Feuille Tage

Exercices et problmes
de statistique et probabilits

Thrse Phan
Jean-Pierre Rowenczyk
2
e
dition
doc (Col. : Science Sup 19.3x250) 2012/4/27 14:21 page i #1
i
i
i
i
i
i
i
i

Illustration de couverture : digitalvision
Dunod, Paris, 2012
ISBN 978-2-10-056298-5
doc (Col. : Science Sup 19.3x250) 2012/4/27 14:21 page ii #2
i
i
i
i
i
i
i
i
Table des matires
Avertissement vii
Chapitre 1 Probabilits. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Rappel de cours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Rappels de Mathmatiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Axiomes du calcul des probabilits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Notion de variable alatoire. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Moments dune variable alatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.5 Variables deux dimensions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.6 Indpendance de deux variables alatoires X et Y . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.7 Probabilits individuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.8 Lois de la somme de variables indpendantes connues . . . . . . . . . . . . . . . . . . . . . . . . . . 10
noncs des exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
noncs des problmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Du mal dmarrer ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Corrigs des exercices. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Corrigs des problmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Chapitre 2 Convergences et chantillonnage. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Rappel de cours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.1 Lois statistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Proprits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.3 chantillon gaussien. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.4 Convergences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
nonces des exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
D
u
n
o
d
L
a
p
h
o
t
o
c
o
p
i
e
n
o
n
a
u
t
o
r
i
s
e
e
s
t
u
n
d
l
i
t
doc (Col. : Science Sup 19.3x250) 2012/4/27 14:21 page iii #3
i
i
i
i
i
i
i
i
iv Table des matires
Du mal dmarrer ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Chapitre 3 Estimation ponctuelle. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Rappel de cours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.1 chantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.2 Estimation statistique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.3 lments de thorie de la dcision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Du mal dmarrer ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Chapitre 4 Information et exhaustivit. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
Rappel de cours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.1 lments de thorie de linformation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.2 Mthode du maximum de vraisemblance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Du mal dmarrer ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
Chapitre 5 Estimateur sans biais de variance minimale . . . . . . . . . . . . . . . . . . . . . 97
Rappel de cours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.1 Thorme. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
doc (Col. : Science Sup 19.3x250) 2012/4/27 14:21 page iv #4
i
i
i
i
i
i
i
i
Table des matires v
5.2 Thorme de Rao - Blackwell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.3 Thorme de Lehmann-Scheffe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
Enoncs des problmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
Du mal dmarrer ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
Chapitre 6 Intervalles de conance. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
Rappel de cours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
6.1 Dnition dun intervalle de conance. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
6.2 Intervalles de conance pour des paramtres de lois normales . . . . . . . . . . . . . . . . . . . 131
6.3 Intervalles de conance pour les paramtres dune loi inconnue . . . . . . . . . . . . . . . . . 134
6.4 Intervalles de conance pour une proportion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
Du mal dmarrer ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
Chapitre 7 Tests paramtriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
Rappel de cours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
7.1 Dnition gnrale dun problme de test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
7.2 Thorie de la dcision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
7.3 Notion de risque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
7.4 Thorme de Neyman et Pearson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
Du mal dmarrer ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
D
u
n
o
d
L
a
p
h
o
t
o
c
o
p
i
e
n
o
n
a
u
t
o
r
i
s
e
e
s
t
u
n
d
l
i
t
doc (Col. : Science Sup 19.3x250) 2012/4/27 14:21 page v #5
i
i
i
i
i
i
i
i
vi Table des matires
Chapitre 8 Tests dadquation et tests dindpendance. . . . . . . . . . . . . . . . . . . . . 223
Rappel de cours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
8.1 Test dadquation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
8.2 Test dindpendance. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 224
noncs des Problmes sur les tests non paramtriques dadquation. . . . 227
noncs des Problmes sur les tests non paramtriques dindpendance . 229
Du mal dmarrer ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229
Chapitre 9 Analyse de la variance (ou ANOVA) un seul facteur . . . . . . . . . . . 245
Rappel de cours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
9.1 Hypothses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
9.2 Position du test ANOVA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
9.1 Observations ralises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
9.1 Dcomposition de la variance totale. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
9.2 Principe de lANOVA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
9.3 Calcul de la constante C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
9.4 Comparaison des variances s
2
i
de chaque population . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
9.5 Mode opratoire pour lANOVA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
nonc du problme. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
Du mal dmarrer ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
Corrig du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
Index 255
doc (Col. : Science Sup 19.3x250) 2012/4/27 14:21 page vi #6
i
i
i
i
i
i
i
i
Avertissement
Cet ouvrage est destin aux tudiants de Licence, de premire anne des Grandes coles ding-
nieurs, de commerce et de gestion ou dInstitut Universitaires de Technologie dsireux dappr-
hender les concepts et les notions de base de la statistique.
Il peut tre utile tous ceux qui seraient dsireux dacqurir ou de revoir les notions oprationnelles
des mthodes de base de la statistique.
Cet ouvrage comporte des rappels de cours sans dmonstrations, des exercices classiques de
difcults progressives (le niveau de difcult est repr par un nombre dtoiles), ainsi que des
problmes plus complexes permettant daborder des cas concrets dutilisation de la statistique dans
diffrents domaines dapplication. Il est dcoup en chapitres mais il comporte fondamentalement
deux grandes parties :
Une premire partie concerne le calcul des probabilits
Bien que comportant des rappels de cours relativement complets, nous avons choisi, dlibr-
ment, de ne proposer dans cette partie, que des exercices abordant des notions et des calculs de
probabilit qui sont utiliss en statistique : Thorme Central-Limite (ou thorme de la limite
centrale), Lois de probabilits frquemment utilises en statistique (Loi normale, du Khi-deux,
de Student, de Fisher...)
Nous avons donc vit de proposer des exercices de probabilits calculatoires classiques (exer-
cices utilisant la combinatoire, calcul de paramtres de lois de probabilits...).
Pour cette raison, avant daborder les chapitres de statistique, nous conseillons vivement au
lecteur, de se reporter, en cas de besoin, aux ouvrages spcialiss, an de revoir ou de complter
leurs connaissances en matire de calcul des probabilits.
Une deuxime partie est consacre ltude des trois mthodes de base utilises en statistique :
Lestimation ponctuelle
Lestimation par intervalle
Les tests dhypothse
Les chapitres concernant lestimation ponctuelle permette daborder les notions essentielles
permettant dtudier les estimateurs de paramtres rels de lois de probabilits.
Nanmoins, ces chapitres proposent quelques exemples destimation de paramtres vectoriels.
Les chapitres consacrs lestimation par intervalle proposent un ventail large dexercices
diffrents, permettant dapprhender la plupart des cas concrets rencontrs dans les diffrents
domaines utilisant la statistique.
Les chapitres consacrs aux tests dhypothses sont essentiellement consacrs ltude des
tests paramtriques dans le cas dhypothses simples et ltude de deux types de tests non
paramtriques, les tests dajustement et les tests dindpendance.
Les diffrents chapitres proposent toujours la mme organisation : les noncs, puis une rubrique
Du mal dmarrer , et enn, les corrigs des exercices proposs.
Chaque corrig propose, en outre, un bilan ce quil faut retenir .
D
u
n
o
d
L
a
p
h
o
t
o
c
o
p
i
e
n
o
n
a
u
t
o
r
i
s
e
e
s
t
u
n
d
l
i
t
doc (Col. : Science Sup 19.3x250) 2012/4/27 14:21 page vii #7
i
i
i
i
i
i
i
i
Remerciements
Nous tenons, tout dabord exprimer toute notre gratitude nos collgues de lcole Centrale de
Paris et de lcole Spciale des Travaux Publics, pour nous avoir incits laborer cet ouvrage et
pour nous avoir fourni de nombreux conseils de rdaction.
En particulier, nous tenons remercier, Alain MARRET et Michel LUCIEN, pour leur apport lors
de llaboration du contenu de cet ouvrage.
Nos remerciements vont ensuite Franck PHAN, pour son aide prcieuse pour lutilisation de
Latex et donc de la ralisation de la maquette de cet ouvrage.
Enn, nous tenons galement remercier vivement les ditions DUNOD, Anne Bourguignon et
Benjamin Peylet, pour leur accueil, leur comptence et leur grande comprhension au cours de la
ralisation de cet ouvrage.
Thrse PHAN et Jean-Pierre ROWENCZYK
doc (Col. : Science Sup 19.3x250) 2012/4/27 14:21 page viii #8
i
i
i
i
i
i
i
i
1
Probabilits
RAPPEL DE COURS
1.1 Rappels de Mathmatiques
a) Oprations sur les ensembles
Soit V un ensemble et A, B ... des parties de V. Si A dsigne le complmentaire de A dans V,
alors nous avons :
A A = V
A B = A B
A B = (A B) (A B) (A B)
A
i
(A B
i
)
si les vnements B
i
sont incompatibles entre eux
et si V
i
B
i
b) Analyse combinatoire
Nous rappellons ici quelques rsultats :
Nombre darrangements de p objets pris parmi n avec rptition
p
n
= n
p
Nombre darrangements de p objets pris parmi n sans rptition
A
p
n
= n(n 1) . . . (n p + 1) =
n!
(n p)!
Nombre de combinaisons de p objets pris parmi n avec rptition
K
p
n
= C
p
n+p1
Nombre de combinaisons de p objets pris parmi n sans rptition
C
p
n
=
n!
p!(n p)!
=
A
p
n
p!
Nombre de permutations de n objets
Per(n) = n!
doc (Col. : Science Sup 19.3x250) 2012/4/27 14:21 page 1 #9
i
i
i
i
i
i
i
i
2 1

Probabilits
1.2 Axiomes du calcul des probabilits
a) Gnralits
La thorie des probabilits repose sur ltude de phnomnes alatoires. Une exprience est dite
alatoire si on ne peut pas prvoir son rsultat et si rpte dans les mmes conditions, elle peut
donner des rsultats diffrents. Les rsultats possibles de cette exprience constituent lensemble
fondamental V. Un vnement alatoire est une assertion relative au rsultat de lexprience.
On identie usuellement lvnement alatoire et la partie de V pour laquelle cet vnement est
ralis.
Si P est une probabilit dnie sur V, et si A et B sont deux parties de V, on a :
P() = 0 et P(V) = 1
P(A) = 1 P(A)
P(A B) = P(A) + P(B) P(A B)
P(A B) = P(A) + P(B) si A B =
b) Probabilits conditionnelles
On dnit la probabilit conditionnelle de lvnement A sachant que lvnement B est ralis,
par :
P(A/B) =
P(A B)
P(B)
c) Formule de dcomposition
Si lensemble des parties U
j
de V forme un systme complet dvnements, cest--dire si les U
j
sont indpendants et si leur runion forme V tout entier, alors :
P(A) =
n
j =1
P(A/U
j
)P(U
j
)
d) Indpendance de deux vnements
A et B indpendants P(A B) = P(A)P(B)
e) Probabilits des causes ou probabilits de BAYES
P(A/B) =
P(A B)
P(B)
=
P(B/A)P(A)
P(B)
Si lensemble des parties A
i
de V forme un systme complet dvnements,
P(A
k
/B) =
P(B/A
k
)P(A
k
)
i
P(B/A
i
)P(A
i
)
i
i
i
i
i
i
i
i
Rappel de cours 3
1.3 Notion de variable alatoire
Lorsque lensemble fondamental V est tout ou partie de lensemble des rels R, le concept
dvnement alatoire est remplac par celui de variable alatoire. On distingue usuellement :
1. les variables alatoires discrtes pour lesquelles lensemble Vest un ensemble discret de valeurs
numriques (par exemple N ensemble des entiers naturels)
2. les variables alatoires continues pour lesquelles lensemble V est un intervalle de R ou R tout
entier.
a) Fonction de rpartition
On appelle Fonction de rpartition dune variable alatoire X lapplication F de R dans [0, 1]
dnie par :
F(x) = P(X < x)
b) Variable alatoire discrte
On dnit la probabilit attache en un point x du domaine de dnition de la variable
alatoire X discrte par :
P(X = x)
Fonction de rpartition de X :
F(x) = P(X < x) =
t <x
P(X = t )
c) Variable alatoire continue
On dit que la variable alatoire X de fonction de rpartition F est continue si on peut dnir
une fonction densit de probabilit f de X vriant :
f (x) = F
(x) ou F(x) =
_
x
f (t )dt
La probabilit attache au segment [a, b] est alors :
P[a X b] =
_
b
a
f (x)dx = F(b) F(a)
d) Formule de changement de variables
Cas discret
p
y
= P(Y = y) = P(X w
1
(y)) =
xw
1
(y)
P(X = x)
D
u
n
o
d
L
a
p
h
o
t
o
c
o
p
i
e
n
o
n
a
u
t
o
r
i
s
e
e
s
t
u
n
d
l
i
t
i
i
i
i
i
i
i
i
4 1

Probabilits
Cas continu
w est monotone croissante
G(y) = P(Y < y) = P(X < w
1
(y)) = F
_
w
1
(y)
w est monotone dcroissante

G(y) = P(Y < y) = P(X w
1
(y)) = 1 P[X < w
1
(y)]
G(y) = 1 F
_
w
1
(y)
w nest pas monotone

G(y) = P(Y < y) = P(X I
1
) + + P(X I
n
)
o I
1
, . . . , I
n
sont les intervalles de la variable alatoire X qui correspondent au domaine Y < y.
e) Fonction caractristique w
X
Cas discret
w
X
(t ) = E
_
e
i t X
_
=
D
X
exp(i t x)P(X = x)
Cas continu
w
X
(t ) = E
_
e
i t X
_
=
_
D
X
exp(i t x) f (x)dx
Exemples de fonctions caractristiques :
Loi binomiale B(n, p) w
X
(t ) = ( pe
i t
+ 1 p)
n
Loi de Poisson P(l) w
X
(t ) = exp
_
l(e
i t
1)
Loi de Gauss LG(m, s) w

X
(t ) = e
i t m
exp
_
t
2
s
2
2
_
f) Fonctions gnratrice G
La fonction gnratrice des moments de la variable X est dnie par :
G
X
(u) = E(e
uX
)
1.4 Moments dune variable alatoire
a) Moment dordre r par rapport lorigine
Calcul direct
variable discrte m
r
= E(X
r
) =
X
x
r
i
P(X = x
i
)
variable continue m
r
= E(X
r
) =
_
D
X
t
r
f (t )dt
i
i
i
i
i
i
i
i
Rappel de cours 5
Utilisation de la fonction caractristique
m
n
= E(X
n
) =
w
n
X
(0)
i
n
Utilisation de la fonction gnratrice (pour les variables discrtes)
E [X(X 1) . . . (X n + 1)] = G
(n)
X
(0)
o G
(n)
X
est la drive dordre n de la fonction gnratrice.
b) Moments centrs dordre r
variable discrte
m
r
= E
_
(X E[X])
r
i
(x
i
E[X])
r
P(X = x
i
)
variable continue
m
r
= E
_
(X E[X])
r
=
_
D
X
(t E[X])
r
f (t )dt
c) Esprance mathmatique
Calcul direct
variable discrte
E(X) =
X
x
i
P(X = x
i
)
variable continue
E(X) =
_
D
X
x
t f (t )dt
Esprance dune somme
E(X + Y) = E(X) + E(Y)
Utilisation de la fonction gnratrice pour une variable alatoire discrte
E(X) = G
X
(1) =
D
X
x P(X = x)
Utilisation de la fonction caractristique
m
1
= E(X) =
w
1
X
(0)
i
1
D
u
n
o
d
L
a
p
h
o
t
o
c
o
p
i
e
n
o
n
a
u
t
o
r
i
s
e
e
s
t
u
n
d
l
i
t
i
i
i
i
i
i
i
i
6 1

Probabilits
Esprance mathmatique de Y = w(X)
Variable discrte
E[w(X)] =
D
w(x)P(X = x))
Variable absolument continue
E[w(X)] =
_
D
X
w(x) f (x)dx
d) Variance
Calcul direct
Variable discrte
m
2
= E
_
(X E[X])
2
X
(x
i
E[X])
2
P(X = x
i
)
Variable continue
m
2
= E
_
(X E[X])
2
=
_
D
X
(t E[X])
2
f (t )dt
Formule dveloppe de la variance
V(X) = E(X
2
) [E(X)]
2
= m
2
m
2
1
cart-type
s
X
=
_
V(X)
Covariance de deux variables X et Y
La covariance des deux variables X et Y est dnie par :
Cov (X, Y) = E [(X E(X)) (Y E(Y))]
Variance dune somme
V(X + Y) = V(X) + V(Y) + 2Cov (X, Y)
Ingalit de Bienaym-Tchebichev
Soit X une variable alatoire de moyenne m et dcart-type s, alors pour tout t :
P(|X m| > t s)
1
t
2
i
i
i
i
i
i
i
i
Rappel de cours 7
1.5 Variables deux dimensions
a) Dnitions
Variables discrtes
Probabilit en un point du domaine
p
i j
= P(X = x
i
, Y = y
j
)
Fonction de rpartition
F(x, y) = P(X < x, Y < y) =
u<x
v<y
P(X = u, Y = v)
Variables continues
Fonction de rpartition
F(x, y) = P(X < x, Y < y) =
__
D
XY
f (x, y)dxdy
Densit de probabilit
f (x, y) =

2
F(x, y)
xy
Dans ce qui suit, les formules sont donnes pour des variables continues. Les formules, pour les
variables discrtes, sen dduisent aisment.
b) Lois marginales et lois conditionnelles
Loi marginale de X
F(x, .) =
_
x
__
+
f (u, v)dv
_
du
dF(x, .)
dx
= f (x, .) =
_
+
f (x, v)dv
Loi marginale de Y
F(., y) =
_
y
__
+
f (u, v)du
_
dv
dF(., y)
dy
= f (., y) =
_
+
f (u, y)du
D
u
n
o
d
L
a
p
h
o
t
o
c
o
p
i
e
n
o
n
a
u
t
o
r
i
s
e
e
s
t
u
n
d
l
i
t
i
i
i
i
i
i
i
i
8 1

Probabilits
Loi conditionnelle de Y/X
F(y/X = x) = F(y/x) =
F(x, y)
x
dF(x, .)
dx
f (y/x) =
dF(y/x)
dy
=
f (x, y)
f (x, .)
Loi conditionnelle de X/Y
F(x/Y = y) = F(x/y) =
F(x, y)
y
dF(., y)
dy
f (x/y) =
dF(x/y)
dx
=
f (x, y)
f (., y)
c) Esprance mathmatique
Esprances des variables marginales
E(X) =
__
D
XY
x f (x, y)dxdy E(Y) =
__
D
XY
y f (x, y)dxdy
Esprances des variables conditionnelles
E(X/Y) =
_
X
y
x f (x/y)dx E(Y/X) =
_
Y
x
y f (y/x)dy
On remarquera que ces esprances sont elles-mmes des variables alatoires.
Thorme de lesprance totale
E(X) = E[E(X/Y)] E(Y) = E[E(Y/X)]
d) Variance
Variances conditionnelles
V(X/Y) = E[X E(X/Y)]
2
V(Y/X) = E[Y E(Y/X)]
2
Thorme de la variance totale
V(Y) = V[E(Y/X)] + E[V(Y/X)]
i
i
i
i
i
i
i
i
Rappel de cours 9
e) Corrlation
Coefcient de corrlation
r =
E [(X E(X)) (Y E(Y))]
V(X) V(Y)
=
Cov (x, y)
s
x
s
y
Rapport de corrlation
h
2
Y/X
=
V[E(Y/X)]
V(Y)
f) Matrice des variances-covariances
M(X, Y) =
_
V(x) Cov (x, y)
Cov (x, y) V(y)
_
1.6 Indpendance de deux variables alatoires X et Y
Dnition
Deux variables X et Y sont indpendantes si, quel que soit deux vnements X A et Y B,
on a :
P(X A , Y B) = P(X A) P(Y B)
Proprits
Deux variables X et Y sont indpendantes si et seulement si :
F(x, y) = F(x, .) F(., y)
f (x, y) = f (x, .) f (., y)
f (x/y) = f (x, .) f (y/x) = f (., y)
D
(X,Y)
D
X
D
Y
Variance de la somme
Si les deux variables X et Y sont indpendantes alors,
E(XY) = E(X) E(Y)
Cov (X, Y) = 0
V(X + Y) = V(X) + V(Y)
1.7 Probabilits individuelles
a) Lois discrtes
Le tableau ci-aprs rappelle la dnition, lesprance et la variance des six lois discrtes les plus
courantes
D
u
n
o
d
L
a
p
h
o
t
o
c
o
p
i
e
n
o
n
a
u
t
o
r
i
s
e
e
s
t
u
n
d
l
i
t
i
i
i
i
i
i
i
i
10 1

Probabilits
Loi Dnition Esprance Variance
Uniforme P(X = x) =
1
n
x {1,2, . . . , n}
n + 1
2
n
2
1
12
Bernoulli P(X = x) = p
x
(1 p)
1x
x {0,1} p
p(1 p)
Pascal P(X = x) = p(1 p)
1x
x {1,2, . . .}
1
p
q
p
2
Binomiale P(X = x) = C
x
n
p
x
(1 p)
nx
x {0,1, . . . n} np
np(1 p)
Hyper-gomtrique
P(T = t ) =
C
t
N
p
C
nt
NN
p
C
n
N
t {min(0, n Np), . . . max(n, Np)}
np
np(1 p)
N n
N 1
Poisson P(X = x) = e
m
m
x
x!
x {0,1, . . . n} m
m
b) Lois continues
De mme, le tableau ci-dessous rappelle les proprits de quelques lois continues :
Loi Dnition Esprance Variance
Uniforme sur [a, b] f (x) =
1
b a
x [a, b]
b a
2
(b a)
2
12
Gauss LG(m, s)
f (x) =
1
s
2p
exp
_
(x m)
2
2s
2
_
x ] , +[
m s
2
Exponentielle de
paramtre l
f (x) = l exp(lx) x [0, +[
1
l
1
l
2
Gamma g(l, r)
f (x) =
l
G(r)
e
lx
(lx)
r1
r
l
r
l
2
1.8 Lois de la somme de variables indpendantes connues
Binomiale
B(n
1
, p) + B(n
2
, p) = B(n
1
+ n
2
, p)
Poisson
P(l
1
) + P(l
2
) = P(l
1
+ l
2
)
Normales
n
i =1
a
i
LG(m
i
, s
i
) = LG
i =1
a
i
m
i
,
_
n
i =1
a
2
i
s
2
i

i
i
i
i
i
i
i
i
noncs des exercices 11
NONCS DES EXERCICES
1.1
n tudiants sont soumis un test daptitude. Pour coder ce test an de le rendre anonyme, le
responsable propose dindiquer sur la che-test de chaque tudiant les quatre chiffres correspon-
dant au jour et au mois de naissance de celui-ci. Quelle est la probabilit que deux tudiants aient
le mme code ?
1.2
Aprs une mare noire en Bretagne, lorganisme de protection des oiseaux de mer a valu
20 000 la population de sternes au large du Finistre. 500 dentre eux ont t bagus. Un an aprs,
on capture 100 sternes dans cette zone. Calculer la probabilit :
1. de ne pas avoir doiseau bagu ?
2. davoir au moins deux sternes bagues ?
1.3
Un dpistage systmatique concernant un ventuel trouble de laudition est effectu la

naissance. On sait que 2 % des nouveaux-ns prsentent des troubles de laudition. Ce dpistage
commence par un test donnant 95 % de rsultats positifs pour les nouveaux-ns atteints de ces
troubles et 6 % de rsultats positifs pour les bbs indemnes de ces troubles.
1. Quelle est la probabilit quun nouveau-n pris au hasard soit atteint de ces troubles sachant
que le test a donn un rsultat positif ?
2. Quelle est la probabilit quun nouveau-n pris au hasard soit indemne de ces troubles
sachant que le test a donn un rsultat ngatif ?
1.4
Dans une carrire de marbre, un contrle est effectu sur des dalles destines la construction.
La surface des dalles est vrie pour dtecter dventuels clats ou taches. Il a t constat quen
moyenne il ya 1,2 dfaut par dalle et que le nombre de dfauts par dalle suit une loi de Poisson.
1. Quel est le paramtre de cette loi de Poisson ? Quelles sont les valeurs possibles de la
variable ?
2. Quelle est la probabilit dobserver plus de 2 dfauts par dalle ?
3. Lentreprise prsente ses clients deux catgories de dalles : celles prsentant moins de
deux dfauts (qualit ***) et celles prsentant au moins deux dfauts (qualit **). Quelle est la
probabilit dobserver au moins deux dfauts sur une dalle ? Quelle est alors la proportion de
dalles de qualit ** ?
4. Sur 500 dalles contrles, quel est le nombre attendu ne prsentant aucun dfaut ?
D
u
n
o
d
L
a
p
h
o
t
o
c
o
p
i
e
n
o
n
a
u
t
o
r
i
s
e
e
s
t
u
n
d
l
i
t
i
i
i
i
i
i
i
i
12 1

Probabilits
1.5
Une grande mutuelle dassurances envisage dventuels changements de tarifs. Pour cela,
elle a tudi le risque daccident automobile de ses assurs en fonction de lanciennet de leur
permis. Parmi ses assurs, il y a 20 % de jeunes ayant leur permis depuis moins de 5 ans et le
risque daccident de ces jeunes conducteurs est de 0,4. Le risque daccident des assurs ayant leur
permis depuis plus de 5 ans est de 0,125.
1. Si on choisit au hasard 10 jeunes conducteurs, quelle est la probabilit den voir au moins un
ayant un accident dans lanne ?
2. Mme question avec 10 assurs ayant leur permis depuis plus de 5 ans.
3. Si on prend au hasard 10 assurs, quelle est la probabilit den voir au moins un ayant un
accident dans lanne ?
1.6
Un fabricant dordinateurs portables souhaite vrier que la priode de garantie quil doit
associer au disque dur correspond un nombre pas trop important de retours de ce composant
sous garantie. Des essais en laboratoire ont montr que la loi suivie par la dure de vie, en annes,
de ce composant est la loi exponentielle de moyenne 4.
1. Prciser la fonction de rpartition de cette loi ainsi que son esprance E(X) et son cart-
type s.
2. Quelle est la probabilit quun disque dur fonctionne sans dfaillance plus de quatre ans ?
3. Quelle est la probabilit quun disque dur fonctionne sans dfaillance six ans au moins,
sachant quil a fonctionn dj cinq ans.
4. Quelle est la probabilit que la dure de vie appartienne lintervalle : [E(X)s, E(X) + s] ?
5. Pendant combien de temps, 50 % des disques durs fonctionnent-ils sans dfaillance ?
6. Donner la priode de garantie optimum pour remplacer moins de 15 % des disques durs sous
garantie.
1.7
On estime que 1 400 passagers ont rserv, le vendredi soir, sur le TGV Paris-Nantes de
19h30.
Les portes du train ouvrent une demi-heure avant le dpart.
Parmi les usagers, 50 arrivent avant louverture des portes et 70 arrivent trop tard.
On considre la variable alatoire X, gale la date darrive dun voyageur calcule par rapport
19h30. (X = 0 19h30 et X est exprim en minutes).
1. En admettant que cette variable X suit une loi LG(m, s), calculer m et s.
2. Dterminer lheure laquelle les portes du train doivent tre ouvertes pour quil ny ait pas
plus de 20 usagers qui attendent sur le quai.
3. Calculer le nombre de voyageurs ayant manqu le train si celui-ci accuse un retard de
5 minutes.
i
i
i
i
i
i
i
i
noncs des problmes 13
1.8
Le modle suivant peut tre utilis pour reprsenter le nombre de blesss dans les accidents
de la circulation au cours dun week-end.
Le nombre daccidents suit une loi de Poisson de paramtre l.
Le nombre de blesss par accident, suit une loi de Poisson de paramtre m.
Le nombre total de blesss est donc :
S = X
1
+ X
2
+ + X
N
S est la somme dun nombre alatoire de variables de Poisson, indpendantes et de mme loi.
1. Donner une expression pour P(S = s).
2. Calculer P(S = 0).
3. Calculer E(S) et V(S).
1.9
Soit X une variable alatoire suivant une loi de densit :

f (x) =
1
px
e
x
pour x > 0
Soit Y une autre variable alatoire. On suppose que la loi conditionnelle de Y sachant X est une
loi normale de paramtres m = 0 et s
2
=
1
2X
1. Calculer la loi du couple (Y, X)
2. Quelle est la loi conditionnelle de X sachant Y ?
3. En dduire E
_
X/Y
.
NONCS DES PROBLMES
Problme 1.1
Un avion long-courrier peut transporter 100 passagers et leurs bagages. Les 100 places ont t
rserves. Il pse 120 tonnes sans passager ni bagages, mais lquipage compris et le plein de
carburant effectu. Les consignes de scurit interdisent au commandant de dcoller si le poids de
lappareil charg dpasse 129,49 tonnes.
Le poids dun passager suit une loi desprance mathmatique 70 kg et dcart-type 10 kg.
Le poids de ses bagages suit une loi desprance mathmatique 20 kg et dcart-type 10 kg.
Toutes ces variables alatoires sont indpendantes.
1. Calculer lesprance mathmatique et lcart-type du poids total de lappareil au moment du
dcollage, tous les passagers et leurs bagages ayant t embarqus.
D
u
n
o
d
L
a
p
h
o
t
o
c
o
p
i
e
n
o
n
a
u
t
o
r
i
s
e
e
s
t
u
n
d
l
i
t
i
i
i
i
i
i
i
i
14 1

Probabilits
2. Le poids dun voyageur et celui de ses bagages suivent des lois dont on ne connat pas la
nature. Par contre, lesprance mathmatique et la variance de chacune de ces lois ont les valeurs
donnes prcdemment. Calculer une limite suprieure de la probabilit pour que le commandant
refuse dembarquer une partie des bagages an que le poids de lappareil ne dpasse pas 129,42
tonnes.
3. On suppose en fait que le poids dun voyageur suit une loi normale LG(70 ; 10) et celui des
bagages suit une loi normale LG(20 ; 10).
Calculer la probabilit pour que le commandant refuse dembarquer une partie des bagages an
que le poids de lappareil ne dpasse pas 129,42 tonnes.
Expliquer la diffrence avec le rsultat prcdent.
Problme 1.2
On dispose de n variables alatoires relles (X
1
, . . . , X
n
) mutuellement indpendantes, de mme
loi, de fonction de rpartition F de classe C
2
sur R. La densit de ces variables alatoires est note
f .
Soit (Y
1
, . . . , Y
n
) la suite des X
i
ordonnes de faon croissante.
Dans cet exercice, on sintresse la loi du couple (Y
n
, Y
1
).
La fonction de rpartition du couple (Y
n
, Y
1
) est dnie par F(x, y) = P[(Y
n
x) (Y
1
y)].
1. Calculer P[(Y
n
x) (Y
1
> y)] et en dduire la fonction de rpartition F du couple
(Y
n
, Y
1
).
2. Dterminer la densit f du couple (Y
n
, Y
1
) en fonction de F et de f .
3. Dans cette question, les variables X
i
suivent toutes des lois uniformes sur lintervalle [0,1].
a) tablir les lois de Y
n
et de Y
1
et calculer leurs esprances mathmatiques.
b) Calculer E[(Y
n
Y
1
)
2
].
c) En dduire E(Y
1
Y
n
).
d) Calculer la covariance de Y
1
et Y
n
ainsi que leur coefcient de corrlation linaire r
Y
n
,Y
1
.
DU MAL DMARRER ?
1.1 Il est plus simple, dans un premier temps, de chercher la probabilit de lvnement compl-
mentaire.
1.2 La capture des oiseaux se faisant en globalit, on recherche un nombre de combinaisons sans
rptition.
1.3 Dans ce type dexercice, il est essentiel de mettre en vidence les vnements en prsence.
1.4 De la valeur moyenne de la variable, on peut dduire la valeur du paramtre de la loi.
i
i
i
i
i
i
i
i
Corrigs des exercices 15
1.5 Pour chacune des deux premires questions, on identiera les paramtres de la loi suivie par la
variable considre. Dans la troisime question, la population totale des assurs est constitue du
mlange des deux catgories tudies ; il faut alors chercher la probabilit quun assur quelconque
ait un accident.
1.6 Lesprance de la loi exponentielle est linverse du paramtre.
1.7 Le nombre de passagers arrivs avant louverture des portes et celui des passagers arrivs en
retard permettent de calculer les paramtres de la loi.
1.8 La difcult de lexercice rside dans le fait que le nombre daccidents, dans un week-end
donn, est lui-mme une ralisation dune variable alatoire. On est donc amen, dans un premier
temps, chercher une probabilit conditionnelle.
1.9 La connaissance de la loi conditionnelle de Y sachant X et de la loi marginale de X nous
permet de dterminer la loi du couple.
Problme 1.1
On dtermine trs facilement lesprance du poids total T de lappareil et lindpendance des
variables permet de dterminer aussi la variance de T. Dans la question 2, ne connaissant pas la loi
des variables, on peut utiliser lingalit de Bienaym-Tchebichev. En revanche, dans la question
suivante, on peut dterminer la valeur exacte de la probabilit recherche.
Problme 1.1
Il est essentiel de remarque que dans la srie ordonne, Y
1
est le minimum et Y
n
le maximum.
CORRIGS DES EXERCICES
1.1 Il y a autant de codage possibles que de n-uplets form des n jours anniversaires, cest
dire 365
n
. Un codage form de nombres tous diffrents correspond un arrangement de n dates
anniversaires prises parmi 365, cest--dire : A
n
365
. La probabilit davoir n codages tous diffrents
est donc :
A
n
365
365
n
La probabilit davoir au moins deux codages similaires est donc :
p = 1
A
n
365
365
n
Ainsi pour n = 30, on a dj p = 0,7
Ce quil faut retenir de cet exercice
Ce rsultat surprend toujours car on le confond souvent avec la probabilit quun tudiant ait
le mme jour de naissance quune personne donne.
D
u
n
o
d
L
a
p
h
o
t
o
c
o
p
i
e
n
o
n
a
u
t
o
r
i
s
e
e
s
t
u
n
d
l
i
t
i
i
i
i
i
i
i
i
16 1

Probabilits
1.2 Le nombre de dispositions que lon peut faire en choisissant 100 sternes parmi 20 000 est :
C
100
20 000
. Les oiseaux non bagus sont au nombre de 19 500 donc le nombre de combinaisons de
100 sternes non bagues parmi 20 000 est : C
100
19 500
.
1. La probabilit de ne pas avoir doiseau bagu est alors le quotient :
p
0
=
C
100
19 500
C
100
20 000
0, 0790
2. La probabilit davoir exactement un oiseau bagu est (nombre de choix de loiseau
bagu = 500 ) :
p
1
=
500 C
99
19 500
C
100
20 000
0, 2036
La probabilit davoir au moins deux sternes bagues est alors :
p = 1 p
0
p
1
0, 7174
Le calcul de ces probabilits est fastidieux. La population de ces oiseaux tant
importante dans cette rgion, on peut considrer que chacun deux a la probabilit
p = 500/20 000 = 1/40 dtre bagu. La probabilit de ne pas avoir de sterne bague
est alors :
p
0
=
_
39
40
_
100
0,0795
p
1
= C
1
100
_
1
40
__
39
40
_
99
0,2039
p = 0, 7166
La remarque suggre lapproximation de la loi hypergomtrique par la loi binomiale, approxi-
mation justie par la petitesse du rapport entre la taille de lchantillon et la taille de la
population.
1.3 On va dnir deux vnements alatoires :
A : le nouveau-n est atteint dun trouble de laudition. P(A) = 0,02
B : le test est positif. On ne connat pas P(B) mais on connat les deux probabilits conditionnelles
suivantes :
P(B/A) = 0,06 et P(B/A) = 0,95
i
i
i
i
i
i
i
i
1. On cherche la probabilit quun nouveau-n pris au hasard soit atteint de ces troubles sachant
que le test a donn un rsultat positif cest--dire : P(A/B). Pour cela, on utilise la formule de
Bayes :
P(A/B) =
P(B/A) P(A)
P(B)
=
P(B/A) P(A)
P(B/A)P(A) + P(B/A)P(A)
P(A/B) =
0,95 0,02
0,95 0,02 + 0,06 0,05
= 0,244 2
2. De la mme faon, la probabilit quun nouveau-n pris au hasard soit indemne de ces
troubles sachant que le test a donn un rsultat ngatif est gale :
P(A/B) =
0,94 0,98
0,94 0,98 + 0,05 0,02
= 0,998 9
Ce type de raisonnement, trs utilis dans les travaux en Mdecine, utilise la formule de Bayes
pour trouver la probabilit conditionnelle recherche.
1.4 1. Soit X la variable : nombre de dfauts par dalle . La loi de X est une loi de Poisson.
Son paramtre est gal la moyenne observe sur lchantillon : l = 1,2. Les valeurs possibles
de X sont les entiers positifs.
2. P(X > 2) = 1 P(X 2).
Or
P(X = 0) = e
1,2
, P(X = 1) = 1,2 e
1,2
, P(X = 2) =
1,2
2
2!
e
1,2
P(X = 0) = 0,301 , P(X = 1) = 0,361 , P(X = 2) = 0,217
P(X > 2) = 1 P(X 2) = 1 0,879 = 0,122
3. La probabilit dobserver au moins deux dfauts sur une dalle est alors :
P(X 2) = 1 P(X 1) = 1 e
1,2
1,2 e
1,2
= 0,338
La proportion de dalles de qualit ** est donc 33,8 % :
4. Sur les 500 dalles contrles, le nombre attendu ne prsentant aucun dfaut est :
500 P(X = 0) 150
La loi de Poisson caractrise frquemment les vnements rares.
D
u
n
o
d
L
a
p
h
o
t
o
c
o
p
i
e
n
o
n
a
u
t
o
r
i
s
e
e
s
t
u
n
d
l
i
t
i
i
i
i
i
i
i
i
18 1

Probabilits
1.5 1. Soit X la variable alatoire : nombre de jeunes conducteurs accidents parmi les 10
choisis. Chacun de ces jeunes a une probabilit de 0,4 davoir un accident dans lanne et ceci
indpendamment les uns des autres. La loi de la variable X est donc la loi binomiale de paramtres
n = 10 et p = 0,4.
P(X 1) = 1 P(X = 0) = 1 0,6
10
= 0,994
2. En raisonnant de la mme faon avec Y la variable alatoire : nombre de conducteurs de
plus de 5 ans de permis, accidents, parmi les 10 choisis, cette variable suit une loi binomiale de
paramtres n = 10 et p = 0,125.
P(Y 1) = 1 P(Y = 0) = 1 0,875
10
= 0,737
3. Cette fois, on sintresse la variable Z nombre dassurs accidents parmi 10 choisis au
hasard dans la population des assurs. Il nous faut chercher la probabilit p quun tel assur ait
un accident. Si on considre les vnements : J : tre jeune conducteur et A : avoir un accident
dans lanne, on connat les probabilits conditionnelles :
P(A/J) = 0,4 , P(A/J) = 0,125
ainsi que P(J) = 0,2. Le thorme des probabilits totales donne alors :
p = 0,2 0,4 + 0,8 0,125 = 0,18. On en dduit nalement :
P(Z 1) = 1 P(Z = 0) = 1 0,82
10
= 0,86
Dans la troisime question, on a un mlange de deux populations et le thorme des probabilits
totales (ou formule de dcomposition) permet de dterminer la probabilit daccident.
1.6 1. La loi suivie par la dure de vie, en annes, de ce composant est la loi exponentielle de
moyenne 4. Sa densit est :
f (x) = 0,25e
0,25x
pour x 0
La dure de vie moyenne est gale 1/0,25 = 4 ans et son cart-type est s = 4. La fonction de
rpartition est :
F(x) = 0 si x < 0
F(x) =
_
x
0
f (t )dt = 1 e
0,25x
si x 0
2. P(X > 4) = 1 F(4) = exp(1) = 0,368
i
i
i
i
i
i
i
i
3. Par dnition dune probabilit conditionnelle :
P(X 6/X > 5) =
P(X 6)
P(X > 5)
= e
0,25(65)
= e
0,25
= 0,78
Il sagit dun phnomne sans mmoire.
4. P[E(X) s < X < E(X) + s] = P(0 < X < 8) = F(8) = 0,865
5. On cherche la dure d durant laquelle 50 % des disques durs fonctionnent sans dfaillance :
P(X > d) = 1 F(d) = 0,5. Do exp(0,25d) = 0,5. On obtient d = 2,77 ans.
6. On cherche la dure t telle que : P(X < t ) 0,15. Do :
P(X t ) = exp(0,25t ) = 0,85 t =
ln 0,85
0,25
0, 61
On pourra prendre une priode de garantie de 7 mois.
Le rsultat de la troisime question est une caractristique de la loi exponentielle. La probabilit
que le matriel dure une anne de plus ne dpend pas de linstant initial.
1.7 1. Lorigine des heures darrive est place 19h30. X est lheure darrive dun voyageur
compte partir de 19h30 et exprime en minutes.
Parmi lensemble des 1 400 passagers, X, variable statistique, reprsente lheure darrive des
voyageurs, qui est dcrite par sa distribution statistique.
Si on tire un voyageur au hasard , X est la variable alatoire heure darrive du voyageur , dont
la loi-parente est la loi de description statistique prcdente et dont les probabilits peuvent tre
calcules partir des frquences observes dans lensemble de la population.
La variable alatoire X suit la loi LG(m, s). Soit U la variable centre rduite associe. On sait
que 30 passagers arrivent une demi-heure avant le dpart :
P(X 30) = P
_
X m
s

30 m
s
_
= P(U u
0
) =
50
1 400
P(U u
0
) = 1 P(U u
0
) = 0,035 7 P(U u
0
) = 0,964 3
Dans la table de la loi normale centre rduite, on lit :
F(1,81) = 0,964 9 et F(1,80) = 0,964 1
D
u
n
o
d
L
a
p
h
o
t
o
c
o
p
i
e
n
o
n
a
u
t
o
r
i
s
e
e
s
t
u
n
d
l
i
t
i
i
i
i
i
i
i
i
20 1

Probabilits
Par interpolation linaire on a donc :
u
0
1,80
1,81 1,80
=
0,964 3 0,964 1
0,964 9 0,964 1
=
0,000 2
0,000 8
=
1
4
Do : u
0
= 1,803 et u
0
= 1,803 =
30 + m
s
Par ailleurs, 70 passagers arrivent trop tard :
P(X 0) = P
_
X m
s

m
s
_
= P
_
U
m
s
_
=
70
1 400
P(U u
1
) = 1 P(U u
1
) = 0,05 soit P(U u
1
) = 0,95
Dans la table de la loi normale centre rduite on lit :
F(1,64) = 0,949 5 et F(1,65) = 0,950 5
Par interpolation linaire on a donc :
u
1
= 1,645 =
m
s
On a donc le systme :
_
30 + m
s
= 1,803 ;
m
s
= 1,645
_
{m = 14,31 mn ; s = 8,70 mn}
2. La variable alatoire X suit la loi LG(14,31; 8,7)
On doit dterminer a pour que :
P(X a) = P
_
X + 14,31
8,7

a + 14,31
8,7
_
P(X a) = P
_
U u
3
=
a + 14,31
8,7
_
=
20
1 400
= 0,014 3
P(U u
3
) = P(U u
3
) = 1 P(U u
3
) = 0,014 3
P(U u
3
) = 1 0,014 3 = 0,985 7
Dans la table de la loi normale centre rduite on lit : F(2,19) = 0,985 7
u
3
=
14,31 a
8,7
= 2,19 et a = 33,36 mn = 33 mn et 20 s
Il faut donc ouvrir les portes du train 33 minutes avant le dpart.
i
i
i
i
i
i
i
i
3. Soit n le nombre de personnes ayant manqu le train, parti avec 5 mn de retard :
P(X 5) = p =
n
1 400
P(X 5) = P
_
X + 14,31
8,7

5 + 14,31
8,7
_
= P
_
U
19,31
8,7
_
P(X 5) = P(U 2,217)
P(U 2,21) = 1 P(U 2,21) = 1 F(2,21) = 1 0,986 4 = 0,013 6
P(U 2,22) = 1 P(U 2,22) = 1 F(2,22) = 1 0,986 8 = 0,013 2
Par interpolation linaire on a donc (en utilisant la taille LG(0, 1)) :
p 0,013 6
0,013 2 0,013 6
=
2,217 2,21
2,22 2,21
=
0,007
0,01
=
7
10
p = 0,013 32 et n = 1 400 p = 18,648
Il y aura donc, si le train accuse 5 minutes de retard, 19 personnes qui manqueront le train.
Seule la loi normale centre rduite est tabule. Aussi, ds quon a une variable X suivant
une loi normale de paramtres m et s, on introduit la variable centre rduite associe :
U =
(X m)
s
.
1.8 Soit N la variable alatoire reprsentant le nombre daccidents. La loi de N est la loi de
Poisson de paramtre l.
Soit X la variable alatoire reprsentant le nombre de blesss par accidents. La loi de X est la loi
de Poisson de paramtre m.
Soit S la variable alatoire reprsentant le nombre total de blesss :
S =
N
i =1
X
i
S est donc la somme dun nombre alatoire N de variables de Poisson, indpendantes, suivant
toutes la mme loi.
D
u
n
o
d
L
a
p
h
o
t
o
c
o
p
i
e
n
o
n
a
u
t
o
r
i
s
e
e
s
t
u
n
d
l
i
t
i
i
i
i
i
i
i
i
22 1

Probabilits
1. Si on connat le nombre daccidents du week-end, on peut alors connatre le nombre de
blesss dans le week-end en utilisant la somme de variables de Poisson : on va donc utiliser la loi
de probabilit conditionnelle :
P(S = s/N = n) =
e
mn
(mn)
s
s!
P(S = s) =
n=0
e
mn
(mn)
s
s!
e
l
l
n
n!
P(S = s) =
e
l
m
s
s!
n=0
l
n
n
s
e
mn
n!
2. P(S = 0) = e
l
n=0
l
n
e
mn
n!
= exp[l(1 e
m
)]
3. E(S) = E[E(S/N)]
E(S/N = n) = nm E(S/N) = Nm
E(S) = E(Nm) = mE(N) = ml
V(S) = E[V(S/N)] + V[E(S/N)]
E(S/N) = Nm et V(S/N) = Nm
E[V(S/N)] = E(Nm) = mE(N) = ml
V[E(S/N)] = V(Nm) = m
2
V(N) = m
2
l
V(S) = ml + m
2
l = ml(1 + m)
Lapplication des thormes de lesprance totale et de la variance totale trouve ici tout son
sens.
1.9 1. Par dnition, la densit conditionnelle de Y sachant X est gale :
f (y/x) =
f (y, x)
f (x)
On en dduit la loi du couple, pour x > 0 :
f (y, x) =
1
px
e
x
1
_
2p/2x
e
1
2
2xy
2
f (y, x) =
1
p
e
x(1+y
2
)
i
i
i
i
i
i
i
i

Feuille Tage

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Feuille Tage

Uploaded by

Copyright:

Available Formats

Exercices et problmes

w est monotone dcroissante

w nest pas monotone

Loi de Gauss LG(m, s) w

doc (Col. : Science Sup 19.3x250) 2012/4/27 14:21 page 10 #18

Un dpistage systmatique concernant un ventuel trouble de laudition est effectu la

Soit X une variable alatoire suivant une loi de densit :

You might also like