Probabilités. Chapitre 6.

Le modèle de Poisson.

1. Le modèle de Poisson.
Le modèle de Poisson s’applique à la répétition aléatoire d’un événement dans le respect des hypothèses
suivantes :
1. Le temps est homogène en probabilité.
Cela veut dire que la loi de probabilité du nombre aléatoire d’occurrences qui se produiront entre les
instants t1 et t2 (t2 > t1) ne dépend ni de t1 ni de t2, mais seulement de la différence t2 – t1.
2. Le futur de tout instant est indépendant du passé de cet instant.
Un tel modèle est caractérisé par sa cadence moyenne qui est le nombre moyen d’occurrences pendant
une unité de temps. Il est nécessaire de préciser l’unité de temps.
Voici quelques exemples : certaines files d’attentes (guichets administratifs, cabinets médicaux, péages
autoroutiers, caisses de supermarchés, …), certaines intempéries (orages, inondations, …), les
désintégrations atomiques dans un corps radioactif, certaines pannes.
Dans un modèle de Poisson de cadence moyenne a (a > 0), on s’intéresse aux variables aléatoires
suivantes.
1. Le nombre Xt d’occurrences pendant une durée t (t >0). La loi de Xt est la loi de Poisson de paramètre
at. On écrira : L (Xt) = P (at).
2. Le temps d’attente T de la prochaine occurrence. La loi de T est la loi exponentielle de paramètre a.
On écrira : L (T) = E (a). Cette loi est aussi la loi du temps d’attente entre 2 occurrences successives.
3. Le temps d’attente Tn de l’occurrence n°n (n ∈ IN*). On numérote les occurrences selon l’ordre dans
lequel elles vont se produire. En particulier T1 = T. La loi de Tn est la loi d’Erlang de paramètres n et a.
On écrira : L (Tn) = Erlang (n, a).
Le modèle de Poisson est comparable au modèle de Bernoulli :
Modèle de Bernoulli Modèle de Poisson
Succession potentiellement infinie d’épreuves à 2 événement répétitif, aléatoire, pour lequel le temps est
issues (échec, succès), identiques, indépendantes. homogène et pour lequel, à tout instant, le futur est
indépendant du passé.
Epreuves identiques. événement répétitif, temps homogène.
Epreuves indépendantes. A tout instant le futur est indépendant du passé.
Succession de n épreuves. Durée t.
Succès. Occurrence.
Probabilité de succès p (0 < p ≤ 1) Cadence moyenne a (a > 0).
lors d’une épreuve. (Nombre moyen d’occurrences par unité de temps.)
Nombre de succès après n épreuves. Nombre d’occurrences pendant une durée t.
Il obéit à la loi B (n, p). Il obéit à la loi P (at).
er
Rang du 1 succès. Temps d’attente de la 1ère occurrence.
Il obéit à la loi G (p) Il obéit à la loi E (a)
Rang du succès N°i. Temps d’attente de l’occurrence N°i.
Il obéit à la loi binomiale négative Bn (i, p). Il obéit à la loi d’Erlang de paramètres i et a.
Une somme de variables binomiales Une somme de variables de Poisson indépendantes est
indépendantes de même paramètre p est une une variable de Poisson.
variable binomiale de même paramètre p.
Les nombres d’épreuves s’ajoutent. Les paramètres s’ajoutent.
Une somme de k variables géométriques Une somme de k variables exponentielles
indépendantes de même paramètre p est une indépendantes de même paramètre a est une variable
variable obéissant à la loi binomiale négative obéissant à la loi d’Erlang
Bn (k, p). de paramètres k et a.

__________________________
Probabilités Chapitre 6 Page 1
2. Les lois de Poisson.

2.1 Un exemple introductif.

On suppose que les véhicules se présentent à un péage d’autoroute de manière aléatoire, selon un modèle
de Poisson, à la cadence moyenne de 30 véhicules par heure. Choisissons pour unité de temps la minute.
La cadence moyenne est 1/2.
On désigne par X10 le nombre de véhicules qui se présenteront pendant les 10 prochaines minutes.
2.1.1. Discrétisation en minutes.
On suppose (abusivement) qu’il n’y aura que 0 ou 1 passage au cours de chacune des 10 prochaines
minutes. Selon les hypothèses d’homogénéité et d’indépendance, le modèle de Bernoulli est utilisable. On
peut considérer les 10 prochaines minutes comme 10 épreuves de Bernoulli. Le succès est le passage d’un
véhicule. La probabilité de succès est l/2. Le nombre X10,10 de succès obéit à la loi binomiale de
paramètres 10 et 1/2 : L (X10,10) = B (10 ; 1/2). Il est tel que : E(X10,10) = 5 ; P(X10,10 = 5) ≈ 0,2461 ;
P(X10,10 ≤ 5) ≈ 0,6230.
2.1.2. Discrétisation en secondes.
On peut considérer qu’une discrétisation en minutes est grossière. Discrétisons en secondes. Pour cela,
supposons qu’il y aura 0 ou 1 passage au cours de chacune des 600 prochaines secondes. Selon les
hypothèses d’homogénéité et d’indépendance, le modèle de Bernoulli est utilisable. On peut considérer
les 600 prochaines secondes comme 600 épreuves de Bernoulli. Le succès est le passage d’un véhicule.
La probabilité de succès est l/120. Le nombre X10,600 de succès obéit à la loi binomiale de paramètres 600
et 1/120 : L (X10,600) = B (600 ; 1/120). Il est tel que : E(X10,600) = 5 ; P(X10,600 = 5) ≈ 0,1762 ;
P(X10,600 ≤ 5) ≈ 0,6160.
2.1.3. Pas de discrétisation.
Désignons par X10, n (n ∈ IN ; n > 5) le nombre de passage au cours des 10 prochaines minutes prévu
selon une discrétisation des 10 minutes en n durées de 10/n minute chacune. L (X10,n) = B (n, 5/n) ;
E(X10,n) = 5. X10 = lim X10,n (convergence en loi).
n→+∞

2.2 Le cas général.

Selon l’exemple précédent :
La loi de Poisson prend le relais de la loi binomiale quand le nombre d’épreuves devient très grand.
On adoptera la règle qui suit.
Lorsque n est grand, que p est petit et que np n’est pas trop grand,
(concrètement : n ≥ 30 ; p ≤ 0,1 ; np ≤ 15)
on peut approcher la loi binomiale B (n,p) par la loi de Poisson P (np).
Pour obtenir l’expression de la loi de Poisson d’espérance mathématique m (m > 0), posons donc m = np,
écrivons l’expression de la loi binomiale de paramètres n et p et faisons tendre n vers l’infini.
n −i
n ( n − 1)...( n − i + 1)  m   m  n( n − 1)...( n − i + 1) m i  m 
i n
n−i
C n p (1 − p ) =   1 −  = 1 −  .
i i

i! n n ( n − m)( n − m)...( n − m ) {i! 142n4

3
1444424444 (2)
3
(1) ( 3)
-m
Quand n tend vers plus l’infini, (1) tend vers 1 et (3) tend vers e . Le tout tend vers
mi −m
e .
i!
+∞
mi
La somme des probabilités est bien 1 parce que : ∑ = em .
i=0 i!

__________________________
Probabilités Chapitre 6 Page 2
 +∞
mi -m +∞ mi -m +∞
mi-1 -m
Calculons l’espérance mathématique de X : E(X) = ∑ i. .e = ∑ i. .e = m. ∑ .e
i=0 i! i =1 i! i =1 (i -1)!
+∞
mj
= m.e -m ∑ (en posant j = i – 1)
j= 0 j!

= m.
2
Calculons la variance de X : V(X) = E( X 2 ) - E(X)
+∞ +∞
mi mi-1
= ( ∑ i 2 . .e -m ) − m2 = (m.e -m . ∑ i. ) − m2
i =0 i! i =0 (i -1)!
+∞ i
m
= (m.e -m . ∑ ( )' ) − m2 (dérivation par rapport à m)
i =1 (i -1)!
+∞ +∞
mi mi-1
= (m.e -m .( ∑ )' ) − m2 = (m.e -m .(m. ∑ )' ) − m2 = m.e -m .(m.e m )' − m2
i =1 (i -1)! i =1 (i -1)!
= m.e .(m.e + e ) − m = m.
-m m m 2

Résumons :
Une variable aléatoire X suit la loi de Poisson de paramètre m (m > 0), notée P (m), si elle peut prendre
pour valeurs les entiers naturels avec les probabilités ainsi définies :
m i -m
(∀i∈N) P(X = i) = e .
i!
Alors E(X) = V(X) = m.

La somme de 2 variables aléatoires indépendantes suivant des lois de Poisson de paramètres m1 et m2

suit une loi de Poisson de paramètre m1 + m2 .
Montrons-le. Soient X1 et X 2 deux telles variables.
P( X1 + X 2 =i) = ∑ P((X1 = j) et (X 2 = k )) = ∑ P(X1 = j).P(X 2 = k ) ( événements indépendants )
j+ k =i j+ k =i

e − (m1 + m2 ) i
j k
m1 -m1 m2 -m2 i! e -m1 .e -m2
= ∑
j+ k = i
(
j!
.e .
k!
.e ) = ∑
j+ k = i
(
j!.k!
.m1 j .m2 k .
i!
)=
i!
. ∑ (C ij .m1 j .m2 i- j )
j= 0

(m1 + m2 ) i − (m1 + m2 )
= .e ( développement du binôme de Newton)
i!
_________________________________________________________

3 Les lois exponentielles (Temps d’attente).

Le temps d’attente T entre 2 occurrences successives est une variable aléatoire continue.
La probabilité qu’il n’y ait aucune occurrence pendant la durée t est : P(T > t) = P(Xt = 0) = e–at.
La probabilité qu’il y en ait au moins une est : P(T ≤ t) = 1 – P(T > t) = 1 – e–at.
Résumons :
T obéit à la loi exponentielle de paramètre a (a > 0), notée E (a).
P(T > t) = e–at si t > 0 ; P(T > t) = 1 si t ≤ 0.
F(t) = 1 – e–at si t > 0 ; F(t) = 0 si t ≤ 0.
f(t) = ae–at si t > 0 ; f(t) = 0 si t ≤ 0.
E(T) = 1/a ; Var(T) = 1/a2.

4 Les distributions d’Erlang.

Le temps d’attente Tn de la nième occurrence (n ≥ 1) est une variable aléatoire continue. T1 = T.
Attendre la nième occurrence, c’est attendre une occurrence, puis une autre, puis une autre...jusqu’à la nième.
Le futur ne dépendant pas du passé,

Tn est la somme de n variables exponentielles indépendantes de même paramètre a.

__________________________
Probabilités Chapitre 6 Page 3
Désignons par Fn sa fonction de répartition et par fn sa densité de probabilité.
La probabilité qu’il se produise au plus n–1 occurrences pendant la durée t est :

P(Xt ≤ n – 1) = P(Tn > t) = 1 – P(Tn ≤ t) = 1 – Fn(t).

Tn obéit à la distribution d’Erlang de paramètres n et a (n∈IN* ; a > 0).

 n −1 (at )i  –at
Fn(t) = 1 –  ∑  e si t > 0 ; Fn(t) = 0 si t ≤ 0.

 i =0 i! 
t n−1 –at
fn(t) = an e si t > 0 ; fn(t) = 0 si t ≤ 0.
( n − 1)!
E(Tn) = n/a ; Var(Tn) = n/a2.
______________________________________________
Exercices.
1. Chaque dimanche, Marius taquine le goujon de 14 heures à 17 heures.
Au fil des dimanches comme au fil des heures, le comportement des poissons ne varie guère ;
celui de Marius non plus.
En moyenne, il obtient six poissons par dimanche.
C’est dimanche ; il est 15 heures. Marius a pêché deux poissons.
Quelle est la probabilité qu’il fasse au moins aussi bien qu’un dimanche ordinaire ?
2. Une étude commandée par le Ministère du Tourisme a permis d'établir que le taux moyen des arrivées de vacanciers par un
beau dimanche de juillet est de 90 à l'heure et que la distribution du nombre d'arrivées se comporte suivant une loi de Poisson.
a) Quel est le nombre moyen d'arrivées par minute ?
b) Identifier la variable aléatoire X qui est concernée dans ce phénomène ainsi que les valeurs possibles de cette variable.
(On prendra la minute pour unité de temps.) Donner la loi de probabilité de X, son espérance mathématique et sa variance.
c) Quelle est la probabilité qu'entre 10h52 et 10h53, il n'y ait aucune arrivée ?
d) Quelle est la probabilité qu'entre 10h52 et 10h53, il y ait strictement plus de 3 arrivées ?
e) Quel est le nombre d'arrivées par minute le plus probable ?
3. La survenue des pannes dans une installation électrique pendant une durée déterminée obéit
à une loi de Poisson. En moyenne, il se produit une panne tous les deux mois.
Calculer la probabilité de chacun des événements suivants.
1) Il se produira 6 pannes exactement en 1999.
2) Il se produira au moins 3 pannes en 1999.
3) Il se produira 6 pannes exactement en 1998, sachant qu’il s’est produit une panne
et une seule en Janvier 1998 et que nous sommes le 1er février 1998, 0 Heure.
4) Il se produira 5 pannes exactement en 1998, sachant qu’il ne s’est produit aucune panne
en Janvier 1998 et que nous sommes le 1er février 1998, 0 Heure.
5) Il ne se produira aucune panne avant le mois de mai 1998. (Nous sommes le 1er février 1998, 0 Heure.)
4. En 100 ans, il a grêlé 20 fois sur le domaine de Jolimont. La grêle suit un processus de Poisson.
a) Quelle est la probabilité pour qu’il ne grêle pas à Jolimont l’année prochaine ?
b) Pour qu’il y grêle 2 fois ?
c) Il y a 99% de chances pour qu’il grêle à Jolimont au cours des x prochaines années. Trouver x.
5. Un phénomène répétitif se produit aléatoirement selon un modèle de Poisson.
Ce phénomène se produit en moyenne m fois par unité de temps.
On désigne par Xa le nombre d’occurrences de ce phénomène pendant une durée a (a∈IR+*).
Donner la loi de probabilité de Xa, son espérance mathématique et sa variance.
6. A Miniville, il y a en moyenne 9 naissances et 6 décès par an.
Pendant une durée déterminée, le nombre de décès et le nombre de naissances
dans cette localité obéissent à 2 lois de Poisson indépendantes.
Calculer la probabilité de chacun des événements suivants :
A Il y aura exactement une naissance à Miniville en avril.
B Il y aura exactement un décès à Miniville en avril.
C Il y aura exactement une naissance et exactement un décès à Miniville en avril.

__________________________
Probabilités Chapitre 6 Page 4
D Il y aura exactement deux événements à Miniville en avril.
E Il y aura au moins une naissance à Miniville en avril.
F Le prochain événement à Miniville sera une naissance.
G Il n’y aura aucun événement à Miniville pendant les 15 jours qui viennent.
7. Dans une population d’effectif N, la proportion des individus répondant à un critère donné est p (0 < p < 1).
Dans cette population, on effectue au hasard un tirage exhaustif (c’est à dire sans remise) d’un échantillon d’effectif n.
On désigne par X le nombre des individus de cet échantillon qui répondent au critère.
Quelle est la loi de probabilité de la variable aléatoire X ?
Si N = 1000 et p = 1%, donnez, suivant la valeur de n, la loi de probabilité (exacte ou approchée) que vous utiliseriez pour
décrire X. Justifiez votre réponse.
8. Dans un lot de 15 000 pièces, 1200 sont défectueuses. On teste un échantillon de 50 pièces.
On désigne par X le nombre de pièces défectueuses parmi les 50 pièces de l’échantillon.
a) Quelle est la loi de probabilité de X ? Exprimer P(X = i) (0 ≤ i ≤ 50).
Donner l’espérance mathématique et la variance de X.
b) Par quelle loi peut-on approcher la loi de probabilité de X (justifier la réponse) ? On désigne par Y une variable aléatoire
obéissant à cette loi. Exprimer P(Y = i) (0 ≤ i ≤ 50). Donner l’espérance mathématique et la variance de Y.
c) La loi obtenue au b), à son tour, peut être approchée par une troisième loi. Laquelle ? (Justifier la réponse.)
On désigne par Z une variable aléatoire obéissant à cette troisième loi.
Exprimer P(Z = i) (i∈N). Donner l’espérance mathématique et la variance de Z.
d) Calculer la probabilité de chacun des événements suivants :
A : Il n’y a aucune pièce défectueuse dans l’échantillon.
B : Il y a au plus 4 pièces défectueuses dans l’échantillon.
C : Il y a au moins 3 pièces défectueuses dans l’échantillon.
D : Il y a au moins 2 et au plus 6 pièces défectueuses dans l’échantillon.
9. Sylviane fait une dictée de 20 lignes. Elle ne commet jamais plus d’une faute par ligne. Dans chaque ligne, la probabilité
qu’elle commette une faute est de 0,1, indépendamment des autres lignes. Chaque faute coûte 4 points sur 20. On désigne par
X la note (sur 20) obtenue par Sylviane.
a) Déterminer (sous forme de tableau de valeurs numériques) la loi de probabilité de X, d’abord en considérant que le
nombre de fautes dans la dictée est binomial, puis en utilisant une approximation de Poisson.
Déterminer l’espérance mathématique de X et sa variance.
b) Quand le correcteur a relevé 5 fautes, il ne prend pas la peine de terminer la lecture de la copie puisque la note est
fatalement 0. On désigne par Y le nombre de lignes lues dans la copie de Sylviane.
Toute ligne dont la lecture est commencée est considérée comme lue.
Déterminer la loi de probabilité de Y. On donnera une formule pour P(Y = i) (5 ≤ i ≤ 19), sans valeur numérique, et une valeur
numérique pour P(Y = 20).
10. Dans une population de 20 000 composants, il y a exactement 1000 composants défectueux.
On extrait un échantillon de 100 composants choisis au hasard.
Calculer la probabilité pour que, parmi ces 100 composants, le nombre de composants défectueux soit :
1) exactement 5 ; 2) au plus 5 ; 3) au moins 3 ; 4) nul.
11. Sur 1000 élèves d’un lycée, 50 n’ont pas leurs vaccins à jour.
On contrôle un échantillon de n élèves choisis aléatoirement.
On désigne par X le nombre d’élèves, parmi ces n, n’ayant pas leurs vaccins à jour. Quelle est la loi de probabilité de X ?
Par quelle loi est-il raisonnable de décrire X si n = 10 ? 50 ? 300 ?
Evaluer la probabilité pour que, parmi 50 élèves, 3 élèves au moins n’aient pas leurs vaccins à jour.
12. Sur 10 000 contrôles, on a relevé 500 infractions.
Quelle est la probabilité pour que sur 100 contrôles on relève au plus 5 infractions ?
13. Dans une population de soixante millions d’individus, il y a exactement trois cent mille passionnés de Statistique.
Dans cette population, on prélève au hasard un échantillon de mille individus.
Quelle est la probabilité que dans cet échantillon il y ait au moins cinq personnes passionnées de Statistique ?
14. Un livre de 200 pages contient 200 fautes d’imprimerie aléatoirement réparties.
Un acheteur potentiel ouvre le livre au hasard et lit deux pages.
Dans les deux pages lues, aucune faute ne saurait lui échapper.
Ce livre lui plaît beaucoup et il l’achètera sauf s’il relève au moins 2 fautes.
Evaluer la probabilité pour qu’il achète le livre.
15. Des usagers se pressent devant un guichet administratif.
Leurs cas sont traités selon un rythme poissonnien, à la cadence moyenne de 5 par heure.
Le guichet est ouvert de 9 heures à 12 heures.
Pour chaque matinée de travail, une prime est versée au guichetier en cas de rendement particulièrement élevé.

__________________________
Probabilités Chapitre 6 Page 5
Le guichetier gagne la prime environ une fois sur quatre.
A partir de combien de cas traités en une matinée cette prime est-elle versée au guichetier ?
16. On fait les hypothèses suivantes :
Les entrées et les sorties de véhicules à un péage autoroutier donné constituent deux phénomènes de Poisson indépendants ;
en moyenne, il y a 20 entrées et 30 sorties par heure.
Calculer la probabilité de chacun des événements suivants :
A : Il n’y aura aucune entrée pendant les 3 prochaines minutes.
B : La prochaine sortie aura lieu dans moins de 3 minutes.
C : Pendant la prochaine demi-heure, il y aura au moins 13 sorties et au plus 17 sorties.
D : Pendant le prochain quart d’heure, il y aura au moins 5 entrées et au plus 7 sorties.
E : Pendant les 12 prochaines minutes, il y aura au moins 10 passages (entrées et sorties confondues).
F : Sachant qu’il n’y a eu aucun passage pendant les 5 dernières minutes, il n’y en aura aucun pendant les 5 prochaines minutes.
G : Le prochain passage sera une sortie.
H : Parmi les 5 prochains passages, il y aura 2 entrées et 3 sorties.
17. On s’intéresse à la fréquentation d’un service administratif.
Les hommes s’y présentent à un rythme poissonnien. La cadence moyenne est de 4 par heure.
Les femmes s’y présentent à un rythme poissonnien. La cadence moyenne est de 12 par heure.
La fréquentation des hommes et celle des femmes sont indépendantes.
Donner la probabilité (arrondie à 10-4) de chacun des événements suivants :
A Au cours du prochain quart d’heure, il se présentera exactement un homme.
B Au cours du prochain quart d’heure, il se présentera exactement trois femmes.
C Au cours du prochain quart d’heure, il se présentera exactement un homme et trois femmes.
D Au cours du prochain quart d’heure, il se présentera exactement quatre personnes.
E Au cours du prochain quart d’heure, il se présentera au plus deux hommes.
F Au cours du prochain quart d’heure, il se présentera au moins trois femmes.
G Au cours du prochain quart d’heure, il se présentera au moins deux femmes et au plus quatre femmes.
H La prochaine personne qui se présentera sera une femme.
18. Une population de deux mille personnes contient exactement vingt personnes de moins d’un an (on les appellera juniors).
Cette population contient exactement dix personnes de plus de quatre-vingt-dix ans (on les appellera seniors). On appellera
marge de la population l’ensemble des juniors et des seniors. Les marginaux sont donc les juniors et les seniors.
On considère les événements suivants.
A : « Il y aura exactement un junior parmi les cent personnes choisies. »
B : « Il y aura exactement un senior parmi les cent personnes choisies. »
C : « Il y aura exactement deux marginaux parmi les cent personnes choisies. »
D : « Il y aura au plus deux marginaux parmi les cent personnes choisies. »
Questions.
18.1. Calculer la probabilité de chacun des événements A, B, C, D en utilisant un modèle hypergéométrique. Si la calculette
refuse les calculs, le préciser sur la copie et donner seulement les formules.
18.2. Justifier la possibilité d’utiliser un modèle de Bernoulli.
Calculer la probabilité de chacun des événements A, B, C, D en utilisant un modèle de Bernoulli.
18.3. Justifier la possibilité d’utiliser un modèle de Poisson.
Calculer la probabilité de chacun des événements A, B, C, D en utilisant un modèle de Poisson.
19. Un lot de 1000 pièces contient exactement 50 pièces défectueuses.
Partie I.
On teste les 40 pièces d’un échantillon prélevé au hasard parmi les 1000 pièces.
Le lot de 1000 pièces sera accepté si l’échantillon de 40 pièces ne contient aucune pièce défectueuse.
Quelle est la probabilité que le lot soit accepté ? On effectuera le calcul de 3 façons :
1) Sans approximation.
2) En utilisant une approximation binomiale que l’on justifiera.
3) En utilisant une approximation de Poisson que l’on justifiera.
Partie II.
On examine une pièce choisie au hasard parmi les 1000, puis une autre, puis une autre, etc.
Les examens successifs sont numérotés.
1) Après chaque examen, on ne remet pas la pièce examinée dans le lot.
On désigne par I le numéro du premier examen constatant un défaut.
a) Donner la loi de probabilité de I,
c’est à dire les valeurs possibles pour I et la probabilité de chacune de ces valeurs.
b) Calculer P(I = 20).

__________________________
Probabilités Chapitre 6 Page 6
 2) Après chaque examen, on remet la pièce examinée dans le lot.
On désigne par J le numéro du premier examen constatant un défaut.
a) Donner la loi de probabilité de J.
b) Calculer P(J = 20).
Partie III.
On examine une pièce choisie au hasard parmi les 1000, puis une autre, puis une autre, etc.
Les examens successifs sont numérotés.
1) Après chaque examen, on ne remet pas la pièce examinée dans le lot.
On désigne par K le numéro du cinquième examen constatant un défaut.
a) Donner la loi de probabilité de K.
b) Calculer P(K = 100).
2) Après chaque examen, on remet la pièce examinée dans le lot.
On désigne par L le numéro du cinquième examen constatant un défaut.
a) Donner la loi de probabilité de L.
b) Calculer P(L = 100).

20. Une urne contient N boules dont pN sont blanches et qN sont noires (0 < p ≤ 1 ; p + q = 1).
On effectue une succession numérotée, potentiellement infinie, de tirages aléatoires d’une boule, avec ou sans remise.
Lors d’un tirage, on considère que le succès est l’obtention d’une boule blanche.
n étant une entier strictement positif, on désigne par :
Xn le nombre de succès après n tirages ;
Y le rang du premier succès (c’est à dire le numéro du premier tirage conduisant à un succès) ;
Yn le rang du succès N°n (c’est à dire le numéro du tirage conduisant au nième succès) (donc Y1 = Y).
Compléter le tableau suivant.

P(Xn ≤ i) P(Yn ≤ i)
Tirages p n N P(Xn = i) en fonction de P(Y = i) P(Yn = i) en fonction de
P(Yi+1 ≤ n) P(Xi ≤ n – 1)

avec remise p n N

sans remise 0,4 30 100

sans remise 0,2 30 1000

sans remise 0,02 50 1000

21. L’agence BELLEVIE oriente ses efforts de développement vers les clubs de loisirs.
Elle dispose d’un fichier de 20 000 clients potentiels. Parmi eux figurent les 100 membres du club des SYMPAS.
I
Au cours d’une campagne publicitaire, l’agence BELLEVIE choisit au hasard 1000 personnes
parmi les 20 000 répertoriées dans le fichier et elle offre à chacune un stage d’escalade.
1) On désigne par X le nombre de Sympas bénéficiaires de cette offre.
a) Quelle est la loi de probabilité de X ? Son espérance mathématique ? Sa variance ?
Exprimer P(X = i) (0 ≤ i ≤ 100).
b) Par quelle loi de probabilité peut-on approcher la loi de probabilité de X ?
(Justifier la réponse.)
Quelle est l’espérance mathématique pour cette nouvelle loi ? La variance ?
En utilisant cette approximation, approcher P(X = i) (0 ≤ i ≤ 100).
c) La loi obtenue au b) peut, à son tour, être approchée par une troisième loi. Laquelle ? (Justifier la réponse.)
Quelle est l’espérance mathématique pour cette troisième loi ? La variance ?
En utilisant cette deuxième approximation, approcher P(X = i) (i∈N).
2) Quelle est la probabilité que parmi les bénéficiaires de l’offre publicitaire on compte :
a) le président des Sympas ? b) exactement un Sympa ? c) au moins un Sympa ?
d) exactement 5 Sympas ? e) au plus 10 Sympas ?

__________________________
Probabilités Chapitre 6 Page 7
 II
Les hypothèses de la partie I restent valables.
Dans cette partie II seulement, on suppose que X (défini dans la partie I) obéit à la loi binomiale B (100 ; 1/20).
Les Sympas sont numérotés de 1 à 100 par ancienneté décroissante dans le club.
1) On désigne par Y la variable aléatoire égale :
* au numéro du premier Sympa bénéficiaire de l’offre publicitaire s’il y en a un ;
* à 101 s’il n’y a aucun Sympa bénéficiaire.
Déterminer chacune des probabilités suivantes :
a) P(Y = i) (1 ≤ i ≤ 100) (donner une expression fonction de i) ;
b) P(Y = 101) (donner une valeur approchée numérique).
2. Quelle est la probabilité que le Sympa N°10 soit le troisième Sympa bénéficiaire ?
III
Aujourd’hui, 1er février 2010, le club des Sympas compte 100 adhérents. Il est en pleine expansion : en moyenne, par an, 4
membres quittent le club mais 10 nouveaux s’inscrivent. Pendant une durée déterminée, le nombre E des entrées dans le club et
le nombre S de sorties du club obéissent à deux lois de Poisson. E et S sont deux variables aléatoires indépendantes.
Quelle est la probabilité que, au cours des 6 prochains mois, il y ait :
a) i entrées dans le club (i∈IN) ?
b) j sorties du Club (j∈IN) ?
c) i entrées et j sorties (i∈IN ; j∈IN) ?
d) au plus 5 entrées ?
e) au moins 3 sorties ?
f) au plus 5 entrées et au moins 3 sorties ?
g) au moins 5 mouvements (entrées ou sorties) et au plus 10 mouvements ?
IV
Les hypothèses de la partie III restent valables.
On désigne par TE le temps d’attente (en mois) entre deux entrées successives dans le club.
On désigne par TS le temps d’attente (en mois) entre deux sorties successives du club.
On désigne par T le temps d’attente (en mois) entre deux mouvements (entrées ou sorties)
successifs dans le club (il peut arriver qu’une entrée soit suivie par une sortie ou l’inverse ;
il peut aussi arriver que deux entrées se suivent ou que deux sorties se suivent).
1) Tracer la courbe représentative de la densité de probabilité de TS. Donner l’espérance mathématique et la variance de TS.
2) Exprimer chacune des probabilités suivantes :
P(TE = t) ; P(TE ≤ t) ; P(TE > t) ; P(TS = t) ; P(TS ≤ t) ;P(TS > t) ; P(T = t) ; P(T ≤ t) ; P(T > t).
3) Calculer la probabilité de chacun des événements suivants :
a) la prochaine entrée aura lieu en mars 2010 ou en avril 2010 ; b) il n’y aura pas de sortie avant le 1er Avril 2010 ;
c) il y aura au moins un mouvement pendant l’été 2010 ; d) le prochain mouvement sera une entrée.
4) Trouver le dernier jour j vérifiant la propriété suivante :
« Il y a au moins 9 chances sur 10 pour qu’il n’y ait aucun mouvement avant le jour j .»
22. T est une variable aléatoire exponentielle de paramètre 0,5.
22.1. Donner la probabilité de chacun des événements suivants : T ≤ 1 ; T > 3 ; T = 2 ; 1 < T < 3.
22.2. Trouver la médiane de T, c’est à dire le réel t tel que : P(T < t) = 0,5.
23. Un équipe de policiers de la route est en mission répressive en un lieu sensible. Le temps d’attente entre deux infractions
successives est distribué selon une loi exponentielle d’espérance mathématique 20 minutes.
Les policiers auraient besoin d’un moment de repos. Ils voudraient avoir 9 chances sur 10 de ne perdre aucune infraction.
Combien de temps de repos peuvent-ils s’accorder ?
24. On s’intéresse aux passages de véhicules en un lieu donné, sur une route donnée.
Les passages se produisent de manière aléatoire, selon un modèle de Poisson, à la cadence moyenne d’un véhicule par minute.
Donner, avec justification, la probabilité de chacun des événements suivants.
A : Il ne passera aucun véhicule pendant la prochaine minute.
B : Le prochain véhicule passera dans plus d’une minute et dans moins de deux minutes.
C : Il y aura au plus cinq passages au cours des quatre prochaines minutes.
D : Il y aura au moins quatre passages au cours des trois prochaines minutes.
E : Le deuxième prochain véhicule passera dans plus de deux minutes et dans moins de trois minutes.
25. En cet après-midi de Mars, les giboulées se succèdent à un rythme poissonnien. Leur cadence moyenne est de deux
giboulées par heure. On désigne par T le temps d’attente (en heure) de la prochaine giboulée et par Tn le temps d’attente (en
heure) de la giboulée N°n (n∈N*), les giboulées étant numérotées à partir de maintenant. On a donc : T1 = T.
25.1. Donner la densité de probabilité de T, sa fonction de répartition, son espérance mathématique et sa variance.
25.2. Donner la densité de probabilité de Tn , sa fonction de répartition, son espérance mathématique et sa variance.
25.3. Donner la probabilité de chacun des événements suivants :
A : il ne pleuvra pas pendant la prochaine demi-heure ;
B : il pleuvra au moins deux fois pendant la prochaine heure ;
__________________________
Probabilités Chapitre 6 Page 8
C : la prochaine giboulée commencera au plus tôt dans 20 minutes ;
D : la prochaine giboulée commencera au plus tard dans 40 minutes ;
E : la prochaine giboulée commencera au plus tôt dans 20 minutes et au plus tard dans 40 minutes ;
F : la troisième giboulée commencera au plus tôt dans une heure.
25.4. Trouver le temps t (arrondi à la minute inférieure) tel que : P(T < t) = 0,4.
25.5. Antoine s’active dans son jardin. Il a du travail pour deux heures. Mais il l’abandonnera au début de la
quatrième giboulée, si elle survient dans moins de deux heures. On désigne par X la durée, en heure, du séjour
d’Antoine dans son jardin à partir de maintenant.
Tracer la courbe représentative de la fonction de répartition de X. (Unités : 5 cm en abscisse et 10 cm en ordonnée.)
26. Un service téléphonique de renseignements fonctionne de 9 heures à 12 heures.
Il est compétent dans 10 rubriques, dont le jardinage. Il emploie un spécialiste pour chaque rubrique.
Le nombre d’appels reçus par un spécialiste pendant une durée déterminée obéit à une loi de Poisson.
En moyenne, chaque spécialiste reçoit un appel chaque quart d’heure.
Les nombres d’appels reçus par les différents spécialistes pendant une durée déterminée sont indépendants.
L’unité de temps est l’heure.
26.1. Donner la loi de probabilité de chacune des variables aléatoires suivantes (inutile d’en préciser l’expression
mathématique) :
a) le nombre d’appels reçus en une heure par le spécialiste du jardinage ;
b) le nombre d’appels reçus pendant une durée t (t > 0) par le spécialiste du jardinage ;
c) le nombre d’appels reçus en une heure par le service (constitué des 10 spécialistes) ;
d) le nombre d’appels reçus pendant une durée t (t > 0) par le service ;
e) le temps d’attente T entre 2 appels successifs reçus par le spécialiste du jardinage ;
f) le temps au bout duquel le spécialiste du jardinage reçoit son quatrième appel ;
g) le temps d’attente entre 2 appels successifs reçus par le service.
26.2. (Unité : 5 cm sur chaque axe) Tracer la courbe représentative de la fonction de répartition
du temps d’attente T entre 2 appels successifs reçus par le spécialiste du jardinage.
26.3. Calculer la probabilité de chacun des événements suivants :
A le spécialiste du jardinage reçoit exactement 4 appels entre 9 heures et 10 heures ;
B il reçoit son premier appel à 9 heures ; C il reçoit son premier appel avant 9h15 ;
D il reçoit son premier appel entre 9h15 et 9h30 ; E il reçoit son quatrième appel avant 10 heures ;
F il reçoit son quatrième appel entre 9h45 et 10h15 ; G le service reçoit exactement 40 appels entre 9 heures et 10 heures.
26.4. Trouver dans chacun des cas suivants l’heure t ( arrondie à la minute) convenable :
a) la probabilité que le spécialiste du jardinage reçoive son premier appel avant l’heure t est 0,5 ;
b) la probabilité qu’il reçoive son dernier appel (du matin) avant l’heure t est 0,5.
27. Andy voudrait devenir animateur dans une nouvelle émission de télévision. Il a passé victorieusement tous les tests
préliminaires. Le producteur l’a convoqué pour un ultime entretien de 15 minutes. D’ordinaire, Andy évolue avec beaucoup
d’aisance. Mais, en situation de tension extrême, un vieux tic dont il s’est pourtant débarrassé depuis longtemps lui déforme le
visage en une affreuse grimace. Ce phénomène se produit en moyenne toutes les 5 minutes et il obéit à une loi de Poisson.
Le producteur est un homme compréhensif. Il embauchera Andy si, et seulement si, Andy ne fait pas plus de 2 grimaces
pendant l’entretien.
L’unité de temps est la minute. X(t) est le nombre de grimaces pendant la durée t minutes (t > 0) ;
T est le temps d’attente (en minute) entre 2 grimaces successives ;
Tn est le temps d’attente (en minute) de la grimace N° n (n∈N*). (En particulier : T = T1.)
27.1. a) Quelle est la loi de probabilité de X(t) ? Donner son paramètre et son expression mathématique en fonction de t.
b) Quelle est la probabilité qu’Andy soit embauché ?
27.2. a) Quelle est la loi de probabilité de T ? Donner son paramètre, sa densité de probabilité et sa fonction de répartition.
b) Quelle est la probabilité qu’Andy ne fasse aucune grimace pendant l’entretien ?
27.3. a) Quelle est la loi de probabilité de Tn ?
Donner ses paramètres, son espérance mathématique et sa fonction de répartition en fonction de n.
b) Tracer la courbe représentative de la fonction de répartition de T3.
On choisira 1 cm par minute pour unité d’abscisse et 10 cm pour unité d’ordonnée.
c) Sur le graphique obtenu au b), lire la durée τ que devrait avoir l’entretien
pour qu’Andy ait une chance sur deux d’être embauché.
Cette durée τ est-elle plus grande ou plus petite que le temps moyen d’attente de la troisième grimace ?
d) Sur le graphique obtenu au b), lire la probabilité pour qu’Andy soit embauché.
28. Le héros d’un conte pour enfants dispose de 3 vies : seule sa troisième mort sera définitive. Pour l’instant, il n’est jamais
mort. Il brave beaucoup de dangers. On peut considérer que tout au long de ses 3 existences, le temps d’attente de sa prochaine
mort obéit à une loi exponentielle et que le temps moyen d’attente d’une mort est de 10 ans.
On désigne par T la durée, exprimée en années, séparant l’instant actuel de la mort définitive du héros.

__________________________
Probabilités Chapitre 6 Page 9
a) Donner la fonction de répartition F de T et la densité de probabilité f de T.
b) Le temps médian de survie du héros est le temps t0 tel que F(t0) = 1/2.
Ce temps médian de survie est-il plus grand ou plus petit que le temps moyen de survie ?
29. On suppose que la durée d’une visite chez un médecin obéit à la loi exponentielle d’espérance mathématique 15 minutes. Il
n’y a aucune perte de temps entre deux visites consécutives.
Quelle est la probabilité que 4 visites consécutives durent au total au plus une heure ?
30. Pour combler un trou dans son emploi du temps, Maxime va jouer au flipper.
Chaque partie coûte 10 francs et dure en moyenne 5 minutes.
La durée de chaque partie obéit à une loi exponentielle. Les parties sont indépendantes.
Maxime dispose de 30 francs et de 20 minutes. Il jouera tant que son temps et son argent le lui permettront.
On désigne par T le temps, exprimé en minutes, pendant lequel Maxime jouera au flipper.
Déterminer la fonction de répartition de T et la représenter graphiquement.
Quelle est la probabilité que Maxime joue pendant 20 minutes ?
31. C’est une belle nuit étoilée du mois d’août, à la campagne. Il passe des étoiles filantes, de manière aléatoire, selon un
processus de Poisson. Le temps d’attente X (en heure) entre deux passages consécutifs obéit à une loi exponentielle. Le temps
moyen d’attente entre deux passages consécutifs est de 15 minutes.
1. f est la densité de probabilité de X. Pour tout réel x, exprimer f(x).
2. Y est une variable aléatoire somme de trois variables aléatoires indépendantes, toutes trois de même loi de probabilité que X.
g est la densité de probabilité de Y. Pour tout réel y, exprimer g(y).
3. Aurélie ne veut pas quitter le ciel des yeux avant d’avoir observé 3 passages d’étoiles filantes.
Quelle est la probabilité qu’une heure d’observation suffise ?
32. Le mauvais temps perturbe le réseau électrique. De brutales variations de tension se produisent aléatoirement, selon un
modèle de Poisson, à la cadence moyenne de douze variations à l’heure.
On numérote les futures variations dans l’ordre où elles se produiront. La prochaine variation porte le numéro 1.
On définit les variables aléatoires suivantes.
T est égale au temps d’attente, en minute, de la prochaine variation.
Tn (n ∈ IN*) est égale au temps d’attente, en minute, de la variation numéro n.
Xt (t ∈ IR+*) est égale au nombre de variations qui se produiront pendant les t prochaines minutes.
On définit les nombres suivants.
τ est le temps médian d’attente (exprimé en minute) de la prochaine variation, c'est-à-dire la durée telle que : P(T < τ) = 1/2.
τn (n ∈ IN*) est le temps médian d’attente (exprimé en minute) de la variation numéro n, c'est-à-dire la durée telle que :
P(Tn < τn) = 1/2.
On définit les événements suivants.
A : Il ne se produira aucune variation pendant les cinq prochaines minutes.
B : La prochaine variation se produira dans plus de cinq minutes et dans moins de dix minutes.
C : Il y aura au moins trois variations pendant les dix prochaines minutes.
D : La troisième variation se produira dans plus de dix minutes.
E : La troisième variation se produira dans plus de dix minutes et dans moins de quinze minutes.
Questions.
32.1. a) Donner la fonction de répartition F de T.
b) Calculer le nombre τ.
c) Tracer la courbe représentative de F (unités : 1 cm en abscisse et 10 cm en ordonnée).
d) Représenter τ sur la figure obtenue.
32.2. a) Donner la fonction de répartition F3 de T3.
b) Tracer la courbe représentative de F3 (unités : 0,5 cm en abscisse et 10 cm en ordonnée).
c) Sans chercher à le calculer, représenter τ3 sur la figure obtenue.
d) A l’aide de la calculette, donner la valeur de τ3 arrondie à la seconde.
32.3.a) Trouver la probabilité de chacun des événements A, B, C, D, E.
b) Dans la mesure du possible, représenter les probabilités des événements A, B, C, D, E sur les figures dessinées plus
haut.
33. Hypothèses.
Un appareil de contrôle émet un bip sonore quand il détecte une anomalie. Cela se produit aléatoirement, selon un
modèle de Poisson. La cadence moyenne est de un bip par demi-heure. On numérote dans l’ordre croissant, à partir de
maintenant, les bips qui vont se produire.
On définit les variables aléatoires suivantes :
Xt (t > 0) sera égale au nombre de bips qui se produiront pendant les t prochaines heures ;
T sera égale au temps d’attente, en heure, du prochain bip ;
Tn (n ∈ IN*) sera égale au temps d’attente, en heure, du bip numéro n (en particulier, T1 = T).

__________________________
Probabilités Chapitre 6 Page 10
Questions.
33.1. a) Déterminer la fonction de répartition F de T.
b) Représenter F en repère orthogonal. On choisira 4 cm pour unité en abscisse et 10 cm pour unité en ordonnée.
33.2. a) Déterminer la fonction de répartition F3 de T3.
b) Représenter F3 en repère orthogonal. On choisira 2 cm pour unité en abscisse et 10 cm pour unité en ordonnée. Cette
figure doit être distincte de la figure précédente.
33.3. a) Trouver la probabilité (arrondie à 10-4) de chacun des événements suivants.
A : Il ne se produira aucun bip pendant la prochaine heure.
B : Il y aura un bip dans moins de quinze minutes.
C : Le prochain bip se produira dans plus de demi-heure et dans moins d’une heure.
D : Il y aura au moins un bip au cours de chacune des deux prochaines demi-heures.
E : Il y aura au moins trois bips au cours des deux prochaines heures.
F : Il y aura au plus deux bips au cours de la prochaine heure.
G : Il y aura au plus deux bips au cours de la prochaine heure et au moins trois bips au cours des deux prochaines heures.
b) Dans la mesure du possible, représenter les probabilités calculées au a) sur les figures relatives aux questions 1 et 2.
34. Hypothèses, notations.
Une enseigne lumineuse émet aléatoirement une succession d’éclairs selon un rythme poissonnien, à la cadence moyenne de
six éclairs par minute.
Un éclair sur quatre est une illumination complète de l’enseigne. La succession des éclairs est donc du type suivant : trois
éclairs simples, une illumination complète ; trois éclairs simples, une illumination complète, etc.
On désigne par Xt la variable aléatoire égale au nombre d’éclairs (simples ou complets) pendant une durée de t secondes (t>0).
On désigne par T la variable aléatoire égale au temps d’attente (en secondes) du prochain éclair (simple ou complet).
Les prochains éclairs (simples ou complets) recevront les numéros 1, 2, 3, ... selon leur ordre d’apparition.
Les prochaines illuminations complètes recevront les numéros 1, 2, 3, ... selon leur ordre d’apparition.
On désigne par Tn (n∈N*) la variable aléatoire égale au temps d’attente (en secondes) de l’éclair (simple ou complet) numéro
n. En particulier les variables aléatoires T et T1 sont identiques.
Les durées sont exprimées en secondes.
Questions.
34.1. Exprimer, éventuellement en fonction de n et/ou de t, chacune des probabilités suivantes :
a) P (Xt = n) (t > 0, n∈N) ;
b) P (T > t) (t > 0) ;
c) P ( Tn > t) (t > 0, n∈N*).
34.2. Calculer la probabilité, arrondie au dix millième, de chacun des événements suivants :
A : le prochain éclair (simple ou complet) se produira dans moins de 8 secondes ;
B : le prochain éclair (simple ou complet) se produira dans exactement 10 secondes ;
C : il n’y aura aucun éclair (ni simple ni complet) pendant les 12 prochaines secondes ;
D : le prochain éclair (simple ou complet) se produira dans plus de 8 secondes et dans moins de 12 secondes ;
E : la durée séparant les deux prochaines illuminations complètes sera au moins égale à 30 secondes ;
F : il s’écoulera moins d’une minute entre l’illumination complète numéro 1 et l’illumination complète numéro 3.
34.3. a) Déterminer la durée médiane α séparant deux éclairs (simples ou complets) successifs,
c’est à dire la durée α telle que P (T > α) = 0,5. Arrondir à la seconde.
b) Proposer une équation ayant pour solution la durée médiane β séparant deux illuminations
complètes successives. Ne pas chercher à résoudre cette équation.
34.4. a) Représenter la fonction de répartition de T4. On prendra un centimètre pour quatre secondes en abscisse
et dix centimètres pour une unité en ordonnée.
b) Mettre en évidence, sur le graphique obtenu au a), la probabilité P(E).
c) Mettre en évidence, sur le graphique obtenu au a), la durée β.
d) Donner la valeur de β arrondie à la seconde.
35. La semaine scolaire est de quatre jours complets : lundi, mardi, jeudi et vendredi.
Chaque jour d’école, les élèves travaillent trois heures le matin et trois heures l’après-midi.
Mélanie est une élève appliquée. En moyenne, elle gagne un bon point par jour.
On peut considérer que Mélanie acquiert les bons points selon un rythme poissonnien.
Quand elle a quatre bons points, elle les échange contre une image.
Nous sommes samedi. Mélanie n’a aucun bon point en réserve.
On désigne par T le temps d’attente, en heure d’école, du prochaine bon point pour Mélanie.
On désigne par S le temps d’attente, en jour d’école, de la prochaine image pour Mélanie.
35.1. Calculer la probabilité de chacun des événements suivants :
A : Mélanie n’aura aucun bon point lundi matin.
B : Mélanie gagnera son prochain bon point lundi après-midi.
__________________________
Probabilités Chapitre 6 Page 11
35.2. Déterminer le temps médian t0 (en heure d’école) d’attente du prochain bon point pour Mélanie, c’est à dire le temps t0 tel
1
que P(T > t0) = .
2
35.3. a) Tracer la courbe représentative de la fonction de répartition de T. On pourra prendre un centimètre pour une heure
d’école en abscisse et dix centimètres pour une unité en ordonnée.
b) Matérialiser sur ce graphique les nombres P(A), P(B) et t0.
35.4. Calculer la probabilité de chacun des événements suivants :
C : Mélanie aura sa prochaine image la semaine prochaine.
D : Mélanie aura sa prochaine image non pas la semaine prochaine mais la semaine suivante.
35.5. a) Tracer la courbe représentative de la fonction de répartition de S. On pourra prendre un centimètre pour un jour
d’école en abscisse et dix centimètres pour une unité en ordonnée.
b) Matérialiser sur ce graphique les nombres P(C) et P(D).
c) Lire sur ce graphique une valeur approchée (on ne demande pas un calcul exact) du temps médian s0 (en jour d’école)
d'attente de la prochaine image pour Mélanie.
36. Le permis de conduire les soucoupes volantes est un permis à points non renouvelables.
Aujourd’hui, 1er janvier 3000, le jeune E.T. étrenne son permis et sa soucoupe.
On suppose que les points du permis de E.T. vont sauter selon un rythme poissonnien, à la cadence moyenne d’un point par an.
36.1. Calculer la probabilité de chacun des événements suivants :
A : E.T. ne perdra aucun point pendant l’année 3000 ;
B : E.T. perdra son premier point en octobre, novembre ou décembre 3000 ;
C : E.T. perdra son troisième point pendant l’année 3002.
36.2. On désigne par T le temps d’attente, en année, de la perte par E.T. de son premier point.
Tracer la courbe représentative de la fonction de répartition de T. On prendra 5 cm pour unité en abscisse et 10 cm pour unité
en ordonnée.
Lire sur le schéma obtenu les probabilités P(A) et P(B).
Trouver le réel α tel que P(T < α) = 3/4. Matérialiser α sur le schéma.
36.3. On désigne par T3 le temps d’attente, en année, de la perte par E.T. de son troisième point.
Tracer la courbe représentative de la fonction de répartition de T3. On prendra 2 cm pour unité en abscisse et 10 cm pour unité
en ordonnée.
Lire sur le schéma obtenu la probabilité P(C).
Matérialiser sur le schéma le réel β tel que P(T3 < β) = 3/4. Sans chercher à calculer exactement β, donner une valeur
approchée de β arrondie à 10–1.
36.4. Si le jeune E.T. ne perd aucun point pendant les 9 prochains mois, quelle est la probabilité p qu’il ne perde aucun point
pendant l’année 3000 ?
37. On s’intéresse à un phénomène aléatoire répétitif conforme au modèle de Poisson. En moyenne, il se produit trois fois par
jour. Il est 8 heures du matin. Le phénomène ne s’est pas encore produit.
37.1. Trouver la probabilité ( arrondie à 10–4) de chacun des événements suivants.
A : Il n’y aura aucune occurrence aujourd’hui.
B : Il y aura au moins une occurrence ce matin.
C : Il y aura au plus deux occurrences aujourd’hui.
D : Il y aura exactement trois occurrences aujourd’hui.
E : La prochaine occurrence aura lieu aujourd’hui entre 12h et 16h.
37.2. On désigne par T la variable aléatoire égale au temps d’attente, en jour, de la prochaine occurrence.
Donner la fonction de répartition de T et tracer sa courbe représentative. On pourra prendre 10 cm pour unité.
37.3. On désigne par U la variable aléatoire égale au temps d’attente, en jour, de la troisième occurrence.
Donner la fonction de répartition de U et tracer sa courbe représentative. On pourra prendre 4 cm pour unité en abscisse et 10
cm pour unité en ordonnée.
37.4. Matérialiser sur les figures tracées, dans la mesure du possible, les probabilités calculées.
38. Le contrat de location d’un photocopieur prévoit le remplacement de l’appareil lors de la quatrième panne. L’expérience
laisse penser que les pannes surviendront aléatoirement, selon un modèle de Poisson, à la cadence moyenne d’une panne par
an.
On accordera les numéros 1, 2, 3, 4, ... aux pannes qui se produiront successivement.
Pour tout entier strictement positif n, on désigne par Tn le temps d’attente, en année, de la panne numéro n.
38.1. Tracer la courbe représentative de la fonction de répartition F1 de T1.
On prendra 4 cm pour unité en abscisse et 10 cm pour unité en ordonnée.

__________________________
Probabilités Chapitre 6 Page 12
38.2. On désigne par t1 la médiane de T1, c’est à dire le réel tel que P(T1 ≤ t1) = 1/2.
Calculer t1 et le représenter graphiquement sur la figure tracée à la question1.
38.3. Tracer la courbe représentative de la fonction de répartition F4 de T4.
On prendra 1 cm pour unité en abscisse et 10 cm pour unité en ordonnée.
38.4. On désigne par t4 la médiane de T4, c’est à dire le réel tel que P(T4 ≤ t4) = 1/2.
Sans chercher à calculer t4, le représenter sur la figure tracée à la question 3 et, à l’aide de la calculette, en donner une valeur
approchée à 10–1.
38.5. Donner la probabilité, arrondie à 10–4, de chacun des événements suivants :
A : il n’y aura aucune panne pendant les 6 prochains mois ;
B : il y aura au moins deux pannes l’année prochaine ;
C : la prochaine panne aura lieu dans plus de six mois et dans moins d’un an ;
D : il y aura plus de temps entre la deuxième et la troisième panne qu’entre la première et la deuxième panne ;
E : le photocopieur sera encore là dans quatre ans ;
F : le photocopieur sera remplacé dans plus de trois ans et dans moins de cinq ans.
38.6. Représenter sur les figures déjà tracées celles des probabilités calculées à la question 5 qui sont représentables.
39. Aurélien est un joueur de flûte passionné : il peut jouer plusieurs heures sans s’interrompre. Mais il est encore débutant : il
lui arrive de jouer des fausses notes ; cela se produit selon un modèle de Poisson, à la cadence moyenne de quatre fausses notes
par heure.
Xt est la variable aléatoire égale au nombre de fausses notes jouées pendant t heures (t > 0).
T est la variable aléatoire égale au temps d’attente, en heure, de la prochaine fausse note.
Tn (n ∈ IN*) est la variable aléatoire égale au temps d’attente, en heure, de la fausse note n° n.
39.1. Représenter la fonction de répartition F de T dans un repère orthonormé. On prendra 5 cm pour unité.
39.2. Représenter la fonction de répartition F3 de T3 dans un autre repère orthonormé. On prendra 5 cm pour unité.
39.3. a) Quelle est l’espérance mathématique de T ?
b) Quelle est la valeur médiane τ de T, c’est à dire la durée τ telle que : P(T > τ) = 1/2 ?
Représenter τ sur la figure dessinée à la question 1.
39.4. a) Quelle est l’espérance mathématique de T3 ?
b) On désigne par τ3 la valeur médiane de T3, c’est à dire la durée telle que : P(T3 > τ3) = 1/2.
Représenter τ3 sur la figure dessinée à la question 2 et, sans chercher à la calculer précisément, en donner la valeur arrondie à
10–1.
39.5. Calculer la probabilité de chacun des événements suivants.
A : Il n’y aura aucune fausse note pendant le prochain quart d’heure.
B : Il y aura au plus deux fausse notes pendant la prochaine demi-heure.
C : Il y aura au moins trois fausses notes pendant la prochaine heure.
D : La prochaine fausse note sera jouée dans plus d’un quart d’heure et dans moins de demi-heure.
E : La deuxième fausse note sera jouée dans plus de demi-heure.
39.6. Dans la mesure du possible, matérialiser les probabilités calculées dans la question 5 sur les figures dessinées dans les
questions 1 ou 2.

__________________________
Probabilités Chapitre 6 Page 13
 Réponses.

1. Le nombre X de poissons que Marius pêchera de 15 heures à 17 heures obéit à la loi P (4).
D’après la table de la fonction de répartition de Poisson : P(X ≥ 4) = 1 – P(X ≤ 3) ≈ 1 – 0,4335 ≈ 0,5665.
2. a) 1,5
1, 5 i -1,5
b) X est le nombre d’arrivées pendant une minute donnée ; X ∼ P (1,5) ; (∀i∈IN) P(X = i) = e ; E(X) = Var(X) = 1,5.
i!
c) 0,2231 d) 0,0656 e) 1 ; proba : 0,3347.
3. 1) 0,1606 2) 0,9380 3) 0,1714 4) 0,1714 5) 0,2231.

4. a) 0,8187 b) 0,0164 c) 23. 5. Xa ∼ P (am) ; E(Xa) = Var(Xa) = am.

6. A B C D E F G
0,3543 0,3033 0,1074 0,2238 0,5276 0,6000 0,5353

7. X ∼ H (N, n, p) 0 < n < 30 30 ≤ n < 100 n > 100

B (n ; 0,01) P (0,01n) H (N ; n ; 0,01)
i 50 − i
8. a) X ∼ H (15000;50;0,08) ; (∀i∈{0, 1, ..., 50}) P(X = i) =
C1200 C13800 55016
50
; E(X) = 4 ; Var(X) = ≈ 3,6680.
C15000 14999
b) Y ∼ B (50 ; 0,08) ; (∀i∈{0, 1, ..., 50}) P(Y = i) = C 50
i
(0,08)i(0,92)50-i ; E(Y) = 4 ; Var(Y) = 3,68.

4 i -4
c) Z ∼ P (4) ; (∀i∈N) P(Z = i) = e ; E(Z) = Var(Z) = 4. d) A B C D
i!
0,0183 0,6288 0,7619 0,7977
9. a) Le nombre A de fautes obéit à B (20;0,1). On peut l’approcher par B ∼ P (2).
x 0 4 8 12 16 20
P(X = x) (modèle binomial) 0,0432 0,0898 0,1901 0,2852 0,2702 0,1216 E(X) ≈ 12,0576 ; Var(X) ≈ 27,0975
P(X = x) (modèle de Poisson) 0,0527 0,0902 0,1804 0,2707 0,2707 0,1353 E(X) ≈ 12,0896 ; Var(X) ≈ 29,2304
b) Y prend chacune des valeurs 5, 6, ..., 19 avec la même probabilité qu’une variable aléatoire obéissant à Bn (5;0,1).
(∀i∈{5, 6, ..., 19}) P(Y = i) = C 4i −1(0,1)5(0,9)i-5.
Désignons par C le nombre de fautes sur les 19 premières lignes. C ∼ B (19 ; 0,1). P(Y = 20) = P(C ≤ 4) ≈ 0,9648.
10. 1 2 3 4
B (100;0,05) 0,1800 0,6160 0,8817 0,0059
P (5). 0,1755 0,6160 0,8753 0,0067
11. H (1000 ; n ; 0,05) n = 10 : B (10 ; 0,05) n = 50 : P (2,5) n = 300 : H (1000 ; 300 ; 0,05) 0,4562
12. 0,6160 (avec une loi binomiale comme avec une loi de Poisson).
13. Soit X le nombre d’individus passionnés de Statistique parmi les mille individus de l’échantillon.
X ∼ H (60 000 000 ; 1000 ; 0,005).
On peut approcher X par Y ∼ B (1000 ; 0,005) ; P(Y ≥ 5) = 1 – P(Y ≤ 4) ≈ 1 – 0,4401 ≈ 0,5599.
On peut approcher Y par Z ∼ P (5) ; P(Z ≥ 5) = 1 – P(Z ≤ 4) ≈ 1 – 0,4405 ≈ 0,5595.
14. Le nombre X de fautes présentes dans les pages lues obéit à B (200 ; 0,01). P(X ≤ 1) ≈ 0,4046.
On peut approcher X par Y ∼ P (2). P(Y ≤ 1) = 3e-2 ≈ 0,4060.
15. Le nombre X de cas traités en 3 heures obéit à une loi de Poisson de paramètre 15.
On cherche un entier n tel que P (X ≥ n) ≈ 0,25, ou encore tel que P (X ≤ n – 1) ≈ 0,75
D’après la table de la fonction de répartition de Poisson, n – 1 = 17 (P (X ≤ 17) ≈ 0,7489).
Donc n = 18.
16. P(A) = e-1 ≈ 0,3679 ; P(B) = 1 – e-3/2 ≈ 0,7769 ; P(C) = F15(17) – F15(12) ≈ 0,4813 ; P(D) = (1 – F5(4))(F7,5(7)) ≈ 0,2935 ;
P(E) = 1 – F10(9) ≈ 0,5421 ; P(F) = e-25/6 ≈ 0,0155 ; P(G) = 3/5 = 0,6 ; P(H) = C 5 (0,4)2(0,6)3 = 0,3456.
2

17. X : nombre d’hommes en 15 minutes ; Y : nombre de femmes en 15 minutes.

X, Y, X+Y obéissent à des lois de Poisson de paramètres respectifs 1, 3, 4. Tableau des probabilités :
A B C D E F G H
0,3679 0,2240 0,0824 0,1954 0,9197 0,5768 0,6162 0,75

__________________________
Probabilités Chapitre 6 Page 14
 C120 C1980
99
C110 C1990
99 2
C30 98
C1970
18.1. P(A) = ≈ 0,3793 ; P(B) = ≈ 0,3162 ; P(C) = ≈ 0,2609 ;
C1002000 C1002000 C100
2000

1970 + C30 C1970 + C30 C1970

0
C30 C100 1 99 2 98
P(D) = ≈ 0,8132.
C100
2000

18.2. Puisque 2 000 > 10 × 100, on peut approcher les lois hypergéométriques par des lois binomiales.
Calculer la probabilité de chacun des événements A, B, C, D en utilisant un modèle de Bernoulli.
Soit : L(X) = B(100 ; 1/100). P(A) ≈ P(X = 1) ≈ 0,3697.
Soit : L(Y) = B(100 ; 1/200). P(B) ≈ P(Y = 1) ≈ 0,3044.
Soit : L(Z) = B(100 ; 3/200). P(C) ≈ P(Z = 2) ≈ 0,2532 ; P(D) ≈ P(Z ≤ 2) ≈ 0,8098.
18.3. 100 > 30 ; 1/100 < 0,1 ; 100 × 1/100 = 1 < 15.
On peut donc approcher la loi B(100 ; 1/100) par la loi P(1).
100 > 30 ; 1/200 < 0,1 ; 100 × 1/200 = 0,5 < 15.
On peut donc approcher la loi B(100 ; 1/200) par la loi P(0,5).
100 > 30 ; 3/200 < 0,1 ; 100 × 3/200 = 1,5 < 15.
On peut donc approcher la loi B(100 ; 3/200) par la loi P(1,5).
Soit : L(T) = P(1). P(A) ≈ P(T = 1) ≈ 0,3679.
Soit : L(U) = P(0,5). P(B) ≈ P(U = 1) ≈ 0,3033.
Soit : L(V) = P(1,5). P(C) ≈ P(V = 2) ≈ 0,2510 ; P(D) ≈ P(V ≤ 2) ≈ 0,8088.

19.I.1) H (1000 ; 40 ; 0,05) ; 0,1232 2) B (40 ; 0,05) ; 0,1285 3) P (2) ; 0,1353

C 49 − i
II.1) a) (∀i∈{1, 2, ..., 951}) P(I = i) = 100050
b) 0,0191 2) a) (∀j∈IN*) P(J = j) = (0,95)j-1(0,05) b) 0,0189
C1000
C 4 C 45
III.1) a) (∀k∈{5, 6, ..., 955}) P(K = k) = k −1 501000 − k b) 0,0095
C1000
2) a) (∀l∈{5, 6, ...}) P(L = l) = C 4l−1(0,95)l-5(0,05)5 b) 0,0090
20.
P(Xn ≤ i) P(Yn ≤ i)
Tirages p n N P(Xn = i) en fonction de P(Y = i) P(Yn = i) en fonction de
P(Yi+1 ≤ n) P(Xi ≤ n – 1)
Xn ≤ i Xi ≤ n – 1
avec remise p n N C in piqn-i ⇔ qi-1p C ni −−11qi-npn ⇔
(0 ≤ i ≤ n) Yi+1 > n (i ≥ 1) (i ≥ n) Yn > i

−i P(Xn ≤ i) P(Yn ≤ i)
C i40 C 30
60
39
C100 −i C 29 10
i −1C100 − i
sans remise 0,4 30 100 30 = 40 40 =
C100 C100 C100
1 – P(Yi+1 ≤ n) 1 - P(Xi ≤ n – 1)
(0 ≤ i ≤ 30) (1 ≤ i ≤ 61) (30 ≤ i ≤ 90)
≈
sans remise 0,2 30 1000 i
C 30 (0,2)i(0,8)30-i
(0 ≤ i ≤ 30)
≈
sans remise 0,02 50 1000 e −1
i!
(i ≥ 0)

21.I.1) a) X ∼ H (20000 ; 100 ; 0,05) ou X ∼ H (20000 ; 1000 ; 0,005) (c’est la même loi) ; E(X) = 5 ; Var(X) = 4,7265 ;
C i C100 − i 1000− i
C i C19900
(∀i∈{0, 1, ..., 100}) P(X = i) = 100010019000 = 1001000 .
C 20000 C 20000
b) On peut approcher X par U ∼ B (100 ; 0,05) ou par V ∼ B (1000 ; 0,005) ; E(U) = E(V) = 5 ; Var(U) = 4,75 ;
i
Var(V) = 4,975 ; (∀i∈{0, 1, ..., 100}) P(U = i) = C100 (0,05)i(0,95)1000-i ;
i
(∀i∈{0, 1, ..., 100}) P(V = i)= C1000 (0,005)i(0,995)100-i.

__________________________
Probabilités Chapitre 6 Page 15
 5i -5
c) On peut approcher U et V par T ∼ P (5) ; E(T) = Var(T) = 5 ; (∀i∈IN) P(T = i) = e .
i!
2) a) 0,0500 b) 0,0337 c) 0,9933 d) 0,1755 e) 0,9863
II.1) a) (∀i∈{1, 2, ..., 100}) P(Y = i) = (0,95)i-1(0,05) b) (0,95)100 ≈ 0,0059. 2) C 29 (0,95)7(0,05)3 ≈ 0,0031.
5i -5 2 j -2 5i 2 j -7
III a) e b) e c) . e d) 0,6160 e) 0,3233 f) 0,1992 g) 0,7285.
i! j! i! j!
IV. 1) TS ∼ E (1/3) ; (∀t > 0) f(t) = (1/3)e–t/3 ; E(TS) = 3 ; Var(TS) = 9.
2) P(TE = t) = 0 ; (∀t > 0) P(TE ≤ t) = 1 – e–5t/6 ; (∀t > 0) P(TE > t) = e–5t/6 ;
P(TS = t) = 0 ; (∀t > 0) P(TS ≤ t) = 1 – e–t/3 ; (∀t > 0) P(TS > t) = e–t/3 ;
P(T = t) = 0 ; (∀t > 0) P(T ≤ t) = 1 – e–7t/6 ; (∀t > 0) P(T > t) = e–7t/6 ;
3) a) 0,3525 b) 0,5134 c) 0,9698 d) 5/7 e) 03 Février 2010.
22. 1) P(T ≤ 1) = 1 – e–1/2 ≈ 0,3935 ; P(T > 3) = e–3/2 ≈ 0,2231 ; P(T = 2) = 0 ; P(1 < T < 3) = e–1/2 – e–3/2 ≈ 0,3834.
2) t = 2ln2 ≈ 1,3863 23. –20ln(0,9) ≈ 2,11 (2 minutes environ).
24.
Evénement A B C D E
Probabilité e–1 ≈ 0,3679 e–1 – e–2 ≈ 0,2325 0,7851 0,3528 0,2069
25. 1) T obéit à E (2) ; si t>0 alors f(t) = 2e–2t et F(t) = 1 – e–2t ; E(T) = 1/2 ; Var(T) = 1/4.
n −1
t n−1 –2t ( 2 t ) i –2t
2) Tn obéit à Erlang(n,2) ; si t > 0 alors fn(t) = 2n
( n − 1)!
e et Fn(t) = 1 – ∑
i=0 i!
e ; E(Tn) = n/2 ; Var(Tn) = n/4.

3) P(A) = P(T > 1/2) = e–1 ≈ 0,3679 ; P(B) = 1 – 3e–2 ≈ 0,5940 ; P(C) = P(T > 1/3) = e–2/3 ≈ 0,5134 ;
P(D) = P(T < 2/3) = 1 – e–4/3 ≈ 0,7364 ; P(E) = e–2/3 – e–4/3 ≈ 0,2498 ; P(F) = P(T3 > 1) = (1 + 2 + 4/2)e–2 = 5e–2 ≈ 0,6767.
4) t = –30ln0,6 ≈ 15 minutes.
5) Si 0 < x < 2 alors P(X < x) = F4(x) = 1 – (1 + 2x + 2x2 + (4/3)x3)e–2x ; P(X < 2) = 1 – (71/3)e–4 ≈ 0,5665.
26. 1) a) P (4) b) P (4t) c) P (40) d) P (40t) e) E (4) f) Erlang(4, 4) g) E (40)
2) (∀t > 0) F(t) = 1 – e–4t
3) A B C D E F G
0,1954 0 0,6321 0,2325 0,5665 0,3822 0,0630 par N (40 ; 40) ; 0,0629 par P (40)
4) a) 9h 10 b) 11h 50

27. 1) a) X(t) ∼ P (t/5) ; (∀i∈N) P(X(t) = i) =

(t / 5)i e–t/5 b) P(X(15) ≤ 2) ≈ 0,4232
i!
2) a) T ∼ E (1/5) ; (∀t > 0) f(t) = (1/5)e–t/5 ; (∀t > 0) P(T ≤ t) = 1 – e–t/5 b) P(T > 15) = e–3 ≈ 0,0498
n −1 i
3) a) Tn ∼ Erlang(n, 1/5) ; E(Tn) = 5n ; (∀t > 0) P(Tn ≤ t) = P(X(t) ≥ n) = 1 – ∑ ( t / 5) e–t/5
i!
i=0
b) (∀t > 0) P(T3 ≤ t) = 1 – e–t/5(1 + t/5 + t2/50) c) τ ≈ 13,37 minute ; T3 = 15 ; τ < T3

28. a) Tn ∼ Erlang(3, 1/10) ; (∀t > 0) P(T ≤ t) = F(t) = 1 – (1 + t/10 + t2/200)e–t/10 ; (∀t > 0) f(t) = (t2/2000)e–t/10
b) F(30) ≈ 0,5768 > 0,5 donc t0 < 30

29. Soit X le nombre de fins de visites pendant une heure donnée. X ∼ P (4) ; P(X ≥ 4)=1 – P(X ≤ 3) ≈ 0,5665.
Autre méthode : soit T le temps d’attente (en heure) de la 4ème fin de visite. T ∼ Erlang(4, 4).
P(T ≤ 1) = 1 – (1 + 4 + 8 + 32/3)e–4 = 1 – (71/3)e–4 ≈ 0,5665.
30. Sur [0,20[, T est distribuée comme une variable d’Erlang de paramètres 3 et 1/5.
(∀t∈[0,20[ ) P(T ≤ t) = 1 – (1 + t/5 + t2/50)e–t/5 ; P(T = 20) = 1 – P(T < 20) = 13e–4 ≈ 0,2381.
Autre méthode. On désigne par X le nombre de parties terminées par Maxime. Sur {0,1,2}, X est distribuée comme une
variable de Poisson de paramètre 4. P(T ≥ 20) = P(X < 3) = P(X ≤ 2) = 13e–4 ≈ 0,2381.
31. 1) (∀x > 0) f(x) = 4e–4x 2) (∀y > 0) g(y) = 32y2e–4y 3) 1 – 13e–4 ≈ 0,7619
32. 1. a) F(t) = 1 – e – t/5 si t > 0 ; F(t) = 0 sinon.
b) F(τ) = 1/2 ⇔ e – τ/5 = 1/2 ⇔ – τ/5 = – ln2 ⇔ τ = 5 ln2 ; 5 ln2 ≈ 3,47.

__________________________
Probabilités Chapitre 6 Page 16
c)

P(A)
P(B)

32.2. a) F3(t) = 1 – (1 + t/5 + t2/50) e– t/5 si t > 0 ; F3(t) = 0 sinon.

b) c)

P(D)

P(E)

P(C)

τ3

d) τ3 ≈ 13′ 22″.
32.3. a)
P(A) = P(X5) = 0 ; L (X5) = P (1) ; P(A) = 1 – F(5) ;
P(B) = F(10) – F(5) ; P(B) = P(X10 > 0) – P(X5 > 0) = P(X5 = 0) – P(X10 = 0) ; L (X10) = P (2) ;
P(C) = P(X10) ≥ 3 = 1 – P(X10 ≤ 2) ; P(C) = F3(10) ;
P(D) = 1 – P(C) ;

__________________________
Probabilités Chapitre 6 Page 17
P(E) = F3(15) – F3(10) ; P(E) = P(X15 > 2) – P(X10 > 2) = P(X10 ≤ 2) – P(X15 ≤ 2) ; L (X15) = P (3).
Evénement A B C D E
Probabilité e– 1 ≈ 0,3679 e– 1 – e– 2 ≈ 0,2325 1 – 5 e– 2 ≈ 0,3233 5 e– 2 ≈ 0,6767 5 e– 2 – 8,5 e– 3 ≈ 0,2535
33. 3. a)
Evénement A B C D E F G
e-2 1 – e–1/2 e–1 – e– 2 (1 – e–1)2 1 – 13e–4 5e–2 5e–2 – 13e–4
Probabilité
0,1353 0,3935 0,2325 0,3996 0,7619 0,6767 0,4386
33.1. a) L(T) = E(2) ; F(t) = 1 – e–2t si t > 0 ; F(t) = 0 sinon.
b)

P(A)

P(C)

P(B)

33.2. a) L(T3) = Erlang (3, 2) ; F3(t) = 1 – (1 + 2t + 2t2)e–2t si t > 0 ; F3(t) = 0 sinon.

b)

__________________________
Probabilités Chapitre 6 Page 18
 P(F)

P(G)

P(E)

34.1. a) P (Xt = n) =
(t 10)n e(–t/10) b) P (T > t) = e(–t/10)
n!
n −1
(t 10)i
c) P (Tn > t) = P (Xt ≤ n–1) = ∑
i=0
i!
e(–t/10)

34.2. P(A) = P (T < 8) = 1 – e ≈ 0,5507

(–4/5)
P(B) = 0 P(C) = P (T > 12) = e(–6/5) ≈ 0,3012
P(D) = P (8 < T < 12) = P (T > 8) – P (T > 12) = e (–4/5)
–e (–6/5)
≈ 0,1481
P(E) = P (T4 > 30) = P (X30 ≤ 3) ≈ 0,6472 (table de la fonction de répartition de Poisson)
P(F) = P (T8 < 60) = 1 – P (T8 > 60) = 1 – P (X60 ≤ 7) ≈ 1 – 0,7440 ≈ 0,2560 (table)
34.3. a) e(–α/10) = ½ ; α/10 = ln 2 ; α = 10 ln 2 ≈ 6,93 ; α ≈ 7 secondes
b) P (T4 >β) = 0,5 ; (1 + β/10 + β2/200 + β3/6000)e(–β/10) = 0,5
34.4. a), b), c) F(t) = 1– (1 + t/10 + t2/200 + t3/6000)e(–t/10) (t > 0) ; (∀t ≤ 0) F(t) = 0

__________________________
Probabilités Chapitre 6 Page 19
 0,3528

d) β ≈ 36,72 ≈ 37 secondes

35.1. P(A) = e–0,5 ≈ 0,6065 ; P(B) = e–0,5 – e–1 ≈ 0,2387 35.2. t0 = 6.ln 2 ≈ 4,16

35.3.

P(A
)

P(B
) y = 1 – e–t/6

t0

35.4. P(C) ≈ 0,5665 ;

P(D) ≈ 0,4335 – 0,0424 ≈ 0,3911

__________________________
Probabilités Chapitre 6 Page 20
 35.5.

P(D

y = 1 – (1 + s + s2/2 + s3/6).e–s

P(C

s0 ≈ 3,6721

s0

36. 1. P(A) = e–1 ≈ 0,3679 P(B) = e–3/4 – e–1 ≈ 0,1045 P(C) = 5e–2 – (17/2)e–3 ≈ 0,2535
36. 2. T ~ E (1) ; F(t) = 1 – e–t si t > 0 ; F(t) = 0 sinon.

P(A)

P(B)

α = ln 4 ≈ 1,3863
__________________________
Probabilités Chapitre 6 Page 21
36. 3. T3 ~ Erlang (3, 1) ; F3 ( t) = 1 – (1 + t + t2/2) e–t si t > 0 ; F3 (t) = 0 sinon.

P(C)

β ≈ 3,9204
36. 4. p = e–1/4 ≈ 0,7788

Evénement A B C D E
37.1.
Probabilité 0,1353 0,3935 0,6767 0,1804 0,2387
9
37.2. FT(t) = 1 – e–3t si t > 0 ; FT(t) = 0 sinon. 37.3. FU(u) = 1 – (1 + 3u + u2) e–3u si u > 0 ; FU(u) = 0 sinon.
2

P(A)

P(E)

P(B)

__________________________
Probabilités Chapitre 6 Page 22
 P(C)

38.1. T1 ∼ E (1). (∀ t > 0) F1 (t) = 1 – e–t.

P(A)

P(C)

t1

38.2. t1 = ln(2) ≈ 0,693.

38.3. T4 ∼ Erlang (4, 1). (∀ t > 0) F4 (t) = 1 – (1 + t + t2/2 + t3/6) e–t.

__________________________
Probabilités Chapitre 6 Page 23
 P(E)

P(F)

t4

38.4. t4 ≈ 3,7.
38.5.
Evénement A B C D E F
Probabilité 0,6065 0,2642 0,2387 0,5 0,4335 0,3822
39.1. F(t) = 0 si t ≤ 0 ; F(t) = 1 – e–4t si t > 0.

P(A)
P(D)

39.2. F3(t) = 0 si t ≤ 0 ; F3(t) = 1 – (1+ 4t + 8t2) e–4t si t > 0.

P(B)

P(C)

τ3

__________________________
Probabilités Chapitre 6 Page 24
 ln 2 ln 2
39.3. a) E(T) = 1/4. b) e–4τ = 1/2 ⇔ –4τ = – ln 2 ⇔ τ = ; ≈ 0,1733.
4 4
39.4. a) E(T3) = 3/4. b) τ3 ≈ 0,6685
39.5.
Evénement A B C D E
Probabilité 0,3679 0,6767 0,7619 0,2325 0,4060

__________________________
Probabilités Chapitre 6 Page 25
 Annexe.

Les lois de Poisson on été introduites à partir des lois binomiales.

L’objet de cette annexe est de les introduire directement.

Hypothèses.
Pour un phénomène de Poisson donné,
Xt est le nombre d’occurrences pendant la durée t (t > 0) ;
T est le temps d’attente entre deux occurrences successives.

1. Etude de T.

Soient u et v 2 réels.
PT > u(T > u + v) = P(T > v) (parce que le futur est indépendant du passé) ;
P( T > u + v)
= P(T > v) ; P(T > u + v) = P(T > u).P(T > v).
P( T > u)
Pour tout réel t posons : G(t) = P(T > t).
G est une fonction continue, vérifiant les propriétés suivantes :
(∀t ≤ 0) G(t) = 1 ; G(+∞) = 0 ; (∀(u, v)∈R2) G(u + v) = G(u).G(v).
Il existe donc a > 0 tel que : (∀t > 0) G(t) = e–at. D’où :

T obéit à la loi E (a).

2. Etude de Xt.

P(Xt = 0) = P(T > t) = e–at.

(at ) n –at
Supposons, en hypothèse de récurrence, que n appartienne à IN et que : (∀t > 0) P(Xt = n) = e .
n!
t
Alors : P(Xt = n + 1) = ∫ P( X
0
t−u = n ).P( u < T < u + du )
(a ( t − u )) n −a ( t −u ) −au
t
=∫0 n! .e .a.e du
n+1 –at t ( t − u )
n
=a e ∫ du
0 n!
t
n+1 –at  − ( t − u ) n+1 
= a e . 
 ( n + 1)!  0
(at ) n+1 –at
= e .
( n + 1)!

Conclusion : (at ) n –at

(∀(n, t)∈IN×IR+*) P(Xt = n) = e .
n!

__________________________
Probabilités Chapitre 6 Page 26