5 Lois fondamentales

continues
de probabilité
● Exercice 1 - Loi exponentielle : densité de probabilité, fonction de réparti-
tion, espérance, variance, écart type, calculs classiques.
● Exercice 2 - Loi exponentielle ; recherche de son paramètre ; calculs clas-
siques ; variables aléatoires exponentielles indépendantes.
● Exercice 3 - Loi exponentielle et loi binomiale ; fonction affine d’une varia-
ble aléatoire.
● Exercice 4 - Loi normale centrée réduite ; calculs classiques utilisant une
table.
● Exercice 5 - Loi normale et loi normale centrée réduite associée ; calculs
classiques utilisant une table.
● Exercice 6 - Utilisation de la loi normale dans une situation pratique ; cal-
culs classiques utilisant une table.
● Exercice 7 - Fonction affine d’une variable aléatoire normale ; influence
d’un changement d’écart type.
● Exercice 8 - Recherche de l’espérance d’une variable aléatoire de loi nor-
male à partir d’une relation donnée en termes de probabilité.
● Exercice 9 - Somme et différence de variables aléatoires normales indé-
pendantes.
● Exercice 10 - Variables aléatoires normales indépendantes.

EXERCICE
05-1 Loi exponentielle : densité de probabilité, fonction de répartition,
espérance, variance, écart type, calculs classiques
Dans un grand laboratoire de recherche, un employé travaille à temps plein au magasin où se ren-
dent les techniciens pour obtenir le matériel dont ils ont besoin. Le temps T (exprimé en minutes)
consacré par l’employé à un technicien est une variable aléatoire continue de loi exponentielle. En
moyenne, ce temps est de 5 minutes.
1- Donner l’expression de la densité de probabilité de T.
2- Quels sont l’espérance, la variance et l’écart type de T ?
3- Donner l’expression de la fonction de répartition de T.
4- Quelle est la probabilité que l’employé consacre à un technicien :
a- moins de 4 minutes ?
 5 ● LOIS FONDAMENTALES CONTINUES DE PROBABILITÉ 57

b- exactement 5 minutes ?
c- plus de 3 minutes ?
d- plus de 8 minutes ?
5- S’il y a déjà 5 minutes que l’employé du magasin s’occupe d’un technicien, M. Bernard,
quelle est la probabilité qu’il lui consacre encore au moins 3 minutes ?
6- Si 10 minutes plus tard, l’employé n’a pas encore fini de rassembler le matériel demandé
par M. Bernard, quelle est la probabilité qu’il lui consacre encore au moins 3 minutes ?

CORRIGÉ Les trois premières questions sont des questions de cours. Les réponses ne nécessitent ni
05-1 justification ni démonstration.

1- On sait que l’espérance de T est de 5 minutes. Il en résulte immédiatement que la den-

1 – 5t
sité de probabilité de T s’exprime, pour t positif ou nul, sous la forme : f (t ) = e .
5
La densité de probabilité de T est la fonction f définie par :
f (t ) = 0,2 e – 0,2 t pour t ≥ 0, et f (t ) = 0 pour t < 0.

2- L’espérance de T est de 5 minutes, sa variance vaut 25 et son écart type 5 minutes.

3- La fonction de répartition F de la variable aléatoire T est définie par :

F (t ) = 0 pour t < 0, et F (t ) = 1 – e – 0,2 t pour t ≥ 0.

4- Les probabilités cherchées sont :

a- P(T < 4) b- P(T = 5) c- P(T > 3) d- P(T > 8).
On a : P(T < 4) = P(T ≤ 4) car T est une variable aléatoire continue ;
d’où : P(T < 4) = F(4) = 1 – e – 0,2 ¥ 4 ª 0,5507 ;
P(T = 5) = 0 car T est une variable aléatoire continue ;
P(T > 3) = 1 – P(T ≤ 3) = 1 – F(3) = e – 0,2 ¥ 3 ª 0,5488 ;
P(T > 8) = 1 – P(T ≤ 8) = 1 – F(8) = e – 0,2 ¥ 8 ª 0,2019.
En résumé :
a- P(T < 4) ª 0,5507 b- P(T = 5) = 0 c- P(T > 3) ª 0,5488 d- P(T > 8) ª 0,2019.

5- Si nous savons que l’employé a déjà consacré 5 minutes à M. Bernard, la durée totale de
son passage au magasin sera supérieure ou égale à 5.
Il s’agit dans cette question d’un calcul de probabilité conditionnelle, sachant que l’événement (T ≥ 5) est
réalisé.
Si l’employé consacre encore au moins 3 minutes de plus à M. Bernard, la durée totale de son passage au
magasin sera supérieure ou égale à 8 minutes.
On cherche donc à calculer : P ((T ≥ 8) /(T ≥ 5)).
P ((T ≥ 8) « (T ≥ 5))
On a P ((T ≥ 8) /(T ≥ 5)) = , et
P(T ≥ 5)
58 STATISTIQUE ET PROBABILITÉS

P ((T ≥ 8) « (T ≥ 5)) P(T ≥ 8) 1 – P(T < 8) 1 – F(8) e– 8 ¥ 0,2

= = = = – 5 ¥ 0,2 = e– 3 ¥ 0,2
P(T ≥ 5) P(T ≥ 5) 1 – P(T < 5) 1 – F(5) e
= P(T ≥ 3) ª 0,5488.
La probabilité que l’employé consacre encore au moins 3 minutes de plus à M. Bernard vaut environ
0,5488.

6- Un calcul de probabilité conditionnelle analogue au précédent montrerait que la proba-

bilité cherchée est à nouveau P(T ≥ 3). À chaque instant, comme si le passé était oublié, la probabilité que
l’employé consacre encore au moins trois minutes de plus à M. Bernard reste toujours la même.
10 minutes plus tard, la probabilité que l’employé consacre encore au moins 3 minutes de plus à
M. Bernard vaut environ 0,5488.

EXERCICE
05-2 Loi exponentielle ; recherche de son paramètre ; calculs classiques ;
variables aléatoires exponentielles indépendantes
Une étude sur un certain type d’ampoules a permis d’établir que la durée de vie D (exprimée en
heures) d’une telle ampoule suit une loi exponentielle, et que 86,466 % de ces ampoules durent
moins de 1 500 jours.
1- Déterminer l’espérance de D.
2- Calculer les probabilités suivantes :
P(D < 15 000), P(18 000 < D < 36 000) et P(D ≥ 50 000).
3- Déterminer la proportion d’ampoules dont la durée de vie dépasse 5 ans.
4- Un appareil de type I fonctionne avec trois ampoules indépendantes de ce type. Dès que
l’une d’elles ne fonctionne plus, il est inutilisable. Quelle est la probabilité que cet appareil
soit utilisable pendant au moins 625 jours ?
5- Un appareil de type II ne cesse de marcher que lorsque les trois ampoules ne fonction-
nent plus.
a- Quelle est la probabilité que l’appareil soit utilisable pendant au moins 625 jours ?
b- Quelle est la probabilité que la moins « résistante » des trois ampoules d’un appareil
de type II dure moins de 15 000 heures ?

CORRIGÉ 1- 1 500 jours correspondent à 36 000 heures.

05-2 En assimilant fréquences et probabilités, on peut écrire : P(D < 36 000) = 0,86466.
Notons l le paramètre de la variable aléatoire exponentielle D (l est l’inverse de l’espé-
rance de D), et F sa fonction de répartition.
On sait que : F(d ) = P(D ≤ d ), [et également F(d ) = P(D < d ) puisque D est continue]
–l d
et que : F(d ) = 1 – e pour tout d positif ou nul.
–36 000 ¥ l
On a donc : 0,84466 = 1 – e .
On en déduit : e–36 000 ¥ l = 0,13534
–36 000 ¥ l = ln0,13534
l ª 0,00006.
 5 ● LOIS FONDAMENTALES CONTINUES DE PROBABILITÉ 59

1
Espérance de D : E(D) = ª 18 000.
l
L’espérance de la durée de vie d’une ampoule de ce type est de 18 000 heures (750 jours).
– 15 000
2- P(D < 15 000) = F(15 000) = 1 – e 18 000 ª 0,5654 ;
– 18 000 – 36 000
P(18 000 < D < 36 000) = F(36 000) – F(18 000) = e 18 000 –e 18 000 = e –1 – e –2 ª 0,2325 ;
– 50 000
P(D ≥ 50 000) = 1 – P(D < 50 000) = 1 – F(50 000) = e 18 000 ª 0,0622.
En résumé :
P(D < 15 000) ª 0,5654 P(18 000 < D < 36 000) ª 0,2325 P(D ≥ 50 000) ª 0,0622.

3- 5 ans correspondent à 43 800 heures. [5 ¥ 365 ¥ 24 = 43 800]

– 43 800
Or : P(D > 43 800) = 1 – P(D ≤ 43 800) = 1 – F(43 800) = e 18 000 ª 0,0877.
La proportion d’ampoules dont la durée de vie dépasse 5 ans est environ de 8,77 %.

4- Notons D1 , D 2 et D 3 les durées de vie respectives des trois ampoules d’un appareil du
type I.
Ces trois variables aléatoires sont indépendantes et suivent toutes la même loi exponentielle que D.
Notons A l’événement : « un appareil de type I est utilisable pendant au moins 625 jours ».
Pour que A soit réalisé, il faut (et il suffit) que les trois ampoules aient toutes les trois une durée de vie supé-
rieure ou égale à 625 jours (ou 15 000 heures). Or :
P ( (D1 ≥ 15 000) et (D2 ≥ 15 000) et (D3 ≥ 15 000))
= P(D1 ≥ 15 000) ¥ P(D2 ≥ 15 000) ¥ P(D3 ≥ 15 000)
puisque D1 , D 2 et D 3 sont indépendantes,
et : P(Di ≥ 15 000) = 1 – P(Di < 15 000) ª 0,4346.
On a donc P(A) ª 0,4346 3 ª 0,0821.
La probabilité qu’un appareil de type I soit utilisable pendant au moins 625 jours vaut environ 0,0821.

5- Notons de même D©1 , D©2 et D©3 les durées de vie respectives des trois ampoules d’un
appareil du type II.
Ces trois variables aléatoires sont indépendantes et suivent toutes la même loi exponentielle que D.
a- Notons B l’événement : « un appareil de type II est utilisable pendant au moins 625 jours ».
Il est plus facile ici d’utiliser l’événement contraire.
⁄ B : « un appareil de type II est utilisable pendant moins de 625 jours ».
Ce dernier événement sera réalisé si et seulement si les trois ampoules durent moins de 625 jours (puisque
tant que l’une des trois ampoules fonctionne, l’appareil de type II fonctionne).
P(⁄ B ) = P ( (D©1 < 15 000) et (D©2 < 15 000) et (D©3 < 15 000))
= P(D©1 < 15 000) ¥ P(D©2 < 15 000) ¥ P(D©3 < 15 000) = [P(D < 15 000)] 3.
P(B) = 1 – P(⁄ B ) ª 1 – 0,5654 3 ª 0,8193.
La probabilité qu’un appareil de type II soit utilisable pendant au moins 625 jours vaut environ 0,8193.
60 STATISTIQUE ET PROBABILITÉS

b- Notons C l’événement : « la moins résistante des trois ampoules d’un appareil de type II
dure moins de 15 000 heures ».
On peut aussi écrire C sous la forme : « l’une au moins des 3 ampoules dure moins de 15 000 heures ».
Il est également plus facile dans cette question d’utiliser l’événement contraire.
⁄ C : « la moins résistante des trois ampoules dure au moins 15 000 heures ».
⁄ C est réalisé si et seulement si les trois ampoules durent au moins 15 000 heures, donc :
P(C ) = 1 – P(⁄ C ) = 1 – P ( (D©1 ≥ 15 000) et (D©2 ≥ 15 000) et (D©3 ≥ 15 000))
= 1 – P(D©1 ≥ 15 000) ¥ P(D©2 ≥ 15 000) ¥ P(D©3 ≥ 15 000)
= 1 – [1 – P(D < 15 000)] 3
ª 1 – (1 – 0,5654) 3
ª 0,9179.
La probabilité que la moins résistante des trois ampoules d’un appareil de type II dure moins de 15 000
heures vaut environ 0,9179.

EXERCICE
05-3 Loi exponentielle et loi binomiale ; fonction affine d’une variable
aléatoire
Le temps de passage (attente non comprise) à la caisse d’un supermarché est une variable aléatoire
T de densité de probabilité : f (t) = 0,2e– 0,2 t sur [0, + •[ (T est exprimé en minutes).
La direction du magasin a instauré un système de points destiné à attirer la clientèle. Lors de chaque
passage à la caisse, les clients gagnent des points qui, en nombre suffisant, permettent d’obtenir un
bon d’achat (dont le montant en euros est égal au nombre de points totalisé), à retirer à l’accueil du
magasin en fin de semaine. Clients et caissières l’ignorent mais la règle du jeu est la suivante :
- lorsque la caissière a consacré au client moins de 2 minutes, celui-ci gagne 1 point ;
- lorsque la caissière a consacré au client au moins 2 minutes, celui-ci gagne 5 points.
On note X le montant du bon d’achat d’un client qui passe 5 fois à la caisse dans la semaine, et N
le nombre de passages de ce client d’une durée inférieure à 2 minutes.
1- Pour un passage à la caisse, quelle est la probabilité d’une durée inférieure à 2 minutes ?
2- Quelle est la loi de N ?
3- Exprimer X en fonction de N.
4- Déterminer l’espérance de X , sa variance et son écart type.
5- Quelle est la probabilité qu’un client, passé 5 fois à la caisse, reçoive un bon d’achat de
25 euros ? de 21 euros ?

CORRIGÉ 1- La probabilité qu’un passage à la caisse dure moins de 2 minutes est P(T < 2). Notons p
05-3 cette probabilité.
La densité de probabilité que donne l’énoncé pour T correspond à une variable aléatoire de
loi exponentielle, de paramètre l = 0,2 (l étant l’inverse de l’espérance de T ).
La fonction de répartition, notée F, de la variable aléatoire T est donc définie par :
F (t ) = 0 pour t < 0,
et F (t ) = 1 – e – 0,2 t pour t ≥ 0.
On a : P(T < 2) = F (2) = 1 – e – 0,4 ª 0,3297.
La probabilité qu’un passage à la caisse dure moins de 2 minutes est p ª 0,3297.
 5 ● LOIS FONDAMENTALES CONTINUES DE PROBABILITÉ 61

2- On considère les clients qui passent 5 fois à la caisse dans une semaine.
Pour un client, N est le nombre de passages (parmi les 5 hebdomadaires) qui ont duré moins de 2 minutes.
• On répète 5 fois de suite la même épreuve : « observer la durée d’un passage à la caisse ».
• On peut supposer les épreuves indépendantes.
• Chacune de ces épreuves a deux issues possibles :
« succès » = « le passage a duré moins de 2 minutes »
ou « échec » = « le passage a duré 2 minutes ou plus ».
• N est le nombre de succès au cours des 5 épreuves.
Pour une épreuve, la probabilité de succès est p (calculé à la question précédente) donc :
N suit la loi binomiale de paramètres 5 et 0,3297. On notera N  Å(5 ; 0,3297) .
k
On a donc, pour tout entier k compris entre 0 et 5 : P(N = k) = C 5 ¥ 0,3297 k ¥ 0,6703 5 – k.

3- Parmi 5 passages, on en compte : N qui durent moins de 2 minutes (et rapportent

1 point chacun),
et : 5 – N qui durent 2 minutes ou plus (et rapportent 5
points).
On a donc : X = N + 5(5 – N ) soit X = 25 – 4N.

4- N  Å(5 ; 0,3297), on a donc :

Espérance de N : E(N ) = 5 ¥ p ª 1,6485.
Variance de N : V(N ) = 5 ¥ p ¥ (1 – p) ª 1,1050.
Écart type de N : s(N ) = ÷⁄V(N ) ª 1,0512.
On peut en déduire les résultats demandés :
Espérance de X : E(X ) = E(25 – 4N ) = 25 – 4 E(N ) ª 18,41.
Variance de X : V(X ) = V(25 – 4N ) =(– 4) 2 ¥ V(N ) = 16 V(N ) ª 17,68.
Écart type de X : s(X ) = ÷⁄V(X ) ª 4,20.
L’espérance du montant gagné par un client passé 5 fois à la caisse est environ de 18,41 euros, la variance
de ce montant vaut environ 17,68 et l’écart type 4,20 euros.

5- Déterminons les probabilités P(X = 25) et P(X = 21).

0
P(X = 25) = P(25 – 4N = 25) = P(N = 0) = C 5 p0 (1 – p)5 ª 0,1353 ,
1
P(X = 21) = P(25 – 4N = 21) = P(N = 1) = C 5 p1 (1 – p)4 ª 0,3328.
La probabilité qu’un client passé 5 fois à la caisse reçoive un bon d’achat de 25 euros vaut environ
0,1353 , et la probabilité qu’il reçoive 21 euros environ 0,3328.

EXERCICE
05-4
Loi normale centrée réduite ; calculs classiques utilisant une table
On considère une variable aléatoire T de loi normale centrée réduite.
1- Déterminer, à l’aide d’une table, la probabilité de chacun des événements suivants :
a- A = ( T ≤ 2) b- B = ( T < 0,3) c- C = ( T ≤ 2,46)
d- D = ( T ≤ 0) e- E = ( T ≤ – 1,27) f- F = ( T > 2,3)
g- G = ( T > –2) h- H = ( 0,5 < T ≤ 1,83) i- I = ( – 0,9 < T ≤ 1,54)
j- J = ( – 1,4 < T ≤ –0,7) k- K = ( T = 0).
62 STATISTIQUE ET PROBABILITÉS

2- Quelle représentation graphique peut-on donner pour chacune de ces probabilités ?

3- Uniquement à partir des résultats de la première question, en vous aidant éventuelle-
ment des dessins de la deuxième, déterminer les probabilités suivantes :
a- P( – 0,3 < T < 0) b- P( 0,7 < T < 1,4) c- P( T < –0,9 ou T > 1,54)
d- P( – 2,46 < T < 2,46).
4- Dans chacun des cas suivants, déterminer t vérifiant la relation donnée :
a- P( T < t ) = 0,9838 b- P( T ≤ t ) = 0,0505 c- P( T > t ) = 0,0446
d- P( T ≥ t ) = 0,9370 e- P( t < T < – t ) = 0,95 f- P( T < – t ou T > t ) = 0,3174.

CORRIGÉ On note P la fonction de répartition de la loi normale centrée réduite. Rappelons que :
05-4 P(t ) = P( T ≤ t ) = P( T < t ) et P(– t ) = 1 – P(t ).
1- a- P( A) = P( T ≤ 2 ) = P(2 ) ª 0,9772.
b- P( B) = P( T < 0,3) = P(0,3) ª 0,6179.
c- P( C ) = P( T ≤ 2,46) = P(2,46) ª 0,9931.
d- P( D) = P( T ≤ 0) = P(0) = 0,5.
e- P( E ) = P( T ≤ – 1,27) = P(– 1,27) = 1 – P(1,27) ª 0,1020.
f- P( F ) = P( T > 2,3) = 1 – P( T ≤ 2,3) = 1 – P(2,3) ª 0,0107.
g- P( G ) = P( T > –2 ) = 1 – P( T ≤ –2 ) = 1 – P(–2 ) = 1 – [1 – P(2 )]
= P(2 ) ª 0,9772.
h- P( H) = P( 0,5 < T ≤ 1,83) = P(1,83) – P(0,5) ª 0,2749.
i- P( I ) = P( – 0,9 < T ≤ 1,54) = P(1,54) – P(– 0,9) = P(1,54) – [1 – P(0,9)]
= P(1,54) – 1 + P(0,9) ª 0,7541.
j- P( J ) = P( – 1,4 < T ≤ – 0,7) = P(– 0,7) – P(– 1,4) = [1 – P(0,7)] – [1 – P(1,4)]
= P(1,4) – P(0,7) ª 0,1612.
k- P( K ) = P( T = 0) = 0 puisque T est continue.
2- Pour chaque calcul demandé, traçons la courbe de Gauss représentant la densité de
probabilité de la loi normale centrée réduite, et grisons la portion de plan dont l’aire est égale à la
probabilité calculée.
a- 0,5
b- 0,5
P(A) P(B)

–3 –2 –1 0 1 2 3 –3 –2 –1 0 0,3 1 2 3

c- 0,5
d- 0,5
P(C) P(D)

–3 –2 –1 0 1 2 2,46 3 –3 –2 –1 0 1 2 3
 5 ● LOIS FONDAMENTALES CONTINUES DE PROBABILITÉ 63

e- 0,5
f- 0,5
P(E ) P(F )

–3 – 2 –1,27 0 1 2 3 –3 –2 –1 0 1 2,3 3

g- 0,5
h- 0,5
P(G) P(H)

–3 –2 –1 0 1 2 3 –3 –2 –1 0 0,5 1 1,83 3

i- 0,5
j- 0,5
P(I ) P( J )

–3 –2 – 0,9 0 1 1,54 2 3 –3 – 2 –1,4 – 0,7 0 1 2 3

k- 0,5

–3 –2 –1 0 1 2 3

3- a- Compte tenu de la symétrie de la courbe de Gauss par rapport à l’axe des ordon-
nées, et sachant que l’aire de la portion de plan située entre l’axe des abscisses et cette courbe
vaut 1, on a :
P( – 0,3 < T < 0) = P( 0 < T < 0,3) = P( B) – 0,5 ª 0,1179.

0,5
;;;

P(– 0,3 < T < 0) P(B) – 0,5

–3 –2 – 1 – 0,3 0 0,3 1 2 3
64 STATISTIQUE ET PROBABILITÉS

b- Toujours du fait de la symétrie, on a :

P( 0,7 < T < 1,4) = P( J ) ª 0,1612.

0,5
P( J ) P(0,7 < T < 1,4)

;;;
–3 – 2 –1,4 – 0,7

c- Utilisons l’événement contraire :

;;;;;;;; ;;;;;;; 0 0,7

P( T < –0,9 ou T > 1,54) = 1 – P( I ) ª 0,2459.

1,4 2 3

0,5
P(I ) P(T < – 0,9 ou T > 1,54)
;;;
–3 –2 – 0,9 0 1 1,54 2 3

d- P( – 2,46 < T < 2,46) = 2[ P( C ) – 0,5] ª 0,9862.

;;;;;
;
0,5
;

P(C) P(C) – 0,5

;;
;
;;;

–3 –2,46 –1 0 1 2,46 3

4- a- D’après la table des valeurs de P(t), P( T < t ) = 0,9838 donne : t ª 2,14.

b- 0,0505 est inférieur à 0,5, donc t est négatif. On ne peut le trouver directement dans
la table.
P(t) = 0,0505 donne 1 – P(t) = 0,9495 soit P(– t) = 0,9495.
On lit dans la table : – t ª 1,64 et on en déduit : t ª –1,64.

c- L’égalité : P( T > t ) = 0,0446 est équivalente à chacune des égalités suivantes :

1 – P( T ≤ t ) = 0,0446
P( T ≤ t ) = 1 – 0,0446
P(t) = 0,9554.
On lit alors dans la table : t ª 1,70.
 5 ● LOIS FONDAMENTALES CONTINUES DE PROBABILITÉ 65

d- L’égalité : P( T ≥ t ) = 0,9370 est équivalente à chacune des égalités suivantes :

1 – P( T < t ) = 0,9370
1 – P(t) = 0,9370
P(– t) = 0,9370.
On lit alors dans la table : – t ª 1,53 , d’où : t ª – 1,53.

e- L’égalité : P( t < T < – t ) = 0,95 est équivalente à chacune des égalités suivantes :
P(– t) – P(t) = 0,95
P(– t) – [1 – P(– t)] = 0,95
2P(– t) – 1 = 0,95
0,95 + 1
P(– t) =
2
P(– t) = 0,975.
On lit alors dans la table : – t ª 1,96 , d’où : t ª – 1,96.

f- L’égalité : P( T < – t ou T > t ) = 0,3174 est équivalente à chacune des égalités sui-
vantes :
1 – P( – t ≤ T ≤ t ) = 0,3174
P( – t ≤ T ≤ t ) = 0,6826
2P(t) – 1 = 0,6826
P(t) = 0,8413.
On lit alors dans la table : t ª 1.

EXERCICE
05-5 Loi normale et loi normale centrée réduite associée ; calculs clas-
siques utilisant une table
On considère la variable aléatoire X d’espérance 242 et de variance 144. On suppose X gaussienne.
1- Indiquer, sans calcul, si les probabilités suivantes sont inférieures ou supérieures à 0,5 :
a- P( X < 230) b- P( X < 270) c- P( X > 250) d- P( X > 220).
2- Sans lecture dans une table, donner, à 0,01 près, les probabilités suivantes :
a- P( 206 ≤ X ≤ 278) b- P( 230 < X ≤ 254 ) c- P( 218 < X < 266).
3- Déterminer à l’aide d’une table la probabilité de chacun des événements suivants :
a- A = ( X < 230) b- B = ( X < 270) c- C = ( X > 250)
d- D = ( X > 220) e- E = ( 230 < X < 270).
On donnera les résultats à 0,001 près, et on ne fera pas d’interpolation proportionnelle.
4°) Déterminer x tel que :
a- P( X < x ) = 0,0505 b- P( X > x ) = 0,0446.
66 STATISTIQUE ET PROBABILITÉS

CORRIGÉ 1- X  ç (242, 12), la densité de probabilité de la variable aléatoire X est donc représen-
05-5 tée par une courbe « en cloche » admettant pour axe de symétrie la droite verticale d’équa-
tion x = 242. On sait de plus que l’aire de la portion de plan située entre l’axe des abscisses
et cette courbe vaut 1. Il en résulte les résultats suivants (illustrés par les schémas corres-
pondants) :
a- P( X < 230) < 0,5 b- P( X < 270) > 0,5

230 242 242 270

c- P( X > 250) < 0,5 d- P( X > 220) > 0,5.

242 250 220 242

2- a- P( 206 ≤ X ≤ 278) = P( 242 – 3 ¥ 12 ≤ X ≤ 242 + 3 ¥ 12) ª 0,99.

Il s’agit en effet de calculer la probabilité que X s’écarte de son espérance d’au plus 3 écarts types, résultat
qu’il est bon de connaître.

b- P( 230 < X ≤ 254) est la probabilité que X s’écarte de son espérance d’au plus un écart
type, et vaut environ 0,68.

c- Enfin, P( 218 < X ≤ 266) est la probabilité que X s’écarte de son espérance d’au plus
2 écarts types, et vaut environ 0,95.
X – 242
3- Posons T = .
12
T est la variable aléatoire centrée réduite associée à X, et l’on sait que T  ç(0, 1).

a- P( A) = P( X < 230) = P 1 X –12242 < 230 12– 242 2

= P( T < –1) = P(–1) = 1 – P(1) ª 0,159.

b- P( B) = P( X < 270) = P 1 X –12242 < 270 12– 242 2

7
=P T<1 3 2 ª P(2,33) ª 0,990.
c- P( C ) = P( X > 250) = P 1 X –12242 > 250 12– 242 2
2
=P T>1 3 2 ª 1 – P(0,67) ª 0,251.
 5 ● LOIS FONDAMENTALES CONTINUES DE PROBABILITÉ 67

d- P( D) = P( X > 220) = P 1 X –12242 > 220 12– 242 2

11
1
=P T>–
6 2
11
1
=P T<
6 2
ª P(1,83) ª 0,966.

e- P( E) = P( 230 < X < 270) = P( X < 270) – P( X < 230) = P( B) – P( A) ª 0,831.

4- a- L’égalité P( X < x ) = 0,0505 est équivalente aux égalités suivantes :
X – 242 x – 242
1
P
12
<
12 2 = 0,0505

x – 242
1
P T<
12 2 = 0,0505.

x – 242
On obtient : ª –1,64 , ce qui donne x ª 222,32.
12
(Pour plus de détails, le lecteur pourra se reporter à la question 4-b de l’exercice précédent.)
b- L’égalité P( X > x ) = 0,0446 est équivalente aux égalités suivantes :
X – 242 x – 242
1
P
12
>
12 2= 0,0446

x – 242
1
P T>
12 2= 0,0446.

x – 242
On obtient : ª 1,70 , ce qui donne x ª 262,40.
12
(Voir éventuellement la question 4-c de l’exercice précédent.)

EXERCICE
05-6 Utilisation de la loi normale dans une situation pratique ; calculs
classiques utilisant une table
Un torréfacteur 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- inférieure à 120 kg ? d- comprise entre 120 et 160 kg ?
2- De quelle réserve doit-il disposer en début de mois (avant livraison des 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 ? Quelle serait la probabilité de rupture de stock si sa réserve était vide avant la
livraison ?

CORRIGÉ Notons D la demande mensuelle. On sait que : D  ç(150, 15).

05-6 D – 150
Posons T = . La variable aléatoire T suit la loi normale centrée réduite.
15
68 STATISTIQUE ET PROBABILITÉS

180 – 150
1
1- a- P( D < 180) = P T <
15 2
= P(2) ª 0,9772.

La probabilité que la demande mensuelle soit inférieure à 180 kg vaut environ 0,9772.
b- P( D < 150) = 0,5 car 150 est l’espérance de D.
La probabilité que la demande mensuelle soit inférieure à 150 kg vaut 0,5.

120 – 150
1
c- P( D < 120) = P T <
15 2
= P(–2) = 1 – P(2) ª 0,0228.

La probabilité que la demande mensuelle soit inférieure à 120 kg vaut environ 0,0228.

d- P( 120 < D < 160) = P( –2 < T < 0,67) = P 1 23 2 – P(–2) = P 1 23 2 – 1 + P(2)

ª 0,7258.
La probabilité que la demande mensuelle soit comprise entre 120 et 160 kg vaut environ 0,7258.
2- Notons r0 la réserve (en kilogrammes) en début de mois, avant livraison.
Le torréfacteur ne sera pas en rupture de stock si la demande ne dépasse pas r0 + 150.
On cherche donc r0 tel que : P( D < r0 + 150) > 0,95. Or, cette inégalité est équivalente aux inégali-
tés suivantes :,
D – 150 r
1P
15 2
< 0 > 0,95
15
r
1 2
P T < 0 > 0,95
15
r
1 2
P 0 > 0,95.
15
r
Par lecture dans la table de la fonction P, on obtient 0 ≥ 1,65 , ce qui donne r0 ≥ 24,75.
15
Pour avoir plus de 95 chances sur 100 de ne pas être en rupture de stock en cours de mois, le tor-
réfacteur doit avoir une réserve d’au moins 24,75 kg de café.
Sans réserve avant livraison, le torréfacteur sera en rupture de stock si la demande dépasse 150 kg.
Or P( D > 150) = 0,5.
Si sa réserve en début de mois était vide avant livraison, le torréfacteur aurait une chance sur deux
d’être en rupture de stock au cours du mois.

EXERCICE
05-7 Fonction affine d’une variable aléatoire normale ; influence d’un
changement d’écart type
L’entreprise H fabrique, pour la société W, un article E caractérisé par son diamètre. La société W ne
peut utiliser l’article E que si ce diamètre est compris entre 10,31 et 10,67 millimètres. L’entreprise
H produit des unités de l’article E dont le diamètre peut être considéré comme une variable aléa-
toire normale d’espérance 10,48 mm et d’écart type 0,1 mm.
Chaque semaine, l’entreprise H livre 10 000 articles E à la société W. Il est entendu entre les deux
sociétés que la société W ne règle que les articles qui répondent aux contraintes qu’elle a fixées, les
autres unités produites par la société H étant considérées comme inutilisables et donc perdues par
les deux sociétés. L’article E coûte à la production 50 euros l’unité (quel que soit le volume de pro-
duction) et il est vendu 60 euros.
 5 ● LOIS FONDAMENTALES CONTINUES DE PROBABILITÉ 69

1- Calculer le bénéfice hebdomadaire que réalise en moyenne l’entreprise H en livrant à

la société W 10 000 unités de l’article E.
2- Même question si l’entreprise pouvait réduire à 0,09 mm l’écart type du diamètre des
articles E qu’elle produit.
[D’après l’épreuve 5 du DECF, 1986]

CORRIGÉ 1- Notons N le nombre d’articles utilisables parmi les 10 000 livrés au cours d’une
05-7 semaine, et B le bénéfice hebdomadaire de l’entreprise H.
Compte tenu des données, on a : B = 60 ¥ N – 50 ¥ 10 000.
Vente des Coût de
articles utilisables fabrication

La proportion de pièces utilisables dans la production est donnée par la probabilité que le diamètre
d’une pièce soit compris entre 10,31 et 10,67 mm.
Notons X le diamètre d’une pièce. On sait que X suit la loi normale de moyenne 10,48 mm et d’écart
type 0,1 mm. On a donc :

P( 10,31 < X < 10,67) = P 1 10,670,1

– 10,48
2 – P 1 10,310,1
– 10,48
2 = P(1,90) – P(– 1,70)
= P(1,90) – [1 – P(1,70)]
ª 0,9713 – (1 – 0,9554)
ª 0,9267.
Environ 92,67 % des pièces sont utilisables, donc en moyenne, sur 10 000 pièces, on a 9 267 pièces
utilisables, ce qui correspond à un bénéfice de 60 ¥ 9 267 – 500 000 soit 56 020 euros.
Le bénéfice hebdomadaire sur 10 000 articles est en moyenne de 56 020 euros.
Notons que N est aléatoire et varie d’une semaine à l’autre. 56 020 euros est un bénéfice moyen.
En effet, chaque semaine, on observe, l’un après l’autre, chacun des 10 000 articles, et chacun
d’eux est utilisable (avec une probabilité p = 0,9267), ou n’est pas utilisable (avec une probabilité
q = 1 – 0,9267). Les épreuves (observations d’un article) peuvent être supposées indépendantes les
unes des autres.
N suit donc une loi binomiale de paramètres n = 10 000 et p = 0,9267.
L’espérance de N est : E(N ) = np = 9 267 et l’espérance de B est :
E(B) = E(60N – 500 000) = 60E(N ) – 500 000 = 56 020 euros.

2- Reprenons les mêmes calculs en remplaçant l’écart type par 0,09 mm. On obtient :

P( 10,31 < X < 10,67) = P 1 10,670,09

– 10,48
2 – P 1 10,310,09
– 10,48
2 = P(2,11) – P(– 1,89)
= P(2,11) – [1 – P(1,89)]
ª 0,9826 – (1 – 0,9706)
ª 0,9532.
Environ 95,32 % des pièces sont utilisables, donc en moyenne, sur 10 000 pièces, on a 9 532 pièces
utilisables, ce qui correspond à un bénéfice de 60 ¥ 9 532 – 500 000 soit 71 920 euros.
Si l’écart type était de 0,09 mm, le bénéfice hebdomadaire moyen sur 10 000 articles serait de
71 920 euros.
70 STATISTIQUE ET PROBABILITÉS

EXERCICE
05-8 Recherche de l’espérance d’une variable aléatoire de loi normale à
partir d’une relation donnée en termes de probabilité
Une machine servant à la mise en sachets de bonbons a un dispositif de réglage tel que, lorsqu’elle
est réglée sur la valeur m, le nombre de bonbons contenus dans un sachet est une variable aléatoire
obéissant à une loi de Gauss d’espérance m et d’écart type 6.
On désire que, dans 98,3 % des cas, le contenu réel d’un sachet soit au moins égal à 50.
Quelle valeur faut-il donner à m pour respecter cet impératif ?
[Extrait d’une épreuve écrite du Concours d’entrée à l’ENS, D2]

CORRIGÉ Notons X le nombre de bonbons par sachet. On sait que : X  ç(m, 6).
05-8 Cherchons m tel que la relation P( X ≥ 50) = 0,983 soit réalisée.
X–m
Posons T = . La variable aléatoire T suit la loi normale centrée réduite.
6
L’égalité P( X ≥ 50) = 0,983 est équivalente aux égalités suivantes :
50 – m
P T≥1 6 2
= 0,983

50 – m
1–P T<1 6 2 = 0,983
1–P 1 50 6– m 2 = 0,983.
50 – m
P – 1 6 2 = 0,983.
50 – m
D’après la table de la fonction P, on obtient : – ≥ 2,12 , ce qui donne : m = 62,72.
6
Pour que dans 98,3 % des cas le contenu réel d’un sachet soit au moins égal à 50, il faut régler la
machine sur la valeur m = 62,72 bonbons (ou 63 bonbons si m doit être entier).

EXERCICE
05-9 Somme et différence de variables aléatoires normales indépen-
dantes
Une organisation humanitaire prépare des petits colis contenant : un paquet de sucre, une boîte de
lait en poudre, un sachet de biscuits, du savon.
On note X 1 , X 2 , X 3 et X 4 les poids respectifs (en grammes) du paquet de sucre, de la boîte de lait,
du sachet de biscuits et du savon. On suppose que :
X 1  ç(1 000 ; 50), X 2  ç(500 ; 25), X 3  ç(100; 5) et X 4  ç(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’ajou-
tent un demi cent (soit 0,005 euros) par gramme. Déterminer l’espérance et l’écart type
du coût d’envoi de 10 000 colis.
4- On prend deux colis au hasard. Quelle est la probabilité que leurs poids diffèrent de
plus de 50 grammes ?
 5 ● LOIS FONDAMENTALES CONTINUES DE PROBABILITÉ 71

CORRIGÉ 1- Notons Y le poids total, en grammes, d’un colis.

05-9 On a : Y = 100 + X 1 + X 2 + X 3 + X 4 .
X 1 + X 2 + X 3 + X 4 , somme de quatre variables aléatoires normales que l’on peut sup-
poser indépendantes, suit aussi une loi normale.
Y est donc une fonction affine d’une variable aléatoire normale, et suit, par conséquent, une loi nor-
male également.
Déterminons-en les paramètres :
espérance de Y : E(Y ) = E(100 + X 1 + X 2 + X 3 + X 4 )
= 100 + E(X1) + E(X 2 ) + E(X 3 ) + E(X4 )
soit E(Y ) = 100 + 1 000 + 500 + 100 + 125 = 1 825 ;
variance de Y : V(Y ) = V(100 + X 1 + X 2 + X 3 + X 4 )
= V(X1) + V(X 2 ) + V(X 3 ) + V(X4 )
(car X 1, X 2, X 3 et X 4 sont indépendantes)
ce qui donne : V(Y ) = 50 2 + 25 2 + 5 2 + 10 2 = 3 250 ;
et écart type de Y : s(Y ) = ÷⁄V(Y ) = ÷⁄3 250 ª 57.
Le poids total Y d’un colis suit une loi normale d’espérance 1 825 g et d’écart type 57 g :
Y  ç (1 825 ; 57).
2- La proportion de colis dont le poids est compris entre 1,7 kg et 1,9 kg est donnée
par la probabilité : P( 1 700 < Y < 1 900).
Y – 1 825
Posons T = . On sait que : T  ç (0, 1).
57

P( 1 700 < Y < 1 900) = P 1 –125

57
<T <
75
57 2 ª P(1,32) – [1 – P(2,19)]
soit : P( 1 700 < Y < 1 900) ª 0,8923.
Environ 89,23 % des colis ont un poids total compris entre 1,7 et 1,9 kg.

3- Considérons un lot de 10 000 colis, et notons Y1, Y2 , Y3 , …, Y10 000 les poids respec-
tifs (en grammes) de chacun d’eux. Les variables aléatoires Y1, Y2 , Y3 , … et Y10 000 sont indépendantes
et suivent toutes la même loi que Y. On a donc pour tout i : E(Yi ) = 1 825 et V(Yi ) = 57 2.
Le coût d’envoi C (en euros) de ces 10 000 colis s’exprime sous la forme :
C = 10 000 ¥ 20 + 0,005 ¥ (Y1 + Y2 + Y3 + … + Y10 000 ).
Il en résulte que l’espérance de C est :
E(C ) = 200 000 + 0,005 ¥ [E(Y1) + E(Y2 ) + E(Y3 ) + … + E(Y10 000 )]
= 200 000 + 0,005 ¥ 10 000 ¥ 1 825 = 291 250 ;
la variance de C :
V(C ) = 0,005 2 ¥ [V(Y1) + V(Y2 ) + V(Y3 ) + … + V(Y10 000 )]
= 0,005 2 ¥ 10 000 ¥ 57 2 = 812,25 (puisque les variables aléatoires Y1, Y2 , Y3 , … et Y10 000
sont indépendantes) ;
et l’écart type de C :
s(C ) = ÷⁄V(C ) = 28,50.
Le coût d’envoi de 10 000 colis a pour espérance 291 250 euros et pour écart type 28,50 euros.
Remarquons que la dispersion autour du coût moyen est très faible.
72 STATISTIQUE ET PROBABILITÉS

4- Notons Y1 et Y2 les poids respectifs des deux colis pris au hasard. Ces deux variables
aléatoires, que l’on peut supposer indépendantes, suivent la même loi que Y.
Les poids de ces deux colis diffèrent de plus de 50 grammes lorsque l’événement A est réalisé, avec :
A = (Y1 – Y2 > 50 ou Y2 – Y1 > 50) , ou encore A = (Y1 – Y2 > 50 ou Y1 – Y2 < – 50).
L’événement contraire de A s’écrit : ⁄ A = (– 50 ≤ Y1 – Y2 ≤ 50)
(ou encore : ⁄ A = (8Y1 – Y2 8 ≤ 50)).
On a donc : P(A) = 1 – P(⁄ A ) = 1 – P(– 50 ≤ Y1 – Y2 ≤ 50).
Déterminons la loi de Y1 – Y2 .
Y1 et Y2 sont gaussiennes et indépendantes, leur différence est donc également gaussienne. De plus,
E(Y1 – Y2 ) = E(Y1) – E(Y2 ) = 1825 – 1 825 = 0
et V(Y1 – Y2 ) = V(Y1) + V(Y2 ) = 57 2 + 57 2 = 6 498.
Donc : Y1 – Y2  ç (0 ; 80,61).
50 – 0 –50 – 0
On peut alors écrire : P(– 50 ≤ Y1 – Y2 ≤ 50) = P 180,61 2
–P 1
80,61 2
= 2P(0,62) – 1
ª 0,4648 ;
et en déduire que : P(A) ª 1 – 0,4648 ª 0,5352.
La probabilité que les poids de deux colis pris au hasard diffèrent de plus de 50 grammes vaut envi-
ron 0,5352.

EXERCICE
05-10
Variables aléatoires normales indépendantes
Chaque lundi, un éditeur expédie un gros paquet de manuscrits chez un imprimeur. Un coursier
vient chercher le paquet à 8 h 30 pour le porter directement (en voiture) à l’aéroport, où l’heure
limite de dépôt du paquet est 9 h 30. L’avion décolle à 10 heures.
Le temps de trajet du coursier est une variable aléatoire A gaussienne d’espérance 45 minutes et
d’écart type 15 minutes, et la durée de vol de l’avion une variable aléatoire B gaussienne également,
d’espérance 60 minutes et d’écart type 5 minutes. À l’arrivée, 10 minutes exactement après l’atter-
rissage, un employé de l’imprimeur récupère le paquet.
Quelle est la probabilité que cet employé ait le paquet entre les mains avant 11 h 10 ?

CORRIGÉ Schéma des contraintes horaires :

05-10
11 h 10

8 h 30 9 h 30 10 h 11 h 11 h 30
Départ du Heure limite Décollage
coursier de dépôt de l’avion
du paquet

On sait que A  ç(45 ; 15) et B  ç(60 ; 5), et l’on peut évidemment supposer A et B indépen-
dantes.
 5 ● LOIS FONDAMENTALES CONTINUES DE PROBABILITÉ 73

Deux conditions doivent être réalisées pour que le coursier puisse remettre le paquet de manuscrits
à l’employé de l’imprimeur avant 11 h 10 :
- le coursier doit arriver à l’aéroport à 9 h 30 au plus tard,
et - l’avion doit atterrir avant 11 heures.
Cela suppose que le trajet en voiture ne dépasse pas 60 minutes et que le trajet en avion dure moins
de 60 minutes.
La probabilité cherchée est donc : p = P ((A ≤ 60) « (B < 60)).
L’indépendance des variables aléatoires A et B permet d’écrire : p = P(A ≤ 60) ¥ P(B < 60).
60 – 45
Or P(A ≤ 60) = P 1 15 2 = P(1) ª 0,8413 ;

et P(B < 60) = 0,5 puisque 60 est l’espérance de B.

On a donc finalement : p ª 0,4207.
La probabilité que l’employé de l’imprimeur ait le paquet de manuscrits entre les mains avant
11 h 10 vaut environ 0,42.