Chapitre 8

Examens corrigés des années

universitaires 2005-2007

Université Cadi Ayyad

Ecole Nationale des Sciences Appliquées
Safi

Devoir surveillé N 1.
Epreuve de Probabilites et Statistiques Durée du sujet : 1H :30min
Examen de 13 mars 2006 Responsable : Lakhel El Hassan
Horaire : 10H :30min-12H :00

Exercice 1.
Dans une usine on dispose de 3 machines A, B, C fabriquant des pièces mécaniques d’un
type déterminé. La machine A assure 25% de la production, la machine B assure 35% et C
en assure 40%.
5% des pièces fabriquées à l’aide de la machine A sont défectueuses. Les pourcentages sont
respectivement égaux à 4% et 2% pour les machines B et C.
1) On tire une pièce au hasard quelle est la probabilité qu’elle soit défectueuse ?
2) On tire une pièce d’un lot constitué de pièces fabriquées, dans les proportion indéquées, par
les machines A, B et C. On constate que cette pièce est défectueuse. Calculer la probabilité
qu’elle ait été fabriquée :
- par la machine A
- par la machine B
3) On tire une pièce au hasard. Elle est saine. Quelle est la probabilité qu’elle vienne de C.

Exercice 2.
Un test sanguin a une probabilité de 0.95 de détecter un certain virus lorsque celui ci est
effectivement présent. Il donne néanmoins un faux résultat positif pour 1% des personnes
non infectées. Notons V = {la personne testée a le virus}, T = {la personne testée a un test
positif}.
1. Si 0.5% de la population est porteuse du virus, quelle est la probabilité qu’une personne
ait le virus sachant qu’elle a un test positif ?

2. Interpréter le résultat.

96
Exercice 3.
T
1. Soit n ≥ 2, Etablir que, si (A1 , ..., An ) est une suite d’événements telle que P ( ni=1 Ai ) >
0, alors
\n Yn
P ( Ai ) = P (A1 ) P∩i−1 Ak (Ai ).
k=1
i=1 i=2

(Indication : On pourra raisonner par rucurrence sur n).

2. Application :
Un sac contient initialement une boule blanche et une boule noire. On réalise indéfiniment
l’expérience suivante : on tire une boule, on regarde sa couleur, on la remet dans le sac
et on rajoute une nouvelle boule de la même couleur que celle obtenue.
Notons X le nombre de tirage(s) nécessaire(s) avant d’obtenir une boule noire, avec la
convention que X = 0 si on ne tire jamais de boule noire.
Notons Bi l’événement “On obtient une boule blanche au ieme tirage”.

a. Montrer que {X = 1} = B1c et que {X = n} = B1 ∩ B2 ∩ ... ∩ Bn−1 ∩ Bnc pour n ≥ 2.

b. Que vaut la probabilité de Bnc sachant B1 ∩ B2 ∩ ... ∩ Bn−1 ?

c. Calculer, pour i ∈ {2, ..., n − 1}, la probabilité de Bi sachant B1 ∩ B2 ∩ ... ∩ Bi−1 .

d. À l’aide de la question 1) (en choisissant Ai = Bi si i < n et An = Bnc ),

1
montrer que P (X = n) = n(n+1)
Qn−1 i 2×3×...×(n−1)
(On remarquera que i=2 i+1 = 3×...×(n−1)×n = n2 )
1
e. En remarquant que n(n+1) = n1 − n+1
1
, montrer que

+∞
X
P (X = n) = 1.
n=1

f. Que vaut P (X = 0) ? Interpréter le résultat.

Barême approximatif :

Exercice 1 : 4 points

Exercice 2 : 4 points

Exercice 3 : 12 points.

97
Corrigé du DS N 0 1 - A. U. 2005-2006- :
Exercice 1 :

Soit A : ”être fabriqué par A”, B : ” être fabriqué par B”,...

D : ” être défectueuse” et D : ”saine”.
On a
P (A) = 0.25, P (B) = 0.35, P (C) = 0.4.
A, B et C sont tels que A ∩ B = A ∩ C = B ∩ C = ∅ et A ∪ B ∪ C = Ω.
1) En applicant la formule des probabilités totales on a :
P (D) = PA (D)P (A) + PB (D)P (B) + PC (D)P (C)
= 0.05 × 0.25 + 0.04 × 0.35 + 0.02 × 0.4 = 0.0345 = 3.45%.
2) D’après le théorème de Bayes,
PA (D)P (A) 0.05 × 0.25
PD (A) = = = 36%.
P (D) P (D)
P (D/B)P (B) 0.04 × 0.35
P (B/D) = = = 40%.
P (D) 0.0345
3)De même :
PC (D)P (C) 0.98 × 0.4
PD (C) = = = 40%.
P (D) 1 − P (D)
Exercice 2 :

1. On cherche P (V /T ).
On sait que :

P (V ) = 0.005, P (T /V ) = 0.95, et P (T /V c ) = 0.01.

On en déduit :
P (T ∩V ) P (T /V )P (V )
P (V /T ) = P (T ) = P (T /V )P (V )+P (T /V c )P (V c )

0.95×0.005
= 0.95×0.005+0.01×0.995 = 0.323
2. Le test n’est pas fiable : si la personne présente un test positif, la probabilité qu’elle
ne soit pas porteuse du virus est deux fois plus élvée que celle qu’elle le soit ( en effet ;
P (V /T ) ' 33%. )
Exercice 3 :

1. On raisonne par récurrence sur n.

Si n = 2, l’égalité devient P (A1 ∩ A2 ) = P (A1 )PA1 P (A2 ) et se justifie même par la
définition de la probabilité conditionnelle PA1 .
Supposons que la propriété soit vraie au rang n et montrons la au rang n + 1 :
n+1
\ n
\ n
\
P( Ai ) = P ( Ai ∩ An+1 ) = P ( Ai )PTnk=1 Ak (An+1 )
i=1 i=1 i=1

Par hypothèse de récurrence,

n
Y n+1
Y
= P (A1 ) PTi−1 Ak (Ai )PTnk=1 Ak (An+1 ) = P (A1 ) PTi−1 Ak (Ai ).
k=1 k=1
i=2 i=2

98
 Ainsi, la propriété se transmet du rang n au rang n + 1.
Finalement, nous avans prouvé, par récurrence
n
\ n
Y
∀n ≥ 2 : P ( Ai ) = P (A1 ) PTi−1 Ak (Ai ).
k=1
i=1 i=2

2. a. Si X = 1, c’est que l’on a tiré une boule noire dès le premier tirage.
Ainsi :
{X = 1} = B1c .
Si X = n avec n ≥ 2, c’est que, lors des n − 1 premiers tirages, on a tiré des boules
blanches et qu’au n-ième tirage, on a tiré une boule noire.
Ainsi :
{X = n} = B1 ∩ B2 ∩ ... ∩ Bn−1 ∩ Bnc .
b. Si B1 ∩ B2 ∩ ... ∩ Bn−1 a lieu, c’est que l’on a réalisé n − 1 tirages et que l’on a tiré
des boules blanches. Ainsi, à ce stade, le sac contient n + 1 boules dont n blanches.
la probabilité de tirer une boule noire est donc nb de cas favorables 1
nb de cas possibles = n+1 .
En d’autres termes :
n
PB1 ∩B2 ∩...∩Bn−1 (Bnc ) = .
n+1
c. Par un raisonnement similaire au précédent, on trouve
i
∀i ∈ {2, ..., n − 1} : PB1 ∩B2 ∩...∩Bi−1 (Bi ) = .
i+1
d. En suivant les indications de l’énoncé, on peut écrire
T Q
P (X = n) = P (B1 ∩ B2 ∩ ... ∩ Bn−1 ∩ Bnc ) = P ( ni=1 Ai ) = P (A1 ) ni=2 PTi−1 Ak (Ai )
Q Qn−1 i k=1
= P (B1 ) n−1
i=2 P Ti−1
Bk (Bi )P Tn−1
Bk (B c) = 1
n 2 i=2 i+1 × 1
n+1 = 1
n(n+1) .
k=1 k=1

e. On a :
N
X N
X N
X N
X +1
1 1 1 1
P (X = n) = = − =1− .
n(n + 1) n n N +1
n=1 n=1 n=1 n=2

Par suite,
+∞
X N
X 1
P (X = n) = lim P (X = n) = lim (1 − ) = 1.
N −→∞ N −→∞ N +1
n=1 n=1

f. Par définition d’une probabilité,

+∞
X
P (X = n) = 1.
n=0

D’où : P (X = 0) = 0, En d’autres termes, on finira toujours par tirer une boule

noire (quitte à attendre suffisamment longtemps.)

99
 Université Cadi Ayyad
Ecole Nationale des Sciences Appliquées
Safi

Devoir surveillé N o 2.
Epreuve de Probabilités et Statistiques Durée du sujet : 1h :30min
Examen de 17 avril 2006. Responsable : Lakhel El Hassan
Horaire : 10h :30-12h :00.

Exercice 1. Interprétation du graphique d’une f.d.r. (5 points)

La variable aléatoire X a pour fonction de répartition F dont le graphe est représenté par la
figure 1.

Fig. 1 -Fonction de répartition F de la v.a. X

1. Pour tout x ∈ R, montrer que :

P (X = x) = F (x) − F (x−),

avec F (x−) = limε−→0 F (x − ε).

2. En exploitant les informations fournies par ce graphique1 , donner les valeurs des pro-
babilités suivantes.

P (X = 0), P (X ≥ 0), P (4 ≤ X ≤ 6), P (0 < X < 4), P (X ≥ 6).

3. La variable aléatoire X est-elle à densité ?

Exercice 2. (5points)
Soit (a, b) ∈ N∗2 ; a < b ; X est une variable aléatoire discrète de Ω dans N ∗ telle que :
∀x ∈ |[1, ab]| ; P (X = x) = a1 − 1b et P (X = x) = 0 ailleurs.
1
Ne perdez pas de temps à le reproduire sur votre copie.

100
 1) Déterminer une CNS sur a et b pour que les relations précédentes définissent effecti-
vement une loi de probabilité.
2) Dans ces conditions, tracer la représentation graphique de la fonction de répartition
FX de X.

3) Calculer la probabilité pour que X ∈ |[a, a+b

2 ]|.
Exercice 3. (10 points)

On considère la fonction f (u) définie par :

u2
f (u) = ke− 2 , ∀u ∈ R.

1. Déterminer la constante k de telle sorte que f (x) puisse être considérée comme la
densité de probabilité d’une v.a. continue U .

2. Que valent E(U ) et V (U ) ?

3. Soit X la v.a. définie par

X = m + σU
où m et σ sont des réels non nuls. Déterminer la densité de probabilité g(x) de X.
4. Soit FX la fonction de répartition de X. Montrer que
x−m
FX (x) = Π( ).
σ
Montrer que par le changement de variable z = x−m σ toutes les varibles aléatoires nor-
males N (m, σ) se ramèment à la loi normale centrée réduite U .

5. Soit Π(z) la fonction de répartition de U . Montrer que

Π(−z) = 1 − Π(z)

6. Application : Le stock journalier d’un produit destiné à un atelier suit une loi nor-
male de moyenne 120 pièces et d’écart type 50 pièces.

a. Calculer la probabilité pour que le nombre de pièces en stock soit compris entre 80
et 160.
b. Calculer la probabilité pour que le nombre de pièces en stock soit supérieur à 200.
c. Calculer la probabilité pour qu’il y ait rupture de stock.
d. Interpret́er ces résultats.

On donne

Π(0, 8) = 0, 7881, Π(1, 6) = 0, 9452 et Π(2, 4) = 0, 9918.

101
 Corrigé du DS no 2 -16 mars 2006-
Exercice 1

1. Voir le cours.
2. Calcul des probabilités par la lecture du graphe de F
P (X = 0) = F (0) − F (0−) = 0, 4 − 0, 2 = 0, 2
P (X ≥ 0) = 1 − P (X < 0) = 1 − F (0−) = 1 − 0, 2 = 0, 8
P (4 ≤ X ≤ 6) = P (X ≤ 6) − P (X < 4) = F (6) − F (4−) = 1 − 0, 6 = 0, 4
P (0 < X < 4) = P (X < 4) − P (X ≤ 0) = F (4−) − F (0) = 0, 6 − 0, 4 = 0, 2
P (X ≥ 6) = 1 − P (X < 6) = 1 − F (6−) = 1 − 1 = 0
3. La v.a. X n’est pas à densité car sa fonction de répartition n’est pas continue.
Exercice 2
Voir série d’exercice N ◦ 4
Exercice 3

 f ≥0
1. f est une densité ⇔ et
 R +∞
−∞ f (x)dx = 1
On doit avoir Z +∞
u2
k e− 2 du = 1.
−∞
R +∞ − x2
2 √
On a vu dans le cours −∞ e dx = 2π.
On doit donc avoir
1
k=√ .
2π
2. U ∼ N (0, 1)
Donc E(U ) = 0 et V ar(U ) = 1 (Voir CH.4).
3. On a :
X = m + σU
Par suite
E(X) = m + σE(U )
V (X) = σ 2 V (U )
Comme E(U ) = 0 et V (U ) = 1 on aura :

E(X) = m
V (X) = σ 2

4. Soit Π(u) la fonction de répartition de U et G(x) celle de X.

On peut écrire :

G(x) = P (X ≤ x) = P (m + σU ≤ x) (car X = m + σU )

Mais
x−m
P (m + σU ≤ x) = P (σU ≤ x − m) = P (U ≤ )
σ
Or
x−m x−m
P (U ≤ ) = Π( )
σ σ
Donc
x−m
G(x) = Π( ).
σ

102
 • Si f (u) est la densité de probabilité de U et g(x) celle de X
On sait que :
f (U ) = Π0 (U )
.
g(x) = G0 (x)
Mais, on a :
1 0 x−m
G0 (x) = Π( ).
σ σ
Par conséquent
1 x−m
g(x) = f( ).
σ σ
Finalement,
1 1 x − m
g(x) = √ e− 2 ( )2 .
σ 2π σ
5◦ ) Montrons que Π(−z) = 1 − Π(z).

1ere méthode : D’apès le graphe de la fonction Π.

On ramarque que : Π(−z) = 1 − Π(z).
2ieme méthode :
R −z x2
Π(−z) = −∞ √12π e− 2 dx
R +∞ x2 R +∞ x2
= −∞ √12π e− 2 dx − −z √1
2π
e− 2 dx
R +∞ x2
= 1 − −z √12π e− 2 dx

Or, par le changement de variable u = −x, on obtient :

Z +∞ Z +z
1 − x2
2 1 x2
√ e dx = √ e− 2 dx = Π(z)
−z 2π −∞ 2π
Finalement,
Π(−z) = 1 − Π(z).
6. Application : X ∼ N (120, 50)
a. Probabilité pour que le nombre de pièces en stock soit compris entre 80 et 160 :
P (80 ≤ X ≤ 160) = P ( 80−120
50 ≤ X−120
50 ≤ 160−120
50 )
= P (−0, 8 ≤ U ≤ 0, 8)
= Π(0, 8) − Π(−0, 8)
= Π(0, 8) − (1 − Π(0, 8))
Or Π(0, 8) = 0, 7881, donc :

P (80 ≤ X ≤ 160) = 0, 5762.

Interpretation :
Il y a 57, 62% de chances pour que le nombre de pièces en stock soit compris entre
80 et 160.
b.
P (X > 200) = 1 − P (X ≤ 200)
= 1 − P ( X−120
50 ≤ 200−120
50 )
= 1 − P (U ≤ 1, 6) = 1 − Π(1, 6)
= 1 − 0, 9452 = 0, 0548.
Interpretation :
Il y a 5, 48% de chances pour que le nombre de pièces en stock soit superieur à 200.

103
c. P (X ≤ 0) = 0, 0082.
Interpretation :
Il y a un risque trés faible de moins de 1% pour qu’il y a rupture du stock.

104
 Université Cadi Ayyad
Ecole Nationale des Sciences Appliquées
Safi

Devoir surveillé N o 3.
Epreuve de Probabilités et Statistiques Durée du sujet : 1h :30min
Examen de 15 juin 2006. Responsable : Lakhel El Hassan
Horaire : 10h :30-12h :00.

Question de cours :(3 points) Soit U une v.a. réelle qui suit la loi uniforme sur [0, 1].
Si λ > 0 quelle est la loi de Y = − λ1 ln U .
Exercice 1. (9 points)
Soient r un réel strictement supérieur à 2 et X une variable aléatoire réelle de densité f
r
donnée par f (x) = xr+1 si x ≥ 1 et f (x) = 0 sinon.

1. Donner l’allure du graphe de f puis vérifier que c’est bien une densité de probabilité.
2. Calculer l’espérance et la variance de X.
3. Déterminer la densité de la variable aléatoire Y = ln X
4. Le nombre de kilomètres couverts par une batterie de voiture avant défaillance est une
variable aléatoire ayant la même loi que Y et d’espérance égale à 9000 kilomètres.
Une personne achète une batterie neuve et souhaite se lancer dans un voyage de 3000
kilomètres. Avec quelle probabilité terminera-t-elle son voyage sans avarie de batterie ?
Exercice 2. (8 points)
Soit T une v. a. réelle dont une densité de probabilité est f définie par
½ 2x
R2
si 0 ≤ x ≤ R
f (x) =
0 sinon
où R est un réel strictement positif inconnu.

1. a) Vérifier que f est bien une densité de probabilité.

b) Montrer que T admet une espérance et une variance que l’on calculera.

2. Soit T1 , ..., Tn n variables aléatoires indépendantes de même loi que T .

On pose
n
1X
Xn = Ti .
n
i=1
a) Calculer E(Xn ) et V ar(Xn ).
b) Xn est-il un estimateur sans biais de R ?
c) Déterminer un réel λ tel que
Xbn = λXn
soit un estimateur sans biais de R.
3. On considère un nombre ε > 0 donné.
a) À l’aide de l’inégalité de Bienaymé-Tchebycheff, montrer que
2
bn − R| ≥ ε) ≤ R .
P (|X
8nε2
bn − R| ≥ ε) = 0.
b) En déduire que : limn−→∞ P (|X
b
( On dit que Xn est un estimateur convergent de R.)

105
Corrigé du DS no 3 -15 juin 2006-
Question de cours :
Soit U une v.a. réelle de loi uniforme sur [0, 1].
On pose
1
Y = − LnU , λ > 0.
λ
Pour trouver la loi de Y , on se donne une fonction test h quelconque, on met
Z +∞
1 1
E(h(Y )) = E(h(− LnU )) = h(− Lnu)fU (u)du
λ −∞ λ
R +∞
sous la forme −∞ h(y)fy (y)dy à l’aide du changement de variable y = − λ1 Lnu et la densité
de Y est alors fy trouvée.
On a : R1
E(h(Y )) = E(h(− λ1 LnU )) = 0 h(− λ1 Lnu)du
R +∞
= 0 h(y)λe−λy dy.
Par conséquent, Y admet pour densité fY donnée par

fY (y) = λe−λy 1[0,+∞[ (y) ⇒ Y ∼ ε(λ).

Exercice 1

1. La fonction f est à valeurs positives. On a de plus

Z +∞ Z +∞
r
f (x)dx = r+1
dx = [−x−r ]+∞
1 =1
−∞ 1 x

car r > 0. La fonction f est donc bien une densité.

2. On a
Z +∞ Z +∞ · ¸+∞
−r r r
|x|f (x)dx = rx dx = − x−r+1 = < +∞
−∞ 1 r−1 1 r−1

car r − 1 > 0. On en déduit que X admet une espérance.

Comme Z +∞ Z +∞
|x|f (x)dx = xf (x)dx,
−∞ −∞
on a
r
E(X) = .
r−1
On a :
Z +∞ Z +∞ · ¸+∞
2 −r+1 r r
x f (x)dx = rx dx = − x−r+2 = < +∞
−∞ 1 r−2 1 r−2
car r − 2 > 0.
r
On en déduit que X admet un moment d’ordre 2 et qu’il vaut r−2 . Par conséquent, X
r r 2 r
admet une variance qui vaut r−2 − ( r−1 ) = (r−1)2 (r−2) .
Remarque. Ceux qui ont donné les bonnes valeurs pour E(X) et V ar(X) sans justifier
leur existence ont quand même eu tous les poinnts.

106
 3. Soit h une fonction bornée. On a
Z +∞
E{h(Y )} = E{h(lnX)} = h(lnx)rx−r−1 dx.
1

Faisons le changement de variable y = lnx ⇔ x = ey . On obtient

Z +∞
E{h(Y )} = h(y)re−ry dy.
0

On en dédui que la densité fy de Y est donnée par fY (y) = re−ry si y ≥ 0 et fY (y) = 0

sinon. On reconnait la densité de la loi exponentielle de paramètre r.
Remarque. On pouvait aussi utiliser la fonction de répartition.

4. Le nombre N de kilomètres couverts avant défaillance suit donc une loi exponentielle.
L’enoncé nous apprend que EN = 9000. Or on sait que l’espérance d’une loi exponen-
tielle est égale à l’inverse de son paramètre. Par conséquent, N suit la loi exponentielle
1
de paramètre 9000 .
La probabilité que la personne termine son voyage sans avarie de batterie est donc égale
à : Z +∞
1 − x −x −1
P (N > 3000) = e 9000 dx = [−e 9000 ]+∞
3000 = e
3 .
3000 9000
Exercice 2

1. a. Vérifions que f est bien une densité de probabilité :

On a ∀x ∈ R, f (x) ≥ 0. De plus,
Z
f (x)dx = 1.
R
b. Montrons que T admet une espérance :
Z Z R
2x2 2
E(T ) = xf (x)dx = = R.
R 0 R 2 3
Montrons que T admet une variance : on a,

V ar(T ) = E(T 2 ) − E(T )2 .

Calculons : E(T 2 ) : Z +∞
2 R2
E(T ) = x2 f (x)dx = .
−∞ 2
Or, E(T ) = 23 R.
Donc E(T )2 = 49 R2 .
Finalement,
R2
V ar(T ) = E(T 2 ) − E(T )2 = .
18
1 Pn
2. On pose : Xn = n i=1 Ti .

a. Calculons E(Xn ) :
1 Pn
E(Xn ) = E(P n i=1 Ti )
1 n
n E( i=1 Ti ))
1 Pn
n i=1 E(Ti )).

107
 Or les Ti ont la même loi et on a : E(Ti ) = 32 R.
D’où :
2
E(Xn ) = R
3
Calculons V ar(Xn ) :
P
V ar(Xn ) = V ar( n1 ni=1 Ti )
P `tes
= n12 V ar( ni=1 Ti ), Les Ti sont .
2
= n12 n R18 .

Donc :
R2
V ar(Xn ) =
.
18n
b. Vérifions si Xn est un estimateur sans biais : On a,
2
E(Xn ) = R 6= R.
3
Par suite, Xn est un estimateur biaisé.
c. Déterminons λ tel que Xcn = λXn soit sans biais.
c cn ) = R.
Pour que Xn soit un estimateur sans biais de R, il faut que E(X
Comme
E(Xcn ) = λE(Xn ) = λ 2 R.
3
Donc
3
λ= .
2
3.
bn − R| ≥ ε) ≤ R2
a. Montrons que P (|X 8nε2
.
D’après l’inégalité de B. T., on a :

V ar(Xcn )
bn − R| ≥ ε) ≤
P (|X .
ε2
cn ) :
Cherchons V ar(X

cn ) = V ar( 3 Xn ) = 9 V ar(Xn ).
V ar(X
2 4
Or,
R2
V ar(Xn ) = .
18n
D’où :
2
cn ) = R .
V ar(X
8n
Donc :
2
bn − R| ≥ ε) ≤ R .
P (|X
8nε2
b. On a,
2
bn − R| ≥ ε) ≤ R .
P (|X
8nε2
bn − R| ≥ ε) ≤ limn−→∞ R2
D’où : limn−→∞ P (|X 8nε2
= 0.
Donc X bn est un estimateur convergent de R.

108
 Université Cadi Ayyad
Ecole Nationale des Sciences Appliquées
Safi

Examen de rattrapage
Epreuve de Probabilités et Statistiques Durée du sujet : 1h :30min
Examen de 28 juin 2006. Responsable : Lakhel El Hassan
Horaire : 16h :30-18h :00.

Exercice 1. (11 points)

On lance quatre fois de suite une pièce de monnaie non truquée. Soient X le nombre de
séquences ”Pile-Face” (dans cet ordre) obtenues 1 et Y le nombre de Piles obtenus.
1 3
1. Expliquer pourquoi P ({X = 0} ∩ {Y = 1}) = 16 et P ({X = 1} ∩ {Y = 1}) = 16 .
Dans la suite, on admettra que la loi du couple aléatoire (X,Y)est donnée par

X \ Y 0 1 2 3 4
1 1 1 1 1
0 16 16 16 16 16
3 1 3
1 0 16 4 16 0
1
2 0 0 16 0 0

2. Donner la loi de X et dessiner sa fonction de répartition.

3. La variable aléatoire Y suit une loi usuelle. Laquelle ? Quels sont ses paramètres ?
Donner E(Y ) et V ar(Y ) sans faire de calcul.
4. Montrer que les variables aléatoires X et Y ne sont pas indépendantes. (On pourra
comparer P ({X = 0} ∩ {Y = 1}) et P (X = 0)P (Y = 1))
5. Calculer le coefficient de corrélation linéaire ρ(X, Y )
6. On sait que pour toutes variables aléatoires indépendantes X1 et X2 on a

ρ(X1 , X2 ) = 0.

Est-ce que la réciproque de cette proposition est vraie ?

Exercice 2. (9 points)
Soient r un réel strictement supérieur à 2 et X une variable aléatoire réelle de densité f
r
donnée par f (x) = xr+1 si x ≥ 1 et f (x) = 0 sinon.

1. Donner l’allure du graphe de f puis vérifier que c’est bien une densité de probabilité.
2. Calculer l’espérance et la variance de X.
3. Déterminer la densité de la variable aléatoire Y = ln X
4. Le nombre de kilomètres couverts par une batterie de voiture avant défaillance est une
variable aléatoire ayant la même loi que Y et d’espérance égale à 9000 kilomètres.
Une personne achète une batterie neuve et souhaite se lancer dans un voyage de 3000
kilomètres. Avec quelle probabilité terminera-t-elle son voyage sans avarie de batterie ?

1
Par exemple, la séquence P P F P donne X = 1 ; F P P P donne X = 0, P F P F donne X = 2; etc...

109
 Correction d’examen de rattrapage -28 juin 2006-

Exercice 1 :
1. L’univers Ω = {P, F }4 est de cardinal 24 = 16. Calculons X(ω) et Y (ω) pour chaque
ω ∈ Ω.
Si ω = P P P P alors X(ω) = 0 et Y (ω) = 4
Si ω = P P P F alors X(ω) = 1 et Y (ω) = 3
Si ω = P P F P alors X(ω) = 1 et Y (ω) = 3
Si ω = P F P P alors X(ω) = 1 et Y (ω) = 3
Si ω = P P F F alors X(ω) = 1 et Y (ω) = 2
Si ω = P F P F alors X(ω) = 2 et Y (ω) = 2
Si ω = P F F P alors X(ω) = 1 et Y (ω) = 2
Si ω = P F F F alors X(ω) = 1 et Y (ω) = 1
Si ω = F P P P alors X(ω) = 0 et Y (ω) = 3
Si ω = F P P F alors X(ω) = 1 et Y (ω) = 2
Si ω = F P F P alors X(ω) = 1 et Y (ω) = 2
Si ω = F P F F alors X(ω) = 1 et Y (ω) = 1
Si ω = F F P P alors X(ω) = 0 et Y (ω) = 2
Si ω = F F P F alors X(ω) = 1 et Y (ω) = 1
Si ω = F F F P alors X(ω) = 0 et Y (ω) = 1
Si ω = F F F F alors X(ω) = 0 et Y (ω) = 0.
1
On en déduit P (X = 0) ∩ {Y = 1} = P ({F F F P }) = 16 . Et P (X = 1) ∩ {Y = 1} =
3
P ({P F F F }) + P ({F P F F }) + P ({F F P F }) = 16 .

2. La v. a. X prend ses valeurs dans {0, 1, 2} et on a :

1 1 1 1 1 5
P (X = 0) = 16 + 16 + 16 + 16 + 16 + = 16 ,
5
P (X = 1) = 8 ,
1
P (X = 2) = 16 .

La fonction de répartition de X est donnée par :

3. La v. a. Y compte le nombre de piles obtenus quand on jette quatre fois de suite une pièce
de monnaie non truquée, donc Y suit la loi binomiale de taille n et de paramètre 21 .
Donc
1
E(Y ) = 4 × = 2.
2
Et
1 1
V ar(Y ) = 4 × × (1 − ) = 1.
2 2
4. On a P ({X = 0} ∩ {Y = 1}) = 16 . P ({X = 0}) = 16 et P ({Y = 1}) = 14 .
1 5

Donc P ({X = 0} ∩ ∩{Y = 1}) 6= P ({X = 0})P ({Y = 1}). Or, si X et Y sont indépendantes,

110
 on aurait (par définition)

P ({X = 0} ∩ {Y = 1}) 6= P ({X = x})P ({Y = y}),

pour tous (x, y) ∈ {0, 1, 2} × {0, 1, 2, 3, 4}.

Donc X et Y ne sont pas indépendantes.

3 1 9 1
5. On a : E(XY ) = 16 + 2 + 16 + 4 = 32 .
Donc :
Cov(X, Y ) = E(XY ) − E(X)E(Y ) = 0.
Par suite,
%(X, Y ) = 0.
6. La réciproque de cette proposition est fausse, car X et Y ne sont pas indépendantes et elles
vérifient pourtant %(X, Y ) = 0.

Exercice 2 :
Voir Exo 1. du DS N o 3.

111
 Université Cadi Ayyad
Ecole Nationale des Sciences Appliquées
Safi

Devoir surveillé N 1.
Epreuve de Probabilites et Statistiques Responsable : Lakhel El Hassan
Examen de 16 octobre 2006 Horaire : 09H :00min-10H :30min

Exercice 1.
On considère trois cartes : une avec les deux faces rouges, une avec les deux faces blanches,
et une avec une face rouge et une face blanche. On tire une carte au hasard. On expose une
face au hasard. Elle est rouge. Parieriez-vous que la face cachée est blanche ? pour vous aider
dans votre choix :
1. Déterminer l’espace de probabilité.
2. Calculer la probabilité que la face cachée est blanche sachant que la face visible est
rouge.
Exercice 2.
Dans une usine on dispose de 3 machines A, B, C fabriquant des pièces mécaniques d’un
type déterminé. La machine A assure 25% de la production, la machine B assure 35% et C
en assure 40%.
5% des pièces fabriquées à l’aide de la machine A sont défectueuses. Les pourcentages sont
respectivement égaux à 4% et 2% pour les machines B et C.
1. On tire une pièce au hasard quelle est la probabilité qu’elle soit défectueuse ?

2. On tire une pièce d’un lot constitué de pièces fabriquées, dans les proportion indéquées,
par les machines A, B et C. On constate que cette pièce est défectueuse. Calculer la
probabilité qu’elle ait été fabriquée par la machine A

3. On tire une pièce au hasard. Elle est saine. Quelle est la probabilité qu’elle vienne de C.

Exercice 3 : (La formule du crible)

(Ω, P(Ω), P ) est un espace de probabilité. A1 , A2 ,...An sont n événements.

1. Montrer que P (A1 ∪ A2 ) = P (A1 ) + P (A2 ) − P (A1 ∩ A2 ).

2. Établir une formule analogue pour P (A1 ∪ A2 ∪ A3 ).
3. Montrer , par récurrence, que :
n
[ n
X X n
\
P( Ai ) = P (Ai )+...+(−1)k+1 P (Ai1 ∩...∩Aik )+...+(−1)n+1 P ( Ai ).
i=1 i=1 1≤i1 <...<ik ≤n i=1

Application : On utilise dans la suite la formule du crible.

1. Pour fêter leur réussite à un concours, n étudiants se donnent rendez-vous dans un
restaurant. En entrant chaque personne dépose sa veste dans un vestiaire. Après le re-
pas, ils récupèrent leur veste au hasard. Quelle est la probabilité pour qu’une personne
au moins ait sa propre veste ? Déduire la probabilité qu’aucune personne ne repart avec
sa veste.

112
 2. En s’inspirant de la question précédente, calculer la probabilité πn (k) pour que k per-
sonne exactement aient leur propre veste ?

3. Calculer la limite π(k) de πn (k) quand n −→ ∞. Vérifier que la famille (π(k), k ∈ N)

détermine une probabilité sur N.

Barême approximatif :

Exercice 1 : 4 points, Exercice 2 : 6 points, Exercice 3 : 10 points.

113
Corrigé du DS N 0 1 - A. U. 2006-2007- :
Exercice 1 :

On numérote les faces de la première carte a ,b, de la dexième c, d, et de la troisième e,

f . Les couleurs des faces sont :

a = R, b = R, c = R, e = B, f = B.

Une carte c’est une face exposée et une face cachée : (E, C). L’univers Ω est donc :

Ω = {(a, b), (b, a), (c, d), (d, c), (e, f ), (f, e)}.

On munit (Ω, P(Ω)) de la probabilité uniforme.

D’après la définition de la probabilté conditionnelle, on a :

P (E = R, C = B) Card{(c, d)} 1
P (C = B/E = R) = = = .
P (E = R) Card{(a, b), (b, a), (c, d)} 3
Exercice 2 :
Soit A : ”être fabriqué par A”, B : ” être fabriqué par B”,...
D : ” être défectueuse” et D : ”saine”.
On a
P (A) = 0.25, P (B) = 0.35, P (C) = 0.4.
A, B et C sont tels que A ∩ B = A ∩ C = B ∩ C = ∅ et A ∪ B ∪ C = Ω.
1) En applicant la formule des probabilités totales on a :

P (D) = PA (D)P (A) + PB (D)P (B) + PC (D)P (C)

= 0.05 × 0.25 + 0.04 × 0.35 + 0.02 × 0.4 = 0.0345 = 3.45%.

2) D’après le théorème de Bayes,

PA (D)P (A) 0.05 × 0.25
PD (A) = = = 36%.
P (D) P (D)
3)
PC (D)P (C) 0.98 × 0.4
PD (C) = = = 40%.
P (D) 1 − P (D)
Exercice 3 :

Partie I. Voir TD
Application :
On pose Ai = {i a sa veste }, on a par la formule du crible :
S P P
P ( 1≤i≤n Ai ) = np=1 (−1)p+1 1≤i1 <...<ip ≤n P (Ai1 ∩ ... ∩ Aip ).

Pn p+1 C p (n−p)
Pn p+1 1 .
= p=1 (−1) n n! = p=1 (−1) p!
Or \ [
P( Ai ) = 1 − P ( Ai )
1≤i≤n 1≤i≤n

Donc
\ n
X 1
P( Ai ) = 1 − (−1)p+1 .
p!
1≤i≤n p=1

114
On note
γ(n) = Card{ permutations de {1,...,n} sans points fixe}.
On a :
n
γ(n) X 1
1− = (−1)p+1 .
n! p!
p=1

Donc
n
X 1
γ(n) = n! (−1)p
p!
p=0

On en déduit donc le nombre de permutations de {1, ..., n} sans points fixe.

2) Remarquons que

Card{ permutations de {1,...,n} ayant k points fixes }

πn (k) = .
Card{ permutation de {1,...,n}}

Il existe Cnk possibilités pour les k points fixes. On en déduit

k card{ permutation de {1,...,n} sans point fixe }
Cn
πn (k) = Card{ permutation de {1,...,n}}

k γ(n−k)
Cn 1 Pn−k p1
= n! = k! p=0 (−1) p! .

3) On a :
1 −1
limn−→∞πn (k) = π(k) = e .
k!
D’où
∞
X X∞
1 −1
π(N) = π(k) =e = 1.
k!
k=0 k=0
P
(On peut poser pk = π(k), on a donc pk ≥ 0 et k pk = 1, d’où le résultat.)

115
Université Cadi Ayyad Année Universitaire 2006-2007
Ecole Nationale des Sciences Appliquées Responsable : Lakhel El Hassan
Safi

Devoir libre N o 1. Probabilités et statistiques

À rendre au plus tard le 10 décembe.

Exercice 1.
On désire modéliser le temps d’attente d’une panne de machine à l’aide de variables aléatoires
sans mémoire : la probabilité pour que la machine tombe en panne après la date k + n sachant
qu’elle fonctionne à l’instant n est indépendante de n.

1. Montrer que la loi géométrique de paramètre p est sans mémoire : c’est à dire que
P (X > k + n/X > n) est indépendante de n.

2. Caractériser toutes les lois des variables aléatoires X à valeurs dans N∗ qui sont sans
mémoire. On pourra calculer P (X > 1 + n) en fonction de P (X > 1).

3. Caractériser toutes les lois des variables aléatoires X à valeurs dans N qui sont sans
mémoire.

Exercice 2.
La durée de vie, exprimée en années, d’un circuit électronique est une variable aléatoire T
dont la fonction de répartition F est définie par :
½
0¡ ¢ si t < 0
F (t) = 1 2
1 − exp − 2 t si t ≥ 0

1. Donner la densité de probabilité f de T . Calculer E[T ].

2. Sachant que le circuit a déjà fonctionné durant 1 an, quelle est la probabilité qu’il
continu à fonctionner encore durant au moins 2 ans ? La loi est-elle sans mémoire ?
3. Un équipement électronique E est composé de 10 circuits identiques et indépendantes.
Au circuit i (1 ≤ i ≤ 10) est associée la variable aléatoire :
½
1 si la durée de vie du circuit i est inférieure à un an
Xi =
0 sinon.

a. Quelle est la loi de probabilité de la variable aléatoire N égale au nombre de circuit

dont la durée de vie est inférieure à un an ?

b. L’équipement E est dit en série si la défaillance de l’un de ses circuits entraı̂ne sa

défaillance. Quelle est alors la probabilité qu’il soit défaillant avant un an ?

c. L’équipement E est dit en parallèle si sa défaillance ne peut se produire que si tous

ses circuits sont défaillants. Quelle est alors la probabilité qu’il soit défaillant avant
un an ? avant t ans ?
Exercice 3.
Une usine employant 30 personnes dont 4 ingénieurs, 10 techniciens et 16 ouvriers.

116
 1. On choisit de façons successive 3 employés : calculer la probabilité d’avoir un employé
de chaque catégorie professionnelle.
2. On choisit de façon successive 3 employés et soit X la variable aléatoire qui représente
le nombre d’ingénieurs choisis. Donner la loi de probabilité de X.

Exercice 4. Soit X et Y deux variables aléatoires réelles.

1. Montrer que X + Y (resp. XoY) est une variable aléatoire réelle.

2. Montrer que X.Y (resp. X Y si Y ne s’annulle pas) est une variable aléatoire réelle.
3. Soit (Xn ) une suite de variables aléatoires réelles.
Si les fonctions inf n Xn , supn Xn , lim inf Xn , lim supn Xn sont bien définies, montrer
que ces fonctions sont des variables aléatoires réelles.

Exercice 5. Soit un vendeur de lots de pièces mécaniques disposant, à une date t0 , d’un
stock s.
La demande X, pour un intervalle de temps [t0 , t1 ], est une v. a. entière ayant une loi de
probabilité définie par :

P (X = x) = k(x0 )p q x−1 pour x ≥ x0

=0 pour x < x0

où p et q sont deux réels positifs tels que p + q = 1 et x0 est un entier naturel inférieur à s.
1) Calculer k(x0 ) et E(X).
2) Si X est inférieure au stock s, les lots restants sont vendus à perte et le vendeur aura
à affronter une dépense moyenne de c1 DH. Si X est supérieure au stock s, il faut un ap-
provisionnement spécial de pièces manquantes et le supplément du coût représente une perte
moyenne de c2 DH.
Calculer l’éspérence mathématique des dépenses que va devoir affronter le vendeur pendant
la période [t0 , t1 ].

117
 Université Cadi Ayyad
Ecole Nationale des Sciences Appliquées
Safi

Devoir surveillé N 2.
Epreuve de Probabilités et Statistiques Responsable : Lakhel El Hassan
Examen de 25 décembre 2006 Horaire : 8H :30min-10H :00

Exercice 1. (9 points)
On lance trois fois de suite une pièce de monnaie non truquée. Soient X le numéro du lancer
où on obtient Pile la première fois 1 (avec la convention que X = 4 si on n’obtient pas de
Pile ) et Y le numéro du lancer où on obtient Face la première fois (avec la convention que
Y = 4 si on n’obtient pas de Face).
1. Donner la loi du couple (X, Y ).
2. Donner la loi de X, son espérance et sa variance.
3. Donner la loi de Z = X + Y , son espérance et sa variance.
4. Calculer le coefficient de corrélation linéaire ρ(X, Y ) et interpréter le résultat obtenu.
5. Montrer que pour toutes variables aléatoires indépendantes X1 et X2 on a

ρ(X1 , X2 ) = 0.

Est-ce que la réciproque de cette proposition est vraie ?

Problème 2. ( Une somme doublement aléatoire) (11 points)

Sur le même espace probabilisé (Ω, F, P ), on suppose définies
- une variable aléatoire N à valeurs dans N,
- une suite de variable aléatoire positives (Xi )i≥1 , ayant toutes même loi.
On pose alors :
Xn
S0 := 0, Sn = Xi (n ≥ 1).
i=1

On définit la variable aléatoire T par

N
X
T := Xi ,
i=1

autrement dit,
∀ω ∈ Ω, T (ω) = SN (ω) (ω).
Ce modèle est d’un usage courant. Par exemple si une compagnie d’assurances s’intéresse
au risque pour une certaine catégorie de véhicules, dans une ville donnée, N représente le
nombre de sinistres déclarés au cours d’une période de temps donnée et Xi le remboursement
payé par la compagnie pour le i-ème sinistre déclaré pendant cette période. On peut imaginer
facilement d’autres applications comme le cumul des hauteurs de pluie sur une année, le total
des retraits effectués sur un distributeur automatique bancaire en une journée, etc.
1
Par exemple, la séquence P P P donne X = 1 et Y = 4 ; F P F donne X = 2 et Y = 1 ;, F F P donne X = 3
et Y = 1 ; F F F donne X = 4 et Y = 1 ; etc.

118
 Le but de cet exercice est de calculer l’espérance de T en fonction des espérances des Xi
et de N sans supposer connues les loi des Xi ou de N .
On suppose de plus que N est indépendante de la suite (Xi )i≥1 , ce qui implique notamment
(on ne vous demande pas de le justifier) que pour tout j ∈ N et tous boréliens B et B 0 de R,
les évènement {Sj ∈ B} et {N ∈ B 0 } sont indépendants.
1. Trouvez l’erreur dans le raisonnement suivant : Par additivité de l’espérance des va-
riables aléatoires positives,
ÃN ! N
X X
ET = E Xi = EXi = N EX1 .
i=1 i=1

2. Soit A ∈ F un événement et Y une variable aléatoires sur (Ω, F, P ) tels que pour tout
t ≥ 0, les événements {Y > t} et A soient indépendants. Montrer que

∀t ≥ 0, P (Y 1A > t) = P (Y > t)P (A).

(Indication : commencer par calculer P ({Y 1A > t} ∩ Ac ).)

3. Soit X une variable aléatoire positive. Montrer que :

Z +∞
E(X) = P (X > t)dt.
0

4. Déduire de ce qui précède que

∀j ∈ N, E(Sj 1{N =j} ) = P (N = j)jEX1 .

5. Pour tout entier n ≥ 1, on pose Tn := T 1{N ≤n} . Justifiez l’égalité

n
X
Tn = Sj 1{N =j} .
j=0

En déduire que
n
X
∀n ∈ N∗ , ETn = EX1 jP (N = j).
j=0

6. Vérifier que X
T = Sj 1{N =j} .
j∈ N
(on comparera les valeurs prises par les deux membres en un ω quelconque).

7. Déduire que :
E(T ) = E(N )E(X1 ).

Barême approximatif :
Exercice 1 : 9 points Problème 2 : 11 points

119
Corrigé du DS N o 2 - A. U. 2006-2007 :
Exercice 1 :
A Ecrire
Problème 2 :

120
 Université Cadi Ayyad
Ecole Nationale des Sciences Appliquées
Safi

Devoir surveillé N 3.
Epreuve de Probabilités et Statistiques 1 Responsable : Lakhel El Hassan
Contrôle continu de 09 janvier 2007 Horaire : 10H :30min-12H :00

Exercice 1. (6 points)
Soit α un réel et f la fonction réelle définie par :
(
α
(x−1)2
si x < 0,
f (x) = −2x
αe si x ≥ 0.

1. Calculer α pour que f soit une densité de probabilité.

2. Déterminer la fonction de répartition F associée à f .
3. Soit X une v. a. r. de densité f . Déterminer la loi de la v. a. Y = sgn(X) avec
sgn(x) = −1 si x < 0, sgn(x) = 1 si x > 0 et sgn(0) = 0.

Exercice 2. (10 points)

La durée de vie, exprimée en années, d’un circuit électronique est une variable aléatoire T
dont la fonction de répartition F est définie par :
½
0¡ ¢ si t < 0
F (t) =
1 − exp − 12 t2 si t ≥ 0

1. Donner la densité de probabilité f de T . Calculer E[T ].

2. Sachant que le circuit a déjà fonctionné durant 1 an, quelle est la probabilité qu’il
continu à fonctionner encore durant au moins 2 ans ? La loi est-elle sans mémoire ?
3. Un équipement électronique E est composé de 10 circuits identiques et indépendantes.
Au circuit i (1 ≤ i ≤ 10) est associée la variable aléatoire :
½
1 si la durée de vie du circuit i est inférieure à un an
Xi =
0 sinon.

a. Quelle est la loi de probabilité de la variable aléatoire N égale au nombre de circuit

dont la durée de vie est inférieure à un an ?

b. L’équipement E est dit en série si la défaillance de l’un de ses circuits entraı̂ne sa

défaillance. Quelle est alors la probabilité qu’il soit défaillant avant un an ?

c. L’équipement E est dit en parallèle si sa défaillance ne peut se produire que si tous

ses circuits sont défaillants. Quelle est alors la probabilité qu’il soit défaillant avant
un an ? avant t ans ?

1
la qualité et la clarté de la rédaction constituent des éléments essentiels dans l’appréciation de la copie.

121
Exercice 3 : (Vitesse moyenne) (4 points)
On veut estimer par intervalle de confiance la vitesse moyenne des automobiles dans un
certain virage d’une route à grand trafic. Pour cela on a enregistré à l’aide d’un radar les
vitesses X1 (ω) = x1 , ..., X400 (ω) = x400 de 400 automobiles en une période de temps de 2
heures avec des conditions de circulation homogènes (météo, visibilité, densité de trafic,. . .).
On a obtenu les statistiques suivantes
400
X 400
X
xi = 35200km/h, x2i = 3107600(km/h)2 .
i=1 i=1

L’homogénéité des conditions de trafic permet de supposer que les variables aléatoires X1 , . . .
,X400 , dont on a ainsi observé une réalisation, sont indépendantes et de même loi. Proposez un
intervalle de confiance au niveau 98% pour la vitesse moyenne EX1 en indiquant clairement
quels résultats du cours légitiment les approximations faites. Les données numériques ci-
dessus ont été arrangées pour vous permettre de faire facilement tous les calculs à la main
si vous ne disposez pas d’une calculatrice.

Barême approximatif :
Exercice 1 : 6 points
Exercice 2 : 10 points
Exercice 3 : 4 points

122
Corrigé du DS N o 3 - A. U. 2006-2007 :
Exercice 1 :
A Ecrire
Exercice 2 :

1. La densité de probabilité f de T est

1
f (t) = texp(− t2 )It>0 .
2
L’esprance vaut
R +∞
E[T ] = 0 t2 exp(− 21 t2 )dt
R +∞
= [−texp(− 21 t2 )]+∞
0 + 0 exp(− 21 t2 )dt

1
R +∞
= 2 −∞ t2 exp(− 12 t2 )dt
√
2π
= 2 .

2. La probabilité s’écrit
9
P (T ≥ 3) ∩ P (T ≥ 1) P (T ≥ 3) e− 2 −4
P (T ≥ 3/T ≥ 1) = = = 1 = e .
P (T ≥ 1) P (T ≥ 1) e− 2
On a pas P (T ≥ 3/T ≥ 1) = P (T ≥ 2) = e−2 . Donc la loi n’est pas sans mémoire.

3. a. La loi de probabilité de la variable aléatoire N égale au nombre de circuit dont la

1
durée de vie est inférieure à un an est : B(10, 1 − e− 2 ). En effet, le v. a. Xi sont
indépendantes et suivent une loi de Bernoulli de paramètre :
1
p = P (X1 = 1) = P (T ≤ 1) = F (1) = 1 − e− 2 .

b. La probabilité que l’équipement en série soit défaillant avant un an vaut :

P (∪i=10
i=1 (Xi = 1)) = 1 − P (∩10 (X = 0))
Q10 i=1 i
= 1 − i=1 P (Xi = 0)
10
= 1 − e− 2
' 0.99

c. La probabilité que l’équipement en parallèle soit défaillant avant 1 an est :

Y 1
P (∩10
i=1 (Xi = 1)) = P (Xi = 1) = (1 − e− 2 )10 = 8.9.10−5 .
10
1

Soit Ti la durée de vie de l’équipement i. La probabilité que l’équipement en parallèle

soit défaillant avant t ans vaut :
10
Y 1 2
P (∩10
i=1 (Ti ≤ t)) = P (Ti ≤ t) = (1 − e− 2 t )10 = pt .
i=1

123
on obtient p2 = 0.23 p3 = 0.099

Exercice 3 :

Nous allons chercher pour EX1 un intervalle de confiance centré sur X = 35200/400 =
88km/h. Pour construire cet intervalle de confiance, on ne peut pas utiliser ici le théorème
limite central classique car l’écart-type σ des Xi est inconnu. On va utiliser le TLC avec
autonormalisation où l’onremplace σ par S, laracine carrée de la variance empirique
n n
1X 1X 2 2
S2 = (Xi − E(Xi ))2 = Xi − X
n n
i=1 i=1

Les Xi étant de carré intégrable, le TLC avec autonormalisation nous dit que

√ X − E(X1 )
n −→ N (0, 1) (en loi)
S
Cette convergence légitime pour n grand, l’approximation

√ X − E(X1 )
P (| n | ≤ t) = P (|N (1, 1)| ≤ t) = 2π(t) − 1,
S
où π est la f.d.r. de la loi N (0, 1).
Par suite :

√ X − E(X1 ) tS tS
| n | ≤ t ⇐⇒ X − √ ≤ E(X1 ) ≤ X + √ .
S n n
Cette inégalité nous donne alors un intervalle de confiance pour EX1 au niveau 2π(t) − 1. Il
s’agit bien d’un intervalle de confiance puisque les bornes XtSn−1/2 sont calculables à partir
des observations sans connaissance de la loi des Xi . Pour terminer les calculs, on détermine
t en résolvant 2π(t) − 1 = 0, 98, ce qui équivaut à π(t) = 0, 99,.
D’où
t = 2, 33.
On calcule ensuite X(ω) et S(ω) :
400
1 X
X=x= xi = 35200km/h = 88Km/h.
400
i=1

Et
400
1 X 2 3107600
S(ω) = s = xi − x2 = − (88)2 = 25Km/h2 .
400 400
i=1

d’où S(ω) = s = 5km/h. Un intervalle de confiance I au niveau 98% pour EX1 en km/h est
donc
2.33 × 5 2.33 × 5
I = [88 − , 88 + ] = [87, 41; 88, 59].
20 20

124
 Université Cadi Ayyad
Ecole Nationale des Sciences Appliquées
Safi

Sujet de contrôle de rattrapage.

Epreuve de Probabilités et Statistiques 1 Responsable : Lakhel El Hassan
Contrôle de 23 janvier 2007 Horaire : 8H :30min-10H :00

Exercice 1. (8 points)
1. Soit X : Ω −→ N une variable aléatoire. Qu’est- ce que la loi de X ? Comment calcule-
t-on l’espérance de X, la variance de X ?

2. Soit X : Ω −→ R une variable aléatoire de densité f . Comment calcule-t-on P (X ∈

[a, b]) pour un intervalle [a, b] de R. Comment calcule-t-on E(X), E(X 2 ) ?
Quand dit-on que X est intégrable ?

3. Si X est une v. a. r. positive, intégrable, et si a ∈ R∗+ , montrer que :

E(X)
P (X > a) ≤ .
a
4. Si X est une v. a. r. admettant un moment d’ordre 2, et si a ∈ R∗+ , montrer que :

V ar(X)
P (|X − E(X)| > a) ≤ .
a2
Exercice 2. (12 points)
Soit T une variable aléatoire à valeurs dans N. Pour tout n ∈ N, on suppose que P (T ≥
n) > 0 et que
P{T ≥n} (T ≥ n + 1) = P (T ≥ 1). (1)
1. On pose p = P (T = 0). Si G est une variable aléatoire de loi géométrique G(p), mon-
trer que Z = G − 1 vérifie P (Z = k) = p(1 − p)k pour k ∈ N.

2. Pour n ∈ N, calculer P (Z ≥ n).

3. On pose fn = P (T ≥ n). Montrer que fn+1 = fn f1 pour tout n ∈ N.

4. En déduire P (T ≥ n) pour n ∈ N (on remarquera que (fn ) est une suite géométrique).

5. Montrer que deux variables aléatoires X et Y à valeurs dans N ont la même loi si
P (X ≥ n) = P (Y ≥ n) pour tout n ∈ N.

6. En déduire que T et Z ont la même loi.

7. Quel est l’analogue de (1) dans le cas continu ?

1
la qualité et la clarté de la rédaction constituent des éléments essentiels dans l’appréciation de la copie.

125
Corrigé du contrôle de rattrapage - A. U. 2006-2007 :
Exercice 1 :
Voir le cours.
Exercice 2 :

1. On a p = P (T = 0). Montrons que Z = G − 1 vérifie P (Z = k) = p(1 − p)k pour

k ∈ N.
On a G prend ses valeurs dans N∗ , donc Z prend ses valeurs dans N. Par définition de
la loi géométrique, on a P (G = l) = p(1 − p)l−1 . Donc, pour k ∈ N, on a

P (Z = k) = P (G = k + 1) = p(1 − p)k .

2. Calculons P (Z ≥ n), pour tout n ∈ N.

On a :
P P∞
P (Z ≥ n) = +∞ k=n P (Z = k) = p(1 − p)
n
k=n (1 − p)
k−n

P∞ 1
= p(1 − p)n l=0 (1 − p)l = p(1 − p)n 1−(1−p) = (1 − p)n .

3. On a fn = P (T ≥ n). Montrons que fn+1 = fn f1 pour tout n ∈ N.

Pour tout n ∈ N, on a :

fn + 1 = P (T ≥ n + 1) = P (T ≥ n + 1 et T ≥ n) = PT ≥n (T ≥ n + 1)P (T ≥ n)

(1)
P (T ≥ 1)P (T ≥ n) = f1 fn .
=

4. En déduire P (T ≥ n) pour n ∈ N. Remarquons que (fn ) est une suite géométrique).

La suite (fn ) est géométrique de raison f1 = P (T ≥ 1) = 1 − P (T = 0) = 1 − p.
Donc, pour n ∈ N, on a :

P (T ≥ n) = fn = (f1 )n = (1 − p)n .

5. Par définition, deux v. a. X et Y à valeurs dans N ont la même loi si P (X = n) =

P (Y = n) pour tout n ∈ N.
On suppose que P (X ≥ n) = P (Y ≥ n) pour tout n ∈ N.
On a

P (X = n) = P (X ≥ n) − P (X ≥ n + 1) = P (Y ≥ n) − P (Y ≥ n + 1) = P (Y = n).

Donc X et Y ont la même loi.

6. C’est une conséquence immédiate des questions 2), 4) et 5).

7. La propriété d’absence de mémoire : Soit X une v. a. r. suivant la loi exp(θ), alors

X vérifie :

∀s ∈ R+ , ∀t ∈ R+ , P (X > t + s/X > t) = P (X > s)

(On parle aussi de la propriété de non vieillissement).

126