TD 1 : LES DIFFERENTES LOIS M121 : STATISTIQUES

RAPPEL SUR LES CALCULATRICES

Les différentes lois en statistique se trouvent sous la touche distrib de la TI-83 Premium CE :

Vous accédez alors aux écrans suivant :

La loi normale est calculée avec :
 « 2 : normalFRép » permet de calculer p(a ≤ Z ≤ b) quand on
connait a et b, avec :
a est la borneinf
b est la bornsup
µ est l’espérance
σ est l’écart-type
 « 3 : InvNormale » permet de calculer :
b lorsque l’on connait p(Z ≤ b) (zone gauche)
a et b lorsque l’on connait p(a ≤ Z ≤ b) (zone centre)
a lorsque l’on connait p(a ≤ Z) (zone droite)
aire = p(Z ≤ b) ou p(a ≤ Z ≤ b) ou p(a ≤ Z)
µ est l’espérance
σ est l’écart-type

La loi binomiale est calculée avec :

 « A : binomFdp » permet de calculer p(X = k) quand on connait :
nbreEssais = n (nombre d’épreuves)
p = probabilité de succès à une expérience
Valeur de x = k
 « B : binomFRép » permet de calculer p(X ≤ k) quand on connait :
nbreEssais = n (nombre d’épreuves)
p = probabilité de succès à une expérience
Valeur de x = k
 « C : invBinom » permet de calculer la valeur de k quand on
connait :
aire = p(x ≤ k)
nbreEssais = n (nombre d’épreuves)
p = probabilité de succès à une expérience

La loi de Poisson est calculée avec :

 « D : poissonFdp » permet de calculer p(X = k) quand on connait :
λ = paramètre de la loi de Poisson
Valeur de x = k
 « E : poissonFRép » permet de calculer p(X ≤ k) quand on connait :
λ = paramètre de la loi de Poisson
Valeur de x = k

B. FILIPPI – IUT d’Evry-Val-d’Essone – Dpt QLIO 1/8

TD 1 : LES DIFFERENTES LOIS M121 : STATISTIQUES

PREMIERE PARTIE : LES LOIS DISCRETES

Exemples : On lance un dé à six faces et on note le numéro de la face supérieure.

On lance une pièce de monnaie et on note le nom de la face qui est apparue.
Jouer au loto

Définitions :
 Le résultat est imprévisible, on dit que l’on réalise une expérience aléatoire.
 Une issue d’une expérience aléatoire est un résultat possible de cette expérience.
 Une variable aléatoire X est une fonction qui à chaque issue xi associe un nombre réel pi.
 Une variable aléatoire est dite discrète s’il elle ne prend qu’un nombre fini de valeurs.
 Une loi de probabilité de la variable aléatoire X associe à chaque issue un nombre compris entre 0 et 1
appelé probabilité tel que la somme des probabilités des issues est 1. 𝑝1 + 𝑝2 + ⋯ + 𝑝𝑛 = 1

Valeurs de 𝑥𝑖 𝑥1 𝑥2 … 𝑥𝑛

P(X = 𝑥𝑖 ) 𝑝1 𝑝2 … 𝑝𝑛

Exemple : Loi de probabilité associée à la variable aléatoire X qui représente les différents prix d’un même
article dans différents magasins :

Valeurs de 𝑥𝑖 𝑥1 = 11 𝑥2 = 11,5 𝑥3 = 12 𝑥4 = 13 𝑥4 = 14

P(X = 𝑥𝑖 ) 0,2 p 0,35 0,10 0,05

1. Que vaut p ?

Définition et interprétation :
L’espérance est : 𝐸(𝑋) = ∑𝑛𝑖=1 𝑥𝑖 𝑝𝑖 = 𝑥1 𝑝1 + 𝑥2 𝑝2 + ⋯ + 𝑥𝑛 𝑝𝑛
L’espérance est la valeur théorique qu’on peut espérer obtenir en moyenne quand on répète l’expérience
un grand nombre de fois.
Dans le cas d’un jeu d’argent où X représente le gain, alors E(X) représente le gain moyen attendu par
partie.
 Si E(X) > 0, le jeu est favorable au joueur.
 Si E(X) = 0, le jeu est équilibré.
 Si E(X) < 0, le jeu est défavorable au joueur.

Reprenons l’exemple précédent : 2. Quelle est l’espérance de cette loi de probabilité ?

En donner une interprétation.

Exercice 1 : Soit X la variable aléatoire discrète donnée dont la loi de probabilité est donnée ci-dessous :

Valeurs de 𝑥𝑖 𝑥1 = 0 𝑥2 = 2 𝑥3 = 3 𝑥4 = 𝑎 𝑥4 = 6

P(X = 𝑥𝑖 ) 0,22 p 0,44 0,08 p

1. Calculer p.
2. On donne E(X) = 2,8. Calculer a.

B. FILIPPI – IUT d’Evry-Val-d’Essone – Dpt QLIO 2/8

TD 1 : LES DIFFERENTES LOIS M121 : STATISTIQUES

I / EXEMPLE DE LOI DISCRETE : LA LOI DE BERNOULLI

Définition : Une variable aléatoire X suit une loi de Bernoulli lorsqu’elle modélise une expérience qui n’a que
deux issues possibles l’une appelée succès (S) de probabilité p et l’autre échec (𝑆̅) de probabilité 1 – p. Le
succès est représenté par l’événement {X = 1} et l’échec par l’événement {X = 0}.

Issue X=1 X=0

Probabilité p 1−p

1 5
Exemple : On lance un dé équilibré et on cherche à obtenir un 6. p(X = 1) = et p(X = 0) =
6 6

Propriétés : E[X] = p V[X] = p (1 – p)

II / EXEMPLE DE LOI DISCRETE : LA LOI BINOMIALE

Définition : On répète n fois l’épreuve de Bernoulli dont la probabilité de succès est p.

Les expériences sont identiques et indépendantes.
X suit la loi binomiale de paramètres n (nombre d’épreuves) et p (probabilité de succès à une expérience).
Elle est notée B(n,p).

𝑛
Pour tout entier k tel que 0 ≤ 𝑘 ≤ 𝑛 P (X = k) = ( ) 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 .
𝑘

Rappel : P(X = 0) + P(X = 1) + … + P(X = n) = 1

Théorème : E(X) = n x p V(X) = np (1 – p)

𝜎(𝑋) = √𝑉(𝑋)

Exercice 2 : On lance 8 fois un dé à 6 faces. On cherche à obtenir un maximum de 3.

On note X la variable aléatoire qui, aux 8 lancers successifs, associe le nombre de fois où on obtient un 6.
On arrondira les résultats au millième.
1. Quelle est la loi de probabilité suivie par X ? Justifier.
2. Calculer la probabilité d’obtenir exactement 2 fois un 3 ?
3. Calculer la probabilité d’obtenir aucun 3 ?
4. Calculer la probabilité d’obtenir au moins deux fois un 3 ?
5. Calculer p(X ≤ 2).
6. Calculer p(1 ≤ X ≤ 3).
7. Combien peut-on espérer obtenir de 3 en moyenne ?

Exercice 3 : Un service de livraison n’a constaté que 3,5% des colis livrés sont abîmés. Un livreur doit
acheminer 30 colis.
On note X la variable aléatoire qui donne le nombre de colis abîmés parmi les 30 colis livrés.
1. Quelle est la loi suivie par X ?
2. Déterminer p(X = 0). En déduire p(X ≥ 1). Arrondir à 0,01 près.
3. Calculer E(X). Interpréter le résultat obtenu dans le contexte de l’exercice.
B. FILIPPI – IUT d’Evry-Val-d’Essone – Dpt QLIO 3/8
TD 1 : LES DIFFERENTES LOIS M121 : STATISTIQUES

III / EXEMPLE DE LOI DISCRETE : LA LOI DE POISSON

Cette loi peut modéliser les événements rares. Par exemple, elle peut modéliser le nombre d’appels reçus par un
standard téléphonique, le nombre de voyageurs se présentant à un guichet dans la journée, etc. Elle dépend d’un
paramètre λ > 0, qui correspond au nombre moyen d’occurrence du phénomène observé pendant la durée donnée.
Plus formellement :

Définition : Une variable aléatoire X suit une loi de Poisson de paramètre λ > 0, notée P(λ) lorsque X(Ω) =
𝜆𝑘
ℕ et pour tout k de ℕ, P(X = k) = 𝑒 −𝜆 .
𝑘!

Rappel : P(X = 0) + P(X = 1) + … + P(X = k) + … = 1

Théorème : E(X) = λ V(X) = λ

Exercice 4 : On sait, qu’en général, un standard téléphonique reçoit 39 appels dans la journée. On note X le
nombre d’appels par heure et on suppose que X suit une loi de de Poisson. Arrondir à 10-3 près si nécessaire.
1. Que vaut λ ?
2. Quelle est la probabilité qu’il n’y ait aucun appel ?
3. Quelle est la probabilité qu’il y ait 2 appels par heure ?
4. Calculer p(X ≤ 2).
5. Calculer p(X > 3).
6. Quel est le nombre moyen d’appels par heure ?
7. Quelle est la probabilité qu’il y ait entre 1 et 2 appels par heure ?

Exercice 5 : Un candidat se présente à un concours où, cette fois, les 20 questions sont données sous forme
de QCM. A chaque question, sont proposées 4 réponses, une seule étant exacte. L’examinateur fait le compte
des réponses exactes données par les candidats. Chaque bonne réponse rapporte 1 point.
1. Certains candidats répondent au hasard à chaque question; pour ceux-là, définir une variable aléatoire
associée à ce problème. Donner sa loi de probabilité.
2. Calculer son espérance. Interpréter.
3. Calculer p(X ≥ 11). Vous arrondirez vos résultats au millième. Interpréter votre résultat.

Exercice 6 : Une population comporte en moyenne une personne mesurant plus de 1m90 sur 80 personnes.
Le nombre X de personnes mesurant plus de 1.90m parmi 100 obéit à une loi de Poisson.
Vous arrondirez vos résultats au millième.
1. a) Que vaut λ ? Interpréter ce résultat.
1. b) Sur 100 personnes, calculer la probabilité qu’il y ait exactement une personne mesurant plus de 1.90m.
2. Sur 300 personnes, calculer la probabilité qu’il y ait au moins une personne mesurant plus de 1.90m.

Exercice 7 : Un supermarché dispose d’un stock de pommes. On sait que la probabilité que la pomme ne soit
pas commercialisable est 0,09. On prend au hasard 15 pommes dans le stock. Le stock est suffisamment
important pour qu’on puisse assimiler ce prélèvement à un tirage aléatoire avec remise.
1. Quelle est la loi de probabilité suivie par X ? Justifier.
2. Quelle est la probabilité qu’au moins 14 pommes soient commercialisables ? Arrondir au centième.

B. FILIPPI – IUT d’Evry-Val-d’Essone – Dpt QLIO 4/8

TD 1 : LES DIFFERENTES LOIS M121 : STATISTIQUES

DEUXIEME PARTIE : LES LOIS CONTINUES

1) VARIABLE ALEATOIRE CONTINUE

Jusqu’à présent, à une expérience aléatoire, on associait un univers fini : La variable aléatoire X ne prenait alors
qu’un nombre fini de valeurs données X = { 𝑥1 , 𝑥2 , … , 𝑥𝑛 }.
Cependant, certaines expériences aléatoires conduisent à utiliser des variables aléatoires qui prennent toutes
les valeurs d’un intervalle I de ℝ.

Exemple : On tire sur une cible circulaire de 1 m de rayon, sans jamais la manquer. La variable aléatoire qui
indique la distance, en mètre, du point d’impact au centre prend toutes les valeurs de [0 ; 1].

Définitions :
 Une variable aléatoire continue est une variable aléatoire qui peut prendre comme valeurs tous les
nombres réels d’un certain intervalle I de ℝ.

 Soit f une fonction définie sur un intervalle I (borné ou non) de ℝ.

f est une fonction densité si et seulement si :
• f est une fonction continue et positive sur I ;
• l’aire du domaine D délimité par la courbe représentative de f et l’axe des abscisses est égale à 1.
𝒃
C’est-à-dire : Si I = [a ; b] alors ∫𝒂 𝒇(𝒙)𝒅𝒙 = 𝟏.

 Soient f une fonction densité définie sur un intervalle I = [a ; b]

P(c ≤ X ≤ d)
et X une variable aléatoire de densité f .
Dire qu’une variable aléatoire suit une loi de densité f signifie
qu’à tout intervalle [c ; d] inclus dans [a ; b], on associe à X la probabilité :

𝒅
P(X ∊ [c ; d]) = P(c ≤ X ≤ d) = aire(D) = ∫𝒄 𝒇(𝒕)𝒅𝒕

𝑘
Remarque : P(X = k) = ∫𝑘 𝑓(𝑡)𝑑𝑡 = 0. Donc P(c ≤ X ≤ d) = P(c < X < d)

𝑏
 Espérance : E(X) = ∫𝑎 𝑡𝑓(𝑡) 𝑑𝑡

B. FILIPPI – IUT d’Evry-Val-d’Essone – Dpt QLIO 5/8

TD 1 : LES DIFFERENTES LOIS M121 : STATISTIQUES

I / EXEMPLE DE LOI NORMALE CENTREE REDUITE OU LOI NORMALE STANDART

1) DENSITE DE LAPLACE-GAUSS.

On dit qu’une variable aléatoire suit une loi normale centrée réduite si elle admet pour densité la fonction φ
𝑥²
1
définie sur ℝ par 𝜑(𝑡) = 𝑒− 2 .
√2𝜋

La fonction φ est continue, dérivable, strictement positive sur ℝ.

1
Elle est paire et admet pour maximum en 0.
√2𝜋
Elle a pour limite 0 en +∞ ou en −∞.
Sa représentation graphique s’appelle courbe de Gauss ou courbe en
cloche.
Elle est symétrique par rapport à l’axe des ordonnées (Oy).

Théorème admis : L’aire totale du domaine entre la courbe de Gauss

et l’axe des abscisses est égale à 1.
Donc 𝝋 est bien une fonction densité.

2) PROBABILITE D’UN EVENEMENT

𝑏 1 𝑡²
P(X ∈ [a ; b]) = P(𝑎 ≤ X ≤ b) = Aire (D) = ∫𝑎 𝑒 − 2 𝑑𝑡
√2𝜋

Remarque : La fonction densité ne possède pas de

primitive explicite.

RAPPEL : La courbe de Gauss est symétrique par rapport à (Oy) et l’aire du domaine entre la courbe et
(Ox) est égale à 1.

3) ESPERANCE : E(X) = μ = 0 Ecart type : σ(X) = σ = 1 ADMIS

4) QUELQUES INTERVALLES REMARQUABLES :

Si 𝑋 suit une loi 𝒩(𝜇; 𝜎²) alors sa dispersion autour de 𝜇 dépend de 𝜎 de la façon suivante :
A 10−3 près, on a : 𝑃(𝑋 ∈ [𝜇 − 𝜎; 𝜇 + 𝜎]) = 0,683
𝑃(𝑋 ∈ [𝜇 − 2𝜎; 𝜇 + 2𝜎]) = 0,954
𝑃(𝑋 ∈ [𝜇 − 3𝜎; 𝜇 + 3𝜎]) = 0,9997

B. FILIPPI – IUT d’Evry-Val-d’Essone – Dpt QLIO 6/8

TD 1 : LES DIFFERENTES LOIS M121 : STATISTIQUES

II / LOI NORMALE GENERALE N (μ, σ²) μ est l’espérance et σ est l’écart –type

𝑿−𝝁
Définition : Une variable aléatoire X suit la loi N (μ, σ²) si et seulement si la variable aléatoire 𝒁 =
𝝈
suit la loi normale centrée réduite 𝓝(0,1).

μ est l’espérance de N (μ, σ²), σ² est sa variance et σ est son écart-type.

La courbe représentative de cette densité est donc symétrique par rapport à la droite
d’équation x = μ.

Remarques :
 L’espérance est un indicateur de position : il localise la zone où les valeurs de X ont le plus de
« chances » d’apparaître.
 L’écart type est un indicateur de dispersion autour de cette espérance :
Plus l’écart-type σ est élevé plus les valeurs de X sont dispersées.
Plus l’écart-type σ est petit, plus les valeurs de X sont concentrées autour de la moyenne.

μ=0;σ=1 μ = 0 ; σ = 0,5 μ = 0 ; σ = 0,2

Exercice 6 : Les œufs de poule sont classés en quatre catégories :

 « Petit », si la masse est inférieure à 53g ;
 « Moyen », si la masse est comprise entre 53g et 63g ;
 « Gros », si la masse est comprise entre 63g et 73g ;
 « Très gros », si la masse est supérieure à 73g.
On admet que la masse d’un œuf de poule peut-être modélisée par une variable aléatoire X suivant une loi
normale d’espérance 60 g. On donne ci-dessous la courbe de densité associée à cette ainsi que certaines valeurs.

1. Calculer la probabilité qu’un

œuf ne soit pas classé dans la
catégorie« Petit ».

2. Déterminer p(53 ≤ X ≤ 60).

3. Calculer la probabilité qu’un

œuf soit classé dans la catégorie
« Très gros ».

B. FILIPPI – IUT d’Evry-Val-d’Essone – Dpt QLIO 7/8

TD 1 : LES DIFFERENTES LOIS M121 : STATISTIQUES

Exercice 7 : Pour sa prochaine promotion, le directeur d’un magasin s’intéresse à l’âge de ses clients. On
modélise l’âge des clients en années par une variable aléatoire X qui suit une loi normale de moyenne µ = 40 et
d’écart-type σ = 8.
1. Calculer la probabilité qu’un client ait plus de 60 ans.
2. Calculer la probabilité qu’un client ait un âge compris entre 30 et 50 ans.
3. Soit A l’âge des clients tels que p(X ≥ A) = 0,6. Calculer A. Interpréter votre résultat.

Exercice 8 : Une machine permet le conditionnement d’un jus de fruit dans des bouteilles. La quantité de jus
injecté dans une bouteille par la machine, exprimée en ml (millilitre), est modélisée avec une variable aléatoire
réelle X. On admet que celle-ci suit une loi normale de moyenne µ = 500 et d’écart-type σ = 2.
On prélève une bouteille au hasard en fin de chaîne de remplissage.
1. Déterminer P(X ≤ 496). Donner le résultat arrondi à 10−2 près.
2. Déterminer la probabilité que la bouteille ait un contenu compris entre 497 et 500 millilitres. Donner le
résultat arrondi à 10−2 près.
3. Comment choisir la valeur de α afin que P(500 − α ≤ X ≤ 500 + α) soit approximativement égale à 0,95 à 10−2
près.

Exercice 9 : Une entreprise conditionne la confiture en pots de 300 grammes.

On note X la variable aléatoire qui, à chaque pot de confiture, associe sa masse en gramme.
On admet que X suit la loi normale d’espérance µ = 300 et d’écart-type σ = 2.
L’entreprise ne commercialise les pots de confiture que si l’écart entre la masse affichée (c’est-à-dire 300 g) et
la masse réelle ne dépasse pas 4 grammes.
1. On prélève un pot au hasard. Déterminer la probabilité que le pot soit commercialisé.
2. Déterminer le réel a tel que p(X < a) = 0,01. Interpréter votre résultat dans le contexte de l’exercice.

Exercice 10 : On considère une variable aléatoire X suivant une loi normale 𝒩(132 ; 144).

1. Déterminez le réel t1 tel que p(X ≤ t1) = 0,05.

2. Déterminez les réels t2 et t3 (symétriques par rapport à l’espérance) tel

que p(t2 ≤ X ≤ t3) = 0,9.

3. Déterminez le réel t4 tel que p(X ≥ t4) = 0,2.

Exercice 11 : Une usine fabrique des tubes. Les tubes sont acceptés au contrôle si son épaisseur est comprise
entre 1,35 millimètre et 1,65 millimètre.
On désigne par X la variable aléatoire qui, à chaque tube prélevé au hasard dans la production d’une journée,
associe son épaisseur exprimée en millimètres. On suppose que la variable aléatoire X suit la loi normale
d’espérance 1,5 et d’écart-type σ.
Déterminer une valeur approchée à 10−3 près de σ1 pour que la probabilité que ce tube soit accepté au contrôle
𝑿−𝟏,𝟓
soit égale à 0,98. (On pourra utiliser la variable aléatoire Z définie par 𝑍 = qui suit la loi normale centrée
𝝈
réduite.)

Exercice 12 : Pour être homologuée par la Fédération Internationale de Tennis, le poids d’une balle de tennis
doit être compris entre 56,7 grammes et 58,5 grammes.
On suppose que la variable aléatoire X qui, à une balle choisie au hasard dans la production, associe son poids en
gramme, suit la loi normale d’espérance µ = 57,6 et d’écart-type σ. On arrondira les résultats au centième.
Calculer l’écart-type afin que la probabilité qu’une balle choisie au hasard soit homologuée soit de 0,997.

B. FILIPPI – IUT d’Evry-Val-d’Essone – Dpt QLIO 8/8