Académique Documents
Professionnel Documents
Culture Documents
Télécommunication du Bénin
(ESTB)
et à la Théorie de Probabilité
Table des matières
3 Analyse combinatoire 26
3.1 Notions sur les ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.1.1 Ensemble fini-Ensemble infini dénombrable . . . . . . . . . . . . . . . . . . 26
3.1.2 Propriétés des cardinaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2 p-listes d’un ensemble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.1 p-listes d’un ensemble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.2 p-listes d’éléments distincts d’un ensemble . . . . . . . . . . . . . . . . . . 28
3.3 Parties d’un ensemble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.3.1 Combinaison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.1 Définitions
1.1.1 Population
Les ensembles étudiés par le statisticien portent le terme de population. C’est l’ensemble des
unités observées. Les éléments d’une population sont appelés individus.
La population est souvent trop vaste (voire infini) et doit être fractionnée par le statisticien qui
n’en étudiera que des sous-ensembles appelés échantillons. On a alors les relations suivantes :
1.1.4 Modalités
Chaque variable statistique est susceptible de prendre plusieurs valeurs. On appelle ces dernières
les modalités de la variable statistique.
Exemple 1.1
1. La variable (caractère) ”sexe” comporte deux modalités : sexe masculin, sexe féminin.
2. La variable ” nombre de personnes employées dans une entreprise” comporte les moda-
lités :1,2,3,4,etc...
1.1.5 Effectif-Fréquence
1. L’effectif ni d’une modalité est le nombre de fois où cette modalité a été observée.
2. La fréquence fi d’une modalité i est le quotient de l’effectif ni de la modalité i par l’effectif
total de la population étudiée. La fréquence est souvent calculée en pourcentage : si N
désigne l’effectif total de la population étudiée alors
ni
fi = × 100.
N
Classes n° i [bi , bi+1 [ Centres des classes ci Effectifs ni Fréquences fi Fréquences cumulées ↑ ou ↓ : Fi
[b1 , b2 [ c1 n1 f1 F1
[b2 , b3 [ c2 n2 f2 F2
.. .. .. .. ..
. . . . .
[bp , bp+1 [ cp np fp Fp
1. Par convention, une classe est un intervalle fermé à gauche et ouvert à droite, du type
[bi , bi+1 [. La classe est dite bornée si bi 6= −∞ et bi+1 6= +∞.
2. L’effectif ni de la classe [bi , bi+1 [ est le nombre d’individus dont le caractère prend une valeur
supérieure ou égale à bi et strictement inférieure à bi+1 .
bi + bi+1
3. Le centre d’une classe bornée [bi , bi+1 [ est ci = .
2
4. L’amplitude d’une classe bornée [bi , bi+1 [ est ai = bi+1 − bi .
ni
5. La densité d’une classe bornée [bi , bi+1 [ est di = . On calcule les densités lorsque les classes
ai
sont d’amplitudes inégales (mais finies).
1.2.3 Exercices
Exercice 1.2.1
On s’est interessé au poids (en milligramme) d’un échantillon de 35 pommes de terre. On a
observé les valeurs suivantes :
289 282 287 280 290 291 286
287 284 281 285 286 288 287
290 292 285 287 278 286 285
286 280 284 288 290 287 284
289 288 284 286 285 287 282
Etablir le tableau statistique associé à ce caractère.
Exercice 1.2.2
L’étude statistique d’une population a permis de regrouper les individus par classes de même
amplitude dont les centres sont les suivants : 52,60,68,76,84,92.
1. Quelle est l’amplitude de chacune des classes ?
2. Calculer la limite inférieure et la limite supérieure de chaque classe.
Exercice 1.2.3
On considère l’ensemble des notes obtenues, lors d’un test noté sur 20, par 50 candidats :
10 8 3 12 13 9 12 9 12 11
11 11 8 5 13 14 14 6 12 16
7 11 10 10 2 15 12 10 1 14
11 7 8 10 13 9 13 9 7 13
11 19 9 4 10 8 9 6 7 14
1. Dépouiller ces données et présenter les résultats dans un tableau (on prendra les classes
suivantes : [0,5[ ; [5,7[ ; [7,9[ ; [9,11[ ; [11,13[ ; [13,15[ ; [15,20[)
2. Calculer les fréquences
3. Calculer les fréquences cumulées
4. Quelle est la proportion des candidats ayant une note
(a) inférieure à 9 ?
(b) supérieure ou égale à 13 ?
(c) comprise entre 5 et 13 ?
5. Quelle est la classe dont la densité est la plus forte et celle dont la densité est la plus faible ?
Quand les classes sont d’amplitudes égales, chaque rectangle a une superfie proportionnelle aux
effectifs. On mesure donc en ordonnée une hauteur proportionnelle à l’effectif correspondant.
D’une manière générale, si une classe est d’amplitude n fois plus grande (respectivement plus
petite) que celles des classes considérées comme unité, il faudra avant toute représentation gra-
phique, diviser (respectivement multiplier) par n l’effectif de la classe en question.
Ainsi si les classes sont d’amplitudes différentes, on met en ordonnées les hauteurs corrigées en
lieu et place des effectifs. Si ar est la plus petite amplitude alors on a :
c ni
hi = ar = di ar .
ai
On peut aussi considérer les densités en lieu et place des hauteurs corrigées.
Exercice 1.3.1
Le tableau suivant donne la répartition en classes d’amplitude 5 des tailles en cm de 40 individus
Classes [155,160[ [160,165[ [165,170[ [170,175[ [175,180[ [180,185[
Effectifs 3 8 10 10 7 2
Effectif cumulés croissants
1. Complèter le tableau.
2. Tracer l’histogramme de cette série statistique.
Exercice 1.3.2
Tracer l’histogramme associé à la série étudiée dans les Exercice 1.2.1 et Exercice 1.2.3
On porte en abscisse les limites des classes et en ordonnées les fréquences cumulées (ou effec-
tifs cumulés) correspondantes. A chaque limite supérieure d’une classe, on fait correspondre sa
fréquence cumulée (ou effectif cumulé). On joint tous les points pour obtenir un polygone.
Principe de lecture : Pour répondre à la question ” combien de pommes de terre pèsent au
plus 285 g ?, on porte 285 en abscisse et on cherche l’ordonnée correspondant sur le polygone des
effectifs cumulés (ou fréquences cumulées) croissants. Cette ordonnée donne le pourcentage (cas
des fréquences cumulées croissantes) ou l’effectif (ces des effectifs cumulés croissants) de pommes
de terre pesant au plus 285 g.
C’est le même type de construction. On porte les effectifs ou fréquences cumulées décroissantes
en ordonnées et les classes en abscisses.
Principe de lecture : Pour répondre à la question ” combien de pommes de terre pèsent au
moins 288 g ?, on porte 288 en abscisse et on cherche l’ordonnée correspondant sur le polygone
des effectifs cumulés (ou fréquences cumulées) décroissants. Cette ordonnée donne le pourcentage
(cas des fréquences cumulées décroissantes) ou l’effectif (cas des effectifs cumulés décroissants) de
pommes de terre pesant au moins 288 g.
Exemple 1.2
Tracer les courbes des fréquences cumulées croissantes et décroissantes de l’Exemple 1.2.3
Remarque 1.3
Dans le cas d’une distribution discrète l’histogramme devient un diagramme en bâtons et la
courbe de fréquences cumulées (ou effectifs cumulés) est une fonction en escalier.
Exercice 1.3.3
Le tableau suivant donne la répartition en classes d’amplitude 5 des tailles en cm de 40 individus
Classes [155,160[ [160,165[ [165,170[ [170,175[ [175,180[ [180,185[
Effectifs 3 8 10 10 7 2
Effectifs cumulés croissants
Effectifs cumulés décroissants
1. Complèter le tableau
2. Tracer le polygone des effectifs cumulés croissants de cette série statistique.
3. Déterminer le nombre d’individus mesurant
(a) plus de 165 cm.
(b) moins de 180 cm.
(c) moins de 177 cm.
1.4.2 La médiane
Soit une série statistique présentant un regroupement en classes. On désigne par N l’effectif
total de cette série.
On appelle médiane de cette série le nombre réel M tel que le nombre d’individus de modalités
supérieures ou égales à M et le nombre d’individus de modalités strictement inférieures à M soient
N
tous deux égaux à .
2
Remarque 1.5
1. En pratique la détermination de la médiane se fait à l’aide des polygones des fréquences
cumulées croissantes ou décroissantes. C’est l’abscisse du point de ces polygones qui a pour
ordonnées 50%.
2. On peut aussi déterminer la médiane à l’aide des polygones des effectifs cumulés croissants
ou décroissants. Dans ce cas, c’est l’abscisse du point de ces polygones qui a pour ordonnée
N
.
2
3. La médiane est l’abscisse du point d’intersection des polygones d’effectifs (ou fréquences)
cumulés croissants ou décroissants.
4. Dans le cas où la variable est discrète, la médiane sera la valeur de la variable à laquelle est
N
associé un effectif cumulé égal à ou une fréquence cumulée égale à 50%. Si aucune des
2
N
valeurs des effectifs cumulés ne correspond pas à , on prend par convention pour médiane
2
la valeur de la variable immédiatement supérieure ( ou inférieure).
Exercice 1.4.1
Déterminer la médiane de la série étudiée dans les Exercices 1.2.1 ; 1.2.3 ; 1.3.3
1. Soient X une variable statistique, a et b des constantes réelles. Si on définit une nouvelle
variable statistique Z = aX + b, alors Z = aX + b.
2. D’une manière générale si Z = aX + bY alors Z = aX + bY .
La moyenne harmonique d’une distribution statistique pour une variable statistique X est égale
à l’inverse de la moyenne arithmétique des inverses des valeurs de cette variable. Si X H désigne
cette moyenne harmonique, on a :
" p !#−1
N 1 X ni
XH = p =
X ni N i=1 xi
i=1
xi
La moyenne quadratique d’une série statistique (xi , ni ) d’effectif total N , est égale à la racine
carrée de la moyenne arithmétique des carrées des valeurs de cette série statistique. On la note
X Q . On a : s P
ni x2i
XQ = .
N
On a la suite d’inégalités suivante liant toutes ces moyennes :
X H ≤ X G ≤ X ≤ X Q.
Soit ([ai , ai+1 [, ni ) une série statistique d’effectif total N et de moyenne X. On désigne par ci
le centre de la classe [ai , ai+1 [.
• L’écart-moyen par rapport à la moyenne est le nombre réel noté em tel que :
p
1 X
em = ni (ci − X) = 0
N i=p
• L’écart-moyen absolu par rapport à la moyenne est le nombre réel noté eam tel que :
p
1 X
eam = ni |ci − X|
N i=p
Remarque 1.6
On peut déduire une écriture plus simple de la moyenne quadratique :
sP
ni x2i
q
2
XQ = = V (X) + X .
N
• Moments d’ordre r. On appelle ainsi les nombres réels notés mr (X) et définis par :
p
1 X
mr (X) = ni xri .
N i=1
• Moments centrés d’ordre r. Ce sont les nombres réels notés µr (X) et définis par :
p
1 X
µr (X) = ni (xi − X)r .
N i=1
Remarque 1.7
D’une manière générale, les moments centrés d’ordre pair renseignent sur la dispersion des
observations autour de la moyenne X. Par contre les moments d’ordre impair renseigne sur la
dissymétrie de la distribution.
Remarque 1.8
L’étendue d’une série est la différence entre la plus grande valeur observée dans la série et la
plus petite valeur.
étendue = xmax − xmin
1.5 Exercices
Exercice 1.5.1
Un professeur d’éducation physique a fait passer une épreuve de saut en longueur à deux classes
d’effectifs respectifs n1 = 30 et n2 = 40. La classe n°1 obtient une moyenne m1 = 4, 50m et la
classe n°2 une moyenne m2 = 4, 65m. Quelle est alors la moyenne m obtenue par le nouvel
échantillon constitué par l’ensemble des deux classes ?
Exercice 1.5.2
Une entreprise produit du biscuit emballé dans des sachets marqués poids net 225g. Pour
contrôler la production, on prélève un échantillon de sachets et on mesure leur poids réels. Les
résultats sont présentés dans le tableau suivant
Poids réels xi [223,224[ [224,225[ [225,226[ [226,227[
Nombre de sachets ni 160 240 90 10
1. Calculer le poids moyen des sachets de biscuit puis l’écart type de la distribution et com-
menter les résultats obtenus.
2. Déterminer le poids d’un sachet de biscuit telle que la moitié des sachets de biscuit de
l’échantillon présentent un poids inférieur à la valeur trouvée.
3. A l’aide d’un graphique approprié, déterminer le poids modal de la série.
4. Déterminer le nombre puis la proportion de sachets de biscuits dont les poids réels sont
inférieurs au poids net marqué 225g.
Exercice 1.5.3
Le tableau suivant donne la répartition en classes d’amplitude 5 des tailles en cm de 40 indivi-
dus.
Classe [155,160[ [160,165[ [165,170[ [170,175[ [175,180[ [180,185[
Effectif 3 8 10 10 7 2
1. Construire un histrogramme représentant cette série.
2. Dresser le tableau des effectifs cumulés croissants et décroissants, puis construire les poly-
gones des effectifs cumulés croissants et décroissants.
3. A l’aide d’interpolations linéaires, déterminer le nombre d’individus mesurant :
(a) moins de 177 cm.
(b) plus de 163 cm.
(c) une taille comprise entre 177cm et 182 cm.
4. Déterminer la variance, l’écart-type et l’écart-moyen absolu de cette série.(On donnera les
résultats à 10−3 près.)
5. Calculer les moments centrés d’ordre 2,3 et 4, puis le coefficient d’asymétrie de Fischer et
le coefficient d’aplatissement de Pearson.
Exercice 1.5.4
Les moyennes des notes obtenues par les 50 candidats à un concours se répartissent comme
suit :
Classe [0,4[ [4,8[ [8,12[ [12,16[ [16,20[
Effectif 5 14 20 7 4
1. Dresser le tableau des fréquences cumulées croissantes et décroissantes, puis construire les
polygones des fréquences cumulées croissantes et décroissantes.
2.(a) Déterminer la classe modale, le mode et la médiane de cette série statistique.
(b) Déterminer la moyenne des notes obtenues par l’élève qui s’est classé quinzième au
concours, puis celle de l’élève qui s’est classé dixième.
3. Calculer la moyenne x de cette série statistique.
4. Quel est le pourcentage d’élèves dont la note appartient à l’intervalle [x − σ; x + σ[ ?
Exercice 1.5.5
On considère la répartition des employés d’une entreprise suivant leur prime de fin d’année.
Prime en centaine de francs Nombre d’employés
[1250, 1750[ 130
[1750, 2250[ 350
[2250,2750[ 210
[2750,3250[ 130
[3250, 3750[ 90
[3750, 4250[ 50
[4250,4750[ 30
[4750,5250[ 10
1. Quelle est l’étendue de cette série ?
2. Calculer la prime moyenne.
3. Calculer les quartiles, le premier et le dernier décile.
4. En déduire l’écart interquartile et l’écart interdécile.
Exercice 1.5.6
Un agriculteur désire acquérir une machine pour stocker sa récolte dans des sacs de 50 kg. On
lui propose deux machines A et B, qu’il teste sur 80 sacs. Les résultats sont donnés dans le tableau
suivant.
Exercice 1.5.7
L’observation des prix d’un article en divers points de vente donne les résultats indiqués dans
le tableau suivant :
Classe de prix en francs Nombre de points de vente
655-665 4
665-675 9
675-685 31
685-695 75
695-705 183
705-715 204
715-725 157
725-735 97
735-745 40
745-755 12
755-765 3
Total 815
1. Calculer la moyenne m et l’écart-type σ de ces prix.
2. Quels pourcentages du nombre total d’observations se situent dans les intervalles suivants :
[m − σ; m + σ[ ? [m − 2σ; m + 2σ[ ?
(On procédera par interpolation linéaire dans les classes contenant les limites de ces inter-
valles.)
Ces données permettent de définir deux séries statistiques à un caractère (xi , ni ) et (yj , nj )
représentées par les deux tableaux
2. Représentation par tâches : Chaque point Mij est remplacé par un disque dont l’aire est
proportionnelle à nij .
1. Représenter le nuage de points associé à cette série. (On fera la représentation par pondération)
2. Déterminer son point moyen.
3. Si 0, 87 ≤ |r| < 1, on dit qu’il y a une forte corrélation entre les variables x et y (l’ajustement
se justifie).
4. Si |r| est trèss voisin de 0 alors il y a indépendance linéaire statistique.
5. Si 0, 5 < |r| ≤ 0, 8, la corrélation est mauvaise.
6. La corrélation entre les deux caractères x et y est d’autant meilleure que |r| est très proche
de 1 : les deux phénomènes sont en relation étroite dans le même sens.
Exercice 2.4.2
Déterminer le coefficient de corrélation linéaire de la série étudiée dans l’Exercice 2.3.1 et
commenter le résultat obtenu.
Exercice 2.4.3
On considère les notes obtenues en SVT et en EPS par 10 élèves :
SVT (x) 9 12 5 6 9 14 3 6 12 14
EPS (z) 6 13 17 11 10 8 8 15 6 15
1. Déterminer le coeficient de corrélation linéaire entre les notes de SVT et celles de EPS.
2. Commenter le résultat obtenu.
2.6 Exercices
Exercice 2.6.1
Une entreprise a mis au point un nouveau produit et cherche à en fixer le prix de vente. Une
enquête est réalisée auprès des clients potentiels ; les résultats sont donnés dans le tableau suivant,
où yi représente le nombre d’exemplaires du produit que les clients sont disposés à acheter si le
prix de vente, exprimé en milliers de francs, est xi .
3. Les frais de conception du produit se sont élevés à 28 millions de francs ; le prix de fabrication
de chaque exemplaire est de 25000 francs.
(a) Déduire de la question précédente que le bénéfice z, en fonction du prix de vente x, est
donné par l’égalité :
z = −5, 956x2 + 1427, 18x − 59957, où x et z sont exprimés en milliers de francs
(b) Déterminer, à un francs près, le prix de vente x permettant de réaliser le bénéfice maximal
et calculer ce bénéfice.
Exercice 2.6.2
Une enquête menée au niveau de 100 sociétés intéressées par l’achat d’un logiciel donne les
résultats ci-après :
Prix xi (en FCFA) proposé pour le logiciel Nombre yi de sociétés disposées à acheter le logiciel
100.000 100
160.000 86
220.000 82
320.000 80
400.000 70
480.000 46
560.000 40
640.000 25
720.000 15
800.000 10
1. Représenter le nuage de points de la série statistique ci-dessus dans le plan muni d’un repère
orthogonal. Unités graphiques :
- 1 cm pour 100.000F sur l’axe des abscisses.
- 1 cm pour 20 sociétés sur l’axe des ordonnées.
2.(a) Etablir une équation de la droite de régression de y en x par la méthode des moindres
carrés (les coefficients seront donnés à 10−2 près par défaut).
(b) Tracer cette droite sur la figure de la question 1).
3. Le fabricant du logiciel engage deux sortes de frais :
• les frais fixes qui s’élèvent à 8.000.000 FCFA.
• les frais de fabrication d’un montant de 50.000 FCFA par logiciel.
(a) Donner le bénéfice B(x) en fonction du prix de vente x.
(b) Démontrer qu’il existe un bénéfice maximal B0 pour un prix x0 du logiciel à déterminer.
(c) Calculer le bénéfice B0 .
Exercice 2.6.3
Le tableau à double entrée ci-dessous présente les résultats d’une étude faite sur un échantillon
des ménages d’une ville. Les xi et yi sont respectivement les revenu et épargne mensuels de ces
ménages : xi et yi sont exprimés en milliers de francs CFA.
xi
45 75 125
yi
14 4 24 2
25 4 36 0
40 0 12 18
1. Préciser la taille de l’échantillon étudié.
2.(a) Présenter le tableau des fréquences de la série marginale de x.
(b) Présenter le tableau des fréquences de la série marginale de y.
3. Calculer la covariance du couple (x, y).
4. Etablir l’équation de la droite de régression qui permet d’estimer le revenu mensuel à partir
de l’épargne mensuelle.
En déduire un estimation du revenu mensuel d’un ménage ayant réalisé une épargne men-
suelle de 50.000F CFA.
5. Calculer le coefficient de corrélation linéaire r et apprécier la liaison entre le revenu et
l’épargne mensuels des ménages de cette ville.
Exercice 2.6.4
On considère la série statistique à deux caractères présentée dans le tableau suivant.
xi 4 20 1 10 9 5 2 2 6 5 11 15
yi 3,3 0,6 10,5 1,3 1,3 2,2 5 8 1,8 2 1,2 0,9
1. Représenter le nuage de points associés à cette série. La forme du nuage suggère-t-elle un
ajustement linéaire ?
1
2. On pose z = .
y
(a) Déterminer le coefficient de corrélation linéaire de la série statistique (xi , zi ). La valeur
de ce coefficient justifie-t-elle un ajustement linéaire ?
(b) Déterminer une équation de la droite de régression de z en x.
Exercice 2.6.5
A l’oral d’un examen, chaque candidat est interrogé en première langue où il obtient la note X
et en seconde langue où il obtient la note Y (notes sur 20). Les résultats obtenus par 100 candidats
sont donnés ci-dessous :
Y
[0,4[ [4,8[ [8,12[ [12,16[ [16,20[
X
[0,4[ 2 5 2 0 0
[4,8[ 1 12 10 3 0
[8,12[ 0 3 28 12 1
[12,16[ 0 1 5 10 2
[16,20[ 0 0 0 1 2
Exercice 2.6.8
On considère la statistique double définie par le tableau de contingence suivant :
y1 y2 y3 Total
x1 128 81 17
x2 64 22 88
Total n
1. Déterminer la population totale n et les différentes populations relatives. (Il s’agit de complèter
le tableau).
2. Calculer les distributions marginales de x et de y associées.
3. Calculer les moyennes, les variances et la covariance de x et y.
Analyse combinatoire
Card E = Card F.
Proposition 3.3 Soient E un ensemble fini. Toute partie A de E est finie et
Card A ≤ Card E.
A = E ⇐⇒ Card A = Card E.
Proposition 3.4 Si A et B sont deux parties d’un ensemble fini E, on a :
1. Si A et B sont disjoints, on a Card (A ∪ B) = Card A + Card B.
2. Card (A − B) = Card A − Card (A ∩ B).
3. Card (Ā) = Card E − Card A.
4. Card (A ∪ B) = Card A + Card B − Card (A ∩ B).
Exercice 3.1.1
Soit E = {1, 2, 3, 4}.
1. Déterminer P(E).
2. Ecrire tous les nombres de trois chiffres distincts à l’aide des éléments de E.
3. Parmi ces nombres, combien sont divisibles par 6.
Exercice 3.1.2
Une station de radio diffuse les mêmes publicités à 15h et à 16h. D’après un sondage, on estime
qu’il y a 21400 auditeurs à 15h et 24800 à 16h.
1. On suppose que les personnes qui écoutent la radio à 15h ne l’écoutent pas à 16h. Déterminer
le nombre d’auditeurs ayant entendu ces publicités.
2. On suppose que 4600 personnes écoutent la radio à 15h et à 16h.
(a) Déterminer le nombre d’auditeurs ayant entendu ces publicités.
(b) Déterminer le nombre d’auditeurs ayant entendu ces publicités uniquement à 15h.
(c) Déterminer le nombre d’auditeurs ayant entendu ces publicités uniquement à 16h.
(d) Déterminer le nombre d’auditeurs ayant entendu ces publicités une seule fois.
Exercice 3.1.3
Dans un groupe de 25 personnes, 10 jouent au basket-ball, 17 jouent au football et 8 pratiquent
ces deux sports. Déterminer le nombre de personnes
1. qui jouent seulement au football.
2. qui jouent seulement au basket-ball.
3. qui ne pratiquent aucun de ces deux sports.
Exercice 3.1.4
Dans une classe de 40 élèves, il y a 16 filles parmi lesquelles 12 apprennent l’anglais et 6
apprennent l’arabe ; 26 élèves suivent les cours d’anglais, 17 suivent les cours d’arabe, 7 suivent
les deux cours ; 2 garçons ne suivent aucun de ces deux cours.
1. Déterminer le nombre de filles de cette classe qui suivent les deux cours de langue.
2. Déterminer le nombre de filles qui ne suivent aucune de ces deux matières.
Proposition 3.5
Si E et F sont deux ensembles finis, alors E × F est un ensemble fini et
Card (E × F ) = (Card E) · (Card F ) .
Proposition 3.6
n
Y
Plus généralement, si (Ei )i=1,···,n est une famille d’ensembles finis, alors Ei est un ensemble
i=1
fini et !
n
Y n
Y
Card Ei = (Card Ei ) .
i=1 i=1
Proposition 3.13
Il y a n! permutations d’un ensemble à n éléments.
• A0n = 1
• A1n = n
• Apn est aussi le nombre d’applications injectives d’un ensemble à p éléments dans un ensemble
á n éléments.
• np est le nombre d’applications d’un ensemble à p éléments dans un ensemble à n éléments.
Exemple 3.14
On veut garer trois voitures dans cinq garages. De combien de manières peut-on procéder dans
chacun des cas suivants :
1. Un garage ne peut contenir qu’une seule voiture.
2. Un garage peut contenir les trois voitures.
3. Un garage peut contenir au plus deux voitures.
— {pn = np {p−1
n−1 .
— Formule du binôme de Newton : pour (a, b) ∈ C2 et n ∈ N, on a :
n
X n
X
n
(a + b) = {pn ap bn−p = {pn an−p bp .
p=0 p=0
3.4 Exercices
Exercice 3.4.1
Soit A l’ensemble des nombres à 6 chiffres ne comportant aucun 0. Déterminer les cardinaux
des ensembles suivants :
1. A.
2. A1 , ensemble des nombres de A ayant 6 chiffres deux à deux différents.
3. A2 , ensemble des nombres pairs de A.
4. A3 , ensemble des nombres de A dont les chiffres forment une suite strictement croissante
(dans l’ordre où ils sont écrits).
Exercice 3.4.2
Montrez la relation suivante :
{rn−1 + {r−1 r
n−1 = {n pour tous entiers n et r tels que 2 6 r + 1 6 n.
Exercice 3.4.3
Un octet est une suite de longueur 8 de 0 et de 1, par exemple 10110010.
1. Combien d’octets différents existent-ils ?
2. Même question si on exige que les octets commencent par 11 et finissent par 000 ?
3. Même question si on exige que les octets finissent par 01 ?
Exercice 3.4.4
De combien de façons peut-on placer 8 personnes autour d’une table ronde :
1. Si les chaises sont numérotées.
2. Si les chaises ne sont pas numérotées.
Exercice 3.4.5
Combien de mots différents avec au moins une lettre peut-on créer avec les 4 lettres EPFL,
sans répéter des lettres ?
Exercice 3.4.6
On veut choisir un président, un secrétaire et un caissier dans un club de plongée contenant
10 membres.
Le cumul des charges est interdit. De combien de manières peut-on attribuer ces charges si
1. Aucune restriction n’est imposée ;
2. Alice et Bernard refusent d’officier ensemble ;
3. Charlotte et Didier officieront ensemble ou pas du tout ;
4. Eric doit avoir une charge ;
5. Félix n’accepte que la charge de président.
Exemple 4.2
1. Soit Ω un ensemble non vide. Alors on a :
— F0 = {∅, Ω} .
— F1 = P(Ω).
— Pour toute partie non vide A de Ω, F2 = ∅, A, AC , Ω .
2. Soit Ω = {1, 2, 3, 4, 5, 6}, l’ensemble
F3 = {∅, {1}, {2}, {2, 3, 4, 5, 6}, {1, 3, 4, 5, 6}, {1, 2, 3, 4, 5, 6}}
n’est pas une tribu sur Ω.
Proposition 4.3
Soit F une tribu sur un ensemble Ω. On a :
— F est stable par réunion finie.
— F est stable par intersection dénombrable ou finie.
— Si A et B sont des éléments de F, AB et A4B sont aussi des éléments de F.
Definition 4.4
La plus petite tribu qui contient un ensemble donné de parties de Ω est appelé la tribu engendrée
par cet ensemble. C’est donc l’intersection de toutes les tribus qui le contiennent.
Definition 4.5
On appelle espace probabilisable (ou espace mesurable), la donnée d’un couple (Ω, F), où Ω est
un ensemble non vide et F une tribu de parties de Ω.
P : F −→ [0; 1]
vérifiant :
1. P (Ω) = 1 et P (∅) = 0.
2. P est σ−additive ; c’est-à-dire : pour toute suite (An )n∈N∗ d’éléments de F deux à deux
disjoints, on a : !
[ X
P An = P (An ).
n∈N∗ n∈N∗
Proposition 4.7
On vérifie que : pour tous A et B éléments de F), on a :
1. A ⊂ B =⇒ P (A) ≤ P (B).
2. P (A ∪ B) = P (A) + P (B) − P (A ∩ B).
Et plus généralement, pour une famille (An )n∈N∗ quelconque d’éléments de F, la formule de
Poincarré indique que :
N
! N
!
[ X X X \
N −1
P An = P (An ) − P (Ai ∩ Aj ) + P (Ai ∩ Aj ∩ Ak ) + · · · + (−1) P An .
n=1 n∈N∗ i<j i<j<k n=1
4.1.2.1 Vocabulaire
• Notons qu’un espace probabilsable (Ω, F) peut être muni d’une ou de plusieurs probabilités.
• Si P est une probabilité sur (Ω, F), le triplet (Ω, F, P ) est espace probabilisé.
1. Sachant que le dé est parfaitement équilibré, quelle est la probabilité d’obtenir un chiffre
pair ?
2. Sachant que le dé est truqué de sorte que chaque face ait une probabilité d’apparition pro-
portionnelle au numéro qu’elle porte, quelle est la probabilité d’obtenir un numéro pair ?
Exercice 4.4.1
Une urne contient 9 boules numérotées de 1 à 9. On tire simultanément deux boules de cette
urne ; sachant que les boules sont indiscernables au toucher, quelle est la probabilité d’obtenir deux
boules portant des numéros de même parité ?
k 1 2 3 4 5 6
1 1 1 1 1 1
p1 ({k}) 6 6 3 9 9 9
1 1 1 1 1 1
p2 ({k}) 6 6 6 6 6 6
Considérons les évènements : A = {1, 2} et B = {2, 3}.
1. Les évènements A et B sont ils indépendants pour la probabilité p1 ?
2. Les évènements A et B sont ils indépendants pour la probabilité p2 ?
Remarque 4.19
n évènements mutuellement indépendants sont deux à deux indépendants. Mais n évènements
peuvent être deux à deux indépendans sans être mutuellement indépendants.
Exemple 4.20
On lance deux fois un dé cubique parfaitement équilibré. On considère les évènements suivants :
♠ A1 : ”le premier nombre obtenu est pair”.
♠ A2 : ”le deuxième nombre obtenu est impair”.
♠ A3 : ”la somme des deux nombres obtenus est pair”.
1. Les évènements A1 , A2 , A3 sont-ils deux à deux indépendants ?
2. Les évènements A1 , A2 , A3 sont-ils mutuellement indépendants ?
Proposition 4.22
Si {A1 , A2 , · · · , Ai , · · · , An } est un système complet d’événements, quel que soit l’événement B,
on a le résultat suivant :
p(B) = p(B/A1 ) × p(A1 ) + p(B/A2 ) × p(A2 ) + · · · + p(B/An ) × p(An )
Xn
= p(B/Ai ) × p(Ai ) (Formule des probabilités totales)
i=1
Exercice 4.5.1
1 2
Une population animale comporte de mâles et de femelles. L’albinisme frappe 6% des
3 3
mâles et 0,36% des femelles. Déterminer la probabilité pour qu’un individu pris au hasard (dont
on ignore le sexe) soit albinos.
Reponse : On a 2,24% d’albinos dans cette population
p(B/Ai ) × p(Ai )
= n (Formule de Bayes)
X
p(B/Ai ) × p(Ai )
i=1
La formule de Bayes est utilisée de façon classique pour calculer des probabilités de causes dans
les diagnostics. L’application de ce théorème est à la base de toute une branche de la statistique
appelée Statistique Bayesienne.
Exemple 4.23
Dans une population pour laquelle 1 habitant sur 100 est atteint d’une maladie génétique A,
on a mis au point un test de dépistage. Le résultat du test est soit positif (T) soit négatif (N). On
sait que p(T/A)=0,8 et p(N/Ā) = 0, 9.
On soumet un patient au test. Celui-ci est positif. Quelle est la probabilité que ce patient soit
atteint de la maladie A, c’est-à-dire p(A/T) ?
Reponse : p(A/T)=0,075
Ainsi avant le test, la probabilité d’être malade était de p(A)=0,01 (probabilité à
priori ) et après le test la probabilité d’être malade est de p(A/T)=0,075 (probabilité
à posteriori). Ainsi le test apporte un supplément d’information.
Exercice 4.5.2
Un établissement est situé dans une ville où la météo suit les conditions suivantes : on admet
qu’un jour donné soit il fait beau, soit il pleut. S’il fait beau un jour alors il fera beau le jour
1
suivant avec une probabilité de . S’il pleut un jour alors il pleuvra encore le lendemain avec une
2
2
probabilité de .
3
Aujourd’hui il pleut. Fadel le premier délégué de l’établissement s’intéresse à la probabilité qu’il
fasse beau demain (1 jour), dans deux jours, dans 3 jours, ....., dans n jours. Pour n > 1, on
désigne par Bn l’événement : ” Il fera beau dans n jours ” et on pose pn = p(Bn ).
On désigne par (un )n>1 la suite numérique définie par :
2
∀n > 1,
un = pn − .
5
1. Illustrer par un arbre pondéré, l’évolution possible de la méteo pour demain et après demain.
2. Déterminer p1 = p(B1 ) et p2 = p(B2 ).
1 1
3. Démontrer que pour tout n > 1 on a : pn+1 = pn + .
6 3
4. Démontrer que la suite (un )n>1 est géométrique.
5. Exprimer alors un puis pn en fonction de n.
4.6 Exercices
Exercice 4.6.1
Soit Ω un ensemble non vide.
1. Montrer qu’une intersection quelconque de tribus de parties de Ω est une tribu de parties de
Ω.
2. Montrer, à l’aide d’un contre exemple que la réunion de deux tribus de parties de Ω n’est
pas toujours une tribu de parties de Ω.
Exercice 4.6.2
2
Un étudiant, Ulysse, sort habituellement le Vendredi soir, avec une probabilité de . Or ce
3
jour-là, il y a justement un devoir de mathématiques le lendemain matin. On suppose qu’Ulysse
3
résussit à avoir une moyenne avec une probabilité de s’il n’est pas sorti la veille, et de seulement
4
1
dans le cas contraire. Sachant qu’Ulysse n’a pas obtenu la moyenne, quelle est la probabilité pour
2
qu’il soit sorti la veille ?
(Rep : 0,8).
Exercice 4.6.3
Un nouveau test de dépistage d’une maladie rare et incurable, touchant environ une personne
sur 100000, vient d’être mis au point. Pour tester sa validité, on a effectué une étude statistique :
sur 534 sujets sains, le test a été positif 1 seule fois, et, sur 17 sujets malades, il a été positif 16
fois.
Une personne effectue ce test, et le resultat est positif. Quel est la probabilité pour qu’elle soit
atteinte de cette maladie ? Faut-il commercialiser ce test ?
Reponse : On note M l’événement ”être malade”, et T celui ”avoir un test positif”. On a
p(M)=1/100000, p(T/M)=16/17 et p(T /M̄ ) = 1/534. En appliquant la formule de Bayes on a :
p(T /M ) × p(M )
p(M/T ) = = 0, 5%.
p(T /M ) × p(M ) + p(T /M̄ ) × p(M̄ )
Exercice 4.6.4
Au Loto, on doit cocher 6 cases dans une grille comportant 49 numéros. Quelle est la probabilité
de gagner le gros lot (c’est-à-dire d’avoir les 6 bons numéros) ?
Jules joue au Loto ; s’il gagne il part aux Seychelles pour un mois complet à coup sûr. S’il perd,
il ne partira probablement pas (seulement avec une probabilité de 1/10000).
Quelle est la probabilité pour que Jules parte aux Seychelles demain ?
Sachant qu’il est parti aux Seychelles, quelle est la probabilité qu’il ait gagné au Loto ?
Reponse : Soit S l’événement ”Jules part aux Seychelles” et L l’événement ”Jules gagne au
6
Loto”. On a p(L) = 1/C49 ; p(S/L) = 1 et p(S/L̄) = 1/100000. D’où
p(S) = p(S ∩ L) + p(S ∩ L̄) = p(S/L) × p(L) + p(S/L̄) × p(L̄) = 0, 0001000715.
p(L ∩ S) p(S/L) × p(L)
p(L/S) = = = 0, 000715
p(S) p(S)
Exercice 4.6.5
Trois machines A,B et C fournissent respectivement 50%, 30% et 20% de la production d’une
usine. Les pourcentages de pièces défectueuses sont respectivement de 3%, 4% et 5%.
1. Quelle est la probabilité qu’une pièce, prise au hasard dans la production soit défectueuse ?
Reponse : 3,70%
2. Quelle est la probabilité pour qu’une pièce défectueuse prise au hasard provienne
(a) de A ?
(b) de B ?
(c) de C ?
Reponse : 40,54% ; 32,43% et 27,03% respectivemment.
3. Quelle est la probabilité qu’une pièce provienne de la machine A sachant qu’elle est non
défectueuse ?
Reponse : 50,36%
Exercice 4.6.6
Alice et Bob jouent aux flêchettes. A chaque manche, Alice gagne avec une probabilité p. La
partie se déroule en deux manches gagnantes. Quelle est la probabilité p0 pour que Alice gagne ?
(Reponse : p0 = p2 (3 − 2p))
Exercice 4.6.7 (Paradoxe de Monty Hall)
Hildebert joue à un jeu télévisé. Il a face à lui, trois portes A, B et C identiques ; derrière l’une
d’entre elle se trouve le gros lot, mais derrière les deux autres rien du tout. Hildebert choisit une
des portes (disons la A), et alors le présentateur (qui connaı̂t la porte gagnante) ouvre une autre
porte (disons la C) et montre à tous qu’il n’y a rien derrière celle-ci (la porte C). Il demande
ensuite à Hildebert s’il préfère rester sur son choix ou s’il veut changer.
Hildebert, se disant que cela ne fait aucune différence, reste sur son choix (la porte A). A-t-il
raison d’agir ainsi ?
1
Reponse : Si Hildebert reste sur son choix, il gagne avec une probabilité de . S’il change
3
2
systématiquement, il gagne avec une probabilté de . Hildebert doit donc changer de porte.
3
4.7 Exercices
Exercice 4.7.1
Dans l’un des bureaux d’une entreprise de vente par correspondance arrivent plusieurs catégories
de courrier. Parmi les lettres reçues, 90% contiennent une commande, 45% une demande de cadeau
promotionnel gratuit, et 40% contiennent les deux. Les autres lettres sont des réclamations, et l’on
suposera que ces derniers ne sont jamais accompagnées de commande ou de demande de cadeau.
1. On prend une lettre au hasard dans ce bureau. Déterminer la probabilité que cette lettre :
(a) contienne seulement une commande
(b) contienne seulement une demande de cadeau
(c) contienne une commande ou une demande de cadeau
(d) ne contienne pas de commande
(e) ne contienne ni de commande ni de demande de cadeau
2. On prend au hasard, parmi un très grand nombre de lettres, une pile de 5 lettres. Déterminier
la probabilité d’avoir :
(a) 5 commandes
(b) au moins une commande
(c) exactement une commande.
Exercice 4.7.2
Quatre hommes et quatre femmes travaillent dans un même bureau équipé d’un seul poste
téléphonique. Madame Solrac doit appeler ce bureau une fois en début d’après-midi et une seconde
fois en fin de journée. On admet que la probabilité de répondre, lorsque le téléphone sonne, est la
même pour chacune des huit personnes de ce bureau. On note :
H l’évènement : ”c’est un homme qui répond à Madame Solrac en début d’après midi”.
F l’évènement ”c’est une femme qui répond à Madame Solrac en fin de journée”.
S l’évènement ”les deux personnes qui répondent à Madame Solrac sont de même sexe”.
1. Calculer la probabilité des évènements suivants : H, F, S, H ∩ F, H ∩ S, F ∩ S, H ∩ F ∩ S.
2. Calculer la probabilité que les deux personnes qui répondent à Madame Solrac soient de sexes
différents.
3. Montrer que les évènements H, F et S sont deux à deux indépendants mais pas mutuellement
indépendants.
Exercice 4.7.3
Dans une université, on a déterminé que la probabilité de réussir en première année avec un
grade est de 70 %. On a aussi déterminé que la probabilité de réussir la seconde année avec un
grade est de 90 % si l’étudiant avait obtenu un grade en première année, et de 40 % si l’étudiant
n’avait pas obtenu de grade. On demande la probabilité d’obtenir au moins un grade sur les deux
années.
Exercice 4.7.4
Un étang contient des poissons rouges et gris. Un tiers des poissons sont d’origine chinoise.
Parmi les poissons d’origine chinoise, 30 % sont rouges. Au total, 20 % des poissons sont rouges.
1. Un promeneur voit un poisson d’origine non chinoise dans l’étang. Quelle est la probabilité
que ce poisson soit rouge ?
2. Un promeneur voit un poisson rouge dans l’étang. Quelle est la probabilité qu’il soit d’origine
chinoise ?
3. Un promeneur voit un poisson gris dans l’étang. Quelle est la probabilité qu’il soit d’origine
non chinoise ?
Exercice 4.7.5
Dans une université, 10% des étudiants sont d’origine chinoise. Parmi ceux-là, 90% ont moins
de 30 ans. Il y a 5% d’étudiants chinois ayant moins de 30 ans et effectuant un doctorat. Vous
rencontrez par hasard un étudiant qui dit être chinois et avoir moins de 30 ans. Quelle est votre
chance de gagner en qu’il effectue un doctorat ?
Exercice 4.7.6
Soit donné un dé pour lequel les nombres pairs sont deux fois plus probables que les nombres
impairs.
1. Donnez l’espace de probabilité si on lance le dé une fois.
2. Donnez l’espace de probabilité si on lance le dé deux fois.
3. Quelle est la probabilité que les deux résultats obtenus, x1 , x2 , diffèrent de un, c’est-à-dire
|x1 − x2 | = 1 ?
Exercice 4.7.7
Une usine possède trois machines A, B, C pour produire deux composants électroniques différents.
Ces machines fournissent respectivement 45%, 30% et 25% de la production de ces deux compo-
sants.
La machine A est uniquement utilisée pour la production du composant de type 1 ; le composant
produit est de bonne qualité dans 97% des cas. La machine B produit les deux composants avec
un taux déchec de 5%. La machine C produit les deux composants en égale proportion ; pour
le composant de type 2 elle est optimisée, ayant une probabilité de réussite de 100% ; pour le
composant de type 1, 2 pièces sur 25 sont de mauvaise qualité.
1. Quel pourcentage de la production est de mauvaise qualité ?
2. Si une pièce (de n’importe quel type) est de mauvaise qualité, quelle est la probabilité quelle
ait été produite par la machine A ?
Exercice 4.7.8
Amanda, Deborah et Rebecca travaillent dans une entreprise en tant qu’opératrices ; leur tâche
est de diriger les appels externes arrivant à la centrale vers les différents services de l’entre-
prise. Parfois distraites, elles commettent des erreurs avec une probabilité valant respectivement
0, 02; 0, 03 et 0, 05. Amanda s’occupe de 50% des connections, Deborah de 30% et Rebecca de 20%.
1. Quelle est la proportion de mauvais services fournis par Amanda ?
2. Quelle est la proportion totale de bons services ?
3. Deborah fait souvent la fête tard dans la nuit avec des amis ; par conséquent, elle se trouve par
hasard subitement malade le lendemain. Ces absences festives ont une probabilité d’occurence
de 10%. Lors des absences de Deborah, Amanda s’occupe de 65% des connections et Rebecca
de 35%, mais, à cause du stress, leurs probabilités d’erreur augmentent à 0, 04 pour Amanda
et à 0, 06 pour Rebecca.
Si un client est dirigé vers une fausse ligne, quelle est la probabilité que Deborah ait trop
dansé durant la nuit précédente ?
Exercice 4.7.9
La firme Nestlé teste trois dégustateurs professionnels. Ils sont appelés à se prononcer sur un
lot de tablettes de chocolat où 10% sont mauvaises. Chaque dégustateur déclarera le chocolat bon
dans 70% des cas, s’il l’est effectivement, et dans 20% des cas s’il est en fait mauvais. Si on sait
que le chocolat est bon, le jugement d’un juge est indépendant de celui d’un autre. Même chose si
on sait que le chocolat est mauvais.
1. Calculez la probabilité que le dégustateur 3 trouve le chocolat bon dans le cas où les dégustateurs
1 et 2 l’ont trouvé bon.
2. Calculez la probabilité que le chocolat soit mauvais, sachant que les 3 dégustateurs l’ont
trouvé bon.
Exercice 4.7.10
Dans une ville ravagée par un terrible tremblement de terre, certains promoteurs immobiliers
n’ont pas respectés les normes de construction, soit en ayant omis de placer une dalle de fonda-
tion spéciale et trés coûteuse, soit en ayant sous-dimensionné cette dalle. Sur base d’un modèle
théorique, on a estimé que pour le tremblement de terre ayant eu lieu, les risques d’effondrement
d’un immeuble sont de 85 % si la dalle n’est pas présente, de 25 % si elle est sous-dimensionnée
et de 1 % si elle est correctement dimensionnée. Des contrôles antérieures à l’accident ont montré
que pour 5 % des constructions, il y avait une fraude ; la dalle était sous-dimensionnée dans 80 %
des cas et absente dans 20 % des cas.
1. Pour un immeuble effondré pris au hasard, quelle est la probabilité
(a) qu’il ne soit pas muni d’une dalle ?
(b) que la dalle soit sous-dimensionnée ?
(c) que la dalle soit correctement dimensionnée ?
2. Pour un immeuble non effondré pris au hasard, quelle est la probabilité
(a) qu’il ne soit pas muni d’une dalle ?
(b) que la dalle soit sous-dimensionnée ?
(c) que la dalle soit correctement dimensionnée ?
5.1.2 Ouverts
Definition 5.1
Un sous-ensemble de R est dit ouvert, s’il est vide, ou bien s’il est voisinage de chacun de ses
points. Un ouvert de R est donc une réunion d’intervalles ouverts éventuellement vides.
Proposition 5.2
1. Une réunion quelconque d’ouverts est un ouvert ;
2. Une intersection finie d’ouverts est un ouvert ;
3. R et ∅ sont des ouverts.
5.1.3 Fermés
Definition 5.3
Un sous-ensemble de R est dit fermé si son complémentaire est ouvert.
Proposition 5.4
1. Une intersection quelconque de fermés est un fermé ;
2. Une réunion finie de fermés est un fermé ;
3. R et ∅ sont des fermés.
Definition 5.5
Soit F la famille des fermées de R. La tribu de parties de R engendrée par F et notée B,
est appelée la tribu des boréliens et chaque élément de B est appelé ensemble borélien ou tout
simplement borélien.
Theorem 5.6
La tribu des boréliens est aussi engendrée par l’une quelconque des cinq familles de parties de
R suivantes :
1. la famille des ouverts ;
2. la famille des intervalles ]a, b] ;
3. la famille des intervalles [a, b[ ;
4. la famille des intervalles non bornés ]−∞, a[ ;
5. la famille des intervalles non bornés ]−∞, a].
5.2.2 Opérations
Soient X, Y deux variables aléatoires réelles d’un espace probabilisable (Ω, P(Ω)), λ ∈ R. Alors,
X + Y, λX, XY, sup(X, Y ), inf(X, Y ) sont des v.a.r. sur (Ω, P(Ω)).
Exemple 5.9
On lance un dé cubique dont les faces sont numérotées de 1 à 6. On appelle X le numéro obtenu
et Y son complémentaire à 6. Déterminer les v.a.r. X + Y, 2X + 4Y, inf(X, Y ).
Theorem 5.12
La fonction de répartition d’une v.a.r. X est croissante et continue à gauche en chacun de ses
points de discontinuité. En chaque pôint x0 de discontinuité, le saut de la fonction de répartition
F , c’est-à-dire F (x0 + 0) − F (x0 ) est la probabilité que X prenne la valeur x0 . On a alors :
F (x0 + 0) − F (x0 ) = p(X = x0 ) = PX (x0 ).
Theorem 5.13
Soit F une fonction définie sur R à valeurs dans [0, 1] vérifiant les propriétés suivantes :
1. F est croissante ;
2. lim F (x) = 0 et lim F (x) = 1;
x→−∞ x→+∞
3. F est continue à gauche en chacun de ses points de continuité. Alors F est la fonction de
répartition d’une variable aléatoire réelle.
Si X(Ω) = {x1 , x2 , · · ·, xn } avec x1 < x2 < · · · < xn , la fonction F est défnie par :
Exemple 5.20
Une urne contient 4 boules indiscernables au toucher numérotées de 1 à 4. On tire successive-
ment deux boules avec remise. On note X1 le numéro de la première boule tirée, par X2 celui de
la deuxième boule tirée et par Y le plus grand des deux numéros obtenus.
Déterminer la loi de probabilité de la v.a.r. Y puis sa fonction de répartition.
Exemple 5.21
Déterminer les moments d’ordre 1, 2 et 3 de la v.a.r. X de loi :
xi −2 −1 0 1
pi = p(X = xi ) 61 1
3
1
3
1
6
Proposition 5.23
Soient X et Y deux v.a.r. sur un espace probabilisé fini (Ω, P(Ω), p), λ et µ deux nombres réels.
On a :
E(λX + µY ) = λE(X) + µE(Y ).
En particulier, on a :
E(λX + µ) = λE(X) + µ.
De plus si ϕ : R −→ R est une fonction continue alors on a :
n
X
E[ϕ(X)] = ϕ(xi )pi .
i=1
Ainsi n
X
mk (X) = (xi )k pi = E(X k ) pour tout k ∈ N.
i=1
Proposition 5.25
Soient X une v.a.r. sur un espace probabilisé fini (Ω, P(Ω), p), λ et µ deux nombres réels. On
a:
— V (X) = E(X 2 ) − (E(X))2 .
— V (λX + µ) = λ2 V (X)
— σ(λX + µ) = |λ| σ(X).
Il en résulte que, si X est une variable aléatoire continue alors pour tous nombres réels a et b, on
a:
1. PX ({a}) = P (X = a) = 0.
2. P (a < X < b) = P (a 6 X < b) = P (a < X 6 b) = P (a 6 X 6 b)
où f est une fonction positive à valeurs réelles ayant un nombre fini de points de discontinuité et
tel que Z +∞
f (t) dt = 1.
−∞
Exemple 5.30
Soit X une variable aléatoire dont la fonction densité d eprobabilité est la fonction f définie
par :
f : R −→ R
1
si x ∈ [a, b]
b−a .
x 7−→ f (x) =
0 sinon
Déterminer la fonction de répartition de X.
Exercice 5.7.2
Déterminer la fonction de répartition de la variable aléatoire Y dont la fonction densité la
fonction
3
(
(2x − x2 ) si x ∈ [0, 2]
x 7−→ g(x) = 4
0 si x 6∈ [0, 2]
Proposition 5.31
Soit X une variable aléatoire réelle admettant une densité de probabilité f ; on a :
— pour tout a ∈ R, p(X = a) = 0.
= p(a < X ≤ b)
= p(a ≤ X ≤ b)
Z b
= f (t) dt
a
= F (b) − F (a).
— pour tout réel a, : Z a
p(X < a) = p(X ≤ a) = f (t) dt = F (a).
−∞
Exemple 5.33
Soit X la v.a.r. de densité de probabilité f définie par :
f : R −→ R
1
si x ∈ [a, b]
b−a .
x 7−→ f (x) =
0 sinon
Calculer E(X).
Exemple 5.34
Considérons la v.a.r. X de densité de probabilité la fonction f définie par :
f : R −→ R 1
2 (2 − x) si x ∈ [0, 2]
.
x 7−→ f (x) =
0 sinon
Calculer E(Y ).
Proposition 5.35
Soient X et Y deux v.a.r. à densité de probabilité admettant chacune une espérance mathématique,
a et b deux nombres réels. Alors la v.a.r. aX + bY admet une espérance mathématique et
E(aX + bY ) = aE(X) + bE(Y ).
En particulier
E(aX + b) = aE(X) + b.
— Soit X une v.a.r. de densité f , admettant une espérance mathématique E(X). Alors, V (X)
existe si et seulement si E(X 2 ) existe et on a :
V (X) = E(X 2 ) − [E(X)]2 .
Exemple 5.38
Considérons la v.a.r. X de densité de probabilité la fonction f définie par :
f : R −→ R
1
(2 − x) si x ∈ [0, 2] .
x 7−→ f (x) = 2
0 sinon
Calculer σ(X).
Exemple 5.39
Considérons la v.a.r. X de densité de probabilité la fonction f définie par :
f : R −→ R
2
x3
si x ≥ 1 .
x 7−→ f (x) =
0 si x < 1
Montrer que admet une espérance mathématique mais n’admet pas de variance.
Proposition 5.40
Soit X une v.a.r. à densité admettant une variance et soient a et b deux nombres réels (a 6= 0).
La v.a.r. aX + b admet une variance et :
— V (aX + b) = a2 V (X).
— σ(aX + b) = |a| σ(X).
Definition 5.41
— Si σ(X) = 1, on dit que la v.a.r. X est réduite.
— Si E(X) = 0, on dit que la v.a.r. X est centrée.
— X−E(X)
σ(X)
est appelée v.a.r. centrée réduite associée à X.
Proposition 5.44
Si X et Y sont deux v.a.r. indépendantes, à densités respectives f et g. Z = X + Y admet pour
densité la fonction h définie pour tout x ∈ R par :
Z +∞ Z +∞
h(x) = f (u)g(x − u)du = f (x − v)g(v)dv.
−∞ −∞
Proposition 5.45
Si X et Y sont deux v.a.r.à densité, indépendantes et admettant chacune une variance, alors
X + Y admet une variance et
V (X + Y ) = V (X) + V (Y ).
5.8 Loi de l’image d’une variable aléatoire par une fonction continue
Soit X une v.a.r. de loi connue. On désire déterminer la loi de variable aléatoire Y = ϕ(X), où
ϕ : R −→ R est une fonction continue.
Exercice 5.8.1
On considère la variable aléatoire X dont la loi de probabilité est donnée par le tableau ci-
dessous :
xi -2 -1 0 1 2
1 1 1 1 1
pi 5 5 5 5 5
Exercice 5.8.2
Soit X la variable aléatoire dont la densité de probabilité est la fonction
1 si x ∈ [0, 1]
x 7−→ f (x) =
0 si x 6∈ [0, 1]
Exemple 5.50
On considère les variables aléatoires X et Y dont les fonctions densités de probabilité respectives
sont :
( 1 −αy
si x ∈ [a, b] αe si y > 0
x 7−→ f (x) = b−a y− 7 → g(y) =
0 si x 6∈ [a, b] 0 si y < 0
x −2 −1 0 1 2
1 1 1 1 1
pX (x) 5 5 5 5 5
1. Montrer que MX est défini sur R et calculer MX (t) pour tout nombre réel t.
2. En déduire E X k pour tout entier naturel non nul k.
Exemple 5.54
Soit X une variable aléatoire suivant la loi U (a, b) . Quelle est la fonction caractéristique de
X?
Proposition 5.55
Soit ϕX la fonction caratéristique d’une variable aléatoire X.
1. ϕX (0) = 1.
2. |ϕX (t)| ≤ 1 et ϕX (−t) = ϕX (t).
3. ϕX (t) = MX (it)
4. Si Y = aX + b, on a : .ϕY (t) = eibt ϕX (at) .
Exemple 5.56
Soit X une variable aléatoire suivant la loi N (m, σ) . Quelle est la fonction caractéristique de
1 2
X? On admettra que si T N (0, 1), on a pour tout nombre réel t, MT (t) = e 2 t .
Proposition 5.57
Formule d’inversion Si la fonction caratéristique ϕX d’une variable aléatoire X est telle que
Z
|ϕX (t)| dt < +∞
R
5.11 Exercices
Exercice 5.11.1
La fonction de répartition d’une variable aléatoire Y est donnée par :
0 si y < 0,
1/2 si 0 ≤ y < 1,
3/5 si 1 ≤ y < 2,
FY (y) =
4/5 si 2 ≤ y < 3,
9/10 si 3 ≤ y < 3, 5,
1 si y ≥ 3, 5
1. Représentez graphiquement FY .
2. Déterminer la loi de probabilité de Y .
Exercice 5.11.2
On tire aléatoirement un chiffre réel, X entre 0 et 1 et on calcule sa racine carrée qu’on note
Y . Trouvez les fonctions de répartition de X et de Y.
Exercice 5.11.3
Soit X le nombre de tremblements de terre majeurs(dont la magnitude est ≥ 6 sur l’échelle de
Richter) se produisant le long d’une faille donnée au cours d’un siècle, avec :
x −3
3 x!e
si x = 0, 1, 2, . . .
pX (x) = p(X = x) =
0 autrement
Exercice 5.11.4
On désigne par X la variable aléatoire réelle égale au nombre d’épouses qu’a un homme. La loi
de probabilité de X est donné par le tableau ci-dessous :
x 0 1 2 3
pX (x) 0, 17 0, 74 0, 08 0, 01
1. Quelle est la probabilité qu’un homme ait au moins une épouse ?
2. Quelle est la probabilité qu’un homme n’ait pas plus d’une épouse ?
3. Déterminer la fonction de répartition de la variable X ?
4. Calculer l’espérance mathématique puis la variance de X.
Exercice 5.11.5
Soit X une v.a.r. continue de fonction de répartition F . On définit l’application G de R dans
R par : Z y+1
G(y) = F (x)dx.
y
Montrer que G est la fonction de répartition d’une variable aléatoire Y absolument continue dont
on exprimera la densité de probabilité.
Exercice 5.11.6
La fonction de répartition F d’une variable aléatoire réelle X est définie par :
F : R −→ R
x0 2
1− si x > x0
x 7−→ F (x) = x ,
0 si x ≤ x0
où x0 est un nombre réel strictement positif.
1. Représenter graphiquement F
2. Montrer que X est une variable aléatoire absolument continue et exprimer sa fonction densité
de probabilité.
3. Calculer PX ([2x0 , 3x0 ]) = p(2X0 6 X 6 3X0 ).
Exercice 5.11.7
Soit l’équation différentielle :
y 0 + (ex − 1)y = 0. (E)
1. Déterminer la solution f de (E) telle que
Z +∞
f (x)dx = 1.
0
Exercice 5.11.10
Soit X la variable alátoire dont la fonction de densité est la fonction f définie par :
0 si x ∈
/ [a, b]
(
f (x) = 1
si x ∈ [a, b]
b−a
1. Déterminer la fonction génératrice des moments de X.
2. Déterminer la fonction caractéristique de X.
Exercice 5.11.11
Considérons la v.a.r. X de densité de probabilité la fonction f définie par :
f : R −→ R
x 7−→ f (x) = e−x 1]0;+∞[ (x)
c’est-à-dire
e−x si x > 0
f (x) =
0 si x 6 0
1. Montrer que MX est défini pour tout t ∈ ]−∞; 1[ et calculer MX (t).
2. En déduire E X k pour tout entier naturel non nul k.
6.1 Introduction
Les lois classiques de probabilité sont des distributions particulières de probabilité que l’on
utilise sur le plan théorique pour décrire certains phénomènes s’inscrivant dans les chémas clas-
siques qui ne sont rien d’autre que des matérialisations des phénomènes concrets de la vie socio-
économique. Dans ce chapitre, nous étudierons successivement la loi de Bernouilli, la loi binomiale,
loi hypergéométrique, loi uniforme, loi géométrique, loi de Pascal, la loi de Poisson, loi exponen-
tielle, loi Gamma et la loi de Laplace Gauss.
Definition 6.16 Soient p ∈ ]0; 1[ et k ∈ N∗ donnés ; on dit qu’une v.a.r. X suit la loi de Pascal
de paramètres k et p (notée X Pa (k, p)), lorsque X prend les valeurs n ∈ k, k + 1, · · ·, avec
les probabilités
p(X = n) = {k−1 k
n−1 p (1 − p)
n−k
.
Proposition 6.17 Si X suit la loi de Pascal Pa (k, p) avec (0 < p < 1), et k ∈ N∗ , alors
k k (1 − p)
E(X) = et V (X) = .
p p2
λk
p(X = k) = e−λ .
k!
On note X P(λ).
Proposition 6.19 — Si X suit la loi de Poisson P(λ), alors :
E(X) = V (X) = λ.
— Si X1 et X2 sont deux variables aléatoires indépendantes suivant respectivement les lois de
Poisson P(λ1 ) et P(λ2 ), alors la variable aléatoire réelle X1 + X2 suit la loi binomiale
P(λ1 + λ2 ).
Remarque 6.20 La loi de Poisson est utilisée lorsque l’étude statistique porte sur les phénomènes
rares.
Exemple 6.21 Un employé de la compagnie Confort Lines contrôle chaque lundi 100 voyageurs.
On note X le nombre de personnes qu’il trouve en situation irrégulière. On admet que X suit la
loi de Poisson de paramètre 2.
Quelle est la probabilité qu’aucune personne ne soit en situation irrégulière ?
Proposition 6.23 Si X suit la loi uniforme sur [a, b], alors X admet une espérance mathématique
et une variance et on a
a+b (b − a)2
E(X) = et V (X) = .
2 12
Definition 6.29 Une v.a.r. X suit la loi normale ou loi de Gauss de moyenne m et d’écart-type
σ que l’on note N (m, σ) lorsque X admet pour fonction de densité la fonction f définie par :
f : R −→ R
1 x−m 2
√1 e− 2 ( σ )
.
x 7−→ f (x) = σ 2π
u 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7290 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9779 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,99332 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
Table pour les grandes valeurs de u
Exemple 6.30 Soit T une variable aléatoire suivant la loi N (0, 1). Calculer
p(− 32 < T < 23 ).
Proposition 6.31 Une variable aléatoire réelle X suit la loi normale de paramètres m et σ (on
note X N (m, p)), si la variable aléatoire centrée réduite T = X−m
σ
associée à X suit la loi
normale centrée réduite.
Exemple 6.32 La taille d’une population est distribuée normalement avec une moyenne de 165
cm et un écart type égal à 15 cm. Déterminer la probabilité pour que la taille d’une personne soit :
1. inférieure à 150 cm ;
2. inférieure ou égale à 175 cm ;
3. supérieure ou égale à 175 cm ;
4. comprise entre 150 et 175 cm.
p Soit X une vaiale aléatoire réelle suivant la loi B(n, p). OnX−m sait que E(X) = np et σ(X) =
np(1 − p). Soit T la variable aléatoire réelle définie par T = σ . Lorsque n est assez grand, la
loi de T peut être approchée par la loi normale centrée réduite. p
En pratique, la loi B(n, p) peut être approchée par la loi normale N (np, np(1 − p)) lorsque :
n ≥ 30
np ≥ 15 .
p
np(1 − p) ≥ 5
Exemple 6.34 Le nombre d’atterrissages reçus toutes les 30 minutes par la tour de contrôle d’un
aéroport suit une loi de Poisson de paramètre λ = 24.
Quelle est la probabilité que le nombre de demandes enregistrées au terme de 30 minutes soit
supérieures à 30 ?
p zp p zp p zp p zp
0,0001 -3,7190 0,15 -1,0364 0,51 0,0251 0,87 1,1264
0,0002 -3,5401 0,16 -0,9945 0,52 0,0502 0,88 1,1750
0,0003 -3,4316 0,17 -0,9542 0,53 0,0753 0,89 1,2265
0,0004 -3,3528 0,18 -0,9154 0,54 0,1004 0,90 1,2816
0,0005 -3,2905 0,19 -0,8779 0,55 0,1257 0,91 1,3408
0,0006 -3,2389 0,20 -0,8416 0,56 0,1510 0,92 1,4051
0,0007 -3,1947 0,21 -0,8064 0,57 0,1764 0,925 1,4395
0,0008 -3,1559 0,22 -0,7722 0,58 0,2019 0,93 1,4758
0,0009 -3,1214 0,23 -0,7388 0,59 0,2275 0,94 1,5548
0,001 -3,0902 0,24 -0,7063 0,60 0,2533 0,95 1,6449
0,002 -2,8782 0,25 -0,6745 0,61 0,2793 0,96 1,7507
0,003 -2,7478 0,26 -0,6433 0,62 0,3055 0,97 1,8808
0,004 -2,6521 0,27 -0,6128 0,63 0,3319 0,975 1,9600
0,005 -2,5758 0,28 -0,5828 0,64 0,3585 0,98 2,0537
0,006 -2,5121 0,29 -0,5534 0,65 0,3853 0,985 2,1701
0,007 -2,4573 0,30 -0,5244 0,66 0,4125 0,99 2,3263
0,008 -2,4089 0,31 -0,4959 0,67 0,4399 0,991 2,3656
0,009 -2,3656 0,32 -0,4677 0,68 0,4677 0,992 2,4089
0,01 -2,3263 0,33 -0,4399 0,69 0,4959 0,993 2,4573
0,015 -2,1701 0,34 -0,4125 0,70 0,5244 0,994 2,5121
0,02 -2,0537 0,35 -0,3853 0,71 0,5534 0,995 2,5758
0,025 -1,9600 0,36 -0,3585 0,72 0,5828 0,996 2,6521
0,03 -1,8808 0,37 -0,3319 0,73 0,6128 0,997 2,7478
0,04 -1,7507 0,38 -0,3055 0,74 0,6433 0,998 2,8782
0,05 -1,6449 0,39 -0,2793 0,75 0,6745 0,999 3,0902
0,06 -1,5548 0,40 -0,2533 0,76 0,7063 0,9991 3,1214
0,07 -1,4758 0,41 -0,2275 0,77 0,7388 0,9992 3,1559
0,075 -1,4395 0,42 -0,2019 0,78 0,7722 0,9993 3,1947
0,08 -1,4051 0,43 -0,1764 0,79 0,8064 0,9994 3,2389
0,09 -1,3408 0,44 -0,1510 0,80 0,8416 0,9995 3,2905
0,10 -1,2816 0,45 -0,1257 0,81 0,8779 0,9996 3,3528
0,11 -1,2265 0,46 -0,1004 0,82 0,9154 0,9997 3,4316
0,12 -1,1750 0,47 -0,0753 0,83 0,9542 0,9998 3,5401
0,13 -1,1264 0,48 -0,0502 0,84 0,9945 0,9999 3,7190
0,14 -1,0803 0,49 -0,0251 0,85 1,0364
0,15 -1,0364 0,50 0,0000 0,86 1,0803
6.14 Exercices
6.14.1 Exercice
Thierry et 11 autres jeunes font un stage de 30 jours dans un grand labo-photo japonais. Chaque
soir, l’un d’eux, tiré au sort parmi les 12 stagiaires, gagne, en quittant le laboratoire, un appareil
photographique gracieusement offert.
Quelle est la probabilité qu’à l’issue de son stage Thierry ait gagné au moins deux appareils ?
6.14.2 Exercice
Début janvier, une grande surface met en location, à la journée, 20 shampouineuses à moquette
toutes neuves. Lorsqu’un appareil tombe en panne, il n’est pas réparé mais remplacé par une
shampouineuse toute neuve. On suppose que, pour chaque appareil, la probabilité qu’il soit à
changer au cours de l’année est égale à 0,2. Si l’appareil de remplacement vient à tomber en panne
également, il n’est pas changé.
1. Déterminer la probabilité des évènements suivants :
(a) A : ”aucune shampouineuse ne sera changée au cours de l’année” ;
(b) B : ”exactement trois shampouineuses seront changées au cours de l’année” ;
(c) C : ”moins de trois shampouineuses seront changées au cours de l’année” ;
(d) D : ”plus de trois shampouineuses seront changées au cours de l’année” ;
(e) E : ”au plus trois shampouineuses seront changées au cours de l’année”.
2. Le coût, pour la grande surface, du changement en cours d’année d’une shampouineuse est de
50.000 Francs, et l’entretien de l’ensemble des appareils représente un coût fixe de 1.200.000
francs pour une année. Déterminer l’espérance et l’écart type du coût pour une année.
6.14.3 Exercice
Une petite imprimerie vend des cartes de visite par paquets de 100. Il arrive parfois qu’une
carte échappe à l’impression. On note X le nombre de cartes toutes blanches dans un paquet. On
suppose que X suit une loi de Poisson de paramètre 1, 5.
1. Monsieur Solrac a commandé un paquet. Quelle est la probabilité qu’il y trouve :
(a) zéro carte blanche ?
(b) une seule carte blanche ?
(c) plus de deux cartes banches ?
2. Quels sont l’espérance et l’écart-type de X ?
3. Quelle est la valeur la plus probable de X ?
4. Seuls les paquets contenant plus de 4 cartes blanches font parfois l’objet d’une réclammation.
En moyenne, 10% de ces paquets sont rapportés chez l’imprimeur. Sur 10.000 paquets ven-
dus, combien, en moyenne, seront rapportés ?
5. Mademoiselle Alpha a commandé 5 paquets de 100 cartes de visite. Quelle est la probabilité
qu’elle ait exactement 8 cartes blanches ?
6.14.4 Exercice
Chaque année, il y a 450 morts accidentelles dues aux armes à feu parmi les 15 − 24 ans.
1. Quel est le nombre moyen de morts accidentelles dues aux armes à feu par semaine ?
2. Quelle est la probabilité qu’aucune mort accidentelle par arme à feu ne survienne au cours
d’une semaine ?
3. Quelle est la probabilité qu’au moins deux morts accidentelles par arme à feu ne survienne
en une journée ?
6.14.5 Exercice
1. Soit T une variable aléatoire suivant la loi N (0, 1). Calculer les probabilités des évènements
suivants :
(a) (−1 < T < 23 );
(b) (|T | < 1, 03);
(c) (|T | > 0, 62) ;
(d) (|T | ≥ −2, 23).
2. Soit X une variable aléatoire suivant la loi normale N (150, 10). Calculer les probabilités des
évènements suivants :
(a) (150 < X < 160);
(b) (|X| < 150);
(c) (|X| > 140) ;
(d) (X ≥ −160).
6.14.6 Exercice
L’âge moyen d’une personne qui se marie pour la première fois est de 26 ans. Supposez que
l’âge du premier mariage soit normalement distribué, avec un écart type de quatre ans.
1. Quelle est la probabilité qu’une personne qui se marie pour la première fois, ait plus de 20
ans ?
2. Quelle est la probabilité qu’une personne qui se marie pour la première fois, ait plus de 20
ans mais moins de 30 ans ?
3. Avant quel âge 90% des personnes se marient-elles pour la première fois ?
6.14.7 Exercice
Un organisme humanitaire prépare des petits colis contenant : un paquet de sucre, une boı̂te
de lait en poudre, un sachet de biscuits, du savon.
On note X1 , X2 , X3 et X4 les poids respectifs (en grammes) du paquet de sucre, de la boı̂te
de lait, du sachet de biscuits et du savon. On suppose que :
X1 N (1000; 50), X2 N (500; 25), X3 N (100; 5) et X4 N (125; 10).
1. Le carton d’emballage pèse 100 g. Déterminer la loi du poids total d’un colis.
2. Calculer la proportion de colis dont le poids est compris entre 1, 7 kg et 1, 9 kg?
3. Le coût (exprimé en euros) d’envoi d’un colis est de 20 euros (fixes) auxquels s’ajoutent 0, 005
euros par gramme. Déterminer l’espérance mathématique et l’écart type du coût d’envoi de
10000 colis.
4. On prend deux colis au hasard. Quelle est la probabilité que leur poids diffèrent de plus de
5 grammes ?
6.14.8 Exercice
Un toréfacteur reçoit en début de mois 150 kg de café qui viennent s’ajouter à sa réserve. La
demande mensuelle (en kilogrammes) suit une loi normale d’espérance 150 kg et d’écart type 15
kg.
1. Quelle est la probabilité que la demande mensuelle soit :
(a) inférieure à 180 kg ?
(b) inférieure à 150 kg ?
(c) comprise entre 120 et 160 kg ?
2. De quelle réserve doit-il disposer en début de mois (avant livraison de 150 kg) pour qu’il y
ait plus de 95 chances sur 100 qu’il ne soit pas en rupture de stock au cours du mois ?
6.14.9 Exercice
Une entreprise fabrique et commercialise des produits de consommation courante en très grand
nombre. Il y a une probabilité constante égale à 0, 1 qu’un article choisi au hasard dans la pro-
duction ne satisfasse pas aux normes imposées.
1. On prélève au hasard 10 articles. Calculer la probabilité qu’il y ait au moins un article non
conforme parmi ces dix articles.
2. On prélève au hasard 50 articles. Soit X1 le nombre d’articles non conformes parmi ces 50
articles :
(a) Indiquer la loi suivie par X1 (On justifiera avec soin le résultat.)
(b) Montrer que cette loi peut être approchée par une loi que l’on précisera.
(c) A l’aide de cette loi, calculer la probabilité qu’il y ait au plus 5 articles non conformes
parmi les 50 articles.
3. On prélève au hasard 500 articles. Soit X2 le nombre d’articles non conformes parmi ces 500
articles :
(a) Indiquer la loi suivie par X2 (On justifiera avec soin le résultat.)
(b) Montrer que cette loi peut être approchée par une loi que l’on précisera.
(c) A l’aide de cette loi, calculer la probabilité qu’il y ait au moins 50 articles non conformes
parmi les 500 articles.
6.14.10 Exercice
Soit X une variable aléatoire d’ensemble fondamental N. On pose, pour chaque k ∈ N, f (k) =
PX ({k} et on suppose que f vérifie la relation :
4
∀k ∈ N∗ , f (k) = f (k − 1).
k
Montrer que X est une variable de Poisson dont on donnera le paramètre .
6.14.11 Exercice
Une machine automatique est constituée de 50 éléments. On admet que pendant un temps T de
fonctionnement, chacun de ces éléments a la probabilité 0, 01 de tomber en panne indépendamment
des autres. La machine cesse de fonctionner si au moins 4 des éléments tombent en panne. On
désigne par X la variable aléatoire égale au nombre d’éléments parmi les 50 qui tombent en panne
pendant le temps T .
1. Quelle est la loi de probabilité de la variable aléatoire X ?
2. Montrer que cette loi peut être approchée par une autre loi que l’on précisera.
3. A l’aide de cette loi, calculer la probabilité pour que, pendant le temps T , la machine ne
s’arrête pas de fonctionner.