Correction TD L2 Stats :

séance 1 : Ex 1 à 3 (base)
Ex 31 à 33
Séance 1 : Exercices de base
Ex base 1 : X = durée d’un projet suit la loi normale N (m = 50 heures ; s = 5 heures)
1) Calculer les probabilités p 1 = P (X > 62) et p 2 = P (X ≤ 56) et p 3 = P (X ≤ 40)
2) Calculer et interpréter les intervalles de confiance I.C.70 % et I.C.90 %

X → N (50 ; 5) changement de variable Z = (X – 50) /5 → N (0 centrée ; 1 réduite)

1) p 1= P (X > 62) = P (Z > 2,4 = (62 -50) / 5) « mauvais sens »
p 1 = 1 – P (Z ≤ 2,40) « Lire la table » = 1 – 0,9918 = 0,82 %
Car P (Z ≤ 2,40) = 0.9918 se lit sur ligne 2.4 et colonne 0,00
p 2 = P (X ≤ 56) ou P (X < 56) = P (Z ≤ (56-50)/5 =1,20) «lire la table»
p 2 = = 0,8849 = 88,49 %

p 3 = P (X ≤ 40) = P (Z ≤ –2) «mauvais signe» = 1 – P (Z ≤ 2,00) «lire la table»

p 3 = 1 – 0,9772 = 2,28 %
Ex base 3 : Dénombrement et probabilité important pour ceux qui veulent passer les concours Message SG-CC / IUP
1) Calculer le nombre de codes à 4 chiffres, mais dont seul le 1er chiffre est impair et aucun zéro.
2) Dans un tournoi de volley, il a 6 joueuses et 12 joueurs : combien peut-on former d’équipes mixtes
Avec 1 joueuse et 2 joueurs ?
3) On lance 4 dés : probabilité d’avoir 4 chiffres différents ? On veut une fraction
4) On lance 3 dés : probabilité d’avoir 3 fois le même chiffre ?

1) Tirage avec remise = Nombre de chiffres possibles inchangé → utiliser des puissances
Il y a donc 5 impairs * 4 3 pairs non nuls = 320 codes possibles
Autres pairs et sans zéros = 2 ou 4 ou 6 ou 8 donc 4 possibilités

2) Choisir 1 joueuse parmi 6 (ordre ou rôle indifférent) et 2 joueurs parmi 12

C 6 1 joueuse * C 12 2 joueurs = 6 * 66 = 396 équipes possibles avec C 12 2 = 12*11 / 2*1
3) Arrangements = choisir, puis les ranger (ordre ou rôle pas interchangeable)

Il y a : 6 premier * 5 deuxième * 4 troisième * 3 dernier = 360 cas favorables / 6 4 cas possibles = 27,78 %

4) P (3 fois le même chiffre) = (cas 1 = que des 1) + (cas 2 = que des 2) + …+ (cas 6 : …)
Cas 1 : P (3 fois le 1) = 1 / 6 3
P (3 fois le même chiffre) = 6 Disjonction de cas = choix du chiffre * 1 / 6 3 = 1 / 36
 Exercices qui seront traités en TD
Ex 31 : Loi Normale
Les ventes V des mois précédents étaient normalement distribuées suivant la loi N (50Tonnes ; 10 tonnes)
1) Calculer pour les mois à venir : p1 = P (55 < Vente < 67) et p2 = P (Vente > 38)
2) Trouver les réels x et y tels que P (Vente < x) = 95 % et P (Vente < y) = 20 %
Réponse à retrouver : P1 = 26,39 % P2 = 88,49 % x ≈ 66,5 y ≈ 41,6

X → N (50 ; 10) changement de variable Z = (X – 50) /10 → N (0 centrée ; 1 réduite)

1) p1 = P (55 < Vente < 67) = P (0,5 min < Z < 1,7 max)
p1 = P (Z ≤ 1,70 max) – P (Z ≤ 0,50 min) «lire la table»= 0,9554 – 0,6915 = 26,39 %

p 2 = P (Vente > 38) = P (Z > –1,2) «mauvais sens et mauvais signe» P (Z ≤ 1,20) «lire la table»= 88,49 %
Car : p 2 = 1 – P (z <–1,2) « mauvais signe » = 1 – [1 – P (z <1,2)] = P (Z ≤ 1,20)

2) Dessin 1 : on veut 95 % sous le « x « ; or on sait qu’il y a 50 % sous la moyenne

50 % < 95 % donc moyenne < x = moyenne + fractile * l’écart
Dans la table la fractile z 0,95 ≈ 1,65
D’après le dessin, x = 50 + 1,65 * 10 = 66,5 tonnes
Dessin 2 : on veut 20 % sous « y » ; or on sait qu’il y a 50 % sous moyenne

20 % < 50 % donc y < moyenne et y = moyenne – fractile * écart

Mais dans la table, on ne trouve pas la fractile de 20 %
Donc on prend la fractile du contraire = 80 % dont la fractile z 0,80 = 0,84
Comme P (V < moyenne) = 50 % et P (Vente < y) = 20 % donc y < moyenne !

Il y a 20 % (que l’on ne trouve pas dans la table) sous y donc 80 % au-dessus de y

Fractile z 0,80 ≈ 0,7995 ≈ 0,84 donc y = 50 – 0,84 * 10 = 41,6 tonnes

Autre méthode :

On va résoudre P (Vente < y) = 0,20 ↔ P (Z < (y – 50) /10) = 0,20

On passe au contraire : P (Z > (y – 50) /10) = 0,80
1 – P (Z< (y – 50) /10) = P [Z < (50 – y) /10] = 0,80 = table P (Z < 0,84)
Donc (50 – y) /10 = 0,84 donc 50 – y = 10* 0,84 d’où y = 50 – 0,84 * 10 = 41,6 tonnes
Ex 32 : Loi Binomiale
Des machines fabriquent des couvercles de boîte en plastique. On estime à 0,001 la proportion de ces
couvercles inutilisables. Pour n = 2000, quelle est la loi suivie par la variable aléatoire X :
« Nombre de couvercles inutilisables parmi les 2000 » ? Calculer P (X ≤ 3) et P (X ≥ 2)
Réponse à retrouver : P (X=0) = 0,1353 et P (X≤ 3) ≈ 0,8571
X = « Nombre de couvercles inutilisables parmi les n = 2000 »
Schéma de Bernoulli, donc loi Binomiale
N = 2000 grand échantillon (n> 30) donc pour les calculs, on remplace la loi bin par loi Poisson ou
Normale et le choix se fait en fonction de la moyenne binomiale : m = n p

On a : p = 0,001 la proportion de couvercles inutilisables et n = 2000 (échantillon)

Approximer cette loi Binomiale par une loi de Poisson de moyenne m = n p = 2

[Car n > 30 grand et p=0,001 faible : n p <10 avec E(X) = n p ≈ V(X)= n p (1- p)]

P (X = 0 égalité) = formule de Poisson e – 2 2 0 / 0 ! Avec 0 ! = 1 (convention)

P (X = 0) = 0,1353

Table de la loi de Poisson (pour m= 2) : P (X ≤ 3) = 0,8571 (ligne k=3, colonne m = 2)

Ex 33 : Loi Normale
Une enquête est réalisée auprès de ménages bordelais afin de connaître leur consommation en vin sur
une année. Cette consommation est exprimée en litre. Sur l’ensemble des personnes interrogées, la
consommation de ce produit suit une loi normale de moyenne 50 et d’écart-type de 30.
En vue d’une campagne de publicité pour prévenir des abus liés à cette consommation d’alcool, on
souhaite connaître le pourcentage des gros consommateurs (plus de 80 litres / an). Calculer ce
pourcentage. Quelle est la probabilité que la personne consomme moins de 10 litres de vin par an ?
Réponse à retrouver : 15,87 % et 9,18 %
Certains textes : la consommation normalement distribuée
Donc la consommation suit une loi Normale

La distribution de la consommation de vin suit une loi Normale : X →N (50,30) Par conséquent, la
variable Z centrée réduite se calcule de la manière suivante : Z = (X–50) / 30
P (X > 80) = P (Z > 1) « mauvais sens » = 1 – P (Z ≤ 1,10) « lire la table » = 1 – 0,8413 = 0,1587
→ 15,9 % de la population peut être considérée comme de gros consommateurs de vin.

P (X < 10) = P (Z< – 1,33) « mauvais signe » = 1 – P (Z ≤ 1,33) « lire la table » = 1 – 0,9082= 0,0918
→ 9,18 % de la population consomme moins de 10 litres de vin par an.
Modèle pour Ex 34 : (Spécial Concours)

X suit la loi Binomiale Bin (n = 10 ; p). On suppose que : P (X = 2) / P (X = 1) = 0,5

Question : Calculer p puis E(X) puis V(X)

Réponse : On écrit la formule de Bernoulli.

P (X = 2) = C 10 2 p 2 (1 – p) 8 avec C 10 2 = 10 * 9 / 2*1
P (X = 1) = C 10 1 p 1 (1 – p) 9 donc P (X = 2) / P (X = 1) = 9 p / 2 (1 – p)

Or texte donne : 9 p / 2 (1 – p) = 1 / 2 donc 18 p = 2 – 2 p d’où 20 p = 2 et p = 0,1

E(X) = n p = 10*0.1 = 1 et V(X) = n p (1 – p) = 10*0,1*0,9 = 0,9

Correction TD L2 Stats :
séance 2 : Ex 4 à 6 (base)
Ex 34 à 36
Ex base 4 : Loi Binomiale
Soit une variable X suivant une loi binomiale Bin (n = 100 ; p = 0,02)
Calculer E(X) et V(X) et P (X = 3) et P (X ≤ 4)

Soit une variable X suivant une loi binomiale Bin (n = 100 grand ; p = 0,02)
a) Approximer cette loi Binomiale par une loi de Poisson de moyenne m = n p = 2

[Car n > 30 grand et p = 0,02 faible : n p <10 avec E(X)= n p ≈ V(X) = n p (1- p)]

b) Formule Binomiale : P (X = 3) = C100 3 * 0,02 3 succès * 0,98 97 échecs

P (X=3) = (100*99*98/3*2*1) *0,02 3 *0,98 97 = 18,22 % (Formule loi Binomiale)

Ou bien : P (X = 3) = e – 2 * 2 3 / 3 ! = 18,04 % (Formule loi Poisson)

Ou encore Table de Poisson P (X = 3) = P (X ≤ 3) – P (X ≤ 2) (ligne k= 3 – ligne k = 2, colonne m = 2)

P (X=3) = P (X ≤ 3) – P (X ≤ 2) = 18,04 % différence de 2 lignes de la Table

c) Table de la loi de Poisson (pour m= 2) : P (X ≤ 4) = 0,9473 (ligne k=4, colonne m = 2)

Ex base 5 : Loi Binomiale et ses approximations
Pour une production industrielle, le nombre de pièces de qualité médiocre ne doit pas dépasser 1 %. On
teste la qualité sur un lot de n pièces : X n = nombre de pièces de qualité médiocre dans le lot
1) Préciser la loi de Bernoulli suivie par X n et calculer P (X  4) et P (4 X  1) si n = 100
2) Préciser la loi de Bernoulli suivie par X n et calculer P (X ≤ 40) et P (40  X  10) si n = 1000

X n = nombre de pièces de qualité médiocre par n (schéma de Bernoulli) suit la loi Bin (n ; 0,01)

1) si n = 100, E(X)= n p = 1 donc Bin (100 ; 0,01) ≈ Poisson m =1 (car n > 30 grand et n p < 10 petite)
P (X entier ≥ 4) → mauvais sens : on passe au contraire
P (X entier ≥ 4) = 1 – P (X entier ≤ 3) = 1 – 0,9810= 1,9 %
Au départ : X entier ≥ 4 ↔ Liste : 4 ; 5 ; 6 ; 7 ….
Contraire : Liste : 0 ; 1 ; 2 ; 3 ↔ (X entier ≤ 3)

P (4  X entier  1) = P (X ≤ 4) – P (X ≤ 0) = 0.9963 – 0,3679 = 62,84 %

Au départ : 4  X entier  1 ↔ Liste : 1 ; 2 ; 3 ;4
↔ Liste : 0 ; 1 ; 2 ; 3 ; 4 mais on retire k = 0
Ex base 6 : Dénombrement et probabilité important pour ceux qui veulent passer les concours Message SG-CC

1) Dans un jeu de 32 cartes, on « tire » 5 cartes ; Probabilité d’avoir exactement 2 rois et 2 dames ?
2) Combien de mots avec 5 lettres différentes et finissant par une voyelle peut-on former ?
3) On choisit 2 mois au hasard : Probabilité que les 2 mois aient même nombre de jours ?
4) On lance 5 dés, probabilité d’avoir au moins un 6 ?

1) Attention : Probabilité = Cas favorables / Cas possibles (Fraction)

Cas possibles : Choisir 5 cartes parmi 32 cartes donc C 32 5 possibilités
C 32 5 = 32*31*30*29*28 / 5*4*3*2*1 = 201 376

Cas favorables : Choisir 2 Rois parmi 4 (ordre ou rôle indifférent) et 2 Dames parmi 4 et 1 autre parmi 24

P (exactement 2 rois et 2 dames) = C 4 2 Rois C 4 2 Dames C 24 1 autre / C32 5 = 6 * 6 * 24 / 201 376

Vérification : ∑ exposants = nombre objets choisis ici 2+2+1 = 5,

∑ indices = nombre d’objets parmi lesquels on choisit ici 4+4+24
2) 4 premières lettres pas interchangeables et différentes de la voyelle

Il y a : 6 choix de la voyelle * 25 Première * 24 Deuxième *23 Troisième * 22 Quatrième = 1 821 600 mots

3) (concours message 2019) il y a 7 mois à 31 jours et 4 mois à 30 jours

Probabilité = cas favorables / cas possibles

Cas possibles : Choisir 2 mois parmi 12 donc C 12 2 = 12*11 / 2*1 = 66

Cas favorables= disjonction de cas (donc somme : 2 mois à 31 j. ou bien, 2 mois à 30 j.)

Probabilité = (C 7 2 mois à 31 j + C 4 2 mois à 30) / C12 2 = (7*6 / 2*1 + 4*3 / 2*1) / 66 = 27 / 66

4) P (au moins un 6) = 1 – P (aucun 6) = 1 – (5 / 6) 5 = 59,81 %

Modèle pour Ex 34 : (Spécial Concours)

X suit la loi Binomiale Bin (n = 10 ; p). On suppose que : P (X = 2) / P (X = 1) = 0,5

Question : Calculer p puis E(X) puis V(X)

Réponse : On écrit la formule de Bernoulli.

P (X = 2) = C 10 2 p 2 (1 – p) 8 avec C 10 2 = 10 * 9 / 2*1
P (X = 1) = C 10 1 p 1 (1 – p) 9 avec C 10 1 = 10

Donc P (X = 2) / P (X = 1) = (9 / 2) p / (1 – p) = 9 p / 2 (1 – p)

Or texte donne : 9 p / 2 (1 – p) = 1 / 2 donc 18 p = 2 – 2 p d’où 20 p = 2 et p = 0,1

E(X) = n p = 10*0.1 = 1 et V(X) = n p (1 – p) = 10*0,1*0,9 = 0,9

Modèle pour Ex 35 : (savoir reconnaitre une loi, calculer un paramètre)

1) Dans une entreprise, le nombre d’incidents techniques suit la loi de Poisson m = 0,2 incidents / par jour

X = Nombre de jours sur une période 28 jours où il y aura au moins 1 incident.

Préciser la loi suivie par X puis calculer le risque qu’il y ait au moins 10 jours avec au moins 1 incident.

X = Nombre de jours parmi 28 jours (Schéma de Bernoulli) donc X suit loi Bin (n = 28 ; p à calculer)

Texte : Y = Nombre d’incidents / jour suit la loi de Poisson m = 0,2 et p = P (Y entier  1)

Donc p = 1 – P (Y entier = 0) = 1 – e – 0,2 0,2 0 / 0 ! ≈ 0,18 donc suit loi Bin (n= 28 ; p = 0,18)

Moyenne binomiale = n p = 28 * 0,18 ≈ 5 donc on va faire les calculs avec la loi Poisson m = 5

Enfin, risque P (X entier  10) = 1 – P (X entier ≤ 9) = 1 – 0,9682 = 3,18 %

2) Dans une entreprise, il arrive en moyenne 1 client toutes les 5 minutes et il y a 4 guichets.
a) Préciser la loi suivie par X = Nombre de clients par guichet / H et calculer P (X  10 clients)
b) Préciser la loi suivie par T = Temps d’inactivité d’un guichetier et calculer P (T  15 minutes)

Réponse :

a) X = Nombre de clients par guichet / H (schéma de Poisson) mais l’information sur le flux
des clients est donnée en minutes (type Loi Exponentielle)
Conversion : 5 minutes / entreprise ↔ 60 / 5 = 12 clients / H entreprise
X suit la loi de Poisson m = 12 / 4 guichets = 3 clients par guichet / H
P (X entier  10) = 1 – P (X entier ≤ 9) = 1 – 0,9989 = 0,0011 = 0,11 %

b) T = Temps d’inactivité d’un guichetier (temps entre 2 clients) Schéma de loi Exponentielle
Conversion : 5 minutes / entreprise ↔ 5 * 4 guichets = 20 minutes en moyenne par guichet
P (T  15 minutes) = e – 15 / 20 = 47,24 %

Pour Information : dans beaucoup de Service Public, le nombre de guichets à ouvrir est calculé
par les Lois d’ERLANG qui mesurent le flux des clients selon une loi de Poisson et la durée de
service des clients selon une loi Exponentielle.
Ex 34 : Loi de Poisson (« type concours »)
Le nombre mensuel X d’apparition d’1 événement rare suit une loi de Poisson. La
probabilité d’observer un événement rare est de 0,0783. La probabilité d’observer 2
événements rares est de 0,1566. Estimez le paramètre de cette loi de Poisson.
P (X = 2) / P (X = 1) = texte 0,1566 / 0,0783 = 2

Or la formule de Poisson donne

P (X = 2) = e – l. l 2 / 2 ! = 0,5 e – l. l 2
P (X = 1) = e – l l 1 / 1 ! = e – l. l 1

Donc P (X = 2) / P (X = 1) = 0,5 l Formule = 2 Texte d’où l = 4

Ex 35 : Reconnaissance des lois classiques
Préciser pour les variables suivantes, la loi suivie par X et sa moyenne m
Puis calculer la probabilité p = P (X ≥ m)
1) Dans une entreprise, il y a en moyenne 3 absents par jour
Sur une période de 60 jours, X = nombre de jours où il n’y aura aucun absent.

1) X = nombre de jours, parmi 60 jours, où il n’y aura aucun absent.

On reconnait un schéma de Bernoulli donc X suit la loi Bin (n = 60, p = inconnue à calculer)

Avec p= P (Y = 0) où Y = nombre d’absents / jour (schéma de Poisson)

Or Y suit P m = 3 absents / jour

P (Y = 0) = e – 3 = 0,0498 donc X suit Bin (n = 60, p = 0,0498) ≈ Poisson (m = n p ≈ 3)

P (X entier ≥ 3) « mauvais signe » = 1 – P (X entier ≤ 2) = 1 – 0,4232 = 57,68 %

2) Dans une entreprise, il y a un flux régulier de clients estimé à 6 clients par Heure en moyenne,
X = nombre de clients par heure à l’un des 3 guichets
3) Dans une entreprise, le nombre de clients suit la loi de Poisson m = 30 clients par heure
X = le temps d’inactivité de l’un des 5 guichetiers de l’entreprise

2) X = nombre de clients par heure à l’un des 3 guichets : on reconnait schéma de Poisson, mais on
dispose d’une information sur le flux des clients pour toute l’entreprise, donc on doit faire une conversion.
6 clients / H pour les 3 guichets ↔ 2 clients / H et par guichet donc suit Poisson (m = 2)
P (X ≥ 2 = m) « mauvais signe » = 1 – P (X ≤ 1) = 1 – 0,4060 = 59,40 %

N.B : Si l’information sur le flux des clients était du type loi exponentielle (il s’écoule en moyenne 10 minutes
entre l’arrivée de 2 clients), on convertirait cette information pour avoir une information du type loi de
Poisson (1 client toutes les 10 minutes ↔ 6 clients / H pour les 3 guichets)

3) X = Temps d’inactivité (= temps entre 2 clients) de l’un des 5 guichetiers de l’entreprise

Schéma de loi exponentielle mais l’information du texte est du type loi de Poisson

Conversion : m = 30 clients par heure ↔ 1 client toutes les 2 minutes dans l’entreprise
↔ 1 client toutes les 2 *5 =10 minutes à chacun des 5 guichets
X = Temps d’inactivité suit une loi exponentielle de paramètre λ = 1 / moyenne = 0,1
P (X ≥ m = 10) = e – 0,1 *10 = 36,79 %
Correction TD L2 Stats :
séance 3 : Ex 7 à 9 (base)
Ex 37 à 39
Ex base 7 : En 2012, consommation d’eau / jour et habitant suivait la loi N (148 litres ; 25 litres)
En 1975, consommation d’eau / jour et habitant suivait la loi N (106 litres ; 20 litres) Source : Futura Planète

1) En 2012, Calculer le % de français qui consomme plus de 200 litres /jour ? Moins de 120 litres /jour ?
2) Pour 1975 puis 2012, donner l’intervalle de confiance I.C. 70 % de la consommation d’eau /jour et habitant

1) En 2012, X → N (148 ; 25) changement de variable Z = (X – 148) /25 → N (0 centrée ; 1 réduite)

P (X > 200) = P (Z > 2,08) « mauvais sens » = 1 – P (Z ≤ 2,08) « lire la table » = 1 – 0,9812 = 1,88 %
P (X < 120) = P (Z < -1,12) « mauvais signe » = 1 – P (Z ≤ 1,12) « lire la table » = 1 – 0,8686 = 13,14 %

Niveau ou seuil de confiance = 70 % donc risque d’erreur d’estimation = 30 %

Le risque est coupé en 2 zones donc on cherche dans la table la fractile z 0,85 = 1 – risque / 2
Tel que P (U ≤ z 0,85) ≈ 0,85 ↔ z 0,85 ≈ 1,04

D’après le dessin, min = 148 – 1,04* 25 ≈ 122 et max = 148 + 1,04* 25 ≈ 174
Conclusion :
Pour 70 % des français, la consommation / jour est dans I.C. 70 % = [122 litres ; 174 litres]

2) En 1975, min = 106 – 1,04* 20 ≈ 85 et max = 106 + 1,04* 20 ≈ 127

En 1975 : pour 70 % des français, consommation / jour  I.C. 70 % = [85 litres ; 127 litres]
N.B : Dans l’enquête Futura Planète, 40 % de la consommation est due aux douches et bains
Ex base 8 : X = durée de vie en années d’un appareil ménager suit la loi exponentielle de paramètre λ= 0,1
1) Calculer la durée de vie moyenne, les probabilités P (X ≥ 12) et P (X < 2)
2) Calculer la médiane T * telle que P (X ≤ T *) = 50 %

Fonction répartition = proba cumulées P (T < x) = 1 – e – 0,1 x et P (T > x) = e – 0,1 x

Moyenne ou espérance E(T) = 1 / λ

1 : E (X ou T) = 1/ λ = 10 ans
P (X ≥ 12) = e – 0,1 * 12 = 30,12 % et P (X < 2) = 1 – e – 0,1*2 = 18,13 %

2 : P (X ≤ Médiane T*) = 50 % ↔ 1 – e – 0,1. T * = 0,5 ↔ e – 0,1. T * = 0,5

On passe au Ln : – 0,1 T * = Ln 0,5 ↔ t * = Ln (0,5) / – 0,1 = 6,93

N.B : Ln (0,5) = Ln (1 /2) = Ln 1 – Ln 2 = – Ln 2 donc (Ln 2) / 0,1 = 6,93 ans

N.B : Parfois, on ne donne que : P (T > a) = 60 % Ici paramètre λ et moyenne non fournis
e – λ. a =0,60 di=onc – λ. a = Ln 0,60 d’où on en déduit λ.
Ex 37 : Loi Exponentielle et durée de vie
La durée de vie d’un lave-vaisselle (en années) peut être modélisée par une variable aléatoire T
suivant une loi exponentielle de paramètre λ. Une étude statistique montre qu’au bout de 5 ans, 40%
des lave-vaisselles sont en état de fonctionnement.
a) Calculer λ et E(T) = durée de vie moyenne puis calculer P (T < 1/2 ans = 6 mois)
b) Calculer la demi-vie d’un lave-vaisselle = médiane T* telle p (T < médiane T*) = 50 %

P (T> 5 ans) = 0,40 info du texte

Proba cumulées = fonction de répartition P (T < x) = 1 − e – λ x
Donc contraire : P (T > x) = e – λ x

Donc P (T ≥ 5) = 0,4 ⇒ e − 5 λ = 0,4 donc on passe au Ln pour éliminer l’exponentielle

− 5 λ = Ln (0,4) donc λ = – Ln (0,4) / 5 = 0,183
D’où l’espérance de vie moyenne E (T) = 1 / λ = 5,46 ans

P (T < 6 mois) = P (T < 0,5 année) = 1 − e − 0,183 * 0,5 = 0,087

La demi-vie = médiane T * telle que P (T > médiane = T *) = 50 % ⇒ e – λ T * = 0,5

− λ T * = Ln (0,5) avec λ = 0,183
Médiane T * = – ln (0,5) / 0,183 ⇒ médiane t * = 3,79 ans
Ex 38 : Loi Exponentielle et durée de vie
Une étude montre qu’au bout d’un an, 50 % des ampoules sont en état de fonctionnement.
Par quelle est la loi (dont on précisera le paramètre λ) suivie par T = durée de vie d’une ampoule ?
Sachant que l’ampoule a fonctionné plus d’1 an, calculer la probabilité qu’elle soit en panne avant
2 ans.

Une étude montre qu’au bout d’un an, 50 % des ampoules sont en état de fonctionnement.
La durée de vie des ampoules peut être approximée par une loi exponentielle de paramètre λ :
Or, on sait que : P (T ≥ 1) = 0,50 ⇒ e − λ = 0,5 donc λ = – Ln (0,5) = 0,693 et E(T) = 1/ λ = 1,44 ans

Attention : le texte indique « Sachant que » donc il s’agit d’une probabilité conditionnelle
Sachant que l’ampoule a fonctionné plus d’un an : Certitude C = « T ≥ 1 »
P (T ≤ 2 pannes avant 2 ans / sachant T ≥ 1) = définition probabilité condition p [(T ≥ 1) ∩ (T ≤ 2)] / P (T ≥ 1)

Or en faisant un dessin, on voit que : [(T ≥ 1) ∩ (T ≤ 2)] = [1 ≤ T ≤ 2]

P (1 ≤ T ≤ 2) = P (T ≤ 2 max) – P (X ≤ 1 min) = (1 – e – 2 λ) – (1 – e – λ) = e – 0,693 – e – 2 * 0,693
Donc finalement, P (T ≤ 2 / sachant T ≥ 1) = (e – 0,693 – e – 2 * 0,693) / e – 0,693 = 0,50 La probabilité qu’une
ampoule fonctionne jusqu’à 2 ans sachant qu’elle fonctionne au bout d’un an est de 50 %
Modèle pour Ex 39 à 41
On a observé que 60 % des personnes consomment entre 28 Kg et 68 Kg de viande / an.
En supposant la distribution normale, préciser les lois suivies par
1) La consommation / an et habitant
2) La consommation / mois et habitant
3) La consommation / mois et par famille de 4 personnes

1 : I.C. 60 % = [28 ; 68] donc on coupe le risque en 2 zones et z 80 % = 0,84

Donc 68 = 48 Moyenne + 0,84 s d’où Cons X (an et hab.) suit N (m = 48 ; s = 10 / 0,84 = 23,81)

2 : Y k = Consommation (mois k et hab.) et X = Consommation (an et hab.)

X = Y 1 + Y 2 + …+ Y 12 donc Variance s 2 (X) = s 2 (Y 1) + s 2 (Y 2) + …+ s 2 (Y 12)
s 2 (X) = 12 s 2 (Y mois) donc s (Y mois) = s (X an) /  12 = 23,81 /  12 = 6,87
Donc Cons Y (mois et hab.) suit la loi N (4 ; 6,87)

Attention erreur classique : Cons Y (mois et hab.) ≠ Cons X (an et hab.) / 12

X / 12 suit N (4 ; 23,81 / 12 =1,98) alors que : Y (mois et hab.) suit la loi N (4 ; 6,87)

3 : Z = Consommation (mois et 4 habitants) suit N (4 * 4 = 16 ;  4 * 6,87 = 13,74)

Ex 39 : Loi Normale et Théorème Central Limite
La consommation électrique d’un abonné d’EDF suit une loi normale de moyenne 5 kWh et d’écart-
type 2 kWh. Soit un village composé de 400 contribuables. On suppose que les consommations de
ces personnes sont indépendantes.
1) Quelle loi suit la consommation totale d’électricité du village ?
2) Calculer la puissance minimale qu’EDF doit fournir pour satisfaire la consommation avec une
probabilité supérieure ou égale à 99 %.

La consommation électrique X i d’un abonné d’EDF suit une loi normale X i suit la loi N (5 ; 2)

1) La consommation totale Y du village est la somme des 400 consommations individuelles

Y = ∑ i ≤ 400 X i Les consommations des individus étant supposées indépendantes
* moyenne E (Y) = 400 E (X i) = 2 000 et variance σ 2 (Y) = 400 σ 2 (X i) = 400* 2 2
Donc Théorème Central Limite pour un grand échantillon, Y suit la loi N [2000 ; σ (Y) = 40]

2) On cherche la puissance minimale P min telle que

P (Y ≤ P min) = 0,99 ↔ P [Z ≤ (P min – 2000) / 40] = 0,99
On cherche dans la table la fractile de 99 %, on obtient z 0,99 ≈ 2,33
D’où la puissance minimale P min = 2000 + 2,33 * 40 = 2093,2 KWh
EDF doit donc fournir au moins 2093,2 KWh au village pour satisfaire la demande dans 99 % des cas
Correction TD L2 Stats :
séance 4 : Ex 10 à 12 (base)
Ex 40 à 44
Ex base 10 : Pour 95 % des français, La consommation moyenne d’électricité, qui suit une loi normale, se
situe entre 1,2 et 4,8 kWh par jour et par personne Source : France Electricité
1) Préciser les paramètres de la loi normale suivie par X = consommation d’électricité / jour et habitant
2) Préciser les paramètres pour la consommation annuelle d’électricité / habitant

1) X jour = consommation d’électricité / jour et habitant suit la loi N (3 kWh ; σ inconnu)

L’intervalle de confiance I.C. 95 % = [1,2 kWh ; 4,8 kWh] avec
Max = 4,8 = 3 + z 0,975 * σ (risque coupé en 2 zones)
Avec : z 0,975 = 1,96 donc σ = 1,8 / 1,96 = 0,92 d’où X jour suit la loi N (3 kWh ; 0,92 kWh)

2) Etape 1 : X an = X jour 1 + X jour 2 + …+ X jour 365 de moyenne 365 * 3 = 1095

Etape 2 :
Puis on remplace les lettres par leur variance pour avoir la variance de la somme
Variance σ 2 (X an) = 0,92 2 + 0,92 2 + …+ 0,92 2 = 365 fois * 0,92 2
Ecart type σ (X an) =  (365 * 0,92 2) = 365 * 0,92

E (X an) = 365 * 3 et de Variance σ 2 (X an) = 365 * 0,92 2

Par combinaison, le Théorème Central Limite donne que
X an suit N (365 * 3 = 1095 ; √365 * 0,92 = 17,5)
Ex base 11 : En 2016 Source : INSEE, 84 % des ménages et 40 % des retraités disposent d’internet
96 % des étudiants ont accès d’internet haut débit
1) Dans une commune de 4 000 ménages, préciser la loi suivie par X = nombre de ménages qui
disposent d’internet, puis E(X), V(X) puis intervalle de confiance I.C. 95 % pour X
2) Dans un groupe de 75 étudiants, préciser la loi suivie par Y = nombre d’étudiants de ce groupe
n’ayant pas accès à l’internet haut débit. Calculer la probabilité P (Y≥ 3)

1) X = nombre de ménages disposant d’internet parmi n= 4 000 (schéma de Bernoulli)

X suit la loi Bin (n=4 000 grand ; p= 0,84) ≈ N (n p = 3360 ; σ = √ n p (1-p) = 23,2)
L’intervalle de confiance I.C. 95 % = [3360 ± 1,96 fractile de 0,975 * 23,2] ≈ [3314 ménages ; 3405 ménages]

N.B: pour qu’un échantillon de n = 4000 personnes soit représentatif, il faut qu’il y ait entre
3314 et 3405 ménages de l’échantillon disposant d’internet.

2) Y = nombre d’étudiants sans accès au haut débit parmi n = 75 (schéma de Bernoulli)

Y suit la loi Bin (n= 75 grand ; p = 0,04) ≈ Poisson (n p =3)

P (Y entier ≥ 3) → mauvais sens : on passe au contraire = 1 – P (Y entier ≤ 2) = 1 – 0,4232= 57,68 %

Modèle Pour Ex 40
On suppose que 90 % des habitants consomment entre 2 Kg et 4 Kg de ressource R par jour.
On suppose que la consommation suit une loi normale
1) Donner une estimation, avec un risque d’erreur = 5 %, de consommation par jour de
a) une famille de 4 personnes b) de cette famille de 4 personnes sur une période de 30 jours.
La consommation X i d’un individu i suit une loi normale X i → N (m = 3 kg ; s = inconnue)
Mais le texte donne I.C. 90 % = [2 Kg ; 4 Kg], on coupe le risque = 10 % en 2 zones
Donc max = 4 Kg = 3 + z 0,95 = 1 – 0,10 / 2 * s ↔ 4 = 3 + 1,65 * s d’où s = 1/ 1,65 = 0,606 Kg

a) Pour la consommation des 4 personnes : Y famille = X 1 + X 2 + X 3 + X 4 de moyenne 4 * 3 = 12 Kg

Pour la variance, on remplace chaque lettre par sa variance 0,606 2
S 2 famille = 0,606 2 + 0,606 2 +0,606 2 +0,606 2 = 4 * 0,606 2 d’où : S famille =  4 * 0,606 = 1,212
Par combinaison de lois normales, Y famille suit la loi N (12 kg ; 1,212)

On veut une estimation, pour la famille, avec un risque (coupé en 2 zones) d’erreur = 5 %
On peut donc estimer que pour 95 % des familles à 4 personnes, la consommation / jour se situera
I.C. 95 % = [12  z 0,975 * 1,212] = [12  1.96 * 1,212] donc I.C. 95 % = [9,62 Kg ; 14,38 Kg]

b) Pour la consommation des 4 personnes sur 30 jours, Z famille, mois = Y jour 1 + Y jour 2 + … + Y jour 30
Par combinaison de lois normales, Z suit la loi N (12 * 30 = 360 kg ; 1,212 *  30 ≈ 6,64)
D’où I.C. 95 % pour Z famille, mois [360  z 0,975 * 6,64] = [360  1.96 * 6,64] ≈ [347 Kg ; 373 Kg]
2) On suppose que cette ressource R coûte 0,25 € par Kg, mais bénéficie d’une prime = 5 € / mois
a) Préciser la loi suivie par B = budget mensuel de cette famille
b) Calculer le risque que ce budget dépasse 95 €

a) Le budget B = 0,25 * Z famille, mois – 5 de moyenne : 0,25 * 360 – 5 = 90 €

Pour la variance, on remplace la lettre Z par sa variance : 6,64 2
S 2 budget = 0,25 2 constante multiplicative * 6,64 2 – 0 donc B suit la loi N (90 € ; 0,25 * 6,64 = 1,66 €)

b) Le risque P (B > 95 €) = P (Z > (95 – 90) / 1,66 = 3) mauvais sens

P (B > 95 €) = 1 – P (Z < 3,0) = 1 – 0,9987 bas de la table= 0,13 %

ATTENTION : bien distinguer

Dans Z mois, le « 30 » représentent le nombre de variables jours et S (Z mois) = S jour *  30
Alors que pour le budget B, le « 0,25 » représente une constante multiplicative.
Ex 40 : Loi Normale et Théorème Central Limite
Les ventes d’ordinateurs d’une entreprise Omega sont supposées suivre une loi normale de moyenne
annuelle de 10000 unités à un prix de vente unitaire de 1000 € avec une chance sur 2 pour que les quantités
vendues varient de plus ou moins 2000 autour de la moyenne. Le coût de revient se décompose de la
manière suivante : Coût variable unitaire : 600 € Charges fixes totales : 2 000 000 €
1) Déterminer les paramètres de la loi de la variable aléatoire X (quantités vendues).
2) Quelle loi suit le profit de cette entreprise ? Donner et interpréter intervalle de confiance I.C. 0.90

1) On sait que X = Ventes / an suit une loi normale N (m =10 000, σ) avec σ inconnu
Info du texte : P (X – moyenne > 2000) + P (X – moyenne < 2000) = 50 %

Contraire : On sait également que P (10000-2000 < X < 10000+2000) = 1 – 0,50

donc P (8 000 < X < 12 000) = 0,50 on a un min = 8 000 et un max = 12 000
Risque d’erreur = 50 % si on coupe le risque en 2 zones, on regarde la fractile de 75 %
Or table loi Normale, 75 % se trouve sur ligne 0.6 et colonne 0.07, Z 0,75 = 0.67

Max = 12 000 = 10 000 + 0,67 fractile * σ inconnu

Donc 12 000 = 10 000 + 0,67 σ donc σ = 2 000 / 0,67 ≈ 2985 donc X → N (10 000 ; 2985)
2) Le profit 𝚷 E d’une entreprise se calcule de la manière suivante :

Etape 1 : Profit 𝚷 E = (prix – coût unitaire) X vente – Charges fixe

Profit = (1000 – 600) X – 2 000 000

Profit = 400 X – 2 000 000

Etape 2 : Calcul de la variance et de la moyenne

Le profit espéré ou moyen E(𝚷 E) = 400 * 10 000 – 2 000 000 = 2 000 000
Le profit suit donc une loi normale puisque c’est une combinaison linéaire de la quantité
produite par l’entreprise (qui suit une loi Normale)

La variance σ 2 (𝚷 E) = 400 2 * 2 985 2 – 0 (pas de variation pour charges fixes)

Puis écart type σ (𝚷 E) = Racine (400 2 * 2 985 2) = 400 * 2 985 ≈ 1 194 000

Donc 𝚷 E → N (2 000 000 ; 1 194 000)

Ex 41 : Loi Normale et paramètre inconnu
On suppose X = les ventes / mois suivent une loi normale N (7 tonnes ; 0,5 tonnes).
Déterminer le stock initial S en début de mois pour que le risque de rupture de stock < 5 %

X → N (7 ; 0,5) changement de variable Z = (X – 7) /0,5 → N (0 centrée ; 1 réduite)

Rupture de Stock = P (vente aléatoire X > Stock) < 5 %
↔ Contraire non rupture P (Vente X ≤ Stock) ≥ 95 %

↔ P (Z ≤ (Stock – 7) /0,5) ≥ 95 % Or P (Z ≤ z 0,95) ≈ 0,95 ↔ fractile z 0,95 ≈ 1,65

(Stock – 7) /0,5 = max = 1,65 d’où Stock = 7 + 1,65 * 0,5 = 7,822 tonnes

Plus rapide : Stock = max = 7 + 1,65 * 0,5 écart type = 7,822 tonnes

N.B : D’après le dessin, on peut voir tout de suite que Stock = 7 + 1,65 * 0,5
(5%= risque de rupture de stock est la partie hachurée au-dessus du Stock)
Ex 42 : Loi Binomiale et Approximation
Dans le TGV, une personne a une chance sur 5 d’être contrôlée. 300 personnes sont présentes dans
le TGV. Soit X = nombre de personnes qui seront contrôlées dans le TGV.
1) Déterminer la loi de la variable aléatoire X. Calculer E(X) et V(X).
2) Justifier le fait que la variable aléatoire X puisse être approchée par la loi normale dont vous
préciserez les paramètres. Calculer P (X ≤ 50)

X = nombre de personnes contrôlées parmi 300 (schéma de Bernoulli) suit la loi Bin (n= 300 ; p=1/5)
E(X)= n p = 60 « trop grande pour l’approximation de Poisson »

On calcule l’écart type σ = √ n p (1 – p) = 6,9 donc Bin (300 ; 1/5) ≈ N (60 ; 6,9)

Correction de continuité : obligatoire dès que l’on passe d’une loi discrète (X nombre entier de …)
à une loi continue où X peut prendre toutes les valeurs réelles possibles
On doit agrandir l’intervalle de 0,5 de chaque côté
] -∞ ; 50] →] -∞ ; 50,5]
P (X ≤ 50) = P (Z ≤ – 1,38 = (50,5 – 60) /6,9) = mauvais signe 1– P (Z ≤ 1,38) = 8,38 %

Sans la correction de continuité : P (X ≤ 50) = P (Z ≤ – (50 – 60) / 6,9 = –1,45) = 7,35 %

petite imprécision
Ex 43 : Gestion des Ressources Humaines
Dans une entreprise, il y a en moyenne 5 pannes par jour (suivant une loi de Poisson). Elle emploie 2 techniciens qui
peuvent réparer 6 pannes par jour. Chaque jour où le nombre de pannes dépasse 6 pannes, un service de
maintenance intervient, moyennant une facture forfaitaire = 2 K eu / jour.
1) Quelle est, chaque jour, le risque de faire appel au service de maintenance ?
2) L’entreprise travaille 20 jours / mois : facture mensuelle F payée au service de maintenance ?
3) Avec un technicien de plus, que devient cette facture mensuelle moyenne F ?
Quel sera le montant maximum de ce nouveau technicien ?
1) On fera appel au service de maintenance ↔ les jours où
X = nombre pannes > 6 = capacité réparation
Or X = nombre de pannes / jour suit la loi de Poisson P m = 5 panne par jour
Risque / jour (faire appel au service de maintenance)
Risque = P (X entier > 6) = 1 – P (X ≤ 6) = 1 – 0,7622 = 23,78 %

2) Facture mensuelle F = 20 jours * 0,2378 risque par jour * 2 prix = 9,512 K eu

3) Capacité avec 2 techniciens = 6 réparations et avec 3 techniciens = 9 réparations

Avec un technicien de plus, la capacité de réparation passe de 6 à 9 pannes par jour. Or
P(X> 9) = 1 – P (X ≤ 9) = 1- 0,9682 = 3,18 %
Nouvelle facture mensuelle F’ = 20 jours * 0,0318 risque * 2 prix = 1,272 K eu

Embauche d’un technicien si Salaire (charges comprises) < 9,512 K eu – 1,272 K eu

N.B : Beaucoup de décisions économiques sont basées sur des calculs de risque.