Soit la variable aléatoire continue X dont

la fonction de densité est donnée par :

𝒌𝒆 −𝒙 𝐬𝐢 𝒙 ≥ 𝟎
𝒇(𝒙) = {
𝟎 𝐚𝐢𝐥𝐥𝐞𝐮𝐫𝐬
1. Déterminer la valeur de k ;
2. Calculer la fonction de répartition F(x) ;
3. Calculer les probabilités des événements suivants :
«X prend une valeur supérieure à 2» et «X est
comprise entre 0.5 et 10.5».

5. Un appareil électronique est soumis à des

impulsions séparées par des intervalles de temps
variables indépendants les uns des autres. On
considère que la durée Y (exprimée en secondes)
séparant deux impulsions successives est une
variable aléatoire définie par : Y = 2 + 5X, où X
étant la variable aléatoire définie précédemment.
a. Calculer la probabilité pour que la durée
séparant deux impulsions soit comprise entre
deux et cinq secondes ;
b. Calculer la durée moyenne séparant deux
impulsions.
+∞
1. Il suffit de remarque que ∫−∞ 𝒇(𝒙)𝒅𝒙 = 𝟏. On a :
 +∞ +∞ +∞
∫−∞ 𝒇(𝒙)𝒅𝒙 = ∫𝟎 𝒌𝒆−𝒙 𝒅𝒙 = 𝒌 ∫𝟎 𝒆−𝒙 𝒅𝒙 = 𝟏
⟹ 𝒌 = 𝟏.
𝒙
2. 𝑭(𝒙) = 𝑷{𝑿 < 𝒙} = ∫−∞ 𝒇(𝒕)𝒅𝒕 pour 𝒙 ∈ ℝ.
Si 𝒙 < 𝟎, 𝒇(𝒙) = 𝟎 ⟹ 𝑭(𝒙) = 𝑷{𝑿 < 𝒙} = 𝟎 ;
𝒙 𝒙 −𝒕
( ) ( )
Si 𝒙 ≥ 𝟎, 𝑭 𝒙 = ∫−∞ 𝒇 𝒕 𝒅𝒕 = ∫𝟎 𝒆 𝒅𝒕
= [−𝒆−𝒕 ]𝒕=𝒙
𝒕=𝟎 = 𝟏 − 𝒆 .
−𝒙
𝟎 𝐬𝐢 𝒙 ≤ 𝟎
Donc, 𝑭(𝒙) = {
𝟏 − 𝒆−𝒙 𝐬𝐢 𝒙 ≥ 𝟎
3. Il s’agit de calculer :
a. 𝑷{𝑿 ≥ 𝟐} = 𝟏 − 𝑷{𝑿 ≤ 𝟐} = 𝟏 − 𝑭(𝟐) = 𝒆−𝟐 ;
b. 𝑷{𝟎, 𝟓 ≤ 𝑿 < 𝟏𝟎, 𝟓} = 𝑭(𝟏𝟎, 𝟓) − 𝑭(𝟎, 𝟓)
= 𝒆−𝟎,𝟓 − 𝒆−𝟏𝟎,𝟓
4. Il s’agit de calculer :
+∞ +∞
a. 𝑬(𝑿) = ∫−∞ 𝒙𝒇(𝒙)𝒅𝒙 = ∫𝟎 𝒙𝒆−𝒙 𝒅𝒙 = 𝟏 ;
𝟐 +∞ 𝟐
b. 𝑽(𝑿) =𝑬(𝑿𝟐 ) − (𝑬(𝑿)) = ∫−∞ 𝒙 𝒇(𝒙)𝒅𝒙 −
𝟏=⋯=𝟐−𝟏=𝟏;
c. 𝝈(𝑿) = √𝑽(𝑿) = 𝟏.
5. On a :
a. 𝑷{𝟐 ≤ 𝒀 < 𝟓} = 𝑷{𝟐 ≤ 𝟐 + 𝟓𝑿 < 𝟓}
𝟑
= 𝑷 {𝟎 ≤ 𝑿 < } = 𝑭(𝟑/𝟓) − 𝑭(𝟎)
𝟓
= 𝟏 − 𝒆−𝟑/𝟓 ;
b. La durée moyenne séparant deux impulsions
est 𝑬(𝒀) = 𝑬(𝟐 + 𝟓𝑿) = 𝟐 + 𝟓𝑬(𝑿) = 𝟕.
1.
;
2. 𝑬(𝑿) = 𝒏𝒑 = 𝟎, 𝟓 et 𝑽(𝑿) = ( )
3. On a : 𝒏 = 𝟓𝟎𝟎 > 𝟐𝟎, 𝒑 = ≤ 𝟎. 𝟏 et 𝒏𝒑 ≤ 𝟓.
Donc, on peut approximer la loi Binomiale
par la loi de Poisson P(λ = 0,5) avec
(𝟎,𝟓)𝒌
𝑷(𝑿 = 𝒌) ≅ 𝒆−𝟎,𝟓 ; ∀𝒌 ∈ {𝟏, 𝟐, ⋯ 𝟓𝟎𝟎} ;
𝒌!
(𝟎,𝟓)𝟒
4. 𝑷{𝑿 = 𝟒} ≅ 𝒆−𝟎,𝟓 ≅ 𝟎, 𝟎𝟎𝟏𝟓 ;
𝟒!
5. Il suffit de trouver :
𝒌 ∈ ℕ ∶ 𝑷{𝑿 ≤ 𝒌} ≥ 𝟎, 𝟗𝟗𝟗 ⟺ 𝑷{𝑿 > 𝒌} < 𝟎, 𝟎𝟎𝟏.
Excel donne le tableau suivant :
k P{X=K}
0 0,60653066
1 0,30326533
2 0,075816332
3 0,012636055
4 0,001579507
Somme = 0,999827884
 𝑷{𝑿 ≤ 𝟑} ≅ 𝟎, 𝟗𝟗𝟖𝟐 < 𝟎, 𝟗𝟗𝟗 et 𝑷{𝑿 ≤ 𝟒} ≅ 𝟎, 𝟗𝟗𝟗𝟖 ≥ 𝟎, 𝟗𝟗𝟗.
Donc, 𝒌 = 𝟒 et par suite la compagnie doit posséder
𝟒 ∗ 𝟓 = 𝟐𝟎 millions de DH pour être sûre de payer
les indemnités avec une probabilité de 0,999 à la fin
de l’année.

1. X suit la loi uniforme dans l'intervalle [𝟎 , 𝟐𝟎] et

suite, sa fonction de répartition est donnée par :
𝟎 𝐬𝐢 𝒙 ≤ 𝟎
𝒙
𝑭(𝒙) = { 𝐬𝐢 𝟎 ≤ 𝒙 ≤ 𝟐𝟎
𝟐𝟎
𝟏 𝐬𝐢 𝒙 ≥ 𝟐𝟎
 𝒕
Donc, pour tout 𝒕 ∈ [𝟎 , 𝟐𝟎], 𝑷(𝑿 ≤ 𝒕) = .
𝟐𝟎
2. Il s’agit de calculer 𝑷(𝑿 ≥ 𝟏𝟐) = 𝟏 − 𝑷(𝑿 ≤ 𝟏𝟐) =
𝟏𝟐 𝟐
𝟏− = .
𝟐𝟎 𝟓
𝑷{(𝑿≥𝟏𝟐)∩(𝑿≥𝟑)}
3. Il faut calculer 𝑷{𝑿 ≥ 𝟏𝟐/𝑿 ≥ 𝟑} =
𝑷{𝑿≥𝟑}
𝑷{𝑿≥𝟏𝟐} 𝟐⁄ 𝟖
𝟓
= = 𝟏𝟕 =
𝟏−𝑷{𝑿≤𝟑} ⁄𝟐𝟎 𝟏𝟕
𝟐𝟎+𝟎
4. 𝑬(𝑿) = = 𝟏𝟎.
𝟐
1. La durée d’attente ne peut pas être négative et
donc si 𝒕 < 𝟎, On a : 𝑷{𝑫 ≤ 𝒕} = 𝟎.
Si 𝒕 ≥ 𝟎, on a : 𝑷{𝑫 ≤ 𝒕} = 𝟏 − 𝑷{𝑫 > 𝒕} = 𝟏 − 𝒆−𝝁𝒕 .
Donc, la fonction de répartition de D est :
𝟎 𝐬𝐢 𝒕 ≤ 𝟎
𝑭 𝑫 (𝒕 ) = {
𝟏 − 𝒆−𝝁𝒕 𝐬𝐢 𝒕 ≥ 𝟎
Ainsi, la densité de probabilité de D est :
𝟎 𝐬𝐢 𝒕 < 𝟎
𝒇𝑫 (𝒕) = {
𝝁𝒆−𝝁𝒕 𝐬𝐢 𝒕 ≥ 𝟎
2. D’après, la question 1°), on voit que D suit une loi
exponentielle de paramètre 𝝁   Donc :
𝟏 𝟏
𝑬(𝑫) = et 𝑽(𝑫) = 𝟐 .
𝝁 𝝁
3. Soit l’événement 𝑨(𝒕) : " dossier non encore traités
au temps 𝒕 ≥ 𝟎 ", on a :
𝑷(𝑨(𝒕)) = 𝑷{𝑫 > 𝒕} = 𝒆−𝝁𝒕 et que
𝒆−𝝁𝒕
• Un dossier est traité ou non à l’instant t ;
• L’expérience " Un dossier est traité ou non " est
répétée n fois ;
• Les expériences sont indépendantes car les
dossiers sont indépendants.
3.
4.
5.

𝑿 suit la loi normale 𝑵(𝟏𝟎, 𝟒), donc la fonction de

répartition de X est : 𝑭(𝒙) = 𝚽 (𝒙−𝟏𝟎
𝟒
).
Il s’agit de calculer 𝑷(𝑿 ≤ 𝟏𝟐) = 𝑭(𝟏𝟐) =
𝟏𝟐−𝟏𝟎
𝚽( ) = 𝚽(𝟎, 𝟓) = 𝟎, 𝟔𝟗𝟏𝟓 (voir la table de la
𝟒
loi normale centrée réduite ci-dessous) ;

𝟗−𝟏𝟎
Il s’agit de calculer 𝑷(𝑿 ≤ 𝟗) = 𝑭(𝟗) = 𝚽 ( 𝟒 ) =
𝚽(−𝟎, 𝟐𝟓) = 𝟏 − 𝚽(𝟎, 𝟐𝟓) = 𝟏 − 𝟎, 𝟓𝟗𝟖𝟕 = 𝟎, 𝟒𝟎𝟏𝟑.
(voir la table de la loi normale centrée réduite ci-
dessus) ;
Il s’agit de calculer 𝑷(𝑿 ≥ 𝟏𝟏) = 𝟏 − 𝑷(𝑿 ≤ 𝟏𝟏) =
𝟏𝟏−𝟏𝟎
𝟏 − 𝐅(𝟏𝟏) = 𝟏 − 𝚽 ( ) = 𝟏 − 𝚽(𝟎, 𝟐𝟓) = 𝟎, 𝟒𝟎𝟏𝟑.
𝟒
(voir la table de la loi normale centrée réduite ci-
dessus).
Il s’agit de calculer 𝑷(𝑿 ≥ 𝟔) = 𝟏 − 𝑷(𝑿 ≤ 𝟔) =
𝟔−𝟏𝟎
𝟏 − 𝐅(𝟔) = 𝟏 − 𝚽 ( ) = 𝟏 − 𝚽(𝟏) = 𝟎, 𝟏𝟓𝟖𝟕.
𝟒
(voir la table de la loi normale centrée réduite ci-
dessus) ;
Il s’agit de calculer 𝑷(−𝟐 ≤ 𝑿 ≤ 𝟏𝟐) = 𝑭(𝟏𝟐) − 𝑭(−𝟐)
𝟏𝟑 − 𝟏𝟎 −𝟐 − 𝟏𝟎
= 𝚽( ) − 𝚽( ) = 𝚽(𝟎, 𝟕𝟓) − 𝚽(−𝟑)
𝟒 𝟒
= 𝚽(𝟎, 𝟕𝟓) − 𝟏 + 𝚽(𝟑) = 𝟎, 𝟕𝟕𝟑𝟒 − 𝟏 + 𝟎, 𝟗𝟗𝟖𝟕
= 𝟎, 𝟕𝟕𝟒𝟕.
1. 𝑿 est une variable aléatoire qui suit la loi normale
𝑵(𝝁, 𝝈). On a :
𝟒𝟕−𝝁
• 𝚽( ),
𝝈
d’après la table de la loi normale centrée réduite,
𝚽(𝟐, 𝟕𝟓) et puisque 𝚽 est injective, on a :
𝟒𝟕 − 𝝁
(𝟏) = 𝟐, 𝟕𝟓
𝝈
•
𝟐𝟎,𝟑𝟔−𝝁 𝟐𝟎,𝟑𝟔−𝝁
= 𝟏 −𝚽( ) ⟹ 𝚽( ) = 𝟎, 𝟐𝟖𝟏
𝝈 𝝈
𝟐𝟎,𝟑𝟔−𝝁 𝟐𝟎,𝟑𝟔−𝝁 𝝁−𝟐𝟎,𝟑𝟔
⟹ < 𝟎, comme 𝚽 ( ) = 𝟏 − 𝚽( )
𝝈 𝝈 𝝈
𝝁 − 𝟐𝟎, 𝟑𝟔
⟹ 𝚽( ) = 𝟎, 𝟕𝟏𝟗
𝝈
d’après la table de la loi normale centrée réduite,
𝚽(𝟎, 𝟓𝟖) et puisque 𝚽 est injective, on a :
𝝁 − 𝟐𝟎, 𝟑𝟔
(𝟐) = 𝟎, 𝟓𝟖
𝝈
• Les équations (1) et (2) entrainent que :
 𝑬(𝑿) = 𝝁 = 𝟐𝟓 et 𝝈(𝑿) = 𝛔 = 𝟖
2. Calcul des probabilités dans les cas a°) et b°) :
a. Il s’agit de calculer 𝑷{𝑿 < 𝟏𝟕} = 𝑭(𝟏𝟕) =
𝟏𝟕−𝟐𝟓
𝚽( ) = 𝚽(−𝟏) = 𝟏 − 𝚽(𝟏) = 𝟎, 𝟏𝟓𝟖𝟕 ;
𝟖
b. Il s’agit de calculer 𝑷{𝑿 ≥ 𝟐𝟕} = 𝟏 − 𝑭(𝟐𝟕)
𝟐𝟕−𝟐𝟓
= 𝟏 − 𝚽( ) = 𝟏 − 𝚽(𝟎, 𝟐𝟓) = 𝟎, 𝟒𝟎𝟏𝟑.
𝟖
3.
𝑷{𝑿 < } = 𝟏𝟎% = 𝟎, 𝟏 et 𝑷{𝑿 ≥ } = 𝟐𝟓% = 𝟎, 𝟐𝟓.
𝒕 −𝟐𝟓 𝟐𝟓−𝒕𝒎
• 𝟎, 𝟏 = 𝑷{𝑿 < } = 𝑭( ) = 𝚽( 𝒎
𝟖
) = 𝟏 − 𝚽(
𝟖
)
𝟐𝟓−𝒕𝒎
⟹ 𝚽( ) = 𝟎, 𝟗. Or dans la table de la loi normale
𝟖
centrée réduite, on a : 𝟎, 𝟖𝟗𝟗𝟕 < 𝟎, 𝟗 < 𝟎, 𝟗𝟎𝟏𝟓 ⟹
𝟐𝟓 − 𝒕𝒎 𝟐𝟓 − 𝒕𝒎 𝟏, 𝟐𝟖 + 𝟏, 𝟐𝟗
𝚽(𝟏, 𝟐𝟖) < 𝚽 ( ) < 𝚽(𝟏, 𝟐𝟗) ⟹ ≈
𝟖 𝟖 𝟐
⟹ 𝒕𝒎 ≈ 𝟏𝟒, 𝟕𝟐 ;
𝑻𝑴 −𝟐𝟓
• 𝟎, 𝟐𝟓 = 𝑷{𝑿 ≥ } = 𝟏 − 𝑭(𝑻𝑴 ) = 𝟏 − 𝚽 (
𝟖
)⟹
𝑻𝑴 −𝟐𝟓
𝚽(
𝟖
) = 𝟎, 𝟕𝟓. Or dans la table de la loi normale
centrée réduite, on a : 𝟎, 𝟕𝟒𝟖𝟔 < 𝟎, 𝟕𝟓 < 𝟎, 𝟕𝟓𝟏𝟕 ⟹
𝑻𝑴 − 𝟐𝟓 𝑻𝑴 − 𝟐𝟓 𝟎, 𝟔𝟕 + 𝟎, 𝟔𝟖
𝚽(𝟎, 𝟔𝟕) < 𝚽 ( ) < 𝚽(𝟎, 𝟔𝟖) ⟹ ≈
𝟖 𝟖 𝟐
⟹ 𝑻𝑴 ≈ 𝟑𝟎, 𝟒 ;
On pose t = temps d’un ouvrier pour réaliser cette
tâche, on a :
➢ Si 𝒕 ≤ 𝒕𝒎 , l’ouvrier recevra une prime ;
➢ Si 𝒕𝒎 < 𝒕 ≤ 𝑻𝑴 , l’ouvrier est considéré encore
comme valable ;
➢ Si 𝒕 > 𝑻𝑴 , l’ouvrier devra faire un stage de
formation.