2021
Faculté des sciences Agadir Pr. S. Mazid

c. Notons U = X 3 . Notons FU la fonction de répartition de U . Puisque


X(Ω) = [0, +∞[, on a directement U (Ω) = [0, +∞[. On a donc

∀x 6 0, P(U 6 x) = 0

D'autre part, pour tout x > 0,


1/3
P(U 6 x) = P X 3 6 x = P X 6 x1/3 = F x1/3 = 1 − λe−λx
  

On a donc la fonction de répartition de U :


si x 6 0

0
∀x ∈ R, FU (x) =
si x > 0
1/3
1 − λe−λx

On remarque que FU est continue sur R et de classe C 1 sur R∗ , on en


déduit donc que U est une variable aléatoire à densité. Une densité
possible de U est la fonction fU dénie par :
si x 6 0

0
∀x ∈ R, fU (x) = −2λ −2/3 −λx1/3
3
x e si x > 0
Exercice 10. a. On répète n = 327 fois le tirage aléatoire d'un pas-
sager. C'est une épreuve de Bernoulli dont le succès est "le passa-
ger se présente à l'embarquement", événement dont la probabilité est
p = 1 − 0, 05 = 0, 95. Ces répétitions sont identiques et indépendantes.
La variable aléatoire X qui compte le nombre de passagers se présen-
tant à l'embarquement, c'est-à-dire le nombre de succès dans les 327
répétitions, suit donc la loi binomiale B(327; 0, 95)
b. Comme n = 327 > 30, np = 310, 95 > 5 et n(1 − p) = 16, 35 > 5,
donc loi de probabilité de X peut-être approchéeppar la loi normale de
paramètre µ = np = 310, 65 et d'écart-type σ = np(1 − p) ' 3, 94
c. Avec cette approximation,
   
X − 310, 65 320 − 310, 65 X − 310, 65
P (X 6 320) ' P 6 'P 6 2, 37
3, 94 3, 94 3, 94
' Φ(2, 37) ' 0, 99
Le risque pris par la compagnie d'avoir plus de passagers qui présentent
à l'embarquement que de places réellement disponible est faible, il est
inférieur à 1%.

7
Department de Mathématiques Année 2020-2021
Faculté des sciences Agadir Pr. S. Mazid

d. En procédant de même, on trouve avec 330 réservations :


   
X − 313, 5 320 − 313, 5 X − 313, 5
P (X 6 320) ' P 6 'P 6 1, 64
3, 96 3, 96 3, 96
' Φ(1, 64) ' 0, 95

et, avec 335 réservations :


   
X − 318, 25 320 − 318, 25 X − 318, 25
P (X 6 320) ' P 6 'P 6 0, 44
3, 99 3, 99 3, 99
' Φ(0, 44) ' 0, 67

Ainsi, avec 330 réservations, le risque qu'il y ait plus de passagers se


présentant à l'embarquement que de places disponibles reste inférieur à
5%, tandis qu'avec 335 réservations ce risque devient de l'ordre de 33%
(environ 1 chance sur 3 ). Ce dernier cas parait alors déjà bien moins
raisonnable.
Exercice 11. a. Soit N le nombre de réalisations de X inférieures à 0, 003.
La variable aléatoire N suit une loi binomiale de paramètres (1000 ;0,003)
que l'on l'approxime par une loi de Poisson d'espérance λ = np = 3.
On calcule donc la probabilité
4
X λk e−λ
P (N < 5) = ' 0, 82
k=0
k!

Il y a environ 82% de chance que moins de 5 réalisations de la variable


aléatoire X soient inférieures à 0,003.
b. 2. Soit M le nombre des mêmes réalisations, mais cette fois-ci comprises
entre 0,25 et 0, 75. La variable aléatoire M a une distribution binomiale
(1000; 0, 5), son espérance vaut 500 et sa variance 250. On trouve alors

P (|M − 500| > 20) = 1 − P (−20 < M − 500 < 20)


 
20 M − 250 20
= 1 − P −√ < √ <√
250 250 250
 
4 4
= 1 − P −√ < Z < √
10 10

8
Department de Mathématiques Année 2020-2021
Faculté des sciences Agadir Pr. S. Mazid

Par le théorème central limite, on fait l'approximation que Z suit une


loi normale centrée et réduite. Par conséquent
 
4
P (|M − 500| > 20) = 2 − 2P Z < √ ' 0, 21
10
ce qui signie que la probabilité qu'il y ait plus de 20 réalisations de X
comprises entre 0,25 et 0,75 est d'environ 21%.

Vous aimerez peut-être aussi