Académique Documents
Professionnel Documents
Culture Documents
Avant-Propos 3
Toute décision, et en particulier toute décision de gestion, engage l’avenir. Elle est
donc forcément prise en situation d’incertitude. Celle-ci affecte les conditions dans
lesquelles l’action envisagée se réalisera et par voie de conséquence les effets qu’elle
produira.
En attribuant à un événement à venir une probabilité, c’est-à-dire un nombre mesurant
les chances qu’il a de se réaliser ou son degré de vraisemblance, on n’élimine pas
l’incertitude mais on la réduit.
L’utilisation de modèles issus de la théorie des probabilités permet d’améliorer la qua-
lité de l’information fournie au décideur et donc la qualité de sa gestion.
Analyse combinatoire ou
dénombrement
périence. En fait, bien des problèmes en théorie des probabilités peuvent être résolus
simplement en comptant le nombre de manières différentes selon lesquelles un certain
événement peut se réaliser.
Par convention, on appelle analyse combinatoire la théorie mathématique du dénom-
brement.
B. Principe fondamental
L’action sur le système peut entraîner des résultats qu’on ne peut pas prévoir. Cette
expérience donne des résultats aléatoires dus essentiellement au hasard, on dit que ce
sont des expériences aléatoires ou épreuves aléatoires.
Cependant, pour chacune de ces expériences aléatoires, on peut prévoir tous les
résultats possibles ou éventualités.
Théorème 1.1. Si r expériences aléatoires doivent être réalisées et sont telles que la
première peut produire l’un quelconque de n1 résultats, et si pour chacun d’entre
eux il y a n2 résultats possibles pour la deuxième expérience, et si pour chaque
résultat des deux premières expériences il y en a n3 pour la troisième expérience,
et ainsi de suite, il y aura alors au total n1 n2 : : : nr résultats pour les r expériences
prises ensemble.
C. Arrangements
Considérons un ensemble E de n éléments données, et un entier p n:
Définition 1.1. On appelle arrangement d’ordre p d’éléments de E , toute suite
ordonnée de p éléments distincts de E.
On peut aussi interpréter cette éventualité comme le tirage successif sans remise
de p boules dans une urne en contenant n.
Dans ce type de tirage, on tient compte de l’ordre.
Combien d’arrangements distincts d’ordre p d’éléments d’un ensemble E de cardinal n
peut-on obtenir ?
au 1er tirage, il y a n possibilités ;
au 2e tirage, il y a n-1 possibilités ;
au 3e tirage, il y a n-2 possibilités ; et ainsi de suite jusqu’au
au pe tirage, il y a n-p+1 possibilités.
Soit au total :n(n 1) : : : (n p + 1) possibilités.
Symboliquement, on désigne par Apn le nombre de tirages successifs de p éléments
parmi n et se lit "a,n,p" :
D. Permutations
Apn = n(n 1) : : : (n p + 1)
= n(n 1) : : :(n (np) p +: : 1)( n p) : : : 2 1
:21
Apn =
n!
(n p)!
2 Permutations d’objets indistinguables
Il s’agit de déterminer le nombre de permutations dans un ensemble de n objets
quand certains de ces objets sont indistinguables les uns des autres.
n!
n1 !n2 ! : : : nr !
3 Anagrammes
On appelle "alphabet" les caractères et/ou les signes d’une discipline. Un mot dans
cette discipline sera une concaténation de symboles issus de son alphabet. On appelle
longueur d’un mot le nombre de symboles de l’alphabet en question figurant dans l’écri-
ture du mot.
X
Exemples :
En informatique, l’alphabet se résume en 2 caractères 0 et 1
X
(10001 : mot de longueur 5).
En algèbre, on a x6 y 2 z est un mot de longueur 9.
Remarque : La sémantique ne compte pas.
❹ ARRANGE.
Le nombre d’arrangements différents qu’on peut faire avec les lettres des mots sont :
① 5! = 120
7! = 1 260
❷ 2!2!
11! = 34 650
③ 4!4!2!
7! = 1 260
❹ 2!2!
E. Combinaisons
1 Tirage simultané
Définition 1.3. On appelle combinaison de p éléments pris parmi les n éléments
d’un ensemble E , tout sous-ensemble (ou toute partie) de E comportant p élé-
ments distincts de E
Dans ce type d’expérience aléatoire, on doit ramener en une seule prise p objets.
Une éventualité s’appelle une combinaison de p éléments pris parmi n.
Dans ce type de tirage, on ne tient pas compte de l’ordre.
Combien de tirages distincts de p éléments peut-on réaliser à partir d’un ensemble
contenant n éléments ?
Condition nécessaire : p n:
Un tirage simultané de p éléments est équivalent à une permutation de n objets parmi
lesquels p objets sont identiques entre eux et (n p) autres identiques entre eux :
n!
p!(n p)!
on a au total permutations distinctes.
Cnp = n = Apn :
p!
En notation anglaise on a
p
2 Propriétés
① Cn0 = Cnn = 1; Cn1 = n 8n 2 N ;
❷ Cnp = Cnn p ;
n n
③ Cnp = Cnn 1p = Cnp 11 8n; p 2 N ;
p p
❹ Cnp = Cnp 1 + Cnp 11 8n; p 2 N .
K=
(i + j )! = n! = C i :
i!j ! i!(n i)! n
n
( x + y )n =
X
Donc Cni xi yn i :
i=0
Exemple 2 : Trouver le cœfficient de x3 y 15 z 2 dans le développement de
(x + y + z )20:
20! = 20! 17! = C 3 C 2 = 155 040:
Le cœfficient vaut :
3!15!2! 3!17! 15!2! 20 17
Dans le cas général, trouver le cœfficient de xi y j z k dans le développement de
(x + y + z )n avec i + j + k = n :
K=
(i + j + k)! = n!
= n!
(n i)! = C i C j :
i!j !k! i!j !(n i j )! (n i)!i! (n i j )!j ! n n i
Donc
n! i j k
(x + y + z )n =
X
xy z
(i;j;k) i!j !k!
n n i
= Cni Cnj i xi yj z n
XX
i j:
i=0 j =0
n!
( x1 + x 2 + : : : + x r ) n =
X
xn1 1 xn2 2 : : : xnr r
(n1 ;n2 ;:::;nr ) n1 !n2 ! nr !
avec n1 + n2 + : : : + nr = n:
Comme les boules sont indiscernables, le résultat de l’expérience qui consiste à répartir
les n boules dans nos r urnes est décrit par un vecteur (x1 ; x2 ; : : : ; xr ) où xi représente
le nombre de boules contenues dans la i-ème urne. Le problème revient alors à trouver
le nombre de vecteurs (x1 ; x2 ; : : : ; xr ) à composantes entières non négatives tels que
x1 + x2 + : : : + xr = n:
Pour le calculer, commençons par considérer le nombre de solutions entières positives.
Pour cela, imaginons qu’il y a n objets indiscernables alignés et que nous voulons les
diviser en r groupes non vides. Ces objets peuvent être représentés comme suit :
0 0 0 0 0 0 ::: 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
où les 0 représentent les n objets, les points de séparation symbolisant les n 1 espaces
entre ces objets. Pour notre calcul, il suffit de désigner r 1 des n 1 espaces comme
points de division. Si par exemple n = 8 et r = 3 on peut choisir les deux séparations
comme suit :
000j000j00
Le vecteur correspondant sera x1 = 3, x2 = 3, x3 = 2. Comme il y a Cnr 11 choix possibles
nous venons de démontrer la proposition suivante :
x1 + x2 + : : : + xr = n; xi > 0; i = 1; : : : ; r:
Pour obtenir le nombre des solutions non négatives (et non plus positives) il suffit
de remarquer que le nombre de solutions non négatives de x1 + x2 + : : : + xr = n est
le même que celui des solutions positives de y1 + y2 + : : : + yr = n + r (on le voit en
posant yi = xi + 1; i = 1; : : : ; r). Ceci permet de démontrer la proposition suivante, en
utilisant la précédente :
x1 + x2 + : : : + xr = n; xi 0; i = 1; : : : ; r:
G. Exercices
Exercice 01.1 : Parmi les 10 participants à un tournoi d’échec, on compte 4 russes, 3
américains, 2 anglais et un brésilien. Si dans le classement du tournoi on ne peut lire que
la liste des nationalités des joueurs mais pas leur identité, à combien de classements
individuels différents une telle liste correspond-elle ?
Exercice 01.2 : On compose des signaux en alignant des drapeaux suspendus. Com-
bien de ces signaux peut-on former si parmi les drapeaux à disposition 4 sont
blancs, 3 sont rouges, 2 sont bleus et si tous les drapeaux d’une même couleur
sont indistinguables ?
Exercice 01.3 : On veut former un comité comprenant 3 des 20 personnes d’un groupe.
Combien y a-t-il de ces comités ?
Exercice 01.6 : Le poste de police d’une petite ville compte 10 agents. Si l’organisation
de ce poste est d’avoir 5 agents en patrouille, 2 au poste travaillant activement et les 3
autres au poste également mais de réserve, à combien de répartitions de ces agents
en trois groupes ainsi définis peut-on procéder ?
Exercice 01.10 : Chaque mise doit se monter à un nombre entier de milliers de dollars.
Entre combien de stratégies d’investissement cette personne a-t-elle le choix
si elle décide de risquer la totalité des 20 000 dollars ? Qu’en est-il si on admet
qu’elle puisse n’investir qu’une partie seulement de la somme ?
Exercice 01.14 : Huit nouveaux professeurs vont être envoyés dans 4 écoles.
Combien y a-t-il d’affectations possibles ?
Qu’en est-il si l’on impose que chaque école recevra deux professeurs ?
Toute décision, et en particulier toute décision de gestion, engage l’avenir. Elle est
donc forcément prise en situation d’incertitude. Celle-ci affecte les conditions dans
lesquelles l’action envisagée se réalisera et par voie de conséquence les effets qu’elle
produira.
En attribuant à un événement à venir une probabilité, c’est-à-dire un nombre me-
surant les chances qu’il a de se réaliser ou son degré de vraisemblance, on n’élimine
pas l’incertitude mais on la réduit.
L’utilisation de modèles issus de la théorie des probabilités permet d’améliorer la
qualité de l’information fournie au décideur et donc la qualité de sa gestion.
1 Vocabulaire de base
Une épreuve ou expérience, est une action dont le résultat est soumis au hasard.
L’univers ou reférentiel (noté ) associé à une épreuve est l’ensemble des résultats
possibles. Chacun de ces résultats possibles est appelé une éventualité. Un événe-
ment est un sous-ensemble de l’univers. Un événement ne contenant qu’un élément est
appelé événement élémentaire.
Exemple 1 : On lance un dé et on note le chiffre obtenu. Cela constitue une
épreuve.
L’univers correspondant est l’ensemble = f1; 2; 3; 4; 5; 6g:
Les sous-ensembles de suivants : A1 = f2; 4; 6g; A2 = f1; 2; 3; 4g; A3 = f5g;
A4 = f3; 6g sont des exemples d’événements.
Ils peuvent également être définis par une " phrase ". Par exemple :
A1 = " obtenir un chiffre pair " ;
A2 = " obtenir un résultat inférieur ou égal à 4 ".
Les événements élémentaires sont ici : f1g; f2g; f3g; f4g; f5g et f6g:
Soit A un événement donné. Si, lors d’une épreuve, on obtient le résultat ! , alors :
– si ! est un élément de A; on dit que A est réalisé,
– si ! n’appartient pas à A, on dit que A n’est pas réalisé.
Exemple 2 : Supposons par exemple que l’on jette le dé et que l’on obtient le
chiffre 3. Avec les notations introduites ci-dessus, on peut dire alors que : les
événements A1 et A3 ne sont pas réalisés, tandis que A2 et A4 le sont.
2 Inclusion
A et B étant deux événements, si A est un sou-ensemble de B (ou une partie de B ),
on note A B , et on dit que l’événement A est inclus dans l’événement B (ou que A
implique B ). Dans ce cas, lorsque A est réalisé, B l’est également.
4 Événement contraire
Soit A un événement. L’événement dit contraire, noté A, est l’événement qui est
réalisé si et seulement si A ne l’est pas.
A est donc le complémentaire dans de A. On peut le représenter à l’aide du schéma
ci-dessous.
5 Intersection d’événements
A et B étant deux événements, c’est-à-dire deux sous-ensembles de , l’intersection
de A et B , noté A \ B , est l’ensemble des éléments de appartenant à la fois à A et à
B.
Lorsque A \ B est vide, cela signifie que A et B ne peuvent pas être réalisés simul-
tanément. On dit alors que A et B sont des événements incompatibles.
6 Réunion d’événements
A et B étant deux événements, la réunion de A et B , notée A [ B , est l’ensemble
des éléments de appartenant soit à A, soit à B , sans exclure les éléments appartenant
à la fois à A et à B s’il y en a.
A \ B = A [ B et A [ B = A \ B
et que l’on peut généraliser sous la forme :
A1 \ A2 \ : : : \ An = A1 [ A2 [ : : : [ An et A1 [ A2 [ : : : [ An = A1 \ A2 \ : : : \ An :
Cours de Mathématiques appliquées Page 16 manin.taha@inphb.ci
B. Probabilités : définitions et axiomes 17
Lorsqu’une épreuve peut être répétée à l’identique un très grand nombre de fois, on
peut facilement " mesurer " la probabilité de réaliser telle ou telle éventualité.
Exemple 7 : Au jeu de " pile ou face ", on a une chance sur deux d’obtenir
" face " et une chance sur deux d’obtenir " pile ". On dira que la probabilité
d’obtenir " face " vaut 0,5, de même que la probabilité d’obtenir " pile ".
Au XVIIe siècle, les premières règles du calcul des probabilités ont été établies à partir
de la notion de fréquence observée.
Exemple 8 : Si on jette un dé un très grand nombre de fois (600 fois, 2 000 fois,
n fois. . . ) on constate que la fréquence d’apparition du chiffre 5 par exemple
(c’est-à-dire le rapport du nombre d’obtention du " 5 " au nombre total de
lancers) est voisine de 1=6, et se stabilise autour de la valeur 1=6 lorsque le
nombre n de lancers devient très grand. Pascal, Fermat et d’autres ont adopté
cette " fréquence limite "comme probabilité d’obtenir un " 5 " lors d’un lancer
de dé.
Mais le calcul des probabilités s’est avéré nécessaire dans un grand nombre de domaines
(par exemple en économie, en physique, en médecine. . . ) où la répétition à l’identique
d’une même épreuve est souvent impossible. Vers 1930, Kolmogorov a construit une
théorie mathématique des probabilités, s’appuyant sur l’approche statistique de ses
précurseurs. Basée sur trois axiomes fondamentaux, cette théorie confirme et généralise
les propriétés établies à partir d’expériences.
3 Conséquences de la définition
P étant une probabilité définie sur , on a les propriétés suivantes :
a) la probabilité de l’événement impossible est nulle : P (;) = 0:
b) A étant l’événement contraire de A, la probabilité de réaliser A vaut :
P (A) = 1 P (A):
c) Si A B; alors : P (A) P (B ):
d) pour tous événements A et B : P (A [ B ) + P (A \ B ) = P (A) + P (B ):
Exemple 9 : À la sortie d’une chaîne de fabrication, des boulons sont suscep-
tibles de présenter deux défauts.
Un très grand nombre d’observations a permis d’établir que :
X la proportion de boulons fabriqués ayant le défaut a est de 5 % ;
X la proportion de boulons fabriqués ayant le défaut b est de 3 % ;
X la proportion de boulons fabriqués ayant les deux défauts est de 1 % ;
on note :
A l’événement un boulon présente le défaut a ,
B l’événement un boulon présente le défaut b .
Attention : "présenter le défaut a" ne signifie pas "présenter le défaut a seule-
ment".
Déterminer la probabilité qu’un boulon présente :
① le défaut a ou le défaut b ;
❷ le défaut a seulement ;
③ aucun défaut.
i=1
On obtient la probabilité d’un événement A en ajoutant les probabilités des éventualités
+ 1
P (ai ), est par définition la limite quand n tend
X
dont la réunion est A: La somme
i=1
n
+1 de P (ai ):
X
vers
i=1
k=1 k=1 2 2 2 2
n
X
P (k ) =
1 2 =1
1 n;
k=1 2 1 1 2
2
1 n + 1
or lim P (k) = 1; P définit donc bien une probabilité sur N :
= 0; on a donc
X
n!+1 2
i=1
Calculons la probabilité de l’événement : A = f2; 4; 6; 8g:
On a :
2 2 2 2
Cours de Mathématiques appliquées Page 20 manin.taha@inphb.ci
C. Probabilités conditionnelles 21
C. Probabilités conditionnelles
On considère dans ce paragraphe un univers quelconque sur lequel on a défini une
probabilité P:
Compte tenu des données, un tiers des boulons présentant le défaut b (grisé) présentent
également le défaut a.
La probabilité de réaliser A si B est réalisé vaut donc 1=3:
On a travaillé ici sur l’univers réduit constitué par les boulons présentant le défaut b.
Appliquons maintenant la définition théorique :
P (A \ B ) 0; 10 1
P (A=B ) = = 0; 30 3 ; on obtient donc bien le même résultat
P (B )
La probabilité de réaliser A sachant que B est réalisé est parfois notée PB (A) (au lieu de
P (A=B )) et on démontre que PB définit une probabilité sur . Il en résulte les propriétés
suivantes, données en parallèles avec les deux notations utilisées :
2 Probabilités composées
Il découle directement de la définition des probabilités conditionnelles que :
P (A \ B ) = P (A) P (B=A):
Exemple 16 : Pour ouvrir un coffre, on dispose d’un trousseau de 5 clefs presque
identiques dont une seule peut ouvrir le coffre. On essaye donc les clefs une
à une, en mettant de côté les clefs essayées qui n’ont pu ouvrir le coffre.
Déterminer la probabilité que l’on parvienne à ouvrir le coffre au deuxième
essai.
Réussir au deuxième essai suppose que la première clef n’était pas la bonne (événement
que nous noterons A) et que la deuxième est la bonne (événement B ). On cherche donc :
P (A \ B ): Or P (A \ B ) = P (A) P (B=A)
P (A) = 4=5; (puisque 4 des 5 clefs ne sont pas bonnes)
P (B=A) = probabilité que la deuxième clef soit la bonne sachant que la première ne
l’était pas
P (B=A) = 1=4 (puisqu’il ne reste plus que 4 clefs dont une seule est bonne),
4 1
P (A \ B ) = = 0; 2:
d’où
5 4
Généralisation : E1 ; E2 ; E3 ; : : : ; En étant n événements donnés, on a :
P (E1 \E2 \E3 \: : :\En ) = P (E1 )P (E2 =E1 )P (E3 =E1 \E2 ): : :P (En =E1 \: : :\En 1 ):
3 Événements indépendants
P (A \ B ) = P (A) P (B ):
On veillera à ne pas confondre "événements indépendants" et "événements incompa-
tibles".
Remarquons que si les probabilités P (A) et P (B ) sont non nulles, on peut donner la
définition sous forme :
A et B sont deux événements indépendants si et seulement si
P (A=B ) = P (A);
ou encore :
A et B sont deux événements indépendants si et seulement si
P (B=A) = P (B ):
Exemple 17 : On considère une population de jeunes de 25 ans dont 80 % sont
des étudiants, 70 % sont vaccinés contre l’hépatite B, et 10 % possèdent une
moto. De plus 56 % sont des étudiants vaccinés contre l’hépatite B, et
8 % ont une moto et sont vaccinés contre l’hépatite B. On prend au hasard un
individu de cette population et on note E; V et M les événements suivants :
E = "obtenir un étudiant" ;
V = "obtenir un jeune qui est vacciné contre l’hépatite B" ;
M = "obtenir un jeune qui possède une moto".
Les événements E et V d’une part, et M et V d’autre part sont-ils indépen-
dants ?
Compte tenu des données, on a P (E ) = 0; 8 ; P (V ) = 0; 7 ; P (M ) = 0; 1 ;
P (E \ V ) = 0; 56 et P (M \ V ) = 0; 08:
Avec ces données, on peut écrire P (E \ V ) = P (E ) P (V ) et en déduire que dans cette
| {z } | {z } | {z }
0;56 0;8 0;7
population, les événements " être étudiant " et " être vacciné contre l’hépatite B " sont
indépendants en probabilité.
Par contre P (M \ V ) 6= P (M ) P (V ) les événements " avoir une moto " et " être
| {z } | {z } | {z }
0;08 0;1 0;7
vacciné contre l’hépatite B " ne sont donc pas indépendants en probabilité.
4 Diagrammes en arbre
Il est parfois commode de représenter une succession d’épreuves par un "arbre", et
de savoir utiliser ce schéma pour faire rapidement des calculs de probabilité.
Exemple 19 : Un épicier achète les pâtes chez trois fournisseurs FA , FB et FC .
La moitié de ses paquets provient de chez FA , et un cinquième de ses paquets
provient de chez FB .
À la livraison, l’épicier constate que 1 % des emballages des paquets du four-
nisseur FA sont endommagés, et que cette proportion est de 4 % chez FB et
2,5 % chez FC . Il met cependant tous les paquets en rayon. On choisit au ha-
sard un paquet.
Déterminer la probabilité que son emballage soit endommagé.
On notera A (respectivement B et C) l’événement : " le paquet choisi provient du four-
nisseur FA " (respectivement FB et FC ), et E " l’emballage du paquet est endommagé
". On cherche P (E ):
P (E ) = P (A [ B [ C ) \ E
= P (A \ E ) [ (B \ E ) [ (C \ E ) :
Cette décomposition signifie qu’un paquet endommagé peut :
venir du fournisseur FA et être endommagé,
ou venir du fournisseur FB et être endommagé,
ou venir du fournisseur FC et être endommagé.
Comme (A \ E ), (B \ E ) et (C \ E ) sont trois événements incompatibles, on a :
P (E ) = P (A \ E ) + P (B \ E ) + P ( C \ E )
= P (A) P (E=A) + P (B ) P (E=B ) + P (C ) P (E=C ):
Or d’après les données P (A) = 0; 5 ; P (B ) = 1=5 = 0; 2 ; P (C ) = 1 0; 5 0; 2 = 0; 3 ;
et P (E=A) = 0; 01 (puisque 1 % des paquets en provenance de FA sont endommagés),
P (E=B ) = 0; 04 et P (E=C ) = 0; 025: Il en résulte que
P (E ) = (0; 5 0; 01) + (0; 2 0; 04) + (0; 3 0; 025) = 0; 0205:
On peut schématiser la situation étudiée par l’arbre suivant, et observer comment on
obtient P (E ) en suivant les " chemins " (marqués en gras) aboutissant à E.
et dont la réunion est . Une telle famille forme un système complet d’événements.
B étant un événement donné, on a alors :
n
P (B ) = P (Ak ) P (B=Ak ):
X
k=1
6 Théorème de Bayes
Exemple 19 : Reprenons l’exemple de l’épicier. Si l’emballage du paquet choisi
au hasard est endommagé, quelle est la probabilité qu’il provienne du fournis-
seur FA .
On cherche donc P (A=E ): On a :
P (A \ E ) P (A) P (E=A) 0; 5 0; 01
P (A=E ) =
P (E )
= P (E )
= 0; 0205 0; 244:
Si l’on tombe sur un paquet endommagé, il y a donc presque une chance sur quatre
qu’il provienne du fournisseur FA :
Sans le mentionner, nous avons utilisé dans l’exemple ci-dessus le théorème de Bayes
qui se généralise sous la forme suivante :
k=1
D. Exercices
Exercice 02.1 : On a procédé à une enquête sur toutes les familles qui habitaient à
Abidjan au 1er janvier de 2016. On considère l’épreuve : " choisir au hasard l’une de ces
familles ". On note O; A et C les événements suivants :
O : " la famille choisie possède un ordinateur " ;
A : " la famille choisie possède un appareil photo numérique " ;
C : " la famille choisie possède un camescope ".
1) Utiliser une phrase pour décrire chacun des événements suivants :
O; O \ C \ A; O [ C; O \ C:
2) À l’issue d’un tirage au sort, on constate que la famille choisie possède
un camescope. Parmi les événements suivants, quels sont ceux qui sont
réalisés : C; C; A [ C; ;; A \ C ? Peut-on savoir si A \ C est réalisé ? Pourquoi ?
3) À l’issue d’un tirage au sort, on vous indique que la famille choisie réalise
l’événement A [ C: Cette famille possède-t-elle un camescope ?
Exercice 02.2 : On participe à un jeu à l’issue duquel il n’y a que trois possibilités : ne
rien gagner ; gagner une bouteille de vin ; gagner un voyage. Le règlement du jeu précise
que la probabilité de ne rien gagner est 0,9 et la probabilité de gagner une bouteille de
vin 0,0999.
Quelle est la probabilité de gagner un voyage ?
Exercice 02.4 : Au centre aéré de la commune voisine, 48 % des enfants savent nager,
60 % des enfants pratiquent un sport collectif, et 20 % des enfants savent nager et
pratiquent un sport collectif. Un séjour d’une semaine est organisé début juillet pour
les enfants de ce centre aéré, mais seuls ceux qui savent nager ou pratiquent un sport
collectif peuvent s’inscrire. On considère l’épreuve : " choisir au hasard un enfant de
cette commune ".
Exercice 02.5 : Une étude portant sur les 1 200 dernières voitures vendues chez un
concessionnaire d’une grande marque, et sur l’âge des acheteurs (plus ou moins de 30
ans), a donné les résultats suivants :
Grosse voiture (G) Petite voiture (G ) Totaux
Jeune (J ) 106 424 530
Moins jeune (J ) 536 134 670
Totaux 642 558 1 200
1) Dans cette question on donnera les résultats en pourcentages, à 10-2 près.
a) Parmi les jeunes acheteurs, quel est le pourcentage de ceux qui ont
acheté une grosse voiture ?
b) Parmi les clients qui ont acheté une grosse voiture, quel est le pourcen-
tage de jeunes ?
Dans la suite on donnera les valeurs décimales des probabilités, à 10-4 près. On considère
l’épreuve : " tirer au hasard la fiche d’achat de l’un des 1 200 derniers clients ayant acheté
une voiture chez ce concessionnaire ", et on note G l’événement : " le client choisi a
acheté une grosse voiture " et J l’événement : " le client choisi est jeune ".
2) a) Calculer les probabilités suivantes : P (J ); P (G); P (J \ G); P (J [ G); P (J=G)
et P (G=J ):
Comparer les deux derniers résultats avec les pourcentages obtenus à la
question 1).
b) Quelle est la probabilité de tirer la fiche d’un acheteur jeune ayant acheté
une petite voiture ?
c) Si la fiche tirée au hasard est celle d’une petite voiture, quelle est la
probabilité que son acheteur soit jeune ?
Exercice 02.6 : Pour organiser un voyage, un comité d’entreprise décide d’utiliser deux
petits cars notés P1 , P2 et trois grands cars notés G1 , G2 , G3 . L’ordre de départ des cars
est laissé au hasard. On désigne par ordre de départ toute suite ordonnée des cinq cars.
Exemple : P2 ; G1 ; G3 ; P1 ; G2 :
1) Calculer le nombre d’ordres de départ possibles.
2) Calculer la probabilité que les deux petits cars partent en première et
deuxième position.
3) Calculer la. probabilité que, lors du départ, les deux petits cars soient l’un
derrière l’autre.
4) Calculer la probabilité que parte un grand car en première et en dernière
position.
Exercice 02.7 : Quatre hommes et quatre femmes travaillent dans un même bureau
équipé d’un seul poste téléphonique. Madame Jacques 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
du bureau. On note :
H l’événement : " c’est un homme qui répond à Madame Jacques en début d’après-
midi " ;
F l’événement : " c’est une femme qui répond à Madame Jacques en fin de journée " ;
S l’événement : " les deux personnes qui répondent à Madame Jacques sont de même
sexe ".
1) Calculer la probabilité des événements H; F; S; H \ F; H \ S; F \ S; H \ F \ S:
2) Montrer que les événements H; F et S sont indépendants deux à deux mais
ne sont pas mutuellement indépendants.
Exercice 02.8 : Un grand magasin a, en stock, 2 500 sacs dont 20 % ont été fabriqués
à l’étranger, 1 200 paires de chaussures dont la moitié ont été fabriquées à l’étranger et
300 vestes en cuir toutes fabriquées à l’étranger.
1) Compléter le tableau suivant :
Après avoir réalisé une expérience, il arrive bien souvent qu’on s’intéresse plus à une
fonction du résultat qu’au résultat lui-même.
Par exemple, lorsqu’on joue aux dés, certains jeux accordent de l’importance à la somme
obtenue sur deux dés, 7 par exemple, plutôt qu’à la question de savoir si c’est la paire
(1; 6) qui est apparue, ou (2; 5), (3; 4), (4; 3), (5; 2) ou plutôt (6; 1):
Ces grandeurs auxquelles on s’intéresse sont en fait des fonctions réelles définies sur
l’ensemble fondamental et sont appelées variables aléatoires.
Donc toute mesure d’une grandeur dont les valeurs dépendent du hasard est dite
variable aléatoire (v.a.). C’est par conséquent une application de l’univers des évé-
nements sur R.
Ainsi, lorsqu’à chaque éventualité ei d’une expérience aléatoire, on associe un nombre
réel xi , on dit que l’on a défini une v.a. X.
Notation : est l’univers des éventualités de l’expérience aléatoire, X est une appli-
cation de dans R.
L’événement X prend la valeur xi est noté (X = xi ):
Une v.a. X est donc une application permettant d’associer un nombre réel à toute
éventualité. On note X ( ) l’ensemble de toutes les valeurs que peut prendre X .
X est dite :
discrète lorsque l’ensemble des valeurs prises est dénombrable (fini ou non),
continue lorsqu’elle peut prendre toutes les valeurs d’un intervalle de R.
~ : Les v.a. sont représentées par des lettres majuscules X, Y, Z, . . .
Exemple 1 : On lance deux dés. On note S l’application qui, à chaque lancer,
associe la somme des résultats obtenus.
S est une v.a. qui peut prendre toutes les valeurs de l’ensemble
S ( ) = f2; 3; : : : ; 11; 12g: S est discrète.
Exemple 2 : On lance plusieurs fois de suite deux dés jusqu’à ce que l’on
obtienne un double 6. On note X l’application qui, à chaque série de lancers,
associe le nombre d’essais qu’il a fallu faire.
X est une variable aléatoire discrète qui peut prendre toutes, les valeurs entières non
nulles. X ( ) = N :
Exemple 3 : Après ensachage, on pèse des paquets de farine. On note Y l’appli-
cation qui, à chaque paquet, associe son poids en grammes, emballage compris.
On a constaté que les poids variaient entre 950 g et 1 100 g.
Y est une v.a. qui peut prendre toutes les valeurs de l’intervalle
Y ( ) = [950; 1 100]: Y est continue.
1.1 Définition
1.2 Exemples
x 0 1 2 3
P (X = x ) 0,6 0,25 0,1 0,05
Ainsi la loi de probabilité d’une variable aléatoire X prenant un nombre fini de valeurs
peut être donnée par un tableau. Le diagramme en bâtons ci-dessous en donne une
représentation graphique.
Remarque : X a été définie comme étant le nombre de bateaux loués par jour en mai.
Il s’agit d’un abus de langage, fréquemment commis, puisque X n’est pas un nombre
mais une variable aléatoire. Il est sous-entendu que X est l’application qui, à chaque
jour de mai, associe le nombre de bateau(x) loué(s) ce jour-là.
Exemple 5 : Sur une ligne de bus, 20 % des voyageurs n’ont pas payé de ticket.
Chaque matin, un contrôleur vérifié les billets jusqu’à ce qu’il tombe sur un
fraudeur. X désigne le nombre de personnes qu’il a fallu contrôler pour en
trouver une en situation irrégulière. On admettra alors que pour tout x entier
non nul : P (X = x) = (0; 8)x 1 (0; 2):
Ainsi, en particulier quand X peut prendre une infinité de valeurs, on peut donner la
loi de probabilité d’une variable aléatoire par une formule.
Remarque : On retrouve le même abus de langage. X est en fait l’application qui, à
chaque matinée, associe le nombre de billets contrôlés jusqu’à la première personne en
fraude.
1.3 Propriété
P (X = x) vaut 1. P (X = x) = 1:
X
La somme des
x2X ( )
2 Fonction de répartition
2.1 Définition
2.2 Propriétés
F est une fonction croissante ;
pour tout x; on a 0 F (x) 1, puisque F (x) est la probabilité de réaliser un
événement ;
x!lim+1 F (x) = 1 : on pourrait écrire x!lim+1 F (x) sous la forme "P (X +1)" or
(X +1) est l’événement certain, donc P (X +1) = 1 ;
Cours de Mathématiques appliquées Page 32 manin.taha@inphb.ci
A. Variables aléatoires discrètes 33
x 0 1 2 3
P ( X = x) 0,3 0,4 0,2 0,1
F (0) = P (X 0) = P (X = 0) = 0; 3
F (1) = P (X 1) = P (X = 0) + P (X = 1) = 0; 3 + 0; 4 = 0; 7
et de même F (2) = 0; 9 et F (3) = 1:
Expression de F sur R
si x < 0 F ( x) = 0
si x 2 [0; 1[ F (x) = 0; 3
si x 2 [1; 2[ F (x) = 0; 7
si x 2 [2; 3[ F (x) = 0; 9
si x 3 F (x) = 1:
Lorsque X est discrète, F est une fonction en escalier.
Représentation graphique de F:
P (X > 2) = 1 P (X 2) = 1 F (2) = 1 0; 9 = 0; 1
P (0 < X < 3) = P (1 X < 3) = P (0 < X 2) = F (2) F (0) = 0; 9 0; 3 = 0; 6:
| {z }
P (X =1)+P (X =2)
HH x
HH
0 1 2
y HH
1 0,3 0,15 0,05
2 0,27 0,135 0,045
3 0,03 0,015 0,005
0; 3 = 0; 6 0; 5
4.1 Définitions
x2X ( )
Lorsque X ne peut prendre qu’un nombre fini de valeurs, l’espérance de X est donc la
moyenne arithmétique des valeurs de X pondérées par leurs probabilités. E (X )
est un paramètre de position (ou de tendance centrale) de X:
x2X ( )
Pour les calculs numériques, on utilise généralement l’expression suivante de V (X ) :
V (X ) = E (X 2 ) X 2 = x2 P (X = x) X 2 (formule de Köenig)
X
x2X ( )
Remarquons que V (X ) est un nombre positif ou nul puisque, d’après la formule (1),
c’est une somme de termes positifs ou nuls. On peut donc en prendre la racine carrée
qui est par définition l’écart type de X (on le note (X )).
q
(X ) = V (X ):
E (X ) et X ont même unité. V (X ) et (X ) sont des caractéristiques qui mesurent
la dispersion des valeurs prises par X autour de son espérance X:
Pour les calculs numériques, on utilise généralement l’expression suivante de cov (X; Y ) :
4.2 Propriétés
a) Propriétés de l’espérance
E (X 1 + X 2 + : : : + X n ) = E (X 1 ) + E (X 2 ) + : : : + E (X n ) :
Conséquence : E (X Y ) = E ( X ) E (Y ) :
b) Propriétés de la covariance
V ( X + Y ) = V (X ) + V (Y )
Cours de Mathématiques appliquées Page 36 manin.taha@inphb.ci
A. Variables aléatoires discrètes 37
E (X 2 ) = (02 0; 05) + (12 0; 10) + (22 0; 37) + (32 0; 27) + (42 0; 17) +
(52 0; 03) + (62 0; 01)
= 7; 84
2
d’où : V (X ) = E (X 2 ) X = 7; 84 2; 542 = 1; 3884 et (X ) = p1; 3884 1; 18:
L’écart type de X est de 1,18 voiture.
B E (B )
T= : On a donc :
(B )
Par définition,
B E (B )
!
P E (B )
1 (B ) < B < E (B ) + 1 ( B ) = P
1 (B ) < B E (B ) < 1 (B )
2 2 2 2
1 < B E (B ) < 1
!
= P 2 (B ) 2
= P
1 <T < 1 :
2 2
La variable aléatoire T évalue la " distance " entre B et son espérance, mesurée en
nombre d’écarts types.
1 Fonction de répartition
1.1 Définition
L’application F qui, à tout réel x, associe la probabilité que la v.a. X prenne une
valeur inférieure ou égale à x, est par définition la fonction de répartition de X :
1.2 Propriétés
☞ F est une fonction croissante ;
☞ pour tout x, on a 0 F (x) 1 ;
☞ lim F (x) = 0 et x!lim
x! 1 +1
F (x ) = 1 ;
☞ pour tout réels a et b :
0 x < 0;
(
F ( x) = 1 e 0;1x
si
si x 0:
Un client vient juste de partir. Déterminer la probabilité que le client suivant
se présente :
P (X x et Y y) = P (X x) P (Y y):
À partir de cette définition, on peut établir facilement que si X et Y sont indépen-
dantes on a également : P (X > x et Y > y ) = P (X > x) P (Y > y ):
Exemple 11 : Un appareil fonctionne grâce à deux éléments identiques mais
indépendants dont les durées de vie T1 et T2 en années sont telles que
P (T1 > 10) = P (T2 > 10) = 0; 04: Il suffit que l’un au moins des deux éléments
tombe en panne pour que l’appareil ne fonctionne plus. Déterminer la proba-
bilité que cet appareil fonctionne pendant plus de 10 ans.
L’appareil fonctionne pendant plus de 10 ans si l’événement (T1 > 10 et T2 > 10) est
réalisé. Or, P (T1 > 10 et T2 > 10) = P (T1 > 10) P (T2 > 10) = 0; 042 = 0; 0016: La
probabilité que cet appareil fonctionne pendant plus de 10 ans est donc égale à 0,0016.
0 x < 0;
(
F (x ) = 1 e 0;1x
si
si x 0:
4 Propriétés
a) La densité est une fonction positive
La fonction de répartition F est croissante, sa dérivée f est donc positive ou nulle.
Graphiquement, cela signifie que la courbe représentative de f est entièrement
située au dessus de l’axe des abscisses.
b) Calcul de P (a < X b) à partir de la densité
On sait que P (a < X b) = F (b) F (a), or F est une primitive de f , donc
Z b
F (b) F (a) = f (t)dt.
a
Z b
P (a < X b) = f (t)dt:
a
Z +1
c) f (t)dt = 1
1
Ce résultat est une conséquence de la propriété précédente appliquée au cas par-
ticulier a = 1 et b = +1. En effet ( 1 < X +1) est l’événement certain.
Graphiquement cela signifie que l’aire de la portion de plan située entre l’axe des
abscisses et la courbe représentative de f vaut 1 (en unité d’aire).
On retiendra cette propriété en la comparant avec celle que l’on avait dans le cas
P (X = x) = 1:
X
d’une v.a. discrète :
x2RX
:
P R
Au lieu d’une somme discrète , on fait ici une somme continue
d) Expression de F en fonction de f
Par définition de la fonction de répartition F , on a : F (x) = P (X x);
donc en prenant a = 1 et b = x dans la propriété donnée au paragraphe b, on
obtient Z x
F (x ) = f (t)dt:
1
Fest une primitive de f mais ce n’est pas n’importe la quelle. Il s’agit de la
primitive qui tend vers 0 en 1:
e) Représentation graphique
Exemple 13 : La quantité de café (en kg) vendu par semaine par un torréfacteur
est une v.a. X prenant ses valeurs dans l’intervalle [10; 70] de densité f définie
par : 8
>
<
(10 x)(x 70) x 2 [10; 70];
f ( x) = > 36000 si
:
0 ailleurs.
Z +1
Vérifier que f (t)dt = 1:
1
Représenter f .
Déterminer et représenter la fonction de répartition de X .
Calculer la probabilité que ce torréfacteur vende la semaine prochaine :
moins de 20 kg de café (événement A) ;
plus de 30 kg (événement B) ;
entre 20 et 30 kg de café (événement C).
Donner une représentation graphique de ces probabilités.
f (t)dt = 0 dt + dt + 0dt
1 1 10 36 000 70
= 1 70
Z
= 36 000 3 3
= 1:
Cours de Mathématiques appliquées Page 42 manin.taha@inphb.ci
B. Variables aléatoires continues 43
Représentation graphique de f:
Z x
Fonction de répartition de X : on sait que pour tout réel x, on a F ( x) = f (t)dt:
1
il est important de remarquer que l’expression de f n’est pas la même sur [10; 70] et
ailleurs. Z x
Pour x < 10, F (x) = 0dt = 0 (puisque f est nulle sur ] 1; 10]).
1
On peut aussi obtenir ce résultat en remarquant que, pour x < 10, l’événement (X < x)
est impossible puisque la variable aléatoire prend ses valeurs dans l’intervalle [10; 70], Il
en résulte que F (x) = P (X x) = 0:
Pour x compris entre 10 et 70,
Z 10 x (10 t)(t 70)
Z
F ( x) = 0 dt +
1 10 36 000 dt
x3 + 120x2 2 100x + 10 000
= 108 000
Pour x > 70;
F (x ) =
Z 10
0dt +
Z 70 (10 t)(t 70) dt + Z x
0dt
1 10 36 000 70
= 0+1+0
= 1:
On peut aussi obtenir ce résultat en remarquant que, pour x > 70, l’événement (X x)
est certain puisque la variable aléatoire prend ses valeurs dans l’intervalle [10; 70]. Il en
résulte que F (x) = P (X x) = 1:
Récapitulation :
F ( x) = 0 si x < 10;
x3 + 120x2 2 100x + 10 000
F ( x) = si 10 x 70;
108 000
F ( x) = 1 si x > 70:
Représentation graphique de F :
Représentation graphique :
5 Cas particulier
Les formules dans le cas où X prend ses valeurs dans un intervalle I de bornes et
: Ce cas est celui que l’on a rencontré dans l’exemple ci-dessus. La densité est alors
généralement définie sur I seulement, ce qui sous-entend qu’elle est nulle en dehors de
I , et on a Z
f (t)dt = 1:
La fonction de répartition, qui est toujours définie sur R tout entier, est donnée par
F (x) = Z0 si x< ;
F (x) = f (t)dt si x ;
F ( x) = 1 si x> .
6 Paramètres
Soit X une v.a. continue de densité f , prenant ses valeurs dans l’intervalle I de
bornes et (ces bornes ou l’une de ces bornes étant éventuellement infinies).
Par définition :
Z
Les notions de variable centrée, variable réduite et variable centrée réduite se définissent
comme dans le cas discret.
Exemple 14 : Reprenons l’exemple du torréfacteur et déterminer l’espérance
mathématique, la variance et l’écart-type de X .
Espérance :
E (X ) =
Z
(10 t)(t 70) dt
70
t
10 36 000
1 70 Z
10
= 40:
L’espérance de X est de 40 kg par semaine. C’est le poids moyen de café vendu
par le torréfacteur par semaine, que l’on obtiendrait sur un très grand nombre de
semaines. Compte tenu de là symétrie de la courbe de f par rapport à la valeur
40, ce résultat était prévisible.
Variance :
Z 70 2 (10 t)(t 70)
V (X ) =
36 000 dt 40
t 2
10
= 36 1000 10 ( t4 + 80t3 700t2)dt 402
70 Z
1 t5 t4 t3 70
" #
C. Exercices
Exercice 03.1 : Des pièces métalliques fabriquées dans un atelier peuvent présenter
au maximum 3 défauts (pièce trop lourde, trop longue, ou trop large). On note D la
variable aléatoire qui, à toute pièce choisie au hasard à la sortie de l’atelier associe le
nombre de défauts qu’elle présente. On suppose que la loi de D est donnée par le tableau
suivant :
d 0 1 2 3
P (D = d) 0,9 0,03 0,015
Les pièces imparfaites ne sont pas inutilisables. Elles serviront au montage d’articles
de moindre qualité, et sont donc vendues d’autant moins chères qu’elles présentent
davantage de défauts. Le prix X , en euros, d’une pièce métallique, est donné en fonction
de D par X = 1 0; 3D:
7) a) Calculer et interpréter l’espérance mathématique, la variance et l’écart
type de X:
b) Déterminer la loi de X:
On prend 2 pièces au hasard. On note X1 et X2 les prix respectifs, en euros, de ces
deux pièces. On peut supposer les variables aléatoires X1 et X2 indépendantes.
c) Calculer les probabilités suivantes :
i) P (X1 = 1) \ (X2 = 1) ;
ii) P (X1 = 1) [ (X2 = 1) ;
iii) P X1 + X2 = 1 ;
iv) P X1 + X2 = 1; 70 :
Quelle interprétation concrète peut-on donner à ces probabilités ?
Exercice 03.2 : Des magazines sont livrés par paquets de 50. On note X la variable aléa-
toire qui associe, à chaque paquet, le nombre de défaut(s) de massicotage. On admettra
que la loi de X est donnée par la formule :
P (X = k ) =
1 k:
e k!
pour tout entier
Exercice 03.3 : Des CD à graver sont vendus par boîte de 10. Au moment d’une
offre promotionnelle, chaque boîte contient en plus deux CD de musique classique (déjà
gravés). Dans une boîte de ce type, on tire au hasard simultanément trois CD. On note
N la variable aléatoire qui, à chaque tirage de 3 CD, associe le nombre de CD de musique
classique obtenus.
Déterminer la, loi de N: On donnera les probabilités sous forme de fractions
irréductibles.
Exercice 03.5 : Un distributeur de confiseries est placé à l’entrée d’une patinoire. Une
étude a permis d’établir que le nombre X de personnes utilisant ce distributeur entre
10 h 00 et 10 h 15 est une variable aléatoire discrète dont la fonction de répartition F
vérifie : F (0) = 0; 5 ; F (1) = 0; 8 ; F (2) = 0; 95 ; F (3) = 1:
1) Calculer les probabilités suivantes : P (0 < X 2) ; P (1 < X 3):
2) Déterminer la loi de X:
3) Quelle est la probabilité que moins de 3 personnes utilisent ce distributeur
entre 10 h 00 et 10 h 15 ?
Exercice 03.6 : Une grande banque étudie la somme, en euros, des montants crédités
sur les comptes de chacun de ses clients au cours des 5 derniers jours d’un mois. On
note S la variable aléatoire qui, à tout client de cette banque, associe la somme des
montants crédités sur son compte au cours des 5 derniers jours d’un mois. La fonction
de répartition F de la variable aléatoire S est définie par :
8
< 0 si s < 1 000
F ( s) = :
1 000 4 si
1 s s 1 000:
Exercice 03.7 : La densité de probabilité d’une variable aléatoire continue X est une
fonction f dont la représentation graphique est donnée ci-dessous.
Utiliser cette représentation graphique pour vérifier que cette fonction défi-
nit bien une densité de probabilité puis déterminer les probabilités suivantes :
a) P (X < 125) ; b) P (X < 75) ; c) P (X > 175) ; d) P (75 < X < 175).
Exercice 03.8 : Une entreprise, qui produit des jus de fruits, emploie trois goûteurs :
Jacques, Luc et Laure. Lors de chaque test, chacun d’eux doit attribuer une note (1, 2,
3, 4 ou 5) à la boisson goûtée. On note X (respectivement Y et Z ) la variable aléatoire
qui, à tout essai de Jacques (respectivement Luc et Laure) associe la note attribuée
au jus de fruits goûté. Des statistiques effectuées sur une longue période ont permis
d’établir que les lois suivies par X , Y et Z sont les suivantes :
Note : k 1 2 3 4 5 Total
P (X = k ) 0,25 0,2 0,1 0,2 0,25 1
P (Y = k ) 0 0 1 0 0 1
P (Z = k ) 0,01 0,1 0,78 0,1 0,01 1
Exercice 03.9 : Au service " livraisons " d’un hypermarché, un employé décharge deux
types de cartons : on note X le nombre total de cartons de type I qu’il décharge au
cours d’une période donnée et Y le nombre de cartons de type II. L’espérance et l’écart
type de X et de Y sont donnés par :
A. Loi binômiale
1 Définition
Considérons une épreuve (dite épreuve de Bernoulli) n’ayant que deux issues
possibles :
1. l’une, appelée " succès ", a la probabilitép de se réaliser ;
2. l’autre, appelée " échec ", a la probabilité q = 1 p de se réaliser.
Cette épreuve est répétée n fois, les épreuves successives étant indépendantes (la
probabilité de succès reste donc p à chaque fois).
La variable aléatoire X égale au nombre de succès obtenus au cours des n épreuves suit
alors, par définition, la loi binômiale de paramètres n et p: On note X B (n; p):
X peut prendre toutes les valeurs k entières comprises entre 0 et n, et on a :
n o
P (X = k) = Cnk pk (1 p)n k k 2 0; 1; 2; : : : ; n :
En effet, l’événement (X = k) signifie qu’il y a eu k succès au cours des n épreuves.
Notons S pour " succès " et E pour " échec " et considérons une éventualité réalisant
cet événement, par exemple (S; S; : : : ; S ; E; E; : : : ; E ):
| {z } | {z }
k succès n k échecs
Les épreuves étant par hypothèse indépendantes, la probabilité de réaliser cette éven-
tualité est p; p; : : : ; p (1 p); (1 p); : : : ; (1 p) soit pk (1 p)n k :
| {z }| {z }
k facteurs n k facteurs
k
Or il y a Cn possibilités pour les rangs de réalisation des k succès au cours des n
épreuves, il y a donc en tout Cnk éventualités différentes réalisant l’événement (X = k),
P (X = k) = Cnk pk (1 p)n k :
5
P (X = k) = 1:
X
On peut vérifier que l’on a
k=0
5
E (X ) = kP (X = k) = 0 0; 00001 + : : : + 5 0; 59049 = 4; 5:
X
Espérance :
k=0
Variance :
5
E (X ) = k2 P (X = k) X 2 = 02 0; 00001 + : : : + 52 0; 59049 4; 52 = 0; 45:
X
k=0
L’espérance de X est de 4,5 billets, et sa variance est égale à 0,45.
2 Représentation graphique
On peut représenter la loi d’une variable aléatoire discrète par un diagramme en
bâtons.
Exemple 3 : Représenter les lois binômiales de paramètres 30 et 0.5, puis de
paramètres 10 et 0,1.
et on a : E (X1 ) = (0 q ) + (1 p) = p
et : V (X1 ) = (02 q ) + (12 p) p2 = p(1 p) = pq:
L’espérance d’une variable aléatoire X1 de Bernoulli de paramètre p est E (X1 ) = p, et
sa variance est V (X1 ) = pq:
X suit la loi binômiale B (n; p), son espérance mathématique est E (X ) = np; sa
Si
p
variance V (X ) = npq; et son écart type (X ) = npq:
B. Loi de Poisson
1 Définition
un réel strictement positif donné.
Soit
Une variable aléatoire discrète X suit la loi de Poisson de paramètre si elle peut
prendre toutes les valeurs entières k avec la probabilité :
k
P (X = k ) = e :
k!
On note X P ():
+ 1
P (X = k) = 1:
X
On admettra que l’on a bien
k=0
+ 1 k + 1 k
X
e = 1
X
= e ; résultat que nous utiliserons pour déterminer
k! k=0 k!
On a donc : soit
k=0
les valeurs caractéristiques d’une variable aléatoire de Poisson.
0 1 2
!
n
Cette formule signifie que : lim + 1! + 2! + : : : + n! = e et peut s’écrire sous
n!+1 0!
la forme donnée ou sous la forme :
+ 1 k 1 + 1 k 2
= = e:
X X
e ou encore
k=1 ( k 1)! k=2 ( k 2)!
P (X = k + 1) = P (X = k) = 2):
k+1
(avec ici
k 0 1 2 3 4 5 ... 9 ...
P (X = k ) 0,1353 0,2707 0,2707 0,1804 0,0902 0,0361 ... 0,0002 ...
Ces valeurs, avec 3 décimales seulement, peuvent aussi être directement extraites de la
table fournie à la fin de cet ouvrage.
D’après la définition donnée plus haut, X peut prendre toutes les valeurs entières
mais on constate dans cet exemple que les valeurs supérieures à 9 ont une probabilité
négligeable d’être obtenues.
Les modes sont par définition les valeurs les plus probables.
Ce sont donc les valeurs 1 et 2 (P (X = 1) = P (X = 2) = 0; 2707):
9
Espérance de X : E (X ) = kP (X = k) = 2:
X
k=0
9
Variance de X : V (X ) = k2 P (X = k) X 2 = 2:
X
k=0
L’espérance de X est de 2 voyageurs, et sa variance est égale à 2.
2 Représentation graphique
+ 1
E (X ) = kP (X = k)
X
k=0
+ 1 k
=
X
ke
k=0 k!
+ 1 k 1
= e
X
k=1 (k 1)!
| {z }
=e
= e e
E (X ) =
+ 1 + 1 k
V (X ) = k 2 P (X = k) [E (X )]2 = k2 e 2
X X
k=0 k=0 k!
+ 1 k 1
= e 2
X
k
k=1 (k 1)!
+ 1 k 1
= e (k 1 + 1) (k 1)! 2
X
k=1 2 3
6
+1
k 1
6X + 1 k 1 7 7
2 3
=e
6
k 2 + 1 7
22 12
21 11 22 10
0 1
P (Z = 2) = e + e 2 e 1 +e 2 e 1
e
0! 1! 1! 1! 2! 0!
1 9
= e 3 2 + 2 + 2 = e 32
0; 224:
La formule P (X = k) = C100
k (0; 02)k (0; 98)100 k appliquée à tous les entiers entre 0 et 9
nous donne le tableau suivant
k 0 1 2 3 4 5 ... 9 ...
P (X = k ) 0,1326 0,2707 0,2734 0,1823 0,0902 0,0353 ... 0,0002 ...
k 0 1 2 3 4 5 ... 9 ...
P (X = k ) 0,1353 0,2707 0,2707 0,1804 0,0902 0,0361 ... 0,0002 ...
np (np)
k
P (X = k) = Cnk pk (1 p)n k e :
k!
Ces conditions ne sont pas " rigides ". Plus n est grand et p petit (np restant de l’ordre
de quelques unités), meilleure sera l’approximation.
Comparons par exemple les diagrammes en bâtons de B (30; 0; 1) et de P (3) (conditions
d’approximation réalisées) :
E. Exercices
Exercice 04.1 : Pour sa production, une entreprise utilise une machine d’un certain
modèle. La probabilité que cette machine tombe en panne, et soit donc inutilisable, une
journée donnée, est de 0,05. Lorsque la machine tombe en panne, elle est réparée le soir
même. Soit X la variable aléatoire qui, à chaque mois, associe le nombre de jours de
ce mois pendant lesquels la machine est inutilisable. On admet que dans un mois il y a
vingt jours ouvrables et que les pannes sont indépendantes.
1) Quelle est la loi de probabilité de X?
2) Calculer P (X = 2) et P (X < 2):
3) Quelle est la probabilité que la machine ne soit jamais en panne dans le
mois ?
4) Sur une très longue période, quel est, par mois, le nombre moyen de jours
de panne ?
Exercice 04.2 : 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 ?
Exercice 04.4 : Lorsque Madame Lambda trouve une publicité dans sa boîte aux
lettres, 1 fois sur 10 elle en prend connaissance avant de la jeter, et 9 fois sur 10 elle la
jette sans même l’avoir regardée.
1) Tops les matins de janvier, une même publicité sera déposée dans la boîte
aux lettres de Madame Lambda. Quelle est la probabilité qu’elle la regarde
au moins deux fois au cours de ce mois ? Quels sont l’espérance et l’écart
type du nombre de jours de janvier où elle regarde la publicité eh question ?
2) Combien de fois faut-il mettre la même publicité dans la boîte de Madame
Lambda pour que la probabilité qu’elle la regarde au moins une fois soit
supérieure à 0,95 ?
Exercice 04.5 : Une entreprise décide de faire des économies sur les affranchissements
du courrier. Le service du courrier reçoit l’ordre de mettre les lettres ordinaires par
paquets de 10 et d’en choisir 4 au hasard pour les affranchir au tarif urgent ; les autres
sont affranchies au tarif normal. Je donne 3 lettres au service du courrier. Les 3 lettres
se trouvent dans le même paquet de 10.
Exercice 04.6 : 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 aléatoire de
cartes toutes blanches dans un paquet. On suppose que X suit une loi de Poisson de
paramètre 1,5.
1) Monsieur Quidam a commandé un paquet. Quelle est la probabilité qu’il y
trouve :
– zéro carte blanche ?
– une seule carte blanche ?
– plus de deux cartes blanches ?
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 réclamation. En moyenne, 10 % de ces paquets sont rapportés chez
l’imprimeur. Sur 10 000 paquets vendus, combien, en moyenne, seront rap-
portés ?
5) Mademoiselle Alpha a commandé 5 paquets de 100 cartes de visite. Quelle
est la probabilité qu’elle ait 500 cartes imprimées ? Quelle est la probabilité
qu’elle ait exactement 8 cartes blanches ?
Exercice 04.7 : Un distributeur automatique de billets est placé à l’entrée d’une grande
surface. On étudie le nombre aléatoire X d’utilisateurs de ce distributeur pendant une
période d’un quart d’heure (situé entre 10 et 20 heures). Un utilisateur sera compté
si l’instant de son arrivée se situe dans le quart d’heure considéré. On suppose que
ce nombre suit une loi de Poisson, et on a pu établir que la probabilité qu’il y ait 5
utilisateurs en un quart d’heure est double de la probabilité qu’il y en ait 6.
Déterminer l’espérance et l’écart type de X:
Exercice 04.8 : Un producteur de bière reçoit des bouteilles vides par cartons de 100
bouteilles. Le nombre de bouteilles par carton qui arrivent cassées est une variable
aléatoire X: La fonction de répartition F de cette variable aléatoire est définie par :
A. Loi exponentielle
1 Définition
Soit un réel strictement positif donné.
Une variable aléatoire continue X suit la loi exponentielle de paramètre si elle admet
pour densité la fonction f définie sur [0; +1[ par : f (x) = e x :
On remarque que :
f est bien une fonction positive ou nulle, (la définition sous-entend que que
fZ (x) = 0 pour x 0) ;
+1
0
f (t)dt = 1:
Z +1 +1
En effet
0
e t dt = e t = e0 = 1 (en +1 on a t!lim
+1
e t = 0 car > 0).
0
Représentation graphique de la densité d’une variable exponentielle
2 Fonction de répartition
On sait que la fonction de répartition F d’une variable aléatoire continue de densité
f vérifie : Z x
F ( x) = P ( X x) = f (t)dt:
1
Si X est une variable aléatoire exponentielle de paramètre elle admet pour fonction
de répartition la fonction F définie par :
F ( x) = 0 x<0
(
si
F ( x) = 1 e x si x 0:
Z x
En effet : pour x < 0 on a F (x) = 0dt = 0;
Z x
1x
Z x
et pour x 0 on a F (x) = 0dt + e t dt = e t = e x ( 1) = 1 e x:
0 1 0
Représentation graphique de la fonction de répartition d’une variable expo-
nentielle
On a : E (X ) = tf (t)dt = te t dt:
0 0
Calculons E (X ) par intégration par parties :
On pose : u(t) = t et v 0 (t) = e t :
On a alors : u0 (t) = 1 et v (t) = e t ;
d’où : E (X ) =
te t
+1 Z +1
( e t )dt = 0 +
1e = 1:
t
+1
0 0 0
(compte tenu des croissances comparées, et puisque > 0, on a t!lim
+1
te t = 0).
Cours de Mathématiques appliquées Page 65 manin.taha@inphb.ci
66 Lois fondamentales continues de probabilité
Z +1 2 Z +1
V ( X ) = E (X 2 ) X 2 =
On a t f (t)dt X2 = t2 e t dt X2
0 0
(où X désigne l’espérance de X ).
E (X 2 ) =
t2 e t
+1 Z +1
( 2te t )dt = 0 + 2 Z +1
te t dt = 2 1:
0 0 0
On en déduit que V (X ) =
2
1 2 = 1 ; et par suite (X ) = V (X ) = 1 :
q
2 2
D’après les données l’espérance E (T ) vaut 10, le réel vaut donc 0,1. Il en résulte que :
T a pour densité la fonction f définie par :
f (t) = 0; 1e 0;1t sur [0; +1[ (et f (t) = 0 ailleurs), pour fonction de répartition la
fonction F définie par :
F (t) = 1 e 0;1t sur [0; +1[ (et F (t) = 0 ailleurs), et pour écart type (T ) = 10:
L’écart type de T est de 10 ans.
La probabilité qu’un composant électronique qui fonctionne déjà depuis 8 ans fonc-
tionne encore au moins pendant 5 ans est P (T > (8 + 5)=T > 8): C’est une probabilité
conditionnelle.
P (T > 13 et T > 8)
P (T > 13=T > 8) =
P (T > 8)
Or,
P (T > 13)
= P (T > 8)
= 1 F (13)
1 F (8)
e 1;3
= e 0;8
0; 607:
De même la probabilité qu’un composant électronique qui fonctionne déjà depuis 8 ans
fonctionne encore au moins pendant 10 ans est P (T > 18=T > 8) et on obtient e 1 soit
environ 0,368.
On remarque que : P (T > (8 + 5)=T > 8) = P (T > 5) et de même :
P (T > (8 + 10)=T > 8) = P (T > 10):
Tout se passe donc comme si le passé était " oublié ".
B. Loi normale
1
f (t) = p e t2 =2 :
2
p1 e
Z +1 t2 =2 dt = 1:
f est une fonction positive sur R et on admettra que
1 2
Cours de Mathématiques appliquées Page 67 manin.taha@inphb.ci
68 Lois fondamentales continues de probabilité
Remarque : La loi normale est également appelée loi de Gauss ou loi de Laplace Gauss.
Représentation graphique de la densité
f est une fonction paire, sa courbe représentative est symétrique par rapport à l’axe
des ordonnées.
Pour t positif, on peut lire la valeur de f (t) dans une table, et pour t négatif, on a
f (t) = f ( t):
E (T ) =
Z +1
tp e
1 t2 =2 dt:
1 2
Or on intègre une fonction impaire sur un intervalle centré en 0, on obtient donc 0.
(t) = P (T t) =
Z t
p1 e x2 =2 dx pour tout t réel.
1 2
b) Représentation graphique :
(t) est donc l’aire hachurée ci-dessous :
Cours de Mathématiques appliquées Page 68 manin.taha@inphb.ci
B. Loi normale 69
c) Propriétés :
) (0) = P (T 0) = 0; 5
On sait que l’aire de la portion de plan située entre l’axe des abscisses et la courbe
de la densité de T vaut 1. Compte tenu de la symétrie de cette courbe par rapport
à l’axe des ordonnées, (0) est égal à 0,5.
Une variable aléatoire continue X suit la loi normale d’espérance m et d’écart type
si elle admet pour densité la fonction g définie sur R par :
1 x m 2
1
g (x ) = p e 2 :
2
On note X N (m; ):
t2
1
Si on note : f (t) = p e 2 (densité de la loi normale centrée réduite),
2
1
on a : g (x) = f
x m
:
Z +1
g est une fonction positive sur R (puisque > 0) et on admettra que g(x)dx = 1:
1
Z +1 Z +1 2
On peut démontrer par ailleurs que xg(x)dx = m et que x g(x)dx
m2 = 2 ;
1 1
les paramètres m et sont donc bien respectivement l’espérance et l’écart type de X:
P (a < X b) = P <T = :
Exemple 4 : Dans les rayons d’un hypermarché, le poids (en grammes) d’un
paquet de sucre en poudre est une variable aléatoire X qui suit une loi normale
d’espérance 1 000 g et d’écart type 8 g. Déterminer la probabilité que le poids
d’un paquet pris au hasard soit :
compris entre 1 000 et 1 008 grammes ;
compris entre 992 et 1 008 grammes ;
supérieur à 1 008 grammes ;
ne s’écarte pas de son espérance de plus de 2 écarts types.
Cours de Mathématiques appliquées Page 72 manin.taha@inphb.ci
B. Loi normale 73
L’événement " X ne s’écarte pas de son espérance de plus de 2 écarts types "
s’écrit : (1 000 2 8 < X < 1 000 + 2 8):
La probabilité de réaliser cet événement est donc :
P (984 < X < 1 016) = P ( 2 < T < 2) = 2(2) 1 = 0; 9544:
Exemple 5 : Avec les mêmes données, déterminer un intervalle centré sur 1 000
dans lequel se trouve les poids de 99 % des paquets de sucre en poudre.
On cherche a tel queP (1 000 a < X < 1 000 + a) = 0; 99
a a a
soit P
8 < T<a 8 = 0; 99 ou encore 2 8a 1 = 0; 99
ce qui donne = 0; 995: D’après la table = 2; 575 d’où a = 20; 6:
8 8
Il y a donc 99 chances sur 100 que le poids d’un paquet de sucre soit compris entre
979,4 g et 1 020,6 g.
En effet :
P (m < X < m + ) = P
X m
P ( m 2 < X < m + 2 ) = P 2 < < 2 = 2(2) 1 0; 95:
X m
P (m 3 < X < m + 3 ) = P 3 < < 3 = 2(3) 1 0; 997:
E (Y ) = E (aX + b) = aE (X ) + b = am + b puisque E (X ) = m; et
V (Y ) = V (aX + b) = a2 V (X ) = a2 2 puisque V (X ) = 2 , ce qui donne pour écart
type de Y le nombre jaj: (Si a est positif, l’écart type vaut donc a ; si a est négatif,
il vaut a .)
b) Somme et différence de variables aléatoires normales indépendantes
Si X1 est une variable aléatoire qui suit la loi normale de paramètres m1 et 1 ,
et X2 une variable aléatoire qui suit la loi normale de paramètres m2 et 2 ,
et si X1 et X2 sont indépendantes, alors q
X1 + X2 suit la loi normale d’espérance m1 + m2 et d’écart type q12 + 22 , et
X1 X2 suit la loi normale d’espérance m1 m2 et d’écart type 12 + 22 .
On remarquera que l’écart type de la somme et celui de la différence sont égaux entre
eux, et qu’ils ne s’obtiennent pas en ajoutant les écarts types de X1 et de X2 :
Exemple 6 : On transporte des paquets par lot de 500 paquets qui sont placés
dans un carton qui pèse lui-même 30 kg. Le poids (en grammes) d’un paquet
est une variable aléatoire qui suit une loi normale d’espérance 1 000 g et d’écart
type 100 g. On suppose les poids des paquets indépendants. La livraison des
lots se fait par un monte-charge qui ne fonctionne pas si le poids du lot dépasse
535 kg. Déterminer la probabilité qu’un lot ne puisse pas être livré.
Notons X1 ; X2 ; : : : ; X500 les poids (en grammes) des paquets d’un lot, et Y le poids (en
grammes) d’un lot.
Pour tout i, Xi N (1 000; 100); et les Xi étant indépendantes on peut affirmer que
p
X1 + X2 + : : : + X500 N (1 000 + 1 000 + : : : + 1 000; 1002 + 1002 + : : : + 1002)
p
soit X1 + X2 + : : : + X500 N (500 000; 1 000 5): p
Or Y = 30 000 + X1 + X2 + : : : + X500 ; donc Y N (500 000; 1 000 5):
Un lot ne peut pas être livré s’il réalise l’événement (Y > 535 000):
Exemple 7 : Une minoterie a deux fournisseurs : le poids XA (en kg) d’un sac
de blé du fournisseur A est une variable aléatoire normale d’espérance 100 kg
et d’écart type 5 kg, et le poids XB (en kg) d’un sac du fournisseur 8 est une
variable aléatoire normale d’espérance 100 kg et d’écart type 10 kg.
On prend au hasard un sac dé chaque fournisseur. Quelle est la probabilité
que leurs poids diffèrent de plus de 20 kg.
P (jXA XB j > 20) = 1 "P (jXA XB j! 20)# = 1 P ( 20 < XA XB < 20)
2 20
p 0
h i
= 1 1 = 2 1 (1; 79) = 0; 0734:
125
La probabilité que leurs poids diffèrent de plus de 20 kg est donc égale à 0,0734.
Lorsque les valeurs prises par une variable aléatoire X résultent d’un très grand
nombre de causes aléatoires qui s’ajoutent, dont les variations sont petites, mutuelle-
ment indépendantes, et dont aucune ne domine, X suit une loi de Gauss.
Le poids de riz contenu dans un paquet est la somme des poids (indépendants) des
grains de riz contenus dans ce paquet. Ces grains sont en grand nombre, et chacun
d’eux contribue au poids total, sans qu’aucun ne domine. X suit une loi normale.
Nous verrons par ailleurs, au paragraphe suivant, que la loi normale est parfois une
bonne approximation de la loi binomiale ou de la loi de Poisson.
Du fait que l’on approche une loi discrète par une loi continue, les calculs ne sont
pas aussi simples que lorsque l’on approche une loi binomiale par une loi de Poisson.
Rappelons en effet que si X désigne une variable aléatoire continue, on a pour tout x :
P (X = x) = 0:
P (X = k) ne donne donc pas une valeur approchée de P (X = k):
a) Première méthode : utilisation de la densité de X
g désignant la densité de probabilité de X , on a pour tout entier k inférieur ou égal
à n:
P (X = k) = Cnk pk (1 p)n k g(k):
1f x m = pnpq:
35 est " grand " et 0.45 proche de 0.5, on peut donc approcher la loi de X par celle de
X , avec :
X N (15:75; 2:94):
Avec la loi réelle, on a : P (X = 10) = C35
10 (0:45)10 (0:55)25 0; 0202:
En utilisant l’approximation, on trouve :
– par lecture dans la table de f :
P (X = 10) =
1 f 10 15:75 = 1 f ( 1:95) = 0:0596 0:02;
P (X = 10) ==
1p exp 1 10 15:75
2
!
Sur la figure 1, l’aire de la portion de plan hachurée est égale à g (k) puisqu’il s’agit d’un
rectangle dont les côtés ont pour longueurs : g (k) et 1.
D’après le paragraphe précédent, cette aire donne donc une valeur approchée de P (X =
k): Pour étudier la figure 2, rappelons que si X est une variable aléatoire continue de
densité f et de fonction de répartition F; on a :
Z b
f (t)dt = F (b) F (a) = P (a < X b):
a
2; 94
= ( 1; 78) ( 2; 12) = (2; 12) (1; 78)
= 0; 9830 0; 9625
0; 02:
Récapitulation :
XB (n; p); X N (np; npq): p
Si on peut approcher la loi de X par celle de X , k étant un entier inférieur ou égal
à n, on a :
1
!
k np
P (X = k ) p f p où f est la densité de N (0; 1) (tabulée)
npq npq
et
0; 5 < X k + 0; 5) = k +p0; 5 k p0;npq
5 np
! !
np
P (X = k ) P (k
npq
où est la fonction de répartition de N (0; 1):
Rappelons qu’il ne faut pas, lorsque l’on utilise une approximation, donner les résultats
avec une trop grande précision, puisque ceux-ci donnent des valeurs approchées des
probabilités cherchées.
P (a X b) = P (X = A) + P (X = a + 1) + : : : + P (X = b)
or
P (X = a) P (a 0; 5 < X a + 0; 5)
P (X = a + 1) P (a + 0; 5 < X a + 1; 5)
..
. = ..
.
P (X = b) P (b 0; 5 < X b + 0; 5)
Cours de Mathématiques appliquées Page 80 manin.taha@inphb.ci
C. Approximations par une loi normale 81
donc
P (a X b) P (a 0; 5 < X a + 0; 5) + P (a + 0; 5 < X a + 1; 5) + : : :
+P (b 0; 5 < X b + 0; 5)
15; 75
Reprenons : X N (15; 75; 2; 94) et T = X 2; 94 :
= P 2; 94 < T < 2; 94
= (1; 95) (0; 59)
= 0; 9744 0; 7224
= 0; 2520 arrondi à 0; 25:
P (X 7) = P (X < 7; 5)
7 ; 5 15; 75
!
= P T < 2; 94
= ( 2; 80) = 1 (2; 80)
= 1 0; 9974
= 0; 0026 arrondi à 0; 003:
Récapitulation :
Si la variable aléatoire discrète X suit la loi de Poisson P (), et si est " grand
p "
( > 10), on peut approcher la loi de X par la loi normale de paramètres et .
On approche de nouveau une loi discrète par une loi continue, les problèmes sont
donc les mêmes q’au paragraphe précédent et on adopte les mêmes techniques de calculs.
Exemple 12 : Un magasin de meubles propose par téléphone un cadeau aux
couples qui acceptent de se rendre au magasin. Cette opération va durer 25
jours, à raison de 200 appels par jour. On suppose que parmi les couples
appelés au cours d’une journée, le nombre d’entre eux qui se déplacent est
une variable aléatoire qui suit une loi de Poisson de paramètres 5. Quel est le
nombre minimum de cadeaux à prévoir pour avoir plus de 90 chances sur 100
de ne pas en manquer ?
Notons :
Xi le nombre de couples, contactés le i-ème jour, qui viendront chercher leur cadeau,
X le nombre total de couples qui se déplaceront sur l’ensemble des 25 jours,
et n le nombre de cadeaux à prévoir.
On cherche n tel que
P (X n) > 0; 90: (1)
On a X = X1 + X2 + : : : + X25 et pour tout i, Xi P (5): On peut supposer les variables
aléatoires Xi indépendantes, donc X P (25 5):
X P (125); on peut doncp approcher la loi de X par celle de X (puisque 125 est
grand) avec : X N (125; 125:
La condition (1) s’écrit alors :
(n + p
0; 5) 125 > 0; 90
!
125
ce qui, d’après la table de la fonction de répartition de la loi normale centrée réduite
donne :
(n + p
0; 5) 125 > 1; 29
125
soitn 139: Il faut donc prévoir au minimum 139 cadeaux.
n 125
Sans correction de continuité, on aurait obtenu p > 1; 29 soit n 140:
125
D. Exercices
Exercice 05.1 : La Société d’autoroute Est-Ouest fait une étude sur le temps qui
s’écoule entre le passage de deux voitures au poste de péage, la nuit. Un seul employé
travaille de nuit. On considère qu’entre 1 heure et 5 heures du matin, au poste de
péage, le temps d’attente de l’employé entre deux voitures (en minutes), est une variable
aléatoire T1 suivant une loi exponentielle d’espérance 15.
Il est 2 heures du matin. Une voiture vient juste de passer au poste de péage.
1) a) Déterminer la probabilité de chacun des événements suivants :
– la prochaine voiture passera très exactement dans 12 minutes et 30
secondes ;
– avant le passage de la prochaine voiture il va s’écouler :
i. moins de 15 minutes ;
ii. moins de 12 minutes ;
iii. plus de 3 minutes.
b) Sachant que 12 minutes se sont déjà écoulées depuis le passage de la
dernière voiture, calculer la probabilité qu’aucune voiture ne se présente
au péage dans les 3 minutes qui suivent.
Entre 5 et 6 heures du matin le trafic augmente. On a établi qu’à cette période de la
nuit, le temps d’attente de l’employé entre deux voitures (en minutes), est une variable
aléatoire T2 suivant également une loi exponentielle (on notera son paramètre). De
plus, on sait que la probabilité que le temps d’attente de l’employé soit supérieur à 3
minutes est égale à 0,6065.
2) Déterminer :
a) le paramètre ;
b) le temps d’attente moyen entre deux voitures à cette période de la nuit.
c) l’écart type de T2 :
Exercice 05.2 : Le temps de passage (attente non comprise) à la caisse d’un supermar-
ché est une 05.2 variable aléatoire T de densité de probabilité :
f (t) = 0; 2e 0;2t sur [0; +1[ (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.
Exercice 05.3 : 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 :
2) Quelle représentation graphique peut-on donner pour chacune de ces pro-
babilités ?
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):
3) Uniquement à partir des résultats de la première question, en vous aidant
éventuellement des dessins de la deuxième, déterminer les probabilités sui-
vantes :
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; 9870
e) P (t < T < t) = 0; 95 f ) P (T < t ou T > t) = 0; 3174:
Exercice 05.7 : 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 fonctionnent 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 ?
Exercice 05.8 : 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.
Exercice 05.10 : 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’atterrissage, 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 ?
Avant-Propos 3