Ecole supérieure de finance et de comptabilité De Constantine

04/2021 Module Probabilité 𝟐è𝒎𝒆 année

Solution TD 04
EXERCICE 01 :

1
𝑓(𝑥) = {𝑎 𝑠𝑖 0 < 𝑥 ≤ 𝑎
0 𝑠𝑖𝑛𝑜𝑛
1/ La loi probabilité de v.a Y=𝑋 2 :

soit 𝑦 ∈ ℝ

𝐹𝑌 (𝑦) = 𝑃(𝑌 ≤ 𝑦) = 𝑃(𝑋 2 ≤ 𝑦) = 𝑃(|𝑋| ≤ √𝑦) = 𝑃(−√𝑦 ≤ 𝑋 ≤ √𝑦) 𝑆𝑖 𝑦 ≥ 0

𝐹𝑌 (𝑦) = 𝐹𝑋 (√𝑦) − 𝐹𝑋 (−√𝑦)

Donc
1
𝑑𝐹𝑌 (𝑦) 1 1 𝑠𝑖 0 < 𝑦 ≤ 𝑎2
𝑓𝑌 (𝑦) = =2 𝑓 (√𝑦) + 2 𝑓 (−√𝑦) = {2𝑎√𝑦
𝑑𝑦 √ 𝑦 𝑋 √ 𝑦 𝑋
0 𝑠𝑖𝑛𝑜𝑛

2/ La loi probabilité de v.a 𝑍 = √𝑋

soit 𝑧 ∈ ℝ

𝐹𝑍 (𝑧) = 𝑃(𝑍 ≤ 𝑧) = 𝑃(√𝑋 ≤ 𝑧) = 𝑃(𝑋 ≤ 𝑧 2 ) = 𝐹𝑋 (𝑧 2 ), Si 𝑧 ≥ 0

2𝑧
𝑑𝐹𝑍 (𝑧) 𝑠𝑖 0 < 𝑧 ≤ √𝑎
Donc 𝑓𝑍 (𝑧) = = 2𝑧𝑓𝑋 (𝑧 2 ) = { 𝑎
𝑑𝑧
0 𝑠𝑖𝑛𝑜𝑛

Exercice 02 : Y est une v.a continue qui suit la loi exponentielle de paramètre
𝜆 > 0 et de densité de probabilité g donnée par :
−𝜆𝑦
𝑔(𝑦) = {𝜆𝑒 𝑠𝑖 𝑦 ≥ 0
0 𝑠𝑖 𝑛𝑜𝑛
X est une v.a définie par X=𝑒 𝑌
1. Déterminons la fonction de densité de la v.a X.
𝑆𝑜𝑖𝑡 𝑥 ∈ 𝑅 ; 𝐹𝑋 (𝑥) = 𝑃(𝑋 ≤ 𝑥) = 𝑃(𝑒 𝑌 ≤ 𝑥) = 𝑃(𝑌 ≤ ln 𝑥), ∀ 𝑥 > 0
= 𝐹𝑌 (ln 𝑥 ).
𝜆 −𝜆
Donc 𝑓𝑋 (𝑥) = 𝑔(ln 𝑥 ) = {𝑥 𝑥
1 𝑠𝑖 ln 𝑥 ≥ 0 = 𝜆𝑥 −(𝜆+1) 𝑠𝑖 𝑥 ≥ 1
{
𝑥
0 𝑠𝑖 𝑛𝑜𝑛 0 𝑠𝑖 𝑛𝑜𝑛
2. Déterminons la fonction de répartition F de la variable aléatoire X.

1
 𝑠𝑖 𝑥 > 0 ; 𝐹𝑋 (𝑥) = 𝐹𝑌 (ln 𝑥 ).
𝑠𝑖 𝑥 ≤ 0 ; 𝐹𝑋 (𝑥) = 0.
𝑡
𝐹𝑌 (𝑡) = ∫ 𝑔(𝑦)𝑑𝑦
−∞
𝑠𝑖 𝑡 ≤ 0; 𝐹𝑌 (𝑡) = 0
𝑡 𝑡
𝑠𝑖 𝑡 > 0 ;𝐹𝑌 (𝑡) = ∫−∞ 𝑔(𝑦)𝑑𝑦 = ∫0 𝜆𝑒 −𝜆𝑦 𝑑𝑦 = [−𝑒 −𝜆𝑦 ]𝑡0 = 1 − 𝑒 −𝜆𝑡 .
−𝜆
Donc 𝐹𝑋 (𝑥) = {1 − 𝑥 𝑠𝑖 𝑥 ≥ 1
0 𝑠𝑖 𝑛𝑜𝑛

3. Calculons E(X).
+∞ +∞ +∞
𝐸(𝑋) = ∫−∞ 𝑥𝑓𝑋 (𝑥)𝑑𝑥 = ∫1 𝑥𝜆𝑥 −(𝜆+1) 𝑑𝑥 = 𝜆 ∫1 𝑥 −𝜆 𝑑𝑥.
+∞
𝑠𝑖 𝜆 = 1; 𝐸(𝑋) = ∫1 𝑥 −1 𝑑𝑥 = [ln 𝑥]1+∞ = +∞ donc 𝐸(𝑋) n’existe pas

De même pour 𝜆 < 1 , 𝐸(𝑋) n’existe pas

+∞ 𝜆 𝜆
𝑠𝑖 𝜆 > 1; 𝐸(𝑋) = 𝜆 ∫1 𝑥 −𝜆 𝑑𝑥 = [ 𝑥 1−𝜆 ]1+∞ = − .
1−𝜆 1−𝜆
4. Calculons E(𝑋 𝑘 ) pour tout 𝑘 ≥ 1
+∞ +∞ +∞
E(𝑋 𝑘 )= ∫−∞ 𝑥 𝑘 𝑓𝑋 (𝑥)𝑑𝑥 = ∫1 𝑥 𝑘 𝜆𝑥 −(𝜆+1) 𝑑𝑥 = 𝜆 ∫1 𝑥 𝑘−𝜆−1 𝑑𝑥
Si 𝑘 ≥ 𝜆 ; E(𝑋 𝑘 ) n’existe pas
𝜆 𝜆
Sinon ; E(𝑋 𝑘 ) = [ 𝑥 𝑘−𝜆 ]1+∞ = − .
𝑘−𝜆 𝑘−𝜆
5. on déduire que la v.a X n’admet pas de fonction génératrice des moments.
La fonction génératrice des moments s’écrit :
′ (0)𝑡 ′′ (0)
𝑡2 (𝑘)
𝑡𝑘
𝑀(𝑡) = 𝑀(0) + 𝑀 +𝑀 + ⋯ + 𝑀 (0) + ⋯
2 𝑘!
2 𝑘
𝑡 𝑡
𝑀(𝑡) = 𝑀(0) + 𝐸(𝑋)𝑡 + 𝐸(𝑋 2 ) + ⋯ + 𝐸(𝑋 𝑘 ) + ⋯
2 𝑘!
𝑘
D’où M(t) n’existe pas parce que pour 𝑘 ≥ 𝜆 ; E(𝑋 ) n’existe pas
EXERCICE 03 :

1
𝑋 ↝ 𝑈[−2; 4] ⟹ 𝑓𝑋 (𝑥) = {6 𝑠𝑖 𝑥 ∈ [−2; 4]
0 𝑠𝑖𝑛𝑜𝑛

1/ La représentation graphique de 𝑓𝑋 :

2
𝑃(−3 ≤ 𝑋 ≤ 0) = 𝑙𝑎 𝑠𝑢𝑟𝑓𝑎𝑐𝑒 𝑐𝑜𝑚𝑝𝑟𝑖𝑠𝑒 𝑒𝑛𝑡𝑟𝑒 𝐶𝑓 ; 𝑋 = −3 𝑒𝑡 𝑋 = 0

1 1
= ×3 =
6 2
1 1
𝑃(−2 ≤ 𝑋 ≤ 0) = ×2=
6 3
1 1
𝑃(0 ≤ 𝑋 ≤ 2) = ×2=
6 3
1 1
𝑃(0 ≤ 𝑋 ≤ 3) = 6 × 3 = 2

EXERCICE 04 :

1 𝑠𝑖 𝑥 ∈ [0; 1]
𝑋 ↝ 𝑈[0; 1] ⟹ 𝑓𝑋 (𝑥) = {
0 𝑠𝑖𝑛𝑜𝑛
1/ La loi de V=-ln(X) :

∀𝑣 ∈ ℝ 𝐹𝑉 (𝑣) = 𝑃(𝑉 ≤ 𝑣) = 𝑃(−𝑙𝑛𝑋 ≤ 𝑣) = 𝑃(𝑙𝑛𝑋 ≥ −𝑣) = 𝑃(𝑒 𝑙𝑛𝑋 ≥ 𝑒 −𝑣 )

= 𝑃(𝑋 ≥ 𝑒 −𝑣 ) = 1 − 𝑃(𝑋 ≤ 𝑒 −𝑣 )

= 1 − 𝐹𝑋 (𝑒 −𝑣 )

𝑒 −𝑣 𝑠𝑖 𝑒 −𝑣 ∈ [0; 1] 𝑒 −𝑣 𝑠𝑖 𝑣 ∈ [0; +∞[

Donc 𝑓𝑉 (𝑣) = 𝑒 −𝑣 𝑓𝑋 (𝑒 −𝑣 ) = { ={
0 𝑠𝑖𝑛𝑜𝑛 0 𝑠𝑖𝑛𝑜𝑛
2/ Calculons 𝑃(|𝑉 − 1| > 10):

𝑃(|𝑉 − 1| > 10) = 1 − 𝑃(|𝑉 − 1| ≤ 10)

= 1 − 𝑃(−10 ≤ 𝑉 − 1 ≤ 10)
11
= 1 − P(−9 ≤ V ≤ 11) = 1 − ∫0 𝑒 −𝑣 𝑑𝑣 = 𝑒 −11 .

−𝜆𝑥
Exercice 05 𝑇𝑘 ~𝜀(𝜆) ⇔ 𝑓(𝑥) = {𝜆𝑒 𝑠𝑖 𝑥 ≥ 0
0 𝑠𝑖𝑛𝑜𝑛
−𝜆𝑥
Donc 𝐹𝑇𝑘 (𝑥) = {1 − 𝑒 𝑠𝑖 𝑥 ≥ 0
0 𝑠𝑖𝑛𝑜𝑛
1. Calculons P(𝑇𝑘 > 𝑡)
−𝜆𝑡
P(𝑇𝑘 > 𝑡) = 1 − P(𝑇𝑘 ≤ 𝑡) = 1 − 𝐹 𝑇𝑘 (𝑡) = { 𝑒 𝑠𝑖 𝑡 ≥ 0
1 𝑠𝑖𝑛𝑜𝑛
3
2. Calculons P(U>t) dans les cas suivantes :

i) Dans le cas où le système fonctionne si et seulement si tous les éléments fonctionnent

P(U>t) = P(𝑇1 > 𝑡 𝑒𝑡 𝑇2 > 𝑡)

Comme 𝑇1 𝑒𝑡 𝑇2 sont indépendantes de même loi

−2𝜆𝑡
P(U>t) = P(𝑇1 > 𝑡 𝑒𝑡 𝑇2 > 𝑡)= [𝑃(𝑇1 > 𝑡)]2 = { 𝑒 𝑠𝑖 𝑡 ≥ 0
1 𝑠𝑖𝑛𝑜𝑛
ii) Dans le cas où le système fonctionne ssi au mois des éléments fonctionne.

P(U>t) = P(𝑇1 > 𝑡 𝑜𝑢 𝑇2 > 𝑡) = P(𝑇1 > 𝑡) + P(𝑇2 > 𝑡) − P(𝑇1 > 𝑡 𝑒𝑡 𝑇2 > 𝑡)
−𝜆𝑡 −𝜆𝑡
= 2P(𝑇1 > 𝑡) − P(𝑇1 > 𝑡 𝑒𝑡 𝑇2 > 𝑡) = {𝑒 (2 − 𝑒 ) 𝑠𝑖 𝑡 ≥ 0 )
1 𝑠𝑖𝑛𝑜𝑛
3. la loi de U

∀𝑡 ∈ ℝ ; 𝐹𝑈 (𝑡) = P(U ≤ t)
−2𝜆𝑡
Dans le cas i, 𝐹𝑈 (𝑡) = P(U ≤ t) = 1 − P(U > 𝑡) = {1 − 𝑒 𝑠𝑖 𝑡 ≥ 0
0 𝑠𝑖𝑛𝑜𝑛
−2𝜆𝑡
Donc 𝑓𝑈 (𝑡)={2𝜆𝑒 𝑠𝑖 𝑡 ≥ 0
0 𝑠𝑖𝑛𝑜𝑛
Donc U~ 𝜀(2𝜆)
1
E(U)= 2𝜆.

Exercice 06 :
𝑋−𝜇
Rappelle : si X~𝑁(𝜇, 𝜎 2 ) alors ~𝑁(0,1)
𝜎

𝑋−5
On a X~𝑁(5 , 0.022 ) donc 𝑍 = ~𝑁(0,1).
0.02

1. Calculons la probabilité pour que la longueur de la barre soit comprise entre 4.98m et
5.019m :
4.98−5 𝑋−5 5.019−5
𝑃(4.98 ≤ 𝑋 ≤ 5.019) = 𝑃 ( ≤ ≤ ) = 𝑃(−1 ≤ 𝑍 ≤ 0.95)
0.02 0.02 0.02

= 𝐹(0.95) − 𝐹(−1) = 𝐹(0.95) − (1 − 𝐹(1))

De la table du loi normale centrée réduite on obtient

𝐹(0.95) = 0.8289.

4
𝐹(−1) = 𝑃(𝑋 ≤ −1)=P(X≥ 1) = 1 − 𝑃(𝑋 < 1)=1-F(1)

𝐹(1) = 0.8413.

Donc 𝑃(4.98 ≤ 𝑋 ≤ 5.019) = 0.8289 + 0.8413 − 1 = 0.6702.

𝑃(5≤𝑋≤5.019) 𝑃(0≤𝑍≤0.95) 𝐹(0.95)−𝐹(0) 0.8289−0.5
2. 𝑃(𝑋 ≤ 5.019\𝑋 > 5) = 𝑃(𝑋>5)=1−𝑃(𝑋<5) = = = =
1−𝑃(𝑍≤0) 1−𝐹(0) 0.5
0.6578

3. Trouvons le nombre réel a tel que 𝑃(𝜇 − 𝑎 < 𝑋 ≤ 𝜇 + 𝑎) = 95%

−𝑎 𝑎
𝑃(𝜇 − 𝑎 < 𝑋 ≤ 𝜇 + 𝑎) = 0.95 ⇔ 𝑃 ( ≤𝑍≤ ) = 0.95
0.02 0.02
𝑎 𝑎 𝑎 𝑎
⇔ 𝐹( ) − 𝐹 (− ) = 0.95 ⇔ 𝐹 ( ) − [1 − 𝐹 ( )] = 0.95
0.02 0.02 0.02 0.02
𝑎 𝑎 1.95
⇔ 2𝐹 ( ) − 1 = 0.95 ⇔ 𝐹 ( )= = 0.975
0.02 0.02 2
𝑎
D’après la table du loi normale centrée réduite on trouve que 0.02 = 1.96 ⇔ 𝑎 = 0.0392

0 𝑠𝑖 𝑥 < 0
1 𝑠𝑖 𝑥 ∈ [0; 1]
Exercice 07 : 𝑋𝑖 ~𝑈[0,1] ⇒ 𝑓(𝑥) = { et 𝐹𝑋𝑖 (𝑥) = {𝑥 𝑠𝑖 𝑥 ∈ [0; 1]
0 𝑠𝑖𝑛𝑜𝑛 1 𝑠𝑖 𝑥 > 1

𝑌 = inf(𝑋1 , 𝑋2 , … , 𝑋𝑛 )

Z=max(𝑋1 , 𝑋2 , … , 𝑋𝑛 )

1. La densité de probabilité de Y

∀𝑦 ∈ ℝ ; 𝐹𝑌 (𝑦) = P(Y ≤ y) = P(inf(𝑋1 , 𝑋2 , … , 𝑋𝑛 ) ≤ 𝑦) = 1 − 𝑃(inf(𝑋1 , 𝑋2 , … , 𝑋𝑛 ) > 𝑦)

= 1 − 𝑃(𝑋1 > 𝑦, … , 𝑋𝑛 > 𝑦)

Comme les 𝑋𝑖 sont indépendantes de même loi

𝑛
𝐹𝑌 (𝑦) = 1 − 𝑃(𝑋1 > 𝑦, 𝑋2 > 𝑦, … , 𝑋𝑛 > 𝑦) = 1 − 𝑃(𝑋𝑖 > 𝑦)𝑛 = 1 − (1 − 𝐹𝑋𝑖 (𝑦))

1 − (1 − 𝑦)𝑛 𝑠𝑖 𝑦 ∈ [0; 1]
𝐹𝑌 (𝑦) = { 1 𝑠𝑖 𝑦 ≥ 1
0 𝑠𝑖𝑛𝑜𝑛
𝑛−1 𝑛−1
Donc 𝑓𝑌 (𝑦) = (𝐹𝑌 (𝑦))′ = 𝑛𝑓𝑋 (𝑦) (1 − 𝐹𝑋1 (𝑦)) = {𝑛(1 − 𝑦) 𝑠𝑖 𝑦 ∈ [0; 1]
0 𝑠𝑖𝑛𝑜𝑛
La densité de probabilité de Z

∀𝑧 ∈ ℝ ; 𝐹𝑍 (𝑧) = P(Z ≤ z) = P(max(𝑋1 , 𝑋2 , … , 𝑋𝑛 ) ≤ 𝑧) = 𝑃(𝑋1 ≤ 𝑧, 𝑋2 ≤ 𝑧, … , 𝑋𝑛 ≤ 𝑧)

Comme les 𝑋𝑖 sont indépendantes de même loi

5
 𝑛
𝐹𝑍 (𝑧) = 𝑃(𝑋1 ≤ 𝑧) .

𝑛−1 𝑛−1
Donc 𝑓𝑍(𝑧) = 𝑛𝑓𝑋 (𝑧) (𝐹𝑋1 (𝑧)) = { 𝑛𝑧 𝑠𝑖 𝑧 ∈ [0; 1]
0 𝑠𝑖𝑛𝑜𝑛
2. Calculons E(Y), E(Z) et V(Y), V(Z)
+∞ 1 1 1
E(Y)= ∫−∞ 𝑦 𝑓𝑌 (𝑦)𝑑𝑦 = ∫0 𝑛𝑦(1 − 𝑦)𝑛−1 𝑑𝑦 = [−𝑦(1 − 𝑦)𝑛 ]10 + ∫0 (1 − 𝑦)𝑛 𝑑𝑦 = [− 𝑛+1 (1 −
1
𝑦)𝑛 = (intégration par partie)
𝑛+1

+∞ 1 1 𝑛
𝐸(𝑍) = ∫−∞ 𝑧 𝑓𝑍 (𝑧)𝑑𝑧 = ∫0 𝑛𝑧𝑧 𝑛−1 𝑑𝑧 = 𝑛[𝑛+1 𝑧 𝑛+1 ]10 = 𝑛+1 .

V(Y)=E(𝑌 2 ) − (𝐸(𝑌))2
+∞ 1 𝑛 1
E(𝑌 2 ) = ∫−∞ 𝑦2 𝑓𝑌 (𝑦)𝑑𝑦 = ∫0 𝑛𝑦2 (1 − 𝑦)𝑛−1 𝑑𝑦 = [−𝑦2 (1 − 𝑦) ]10 + ∫0 2𝑦(1 − 𝑦)𝑛 𝑑𝑦

1 −𝑦 1 1 −1
= 2 ∫0 𝑦(1 − 𝑦)𝑛 𝑑𝑦 = 2[[𝑛+1 (1 − 𝑦)𝑛+1 ]10 + ∫0 𝑛+1
(1 − 𝑦)𝑛+1 𝑑𝑦] = 2[(𝑛+1)(𝑛+2) (1 − 𝑦)𝑛+1 ]10

2
=
(𝑛 + 1)(𝑛 + 2)
2 1 𝑛
𝑉(𝑌) = (𝑛+1)(𝑛+2) − (𝑛+1)2 = (𝑛+1)2 (𝑛+2) .

V(Z)=E(𝑍 2 ) − (𝐸(𝑍))2
+∞ 1 1 𝑛 𝑛
E(𝑍 2 ) = ∫−∞ 𝑧2 𝑓𝑍 (𝑧)𝑑𝑧 = ∫0 𝑧 2 𝑛𝑧 𝑛−1 𝑑𝑧 = 𝑛 ∫0 𝑧 𝑛+1 𝑑𝑧 = [𝑧 𝑛+2 ] =
𝑛+2 𝑛+2

𝑛 𝑛2 𝑛
V(Z)= − = .
𝑛+2 (𝑛+1)2 (𝑛+1)2 (𝑛+2)

Exercice 08

𝑋 − 35
𝑋~𝑁(35, 52 ) 𝑑𝑜𝑛𝑐 𝑍 = ~ 𝑁(0,1)
5
a)Calculons P(X<25) ,P(37.5<X<40) et P(32.5<X<37.5)
25−35
𝑃(𝑋 < 25) = 𝑃 (𝑍 < ) = 𝑃(𝑍 < −2) = 𝐹(−2) = 1 − 𝐹(2) = 1 − 0.9772 = 0.0228
5

(D’après la table du loi normale (2) = 0.9772 )

𝑃(37.5 < 𝑋 < 40) = 𝑃(0.5 < 𝑍 < 1) = 𝐹(1) − 𝐹(0.5) = 0.8413 − 0.6915 = 0.1498.
(D’après la table du loi normale (1) = 0.8413; 𝐹(0.5) = 0.6915 )

𝑃(32.5 < 𝑋 < 37.5) = 𝑃(−0.5 < 𝑍 < 0.5) = 𝐹(0.5) − 𝐹(−0.5)
= 𝐹(0.5) − (1 − 𝐹(0.5)) = 2𝐹(0.5) − 1 = 2(0.6915) − 1 = 0.383.

6
Calculons l’espérance et la variance d’une v.a Y de loi normale tel que :P(Y>-3) = 0.6915 et
P(Y<2) = 0.9772.
𝑌−𝜇
Y~𝑁(𝜇, 𝜎 2 ) ⇔ 𝑍 = ~𝑁(0,1)
𝜎

𝑌−𝜇 −3−𝜇
P(Y>-3) = 0.6915⇔ 𝑃 (𝑍 = > ) = 0.6915
𝜎 𝜎

−3−𝜇 3+𝜇
⇔ 1−𝐹( ) = 0.6915 ⇔ 𝐹 ( ) = 0.6915
𝜎 𝜎

3+𝜇
⇔ = 0.5…….(1)
𝜎

𝑌−𝜇 2−𝜇 2−𝜇

𝑃(𝑌 < 2) = 0.9772 ⇔ 𝑃 (𝑍 = < ) = 0.9772 ⇔ 𝐹 ( ) = 0.9772
𝜎 𝜎 𝜎
2−𝜇
⇔ = 2 … . . (2)
𝜎
De (1) et (2) on trouve 𝜇 = −2, 𝜎 = 2
Donc E(Y) = -2 , V(Y) = 4.

Exercice 09
Calculer la valeur de la probabilité P(𝑋 2 − 6𝑋 < 1.84)

1. On a X~𝑁(𝜇, 𝜎 2 ) cherchons La valeur de 𝜇 𝑒𝑡 𝑑𝑒 𝜎

𝑋−𝜇 2−𝜇 2−𝜇
P(X<2)=0.3085⇔ 𝑃 (𝑍 = < ) = 0.3085 ⇔ 𝐹 ( ) = 0.3085.
𝜎 𝜎 𝜎

la valeur 0.3085 n’existe pas dans la table du loi normale, mais on sait que (𝑥) = 1 −
𝐹(− 𝑥) .
2−𝜇 −2+𝜇 −2+𝜇
Donc 𝐹 ( ) = 0.3085 ⇔ 𝐹 ( ) = 0.6915 ⇔ = 0.5 … . (1)
𝜎 𝜎 𝜎

𝑋−𝜇 8−𝜇
P(X > 8)= 0.0062 ⇔ 𝑃(𝑋 ≤ 8) = 0.9938 ⇔ 𝑃 (𝑍 = < ) = 0.9938
𝜎 𝜎

8−𝜇 8−𝜇
𝐹( ) = 0.9938 ⇔ = 2.5 … . (2)
𝜎 𝜎

De (1) et (2) 𝜇 = 3; 𝜎 = 2.

P(𝑋 2 − 6𝑋 < 1.84) = 𝑃(𝑋 2 − 6𝑋 + 9 < 1.84 + 9) = 𝑃((𝑋 − 3)2 ≤ 10.84) =

𝑋−3 10.84
𝑃 (( 2 )2 ≤ 22 ).
𝑋−3 𝑋−3 2
~𝑁(0,1) donc 𝑍 = ( ) ~𝜒 2 (1)
2 2

Rappelle : Si 𝑋1,..., 𝑋𝑛 sont des v.a. indépendantes et de même loi N(0, 1),alors 𝑋1 2 +…+
𝑋𝑛 2 suit une loi du khi-deux à n degrés de liberté.

D’après la table du khi-deux on obtient

7
P(𝑋 2 − 6𝑋 < 1.84) = 𝑃(𝑍 ≤ 2.71) = 0.9

2. Calculons la valeur du réel a tel que : P((𝑌 − 3) 2 < 𝑎) = 0.975

Y~𝑁(𝜇, 𝜎 2 ) Cherchons la valeur de 𝜇 𝑒𝑡 𝑑𝑒 𝜎

𝑌−𝜇 2−𝜇 2−𝜇
On a : P(Y<2)= 0.0228 ⇔ 𝑃 (𝑍 = < ) = 0.0228 ⇔ 𝐹 ( ) = 0.0228
𝜎 𝜎 𝜎

la valeur 0.0228 n’existe pas dans la table du loi normale, mais on sait que (𝑥) = 1 −
𝐹(− 𝑥) .
2−𝜇 −2+𝜇 −2+𝜇
Donc 𝐹 ( ) = 0.0228 ⇔ 𝐹 ( ) = 0.9772 ⇔ = 2 … . (1)
𝜎 𝜎 𝜎

𝑌−𝜇 −3.5−𝜇
P(Y >3.5 )= 0.1587 ⇔ 𝑃(𝑌 ≤ −3.5) = 0.8413 ⇔ 𝑃 (𝑍 = < ) = 0.8413
𝜎 𝜎

3.5−𝜇 −3.5−𝜇
⇔ 𝐹( ) = 0.8413 ⇔ = 1 … . (2)
𝜎 𝜎

1
De (1) et (2) on trouve 𝜇 = 3, 𝜎 = 2
𝑌−3 𝑌−3 2
On sait que 1 ~𝑁(0,1) 𝑑𝑜𝑛𝑐 ( 1 ) ~𝜒 2 (1)
2 2

2
2 𝑌−3 𝑎
Et P((𝑌 − 3) < 𝑎) = 0.975 ⇔ 𝑃 (( 1 ) < 12 ) = 0.975
2 2

2
𝑌−3 𝑎
⇔ 𝑃 (( ) < ) = 𝑃(𝑍 < 5.024)
1 1 2
(2)
2

⇔ 4𝑎 = 5.024 ⇔ 𝑎 = 1.31

Exercice 10

1 −1 2
𝑥
𝑋~𝑁(0,1) ⇔ 𝑓(𝑥) = 𝑒 2 ;𝑥 ∈ℝ
√2𝜋
−1 2 −1 2
+∞ 𝑥 1
1. E(X)=∫−∞ 𝑒 2 𝑥 𝑑𝑥 = [−𝑒 2 𝑥 ]+∞
−∞ = 0
√2𝜋 √2𝜋

V(X)= E(𝑋 2 ) − (𝐸(𝑋))2

+∞ 𝑥2 −1𝑥2 1 −1 2
+∞ −1 2 1
V(X)= E(𝑋 2 ) = ∫−∞
√2𝜋
𝑒 2 𝑑𝑥 = √2𝜋 ([−𝑥𝑒 2 𝑥 ]+∞
−∞
+ ∫−∞ 𝑒 2 𝑥 𝑑𝑥) = √2𝜋 . √2𝜋 = 1.
−1 2
+∞
(𝑐𝑎𝑟 ∫−∞ 𝑒 2 𝑥 𝑑𝑥 = √2𝜋)

2. Y une v.a.r telle que Y=𝜎𝑋 + 𝜇 (𝜇 ∈ ℝ , 𝜎 > 0)

La densité de Y

8
 𝑦−𝜇 𝑦−𝜇
∀𝑦 ∈ ℝ, 𝐹𝑌 (𝑦) = 𝑃(𝑌 ≤ 𝑦) = 𝑃(𝜎𝑋 + 𝜇 ≤ 𝑦) = 𝑃 (𝑋 ≤ ) = 𝐹𝑋 ( )
𝜎 𝜎
1 𝑦−𝜇 2
1 𝑦−𝜇 1
Donc 𝑓𝑌 (𝑦) = 𝜎 𝑓𝑋 ( ) = 𝜎√2𝜋 𝑒 −2( 𝜎
)
;𝑦 ∈ ℝ
𝜎

E(Y)= E (𝜎𝑋 + 𝜇) = 𝜎𝐸(𝑋) + 𝜇 = 𝜎. (0) + 𝜇 = 𝜇 (linéarité de l’espérance )

2
V(Y)= E(𝑌 2 ) − (𝐸(𝑌))2 = 𝐸((𝜎𝑋 + 𝜇)2 ) − 𝜇2 = 𝐸(𝜎2 𝑋 + 𝜇𝜎𝑋 + 𝜇2 ) − 𝜇2

=𝜎 2 E(𝑋2 ) + 𝜇𝜎𝐸(𝑋) + 𝜇2 − 𝜇 2 = 𝜎 2 .

( ou bien V(Y)= V(𝜎𝑋 + 𝜇) = 𝜎 2 𝑉(𝑋) = 𝜎 2 ( propriété du variance))

Exercice 11 :
X~𝜉(2) alors la fonction de répartition de X est 𝐹𝑋 (𝑥) = 1 − 𝑒 −2𝑥 , 𝑥 > 0
1 𝑠𝑖 𝑋 > 1
𝑌={
−1 𝑠𝑖 𝑋 ≤ 1
La loi de Y :𝑌(Ω) = {−1,1}

𝑃(𝑌 = 1) = 𝑃(𝑋 > 1) = 1 − 𝐹𝑋 (1) = 𝑒 −2

𝑃(𝑌 = −1) = 𝑃(𝑋 ≤ 1) = 𝐹𝑋 (1) = 1 − 𝑒 −2

2. la fonction génératrice des moments de Y :

𝑀𝑌 (𝑡) = 𝐸(𝑒 𝑡𝑦 ) = 𝑒 −𝑡 𝑃(𝑌 = −1) + 𝑒 𝑡 𝑃(𝑌 = 1) = 𝑒 −𝑡 − 𝑒 −𝑡−2 + 𝑒 −2+𝑡

E(Y)= 𝑀′𝑌 (0) = −1 + 2𝑒 −2

Avec 𝑀′𝑌 (𝑡) = −𝑒 −𝑡 + 𝑒 −𝑡−2 + 𝑒 −2+𝑡

2
V(Y)= E(𝑌 2 )-(𝐸(𝑌))2=𝑀′′𝑌 (0) − (𝑀′𝑌 (0)) = 4𝑒 −4 + 2𝑒 −2

Et comme E(𝑌 2 ) = 𝑀′′𝑌 (0) =1

Exercice 12

X une v.a de densité 𝑓(𝑥) = exp[−(𝑥 − 𝜃) − 𝑒 −(𝑥−𝜃) ]

Déterminons la loi de probabilité de 𝑌 = 𝑒 −(𝑋−𝜃)

∀𝑦 ∈ ℝ+ , 𝐹𝑌 (𝑦) = 𝑃(𝑌 ≤ 𝑦) = 𝑃(𝑒 −(𝑋−𝜃) ≤ 𝑦) = 𝑃(−(𝑋 − 𝜃) ≤ ln 𝑦)

= 𝑃(𝑋 ≥ − ln 𝑦 + 𝜃) = 1 − 𝐹𝑋 (− ln 𝑦 + 𝜃)
1 1
Donc 𝑓𝑌 (𝑦) = 𝑦 𝑓𝑋 (− ln 𝑦 + 𝜃) = 𝑦 exp(ln 𝑦 − 𝑦) = 𝑒 −𝑦 ; 𝑠𝑖𝑦 ∈ ℝ+

𝑒 −𝑦 𝑠𝑖 𝑦 ≥ 0
𝑓𝑌 (𝑦) = {
0 𝑠𝑖𝑛𝑜𝑛
Donc 𝑌~𝜀(1) et 𝑆𝑛 = ∑𝑛𝑖=1 𝑌𝑖 ~𝜀(𝑛).

9
La somme de deux variables aléatoires indépendantes, suivant des lois exponentielles de
paramètres respectifs 𝜆1 et 𝜆2 , est une variable aléatoire suivant une loi exponentielle de
paramètre 𝜆1 + 𝜆2 .

Exercice 13 :

1. (voire le cours)
1 2
2 1 +∞ 𝑡x2
2. Z = T 2 , 𝑀𝑍 (𝑡) = 𝐸(𝑒 𝑡𝑍 ) = 𝐸(𝑒 𝑡T ) = ∫ 𝑒 𝑒 −2x 𝑑𝑥
√2𝜋 −∞
+∞
1 1 2
= ∫ 𝑒 −2(1−2𝑡)x 𝑑𝑥
√2𝜋 −∞
1
si 1 − 2𝑡 > 0 alors 𝑡 <
2
on pose 𝑢 = 𝑥√1 − 2𝑡 d’où du= √1 − 2𝑡𝑑𝑥 , alors on a
+∞
1 1
− u2 𝑑𝑢
𝑀𝑍 (𝑡) = ∫ 𝑒 2
√2𝜋 −∞ √1 − 2𝑡
1 1 1
𝑀𝑍 (𝑡) = √2𝜋 =
√2𝜋 √1 − 2𝑡 √1 − 2𝑡
3. Calcul de E(Z) et V(Z) :
On sait que E(Z)= 𝑀′𝑍 (0) et V(Z) =𝑀𝑍′′ (0) − (𝑀′𝑍 (0))2
2
−5
Et on a 𝑀𝑍′ (𝑡) = 2√1−2𝑡
et 𝑀𝑍′′ (𝑡) = 3(1 − 𝑡) 2
1−2𝑡
Pour t=0 on obtient : E(Z)= 𝑀′𝑍 (0) = 1 𝑒𝑡 𝑀𝑍′′ (0) = 3
V(Z) =𝑀𝑍′′ (0) − (𝑀′𝑍 (0))2 = 3 − 1 = 2

Exercice 14 :
a) 𝑋~𝔅(100, 0.2) donc 𝐸(𝑋) = 𝑛𝑝 = 20 , 𝜎 = √𝑛𝑝𝑞 = 4

b) Dans cette situation la probabilité binomiales peuvent être estimées par la loi normale car :

n est suffisamment grand et p=0.2 n’est pas trop voisin de 0 et 1

; 𝑋𝔅 ≈ 𝑋𝑁 ~𝑁(20, 42 ).

c) La probabilité d’exactement 30 succès

70
P(𝑋𝔅 =30)=𝐶30 30
100 (0.2) (0.8) =

29.5−20 𝑋𝑁 −20 30.5−20 𝑋𝑁 −20

P(𝑋𝔅 =30)= 𝑃(29.5 ≤ 𝑋𝑁 ≤ 30.5) = 𝑃 ( 4
≤ 4
≤ 4
)= 𝑃 (2.375 ≤ 4
≤ 2.625) =
𝐹(2.625) − 𝐹(2.375) = 0,9956 − 0,9911 = 0.0045

d) La probabilité que le nombre de succès soit comprise entre 18 et 22

17.5 − 20 𝑋𝑁 − 20 22.5 − 20
𝑃(18 ≤ 𝑋𝔅 ≤ 22) ≈ 𝑃(17.5 ≤ 𝑋𝑁 ≤ 22.5) = 𝑃 ( ≤ ≤ )
4 4 4

10
 = 𝑃(−0.625 ≤ 𝑍 ≤ 0.625) = 2𝐹(0.625) − 1 = 2(0.7324) − 1 = 0.4648

e) La probabilité que le nombre de succès soit inférieure ou égal à 15

𝑋𝑁 − 20 15.5 − 20
𝑃(𝑋𝔅 ≤ 15) ≈ 𝑃(𝑋𝑁 ≤ 15.5) = 𝑃 ( ≤ ) = 𝐹(−1.125) = 1 − 𝐹(1.125)
4 4
= 1 − 0,8686 = 0.131

11