1

L2 – Economie Gestion Correction TD1 Statistiques ≈8H 2023-2024

Séance 1 : Exercices de base avec passage au tableau

Ex base 1 : X = durée d’un projet suit la loi normale N (40 heures ; 10 heures)
1) Calculer les probabilités p 1 = P (X > 48,2) p 2 = P (X ≤ 37,3) p 3 = P (X ≤ 26,4)
2) Calculer et interpréter les intervalles de confiance I.C. 80 % et I.C. 99 %

Ex base 1 : X → N (40 ; 10) changement de variable Z = (X – 40) /10 → N (0 centrée ; 1 réduite)

1) p 1 = P (X > 48,2) = P (Z > 0,82) « mauvais sens » = 1 – P (Z ≤ 0,82) « lire la table » = 1 – 0,7939 = 20,61 %
p 2 = P (X ≤ 37,3) = P (Z ≤ – 0,27) « mauvais signe » = 1 – P (Z ≤ 0,27) «lire la table»= 1 – 0,6064 = 39,36 %
p 3 = P (X ≤ 26,4) = P (Z ≤ – 1,36) « mauvais signe » = = 1 – P (Z ≤ 1,36) «lire la table»= 1 – 0,9131 = 8,69 %

2) Niveau ou seuil de confiance = 80 % donc risque d’erreur d’estimation = 20 %

Le risque est coupé en 2 zones donc on cherche dans la table la fractile z 0,90 = 1 – risque / 2 tel que
P (U ≤ z 0,90) ≈ 0,90 ↔ z 0,90 ≈ 1,28
D’après le dessin, min = 40 – 1,28 * 10 = 24,88 et max = 40 + 1,28 * 10 = 52,8
Conclusion : il y a 80 % de chances pour que la durée projet soit dans I.C. 80 % = [37,2 h ; 52,8 h]

P (U ≤ z 0,995) ≈ 0,995 ↔ z 0,95 ≈ 1,96

D’après le dessin, min = 40 – 1,96 * 10 = 20,4 et max = 40 + 1,96 * 10 = 59,6
99 % de chances pour que la durée projet soit dans I.C. 99 % = [20,4 h ; 59,6 h]

Ex base 2 : X = nombre d’urgences par H suit la loi de Poisson P (m = 4 urgences / H)

Calculer les probabilités p 1 = P (X = 3) p 2 = P (X ≤ 6) p 3 = P (X ≥ 2)

Ex base 2 : X = nombre d’urgences par H suit la loi de Poisson P (m = 4 urgences / H)

p 1 = P (X = 3) égalité → formule Poisson = e – 4 4 3 / 3 ! = 0,1954 possible aussi = P (X ≤ 3) – P (X ≤ 2)
p 2 = P (X ≤ 6) → table de Poisson = 0,8893
p 3 = P (X ≥ 2) → mauvais sens : on passe au contraire = 1 – P (X ≤ 1) = 1 – 0,1954 = 0,9084

Ex base 3 : Dénombrement et probabilité important pour ceux qui veulent passer les concours Message SG-Inter/ MASTER Gestion
1) Calculer le nombre de codes à 4 chiffres ne contenant aucun 0 et finissant par un chiffre pair
2) Sur 15 clients, il y a 4 mécontents, 6 satisfaits, 5 très satisfaits. On choisit au hasard 3
personnes. Calculer la probabilité p d’avoir exactement 1 mécontent dans ces 3 personnes.
3) On lance 4 dés : probabilité d’avoir 4 fois le même chiffre ?

1) Tirage avec remise = Nombre de possibles inchangé → utiliser des puissances avec
restriction : Il y a donc 9 3 non nul * 4 Pair non nul = 2 916 codes possibles

2) Choisir 1 client parmi 4 mécontents (ordre ou rôle indifférent) et 2 clients parmi 11

C 4 1 * C 11 2 = 4 * 55 = 220 cas favorables d’où p = 220 / C 15 3 = 220 / 455 donc p = 48 %

3) P (4 fois le même chiffre) = 6 Disjonction de cas = choix du chiffre * 1 / 6 4 = 1 / 216 = 0,46 %

Séance 2 : Exercices de base avec passage au tableau

Ex base 1 : Loi Binomiale

Soit une variable X suivant une loi binomiale Bin (n= 400 ; p = 0,01)
Calculer E(X) et V(X) et P(X=4) et P (X≤ 3) et P (X≤ 2)

Soit une variable X suivant une loi binomiale Bin (n = 400 ; p = 0,01)
a) Approximer cette loi Binomiale par une loi de Poisson de moyenne m = n p = 4
[Car n > 30 grand et p = 0,01 faible : n p <10 avec E(X) = n p ≈ V(X)= n p (1- p)]

1
 2

b) Formule Binomiale : P (X = 4) = C 400 4 * 0,01 4 succès * 0,99 396 échecs

P (X = 4) = (400*399*398*397) / (4*3*2*1) * 0,01 4 * 0,99 396 = 0,1963
Ou bien
Table de Poisson P (X = 4) = 0,1953 = P (X ≤ 4) – P (X ≤ 3) (ligne k= 4 – ligne k = 3, colonne m = 4)

c) Table de la loi de Poisson (pour m= 4) : P (X ≤ 3) = 0,4335 et P (X ≤ 2) = 0,2381

Ex base 2 : Loi Binomiale et ses approximations

Pour une production industrielle, le nombre de pièces de qualité médiocre ne doit pas dépasser 1,5 %.
On teste la qualité sur un lot de n pièces : X n = nombre de pièces de qualité médiocre dans le lot
1) Préciser la loi de Bernoulli suivie par X n et calculer P (X  7) et P (7 X  3) si n = 200
2) Préciser la loi de Bernoulli suivie par X n et calculer P (X ≤ 48) et P (70  X  50) si n = 4 000

X n = nombre de pièces de qualité médiocre par n (schéma de Bernoulli) suit la loi Bin (n ; 0,015)
1) si n = 200, E(X)= n p = 3 donc Bin (200 ; 0,015) ≈ Poisson m = 3 (car n > 30 grand et n p < 10 petite)
P (X ≥ 7) → mauvais sens : on passe au contraire = 1 – P (X ≤ 6) = 1 – 0,9665= 3,35 %
P (7  X  3) = P (X ≤ 7) – P (X ≤ 2) = 0,9881 – 0,4232 = 56,49 %

2) si n = 4 000, E(X) = n p = 60 « trop grande pour l’approximation de Poisson »

On calcule l’écart type σ = √ n p (1-p) = 7,69 donc Bin (4 000 ; 0,015) ≈ N (10 ; 7,69)

Passage de la loi Bernoulli (discrète : que des entiers) à loi Normale (continue : tout réel)
Correction de continuité : on doit agrandir l’intervalle de 0,5 de chaque côté
] –∞ ;48[→] –∞ ;48,5 [ d’où P (X ≤ 48) ≈ P(Z≤ (48,5-60) / 7,69 )
= mauvais signe P (Z ≤ – 1,50) = 1 – P (Z ≤ + 1,50) = 6,68 %

N.B. (sans la correction, c’est moins précis) P (X ≤ 48) ≈ 1 – P (Z ≤ + 1,56) = 5,94 %

[50 ; 70] → [49,5 ; 70,5], P (50 ≤ X ≤ 70) = P (Z ≤ (70,5-60) /7,69) – (49,5-60) /7,69)
P (50 ≤ X ≤ 70) = P (Z≤ 1,37) – P (Z≤ – 1,37) = 0,9147 – (1– 0,9147) ≈ 82,94 %

N.B. (sans la correction, c’est moins précis) P (50 ≤ X ≤ 70) ≈ 80,64 %

Ex base 3 : Dénombrement et probabilité important pour ceux qui veulent passer les concours Message SG-Inter/ MASTER Gestion
1) Dans un jeu de 32 cartes, on « tire » 5 cartes ; probabilité d’avoir exactement 2 rois et 2 dames ?
2) Avec 6 lettres différentes (déjà choisies), combien de mots différents peut-on former ?
3) On choisit 2 mois au hasard : probabilité que les 2 mois aient même nombre de jours ?
4) On lance 4 dés, probabilité d’avoir au moins un 6 ?

1) Choisir 2 Rois parmi 4 (ordre ou rôle indifférent) et 2 Dames parmi 4 et 1 ni roi, ni dame
P (2 rois et 2 dames) = C 4 2 Rois C 4 2 Dames C 28 1 ni R, ni D / C 32 5 = 6 * 6 * 28 / 201 376 = 0,5 %

N.B: ∑ exposants = n bre objets choisis ici 2 + 2 + 1 = 5,

∑ indices = n bre d’objets parmi lesquels on choisit ici 4 +4 + 28 = 32 cartes

2) On parle de lettres différentes, on pense : arrangements

Ranger (ordre ou rôle pas interchangeable) 6 lettres choisies parmi 6
Il y a 6 premier * 5 deuxième * …* 1 dernière = 720 mots avec 6 lettres différentes

3) Choisir 2 mois parmi 12 (combinaison) C12 2 = 12 * 11 / 2 * 1 = 66 cas possibles

Il y a 7 mois à 31 jours (cas 1) et 4 mois à 30 jours (cas 2), disjonction de cas
Proba = (C 7 2 + C 4 2) / C12 2 = (21 + C 4 2) / C12 2 = (21+6) / 66 = 40,91 %

4) P (au moins un 6) = 1 – P (aucun 6) = 1 – (5 / 6)4 = 51,77 %

2
 3

Séance 3 : Exercices de base avec passage au tableau

· Ex base 1 : En 2012, consommation d’eau / jour et habitant suivait la loi N (158 litres ; 45 litres)
En 1975, consommation d’eau / jour et habitant suivait la loi N (96 litres ; 25 litres) Source : Futura Planète
1) En 2012, Calculer le % de français qui consomme plus de 200 litres /jour ? Moins de 100 litres /jour ?
2) Pour 1975 puis 2012, donner l’intervalle de confiance I.C. 90 % de la consommation d’eau /jour et habitant

1) En 2012, X → N (158 ; 45) changement de variable Z = (X – 158) /45 → N (0 centrée ; 1 réduite)

P (X > 200) = P (Z > 0,93) « mauvais sens » = 1 – P (Z ≤ 0,93) « Table » = 1 – 0,8238 = 17,62 %
P (X < 100) = P (Z < – 1,29) « mauvais signe » = 1 – P (Z ≤ 1,29) « Table » = 1 – 0,9015 = 9,85 %

Niveau ou seuil de confiance = 90 % donc risque d’erreur d’estimation = 10 %

Le risque est coupé en 2 zones donc on cherche dans la table la fractile z 0,95 = 1 – risque / 2 tel que
P (U ≤ z 0,95) ≈ 0,55 ↔ z 0,95 ≈ 1,65

D’après le dessin, min = 158 – 1,65* 45 ≈ 122 et max = 158 + 1,65* 45 ≈ 174
Conclusion : pour 90 % des français, la consommation / jour dans I.C. 90 % = [83,75 litres ; 232,25 litres]

2) En 1975, min = 96 – 1,65* 25 ≈ 54,75 et max = 96 + 1,65 * 25 ≈ 137,25

En 1975 : pour 90 % des français, la consommation / jour était dans I.C. 90 % = [55 litres ; 137 litres]
N.B : Dans l’enquête Futura Planète, 40 % de la consommation est due aux douches et bains

Ex base 2 : T = durée de vie en années d’un appareil ménager suit la loi exponentielle de paramètre λ = 0,1
1) Calculer la durée de vie moyenne, les probabilités P (T ≥ 8) et P (T < 2) et P (a < T < b)
2) Calculer la médiane t * telle que P (X ≤ t *) = 50 %

Rappel : P (0 ≤ Temps ≤ a) = 1 – e – a / m et P (Temps > a) = e – a / m

Pour ne pas confondre les 2 formules, il suffit de prendre a = 0 car P (T > 0) = 100 % = e 0

T = durée de vie en années d’un appareil ménager suit la loi exponentielle de paramètre λ = 0,1= 1 / m

1 : E(T) = m = 1/ λ = 10 ans comme P (T < t) = 1 – e – 0,1 t ⇒ P (T > t) = P (X ≥ t) loi continue = e – 0,1 t

P (X ≥ 8) = e – 0,1 * 8 = 44,93 % et P (X < 2) = 1 – e – 0,2 = 18,13 %

2 : P (X ≤ t *) = 50 % ↔ 1 – e – 0,1. t*= 0,5 ↔ e – 0,1. t*= 1/2 ↔ t * = (Ln 2) / 0,1 = 6,93 ans

Ex base 3 : Dénombrement et probabilité important pour ceux qui veulent passer les concours Message SG-Inter/ MASTER Gestion
Dans une commune, il y a 40 % de moins de 25 ans, 40 % entre 25 et 65 ans, et 20 % de 65 ans dont
la moitié est dans une association. 60 % des habitants sont dans une association. Préciser
1) Dans les associations, la proportion des plus de 65 ans
2) Le pourcentage d’habitants qui ont plus de 65 ans et qui sont inscrits dans une association
3) La proportion des plus de 65 ans qui font partie d’une association

Synthèse des informations par Diagramme d’Euler (on divise une population en plusieurs catégories)

En gris : A = ceux dans les associations

50 10 Dans carré de droite : R= les + de 65 ans
30 10 On ramène tout à une base = 100 personnes
On commence par ceux où il y a le plus d’informations A ꓵ R

1) R parmi A ↔ PA(R) = définition conditionnelle P (A ꓵ R) / P(A) = 10 / 60 = 16,67 %

2) P (A ꓵ R) = 10 / 100 = 10 %
3) A parmi R ↔ P R (A) = information dans le texte P (A ꓵ R) / P(R) = 50 %

Rappel : dans tous les cas, on parle de A ꓵ R mais l’ensemble de référence change

3
 4

Séance 4 : Exercices de base avec passage au tableau

Ex base 1 : Pour 90 % des français, La consommation moyenne d’électricité, qui suit une loi
normale, se situe entre 1,8 et 5,2 kWh par jour et par personne Source : France Electricité
1) Préciser les paramètres de la loi normale suivie par X = consommation d’électricité / jour et habitant
2) Préciser les paramètres pour la consommation annuelle d’électricité / habitant

Ex base 1 : 1) X jour = consommation d’électricité / jour et habitant suit la loi N (3,5 kWh ; σ )
inconnu

0,95 * σ (risque coupé en 2)

L’intervalle de confiance I.C. 90 % = [1,8 kWh ; 5,2 kWh] avec 5,2 = 3,5 + z
Avec z 0,95 =1,65 donc σ = (5,8 – 3,5) / 1,65 ≈ 1,4 d’où X jour suit la loi N (3,5 kWh ; 1,4 kWh)

2) X an = X jour 1 + …+ X jour 365 de moyenne E (X an) = 365 * 3,5 et de variance σ 2 (X an) = 365 * 1,4 2
Par combinaison, Théorème Central Limite donne que X an suit N (365 * 3 = 1277,5 ; √365 * 1,4 = 26,75)

Ex base 2 : En 2020 Source : INSEE, 84 % des ménages et 54 % des retraités disposent d’internet
98 % des étudiants ont accès d’internet haut débit
1) Dans une commune de 2 000 ménages, préciser la loi suivie par X = nombre de ménages qui
disposent d’internet, puis E(X), V(X) puis intervalle de confiance I.C. 80 % pour X
2) Dans un groupe de 200 étudiants, préciser la loi suivie par Y = nombre d’étudiants de ce groupe
n’ayant pas accès à l’internet haut débit. Calculer la probabilité P (Y≤ 2) et P (Y > 5)

1) X = nombre de ménages disposant d’internet parmi n= 2000 (schéma de Bernoulli)

X suit la loi Bin (n=2000 grand ; p= 0,84) ≈ N (n p = 1680 ; σ = √ n p (1-p) = 16,14)

L’intervalle de confiance I.C. 80 % = [1680 ± 1,28 fractile de 0,90 * 16,14] ≈ [1660 ménages ; 1700 ménages]

N.B: Exprimer la conclusion avec une phrase du type : pour qu’un échantillon de n = 2 000 personnes
soit représentatif, il faut qu’il y ait entre 1660 et 1700 ménages de l’échantillon disposant d’internet.

2) Y = nombre d’étudiants sans accès au haut débit parmi n = 200 (schéma de Bernoulli)
Y suit la loi Bin (n= 200 grand ; p= 0,02) ≈ Poisson (n p = 4)

P (Y ≤ 2) → Table m = 4, ligne 2 = 23,81 % (selon Poisson : **)

** Par Bernoulli, P (Y ≤ 2) = C 200 0 0,02 0 0,98 200 + C 200 1 0,02 1 0,98 198 + C 200 2 0,02 2 0,98 198 = 23,52 %

P (Y > 5) → mauvais sens : on passe au contraire = 1 – P (Y ≤ 5) = 1 – 0,7851 = 21,49 % (k = 5 dans contraire)

Ex base 3 : Dans un aéroport, il arrive tous les jours 180 avions, dont 70 % de la compagnie Air-Jet
Un jour, 60 % des avions avaient un retard > 45 minutes dont la moitié était d’Air-Jet.
1) Quelle était le % d’avions d’Air-Jet qui avait un retard > 45 minutes ?
2) Parmi les avions d’une compagnie autre que : Air-Jet, combien étaient en retard ?

Ex base 3 : Synthèse des informations par Diagramme d’Euler (population divisée en catégories)
N.B : un arbre de probabilité est possible aussi

En gris : R = avions en retard (0,60*180 = 108 dont 54 Air-jet)

54 54 Carré gauche : A= avions d’Air-jet (0,70*180 = 126)
0 72 On ramène tout à une base = 180 avions

1) On cherche PA(R) = A = information avant verbe P (A ꓵ R) / P(A) = 54 /126 = 42,86%

2) P (non A ꓵ R) / P (non A) = 54 /54 = 100 %

Vérification : 30 % Pas Air-Jet * 100 % + 70 % Air-Jet * 42,86 % = 60 % retard

4
 5

Exercices qui seront traités en TD

Ex 1 : Loi Normale
Les ventes V des mois précédents étaient normalement distribuées suivant la loi N (50 tonnes ; 10 tonnes)
1) Calculer pour les mois à venir : p1 = P (55 < Vente < 67) et p2 = P (Vente > 38)
2) Trouver les réels x et y tels que P (Vente < x) = 95 % et P (Vente < y) = 20 %
Retrouver : P1 = 26,39 % P2 = 88,49 % x ≈ 66,5 y ≈ 41,6

X → N (50 ; 10) changement de variable Z = (X – 50) /10 → N (0 centrée ; 1 réduite)

1) p1 = P (55 < Vente < 67) = P (0,5 min < Z < 1,7 max)
p1 = P (Z ≤ 1,70 max) – P (Z ≤ 0,50 min) «lire la table»= 0,9554 – 0,6915 = 26,39 %
p 2 = P (Vente > 38) = P (Z > -1,2) «mauvais sens et mauvais signe» P (Z ≤ 1,20) «lire la table»= 88,49 %

2) Dans la table la fractile z 0,95 ≈ 1,65 D’après le dessin, x = 50 + 1,65 * 10 = 66,5 tonnes

Comme P (V < moyenne) = 50 % et P (Vente < y) = 20 % donc y < moyenne !

Il y a 20 % (que l’on ne trouve pas dans la table) sous y donc 80 % au-dessus de y
Fractile z 0,80 ≈ 0,7995 ≈ 0,84 donc y = 50 – 0,84 * 10 = 41,6 tonnes

Ex 2 : Loi Binomiale
Des machines fabriquent des couvercles de boîte en plastique. On estime à 0,001 la proportion de
ces couvercles inutilisables. Pour n = 2000, quelle est la loi suivie par la variable aléatoire X « nombre
de couvercles inutilisables parmi les 2000 » ? Calculer P (X ≤ 3) et P (X ≥ 2)
Retrouver : P (X=0) = 0,083 et P (X≤ 3) ≈ 0,8571

p = 0,001 la proportion de couvercles inutilisables et n = 2000 (échantillon)

Approximer cette loi Binomiale par une loi de Poisson de moyenne m = n p =2
[Car n > 30 grand et p=0,001 faible : n p <10 avec E(X)= n p ≈ V(X)= n p (1- p)]
Table de la loi de Poisson (pour m= 2) : P (X ≤ 3) = 0,8571 (ligne k=3, colonne m = 2)

Ex 3 : Loi Normale
Une enquête est réalisée auprès de ménages bordelais afin de connaître leur consommation en vin
sur une année. Cette consommation est exprimée en litre. Sur l’ensemble des personnes interrogées,
la consommation de ce produit suit une loi normale de moyenne 50 et d’écart-type de 30.
En vue d’une campagne de publicité pour prévenir des abus liés à cette consommation d’alcool, on
souhaite connaître le pourcentage des gros consommateurs (plus de 80 litres / an). Calculer ce
pourcentage. Quelle est la probabilité que la personne consomme moins de 10 litres de vin par an ?
Retrouver : 15,87 % et 9,18 %

La distribution de la consommation de vin suit une loi Normale : X →N (50,30) Par conséquent, la
variable Z centrée réduite se calcule de la manière suivante : Z = (X–50) /30
P (X > 80) = P (Z>1) « mauvais sens » = 1 – P (Z ≤ 1,00) « lire la table » = 1 – 0,8413 = 0,1587
→ 15,9 % de la population peut être considérée comme de gros consommateurs de vin.
P (X < 10) = P (Z< – 1.33) « mauvais signe » = 1 – P (Z ≤ 1,33) « lire la table » = 1 – 0,9082 = 0,0918
→ 9,18 % de la population consomme moins de 10 litres de vin par an.
Ex 4 : Loi de Poisson (« type concours »)
Le nombre mensuel X d’apparition d’un événement rare suit une loi de Poisson. La probabilité
d’observer un événement rare est de 0,0783. La probabilité d’observer deux événements rares est de
0,1566. Estimez le paramètre de cette loi de Poisson.
Retrouver : = 4

P (X = 2) / P (X = 1) = texte 0,1566 / 0,0783 = 2 Or la formule de Poisson donne

P (X = 2) = e – . 2/ 2 ! Et P (X = 1) =  e –  Donc P (X = 2) / P (X = 1) =  / 2 d’où = 4

5
 6

Ex 5 : Reconnaissance des lois classiques

Préciser pour les variables suivantes, la loi suivie par X et sa moyenne m
Puis calculer la probabilité p = P (X ≥ m)
1) Dans une entreprise, il y a en moyenne 3 absents par jour
Sur une période de 60 jours, X = nombre de jours où il n’y aura aucun absent.
Indication : on calculera p tel que X suit la loi Bin (n à préciser ; p)
2) Dans une entreprise, il y a un flux régulier de clients estimé à 6 clients par Heure en moyenne,
X = nombre de clients par heure à l’un des 3 guichets
3) Dans une entreprise, le nombre de clients suit la loi de Poisson m = 30 clients par heure
X = le temps d’inactivité de l’un des 5 guichetiers de l’entreprise
Retrouver : 1) p1 = 57,68 % 2) p2 = 59,40 % 3) p3 = 36,79 %

1) X = nombre de jours, parmi 60 jours, où il n’y aura aucun absent.

On reconnait un schéma de Bernoulli donc X suit la loi Bin (n = 60, p = inconnue à calculer)
Avec p= P (Y=0) où Y= nombre d’absents / jour (schéma de Poisson) donc Y suit P m =3 absents / jour
P (Y=0) = e – 3 = 0,0498 donc X suit Bin (n = 60, p = 0,0498) ≈ Poisson (m = n p ≈ 3)
P (X ≥ 3) « Mauvais signe » = 1 – P (X ≤ 2) = 1 – 0,4232 = 57,68 %

2) X = nombre de clients par heure à l’un des 3 guichets : on reconnait schéma de Poisson, mais on
dispose d’une information sur le flux des clients pour toute l’entreprise, donc on doit faire une
conversion. 6 clients / H pour les 3 guichets ↔ 2 clients / H et par guichet donc suit Poisson (m = 2)
P (X ≥ 2 = m) « mauvais signe » = 1 – P (X ≤ 1) = 1 – 0,4060 = 59,40 %

N.B : Si l’information sur le flux des clients était du type loi exponentielle (il s’écoule en moyenne 10
minutes entre l’arrivée de 2 clients), on convertirait cette information pour avoir une information du
type loi de Poisson (1 client toutes les 10 minutes ↔ 6 clients / H pour les 3 guichets)

N.B : Le nombre de personnes à employer pour répondre à un flux de clients s’appelle « Gestion des files d’attente ». On
s’appuie sur le flux des clients (suivant souvent une loi de Poisson) et la durée de service aux guichets (suivant souvent une loi
Exponentielle). Par exemple, si le flux des clients suit la loi de Poisson λ = 6 clients / H et que le taux de service suit la loi
exponentielle de paramètre μ = 2,5 clients servis / H, on définit l’intensité du service ψ = λ/ μ = 2,4
La 1er condition (pour éviter un temps d’attente infini) est que le nombre de guichets doit être > ψ = λ / μ = 2,4
En réalité, si on veut éviter que le temps d’attente au guichet >>> durée de service, on doit appliquer les « formules d’Erlang »
pour définir le nombre de guichets (= nombre de personnes à embaucher) à ouvrir !

3) X = le temps d’inactivité (= temps entre 2 clients) de l’un des 5 guichetiers de l’entreprise

Schéma de loi exponentielle mais l’information du texte est du type loi de Poisson
Conversion : m = 30 clients par heure ↔ 1 client toutes les 2 minutes dans l’entreprise
↔ 1 client toutes les 2 *5 =10 minutes à chacun des 5 guichets
X = temps d’inactivité suit une loi exponentielle de paramètre λ = 1 / moyenne = 0,1
P (X ≥ m = 10) = e – 0,1 *10 = 36,79 %

Ex 6 : Loi Géométrique (« type concours »)

Dans une boîte, il y a 50 cartes différentes. Vous effectuez des tirages successifs avec remise jusqu'à
obtenir la carte A. Soit X le nombre de tirages effectués avant d’obtenir cette carte.
Quelle loi suit la variable aléatoire X ? Calculer E(X)
Quelle est la probabilité que vous obteniez la carte A au bout du 30ème tirage ?
Retrouver : E(X) = 50 ; P (X=30) = 0,011

X = nombre d’essais avant 1er succès (schéma loi géométrique). L’épreuve est répétée plusieurs fois
de manière indépendante (cas avec remise) jusqu’à obtenir la carte A (succès) La probabilité d’avoir
la carte A est de 1/50 = 0,02 Donc X suit la loi géométrique G (p= 0,02) Avec : E(X) = 1/p = 50
P (X=30) = 0,98 29 échecs. 0,02 1 er succés donc P (X=30) = 0,011

Ex 7 : Loi Exponentielle et durée de vie

La durée de vie d’un lave-vaisselle (en années) peut être modélisée par une variable aléatoire T
suivant une loi exponentielle de paramètre λ. Une étude statistique montre qu’au bout de 5 ans, 40%
des lave-vaisselles sont en état de fonctionnement.
a) Calculer λ et E(T) = durée de vie moyenne puis calculer P (T < 1/2 ans = 6 mois)
b) Calculer la demi-vie d’un lave-vaisselle = médiane t* telle p (T < t*) = 50 %
Retrouver : λ = 0,183 ; moyenne = 5,46 ans ; médiane = 3,79 ans

6
 7

La durée de vie d’un lave-vaisselle (en années) peut être modélisée par une variable aléatoire T
suivant une loi exponentielle de paramètre λ avec P(T>5 ans) = 0,40
P (T < t) = 1 − e – λ t donc P (T ≥ 5) = 0,4 ⇒ e − 5 λ = 0,4 donc λ = – Ln (0,4) / 5 = 0,183
D’où l’espérance de vie moyenne E(T) = 1/ λ = 5,46 ans et P (T < 0,5) = 1 − e −0,183 * 0,5 = 0,087
La demi-vie = médiane t * telle que P (T < t*) = 50 %
Donc 1 − e – λ t* = e –λ t * ⇒ e – λ t* = 0,5 ⇒ t * = – ln (0,5) / 0,183 ⇒ t * = 3,79 ans

Ex 8 : Loi Exponentielle et durée de vie

Une étude montre qu’au bout d’un an, 50 % des ampoules sont en état de fonctionnement.
Par quelle est la loi (dont on précisera le paramètre λ) suivie par T = durée de vie d’une ampoule ?
Sachant que l’ampoule a fonctionné plus d’un an, calculer la probabilité qu’elle soit en panne avant 2
ans. Retrouver : λ = 0,693 ; E(T) = 1,44 ; probabilité = 0,50

Une étude montre qu’au bout d’un an, 50 % des ampoules sont en état de fonctionnement.
La durée de vie des ampoules peut être approximée par une loi exponentielle de paramètre λ :
Or, on sait que : P (T ≥ 1) = 0,50 ⇒ e − λ = 0,5 donc λ = – Ln (0,5) = 0,693 et E(T) = 1/ λ = 1,44 ans
Attention : le texte indique « Sachant que » donc il s’agit d’une probabilité conditionnelle
Sachant que l’ampoule a fonctionné plus d’un an : Certitude C = « X ≥ 1 »
P (X ≤ 2 panne avant 2 ans / sachant X ≥ 1) = définition probabilité condition p [ (X ≥ 1) ∩ (X ≤ 2) ] / P(X ≥ 1)
Or en faisant un dessin, on voit que [(X ≥ 1) ∩ (X ≤ 2)] = [1 ≤ X ≤ 2]
P (1 ≤ X ≤ 2) = P (X ≤ 2 max) – P (X ≤ 1 min) = (1 – e – 2 λ) – (1 – e – λ) = e – 0,693 – e – 2 * 0,693
Donc finalement, P (X ≤ 2 / sachant X ≥ 1) = (e – 0,693 – e – 2 * 0,693) / e – 0,693 = 0,50 La probabilité qu’une
ampoule fonctionne jusqu’à 2 ans sachant qu’elle fonctionne au bout d’un an est de 50 %

Ex 9 Loi Normale et Théorème Central Limite

La consommation électrique d’un abonné d’EDF suit une loi normale de moyenne 5 kWh et d’écart-
type 2 kWh. Soit un village composé de 400 contribuables. On suppose que les consommations de
ces personnes sont indépendantes.
Quelle loi suit la consommation totale d’électricité du village ?
Calculer la puissance minimale qu’EDF doit fournir pour satisfaire la consommation avec une
probabilité supérieure ou égale à 99 %.
Retrouver : Consommation suit N [2000 ; 40] et P min = 2093,2 KWH

La consommation électrique X i d’un abonné d’EDF suit une loi normale X i → N (5 ; 2)

1) La consommation totale Y du village est la somme des 400 consommations individuelles
Y = ∑ i ≤ 400 X i Les consommations des individus étant supposées indépendantes
* moyenne E (Y) = 400 E (X i) = 2 000 et variance σ 2 (Y) = 400 σ 2 (X i) = 400* 2 2
Donc Th.C.L. pour un grand échantillon, Y → N [2000 ; σ (Y) = 40]
2) On cherche la puissance minimale P min telle que
P (Y ≤ P min) = 0,99 ↔ P [Z ≤ (P min – 2000) /40] = 0,99
On cherche dans la table la fractile de 99 %, on obtient z 0,99 ≈ 2,33
D’où la puissance minimale P min = 2000 + 2,33 * 40 = 2093,2 KWH
EDF doit donc fournir au moins 2093,2 KWH au village pour satisfaire la demande dans 99 % des cas

Ex 10 : Loi Normale et Théorème Central Limite

Les ventes d’ordinateurs d’une entreprise Omega sont supposées suivre une loi normale de moyenne
annuelle de 10000 unités à un prix de vente unitaire de 1000 € avec une chance sur 2 pour que les
quantités vendues varient de plus ou moins 2000 autour de la moyenne. Le coût de revient se
décompose de la manière suivante : Coût variable unitaire : 600 € Charges fixes totales : 2 000 000 €
1) Déterminer les paramètres de la loi de la variable aléatoire X (quantités vendues).
2) Quelle loi suit le profit de cette entreprise ? Donner et interpréter intervalle de confiance I.C. 0.90
Retrouver : Ventes / an suit N (10 000 ; 2985) Profit 𝚷  → N (2 000 000 ; 1 194 000)

1) On sait que X = ventes / an suit une loi normale N (m =10000, σ) avec σ inconnu
On sait également que P (10000-2000<X< 10000+2000) = 0,50 ↔ P (8 000<X<12 000) = 0,50
Si on représente la courbe de Gauss-Laplace, on voit qu’il y a : 25 % au-dessus de 12 000 et 25 %
en-dessous de 8 000 (on coupe le risque en 2 zones) donc P (X < 12 000) = 0,75
On cherche, dans la table, la fractile de 75 %, on obtient z 0,75 ≈ 0,67
Donc 12 000 = 10 000 + 0,67 σ ↔ σ = 2 000 / 0,67 ≈ 2985 donc X → N (10 000 ; 2985)

7
 8

2) Le profit 𝚷  d’une entreprise se calcule de la manière suivante :

𝚷  = (prix – coût unitaire) X vente – Charges fixe = (1000 – 600) X – 2 000 000 = 400 X – 2 000 000
Le profit suit donc une loi normale puisque c’est une combinaison linéaire de la quantité produite par
l’entreprise (qui suit une loi Normale)
Le profit espéré E (𝚷 ) = 400 * 10 000 – 2 000 000 = 2 000 000
La variance σ 2 (𝚷 ) = 400 2 * 2 985 2 donc 𝚷 → N (2 000 000 ; 1 194 000)

Ex 11 : Loi Normale et paramètre inconnu

On suppose X = les ventes / mois suivent une loi normale N (7 tonnes ; 0,5 tonnes).
Déterminer le stock initial S en début de mois pour que le risque de rupture de stock < 5 %
Retrouver : S = 7,822 tonnes

X → N (7 ; 0,5) changement de variable Z = (X – 7) /0,5 → N (0 centrée ; 1 réduite)

Rupture de Stock = P (X > Stock) < 5 % ↔ non rupture P (X ≤ Stock) ≥ 95 %

↔ P (Z ≤ (Stock – 7) /0,5) ≥ 95 % Or P (U ≤ z 0,95) ≈ 0,95 ↔ fractile z 0,95 ≈ 1,65
(Stock – 7) / 0,5 = 1,65 d’où Stock = 7 + 1,65 * 0,5 = 7,822 tonnes

N.B : D’après le dessin, on peut voir tout de suite que Stock = 7 + 1,65 * 0,5
(5%= risque de rupture de stock est la partie hachurée au-dessus du Stock)

Ex 12 : Loi Binomiale et Approximation

Dans le TGV, une personne a une chance sur 5 d’être contrôlée. 300 personnes sont présentes dans
le TGV. Soit X = nombre de personnes qui seront contrôlées dans le TGV.
1) Déterminer la loi de la variable aléatoire X. Calculer E(X) et V(X).
2) Justifier le fait que la variable aléatoire X puisse être approchée par la loi normale dont vous
préciserez les paramètres. Calculer P (X ≤ 50)
Retrouver : P (X ≤ 50) = 8,38 %

X = nombre de personnes contrôlées parmi 300 (schéma de Bernoulli) suit la loi Bin (n= 300 ; p=1/5)
E(X)= n p = 60 « trop grande pour l’approximation de Poisson »
On calcule l’écart type σ = √ n p (1-p) = 6,9 donc Bin (300 ; 1/5) ≈ N (60 ; 6,9)
Correction de continuité : on doit agrandir l’intervalle de 0,5 de chaque côté
] -∞ ; 50] →] -∞ ; 50,5] P (X ≤ 50) = P (Z ≤ -1,38 = (50,5 – 60) /6,9) = mauvais signe 1– P (Z ≤ 1,38) = 8,38 %

Ex 13 : Gestion des Ressources Humaines

Dans une entreprise, il y a en moyenne 3 pannes par jour (suivant une loi de Poisson). Elle
emploie 2 techniciens qui peuvent réparer 4 pannes par jour. Chaque jour où le nombre de
pannes dépasse 4 pannes, un service de maintenance intervient, moyennant une facture
forfaitaire = 1,5 K eu / jour.
1) Quelle est, chaque jour, le risque de faire appel au service de maintenance ?
2) L’entreprise travaille 25 jours / mois : facture mensuelle F payée au service de
maintenance ?
3) Avec un technicien de plus, que devient cette facture mensuelle moyenne F ?
Quel sera le montant maximum de ce nouveau technicien ?
N.B: beaucoup de décisions économiques sont basées sur des calculs de risque.
Retrouver : 1) risque/jour = 18,47 % 2) facture moyenne = 6,93 K€ / mois 3) salaire max < 5,67 K€

1) on fera appel au service de maintenance ↔ les jours où X = nombre pannes > 4

Or X = nombre de pannes / jour suit la loi de Poisson P m = 3 pannes par jour
Risque / jour (faire appel au service de maintenance) = P(X>4) = 1 – P(X≤4) = 1 – 0,8153 = 18,47 %
2) facture mensuelle F = 25 * 0,1847 * 1,5 ≈ 6,93 K€
3) Avec un technicien de plus, la capacité de réparation passe de 4 à 6 pannes par jour. Or
P(X>6) = 1 – P(X≤6) = 1– 0,9665 = 3,35 % et facture mensuelle F’ = 25 * 0,0335 * 1,5 ≈ 1,26 K€
Donc salaire max < ancienne facture – nouvelle facture = 5,67 K€