Vous êtes sur la page 1sur 41

Exemples

Exemple 1 :
X ∼ U[a,b] :
(
1
1 b−a si a ≤ x ≤ b
f (x ) = 11 (x ) =
b − a [a,b] 0 sinon

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 16 / 46


Exemples
Exemple 1 :
X ∼ U[a,b] :
(
1
1 b−a si a ≤ x ≤ b
f (x ) = 11 (x ) =
b − a [a,b] 0 sinon


0 si x < a


x −a
FX (t) = si a ≤ x < b
 b−a
si x ≥ b

1

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 16 / 46


Exemples
Exemple 1 :
X ∼ U[a,b] :
(
1
1 b−a si a ≤ x ≤ b
f (x ) = 11 (x ) =
b − a [a,b] 0 sinon


0 si x < a


x −a
FX (t) = si a ≤ x < b
 b−a
si x ≥ b

1

Exemple 2 :
X ∼ E(λ)

f (x ) = λe −λx 11R+ (x )

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 16 / 46


Exemples
Exemple 1 :
X ∼ U[a,b] :
(
1
1 b−a si a ≤ x ≤ b
f (x ) = 11 (x ) =
b − a [a,b] 0 sinon


0 si x < a


x −a
FX (t) = si a ≤ x < b
 b−a
si x ≥ b

1

Exemple 2 :
X ∼ E(λ)

f (x ) = λe −λx 11R+ (x )

F (x ) = 1 − e −λx 11R+ (x )
E.N.S.I (II.1) Probabilités Appliquées 2016/2017 16 / 46
III-Couple Aléatoire continu
1-Loi de Probabilité d’un couple

Soit (X , Y ), un couple de variables aléatoires continues.


Définition
On appelle fonction de répartition du vecteur aléatoire (X , Y ) la
fonction F(X ,Y ) : R2 → [0, 1] définie par :

F(X ,Y ) (x , y ) = P{X ≤ x , Y ≤ y }

Propriété :
Les fonctions de répartition des v.a.r. X et Y vérifient
Z Z x
FX (x ) = f(X ,Y ) (t, u)dtdu = lim F(X ,Y ) (x , y )
R −∞ y →+∞

et Z Z y
FY (y ) = f(X ,Y ) (t, u)dtdu = lim F(X ,Y ) (x , y ).
R −∞ x →+∞
E.N.S.I (II.1) Probabilités Appliquées 2016/2017 17 / 46
Définition :
La loi du couple (X , Y ) est dite absolument continue s’il existe une
application f(X ,Y ) de R2 sur R+ , appelée densité du couple (X, Y),
continue sur l’intérieur d’un sous-ensemble D de R2 et nulle sur son
complémentaire, telle que, pour tout (x , y ) ∈ R2 :
Z x Z y
F(X ,Y ) (x , y ) = P{X ≤ x , Y ≤ y } = f(X ,Y ) (u, t)dtdu
−∞ −∞

Remarque : Il existe des couples (X , Y ) non discrets n’admettant pas non


plus de densité. C’est le cas si, par exemple, X est une v.a.d. et Y une
v.a.c.

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 18 / 46


Propriétés :
1 f(X ,Y ) ≥ 0
Z Z
2 f(X ,Y ) (x , y )dxdy = 1
R R
3 En tout (x , y ) où f(X ,Y ) est continue, on a :
2
f(X ,Y ) (x , y ) = ∂x∂∂y F(X ,Y ) (x , y )

Lois marginales
On appelle lois marginales les lois des composantes d’un vecteur aléatoire
Propriétes :
Z
fX (x ) = f(X ,Y ) (x , y )dy
y ∈R
et Z
fY (y ) = f(X ,Y ) (x , y )dx
x ∈R
appelées densités marginales

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 19 / 46


Lois conditionnelles :
Définition :
Pour tout x ∈ R tel que fX (x ) 6= 0, la densité conditionnelle de Y sachant
(X = x ) est la fonction notée fYX =x définie par

f(X ,Y ) (x , y )
fYX =x (y ) = .
fX (x )

Remarque : la fonction fYX =x est bien une densité car elle est positive et
X =x (y )dy = 1.
R
R fY

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 20 / 46


3-Indépendance

Indépendance
Soient X et Y deux variables aléatoires continues.
On dit qu’elles sont indépendantes ssi F(X ,Y ) = FX FY ou f(X ,Y ) = fX fY

Propriété :
Si X et Y sont indépendantes, alors :
fYX =x = fY ,∀x tel que fX (x ) 6= 0
et fXY =y = fX ,∀y tel que fY (y ) 6= 0.

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 21 / 46


Exercice :

Soit f la fonction définie par :

f (x , y ) = kxe y 11[0,1] (x )11[0,1] (y ).

1 Déterminer k pour que f soit la densité d’un couple (X , Y ).


2 Déterminer les lois de X et de Y .
3 Les v.a.r. X et Y sont-elles indépendantes ?

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 22 / 46


3-Changement de variables

Soit (X , Y ) un couple aléatoire de densité f(X ,Y ) etψ une fonction de R2


sur R2 . On cherche la loi du couple (U, V ) = ψ(X , Y ).

Théorème :
Soit (X , Y ) un couple aléatoire de densité f(X ,Y ) etψ une fonction de R2
sur R2 . Si f(X ,Y ) est continue sur l’intérieur d’un ensemble D et nulle sur
son complémentaire,
si ψ est une bijection de D sur E = ψ(D) telle que les dérivées partielles
de ψ et de ψ −1 existent et soient continues, et si, de plus,
∂x ∂x
J(ψ −1 ) = ∂u ∂v 6= 0 sur E , alors le couple aléatoire

∂y ∂y
∂u ∂v

(U, V ) = ψ(X , Y ) admet pour densité la fonction f(U,V ) définie par :

f(U,V ) (u, v ) = f(X ,Y ) (ψ −1 (u, v )) J(ψ −1 )(u, v ) ,



(u, v ) ∈ E .

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 23 / 46


Exemple :
Soit (X , Y ) un couple aléatoire de densité f(X ,Y ) où
1 − 12 (x 2 +y 2 ) X
f(X ,Y ) (x , y ) = 2π e . Quelle est la loi de U = Y ?

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 24 / 46


Exemple :
Soit (X , Y ) un couple aléatoire de densité f(X ,Y ) où
1 2 2
1 − 2 (x +y )
f(X ,Y ) (x , y ) = 2π e . Quelle est la loi de U = YX ?
Méthode :
On calcule d’abord la loi de (U, V ) = ( YX , Y ), puis on déduit la loi de U
comme loi marginale du couple (U, V ).

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 24 / 46


Exemple :
Soit (X , Y ) un couple aléatoire de densité f(X ,Y ) où
1 2 2
1 − 2 (x +y )
f(X ,Y ) (x , y ) = 2π e . Quelle est la loi de U = YX ?
Méthode :
On calcule d’abord la loi de (U, V ) = ( YX , Y ), puis on déduit la loi de U
comme loi marginale du couple (U, V ). On pose
ψ(x , y ) = (u, v ) = ( yx , y ) : y = v , x = uv
⇒ ψ −1 (u, v ) = (x , y ) = (uv , v ).
Le domaine R × R∗ se transforme en R × R∗ . Pour (u, v ) ∈ R × R∗ :

v u
J(ψ−1 )(u, v ) = = v 6= 0.

0 1

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 24 / 46


Exemple :
Soit (X , Y ) un couple aléatoire de densité f(X ,Y ) où
1 2 2
1 − 2 (x +y )
f(X ,Y ) (x , y ) = 2π e . Quelle est la loi de U = YX ?
Méthode :
On calcule d’abord la loi de (U, V ) = ( YX , Y ), puis on déduit la loi de U
comme loi marginale du couple (U, V ). On pose
ψ(x , y ) = (u, v ) = ( yx , y ) : y = v , x = uv
⇒ ψ −1 (u, v ) = (x , y ) = (uv , v ).
Le domaine R × R∗ se transforme en R × R∗ . Pour (u, v ) ∈ R × R∗ :

v u
J(ψ−1 )(u, v ) = = v 6= 0.

0 1

1 − 1 ((uv )2 +v 2 )
f(U,V ) (u, v ) = f(X ,Y ) ψ −1 (u, v ) J(ψ −1 (u, v )) =

e 2 |v |.

Il vient alors :

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 24 / 46


Exemple :
Soit (X , Y ) un couple aléatoire de densité f(X ,Y ) où
1 2 2
1 − 2 (x +y )
f(X ,Y ) (x , y ) = 2π e . Quelle est la loi de U = YX ?
Méthode :
On calcule d’abord la loi de (U, V ) = ( YX , Y ), puis on déduit la loi de U
comme loi marginale du couple (U, V ). On pose
ψ(x , y ) = (u, v ) = ( yx , y ) : y = v , x = uv
⇒ ψ −1 (u, v ) = (x , y ) = (uv , v ).
Le domaine R × R∗ se transforme en R × R∗ . Pour (u, v ) ∈ R × R∗ :

v u
J(ψ−1 )(u, v ) = = v 6= 0.

0 1

1 − 1 ((uv )2 +v 2 )
f(U,V ) (u, v ) = f(X ,Y ) ψ −1 (u, v ) J(ψ −1 (u, v )) =

e 2 |v |.

Il vient alors :
1 1
fU (u) = .
π 1 + u2
E.N.S.I (II.1) Probabilités Appliquées 2016/2017 24 / 46
Somme de deux v.a.c

Théorème
Soit (X , Y ) un couple aléatoire de densité f(X ,Y ) . Alors :
1 La v.a.r S = X + Y a pour densité :
Z
fS (s) = f(X ,Y ) (s − y , y )dy
R
2 Si X et Y sont indépendantes :
Z
fS (s) = FS0 (s) = fX (s − y )fY (y )dy
R

=⇒ fS = fX ~ fY

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 25 / 46


Exemple :

Soit (X , Y ) un couple de densité f(X ,Y ) définie par :

f(X ,Y ) (x , y ) = k(x 2 + y 2 )11[−1,1]2 (x , y ).

Déterminer k. Les v.a.r. X et Y sont-elles indépendantes ?


Déterminer la loi de X + Y .

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 26 / 46


Exemple :

Soit (X , Y ) un couple de densité f(X ,Y ) définie par :

f(X ,Y ) (x , y ) = k(x 2 + y 2 )11[−1,1]2 (x , y ).

Déterminer k. Les v.a.r. X et Y sont-elles indépendantes ?


Déterminer la loi de X + Y .
Réponses :
k = 38 ,
fX (x ) = 34 (x 2 + 31 )11[−1,1] (x ) = fY (x ) ⇒ X et Y ne sont pas
indépendantes.
fX +Y (u) = 14 (1 + (1 − |u|)3 )11[−2,2] (u)

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 26 / 46


IV-Paramètres d’une variable aléatoire continue
1-Espérance

Définition
Soit X une variable aléatoire continue
Z on définie :
0
L espérance de X : E(x ) = xfX (x )dx
R
Z
1 E(X ) existe si |x | fX (x )dx est convergente
R
2 Les propriétés énoncées pour l’espérance des variables aléatoires
discrètes (espérance d’une constante, linéarité, espérance d’un produit
de variables aléatoires indépendantes) restent vraies dans le cas de
variables continues.
Les formules de transfert s’adapte au cas continu : si X a pour densité
fX , et si ψ est une fonction continue, alors la variable Y = ψ(X ) a pour
espérance : Z
E(Y ) = ψ(x )fX (x)dx
R
E.N.S.I (II.1) Probabilités Appliquées 2016/2017 27 / 46
Si ψ est une fonction de R2 sur R telle que ψ(X , Y ) admette une
espérance, alors :
Z Z
E(ψ(X , Y )) = (x , y )f(X ,Y ) (x , y )dxdy .
R R

En particulier :
1 Z Z
E(X + Y ) = (x + y )f(X ,Y ) (x , y )dxdy
R R
2 Z Z
E(XY ) = xyf(X ,Y ) (x , y )dxdy
R R
si ces espérances existent.

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 28 / 46


Exemples :
1 Soit X une v.a.r. de densité fX définie par fX (x ) = cos x 11[0, π2 ] (x ).

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 29 / 46


Exemples :
1 Soit X une v.a.r. de densité fX définie par fX (x ) = cos x 11[0, π2 ] (x ).

π π
π
Z Z Z
2  π 2
xf (x )dx = cos xdx = x sin x 2
0
− sin xdx = − 1.
R 0 0 2
(intégration par parties avec u = x et v 0 = cos x ).
2 Soit X une v.a.r. de loi de Cauchy de densité fX définie par
1
f (x ) = π(1+x 2)

Z A Z A
1 2x
xfX (x )dx = dx
a 2π a 1 + x2
Z A
1  A 1 
ln(1 + x 2 ) a = ln(1 + A2 ) − ln(1 + a2 ) .

xfX (x )dx =
a 2π 2π
Z A
R +∞
On a donc : lim xfX (x )dx = +∞ et −∞ xfX (x )dx diverge.
A→+∞ a

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 29 / 46


2-Variance

Définition
La variance d’une variable aléatoire continue possédant une densité fX est
définie par analogie avec les variables discrètes comme :
Z +∞
V (X ) = (x − E(X ))2 fX (x ) dx
−∞

Remarques :
V (X ) = E(X 2 ) − E(X )2 , où : E(X 2 ) = 2f
R
Rx X (x )dx
La variance est une quantité qui mesure comment la v.a.r X se
"disperse" autour de son espérance.
p
L’écart type de la v.a.c X est : σ = V (X )

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 30 / 46


Exercice :
Soit a ∈ R et soit X une variable aléatoire continue dont la densité de
probabilité f est définie, pour tout x ∈ R par :

x2
f (x ) = axe − 4 1[0,+∞[ (x )

1 Quelle est la valeur de a ?


2 On pose Y = X 2 .
1 Déterminer la fonction de répartition de la variable aléatoire Y et
préciser sa densité.
2 Quelle est la loi de la variable aléatoire Y ?
3 Calculer l’espérance de la variable aléatoire Y .

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 31 / 46


V-Fonction Caractéristique
Définition
Étant donnée une variable aléatoire réelle X , on appelle fonction
caractéristique de X la fonction numérique φX définie de R dans C par :

∀u ∈ R φX (u) = E (e iuX )

La fonction caractéristique ne dépend en fait que de la loi fX de X :


c’est la "transformée de Fourier" de la loi fX , en effet :
−u
Z
φX (u) = E(e iuX ) = fX (x )e iux dx = fˆ(
)
R 2π
φX définit parfaitement la loi de probabilité f de X (réciprocité de la
transformation de Fourier F) et on peut écrire :
1
Z
f (x ) = φX (u)e −iux du
2π R
1
2π est un facteur normalisation.
E.N.S.I (II.1) Probabilités Appliquées 2016/2017 32 / 46
Si X est une variable aléatoire discrète de valeurs xk , k ≥ 1, sa
fonction caractéristique prend la forme d’une série de Fourier :

X
φX (u) = P(X = xk )e iuxk
k=1

Si X est une variable aléatoire discrète de valeurs entières k ≥ 0, sa


fonction caractéristique est liée à sa fonction génératrice gX par :

φX (u) = gX (e iu )

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 33 / 46


Fonction caractéristique et paramètres d’une v.a

L’espérance E(X ) s’exprime à l’aide de la fonction caractéristique φX


par :
E(X ) = −iφ0X (0)
La variance V (X ) s’exprime à l’aide de la fonction caractéristique φX
par :
V (X ) = −φ00X (0) + (φ0X (0))2

Rappelons que mK = E(X k ) =Le moment d’ordre k ≥ 0, s’exprime


par :
(k)
mk = (−i)k φX (0)

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 34 / 46


Théorème :
La fonction caractéristique X caractérise la loi de la variable aléatoire X .
Ainsi, si deux variables aléatoires X et Y ont même fonction
caractéristique, elles ont même loi.

Proposition :
Soient X et Y deux v.a. réelles indépendantes. Alors,

∀t ∈ R, φX +Y (t) = φX (t)φY (t)

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 35 / 46


VI-Lois Usuelles
1-Loi Uniforme

On dit qu’une v.a continue X suit une loi uniforme sur [a, b] lorsqu’elle
admet pour densité de probabilité la fonction f définie par :
(
1
b−a si x ∈ [a, b]
f (x ) =
0 sinon

b+a
E(x ) = 2
(a−b)2
V (x ) = 12
Z b
exp(ixt) exp(ibt) − exp(iat)
φX (t) = dx =
a b−a i(b − a)t

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 36 / 46


En effet :
b 2 − a2
Z b
1 1 a+b
E(X ) = xdx = × =
a b−a b−a 2 2
Z b
1 1 3
b −a 3 a2 + ab + b 2
E(X 2 ) = x 2 dx = × =
a b−a b−a 3 3
2
a2 +ab+b 2 a2 +2ab+b 2
2
d’où :V (X ) = E(X ) − E(X ) =2
3 − 4 = (b−a)
12
" #b
e itx e itb − e ita
Z b
1 itx 1
φX (t) = E(e itX ) = b−a e dx = =
a b−a t a
it(b − a)

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 37 / 46


2-Loi exponentielle

On dit qu’une v.a continue X suit une loi exponentielle de paramètre λ > 0
lorsqu’elle admet pour densité de probabilité la fonction f définie par :

f (x ) = λ exp(−λx )1R+ (x)

1
E(x ) = λ
1
V (x ) = λ2
λ
φX (t) = it−λ

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 38 / 46


En effet :
R +∞
 )=
E(X 0 x λ exp(−λx )dx = 
exp(−λx ) +∞
h i
1 R +∞ 1 1
λ x −λ + λ 0 exp(−λx )dx =0+ λ = λ
0
Par une double intégration par parties :
2 ) = +∞ x 2 λ exp(−λx )dx =
R
E(X
 0 
h i+∞
λ x 2 exp(−λx
−λ
)
+ 2 R +∞
λ 0 x exp(−λx )dx =0+ 2
λ2
= 2
λ2
0
1
d’où :V (X ) = E(X 2 ) − E(X )2 = λ2
R +∞  (it−λ)x +∞
λe −λx e itx dx = λ 0+∞ e (it−λ)x dx λ
R
φX (t) = 0 = it−λ e 0

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 39 / 46


3-Loi normale ou de Laplace-Gauss
On dit qu’une v.a continue X ∼ N (µ, σ 2 ) lorsqu’elle admet pour densité
de probabilité la fonction f définie par :
1 1 x −m 2
f (x ) = √ e− 2 ( σ )
σ 2π

Lemme
1 x −µ 2
Si f (x ) = √1 e− 2 ( σ )
σ 2π
alors f 0 (x ) = − xσ−µ
2 f (x )

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 40 / 46


3-Loi normale ou de Laplace-Gauss
On dit qu’une v.a continue X ∼ N (µ, σ 2 ) lorsqu’elle admet pour densité
de probabilité la fonction f définie par :
1 1 x −m 2
f (x ) = √ e− 2 ( σ )
σ 2π

Lemme
1 x −µ 2
Si f (x ) = √1 e− 2 ( σ )
σ 2π
alors f 0 (x ) = − xσ−µ
2 f (x )

En effet :  1 x −µ 2 0
f 0 (x ) = σ√12π e− 2 ( σ )
 0 1 x −µ 2
1 x −µ 2
⇔ f 0 (x ) = √1
σ 2π
− 2 ( σ ) e− 2 ( σ )
√1 (−2 1 ( x −µ − 1 ( x −µ )2
⇔ f 0 (x ) = σ 2π 2 σ 2 ))e 2 σ

1 x −µ 2
⇔ f 0 (x ) = √1 (− x −µ )e− 2 ( σ )
σ 2π σ2
⇔ f 0 (x ) = − xσ−µ
2 f (x )

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 40 / 46


Exercice

Soit X ∼ N (m, σ 2 ) c.à.d :

1 1 x −m 2
fX (x ) = √ e− 2 ( σ )
σ 2π

1 Calculer E(X ) et V (X )
X −m
2 Montrer que X ∼ N (m, σ 2 ) ⇔ (Y = σ ) ∼ N (0, 1)
3 Montrer que si X ∼ N (0, 1) alors
∀t ∈ R P(X ≤ −t) = 1 − P(X ≤ t)
4 Si l’on note π = FX montrer
que :∀x ∈ R P(−x ≤ X ≤ x ) = 2π(x ) − 1

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 41 / 46


Propriété
La fonction caractéristique d’une loi normale N (µ, σ 2 ) est :
!
2
itX 2t
E(e ) = exp µit − σ
2
(x −µ)2
R +∞  
En effet : E(e tX ) = √1
σ 2π −∞ exp tx − 2σ 2 dx =
   
√1
R +∞ v2 e tµ R +∞ 2

σ 2π −∞ exp σtv + tµ − v2 dv
− 2 σdv = √2π −∞ exp σtv
par le changement de variables x = µ + σv En remarquant que
2 2 2
σtv − v2 = − 21 (v − ! σt)2 + σ 2t , il vient
"
: #
Z +∞
v 2 Z +∞
1 σ2t 2
2
exp σtv − dv = exp − (v − σt) + dv =
−∞ 2 −∞ 2 2

!
σ2t 2
2π exp
2

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 42 / 46


Propriété
Y −µ
Y ∼ N (µ, σ 2 ) ⇔ X= ∼ N (0, 1)
σ
Table de la fonction de répartition de N (0, 1)
Pour calculer π(x ) = FX (x ) avec un nombre positif x , il suffit
d’utiliser directement la table. Exemple :π(1.2) = 0, 88493
Pour calculer π(x ) avec un nombre négatif , on utilise la propriété :
∀x ∈ R π(−x ) = 1 − π(x )
P(−x ≤ X ≤ x ) = 2π(x ) − 1

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 43 / 46


Exercice

Calculer l’espérance mathématique et la variance d’une variable aléatoire


normale X sachant que :
P(X ≤ 2) = 0, 5793 , P(X > 5) = 0, 2119.

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 44 / 46


VII-Théorème de la limite Centrale TLC

TLC
Si X1 , X2 , . . . , Xn sont des variables indépendantes de même loi de
probabilité, de même espérance µ et de même variance σ 2 , alors lorsque n
est suffisamment grand :
n
X
Sn = Xi ∼ N (nµ, nσ 2 )
i=1

Autrement :
Sn − nµ
√ ∼ N (0, 1)
σ n

La loi normale apparaît comme loi limite ( pour n ≥ 30 )quelle que soit la
loi des Xi (il faut juste que µ et σ existent). Ceci montre le caractère
universel des lois normales et leur importance.

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 45 / 46


Exercices

1)Chaque année, un voyageur de commerce effectue 2 fois par jour, 5 fois


par semaine et pendant 46 semaines, un trajet en voiture dont la durée est
une v.a.r qui suit une loi d’espérance 45mn et d’écart type 10mn. On
suppose que les durées des trajets sont mutuellement indépendants.
Quelle est la probabilité pour que ce voyageur de commerce passe au
moins 350 heures dans sa voiture au cours de l’années ?

2)Dans un collège, 500 élèves prennent leur repas le midi à la cantine.


Chaque élève choisit au hasard et indépendamment des autres élèves l’une
des deux salles du réfectoire, chacune ayant une capacité de N places,
250 ≤ N ≤ 500.
Déterminer la valeur minimale de N pour que la probabilité que chaque
élève trouve une place dans la salle qu’il a choisie soit supérieure à 0, 99.

E.N.S.I (II.1) Probabilités Appliquées 2016/2017 46 / 46