TD Corrigeì S STATS

Préliminaires mathématiques
Objectif : Maîtriser les notions mathématiques nécessaires à la compréhension du cours
I/ Théorie des ensembles
1. Définition des ensembles
Un « ensemble » désigne une collection d’objets ; ces objets sont les « éléments » de
l’ensemble. Un ensemble peut contenir des objets de natures différentes ; il peut aussi contenir
d’autres ensembles.
Notations :
- ∅ : « ensemble vide » = ensemble qui ne contient aucun élément

- 𝑥 ∈ 𝐴 : « 𝑥 appartient à 𝐴 » = 𝑥 est un élément de l’ensemble 𝐴
- 𝑥 ∉ A : « 𝑥 n’appartient pas à 𝐴 »
- 𝑋 = {𝑥1 , 𝑥2 } : l’ensemble 𝑋 est constitué des éléments 𝑥1 et 𝑥2 ⇔ ∅ = {}
Exemples : 1 ∈ {1, 2, 3} ; 2 ∉ ∅ ; {a, b} ∈ {{a, b}, {0}, 4} ; {1} ∉ {1, 2, 3}
▪ 𝐴 = {1, 2, 3} est un ensemble d’éléments
▪ 𝐵 = {{𝑎}, {0}, {4}} est un ensemble d’ensembles
- 𝐴 et 𝐵 sont définis « en extension », c’est-à-dire par la liste de tous leurs éléments

- Un ensemble peut aussi être défini « en compréhension », c’est-à-dire par la sélection des
éléments respectant une ou plusieurs propriétés au sein d’un ensemble plus vaste :
𝐵 = {𝑥 ∈ 𝐴|𝑃 (𝑥 )}, 𝑃 (𝑥 ) étant une propriété sur 𝑥
Exemples :
▪ 𝑈 = {𝑥 ∈ ℕ|𝑥 𝑒𝑠𝑡 𝑑𝑖𝑣𝑖𝑠𝑖𝑏𝑙𝑒 𝑝𝑎𝑟 2} : ensemble des entiers pairs
▪ Si 𝐴 = {1, 2, 3, 4} et 𝐵 = {𝑥 ∈ 𝐴|𝑥 + 1 ≤ 3}, alors 𝐵 = {1, 2}
- 𝒫 (A) : ensemble des parties de 𝐴 = ensemble dont les éléments représentent tous les sous-
ensembles possibles de 𝐴 (incluant ∅ et 𝐴 lui-même).
Exemple :
▪ 𝒫 ({a, 2}) = {∅, {𝑎}, {2}, {𝑎, 2}}
▪ 𝒫 (1, {a, b}) = {∅, {1}, {𝑎, 𝑏}, {1, {a, b}}}
▪ 𝒫 (A) = ∑5𝑖=1 𝐴𝑖
2. Opérations
Inclusion
𝐴 ⊂ 𝐵 : 𝐴 est une « partie » (un sous-ensemble) de 𝐵 , tous les éléments de 𝐴 sont aussi
éléments de 𝐵 : (𝐴 ⊂ 𝐵) ⇔ (𝑥 ∈ 𝐴 ⇒ 𝑥 ∈ 𝐵)
Représentation par le diagramme de Venn :
Exemples :
▪ {1, 2} ⊂ {1, 2, 3}
▪ {2, {a, b}} ⊂ {{𝑢, 𝑣 }, 2, {a, b}}
Union
𝐴 ∪ 𝐵 : ensemble formé par l’union de 𝐴 et 𝐵 = ensemble constitué des éléments de 𝐴 et des

éléments de 𝐵
𝐴 ∪ 𝐵 = {𝑥|𝑥 ∈ 𝐴 𝑜𝑢 𝑥 ∈ 𝐵}
Représentation :
Exemple :
▪ {𝑎, 2, {0}} ∪ {𝑏, ∅, 3} = {𝑎, 2, {0}, 𝑏, ∅, 3}
En généralisant à plus de deux ensembles : soit (𝐴𝑖 )𝑖≥1 une suite d’ensembles, on note alors
⋃𝑖≥1 𝐴𝑖 l’union des 𝐴𝑖 , c’est-à-dire l’ensemble constitué des objets qui appartiennent à au
moins un des 𝐴𝑖 .
Intersection
𝐴 ∩ 𝐵 : ensemble intersection de 𝐴 et 𝐵, constitué des éléments de 𝐴 qui sont aussi éléments

de 𝐵 (et réciproquement)
𝐴 ∩ 𝐵 = {𝑥|𝑥 ∈ 𝐴 𝑒𝑡 𝑥 ∈ 𝐵} = {𝑥 ∈ 𝐴|𝑥 ∈ 𝐵} = {𝑥 ∈ 𝐵|𝑥 ∈ 𝐴}
Représentation :
Exemples :
▪ {2, 3, 4} ∩ {1, 2, 3} = {2, 3}
▪ {𝑎, 𝑏} ∩ {{𝑎}, {𝑏}} = ∅

En généralisant à plus de deux ensembles : soit (𝐴𝑖 )𝑖≥1 une suite d’ensembles, on note alors
⋂𝑖≥1 𝐴𝑖 l’intersection des 𝐴𝑖 , c’est-à-dire l’ensemble constitué des objets qui appartiennent à
tous les 𝐴𝑖 .
Quand 𝐴 ∩ 𝐵 = ∅, on dit que 𝐴 et 𝐵 sont des ensembles « disjoints » et leur union est dite
« disjointe ».
Complémentarité
𝐴\𝐵 : ensemble complémentaire de 𝐵 dans 𝐴 = ensemble formé des éléments de 𝐴 qui ne sont
pas dans 𝐵 : 𝐴\𝐵 = {𝑥|𝑥 ∈ 𝐴 𝑒𝑡 𝑥 ∉ 𝐵} = {𝑥 ∈ 𝐴|𝑥 ∉ 𝐵}.
Exemple :
▪ {2, 3, 4}\{1, 2, 3} = {4}
Quand tous les éléments considérés sont des sous-ensembles d’un ensemble fixé Ω, on note
simplement Ω\𝐴 = 𝐴̅ et on parle de complémentaire, sans précision.
Différence symétrique
𝐴∆𝐵 : différence symétrique entre 𝐴 et 𝐵, constituée de l’union des éléments de 𝐴 qui ne sont
pas éléments de 𝐵 et des éléments de 𝐵 qui ne sont pas éléments de 𝐴 :
𝐴∆𝐵 = (𝐴\𝐵) ∪ (𝐵\𝐴) = (𝐴 ∪ 𝐵)\(𝐴 ∩ 𝐵)
Exemple :
▪ {2, 3, 4}∆{1, 2, 3} = {1, 4}
Produit cartésien
𝐴 × 𝐵 : produit cartésien des ensembles A et B = ensemble de tous les couples (𝑎, 𝑏), tels que
𝑎 ∈ 𝐴 et 𝑏 ∈ 𝐵.
𝐴 × 𝐵 = {(𝑎, 𝑏)| 𝑎 ∈ 𝐴, 𝑏 ∈ 𝐵}
Le carré cartésien 𝐴 × 𝐴 est noté 𝐴2.
Exemples : soient 𝐴 = {2, 𝑎} et 𝐵 = {𝑐, 𝑑}
▪ 𝐴 × 𝐵 = {(𝑎, 𝑐 ), (𝑎, 𝑑 ), (2, 𝑐 ), (2, 𝑑 )}
▪ 𝐴2 = {(2, 2), (2, 𝑎), (𝑎, 2), (𝑎 , 𝑎)}
Généralisation : soient 𝐴1 , … , 𝐴𝑛 𝑛 ensembles, leur produit cartésien est donné par

l’ensemble des n-uplets
∏ 𝐴𝑖 = 𝐴1 × … × 𝐴𝑛 = {(𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 )|∀𝑖 ∈ {1,2,3, … , 𝑛}, 𝑥𝑖 ∈ 𝐴𝑖 }

𝑖=1
L’ordre au sein d’un n-uplet compte : (𝑎, 𝑏) ≠ (𝑏, 𝑎) par exemple !
Exemple : soit 𝐴 = {𝑎, 𝑏}, (𝑎, 𝑏) et (𝑏, 𝑎) sont deux couples différents d’éléments
▪ 𝐴 × 𝐴 = 𝐴2 = {(𝑎, 𝑎), (𝑎, 𝑏), (𝑏, 𝑎) (𝑏, 𝑏)}
Partition
Soit un ensemble 𝐴 et 𝑃 = {𝐶1 , 𝐶2 , … , 𝐶𝑘 } un ensemble de 𝑘 sous-ensembles de 𝐴.
𝑃 est une partition de A si et seulement si :
1. Aucun des 𝐶𝑖 n’est vide : ∀𝑖, 1 ≤ 𝑖 ≤ 𝑘, 𝐶𝑖 ≠ ∅
2. Les 𝐶𝑖 ne s’intersectent pas : ∀𝑖, 𝑗, 1 ≤ 𝑖 ≤ 𝑘, 1 ≤ 𝑗 ≤ 𝑘, 𝑖 ≠ 𝑗 ⇒ 𝐶𝑖 ∩ 𝐶𝑗 = ∅
3. L’union des 𝐶𝑖 forme 𝐴 tout entier : A = ⋃𝑘𝑖=1 𝐶𝑖
Exemples : soit 𝐴 = {1, 𝑎, 𝑧, {𝑢, 𝑣}}
▪ 𝐶1 = {1}, 𝐶2 = {𝑧, {𝑢, 𝑣 }} et 𝐶3 = {𝑎} forment une partition de 𝐴
▪ 𝐶1 = {1}, 𝐶2 = {𝑢, 𝑣} et 𝐶3 = {𝑎, 𝑧} ne forment pas une partition de 𝐴 car leur union
vaut {1, 𝑎, 𝑧, 𝑢, 𝑣 }, qui est distinct de 𝐴.
Récapitulatif :
𝐴∪𝐵
𝐴∩𝐵
𝐴\𝐵 𝐵\𝐴
3. Propriétés
Commutativité
L’union et l’intersection sont commutatives, c’est-à-dire que pour tous ensembles 𝐴 et 𝐵 :

𝐴∩𝐵 =𝐵∩𝐴
𝐴∪𝐵 =𝐵∪𝐴
Associativité
L’union et l’intersection sont associatives, c’est-à-dire que l’ordre d’une série d’opérations
n’importe pas. Ainsi pour tous ensembles 𝐴, 𝐵 et 𝐶 :
(𝐴 ∩ 𝐵 ) ∩ 𝐶 = 𝐴 ∩ ( 𝐵 ∩ 𝐶 )
(𝐴 ∪ 𝐵 ) ∪ 𝐶 = 𝐴 ∪ ( 𝐵 ∪ 𝐶 )
Élément neutre
L’ensemble vide est un élément neutre de l’union, c’est-à-dire que pour tout ensemble 𝐴 :
∅∪𝐴= 𝐴
De même, un ensemble Ω est un élément neutre de l’intersection pour ses sous-ensembles,

c’est-à-dire que pour tout ensemble 𝐴 ⊂ Ω : Ω ∩ 𝐴 = 𝐴.
Involution
Dans un ensemble Ω, l’opération de passage au complémentaire est involutive. Pour tout

ensemble 𝐴 ⊂ Ω : 𝐴̿ = 𝐴.
Distributivité
L’union et l’intersection sont distributives l’une par rapport à l’autre, c’est-à-dire que pour
tous ensembles 𝐴, 𝐵 et 𝐶 :
𝐴 ∩ (𝐵 ∪ 𝐶 ) = (𝐴 ∩ 𝐵 ) ∪ (𝐴 ∩ 𝐶 )
𝐴 ∪ (𝐵 ∩ 𝐶 ) = (𝐴 ∪ 𝐵 ) ∩ (𝐴 ∪ 𝐶 )
Dualité
Dans un ensemble Ω , l’opération de passage au complémentaire satisfait les lois de De

Morgan (ou lois de dualité), c’est-à-dire que pour tous ensembles 𝐴 et 𝐵 :
̅̅̅̅̅̅̅
𝐴 ∩ 𝐵 = 𝐴̅ ∪ 𝐵̅
̅̅̅̅̅̅̅
𝐴 ∪ 𝐵 = 𝐴̅ ∩ 𝐵̅
Partition
Soient 𝐴 et 𝐵 deux ensembles
- 𝐴 ∪ 𝐵 est l’union disjointe des trois ensembles 𝑃 = {𝐴\𝐵, 𝐴 ∩ 𝐵, 𝐵\𝐴}
- Si 𝐴 et 𝐵 sont d’intersection non-vide (𝐴 ∩ 𝐵 ≠ ∅) et si 𝐴 ≠ 𝐵, alors l’ensemble
𝑃 = {𝐴\𝐵, 𝐴 ∩ 𝐵, 𝐵\𝐴} est une partition de 𝐴 ∪ 𝐵
- Si 𝑃′ = {𝐵1 , … , 𝐵𝑘 } est une partition de 𝐵 et que 𝐴 ⊂ 𝐵, alors 𝐴 est l’union disjointe de 𝑘
ensembles 𝐴𝑖 = 𝐴 ∩ 𝐵𝑖 , pour 1 ≤ 𝑖 ≤ 𝑘
4. Exercices
Ex 1. Soit 𝐴 = {𝑎, 𝑏, 𝑐} et 𝐵 = {{𝑎}, {𝑏}, {𝑐 }}.
Calculer 𝒫 (A), 𝒫 (B), 𝒫(A) ∩ 𝐵, 𝒫 (A) ∩ 𝒫 (B).
𝒫 (A) = {∅, 𝐴, {𝑎} , {𝑏}, {𝑐 }, {𝑎, 𝑏}, {𝑎, 𝑐 }, {𝑏, 𝑐}}
𝒫 B = {∅, 𝐵, {{𝑎}}, {{𝑏}}, {{𝑐 }}, {{𝑎}, {𝑏}}, {{𝑎}, {𝑐 }}, {{𝑏}, {𝑐 }}}
( )
𝒫 (A) ∩ 𝐵 = {{𝑎}, {𝑏}, {𝑐 }} = 𝐵
𝒫(A) ∩ 𝒫 (B) = {∅}
Ex 2. Soit 𝐴 = {𝑎, 𝑏}, 𝐵 = {1, {2}} et 𝐶 = {𝑏, 𝑐}.

Calculer 𝐴 × 𝐵, 𝐴 ∪ 𝐵, 𝒫 (B), (𝐴 × 𝐶) ∩ (𝐶 × 𝐴).
𝐴 × 𝐵 = {(𝑎, 1), (𝑎, {2}), (𝑏, 1), (𝑏, {2})}
𝐴 ∪ 𝐵 = {𝑎, 𝑏, 1, {2}}
𝒫(B) = {∅, 𝐵, {1}, {{2}}}
(𝐴 × 𝐶 ) ∩ (𝐶 × 𝐴) = {(𝑎, 𝑏), (𝑎, 𝑐 ), (𝑏, 𝑏), (𝑏, 𝑐 )} ∩ {(𝑏, 𝑎), (𝑏, 𝑏), (𝑐, 𝑎), (𝑐, 𝑏)} = {(𝑏, 𝑏)}
Ex 3. Soit 𝐴 = {1, 2, 3, 4}.
Calculer {(𝑎, 𝑏) ∈ 𝐴2 |𝑎 < 𝑏} ; {(𝑎, 𝑏) ∈ 𝐴2 |𝑎 + 𝑏 = 4} ; {𝐵 ∈ 𝒫 (A)|2 ∈ 𝐵}.
{(𝑎, 𝑏) ∈ 𝐴2 |𝑎 < 𝑏} = {(1, 2), (1, 3), (1, 4), (2, 3), (2, 4), (3, 4)}
{(𝑎, 𝑏) ∈ 𝐴2 |𝑎 + 𝑏 = 4} = {(1, 3), (2, 2), (3, 1)}
{𝐵 ∈ 𝒫 (A)|2 ∈ 𝐵} = {{2}, {1, 2}, {2, 3}, {2, 4}, {1, 2, 3}, {1, 2, 4}, {2, 3, 4}, 𝐴}
Ex4. Trois nouvelles séries sont proposées par une chaîne de télévision. Pour chacune d’entre
elles, la chaîne diffuse un épisode pilote et, en fonction de l’appréciation du public, la chaîne
décidera de diffuser la suite des séries. On suppose que le public est constitué d’un ensemble
stable de personnes, noté 𝑃. On considère les sous-ensembles suivants :
𝑆𝑖 = « personnes qui ont apprécié l’épisode pilote de la série 𝑖 » (𝑖 = 1, 2, 3)
Calculer les ensembles suivants en fonction de 𝑆𝑖 , 𝑆̅𝑖 et des opérateurs ∩ et ∪ :
▪ 𝐴 = « personnes qui ont apprécié tous les pilotes » ;
𝐴 = 𝑆1 ∩ 𝑆2 ∩ 𝑆3
▪ 𝐵 = « personnes qui n’ont apprécié aucun pilote » ;
𝐵 = 𝑆̅1 ∩ 𝑆̅2 ∩ 𝑆̅3
▪ 𝐶 = « personnes qui ont apprécié au moins un pilote » ;
𝐶 = 𝑆1 ∪ 𝑆2 ∪ 𝑆3 = 𝐵̅
▪ 𝐷 = « personnes qui n’ont pas apprécié au moins l’un des pilotes » ;
𝐷 = 𝑆̅1 ∪ 𝑆̅2 ∪ 𝑆̅3 = 𝐴̅
▪ 𝐸 = « personnes qui ont apprécié uniquement le pilote de la première série » ;
𝐸 = 𝑆1 ∩ 𝑆̅2 ∩ 𝑆̅3
▪ 𝐹 = « personnes qui ont apprécié au plus un pilote ».
𝐹 = (𝑆̅1 ∩ 𝑆̅2 ) ∪ (𝑆̅1 ∩ 𝑆̅3 ) ∪ (𝑆̅2 ∩ 𝑆̅3 )
II/ Dérivées, primitives et intégrales

1. Dérivation
Soit 𝑓 une fonction continue définie sur ℝ. La dérivée de 𝑓en un point 𝑥0 est la pente de la
tangente au graphe de 𝑓en (𝑥0 , 𝑓(𝑥0 )).
𝑓(𝑥0 + ℎ)
𝑓(𝑥0 )
𝑥0 𝑥0 + ℎ
La pente de la tangente est obtenue par le passage à la limite.
La pente de la droite passant par les points (𝑥0 , 𝑓 (𝑥0 )) et (𝑥0 + ℎ, 𝑓 (𝑥0 + ℎ)) est donnée par :
𝑓 (𝑥0 + ℎ) − 𝑓 (𝑥0 ) 𝑓(𝑥0 + ℎ) − 𝑓 (𝑥0 )
=
𝑥0 + ℎ − 𝑥0 ℎ
𝑓(𝑥0 +ℎ)−𝑓(𝑥0 )
La dérivée de 𝑓 en 𝑥0 = lim . 𝑓 est dite « dérivable » en 𝑥0 si et seulement si
ℎ→0 ℎ
cette limite existe.
Exemple :
La dérivée de 𝑓 (𝑥 ) = 𝑥 2 au point 1 est donnée par :
𝑓 (1 + ℎ) − 𝑓 (1) (1 + ℎ)2 − 12 12 + 2ℎ + ℎ2 − 12
lim = lim = lim =2
ℎ→0 ℎ ℎ→0 ℎ ℎ→0 ℎ
On dit que 𝑓 est dérivable sur un intervalle 𝐼 de ℝ si 𝑓 est dérivable en tout point de cet
intervalle. La fonction dérivée de 𝑓 sur cet intervalle est notée 𝑓 ′ et définie comme la fonction
𝑓(𝑥+ℎ)−𝑓(𝑥)
qui à 𝑥 associe la dérivée en 𝑥 de 𝑓. On écrit ; 𝑓 ′ : 𝐼 → ℝ et 𝑥 → 𝑓 ′ (𝑥 ) = lim
ℎ→0 ℎ
Quelques dérivées usuelles :

▪ 𝑓 (𝑥 ) = 𝑥 𝑎 ⇒ 𝑓 ′(𝑥 ) = 𝑎𝑥 𝑎−1 , pour 𝑎 ≠ 0
▪ 𝑓 ( 𝑥 ) = 𝑏 ⇒ 𝑓 ′ (𝑥 ) = 0
▪ 𝑓 (𝑥 ) = 𝑎 × 𝑔(𝑥 ) + 𝑏 ⇒ 𝑓 ′(𝑥 ) = 𝑎 × 𝑔′(𝑥)
▪ 𝑓 ( 𝑥 ) = 𝑒 𝑥 ⇒ 𝑓 ′ (𝑥 ) = 𝑒 𝑥
1
▪ 𝑓 (𝑥 ) = ln (𝑥) ⇒ 𝑓 ′ (𝑥 ) = 𝑥
▪ 𝑓 (𝑥 ) = 𝑢(𝑥 ) + 𝑣(𝑥) ⇒ 𝑓 ′(𝑥 ) = 𝑢′(𝑥 ) + 𝑣 ′(𝑥)
𝑢 (𝑥 ) 𝑢′ (𝑥)×𝑣(𝑥)−𝑣 ′ (𝑥)×𝑢(𝑥)
▪ 𝑓 (𝑥 ) = 𝑣 (𝑥 ) ⇒ 𝑓 ′ ( 𝑥 ) = 𝑣 (𝑥 ) 2
▪ 𝑓 ( 𝑥 ) = 𝑢 (𝑥 ) × 𝑣 (𝑥 ) ⇒ 𝑓 𝑥 = 𝑢 𝑥 × 𝑣 𝑥 ) + 𝑣 ′ ( 𝑥 ) × 𝑢 (𝑥 )
′( ) ′( ) (
𝑛
▪ 𝑓 (𝑥 ) = (𝑢(𝑥 )) ⇒ 𝑓 ′(𝑥 ) = 𝑛𝑢(𝑥 )𝑛−1 𝑢′ (𝑥 )
𝑢 ′ (𝑥 )
▪ 𝑓 (𝑥 ) = ln(𝑢(𝑥 )) ⇒ 𝑓 ′(𝑥 ) = 𝑢 (𝑥 )
▪ 𝑓 ( 𝑥 ) = 𝑒 𝑢 ( 𝑥 ) ⇒ 𝑓 ′ (𝑥 ) = 𝑢 ′ (𝑥 𝑒
) 𝑢( 𝑥 )
▪ 𝑓 (𝑥 ) = 𝑢 ∘ 𝑣(𝑥 ) = 𝑢(𝑣(𝑥 )) ⇒ 𝑓 ′(𝑥 ) = 𝑣 ′(𝑥 ) × 𝑢′ ∘ 𝑣(𝑥 )
= 𝑣 ′(𝑥 ) × 𝑢′(𝑣 (𝑥 ))
2. Primitivation
Il s’agit du processus inverse de la dérivation.
𝐹 est une primitive de 𝑓 sur ℝ si et seulement si : ∀𝑥, 𝐹 ′(𝑥 ) = 𝑓 (𝑥 )
𝐹 est une primitive de 𝑓 sur un intervalle 𝐼, si : ∀𝑥 ∈ 𝐼, 𝐹 ′ (𝑥 ) = 𝑓(𝑥)
Si 𝐹 est une primitive de 𝑓 sur 𝐼 et 𝐻 = 𝐹 + 𝜆 avec 𝜆 une constante (un réel), alors 𝐻 est une
primitive de 𝑓 :
𝐻 ′(𝑥 ) = 𝐹 ′(𝑥 ) + (𝜆)′ = 𝑓(𝑥)
Propriétés :
- Si 𝑓 est continue sur un intervalle, alors elle admet une primitive sur cet intervalle
- Si 𝑓 admet une primitive sur un intervalle, alors elle en admet une infinité (elles diffèrent
seulement d’une constante)
- Si 𝑓 admet deux primitives 𝐹1 et 𝐹2 alors il existe 𝜆 ∈ ℝ tel que 𝐹1 = 𝐹2 + 𝜆
- Si 𝑓 admet une primitive 𝐹, 𝜆𝑓 admet une primitive 𝜆𝐹
- Si 𝑓 admet une primitive 𝐹 et g une primitive G, alors 𝐹 + 𝐺 est une primitive de 𝑓 + 𝑔
Quelques primitives courantes :

𝑥 𝑎+1
▪ Si 𝑓 (𝑥 ) = 𝑥 𝑎 et 𝑎 ≠ −1, alors 𝐹 (𝑥 ) = , à une constante près
𝑎+1
1
▪ Si 𝑓 (𝑥 ) = 𝑥, alors 𝐹 (𝑥 ) = ln|𝑥 |, à une constante près
▪ Si 𝑓 (𝑥 ) = 𝑒 𝑥 , alors 𝐹 (𝑥 ) = 𝑒 𝑥 , à une constante près
3. Intégration
L’intégrale de 𝑓 entre deux points 𝑎 et 𝑏 donne l’aire sous le graphe de 𝑓 entre deux bornes 𝑎
𝑏
et 𝑏. On note : ∫𝑎 𝑓(𝑥 )𝑑𝑥
a b
L’intégrale se calcule grâce à la primitive. Si 𝑓 est continue sur [𝑎, 𝑏], alors elle admet une
primitive, et son intégrale est donnée par :
𝑏
∫ 𝑓 (𝑥 )𝑑𝑥 = 𝐹 (𝑏) − 𝐹 (𝑎) = [𝐹 (𝑥 )]𝑏𝑎
𝑎
Propriétés :
𝑎
- ∫𝑎 𝑓 (𝑥 )𝑑𝑥 = 0
𝑎 𝑏
- ∫𝑏 𝑓 (𝑥 )𝑑𝑥 = − ∫𝑎 𝑓 (𝑥 )𝑑𝑥
𝑏 𝑐 𝑐
- Relation de Chasles : ∫𝑎 𝑓 (𝑥 )𝑑𝑥 + ∫𝑏 𝑓 (𝑥 )𝑑𝑥 = ∫𝑎 𝑓 (𝑥 )𝑑𝑥
𝑏 𝑏 𝑏
- Linéarité (avec 𝜆 et 𝜇 constantes) :∫𝑎 [𝜆𝑓(𝑥 ) + 𝜇𝑔(𝑥 )]𝑑𝑥 = 𝜆 ∫𝑎 𝑓 (𝑥 )𝑑𝑥 + 𝜇 ∫𝑎 𝑔(𝑥 )𝑑𝑥
𝑏 𝑏
- Intégration par partie : ∫𝑎 𝑢′(𝑥 )𝑣(𝑥 )𝑑𝑥 = [𝑢(𝑥 )𝑣(𝑥)]𝑏𝑎 − ∫𝑎 𝑢(𝑥 )𝑣 ′(𝑥)𝑑𝑥
4. Exercices
Ex 1. Calculer les dérivées des fonctions suivantes :
▪ 𝑥 7 + 3𝑥 6 − 4𝑥 2 + 5
(𝑥 7 + 3𝑥 6 − 4𝑥 2 + 5)′ = 7𝑥 6 + 18𝑥 5 − 8𝑥
▪ (𝑥 2 + 3𝑥 − 1)(𝑥 4 − 8𝑥 )
𝑓 (𝑥 ) = 𝑢 (𝑥 ) × 𝑣 (𝑥 ) ⇒ 𝑓 ′ ( 𝑥 ) = 𝑢 ′ (𝑥 ) × 𝑣 ( 𝑥 ) + 𝑣 ′ (𝑥 ) × 𝑢 ( 𝑥 )
′
((𝑥 2 + 3𝑥 − 1)(𝑥 4 − 8𝑥 )) = ((2𝑥 + 3)(𝑥 4 − 8𝑥 )) + ((𝑥 2 + 3𝑥 − 1)(4𝑥 3 − 8))
𝑥 2 −1
▪ 𝑥 2 +1
𝑢 (𝑥 ) ′( )
𝑢′ (𝑥 ) × 𝑣(𝑥 ) − 𝑣 ′(𝑥 ) × 𝑢(𝑥)
𝑓 (𝑥 ) = ⇒𝑓 𝑥 =
𝑣 (𝑥 ) 𝑣 (𝑥 ) 2
′
𝑥2 − 1 2𝑥 (𝑥 2 + 1) − (𝑥 2 − 1)2𝑥
( 2 ) =
𝑥 +1 (𝑥 2 + 1)2
▪ (𝑥 3 − 4𝑥 2 + 1)5
𝑛
𝑓 (𝑥 ) = (𝑢(𝑥 )) ⇒ 𝑓 ′ (𝑥 ) = 𝑛𝑢 (𝑥 )𝑛−1 𝑢′(𝑥 )
((𝑥 3 − 4𝑥 2 + 1)5 )′ = 5(𝑥 3 − 4𝑥 2 + 1)4 (3𝑥 2 − 8𝑥)
2⁄
▪ 3𝑥 3 + 3𝑥 −1
𝑓 (𝑥 ) = 𝑥 𝑎 ⇒ 𝑓 ′(𝑥 ) = 𝑎𝑥 𝑎−1 , pour 𝑎 ≠ 0
2⁄ ′ 1
(3𝑥 3 + 3𝑥 −1 ) = (2𝑥 −3 − 3𝑥 −2 )
▪ ln(5𝑥 + 3)
𝑢 ′ (𝑥 )
𝑓 (𝑥 ) = ln(𝑢(𝑥 )) ⇒ 𝑓 ′(𝑥 ) =
𝑢 (𝑥 )
5
(ln(5𝑥 + 3))′ =
5𝑥 + 3
2𝑥
▪ 𝑒 𝑥+1
𝑓 ( 𝑥 ) = 𝑒 𝑢( 𝑥 ) ⇒ 𝑓 ′ ( 𝑥 ) = 𝑢 ′ ( 𝑥 )𝑒 𝑢 ( 𝑥 )
2𝑥 ′ 2(𝑥 + 1) − 2𝑥 2𝑥
(𝑒 𝑥+1 ) = 𝑒 𝑥+1
(𝑥 + 1)2
2
▪ 𝑥𝑒 𝑥
2 ′ 2 2 ′ 2 2
(𝑥𝑒 𝑥 ) = 1𝑒 𝑥 + 𝑥(𝑒 𝑥 ) = 𝑒 𝑥 + 𝑥2𝑥𝑒 𝑥
Ex 2. Déterminer les primitives des fonctions suivantes sur ℝ ∗+

▪ 𝑥 2 − 5𝑥 + 6
𝑥 3 5𝑥 2
⇔ − + 6𝑥
3 2
1 5
▪ 𝑥2 − 𝑥 + 6
5
= 𝑥 −2 − + 6 ⇔ −𝑥 −1 − 5 ln(𝑥 ) + 6𝑥
𝑥
▪ (𝑒 𝑥 − 1)(𝑒 𝑥 − 3)
1
(𝑒 𝑥 )2 − 3𝑒 𝑥 − 𝑒 𝑥 + 3 ⇔ 𝑒 2𝑥 − 3𝑒 𝑥 − 𝑒 𝑥 + 3𝑥
2
Ex 3. Calculer ces intégrales à l’aide d’une intégration par partie :

2
▪ 𝐼1 = ∫1 𝑥 ln(𝑥) d𝑥
𝑏 𝑏
Intégration par partie : ∫𝑎 𝑢(𝑥 )𝑣 ′(𝑥 )𝑑𝑥 = [𝑢(𝑥 )𝑣(𝑥)]𝑏𝑎 − ∫𝑎 𝑢′ (𝑥 )𝑣(𝑥)𝑑𝑥
𝑢(𝑥 ) = ln(𝑥 ) 1
𝑢 ′ (𝑥 ) =
𝑥
𝑣′(𝑥 ) = 𝑥 𝑥2
𝑣 (𝑥 ) =
2
2 2
𝑥2 1 𝑥2
( )
𝐼1 = [ ln 𝑥 ] − ∫ × 𝑑𝑥
2 1 1 𝑥 2
2
4 1 𝑥 1 1
= ln(2) − ln(1) − ∫ 𝑑𝑥 = 2 ln(2) − ln(1) − [𝑥 2 ]12
2 2 1 2 2 4
1 1 3
= 2 ln(2) − ln(1) − (1 − ) = 2 ln(2) −
2 4 4
1 2 −𝑥
▪ 𝐼2 = ∫0 𝑥 𝑒 d𝑥
𝑏 𝑏
Intégration par partie : ∫𝑎 𝑢(𝑥 )𝑣 ′(𝑥 )𝑑𝑥 = [𝑢(𝑥 )𝑣(𝑥)]𝑏𝑎 − ∫𝑎 𝑢′ (𝑥 )𝑣(𝑥)𝑑𝑥
𝑢 (𝑥 ) = 𝑥 2 𝑢′(𝑥 ) = 2𝑥
𝑣′(𝑥 ) = 𝑒 −𝑥 𝑣(𝑥 ) = −𝑒 −𝑥
1
𝐼2 = [−𝑥 2 𝑒 −𝑥 ]10 + 2 ∫ 𝑥𝑒 −𝑥 𝑑𝑥
0
1
= −𝑒 −1 + 2 ∫ 𝑥𝑒 −𝑥 𝑑𝑥
0
𝑢 (𝑥 ) = 𝑥 𝑢 ′ (𝑥 ) = 1
𝑣′(𝑥 ) = 𝑒 −𝑥 𝑣(𝑥 ) = −𝑒 −𝑥
1
𝐼2 = −𝑒 −1 + 2 ([−𝑥𝑒 −𝑥 ]10 + ∫ 𝑒 −𝑥 𝑑𝑥 )
0
1
= −𝑒 −1 + 2 (−𝑒 −1 + ∫ 𝑒 −𝑥 𝑑𝑥 ) = −𝑒 −1 + 2(−𝑒 −1 − [𝑒 −𝑥 ]10 )
0
= −𝑒 + 2(−𝑒 −1 − (𝑒 −1 − 1)) = −𝑒 −1 + 2(−𝑒 −1 − 𝑒 −1 + 1)
−1
= −𝑒 −1 + 2(−2𝑒 −1 + 1) = −5𝑒 −1 + 2
Dossier de TD n°1 – Dénombrement et équiprobabilité
Objectif : apprendre à identifier et dénombrer le nombre de résultats possibles d’une

expérience ; se familiariser avec la notion d’équiprobabilité
Ex1. Une expérience aléatoire consiste à lancer 3 fois une pièce de 1 euro. Sachant que cette
pièce comporte un côté pile (noté 𝑃) et un côté face (noté 𝐹).
1) Représenter l’ensemble des résultats possibles à chaque étape par un diagramme
arborescent.
2) Quelle formule mathématique permet de calculer directement le nombre de résultats

possibles de l’expérience (justifier par un raisonnement).
𝑛1 × 𝑛2 × 𝑛3 , avec 𝑛𝑖 représentant le nombre de résultats possibles différents à l’étape 𝑖 de
l’expérience aléatoire. Ici, puisque le nombre de résultats possibles différents est toujours le
même (2, 𝑃 ou 𝐹), on peut écrire 𝑛𝑘 , avec 𝑛 le nombre de résultats possibles à chaque lancer,
et 𝑘 le nombre de répétitions de l’expérience. Ici, on a : 𝑛𝑘 = 23 = 8 résultats possibles,
puisqu’on lance 3 fois une pièce ayant deux côtés (𝑃 et 𝐹). Les résultats obtenus sont les
suivants :
{(𝑃, 𝑃, 𝑃), (𝑃, 𝑃, 𝐹 ), (𝑃, 𝐹, 𝑃), (𝑃, 𝐹, 𝐹 ), (𝐹, 𝑃, 𝑃), (𝐹, 𝑃, 𝐹 ), (𝐹, 𝐹, 𝑃), (𝐹, 𝐹, 𝐹)}
3) Tous ces résultats ont-ils la même probabilité de se réaliser ? Pourquoi ?
Oui, tous ces résultats sont équiprobables. Ceci est dû au fait que la probabilité d’obtenir 𝑃 ou
𝐹 est la même tout au long des trois lancers de la pièce dans l’expérience.
4) Proposer une expérience qui admettrait la même règle de comptage de l’ensemble des
résultats possibles et l’équiprobabilité des résultats obtenus. Énoncer les critères que
doit respecter l’expérience.
On peut proposer l’exemple de l’expérience aléatoire consistant en deux étapes :
Première étape : lancer d’une pièce comportant un côté pile 𝑃 et un côté face, 𝐹. Deuxième
étape : si 𝑃, alors on prend au hasard une bille dans une urne contenant les billes 𝐴1 , 𝐵1 et 𝐶1 .
Si 𝐹, alors on prend au hasard une bille dans une urne contenant les billes 𝐴2 , 𝐵2 et 𝐶2 .
Ici, on aurait 𝑛1 × 𝑛2 résultats possibles, avec 𝑛1 = 2 (2 résultats possibles pour la pièce) et
𝑛2 = 3 (3 résultats possibles pour la bille), soit 2 × 3 = 6 possibilités. En extension, on
aurait :
{(𝑃, 𝐴1 ), (𝑃, 𝐵1 ), (𝑃, 𝐶1 ), (𝐹, 𝐴2 ), (𝐹, 𝐴2 ), (𝐹, 𝐴3 )}
C’est possible car cette expérience peut être modélisée par une séquence en 2 étapes, pour
lesquelles on peut donner le nombre de résultats possibles, ici 2 en première étape et 3 en
seconde étape.
Ex2. Soit un ensemble composé de 6 éléments, noté 𝑆 = {𝐴, 𝐵, 𝐶, 𝐷, 𝐸, 𝐹 } ; l’expérience
consiste à sélectionner 3 éléments parmi les 6
1) Sachant que l’ordre de tirage des lettres ne compte pas, combien y-a-t-il de résultats
possibles ? Donner des exemples de résultats. Comment appelle-t-on ces résultats ?
Puisque l’ordre ne compte pas ici, on va décompter le nombre de combinaisons de 3 éléments
parmi 6. Le mode de calcul est le suivant :
6 × (6 − 1) × (6 − 2) 𝐴36 6!
𝐶63 = = = = 20
3! 3! (6 − 3)! 3!
Il y a donc 20 combinaisons de 3 lettres parmi les 6 proposées, sachant qu’on ne se préoccupe
pas de l’ordre de tirage des lettres. Quelques exemples de combinaisons :
{(𝐴, 𝐵, 𝐶 ), (𝐷, 𝐸, 𝐹 ), (𝐵, 𝐶, 𝐷 )}
2) Supposons à présent que l’ordre de tirage des lettres importe. En quoi cela modifie-t-il
le nombre de résultats possibles ? Donner la formule permettant de calculer ce nombre.
Comment appelle-t-on dans ce cas les résultats obtenus ?
Savoir que l’ordre importe est capital, puisque dans ce cas (𝐴, 𝐵, 𝐶) et (𝐵, 𝐴, 𝐶) par exemple
sont deux résultats distincts, alors qu’ils ne l’auraient pas été dans le cadre des combinaisons.
Cela augmentera donc sensiblement le nombre de résultats possibles.
On va donc recourir à la méthode de calcul des arrangements :
6!
𝐴36 = 6 × (6 − 1) × (6 − 2) = = 120
(6 − 3)!
Il y a donc 120 arrangements de 3 lettres parmi les 6 proposées.
3) Généralisation : dans quels types d’expérience applique-t-on l’une ou l’autre des
formules de calcul du nombre de résultats possibles évoquées en 1) et 2).
Ces 2 formules s’appliquent dans le cas d’expériences consistant à sélectionner 𝑛 objets dans
un ensemble plus large de 𝑁 objets. L’application de l’une ou de l’autre formule dépend de
l’importance de l’ordre de tirage : si l’ordre dans lequel les éléments sont sélectionnés/tirés
n’importe pas, alors il faut exclure du comptage les doublons (par ex., (𝐴, 𝐵)~(𝐵, 𝐴)) et c’est
la première formule (comptage par combinaison) qui s’applique.
Ex3. La loterie Powerball se déroule deux fois par semaine dans 31 états, le District de
Columbia et les îles Vierges. Pour jouer à cette loterie, un participant doit acheter un billet de
2 $, choisir cinq numéros parmi les chiffres 1 à 59, puis choisir un numéro Powerball parmi
les chiffres 1 à 35. Pour déterminer les numéros gagnants pour chaque partie, les officiels de
la loterie tirent 5 boules blanches dans un tambour de 59 boules blanches numérotées de 1 à
59 et 1 boule rouge dans un tambour de 35 boules rouges numérotées de 1 à 35. Pour gagner
le jackpot Powerball, les numéros des participants doivent correspondre aux numéros des 5
boules blanches dans n'importe quel ordre et doivent également correspondre au numéro du
Powerball rouge. Par exemple, les numéros 5-16-22-23-29 avec un numéro 6 Powerball ont
permis le jackpot record de 580 millions de dollars.
1) Combien de résultats de loterie Powerball sont possibles ? Indice : Considérez ceci

comme une expérience en deux étapes. Sélectionnez les 5 numéros de la boule
blanche, puis sélectionnez le numéro de la boule Powerball rouge.
Une information majeure ici est le fait que les 5 numéros initiaux n’ont pas à être dans l’ordre
pour pouvoir gagner. Ainsi, comme suggéré, on procèdera en deux étapes :
1. On dénombrera le nombre de combinaisons (sans ordre, donc) possibles de 5
éléments parmi 59 pour la première partie de l’expérience.
2. On déterminera le nombre de possibilités de tirage pour le numéro Powerball.
Pour la première étape, on passe par le mode de décompte des combinaisons :
5
59! 59 × 58 × 57 × 56 × 55
𝐶59 = = = 5 006 386
(59 − 5)! 5! 5×4×3×2
Il y a donc 5 006 386 combinaisons de 5 numéros parmi les 59 proposées, sachant qu’on ne
se préoccupe pas de l’ordre de tirage des lettres. Pour la seconde étape du numéro Powerball,
on détermine sans difficulté que, puisque l’on doit tirer un numéro parmi 35 possibilités, le
nombre de possibilités est donc de 35.
Ainsi, puisqu’il est nécessaire d’obtenir les 5 premiers bons numéros (dans le désordre) et le
numéro Powerball, il y a 5 006 386 × 35 = 175 223 510 résultats Powerball possibles.
2) Quelle est la probabilité qu'un billet de loterie de 2 $ gagne la loterie Powerball ?
Dans la mesure où il est nécessaire d’avoir les 5 bons numéros et le numéro Powerball pour
gagner, cet évènement correspond à une possibilité. Ainsi, la probabilité que cet évènement se
1
produise n’est que de 175 223 510 , soit une probabilité de 0,000000005707.
Ex4. Un enseignant met en place un concours pour motiver ses étudiants : l’étudiant avec la
meilleure moyenne gagne une tablette tactile (Wifi+4G), le second une tablette seulement
Wifi, et le troisième une mini-tablette.
1) Sachant qu’il n’y a pas d’ex æquo possible, combien y-a-t-il de façons de distribuer
ces trois prix sur un amphi de 389 étudiants ?
Dans ce cas (trois lots différents), l’ordre importe pour distribuer les trois lots aux bons
étudiants selon leur classement respectif : on a donc des arrangements. On a donc 𝐴3389
arrangements possibles (trios de tête dans l’ordre), soit :
389!
(389−3)!
= 389 × 388 × 387 = 58 410 684 arrangements
Pour 𝑛 étudiants et 𝑝 lauréats, cela donne :

𝑛!
𝐴𝑝𝑛 =
(𝑛 − 𝑝 )!
2) On admet maintenant que les trois prix sont identiques (trois tablettes tactiles Wifi+4G
pour les trois premiers). Combien y-a-t-il de façons de les distribuer ?
Dans le deuxième cas, l’ordre n’importe pas (il faut juste faire partie des trois premiers pour
gagner un des lots), on a donc des combinaisons. Ce qui donne :
389! 389×388×387
(389−3)!3!
= = 9 743 114 combinaisons
3!
Pour 𝑛 étudiants et 𝑝 lauréats, cela donne :

𝑛!
𝐶𝑛𝑝 =
(𝑛 − 𝑝)! 𝑝!
3) On connait les trois premiers étudiants. Combien y-a-t-il de classements possibles
entre eux (c’est-à-dire de façons de les ordronner) ?
Si on fixe maintenant les 3 lauréats du concours, on a 3! façons (permutations) d’ordonner ce
trio de tête.
4) Quelle égalité peut-on écrire reliant les résultats des trois questions précédentes ?
Généralisez votre résultat au cas de n étudiants et p lauréats.
Ces trois résultats sont liés. On peut écrire :
𝐴𝑝𝑛 = 𝐶𝑛𝑝 × 𝑝!
Soit :
𝑁𝑜𝑚𝑏𝑟𝑒 𝑑’𝑎𝑟𝑟𝑎𝑛𝑔𝑒𝑚𝑒𝑛𝑡𝑠 𝑑𝑒 3 𝑝𝑎𝑟𝑚𝑖 389
= 𝑁𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑐𝑜𝑚𝑏𝑖𝑛𝑎𝑖𝑠𝑜𝑛𝑠 𝑑𝑒 3 𝑝𝑎𝑟𝑚𝑖 389
× 𝑁𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑝𝑒𝑟𝑚𝑢𝑡𝑎𝑡𝑖𝑜𝑛𝑠 𝑑𝑒 3 é𝑙é𝑚𝑒𝑛𝑡𝑠
Ex5. Une entreprise qui fabrique du dentifrice étudie cinq designs d'emballage différents.
1) En supposant qu'un modèle est tout aussi susceptible d'être choisi par un
consommateur que n'importe quel autre modèle, quelle probabilité de sélection
attribueriez-vous à chacun des modèles d'emballage ?
Puisqu’un consommateur a autant de chances de sélectionner l’un ou l’autre des 5 modèles
différents, chaque possibilité est donc équiprobable. Ainsi, on a, pour un modèle 𝐴
quelconque :
1
ℙ (𝐴 ) =
5
2) Dans le cadre d'une expérience réelle, on a demandé à 100 consommateurs de choisir
le modèle qu'ils préféraient. Les données suivantes ont été obtenues. Les données
confirment-elles la croyance qu'un design ou modèle est tout aussi susceptible d'être
choisi qu'un autre ? Expliquez.
Design Nombre de fois choisis
1 5
2 15
3 30
4 40
5 10
Clairement, l’hypothèse d’équiprobabilité est rejetée par les données. On constate en effet que
le modèle 1 est de loin le moins demandé par les consommateurs, avec une probabilité de 5%
d’être choisi, alors que le modèle 4 semble plus efficace, avec une probabilité de 40%.
Ex6. Une expérience a quatre résultats possibles équiprobables, et mutuellement exclusifs : 𝐸1 ,

𝐸2 , 𝐸3 et 𝐸4 .
1) Quelle est la probabilité que 𝐸2 se produise ?
Puisque cette expérience a 4 résultats possibles équiprobables, il vient :
1
ℙ(𝐸2 ) =
4
2) Quelle est la probabilité que deux des résultats se produisent (par ex. 𝐸1 ou 𝐸3 ) ?
Puisque les résultats sont mutuellement exclusifs, on a :
ℙ(𝐸𝑖 ∪ 𝐸𝑗 ) = ℙ(𝐸𝑖 ) + ℙ(𝐸𝑗 ), ∀𝑖 ≠ 𝑗
Donc :
1 1 1
ℙ(𝐸𝑖 ) + ℙ(𝐸𝑗 ) = + =
4 4 2
3) Quelle est la probabilité que trois des résultats se produisent (par ex. 𝐸1 ou 𝐸2 ou 𝐸4 ) ?
Puisque les résultats sont mutuellement exclusifs, on a :
ℙ(𝐸𝑖 ∪ 𝐸𝑗 ∪ 𝐸𝑘 ) = ℙ(𝐸𝑖 ) + ℙ(𝐸𝑗 ) + ℙ(𝐸𝑘 ), ∀𝑖 ≠ 𝑗 ≠ 𝑘
Donc :
1 1 1 3
ℙ(𝐸𝑖 ) + ℙ(𝐸𝑗 ) + ℙ(𝐸𝑗 ) = + + =
4 4 4 4
Ex7. Récapituler les notions mobilisées dans le cadre des exercices

Dossier de TD n°2 – Évènements et probabilités simples
Objectif : Apprendre à calculer la probabilité d’évènements simples
Ex 1. Le magazine Fortune publie une liste annuelle des 500 plus grandes entreprises des
États-Unis. Le siège social des 500 sociétés est situé dans 38 états différents. Le tableau
suivant montre les 8 États ayant le plus grand nombre d'entreprises Fortune 500.
État Nombre de sociétés
Californie 53
Illinois 32
New Jersey 21
New York 50
Ohio 28
Pennsylvanie 23
Texas 52
Virginie 24
Supposons que l'une des 500 sociétés soit choisie au hasard pour un questionnaire de suivi.
1) Quelle est la probabilité que la société choisie ait son siège social en Californie ?
Ici, l’univers (ou espace fondamental) consiste en les 500 sociétés du classement Fortune.
Dans cet univers, on a 53 sociétés ayant leur siège social en Californie, ainsi, la probabilité
53
que la société choisie ait son siège social en Californie est de 500 = 0,106, soit un peu plus
d’une chance sur 10.
2) Quelle est la probabilité que la société choisie ait son siège social en Californie, à New
York ou au Texas ?
Ici, il va falloir recourir aux propriétés d’additivité des probabilités. Nous en avons le droit,
puisque ces différents évènements sont mutuellement exclusifs. En effet, ce qui est demandé
est la probabilité suivante :
ℙ({𝐶𝑎𝑙𝑖𝑓𝑜𝑟𝑛𝑖𝑒} ∪ {𝑁𝑒𝑤 𝑌𝑜𝑟𝑘 } ∪ {𝑇𝑒𝑥𝑎𝑠})
53 50 52
= ℙ({𝐶𝑎𝑙𝑖𝑓𝑜𝑟𝑛𝑖𝑒}) + ℙ({𝑁𝑒𝑤 𝑌𝑜𝑟𝑘 }) + ℙ({𝑇𝑒𝑥𝑎𝑠}) = + +
500 500 500
155
= = 0,31
500
On remarque donc que près d’un tiers des sociétés de Fortune 500 sont localisées dans l’un de
ces trois États.
3) Quelle est la probabilité que la société choisie ait son siège social dans un des huit
états énumérés ci-dessus ?
De la même manière, on recourt aux propriétés d’additivité.
ℙ({𝐶𝑎𝑙𝑖𝑓𝑜𝑟𝑛𝑖𝑒} ∪ {Illinois} ∪ {New Jersey} ∪ {New York} ∪ {Ohio} ∪ {Pennsylvanie}
∪ {𝑇𝑒𝑥𝑎𝑠} ∪ {𝑉𝑖𝑟𝑔𝑖𝑛𝑖𝑒})
53 32 21 50 28 23 52 24 283
= + + + + + + + = = 0,566
500 500 500 500 500 500 500 500 500
Il y a plus de 50% de chance qu’une société prise au hasard dans les 500 appartienne à l’un
des 8 états présents dans le tableau.
Ex 2. Pensez-vous que le gouvernement protège adéquatement les investisseurs ? Cette

question faisait partie d'un sondage en ligne mené auprès d'investisseurs de moins de 65 ans
vivant aux États-Unis et en Grande-Bretagne. Le nombre d'investisseurs des États-Unis et de
la Grande-Bretagne qui ont répondu « Oui », « Non » ou « NSP » à cette question est indiqué
ci-dessous.
Réponse États-Unis Grande-Bretagne
Oui 187 197
Non 334 411
Ne sait pas (NSP) 256 213
1) Estimer la probabilité qu'un investisseur aux États-Unis pense que le gouvernement ne
protège pas adéquatement les investisseurs.
Ici, l’univers (ou espace fondamental) consiste en tous les 777 ( 187 + 334 + 256 )
investisseurs vivant aux États-Unis.
Dans cet univers, on a 334 investisseurs considérant que leur pays ne les protège pas
suffisamment. Ainsi, la probabilité qu’un investisseur de ce pays ait de telles considérations
334
est de 777 = 0,43.
2) Estimer la probabilité qu'un investisseur en Grande-Bretagne pense que le

gouvernement ne protège pas adéquatement les investisseurs ou ne sait pas si le
gouvernement protège adéquatement les investisseurs.
L’univers est l’ensemble des investisseurs de Grande-Bretagne du tableau, soit 821 personnes.
On recourt aux propriétés d’additivité des probabilités, car les différents évènements sont
mutuellement exclusifs. Le résultat est le suivant :
411 213 624
ℙ({𝑁𝑜𝑛} ∪ {𝑁𝑆𝑃}) = ℙ({𝑁𝑜𝑛}) + ℙ({𝑁𝑆𝑃}) = + = = 0,76
821 821 821
Plus des trois quarts des investisseurs de Grande-Bretagne dans cette enquête ont répondu ne
pas être suffisamment protégés ou ne pas savoir s’ils le sont.
3) Pour un investisseur choisi au hasard dans ces deux pays, estimer la probabilité que le
gouvernement ne protège pas adéquatement les investisseurs.
L’univers ici est l’ensemble des investisseurs des États-Unis et de Grande-Bretage du tableau,
soit 1598 personnes.
On recourt aux propriétés d’additivité des probabilités. On pose 𝑁𝑜𝑛É𝑈 et 𝑁𝑜𝑛𝐺𝐵 les deux
catégories ayant respectivement répondu non aux États-Unis et en Grande-Bretage. Le résultat
est le suivant :
334 411 745
ℙ({𝑁𝑜𝑛É𝑈 } ∪ {𝑁𝑜𝑛𝐺𝐵 }) = ℙ({𝑁𝑜𝑛É𝑈 }) + ℙ({𝑁𝑜𝑛𝐺𝐵 }) = + = = 0,47
1598 1598 1598
Près de 50% des investisseurs anglosaxons dans cette enquête ont répondu ne pas être
suffisamment protégés.
4) Selon les résultats du sondage, existe-t-il une grande différence entre les perceptions
des investisseurs aux États-Unis et en Grande-Bretagne sur l'efficacité du
gouvernement en termes de protection des investisseurs ?
Pour le savoir, il convient de comparer les probabilités de réponse à chaque item entre les
deux pays. Ainsi on a :
187 197
ℙ({𝑂𝑢𝑖É𝑈 }) = 777 = 0,24 et ℙ({𝑂𝑢𝑖𝐺𝐵 }) = 821 = 0,24
334 411
ℙ({𝑁𝑜𝑛É𝑈 }) = 777 = 0,43 et ℙ({𝑁𝑜𝑛𝐺𝐵 }) = 821 = 0,50
256 213
ℙ({𝑁𝑆𝑃É𝑈 }) = 777 = 0,33 et ℙ({𝑁𝑆𝑃𝐺𝐵 }) = 821 = 0,26
On remarque tout de suite qu’il n’existe pas de différence dans les déclarations positives : en
effet, que ce soit aux États-Unis ou en Grande-Bretagne, la probabilité de répondre oui est de
24%. Par contre, des différences existent dans les comportements de réponse négatifs et nuls :
la probabilité de répondre non est de 43% aux États-Unis contre 50% en Grande-Bretagne, et
la probabilité de ne pas se prononcer est respectivement de 33% et 26% dans ces deux pays.
Ex 3. L'Université Clarkson a sondé ses anciens étudiants pour connaître leur appréciation sur
leur cursus dans cette université. Les répondants devaient indiquer si leur expérience globale
chez Clarkson avait répondu ou pas à leurs attentes ou les avaient dépassées. Les résultats ont
montré que 4 % des anciens élèves interrogés n'ont pas répondu, 26 % ont dit que leur
expérience n'avait pas répondu à leurs attentes et 65 % ont dit que leur expérience avait
répondu aux attentes.
1) Quelle est la probabilité qu'un ancien étudiant sélectionné aléatoirement dise que son
expérience avait dépassé ses attentes ?
L’ensemble fondamental ici représente tous les anciens élèves de l’Université Clarkson ayant
répondu à l’enquête. D’après l’énoncé, on sait que :
ℙ({𝑁𝑆𝑃}) = 0,04, ℙ({𝑃𝑎𝑠 𝑎𝑡𝑡𝑒𝑖𝑛𝑡}) = 0,26 et ℙ({𝐴𝑡𝑡𝑒𝑖𝑛𝑡}) = 0,65
Il nous est demandé de calculer la probabilité ℙ({𝐷é𝑝𝑎𝑠𝑠é}), qui n’est pas disponible dans les
données de l’exercice.
Pour ce faire, on constate d’abord que les 4 possibilités de réponse sont mutuellement
exclusives, ce qui nous permettra d’employer les propriétés d’addition des probabilités. De
plus, on sait que la somme des probabilités de l’ensemble des éléments constitutifs de
l’univers vaut 1 : ℙ({𝑁𝑆𝑃}) + ℙ({𝑃𝑎𝑠 𝑎𝑡𝑡𝑒𝑖𝑛𝑡}) + ℙ({𝐴𝑡𝑡𝑒𝑖𝑛𝑡}) + ℙ({𝐷é𝑝𝑎𝑠𝑠é}) = 1.
Les trois premiers éléments étant connus, on peut passer par le complémentaire pour obtenir
ℙ({𝐷é𝑝𝑎𝑠𝑠é}) : ℙ({𝐷é𝑝𝑎𝑠𝑠é}) = 1 − (ℙ({𝑁𝑆𝑃}) + ℙ({𝑃𝑎𝑠 𝑎𝑡𝑡𝑒𝑖𝑛𝑡}) + ℙ({𝐴𝑡𝑡𝑒𝑖𝑛𝑡})) =
1 − (0,04 + 0,26 + 0,65) = 1 − 0,95 = 0,05.
On a donc 5% de chance qu’en sélectionnant un ancien étudiant de Clarkson au hasard, que
celui-ci déclare que son cursus a dépassé ses attentes.
2) Quelle est la probabilité qu'un ancien étudiant sélectionné aléatoirement dise que son
expérience avait répondu ou dépassé ses attentes ?
L’ensemble fondamental est inchangé.
Par contre, on demande maintenant de calculer la probabilité que l’ancien étudiant sélectionné
au hasard soit satisfait ou très satisfait de son parcours à Clarkson, soit ℙ({𝐴𝑡𝑡𝑒𝑖𝑛𝑡} ∪
{𝐷é𝑝𝑎𝑠𝑠é}). On utilise la propriété d’additivité des probabilités :
ℙ({𝐴𝑡𝑡𝑒𝑖𝑛𝑡} ∪ {𝐷é𝑝𝑎𝑠𝑠é}) = ℙ({𝐴𝑡𝑡𝑒𝑖𝑛𝑡}) + ℙ({𝐷é𝑝𝑎𝑠𝑠é}) = 0,65 + 0,05 = 0,70
La probabilité qu’un ancien sélectionné au hasard parmi les répondants à l’enquête déclare
que l’Université a atteint ou dépassé ses attentes est de 0,70.
Ex 4. Une agence de notation propose un classement de 500 fonds communs de placement

(FCP) (de 1 étoile à 5 étoiles) en fonction de leur composition (actions françaises, actions
internationales ou titres à revenu fixe). Un échantillon de 25 FCP a été sélectionné possédant
les propriétés suivantes :
- 16 FCP sont composés d'actions françaises
- 13 FCP ont obtenu au plus 3 étoiles
- 7 FCP composés d'actions françaises ont 4 étoiles
- 2 FCP composés d'actions françaises ont 5 étoiles
Supposons que l'on sélectionne aléatoirement un de ces 25 FCP.
1) Quelle est la probabilité de sélectionner un fonds d'actions françaises ?
L’ensemble fondamental consiste en l’échantillon de 25 FCP sélectionnées.
Il est indiqué que parmi ces 25 FCP, 16 sont composées d’actions françaises. Ainsi, la
probabilité qu’un FCP choisi au hasard dans cet échantillon soit composé d’actions françaises
16
est de 25 = 0,64.
2) Quelle est la probabilité de sélectionner un fonds noté 4 ou 5 étoiles ?

L’univers est inchangé.
Attention à ne pas utiliser les éléments sur les fonds notés 4 ou 5 étoiles FRANÇAIS ici. On
parle de tous les fonds ayant 4 ou 5 étoiles, et non pas seulement les fonds français. Donc, le
plus facile est de prendre le complémentaire des fonds ayant obtenus au plus 3 étoiles.
Pour ce faire, on constate d’abord que les 2 possibilités (« avoir au plus 3 étoiles » et « avoir 4
ou 5 étoiles ») sont mutuellement exclusives, ce qui nous permettra d’employer les propriétés
d’addition des probabilités. De plus, on sait que la somme des probabilités de l’ensemble des
éléments constitutifs de l’univers vaut 1: ℙ({avoir au plus 3 étoiles}) +
ℙ({avoir 4 ou 5 étoiles}) = 1.
On passe par le complémentaire :
ℙ({avoir 4 ou 5 étoiles}) = 1 − ℙ({avoir au plus 3 étoiles})
13
On calcule ℙ({avoir au plus 3 étoiles}) = 25 = 0,52 et on a donc :
ℙ({avoir 4 ou 5 étoiles}) = 1 − 0,52 = 0,48
La probabilité de sélectionner un fonds ayant 4 ou 5 étoiles est donc de 0,48.
3) Quelle est la probabilité de choisir un fonds qui est à la fois un fonds d'actions
françaises et un fonds noté 4 ou 5 étoiles ?
Ici, on demande la probabilité suivante, car les deux conditions doivent être remplies
simultanément :
ℙ(({avoir 4 étoiles} ∪ {avoir 5 étoiles}) ∩ {fonds d′ actions françaises})
En distribuant, cela donne :
ℙ(({avoir 4 étoiles} ∩ {fonds d′ actions françaises})
∪ ({avoir 5 étoiles} ∩ {fonds d′ actions françaises}))
Les effectifs pour ℙ({avoir 4 étoiles} ∩ {fonds d′ actions françaises}) et
′
ℙ({avoir 5 étoiles} ∩ {fonds d actions françaises}) sont connus, il suffira donc de les
additionner, ce qui est possible, ces deux évènement étant mutuellement exclusifs. On a ainsi :
ℙ({avoir 4 ou 5 étoiles} ∩ {fonds d′ actions françaises})
= ℙ({avoir 4 étoiles} ∩ {fonds d′ actions françaises})
+ ℙ({avoir 5 étoiles} ∩ {fonds d′actions françaises})
7
On calcule ℙ({avoir 4 étoiles} ∩ {fonds d′actions françaises}) = = 0,28
25
2
et ℙ({avoir 5 étoiles} ∩ {fonds d′ actions françaises}) = 25 = 0,08
On obtient finalement :
ℙ(({avoir 4 étoiles} ∪ {avoir 5 étoiles}) ∩ {fonds d′ actions françaises})
= 0,28 + 0,08 = 0,36
La probabilité de choisir un fonds qui est à la fois un fonds d'actions françaises et un fonds
noté 4 ou 5 étoiles est donc de 0,36.
4) Quelle est la probabilité de choisir un fonds composé d’actions françaises ou noté 4 ou
5 étoiles ?
Les deux évènements « choisir un fonds composé d’actions françaises » et « noté 4 ou 5
étoiles » ne sont pas mutuellement exclusifs, dans la mesure où il existe des fonds composés
d’actions françaises qui sont notés 4 ou 5 étoiles ! La probabilité demandée ici est la suivante :
ℙ({fonds d’actions françaises} ∪ {noté 4 ou 5 étoiles})
= ℙ({fonds d’actions françaises}) + ℙ({noté 4 ou 5 étoiles})
− ℙ({fonds d’actions françaises} ∩ {noté 4 ou 5 étoiles})
Ceci donne, à l’aide des résultats obtenus dans les questions précédentes :
ℙ({fonds d’actions françaises} ∪ {noté 4 ou 5 étoiles}) = 0,64 + 0,48 − 0,36 = 0,76
Ainsi, il y a un peu plus de trois quarts de chance d’avoir un fonds d’actions françaises ou
noté 4 ou 5 étoiles.
Ex 5. Les lycéens ayant de bons résultats en terminale sont de plus en plus nombreux à
candidater chaque année dans les écoles les plus sélectives. Afin de faire leurs choix, les
lycéens ont la possibilité de consulter les données d’admission de l’année précédente.
Supposons qu’une de ces écoles ait reçu 2851 demandes d'admission. Parmi elles, 1033
étudiants ont été admis sur dossier, 854 ont été rejetés et 964 ont été mis sur une liste
d’attente. À l’issue du processus, 1226 candidats ont été admis définitivement. Soient 𝐸
l’évènement « le candidat est admis sur dossier », 𝑅 l’évènement « le candidat est rejeté » et
𝐷 l’évènement « le candidat est en liste d’attente ».
1) Estimer la probabilité des évènements 𝐸, 𝑅 et 𝐷.
L’univers est l’ensemble des 2851 demandes d’admission. Sur ces 2851 demandes, 1033 sont
acceptées directement, 854 sont rejetées directement, et 964 sont mises sur liste d’attente.
On a ainsi les probabilités suivantes :
1033 854 964
ℙ({𝐸}) = 2851 = 0,36, ℙ({𝑅}) = 2851 = 0,30 et ℙ({𝐷 }) = 2851 = 0,33
L’évènement 𝐸 a donc 36% de chance de se réaliser, 𝑅 30% et 𝐷 33%, signifiant que si l’on
sélectionne un dossier au hasard dans les 2851, ce dossier aura 36% de chance d’être accepté,
30% de chance d’être rejeté, et 33% de chance d’être mis sur liste d’attente.
2) Les évènements 𝐸 et 𝐷 sont-ils mutuellement exclusifs ? Calculer ℙ(𝐸 ∩ 𝐷 ).
Oui, ces deux évènements sont mutuellement exclusifs puisqu’on ne peut pas être à la fois
admis sur dossier et en liste d’attente. Ainsi, on a par définition :
ℙ (𝐸 ∩ 𝐷 ) = 0
3) Calculer la probabilité de l’évènement ℙ(𝐴𝑑𝑚𝑖𝑠 𝑑é𝑓𝑖𝑛𝑖𝑡𝑖𝑣𝑒𝑚𝑒𝑛𝑡 ∩ 𝐷).
On appellera 𝐴 l’évènement : le candidat a été admis, peu importe si son admission a été faite
sur dossier, ou venant de la liste d’attente. D’après l’énoncé :
1226
ℙ({𝐴}) = = 0,43
2851
ℙ(𝐴 ∩ 𝐷) correspond donc à la probabilité jointe d’avoir été mis sur liste d’attente et de
finalement avoir été pris. Ainsi, on a :
1226 1033
ℙ(𝐴 ∩ 𝐷 ) = ℙ({𝐴}) − ℙ({𝐸}) = − = 0,068
2851 2851
Ainsi, la probabilité jointe d’avoir été mis sur liste d’attente et de finalement avoir été pris est
de 0,068, soit 6.8%.
Ex 6. Des biologistes étudient le comportement des souris à travers le protocole expérimental

suivant : une souris est placée dans une cage et peut en sortir par 8 portes numérotées de 1 à 8.
Les portes avec un numéro pair sont à droite, les autres à gauche. Après de nombreux tests,
les scientifiques ont réussi à établir les informations partielles suivantes, i indiquant le numéro
de porte :
𝑖 1 2 3 4 5 6 7 8
1 1 1 2 1 1
ℙ({𝑖}) ? ?
3 9 27 9 27 27
1) Quelle(s) condition(s) doivent satisfaire ℙ({3}) et ℙ({6}) ?
L’univers consiste en les 8 portes par lesquelles les souris peuvent sortir. On sait donc que :
8
∑ ℙ({𝑖 }) = 1
𝑖=1
Puisque tous les évènements « passer par la porte 𝑖 » sont mutuellement exclusifs, on peut
passer par le complémentaire :
21 6
ℙ({3}) + ℙ({6}) = ℙ({3 ∪ 6}) = 1 − ℙ({1 ∪ 2 ∪ 4 ∪ 5 ∪ 7 ∪ 8}) = 1 − =
27 27
De plus, ℙ({3}) et ℙ({6}) doivent appartenir à l’intervalle [0, 1].
2) Les biologistes avaient également établi que la probabilité qu’une souris sorte par
1
une porte paire était de 3. En déduire ℙ({3}) et ℙ({6}).
1
Puisque la probabilité qu’une souris sorte par une porte paire est de 3, on sait que :
1
ℙ({2 ∪ 4 ∪ 6 ∪ 8}) =
3
Or, ℙ({2 ∪ 4 ∪ 6 ∪ 8}) = ℙ({2 ∪ 4 ∪ 8}) + ℙ({6}), donc :
1 1 1 1 4
ℙ({6}) = ℙ({2 ∪ 4 ∪ 6 ∪ 8}) − ℙ({2 ∪ 4 ∪ 8}) = −( + + )=
3 9 27 27 27
6
Et donc, puisque ℙ({3 ∪ 6}) = 27, on a :
6 4 2
ℙ({3}) = ℙ({3 ∪ 6}) − ℙ({6}) = − =
27 27 27
3) Les scientifiques étudiaient si les souris avaient une plus grande probabilité de
sortir par une porte peinte en vert plutôt qu’en gris. Les portes vertes sont les
portes 1, 2, 3 et 4 (les autres sont en gris). Est-ce le cas ?
On a la probabilité de sortir par une porte verte qui correspond donc à ℙ({1 ∪ 2 ∪ 3 ∪ 4}) =
1 1 2 1 15
+ + + = . Puisque cette probabilité est supérieure à ½, il y a donc plus de chance
3 9 27 27 27
que les souris sortent par une porte verte.
Ex 7. Le programme d’une épreuve d’examen comporte 30 sujets. Chaque candidat tire trois
sujets au hasard. Quelle est la probabilité, n’ayant étudié que le tiers des sujets,
Tout d’abord, on remarque que le tirage des sujets est simultané, il n’y a donc pas de notion
d’ordre ici. On dénombrera donc des combinaisons de 3 sujets parmi les 30 sujets possibles.
L’univers, que nous appellerons Ω, correspond donc à tous les trios possibles de sujets, sans
que l’ordre ne compte. Ainsi on a :
3
30! 30 × 29 × 28
|Ω| = 𝐶30 = = = 4060
(30 − 3)! 3! 3!
Il y a donc 4 060 combinaisons possibles de 3 sujets parmi 30.
Il n’y a pas, par ailleurs, de raison de considérer que certains sujets soient plus fréquemment
tirés que d’autres a priori. Ainsi, il y a équiprobabilité des différentes combinaisons de 3
1
sujets, c’est-à-dire que chaque combinaison individuelle a donc 4060 chance d’être tirée.
1) d’avoir préparé les trois sujets ?

Soit l’évènement 𝐴 : « avoir préparé les trois sujets ». On sait que le candidat n’a préparé que
1
le tiers des sujets, c’est-à-dire × 30 = 10 sujets. Donc, pour que celui-ci tire 3 sujets qu’il a
3
préparé, il doit tirer une combinaison de 3 sujets parmi les 10 qu’il a préparé. On a donc :
3
10! 10 × 9 × 8
|𝐴| = 𝐶10 = = = 120
(10 − 3)! 3! 3!
Le nombre de combinaisons de 3 sujets qu’il a préparés est de 120. Sa probabilité d’avoir
120
préparé les 3 sujets d’examen est donc ℙ(𝐴) = 4060 = 0,03, soit 3% de chance.
2) d’avoir préparé exactement deux des sujets ?
Soit l’évènement 𝐵 : « avoir préparé exactement deux sujets ». On peut décomposer 𝐵 en

deux évènements :
𝐵1 : « tirer 2 sujets parmi les 10 qu’il a préparé »
𝐵2 : « tirer un sujet parmi les 20 qu’il n’a pas préparé »
Ainsi, on a :
2
10! 10 × 9
|𝐵1 | = 𝐶10 = = = 45
(10 − 2)! 2! 2
1
20! 20
|𝐵2 | = 𝐶20 = = = 20
(20 − 1)! 1! 1
On a donc :
2
|𝐵| = 𝐶10 1
× 𝐶20 = 45 × 20
Ainsi :
|𝐵| 45 × 20
ℙ(𝐵) = = = 0,22
|Ω| 4060
Sa probabilité d’avoir préparé 2 des 3 sujets d’examen est donc ℙ(𝐵) = 0,22, soit 22% de
chance.
3) de n’en avoir préparé aucun ?
Soit l’évènement 𝐶 : « n’avoir préparé aucun sujet ». Pour que cet évènement se produise, il
faut que le candidat tire sa combinaison de 3 sujets parmi les 20 qu’il n’a pas préparés.
On a donc facilement :
3
20! 20 × 19 × 18
|𝐶 | = 𝐶20 = = = 1140
(20 − 3)! 3! 3!
1140
La probabilité de 𝐶 est donc ℙ(𝐶 ) = 4060 = 0,28, soit 28% de chance.
4) d’en avoir préparé au moins un ?

Soit l’évènement 𝐷 : « avoir préparé au moins un sujet ». De manière à simplifier le
raisonnement et les calculs, le plus simple est de considérer que 𝐷 : « avoir préparé au moins
un sujet » est l’évènement contraire de 𝐶 : « n’avoir préparé aucun sujet ». En effet, 𝐷
correspond à avoir préparé 1 sujet ou 2 sujets ou 3 sujets, c’est-à-dire l’inverse de 𝐶, n’en
avoir préparé aucun. On a donc 𝐷 = 𝐶̅ .
Ainsi :
ℙ(𝐷 ) = ℙ(𝐶̅ ) = 1 − ℙ(𝐶 ) = 1 − 0,28 = 0,72
Il y a donc 72% de chance que le candidat ait préparé au moins un sujet sur les trois qu’il a
tiré, sachant qu’il n’a préparé que le tiers des sujets.
Ex 8. Récapituler les notions mobilisées dans le cadre des exercices.

Dossier de TD n°3 – Probabilités conditionnelles et indépendance
Objectif : Maîtriser la notion et le calcul de probabilités conditionnelles ; savoir déterminer si

des évènements sont indépendants.
Ex 1. L’entreprise JLVB a financé une campagne de publicité télévisée pour l'un de ses
savons. Pour déterminer l’impact de cette campagne un sondage est réalisé permettant la
détermination des probabilités suivantes :
• Probabilité de l’évènement 𝐴 : « le consommateur a acheté le savon » = 0,20
• Probabilité de l’évènement 𝑉 : « le consommateur a vu la publicité » = 0,40
• Probabilité de 𝐴 ∩ 𝑉 = 0,12
Le fait de voir la publicité augmente-t-il la probabilité que le consommateur achète le savon ?
Expliquez votre raisonnement et justifiez votre résultat.
Une méthode rapide pour savoir si la publicité a un impact sur les ventes de savons est de
comparer la probabilité simple de vente de savon, ℙ(𝐴), avec la probabilité conditionnelle
d’avoir acheté ce savon, sachant qu’on a vu la publicité : ℙ(𝐴|𝑉 ). Si ℙ(𝐴|𝑉 ) > ℙ(𝐴), alors
voir la publicité augmente effectivement la probabilité d’acheter ce savon.
Ici, on a :
ℙ(𝐴 ∩ 𝑉 ) 0,12
ℙ(𝐴|𝑉) = = = 0,3
ℙ (𝑉 ) 0,40
On constate que la probabilité conditionnelle d’acheter ce savon, sachant qu’on a vu la
publicité est supérieure à celle, inconditionnelle, d’acheter ce savon.
Ex 2. Un sondage sur l’utilisation par les américains des réseaux sociaux ou d'autres sites web
pour exprimer leur opinion sur les émissions de télévision donne les résultats suivants :
Utilise les réseaux sociaux ou N’utilise pas les réseaux
des sites web pour évaluer la sociaux ou des sites web
TV pour évaluer la TV
Femme 395 291
Homme 323 355
Soit 𝐹 l'évènement : « le répondant est une femme » et 𝐴 l'évènement : « le répondant utilise
les réseaux sociaux et d'autres sites Web pour exprimer son opinion sur les émissions de
télévision ». 𝐹 et 𝐴 sont-ils indépendants ? Expliquez votre raisonnement et justifiez votre
résultat.
On commence par calculer ℙ(𝐹) et ℙ(𝐴). Ces probabilités représentent respectivement le fait
d’être une femme, peu importe le comportement envers les médias et le fait d’utiliser les
réseaux sociaux, indépendamment du sexe. Ainsi, l’univers ici est l’ensemble de la population
de ce sondage, soit 395 + 323 + 291 + 355 = 1364 individus. Sur ces individus, nous
avons 395 + 291 = 686 femmes et 395 + 323 = 718 personnes utilisant les réseaux
sociaux. Ainsi, on a :
686 718
ℙ(𝐹 ) = 1364 = 0,50 et ℙ(𝐴) = 1364 = 0,53
On calcule ensuite ℙ(𝐴 ∩ 𝐹), soit la probabilité jointe que l’individu utilise les réseaux
sociaux et d'autres sites Web pour exprimer son opinion sur les émissions de télévision et
qu’il soit une femme. Ici, on a 395 femmes déclarant utiliser les réseaux sociaux. On a :
395
ℙ (𝐴 ∩ 𝐹 ) = = 0,29
1364
Enfin, on calcule la probabilité conditionnelle que l’individu utilise les réseaux sociaux et
d'autres sites Web pour exprimer son opinion sur les émissions de télévision sachant qu’il est
une femme : ℙ(𝐴|𝐹). On a :
ℙ(𝐴 ∩ 𝐹 ) 0,29
ℙ(𝐴|𝐹 ) = = = 0,58
ℙ(𝐹 ) 0,50
On remarque ainsi que le fait de savoir que l’individu est une femme influence la probabilité
d’utiliser les réseaux sociaux, qui passe en effet de ℙ(𝐴) = 0,53 à ℙ(𝐴|𝐹 ) = 0,58. Le fait
d’être une femme influence donc positivement cette probabilité. Les évènements 𝐹 et 𝐴 ne
sont donc pas indépendants.
Ex 3. Dans un questionnaire à choix multiples, les étudiants ont le choix entre quatre réponses
pour chaque question. Soit 𝑝 = 0,3 la probabilité qu’une étudiante connaisse la réponse à une
question donnée. Si l’étudiante ignore la réponse, elle choisit au hasard l’une des réponses
proposées. Quelle est la probabilité que l’étudiante connaisse vraiment la bonne réponse
sachant qu’elle l’a donnée ?
On notera les évènements :
𝐶 : « l’étudiante connaît la bonne réponse » ;
𝑅 : « l’étudiante donne la bonne réponse ».
D’après l’énoncé, on a ainsi :
ℙ(𝐶 ) = 0,30, ℙ(𝑅|𝐶̅ ) = 0,25 et ℙ(𝑅|𝐶 ) = 1
En effet, la probabilité de donner la bonne réponse sachant qu’on ne la connait pas est ici
d’une chance sur 4 (puisque la réponse est alors choisie aléatoirement), et la probabilité de
donner la bonne réponse lorsqu’elle est connue est évidemment 1. La probabilité recherchée
est la suivante :
ℙ(𝐶 ∩ 𝑅)
ℙ(𝐶|𝑅 ) =
ℙ(𝑅)
ℙ(𝐶 ∩ 𝑅 ) la probabilité jointe de connaître la bonne réponse et du fait de l’avoir donnée, est
inconnue ici. Par la méthode de Bayes, on peut néanmoins renverser le problème :
ℙ(𝐶 ∩ 𝑅) ℙ(𝑅|𝐶 )ℙ(𝐶 )
ℙ(𝐶|𝑅) = =
ℙ(𝑅) ℙ (𝑅 )
Tous les éléments sont connus, sauf ℙ(𝑅). Pour l’obtenir, on passe par les probabilités totales.
L’idée est de décomposer la probabilité de donner la bonne réponse en la somme de toutes ses
parties. Ici, on peut donner la bonne réponse tout en la connaissant, ou tout en ne la
connaissant pas. On a donc :
ℙ(𝑅) = ℙ(𝑅 ∩ 𝐶 ) + ℙ(𝑅 ∩ 𝐶̅ ) = ℙ(𝑅|𝐶 )ℙ(𝐶 ) + ℙ(𝑅|𝐶̅ )ℙ(𝐶̅ )
ℙ(𝑅∩𝐶 )
puisqu’on sait que ℙ(𝑅|𝐶 ) = , et donc que ℙ(𝑅 ∩ 𝐶 ) = ℙ(𝑅|𝐶 )ℙ(𝐶 ) par les
ℙ (𝐶 )
probabilités conditionnelles.
Ainsi, on a :
ℙ(𝑅 ) = ℙ(𝑅|𝐶 )ℙ(𝐶 ) + ℙ(𝑅|𝐶̅ )(1 − ℙ(𝐶 )) = (1 × 0,30) + (0,25 × 0,70) = 0,475
En remplaçant, on a enfin :
ℙ(𝑅|𝐶 )ℙ(𝐶 ) 1 × 0,3
ℙ(𝐶|𝑅) = = = 0,63
ℙ (𝑅 ) 0,475
La probabilité que l’étudiante connaisse effectivement la bonne réponse sachant qu’elle l’a
indiquée sur sa copie est donc de 63%.
Ex 4. Une compagnie d’assurances répartit ses clients en trois classes de risque : 𝑅1 (risque
faible), 𝑅2 (risque moyen) et 𝑅3 (risque élevé). Les effectifs de chaque classe représentent
20%, 50% et 30% de la population totale. Les probabilités d’avoir un accident dans l’année
pour chacune des classes sont 0,05, 0,15 et 0,30.
On considère les évènements :
𝑅1 : « le client appartient à la classe de risque faible » ;
𝑅2 : « le client appartient à la classe de risque moyen » ;
𝑅3 : « le client appartient à la classe de risque élevé » ;
𝐴 : « le client a un accident dans l’année ».
D’après l’énoncé :
ℙ(𝑅1 ) = 0,20, ℙ(𝑅2 ) = 0,50 et ℙ(𝑅3 ) = 0,30
ℙ(𝐴|𝑅1 ) = 0,05, ℙ(𝐴|𝑅2 ) = 0,15 et ℙ(𝐴|𝑅3 ) = 0,30
1) Quelle est la probabilité pour qu’une personne choisie au hasard ait un accident dans
l’année ?
Ici, la clé est de se rendre compte que l’on a l’information pour chaque sous-catégorie de
risque, puisque la probabilité demandée est la probabilité d’accident totale (i.e., pour toutes
les classes de risque). On applique donc les probabilités totales en décomposant la probabilité
d’avoir un accident en la somme de toutes ses parties (ici, les classes de risque) :
ℙ(𝐴) = ℙ(𝐴 ∩ 𝑅1 ) + ℙ(𝐴 ∩ 𝑅2 ) + ℙ(𝐴 ∩ 𝑅3 )
= ℙ(𝐴|𝑅1 )ℙ(𝑅1 ) + ℙ(𝐴|𝑅2 )ℙ(𝑅2 ) + ℙ(𝐴|𝑅3 )ℙ(𝑅3 )
= (0,05 × 0,20) + (0,15 × 0,50) + (0,30 × 0,30) = 0,175
Ainsi, la probabilité qu’une personne choisie au hasard ait un accident dans l’année peu
importe sa catégorie de risque est de 17,5%.
2) Si M. Martin n’a pas eu d’accident cette année, quelle est la probabilité qu’il soit dans
la classe de risque faible 𝑅1 ?
Ce qu’on demande ici est ℙ(𝑅1 |𝐴̅). Deux éléments sont donc à déterminer. Il faut renverser le
sens causal dans la probabilité conditionnelle, et ce pour le cas où il n’y a pas eu d’accident.
On peut écrire, à l’aide de Bayes :
ℙ(𝐴̅|𝑅1 )ℙ(𝑅1 ) (1 − ℙ(𝐴|𝑅1 ))ℙ(𝑅1 ) 0,95 × 0,20
ℙ(𝑅1 |𝐴̅) = = = = 0,23
ℙ(𝐴̅) (1 − ℙ(𝐴)) 0,825
Si l’individu n’a pas eu d’accident dans l’année, la probabilité qu’il appartienne à la classe de
risque faible est de 23%.
Ex 5. Lors des élections, le candidat 𝐴 l’emporte avec 60% des votes. Des sondages réalisés
antérieurement ont montré que 70% des femmes et 45% des hommes allaient voter pour le
candidat 𝐴.
𝐴 : « vote pour le candidat 𝐴 » ;
𝐹 : « le votant est une femme » ;
𝐻 = 𝐹̅ : « le votant est un homme ».
D’après l’énoncé :
ℙ(𝐴) = 0,60, ℙ(𝐴|𝐹 ) = 0,70 et ℙ(𝐴|𝐹̅ ) = 0,45
1) En supposant qu’il n’y ait eu aucun vote blanc (ou nul) et 0% d’abstention, calculer la
proportion des hommes parmi les votants.
On peut obtenir la proportion d’hommes dans l’échantillon en décomposant la probabilité de
vote pour le candidat 𝐴, ℙ(𝐴), en la somme de toutes ses parties (voter 𝐴 et être une femme,
voter 𝐴 et être un homme) à l’aide des probabilités totales :
ℙ(𝐴) = ℙ(𝐴 ∩ 𝐹 ) + ℙ(𝐴 ∩ 𝐹̅ ) = ℙ(𝐴|𝐹 )ℙ(𝐹 ) + ℙ(𝐴|𝐹̅ )ℙ(𝐹̅ )
Puisqu’on ne souhaite qu’une seule inconnue dans cette équation, on remplace les éléments
relatifs à 𝐹 par d’autres relatifs à 𝐹̅ (le fait d’être un homme) :
ℙ(𝐴) = ℙ(𝐴|𝐹 )ℙ(𝐹 ) + ℙ(𝐴|𝐹̅ )ℙ(𝐹̅ ) = ℙ(𝐴|𝐹 )(1 − ℙ(𝐹̅ )) + ℙ(𝐴|𝐹̅ )ℙ(𝐹̅ )
On obtient, en remplaçant :
−0,10
0,60 = 0,70(1 − ℙ(𝐹̅ )) + 0,45ℙ(𝐹̅ ) ⇔ −0,25ℙ(𝐹̅ ) = −0,10 ⇔ ℙ(𝐹̅ ) = = 0,40
−0,25
La proportion d’hommes parmi les votants, ℙ(𝐹̅ ) = ℙ(𝐻 ), est donc de 40%.
2) Si un bulletin de vote choisit au hasard porte le nom d’un autre candidat que le
candidat 𝐴, quelle est la probabilité qu’il s’agisse du vote d’une femme ?
On cherche ici la probabilité d’être une femme, sachant que l’on a pas voté pour le candidat
𝐴, soit ℙ(𝐹|𝐴̅). On a la probabilité totale de 𝐴, donc il ne reste plus qu’à inverser le sens
causal par rapport à ℙ(𝐴|𝐹 ) = 0,70 à l’aide de Bayes :
ℙ(𝐴̅|𝐹 )ℙ(𝐹 ) (1 − ℙ(𝐴|𝐹 ))(1 − ℙ(𝐹̅ )) 0,30 × 0,60
ℙ(𝐹|𝐴̅) = = = = 0,45
ℙ ( 𝐴̅ ) 1 − ℙ(𝐴) 0,40
Si le bulletin de vote choisit au hasard porte le nom d’un autre candidat que le candidat 𝐴, la
probabilité qu’il s’agisse du vote d’une femme est de 45%.
Ex 6. Dans un cours de statistique, l’enseignant présente trois thèmes, 𝐴, 𝐵 et 𝐶. Pour évaluer

un étudiant, l’enseignant choisi au hasard un thème avec les probabilités suivantes : ℙ(𝐴) =
0,30, ℙ(𝐵) = 0,20 et ℙ(𝐶 ) = 0,50 . L’enseignant observe que les résultats des étudiants
dépendent du thème choisi. Il range ces résultats en trois catégories : 𝐸 pour un échec total, 𝑅
pour une interrogation à revoir pour confirmer la compréhension du sujet et 𝑆 pour un succès.
L’enseignant constate les performances suivantes :
• Thème 𝐴 : 25 % des étudiants obtiennent un succès 𝑆, 30 % sont à revoir 𝑅, le reste en
échec
• Thème 𝐵 : 40 % des étudiants sont en échec, pour 40 % en succès, le reste étant à
revoir
• Thème 𝐶 : on atteint ici 50 % d’échec, 30 % à revoir, le reste en succès.
1) Calculer la probabilité qu’un étudiant soit en « échec » dans cette évaluation.

On remarque que les thèmes 𝐴, 𝐵 et 𝐶 constituent ensemble le total des possibilités. Ainsi, on
peut passer par les probabilités totales pour obtenir la probabilité d’échec, peu importe le
thème choisi :
ℙ(𝐸) = ℙ(𝐸 ∩ 𝐴) + ℙ(𝐸 ∩ 𝐵) + ℙ(𝐸 ∩ 𝐶 ) = ℙ(𝐸|𝐴)ℙ(𝐴) + ℙ(𝐸|𝐵)ℙ(𝐵) + ℙ(𝐸|𝐶 )ℙ(𝐶 )
= ((1 − 0,25 − 0,30) × 0,30) + (0,40 × 0,20) + (0,50 × 0,50) = 0,465
par complémentarité pour le thème 𝐴. La probabilité d’échec à cet examen est de 46,5%.
2) Si l’étudiant est dans la situation « à revoir », calculer la probabilité qu’il ait été
interrogé sur le thème 𝐶.
On demande ici la probabilité que le thème tiré soit 𝐶, sachant que l’étudiant est dans la
situation « à revoir », soit ℙ(𝐶|𝑅 ). Pour inverser le conditionnement, on passe par Bayes :
ℙ(𝑅|𝐶 )ℙ(𝐶 )
ℙ(𝐶|𝑅) =
ℙ (𝑅 )
On ne connait pas ℙ(𝑅), la probabilité d’être « à revoir ». On l’obtient en la décomposant en
la somme de ses parties par thème, qui sont connues :
ℙ(𝑅) = ℙ(𝑅 ∩ 𝐴) + ℙ(𝑅 ∩ 𝐵) + ℙ(𝑅 ∩ 𝐶 ) = ℙ(𝑅|𝐴)ℙ(𝐴) + ℙ(𝑅|𝐵)ℙ(𝐵) + ℙ(𝑅|𝐶 )ℙ(𝐶 )
= (0,30 × 0,30) + (0,20 × 0,20) + (0,30 × 0,50) = 0,28
En remplaçant, on obtient :
0,30 × 0,50
ℙ(𝐶|𝑅) = = 0,5316
0,28
Si l’étudiant est dans la situation « à revoir », la probabilité qu’il ait été interrogé sur le thème
𝐶 est de 53%.
3) Calculer la probabilité qu’un étudiant ne soit pas en « échec » s’il n’est pas interrogé
sur le thème 𝐴.
Ici, on recherche donc la probabilité conditionnelle : ℙ(𝐸̅|𝐴̅). On a déjà calculé ℙ(𝐸) et on
connait donc ℙ(𝐸̅) , soit 0,535. On recourt aux probabilités totales sur 𝐸̅ pour obtenir
ℙ(𝐸̅ |𝐴̅) :
ℙ(𝐸̅) − ℙ(𝐸̅ |𝐴)ℙ(𝐴)
ℙ(𝐸̅ ) = ℙ(𝐸̅|𝐴)ℙ(𝐴) + ℙ(𝐸̅|𝐴̅)ℙ(𝐴̅) ⇔ ℙ(𝐸̅|𝐴̅) =
ℙ ( 𝐴̅ )
En remplaçant, on obtient :
ℙ(𝐸̅) − ℙ(𝐸̅ |𝐴)ℙ(𝐴) 0,535 − (0,55 × 0,30)
ℙ(𝐸̅|𝐴̅) = = = 0,528
ℙ ( 𝐴̅ ) 0,70
La probabilité qu’un étudiant ne soit pas en « échec » s’il n’est pas interrogé sur le thème 𝐴
est donc de 52,8%.
4) Les évènements « être interrogé sur le thème 𝐵 » et « être en échec » sont-ils
indépendants ? Justifiez votre réponse.
Ces deux évènements ne sont pas indépendants. En effet, on peut le voir en vérifiant que
ℙ(𝐸|𝐵) ≠ ℙ(𝐸) , ce qui indique que savoir que l’étudiant a tiré un sujet 𝐵 change la
probabilité d’échec. Ici on a bien :
ℙ(𝐸|𝐵) = 0,40 ≠ 0,465 = ℙ(𝐸)
Ex 7. Pour faire face aux erreurs d’arbitrage, la FIFA a décidé de mettre en place un système
de détection des buts : des caméras sont installées sur la ligne de but et indiquent si le ballon a
ou non franchi la ligne. Le système proposé à la FIFA a les caractéristiques suivantes : il se
compose de deux caméras (notées 𝐴 et 𝐵) qui chacune et indépendamment de l’autre détecte
avec probabilité 0,98 que le ballon a bien franchi la ligne quand c’est le cas, et qui dans 3 %
des cas indique « but » alors que le ballon n’a pas complètement franchi la ligne. L’objectif de
la FIFA est de déterminer quelle est la meilleure règle pour l’usage de ces caméras, sachant
que dans les cas litigieux il y a a priori une chance sur deux que le ballon ait franchi la ligne.
On pourra noter 𝐹𝐿 l’évènement « le ballon a franchi la ligne » et 𝐶𝐵𝐴 l’évènement « la
caméra 𝐴 indique un but » (idem pour la caméra 𝐵 avec 𝐶𝐵𝐵 ).
1) Traduire les hypothèses sur les caméras en valeurs pour certaines probabilités
conditionnelles.
L’énoncé nous dit « une caméra détecte avec probabilité 0,98 que le ballon a bien franchi la
ligne si c’est bien le cas ». Ceci signifie que sachant que le ballon a franchi la ligne (donc
sachant 𝐹𝐿), la probabilité que la caméra 𝐴 (ou 𝐵) indique but (soit 𝐶𝐵𝐴 ou 𝐶𝐵𝐵 ) est de 0,98.
Autrement dit :
ℙ(𝐶𝐵𝐴 |𝐹𝐿) = ℙ(𝐶𝐵𝐵 |𝐹𝐿) = 0,98
L’énoncé ajoute : « dans 3% des cas, la caméra indique but alors que le ballon n’a pas
complètement franchi la ligne ». Autrement dit, on parle de 𝐶𝐵𝐴 ou 𝐶𝐵𝐵 sachant ̅̅̅̅
𝐹𝐿 (il n’y a
pas but). On a donc :
̅̅̅̅) = ℙ(𝐶𝐵𝐵 |𝐹𝐿
ℙ(𝐶𝐵𝐴 |𝐹𝐿 ̅̅̅̅) = 0,03
On sait également que dans les cas litigieux, on a une chance sur deux que le ballon ait franchi
la ligne (𝐹𝐿), donc on a :
ℙ(𝐹𝐿) = 0,5 et ℙ(𝐹𝐿 ̅̅̅̅) = 0,5
2) On s’intéresse au fonctionnement de la caméra 𝐴. Quelle est la probabilité que « le
ballon ait franchi la ligne » quand « la caméra A indique but » ? Quelle est la
probabilité que « le ballon n’ait pas franchi la ligne » lorsque « la caméra 𝐴 indique
but » ?
On cherche la probabilité que le ballon ait franchi la ligne lorsque la caméra indique but. Ou
autrement dit, la probabilité de 𝐹𝐿 sachant 𝐶𝐵𝐴 , c’est-à-dire ℙ(𝐹𝐿|𝐶𝐵𝐴 ).
Par Bayes on a :
ℙ(𝐶𝐵𝐴 |𝐹𝐿)ℙ(𝐹𝐿)
ℙ(𝐹𝐿|𝐶𝐵𝐴 ) =
ℙ(𝐶𝐵𝐴 )
Par les probabilités totales, on trouve :
ℙ(𝐶𝐵𝐴 |𝐹𝐿)ℙ(𝐹𝐿)
=
̅̅̅̅)ℙ(𝐹𝐿
ℙ(𝐶𝐵𝐴 |𝐹𝐿)ℙ(𝐹𝐿) + ℙ(𝐶𝐵𝐴 |𝐹𝐿 ̅̅̅̅)
On a les valeurs de toutes les probabilités concernées, donc :
0,98 × 0,5
ℙ(𝐹𝐿|𝐶𝐵𝐴 ) =
0,98 × 0,5 + 0,03 × 0,5
Soit :
98
ℙ(𝐹𝐿|𝐶𝐵𝐴 ) = = 0,97
101
La probabilité que « le ballon ait franchi la ligne » quand « la caméra A indique but » est donc
de 97%. Enfin, la probabilité que « le ballon n’ait pas franchi la ligne » lorsque « la caméra 𝐴
indique but » est simplement l’inverse de cette probabilité, soit :
98 3
ℙ(̅̅̅̅
𝐹𝐿|𝐶𝐵𝐴 ) = 1 − ℙ(𝐹𝐿|𝐶𝐵𝐴 ) = 1 − = = 0,03
101 101
La probabilité que « le ballon ait franchi la ligne » quand « la caméra A indique but » est donc
de 3%.
Ex 8. Récapituler les notions mobilisées dans le cadre des exercices.

Dossier de Td n°4 – Variables aléatoires discrètes
Objectif : comprendre les notions de base d’une distribution discrète, savoir calculer les
espérances et variances d’une distribution discrète.
Ex 1. L’entreprise Time Warner Cable fournit des services de télévision et d'internet. Sur la
base des adhésions passées, elle estime la probabilité du nombre d’adhésions auxquelles elle
peut s’attendre pour l’année prochaine comme suit :
Nombre d’adhésions futures Probabilité estimée
100 000 0,10
200 000 0,20
300 000 0,25
400 000 0,30
500 000 0,10
600 000 0,05
1) Quelle est la probabilité que l’entreprise obtienne plus de 400 000 nouveaux abonnés ?
Puisque l’on demande la probabilité que Time Warner Cable obtienne plus de 400 000
abonnés (signifiant strictement plus de 400 000), on ajoute donc les probabilités de 500 000 et
600 000, soit : ℙ(500 000) + ℙ(600 000) = 0,10 + 0,05 = 0,15. Ainsi, la probabilité que
l’entreprise obtienne plus de 400 000 nouveaux abonnés est de 15%.
2) Quelle est la probabilité que l’entreprise obtienne moins de 200 000 nouveaux
abonnés ?
Même chose ici, on demande la probabilité que Time Warner Cable obtienne moins de
200 000 abonnés (signifiant strictement moins de 200 000), on ne prend donc que la
probabilité de 100 000, soit : ℙ(100 000) = 0,10 . Ainsi, la probabilité que l’entreprise
obtienne moins de 200 000 nouveaux abonnés est de 10%.
Ex 2. Une enquête menée auprès de chômeurs dans une région américaine à la fin décembre
2009 a permis de recueillir les données suivantes sur le nombre de mois passés au chômage
par ces derniers :
Mois de chômage Nombre de chômeurs
1 1029
2 1686
3 2269
4 2675
5 3487
6 4652
7 4145
8 3587
9 2325
10 1120
1) On cherche à connaître les probabilités associées aux différentes durées de chômage.
Comment doit-on procéder ?
Pour obtenir ces probabilités (c’est-à-dire donner la distribution de la variable moins de
chômage, ou encore sa loi), il suffit de diviser le nombre d’occurrences de chaque modalité de
la variable par le total des occurrences, pour toutes les durées de chômage. Ici, le total des
chômeurs représente 26 975. On obtient ainsi :
Mois de chômage Nombre de chômeurs Probabilité

1 1029 1029/26975 = 0,04
2 1686 1686/26975 = 0,06
3 2269 2269/26975 = 0,08
4 2675 2675/26975 = 0,10
5 3487 3487/26975 = 0,13
6 4652 4652/26975 = 0,17
7 4145 4145/26975 = 0,15
8 3587 3587/26975 = 0,13
9 2325 2325/26975 = 0,09
10 1120 1120/26975 = 0,05
2) En déduire la probabilité qu’une personne sélectionnée aléatoirement soit au chômage
a. Pendant 2 mois au plus
On demande la probabilité qu’une personne sélectionnée aléatoirement soit au chômage 2
mois au plus (signifiant 2 mois ou moins). On ajoute donc les probabilités de 1 et 2 mois,
soit : ℙ(1) + ℙ(2) = 0,04 + 0,06 = 0,10. Ainsi, la probabilité qu’une personne sélectionnée
aléatoirement soit au chômage 2 mois au plus est de 10%.
b. Pendant plus de 2 mois
De la même manière, plus de 2 moins, soit entre 3 et 10 mois, correspond donc à :
10
∑ ℙ(𝑥𝑖 ) = 1 − (ℙ(1) + ℙ(2)) = 0,90

3
La probabilité qu’une personne sélectionnée aléatoirement soit au chômage plus de 2 mois est
de 90%.
c. Pendant plus de 6 mois
Plus de 6 mois correspond à entre 7 et 10 mois, ainsi :
10
∑ ℙ(𝑥𝑖 ) = 0,15 + 0,13 + 0,09 + 0,05 = 0,42

7
La probabilité qu’une personne sélectionnée aléatoirement soit au chômage plus de 6 mois est
de 42%.
Ex 3. La demande pour un produit de l’entreprise Carolina Industries varie considérablement

d'un mois à l'autre. Basée sur les données des deux dernières années, l’entreprise a estimé les
probabilités de demande mensuelle suivantes :
Demande mensuelle (en unités de produit) Probabilité
300 0,20
400 0,30
500 0,35
600 0,15
1) Si cette entreprise base sa production sur l’espérance mathématique de la demande

mensuelle, quelle quantité doit-elle produire par mois ?
Pour le savoir, on doit donc calculer l’espérance mathématique de la demande. Ceci revient à
faire la somme des produits des demandes par leur probabilité respective. Soient 𝑥𝑖 la variable
aléatoire représentant le niveau de demande mensuel. On a :
4
∑ 𝑥𝑖 × ℙ(𝑥𝑖 ) = (300 × 0,20) + (400 × 0,30) + (500 × 0,35) + (600 × 0,15) = 445
𝑖=1
Si cette entreprise base sa production sur l’espérance mathématique de la demande mensuelle,

elle devra donc produire 445 unités par mois.
2) Supposons que chaque unité est vendue à 70$ pour un coût de production unitaire de
50$. À combien se montera le profit de l’entreprise sur le mois si son volume de
production ce mois donné est celui établi en 1) et que la demande effective pour le
produit vaut 300 ?
On remarque que si l’entreprise se base sur le critère d’espérance mathématique pour établir
son niveau mensuel de production, elle tendra à le surestimer pour le mois en question. Ici, sur
445 unités produites, elle n’en écoulera que 300, soit 145 de moins. Son profit Π du mois se
montera donc à :
Π = (300 × (70 − 50)) − (145 × 50) = 6000 − 7250 = −1250
Ex 4. L’entreprise J. R. Computer envisage d'agrandir son usine pour permettre la production

d'un nouvel ordinateur mais hésite sur l’ampleur de l’agrandissement car la demande pour ce
nouveau produit est incertaine. Le bureau d’études estime les probabilités pour une demande
faible, moyenne ou élevée à respectivement 0,20, 0,50 et 0,30. Il établit également des
prévisions sur les bénéfices associés selon les deux projets en lice. Soit 𝑋 le bénéfice annuel
en milliers de dollars attendu pour le projet le moins ambitieux et 𝑌 celui attendu pour le
projet le plus ambitieux.
𝑋 𝑌
Demande faible 50 0
Demande moyenne 150 100
Demande élevée 200 300
1) Calculer l’espérance mathématique du bénéfice associé à chacun des projets. Quel est
le projet qui maximise l’espérance de bénéfice ?
On calcule donc les espérances mathématiques de gain pour les projets 𝑋 et 𝑌 :
3
𝔼(𝑋) = ∑ 𝑋𝑖 ℙ(𝑋𝑖 ) = (50 × 0,20) + (150 × 0,50) + (200 × 0,30) = 145

𝑖=1
3
𝔼(𝑌) = ∑ 𝑌𝑖 ℙ(𝑌𝑖 ) = (0 × 0,20) + (100 × 0,50) + (300 × 0,30) = 140

𝑖=1
On constate qu’en termes d’espérance, le projet 𝑋 est a priori le plus lucratif.

2) Calculer la variance du bénéfice pour les deux projets. Quelle décision faut-il prendre
si l’objectif est de minimiser l’incertitude (le risque) ?
Calculons la variance du bénéfice des deux projets (on se sert de la formule de König-
Huygens pour simplifier les calculs :
2 2
𝕍(𝑋) = 𝔼 ((𝑋 − 𝔼(𝑋)) ) = 𝔼(𝑋 2 ) − (𝔼(𝑋))
3
𝔼(𝑋 2)
= ∑ 𝑋𝑖2 ℙ(𝑋𝑖 ) = (502 × 0,20) + (1502 × 0,50) + (2002 × 0,30) = 23750
𝑖=1
2
(𝔼(𝑋)) = 1452 = 21025
Ainsi, 𝕍(𝑋) = 23750 − 21025 = 2725.
2 2
𝕍(𝑌) = 𝔼 ((𝑌 − 𝔼(𝑌)) ) = 𝔼(𝑌 2 ) − (𝔼(𝑌))
3
𝔼(𝑌 2)
= ∑ 𝑌𝑖2 ℙ(𝑌𝑖 ) = (02 × 0,20) + (1002 × 0,50) + (3002 × 0,30) = 32000
𝑖=1
2
(𝔼(𝑌)) = 1402 = 19600
Ainsi, 𝕍(𝑌) = 32000 − 19600 = 12400.
On constate facilement que le projet 𝑌 est de loin le plus risqué, la variabilité de ses gains
étant très élevée. Si l’on souhaite minimiser les risques, on se portera sur le projet 𝑋. De plus,
les gains moyens sont inférieurs pour le projet 𝑌 de toutes façons…
Ex 5. On suppose que le nombre de livres achetés par un client dans une librairie est une
variable aléatoire notée 𝑋. On connaît :
ℙ(0 ≤ 𝑋 ≤ 1) = 0,6 ; ℙ(1 ≤ 𝑋 ≤ 2) = 0,5 ; ℙ(0 ≤ 𝑋 < 3) = 0,8 ;
ℙ(𝑋 = 3) = ℙ(𝑋 ≥ 4) ; ℙ(𝑋 = 4) = ℙ(𝑋 ≥ 5)
Calculer ℙ(𝑋 = 𝑖 ) pour 𝑖 ∈ {0, 1, 2, 3, 4} uniquement.
Des relations présentées par l’énoncé, on peut déduire :
(1) ∶ ℙ(0 ≤ 𝑋 ≤ 1) = ℙ(𝑋 = 0) + ℙ(𝑋 = 1) = 0,6
(2) ∶ ℙ(1 ≤ 𝑋 ≤ 2) = ℙ(𝑋 = 1) + ℙ(𝑋 = 2) = 0,5
(3) ∶ ℙ(0 ≤ 𝑋 < 3) = ℙ(𝑋 = 0) + ℙ(𝑋 = 1) + ℙ(𝑋 = 2) = 0,8
Donc, par soustraction, on a facilement :
(3) − (1) ∶ ℙ(𝑋 = 2) = 0,8 − 0,6 = 0,2
(3) − (2) ∶ ℙ(𝑋 = 0) = 0,8 − 0,5 = 0,3
De plus :
ℙ(0 ≤ 𝑋 < 3) − ℙ(𝑋 = 0) − ℙ(𝑋 = 2) = ℙ(𝑋 = 1) = 0,8 − 0,3 − 0,2 = 0,3
On en déduit alors que, puisque ℙ(0 ≤ 𝑋 < 3) = 0,8 et que ℙ(𝑋 = 3) = ℙ(𝑋 ≥ 4), on a :
0,2
ℙ(𝑋 ≥ 3) = 1 − ℙ(0 ≤ 𝑋 < 3) = 1 − 0,8 = 0,2 et ℙ(𝑋 = 3) = ℙ(𝑋 ≥ 4) = = 0,1
2
De même, puisque ℙ(𝑋 ≥ 4) = 0,1 et que ℙ(𝑋 = 4) = ℙ(𝑋 ≥ 5), alors :

0,1
ℙ(𝑋 = 4) = ℙ(𝑋 ≥ 5) = = 0,05
2
Ex 6. On lance 1 fois un dé équilibré. Soit 𝑋 la variable aléatoire égale au nombre de points

qui figurent sur la face du dé.
On a un dé équilibré ici, donc l’univers consiste en l’ensemble des 6 faces du dé, soit :
Ω = {1, 2, 3, 4, 5, 6}
De plus, puisque le dé est équilibré, tous les éléments de Ω sont équiprobables. On a donc :
1 1
∀𝜔 ∈ Ω, ℙ(𝜔) = =
|Ω | 6
1) Quelle est la loi de 𝑋 ? Quelle est la valeur moyenne de 𝑋 ?
La loi d’une variable aléatoire discrète correspond à la probabilité d’occurrence de chacune de
ses modalités. Ici, on a très facilement :
1
ℙ(𝑋𝑖 ) = , ∀𝑖 ∈ Ω
6
On peut donc écrire la loi le 𝑋 telle que :
1
ℙ𝑋 (𝑖 ) = , ∀𝑖 ∈ Ω
6
Pour la valeur moyenne de 𝑋, on passe par son espérance :
6
1 1 1 1 1 1 21
𝔼(𝑋) = ∑ 𝑋𝑖 ℙ(𝑋𝑖 ) = (1 × ) + (2 × ) + (3 × ) + (4 × ) + (5 × ) + (6 × ) =
6 6 6 6 6 6 6
𝑖=1
= 3,5
2) On suppose qu’on reçoit 15 euros si on obtient « 1 », 5 euros si on obtient « 5 » ou

« 6 » et rien si on obtient « 2 », « 3 » ou « 4 ». Si on nomme 𝑌 la variable aléatoire
égale au gain de ce jeu, quelle est la loi de 𝑌 ? Que vaut le gain moyen ?
La loi de 𝑌 correspond aux probabilités associées aux valeurs qu’elle peut prendre. Ici,
l’ensemble des valeurs de 𝑌 (aussi appelé le support de 𝑌 ), est simplement : 𝑌 (Ω) =
{15, 5, 0}.
1
ℙ𝑌 (15) = ℙ(𝑌 = 15) = ℙ(𝑋 = 1) =
6
1 1 2 1
ℙ𝑌 (5) = ℙ(𝑌 = 5) = ℙ(𝑋 = 1) + ℙ(𝑋 = 6) = + = =
6 6 6 3
1 1 1 3 1
ℙ𝑌 (0) = ℙ(𝑌 = 0) = ℙ(𝑋 = 2) + ℙ(𝑋 = 3) + ℙ(𝑋 = 4) = + + = =
6 6 6 6 2
Ainsi, le gain moyen à ce jeu est donné par :
1 1 1 25
𝔼(𝑌) = ( × 15) + (5 × ) + (0 × ) = = 4,16
6 3 2 6
Le gain moyen est donc de 4,16€.
3) On suppose maintenant qu’on reçoit 25 euros pour « 1 » et rien sinon. Préférez-vous
jouer au jeu précédent ou à celui-ci ? Pourquoi ?
Soit 𝑍 la variable aléatoire associée aux gains de ce deuxième jeu. La loi de 𝑍 correspond aux
probabilités associées aux valeurs qu’elle peut prendre. Ici, l’ensemble des valeurs de 𝑍 (aussi
appelé le support de 𝑍), est simplement : 𝑍(Ω) = {25, 0}.
1
ℙ𝑍 (25) = ℙ(𝑍 = 25) = ℙ(𝑋 = 1) =
6
5
ℙ𝑍 (0) = 1 − ℙ(𝑍 = 25) = 1 − ℙ(𝑋 = 1) =
6
Ainsi, le gain moyen à ce jeu est donné par :
1 5 25
𝔼(𝑍) = ( × 25) + (0 × ) = = 4,16
6 6 6
Le gain moyen est donc aussi de 4,16€. Les deux jeux sont donc équivalents en moyenne.
Néanmoins, si l’on est averse au risque, on préfèrera sans doute le premier jeu, dans la mesure
où sa variance est moins élevée, et qu’un gain quelconque est plus probable.
Dossier de TD n°5 – Lois discrètes (1)
Objectif : savoir quand et comment appliquer la loi binomiale
Ex 1. Dans le cadre de son enquête "Music 360", Nielsen Co. a demandé à des adolescents et
à des adultes par quels media ils avaient écouté de la musique au cours des 12 derniers mois.
Près des deux tiers des adolescents américains de moins de 18 ans disent utiliser le site de
partage de vidéos de google Inc. pour écouter de la musique et 35 % des adolescents disent
utiliser le service de radio en ligne personnalisé de Pandora Media (le Wall Street Journal, 14
août 2012). Supposons que 10 adolescents soient choisis au hasard pour être interviewés sur la
façon dont ils écoutent de la musique.
1) La sélection aléatoire de 10 adolescents pour savoir s'ils utilisent ou non le service de
radio en ligne de Pandora constitue-t-elle une expérience binomiale ? Justifiez.
Ici, on peut considérer la sélection d’un adolescent au hasard dans l’échantillon et la
probabilité d’utiliser Pandora comme une épreuve de Bernoulli. En effet, il existe, pour cet
adolescent, une probabilité de succès (utiliser Pandora : 0,35), et une probabilité d’échec (ne
pas utiliser Pandora : 0,65).
Lorsque l’on sélectionne 10 adolescents, on effectue finalement une succession de 10
épreuves de Bernoulli, chacune avec la même probabilité de succès (et donc d’échec). De
plus, chaque adolescent étant sélectionné au hasard, chaque épreuve de Bernoulli de la
succession est indépendante des autres. Ainsi, on a bien affaire à une expérience binomiale.
2) Quelle est la probabilité qu'aucun des 10 adolescents n'utilise Pandora ?
Ici, la variable aléatoire (qu’on appellera 𝑋) représentant cette expérience suit bien une loi
binomiale : 𝑋~ℬ(𝑛, 𝑝), 𝑛 étant le nombre de répétitions de l’épreuve de Bernoulli, et 𝑝 la
probabilité de succès. On a alors, pour 𝑘 succès :
ℙ(𝑋 = 𝑘 ) = 𝐶𝑛𝑘 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 , ∀𝑘 ∈ {0, 1, … , 𝑛}
Ici, aucun des 10 adolescents ne doit utiliser Pandora, donc 𝑘 = 0. On a :
0 0 (
10!
ℙ(𝑋 = 0) = 𝐶10 0,350 (1 − 0,35)10−0 = 𝐶10 0,65)10 = (0,65)10 = 0,013
(10 − 0)! 0!
La probabilité qu'aucun des 10 adolescents n'utilise Pandora est de 1,3%.
3) Quelle est la probabilité que 4 des 10 adolescents utilisent Pandora ?
Ici, 4 des 10 adolescents doivent utiliser Pandora, donc 𝑘 = 4. On a :
4
10!
ℙ(𝑋 = 4) = 𝐶10 0,354 (1 − 0,35)10−4 = 0,354 (0,65)6 = 0,24
(10 − 4)! 4!
La probabilité que 4 des 10 adolescents utilisent Pandora est de 24%.
4) Quelle est la probabilité qu'au moins 2 des 10 adolescents utilisent Pandora ?
Ici, au moins 2 des 10 adolescents doivent utiliser Pandora, donc 𝑘 ≥ 2. On a :
ℙ(𝑋 ≥ 2) = 1 − ℙ(𝑋 < 2) = 1 − (ℙ(𝑋 = 0) + ℙ(𝑋 = 1))
1 1
= 1 − (0,013 + 𝐶10 0,351 (1 − 0,35)10−1 ) = 1 − (0,013 + 𝐶10 0,35(0,65)9 )
= 0,914
La probabilité qu’au moins 2 des 10 adolescents doivent utiliser Pandora est de 91,4%.
Ex 2. Un sondage a montré que 30% des américains sont satisfaits de la façon dont les choses
se passent aux Etats-Unis (Institut Gallup, 12 septembre 2012). Supposons qu'un échantillon
de 20 américains soit sélectionné dans le cadre d'une étude sur l'état de la nation.
1) Calculez la probabilité qu'exactement 4 des 20 américains interrogés soient satisfaits
de la façon dont les choses vont aux États-Unis.
Ici, la variable aléatoire (qu’on appellera 𝑋) représentant cette expérience suit bien une loi
binomiale : 𝑋~ℬ(𝑛, 𝑝) , 𝑛 étant le nombre de répétitions de l’épreuve de Bernoulli :
l’individu 𝑖 se déclare satisfait, et 𝑝 la probabilité de succès (d’être satisfait). On a alors, pour
𝑘 succès :
ℙ(𝑋 = 𝑘 ) = 𝐶𝑛𝑘 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 , ∀𝑘 ∈ {0, 1, … , 𝑛}
Ici, 4 des 10 américains doivent être satisfaits, donc 𝑘 = 4. On a :
4
20!
ℙ(𝑋 = 4) = 𝐶20 0,304 (1 − 0,30)20−4 = 0,304 (0,70)16 = 0,13
(20 − 4)! 4!
La probabilité qu'exactement 4 des 20 américains interrogés soient satisfaits de la façon dont
les choses vont aux États-Unis est de 13%.
2) Calculez la probabilité qu'au moins 2 des américains interrogés soient satisfaits de la
façon dont les choses vont aux États-Unis.
Ici, au moins 2 des 20 américains doivent être satisfaits, donc 𝑘 ≥ 2. On a :
ℙ(𝑋 ≥ 2) = 1 − ℙ(𝑋 < 2) = 1 − (ℙ(𝑋 = 0) + ℙ(𝑋 = 1))
0 1
= 1 − (𝐶20 0,300 (1 − 0,30)20−0 + 𝐶20 0,301 (1 − 0,30)20−1)
= 1 − (1(0,70)20 + 20 × 0,30(0,70)19 ) = 0,9924
La probabilité qu’au moins 2 des 10 américains soient satisfaits est de 99,24%.
3) Parmi les 20 américains sélectionnés, quel est le nombre attendu de satisfaits ?
Calculez la variance et l'écart-type du nombre d'américains satisfaits.
Le nombre moyen d’américains satisfaits est donné par l’espérance :
𝔼(𝑋) = 𝑛 × 𝑝 = 20 × 0,30 = 6
Il y aurait donc 6 américains satisfaits dans l’échantillon.
La variance d’une loi binomiale est donnée par : 𝕍(𝑋) = 𝑛𝑝(1 − 𝑝)
𝕍(𝑋) = 𝑛𝑝(1 − 𝑝) = 6(1 − 0,30) = 6 × 0,70 = 4,20
Ainsi, 𝕍(𝑋) = 4,20.
L’écart-type est donné par la racine carrée de la variance de 𝑋 :
𝜎(𝑋) = √𝕍(𝑋) = √4,20 = 2,05
Ainsi, 𝜎 (𝑋) = 2,05.
Ex 3. Un magicien prétend avoir des capacités de perception extrasensorielle. Des

scientifiques lui font passer le test suivant : deviner les 10 résultats de jets successifs d’un dé
équilibré. Le magicien donne 7 bonnes réponses.
1) Quelle est la probabilité d’obtenir un résultat équivalent ou meilleur pour un individu
sans capacités de perception extrasensorielles ?
Si la personne n’a pas de capacités extrasensorielles, elle répond au hasard. L’expérience
consiste donc à deviner le résultat du lancer d’un dé équilibré. Cette expérience a deux issues
1
possibles : soit on devine juste avec une probabilité de 6 , soit l’on se trompe avec une
5
probabilité de 6. L’expérience est répétée dix fois de manière indépendante (le résultat d’un
lancer n’influe pas les autres).
1
Soit 𝑋 la variable aléatoire égale au nombre de bonnes réponses obtenues. Alors 𝑋~ℬ (10, 6).
Ainsi :
1𝑘 5 10−𝑘
𝑘
ℙ (𝑋 = 𝑘 ) = 𝐶10 ( ) , ∀𝑘 ∈ {0, 1, … , 𝑛}
6 6
Puisque l’on cherche la probabilité d’obtenir un résultat équivalent ou meilleur que 7 bonnes
réponses, on cherche :
ℙ(𝑋 ≥ 7) = ℙ(𝑋 = 7) + ℙ(𝑋 = 8) + ℙ(𝑋 = 9) + ℙ(𝑋 = 10)
7
17 5 3 8
18 5 2 9
19 5 1 10
110 5 0
= 𝐶10 ( ) + 𝐶10 ( ) + 𝐶10 ( ) + 𝐶10 ( )
6 6 6 6 6 6 6 6
7
53 8
52 9
5 10
1
= 𝐶10 10
+ 𝐶10 10 + 𝐶10 10 + 𝐶10 10 = 0,000267
6 6 6 6
La probabilité d’obtenir un résultat équivalent ou meilleur pour un individu sans capacités de
perception extrasensorielles est donc de 0,0267%.
2) Combien de réponses correctes obtiendrait en moyenne cet individu ordinaire ?
Le nombre moyen de réponses correctes qu’obtiendrait cet individu ordinaire est donné par
l’espérance :
1
𝔼(𝑋) = 𝑛 × 𝑝 = 10 × = 1,6
6
Il aurait donc 1,6 bonnes réponses.
Ex 4. Supposons l’équiprobabilité et l’indépendance des sexes à la naissance. Quel est le

nombre minimum d’enfants qu’un couple doit planifier pour s’assurer 90% de chances
d’avoir au moins un garçon et une fille ?
Soit 𝑛 nombre d’enfants d’un couple. Les naissances sont indépendantes et, pour chacun des
1
enfants, la probabilité d’avoir une fille vaut 2. Soit 𝑋 le nombre de filles parmi les 𝑛 enfants.
1
Dans ce cas, 𝑋~ℬ (𝑛, 2 ).
Ici, on cherche finalement le nombre d’enfants nécessaire au couple pour assurer une
probabilité d’au moins 90% d’avoir au moins une fille et un garçon. On cherche donc la
1
valeur de 𝑛 respectant ces contraintes. Ici, puisque 𝑝 = 2, on a :
1𝑘 1 𝑛−𝑘
ℙ(𝑋 = 𝑘 ) = 𝐶𝑛𝑘 ( ) , ∀𝑘 ∈ {0, 1, … , 𝑛}
2 2
Donc :
𝐶𝑛𝑘
ℙ (𝑋 = 𝑘 ) = , ∀𝑘 ∈ {0, 1, … , 𝑛}
2𝑛
Soit 𝐴 l’évènement « avoir au moins une fille (𝑋 ≥ 1 car on souhaite au moins une fille) et au
moins un garçon (𝑋 ≤ 𝑛 − 1, car on ne veut pas que des filles, mais aussi au moins un
garçon). Ainsi, on a :
𝐴∶1≤𝑋 ≤𝑛−1
De plus, la probabilité d’occurrence de cet évènement 𝐴 doit être d’au moins 90%, donc :
ℙ(𝐴) ≥ 0,90 ⇔ ℙ(1 ≤ 𝑋 ≤ 𝑛 − 1) ≥ 0,90
Donc :
ℙ(1 ≤ 𝑋 ≤ 𝑛 − 1) ≥ 0,90 ⇔ 1 − (ℙ(𝑋 = 0) + ℙ(𝑋 = 𝑛)) ≥ 0,90
𝐶𝑛0 𝐶𝑛𝑛 1 1
⇔ ℙ(𝑋 = 0) + ℙ(𝑋 = 𝑛) ≤ 0,10 ⇔ 𝑛 + 𝑛 = 𝑛 + 𝑛 ≤ 0,10
2 2 2 2
2 1
⇔ 𝑛 ≤ 0,10 ⇔ 𝑛−1 ≤ 0,10 ⇔ 2𝑛−1 ≥ 10 ⇔ (𝑛 − 1) ln(2) ≥ ln(10) ⇔ 𝑛 = 4,31
2 2
Le couple doit avoir donc au moins cinq enfants pour s’assurer d’avoir au moins un garçon et
une fille avec une probabilité de 0,90.
Ex 5. Supposons que vous ayez le choix entre deux compagnies aériennes pour partir en
vacances. La compagnie 𝐴 affrète un avion quadrimoteur et la compagnie 𝐵 affrète un
bimoteur. Les données techniques indiquent que, dans tous les cas, les moteurs de l’avion
fonctionnent indépendamment et chacun a une probabilité 𝑝 de tomber en panne. Pour arriver
à destination sain et sauf, il faut que moins de la moitié des moteurs de l’avion tombe en
panne. Quel avion choisissez-vous (Vous discuterez en fonction de la valeur de 𝑝) ?
Soit 𝑋 la variable aléatoire représentant le nombre de moteurs tombant en panne de l’avion 𝐴.
L’avion 𝐴 quadrimoteur arrive à destination si 𝑋 ≤ 1. De plus, 𝑋~ℬ (4, 𝑝) . La probabilité
pour que l’avion 𝐴 arrive à destination vaut donc :
ℙ(𝑋 ≤ 1) = ℙ(𝑋 = 0) + ℙ(𝑋 = 1) = 𝐶40 𝑝0 (1 − 𝑝)4−0 + 𝐶41 𝑝1(1 − 𝑝)4−1
= (1 − 𝑝)4 + 4𝑝(1 − 𝑝)3
Soit 𝑌 la variable aléatoire représentant le nombre de moteurs tombant en panne de l’avion 𝐵.
L’avion 𝐵 bimoteur arrive à destination si 𝑌 = 0. De plus, 𝑌~ℬ(2, 𝑝). La probabilité pour
que l’avion 𝐵 arrive à destination vaut donc :
ℙ(𝑌 = 0) = 𝐶20 𝑝0 (1 − 𝑝)2−0 = (1 − 𝑝)2
Pour savoir quel avion choisir, on doit prendre celui dont la probabilité de crash est la moins
grande. Cependant, cela dépend de la valeur de la probabilité de panne moteur, 𝑝. On doit
donc discuter selon cette valeur. Posons la relation telle que la probabilité de crash du
bimoteur 𝐵 soit inférieure à celle du quadrimoteur 𝐴. On a alors :
ℙ(𝑋 ≤ 1) ≤ ℙ(𝑌 = 0) ⇔ (1 − 𝑝)4 + 4𝑝(1 − 𝑝)3 ≤ (1 − 𝑝)2
⇔ (1 − 𝑝)2 + 4𝑝(1 − 𝑝) ≤ 1
⇔ 1 − 2𝑝 + 𝑝2 + 4𝑝 − 4𝑝2 ≤ 1 ⇔ 1 + 2𝑝 − 3𝑝2 ≤ 1 ⇔ 𝑝(2 − 3𝑝) ≤ 0

2
⇔ 𝑝(3𝑝 − 2) > 0 ⇔ 𝑝(3𝑝 − 2) > 0 ⇔ 𝑝 >
3
2
On en déduit que si 𝑝 > 3 , alors ℙ(𝑋 ≤ 1) ≤ ℙ(𝑌 = 0) , c’est-à-dire que la probabilité de
2
crash du bimoteur 𝐵 est moins grande que celle du quadrimoteur 𝐴. Si 𝑝 ≤ 3 (ce qui est
beaucoup plus réaliste), on préférera 𝐴.
Objectif : Savoir mobiliser les lois discrètes classiques
Ex 1. Les appels téléphoniques arrivent à la fréquence de 48 par heure au bureau de réservation

de la compagnie Regional Airways.
1) Calculez la probabilité de recevoir trois appels dans un intervalle de 5 minutes.
Ici, on s’interroge sur la probabilité de recevoir trois appels dans un intervalle de 5 minutes.
C’est donc du comptage, et on utilisera la loi de Poisson. Pour ce faire, on a besoin de connaître
l’espérance du nombre d’appels sur une période donnée. Puisque l’on a une fréquence d’appels
de 48 par heure, cela signifie que, si l’on nomme 𝑋 la variable du nombre d’appels sur cette
période :
𝔼(𝑋) = 48/ℎ
1
On veut maintenant cette même fréquence, mais pour 5 minutes. 5 minutes représentent
12
d’une heure, donc on a, par linéarité de l’espérance :
𝑋 48
𝔼( )= /5𝑚𝑛 = 4/5𝑚𝑛
12 12
On reçoit donc, en moyenne, 4 coups de fil par intervalles de 5 minutes. On peut donc utiliser
la loi de Poisson, pour laquelle le paramètre 𝜆 représente l’espérance de 𝑋 . On a donc
𝑋~𝒫(𝜆 = 4) :
𝜆𝑘 𝑒 −𝜆
ℙ(𝑋 = 𝑘 ) = , ∀𝑘 ∈ ℕ
𝑘!
On a donc :
43 𝑒 −4
ℙ(𝑋 = 3) = = 0,1953
3!
Ainsi, la probabilité de recevoir trois appels dans un intervalle de 5 minutes est de presque 20%.
2) Calculez la probabilité de recevoir exactement 10 appels en 15 minutes.
1
On veut maintenant cette même fréquence, mais pour 15 minutes. 15 minutes représentent 4
d’une heure, donc on a, par linéarité de l’espérance :
𝑋 48
𝔼( ) = /15𝑚𝑛 = 12/15𝑚𝑛
4 4
On reçoit donc, en moyenne, 12 coups de fil par intervalles de 15 minutes. On peut donc utiliser
la loi de Poisson, pour laquelle le paramètre 𝜆 représente l’espérance de 𝑋. On a donc :
1210 𝑒 −12
ℙ(𝑋 = 10) = = 0,1048
10!
Ainsi, la probabilité de recevoir dix appels dans un intervalle de 15 minutes est de 10,5%.
3) Supposons qu'aucun appel ne soit actuellement en attente. Si l'agent prend 5 minutes
pour traiter l'appel en cours, combien d’appels risquent d’être mis en attente pendant ce
temps ? Quelle est la probabilité qu'aucun appel ne soit mis en attente ?
Ici, on imagine donc un opérateur venant de prendre la communication. Son appel durera 5
minutes. Durant ces 5 minutes, combien d’appels risquent d’être mis en attente ? On se resitue
dans le cadre de la première question, puisque l’intervalle de temps est de 5 minutes. On veut
donc connaître l’espérance du nombre d’appels que l’opérateur peut recevoir en 5 minutes.
𝑋 48
Nous l’avions établi à 4 en question 1 : 𝔼 (12) = 12 /5𝑚𝑛 = 4/5𝑚𝑛.
Maintenant, on veut connaître la probabilité de ne recevoir aucun appel pendant ces 5 minutes.
On reçoit, en moyenne, 4 coups de fil par intervalles de 5 minutes. On peut donc utiliser la loi
de Poisson, pour laquelle le paramètre 𝜆 représente l’espérance de 𝑋. On a :
40 𝑒 −4
ℙ(𝑋 = 0) = = 0,018
0!
Ainsi, la probabilité qu'aucun appel ne soit mis en attente n’est que de 1,8%.
4) Si aucun appel n'est en cours de traitement, quelle est la probabilité que l'agent puisse
prendre 3 minutes pour une pause sans être interrompu par un nouvel appel ?
La question est très similaire à la précédente, sauf que l’intervalle de temps est maintenant de
1
3 minutes. 3 minutes représentent 20 d’une heure, donc on a, par linéarité de l’espérance :
𝑋 48
𝔼( )= /3𝑚𝑛 = 2,4/3𝑚𝑛
20 20
On reçoit donc, en moyenne, 2,4 coups de fil par intervalles de 3 minutes. On peut donc utiliser
la loi de Poisson, pour laquelle le paramètre 𝜆 représente l’espérance de 𝑋. On a donc :
2,40 𝑒 −2,4
ℙ(𝑋 = 0) = = 0,091
0!
Ainsi, la probabilité de ne recevoir aucun appel dans un intervalle de 3 minutes est de 9%.
Ex 2. Un magasin reçoit en moyenne 3 réclamations par jour d’ouverture. En supposant que

l’occurrence de ces réclamations suive une loi de Poisson, calculer la probabilité pour que le
premier lundi de septembre, le magasin reçoive :
Notons tout d’abord que la mention « premier lundi de septembre » n’est présente que pour
tester si les étudiants ont bien acquis qu’en l’absence de précision, la loi est la même toute
l’année. Soit 𝑋 la variable aléatoire représentant le nombre de réclamations reçues pendant un
jour. D’après l’énoncé, on connaît l’espérance du nombre de réclamations par jour, soit 𝔼(𝑋) =
3 = 𝜆. On a ici un comptage, donc 𝑋~𝒫(𝜆 = 3) :
3𝑘 𝑒 −3
ℙ(𝑋 = 𝑘 ) =
𝑘!
1) 0 réclamation
30 𝑒 −3
ℙ(𝑋 = 0) = = 0,05
0!
Ainsi, la probabilité qu'aucune réclamation ne soit enregistrée est de 5%.
2) 2 réclamations
32 𝑒 −3
ℙ(𝑋 = 2) = = 0,224
2!
Ainsi, la probabilité que deux réclamations soient enregistrées est de 22%.
3) Strictement plus de 4 réclamations

On demande ici la probabilité pour strictement plus de 4 réclamations. L’idée est donc de passer
par l’inverse, soit ℙ(𝑋 > 4) = 1 − ℙ(𝑋 ≤ 4) :
ℙ(𝑋 > 4) = 1 − ℙ(𝑋 ≤ 4)
⇔ 1 − (ℙ(𝑋 = 0) + ℙ(𝑋 = 1) + ℙ(𝑋 = 2) + ℙ(𝑋 = 3) + ℙ(𝑋 = 4))
−3
30 31 32 33 34
⇔ 1 − 𝑒 ( + + + + ) ⇔ ℙ(𝑋 > 4) = 0,18
0! 1! 2! 3! 4!
Ainsi, la probabilité que plus de 4 réclamations soient enregistrées est de 18%.
Ex 3. Sur une chaîne de production de batteries, on étudie un défaut très rare mais qui rend la
batterie affectée dangereuse, avec un risque d’explosion. Des études ont montré que la
probabilité d’observer cette défaillance est d’environ 1 sur 10 millions. Par ailleurs, l’apparition
d’une défaillance sur une batterie est indépendante de son apparition sur une autre batterie. Le
volume de production annuelle est de 40 millions de batteries. On cherche à connaître la
probabilité que le nombre de batteries défaillantes produites dans une année soit au moins égal
à4:
1) Montrer que l’on peut s’appuyer sur une loi de Poisson
On peut s’appuyer ici sur une approximation par une loi de Poisson, dans la mesure où la
probabilité d’occurrence de l’évènement est rare (c’est le cas ici, avec une probabilité 𝑝 =
1/10 000 000), et un nombre de répétitions suffisamment élevé (c’est aussi le cas ici, puisque
l’on parle de 40 000 000 de batteries produites annuellement). On utilisera donc la loi de
Poisson, en tant que loi des évènements rares.
2) Calculer la probabilité recherchée
Ici, on s’interroge sur la probabilité que le nombre de batteries défaillantes produites dans une
année soit au moins égal à 4. Soit 𝑋 la variable du nombre de batteries défaillantes sur une
année. On a alors :
1
𝔼(𝑋) = ( ) × 40 000 000 = 4
10 000 000
On a donc, en moyenne, 4 batteries défectueuses pour 40 000 000 de batteries produites. On
peut donc utiliser la loi de Poisson, pour laquelle le paramètre 𝜆 représente l’espérance de 𝑋.
On a donc 𝑋~𝒫(𝜆 = 4) :
ℙ(𝑋 ≥ 4) = 1 − (ℙ(𝑋 = 0) + ℙ(𝑋 = 1) + ℙ(𝑋 = 2) + ℙ(𝑋 = 3)) ⇔
−4
40 41 42 43
⇔ 1 − 𝑒 ( + + + ) ⇔ ℙ(𝑋 ≥ 4) = 0,57
0! 1! 2! 3!
Ainsi, la probabilité que le nombre de batteries défaillantes produites dans une année soit au
moins égal à 4 est de 57%.
Ex 4. Un enquêteur téléphonique a observé lors de ses appels que lorsque la personne qui
décrochait était une femme, celle-ci acceptait de répondre au sondage dans 2 cas sur 3. Lorsque
le répondant était un homme, celui-ci refusait dans 3 cas sur 4. Sachant que sur 5 personnes
appelées, 4 sont des hommes :
1) Calculer la probabilité qu’une personne appelée au hasard accepte de répondre au
sondage
𝑅 : « la personne appelée accepte de répondre »
𝐹 : « la personne appelée est une femme »
D’après l’énoncé, on sait que :
2 3 4
ℙ (𝑅 |𝐹 ) = ; ℙ(𝑅̅|𝐹̅ ) = ; ℙ(𝐹̅ ) =
3 4 5
On cherche ici la probabilité totale ℙ(𝑅), soit la probabilité de répondre d’une personne
sélectionnée au hasard. Par les probabilités totales, et puisque le sexe représente une partition
de l’univers :
ℙ(𝑅) = ℙ(𝑅 ∩ 𝐹 ) + ℙ(𝑅 ∩ 𝐹̅ ) = ℙ(𝑅|𝐹 ) × ℙ(𝐹 ) + ℙ(𝑅 |𝐹̅ ) × ℙ(𝐹̅ )
2 4 2 4 3 4 1
= × (1 − ℙ(𝐹̅ )) + (1 − ℙ(𝑅̅|𝐹̅ )) × = × (1 − ) + (1 − ) × =
3 5 3 5 4 5 3
1
La probabilité qu’une personne appelée au hasard accepte de répondre au sondage est de 3.
2) Calculer la probabilité que l’enquêteur doive appeler strictement plus de 10 personnes

avant d’obtenir une réponse favorable. On traitera ce problème à l’aide d’une variable
𝑋 dont on précisera la loi.
L’expérience consiste à contacter une personne pour l’interroger. Deux issues sont possibles :
1 2
la personne accepte de répondre avec une probabilité de 3 ou refuse avec une probabilité de 3.
On répète l’expérience de manière indépendante jusqu’à obtenir un succès (une personne
accepte de répondre).
Soit 𝑋 la variable aléatoire égale au nombre de personnes contactées pour obtenir une réponse
1 1
favorable. 𝑋 suit alors une loi géométrique de paramètre 3 : 𝑋~𝒢 (𝑝 = 3). On a donc :
ℙ(𝑋 = 𝑘 ) = 𝑝(1 − 𝑝)𝑘−1 , ∀𝑘 ∈ ℕ∗

Ici, cela donne :
10 10
1 2 𝑘−1
ℙ(𝑋 > 10) = 1 − ℙ(𝑋 ≤ 10) = 1 − ∑ ℙ(𝑋 = 𝑖 ) = 1 − ∑ ( × ( ) ) = 0,017
3 3
𝑖=1 𝑘=1
La probabilité que l’enquêteur doive appeler strictement plus de 10 personnes avant d’obtenir
une réponse favorable est de 1,7%.
Ex 5. Lors d’un match de football, lorsque l’un des joueurs fait une faute dans la surface de
réparation il y a penalty. On cherche à modéliser les penalty de façon probabiliste en supposant
que les comportements des gardien et tireur sont complètement aléatoires (cette hypothèse est
en fait relativement vraisemblable car le gardien doit s’élancer au moment même où le tireur
frappe la balle s’il veut avoir une chance de l’arrêter).
Dans la version simplifiée d’un penalty, le gardien peut plonger :
▪ en haut à droite
▪ en bas à droite
▪ en haut à gauche
▪ en bas à gauche
Le tireur peut placer la balle :
▪ en haut à la droite du gardien
▪ en bas à la droite du gardien
▪ en haut à la gauche du gardien
▪ en bas à la gauche du gardien
▪ ou bien sûr tirer à côté
1) Donner 𝐺 l’ensemble de choix possibles pour le gardien et 𝑇 ceux du tireur. En déduire
l’univers de l’expérience correspondant à un penalty (attention, l’expérience tient
compte du gardien et du tireur).
L’ensemble de choix du gardien est 𝐺 = {ℎ𝑑, 𝑏𝑑, ℎ𝑔, 𝑏𝑔} avec la première lettre indiquant la
hauteur (haut ou bas) et la deuxième le côté (droite ou gauche).
L’ensemble de choix du tireur est 𝑇 = {ℎ𝑑, 𝑏𝑑, ℎ𝑔, 𝑏𝑔, 𝑐} avec 𝑐 représentant le cas où le
tireur rate le cadre. En effet, en dehors de ce dernier cas, il peut placer la balle à droite en haut
du gardien, en bas à droite du gardien, en haut à gauche du gardien ou en bas à gauche du
gardien. On a donc l’univers Ω suivant :
Ω = G × T ⇔ |Ω| = |G| × |T| = |{ℎ𝑑, 𝑏𝑑, ℎ𝑔, 𝑏𝑔}| × |{ℎ𝑑, 𝑏𝑑, ℎ𝑔, 𝑏𝑔, 𝑐 }| = 20
2) En supposant que si le gardien choisit le même endroit que le tireur, il arrête le tir, écrire
les évènements suivants :
a. « le gardien plonge à droite »
Soit 𝐺𝑑 l’évènement « le gardien plonge à droite ».
𝐺𝑑 = {ℎ𝑑, 𝑏𝑑 } × 𝑇
b. « le tireur ne tire pas en bas »
Soit 𝑇𝑛𝑏 l’évènement « le tireur ne tire pas en bas ».
𝑇𝑛𝑏 = 𝐺 × (𝑇\{𝑏𝑑, 𝑏𝑔}) = 𝐺 × {ℎ𝑔, ℎ𝑑, 𝑐}
c. « le gardien arrête le tir »

Soit 𝐴 l’évènement « le gardien arrête le tir ». Cela arrive lorsque le tireur ne rate pas le cadre
et que le gardien plonge au même endroit que le tireur, soit :
𝐴 = {(ℎ𝑑, ℎ𝑑 ), (𝑏𝑑, 𝑏𝑑 ), (ℎ𝑔, ℎ𝑔), (𝑏𝑔, 𝑏𝑔)}
c’est-à-dire les couples où le tireur et le gardien ont pris la même décision.
d. « le but n’est pas marqué mais le gardien n’a pas arrêté le tir »
Soit 𝐹 l’évènement « le but n’est pas marqué mais ce n’est pas le gardien qui a arrêté le tir » :
cela correspond à l’évènement « le tireur tire à côté », soit :
𝐹 = {ℎ𝑔, ℎ𝑑, 𝑏𝑔, 𝑏𝑑 } × {𝑐}
3) On observe que la probabilité qui décrit bien cette situation est la probabilité uniforme.
Montrer que l’évènement « le gardien plonge en bas à gauche » est indépendant de
l’évènement « le tireur tire en bas à gauche ». Généraliser à l’ensemble des actions
possibles du gardien et du tireur.
La probabilité qui décrit bien cette situation est uniforme. Donc on a ℙ telle que :
1 1
∀𝜔 ∈ 𝐺 × 𝑇, ℙ(ω) = =
|𝐺 × 𝑇| 20
Cela implique également que :
|𝐸 |
∀𝐸 ∈ 𝐺 × 𝑇, ℙ(𝐸) =
20
Pour monter l’indépendance de ces deux évènements, on va donc calculer la probabilité de
chacun d’entre eux ainsi que la probabilité de leur intersection.
Pour rappel, 𝐴 et 𝐵 sont indépendants si :
ℙ(𝐴 ∩ 𝐵) = ℙ(𝐴) × ℙ(𝐵)
On a avec 𝐴 l’évènement « le gardien plonge en bas à gauche » : 𝐴 = {𝑏𝑔} × 𝑇, d’où :
|𝐴 | 1 × 5 1
ℙ(𝐴) = = =
20 20 4
Pour 𝐵, l’évènement « le tireur tire en bas à gauche », 𝐵 = 𝐺 × {𝑏𝑔}, d’où :
|𝐵 | 4 × 1 1
ℙ(𝐵) = = =
20 20 5
Par ailleurs, 𝐴 ∩ 𝐵 qui correspond à l’évènement « le tireur tire en bas à gauche et le gardien
plonge en bas à gauche » est {(𝑏𝑔, 𝑏𝑔)} et donc :
|𝐴 ∩ 𝐵 | 1
ℙ(𝐴 ∩ 𝐵) = =
20 20
On a donc ℙ(𝐴 ∩ 𝐵) = ℙ(𝐴) × ℙ(𝐵) : les évènements 𝐴 et 𝐵 sont indépendants.
Pour généraliser, on peut noter que, quelle que soit l’action 𝑎 choisie par le gardien,
l’évènement correspondant est {a} × 𝑇 et, que quelle que soit l’action choisie par le tireur notée
𝑏, alors l’évènement correspondant est 𝐺 × {𝑏}.
Et on a :
5 4 1
ℙ({𝑎} × 𝑇) × ℙ(𝐺 × {𝑏}) = × = = ℙ({𝑎, 𝑏})
20 20 20
et ce, quelles que soient les actions choisies par les deux joueurs.
4) Calculez la probabilité que le but soit marqué. Soit 𝑋 la variable aléatoire du nombre de
but marqué pour un penalty, quelle loi suit 𝑋 ?
L’évènement 𝑀 : « le but est marqué » est donné par l’union des ensembles tels que le tireur ne
tire pas à côté et ne tire pas au même endroit que l’endroit où le gardien plonge, soit :
𝑀 = ({ℎ𝑔} × (𝑇\{ℎ𝑔, 𝑐 }))
∪ ({ℎ𝑑 } × (𝑇\{ℎ𝑑, 𝑐 }))
∪ ({𝑏𝑔} × (𝑇\{𝑏𝑔, 𝑐 }))
∪ ({𝑏𝑑 } × (𝑇\{𝑏𝑑, 𝑐 }))
Les sous-ensembles de cette union sont disjoints et ont pour cardinal 3 (1 × 3 par le produit
cartésien). On a donc :
|𝑀| 4 × (1 × 3) 12 3
ℙ (𝑀 ) = = = =
20 20 20 5
La séance de tirs au but peut donc être représentée par une loi de Bernoulli. En effet, chaque tir
3
a une probabilité 𝑝 = 5 d’arriver au fond du filet. Ainsi, 𝑋 le nombre de buts suit une loi de
3
Bernoulli, 𝑋~ℬ(𝑝), avec le paramètre 𝑝 = 5, 𝑋 = 1 étant un succès, et 𝑋 = 0 étant un échec.
5) Lors d’une séance de tirs au but, chaque équipe tire 5 penalty. En supposant que les
résultats des penalty sont indépendants (hypothèse assez peu réaliste), quelle loi suit le
nombre de buts marqués par une équipe pour une séance de tirs au buts ?
Il s’agit de la somme de 5 épreuves de Bernoulli indépendantes (et identiquement distribuées),
et de même paramètre de succès 𝑝. Ainsi, le nombre de penalty marqués suit une loi binomiale,
3
𝑋~ℬ(𝑛, 𝑝), de paramètres 𝑝 = 5 (probabilité de succès) et 𝑛 = 5 (nombre de répétitions).
3𝑘 3 5−𝑘
ℙ(𝑋 = 𝑘 ) = 𝐶5𝑘 (1 − ) , ∀𝑘 ∈ {0, 1, … , 5}
5 5
Comme dans la question précédente, il faut tenir compte du fait que l’expérience porte sur le
couple gardien et tireur.
Ex 6. Soit 𝑋 une variable aléatoire désignant le nombre de pannes qu’un service après-vente
d’une grande enseigne doit gérer par semaine. La loi de probabilité de 𝑋 est donnée par :
x 0 1 2 3 4
ℙ𝑋 (𝑥) 4/9 2/9 1/9 1/9 1/9
Soit 𝑌 la variable aléatoire désignant le coût hebdomadaire du service de dépannage pour

l’enseigne. Ce coût est composé d’un coût fixe de 500 euros et d’un coût variable lié au nombre
de pannes traitées, soit 200 euros/panne.
1) Déterminer la loi de probabilité de 𝑌
La variable aléatoire 𝑌 peut s’écrire :
𝑌 = 500 + 200𝑋
Ainsi, son support est 𝑌 (Ω) = {500, 700, 900, 1100, 1300}, et la loi de 𝑌 est donnée par les
probabilités d’occurrence suivantes :
4 2
ℙ(𝑌 = 500) = ℙ(𝑋 = 0) = ; ℙ(𝑌 = 700) = ℙ(𝑋 = 1) = ;
9 9
1 1
ℙ(𝑌 = 900) = ℙ(𝑋 = 2) = ; ℙ(𝑌 = 1100) = ℙ(𝑋 = 3) =
9 9
1
ℙ(𝑌 = 1300) = ℙ(𝑋 = 4) =
9
2) Calculer l’espérance et l’écart-type de 𝑌 de deux manières différentes, en vous appuyant
respectivement sur la loi de 𝑋 et la loi de 𝑌.
En passant par la loi de 𝑋, on a :
4 2 1 1 1 11
𝔼(𝑋) = 0 × + 1 × + 2 × + 3 × + 4 × =
9 9 9 9 9 9
Par la relation de König-Huygens, on obtient :
4 2 1 1 1 31
𝔼(𝑋 2 ) = 02 × + 12 × + 22 × + 32 × + 42 × =
9 9 9 9 9 9
2 31 11 2 158
𝕍(𝑋) = 𝔼(𝑋 2 ) − (𝔼(𝑋)) = −( ) =
9 9 81
On en déduit ainsi les moments de la variable 𝑌 :
11 6700
𝔼(𝑌) = 𝔼(500 + 200𝑋) = 500 + 200𝔼(𝑋) = 500 + 200 × =
9 9
158 6320000
𝕍(𝑌) = 𝕍(500 + 200𝑋) = 2002 𝕍(𝑋) = 2002 × =
81 81
par linéarité de l’espérance, et par le fait que la variance est un opérateur quadratique, non-
influencé par l’ajout d’une constante.
On en déduit :
𝜎 (𝑌) = √𝕍(𝑌) = 279,33
En passant par la loi de 𝑌, on a :

4 2 1 1 1 6700
𝔼(𝑌) = 500 × + 700 × + 900 × + 1100 × + 1300 × =
9 9 9 9 9 9
Par la relation de König-Huygens, on obtient :
4 2 1 1 1 5690000
𝔼(𝑌 2 ) = 5002 × + 7002 × + 9002 × + 11002 × + 13002 × =
9 9 9 9 9 9
2 5690000 6700 2 6320000
𝕍(𝑌) = 𝔼(𝑌 2 ) − (𝔼(𝑌)) = −( ) =
9 9 81
Ex 7. Récapituler les différentes lois de probabilité abordées dans les dossier 5 et 6, en résumant
leurs conditions d’application sous forme de tableau.
Dossier de TD n°7 – Lois continues (1)
Objectif : Comprendre les spécificités du traitement de variables continues ; maîtriser le

calcul des fonctions de densité et de répartition
Ex 1. Delta Airlines affiche un temps de vol de 125 minutes pour ses vols de Cincinnati à
Tampa. Supposons que les temps de vol réels varient uniformément entre 120 minutes et 140
minutes (tous les temps de vol compris dans cet intervalle sont équiprobables).
1) Déterminer la fonction de densité de probabilité du temps de vol et la représenter
graphiquement.
Ici, le contexte nous indique que la durée d’un vol peut varier entre 120 et 140 minutes, et que
les temps de vol réels varient uniformément dans cet intervalle (tous les temps de vol sont
donc équiprobables). Cela signifie que nous avons affaire à une distribution uniforme
continue. 𝑋 , le temps de vol, suit donc une loi uniforme continue : 𝑋~𝒰[𝑎, 𝑏] , ici
𝑋~𝒰[120, 140] .
La fonction de densité d’une telle fonction est donnée par :
1
𝑓𝑋 (𝑥 ) = , ∀𝑥 ∈ 𝑋(Ω)
𝑏−𝑎
Ici, cela donne :
1 1
𝑓𝑋 (𝑥 ) = =
140 − 120 20
1
La probabilité que le vol dure entre 120 et 140 = (𝑏 − 𝑎) × 𝑏−𝑎 = 1
Consigne : les étudiants doivent comprendre la correspondance

entre la résolution graphique et analytique. L'idée est de leur
donner l'intuition du calcul qui est effectué pour déterminer les
différentes probabilités. Pour commencer, ils doivent avoir
compris la correspondance entre l'aire du rectangle et la
probabilité que le vol dure entre 120 et 140 minutes
1/20
0
120 125 130 135 140
2) Déterminer à l’aide du graphe de 𝑓 la probabilité que le vol n’accuse pas plus de 5

minutes de retard (n’excède pas 130 minutes)
La largeur de l’intervalle = 10
La hauteur = 0,05
L’aire correspondante = 10*0,05=0,5
0,05
0
120 125 130 135 140
On cherche ici ℙ(𝑋 ≤ 130). Puisque les temps de vols sont compris entre 120 et 140 minutes
et qu’ils suivent une loi uniforme continue, et puisqu’on remarque que 130 se situe au milieu
de cet intervalle, on en déduit que :
ℙ(120 ≤ 𝑋 ≤ 140) 1
ℙ(𝑋 ≤ 130) = =
2 2
3) Déterminer à l’aide du graphe de 𝑓 la probabilité que le vol connaisse un retard de
plus de 10 minutes
La largeur de l’intervalle = 15
La hauteur = 0,05
L’aire correspondante = 15*0,05=0,75
On peut aussi raisonner à l'aide du complémentaire
0,05
0
120 125 130 135 140
On cherche ici ℙ(𝑋 ≥ 135), 135 représentant un retard de 10 minutes. Les temps de vols sont
compris entre 120 et 140 minutes et ils suivent une loi uniforme continue. On va passer par le
complémentaire, soit ℙ(𝑋 ≥ 135) = 1 − ℙ(𝑋 < 135). On a alors :
15 1
ℙ(𝑋 ≥ 135) = 1 − ℙ(𝑋 < 135) = 1 − =
20 4
Déterminer à l’aide du graphe de 𝑓 le temps de vol moyen
0,05
0
120 125 130 135 140
Pour calculer le temps de vol moyen, on passe par le calcul de l’espérance de ce temps de vol,
suivant une loi uniforme continue :
𝑎 + 𝑏 120 + 140
𝔼 (𝑋 ) =
= = 130
2 2
Le temps de vol moyen est donc de 130 minutes, soit 5 de plus que celui affiché par la
compagnie.
Ex2. Une enquête de 2012 montrait que les américains gagnant plus de 90 000 $ par an
dépensaient en moyenne 136 $ par jour de façon discrétionnaire. Les dépenses
discrétionnaires (non contraintes) excluaient l'achat d'une maison, d'un véhicule et les factures
mensuelles régulières. Soit 𝑋 une variable aléatoire continue désignant le montant des
dépenses discrétionnaires par jour et supposons que la densité de probabilité associée vérifie :
0,00625 𝑠𝑖 𝑥 ∈ [𝑎 ; 𝑏]
𝑓 (𝑥 ) = {
0 𝑠𝑖𝑛𝑜𝑛
1) Trouver les valeurs de 𝑎 et 𝑏.
On sait, de par l’énoncé, que le montant des dépenses suit une loi continue non spécifiée, que
nous considérerons donc comme uniforme (il n’y a donc en effet pas de raison de penser
qu’elle ne le soit pas). On sait également que 𝔼(𝑋) = 136., ainsi :
𝑎+𝑏
𝔼(𝑋) = = 136
2
De plus, de par la fonction de répartition, on sait :
1
𝑓𝑋 (𝑥 ) = , ∀𝑥 ∈ 𝑋(𝛺 )
𝑏−𝑎
Et que donc, lorsque 𝑥 ∈ [𝑎 ; 𝑏] :
1
𝑓𝑋 (𝑥 ) = = 0,00625
𝑏−𝑎
On a donc un système de deux équations à deux inconnues, que l’on résoud :
𝑎+𝑏 1
= 136 𝑎 + 𝑏 = 272 272 + 0,00625
2 1 𝑏 = 216
{ ={ = {𝑏 = ={
1 𝑏−𝑎 = 2 𝑎 = 56
= 0,00625 0,00625
𝑏−𝑎 𝑎 = 272 − 216
Les valeurs de 𝑎 et 𝑏 sont 56 et 216.
2) Quelle est la probabilité que les consommateurs de ce groupe aient des dépenses
discrétionnaires quotidiennes comprises entre 100 et 200 $ ?
Puisqu’on connait la densité de la variable 𝑋, on peut facilement calculer la probabilité
demandée. L’étendue de l’intervalle est de 200 − 100 = 100. Ainsi :
ℙ(100 ≤ 𝑋 ≤ 200) = 100 × 0,00625 = 0,625
La probabilité que les consommateurs de ce groupe aient des dépenses discrétionnaires
quotidiennes comprises entre 100 et 200 $ est donc de 62,5%
3) Quelle est la probabilité que les consommateurs de ce groupe aient un montant
quotidien de dépenses discrétionnaires supérieur ou égal à 150 $ ?
On cherche ℙ(𝑋 ≥ 150). On a ainsi, à l’aide de la même procédure que précédemment :
ℙ(𝑋 ≥ 150) = 1 − ℙ(𝑋 < 150) = 1 − ((150 − 56) × 0,00625) = 0,4125
La probabilité que les consommateurs de ce groupe aient un montant quotidien de dépenses
discrétionnaires supérieur ou égal à 150 $ est de 41,25%.
4) Quelle est la probabilité que les consommateurs de ce groupe aient un montant
quotidien de dépenses discrétionnaires inférieur ou égal à 80 $ ?
On cherche ℙ(𝑋 ≤ 80). On a ainsi, à l’aide de la même procédure que précédemment :
ℙ(𝑋 ≤ 80) = (80 − 56) × 0,00625 = 0,15
La probabilité que les consommateurs de ce groupe aient un montant quotidien de dépenses
discrétionnaires inférieur ou égal à 80 $ est de 15%.
Ex 3. Soit la fonction 𝑓 définie par :

1
𝑓 (𝑥 ) = {3 𝑠𝑖 𝑥 ∈ [0 ; 3]
1) Montrer que 𝑓 vérifie les propriétés d’une densité de probabilité d’une variable
aléatoire X et représenter 𝑓 graphiquement
Pour que 𝑓 soit une densité de probabilité, il faut qu’elle soit positive ou nulle, et que
+∞
∫−∞ 𝑓𝑋 (𝑥 )𝑑𝑥 = 1. Ici, il est clair que 𝑓 est toujours positive ou nulle. De plus :
+∞ 3
1 𝑥 3 3 0
∫ 𝑓𝑋 (𝑥 )𝑑𝑥 = ∫ 𝑑𝑥 = [ ] = − = 1
−∞ 0 3 30 3 3
𝑓 est donc bien une densité de probabilité.
1
3
0 3
2) Déterminer la fonction de répartition de 𝑋 et représenter-la graphiquement

Soit 𝐹, la fonction de répartition de 𝑋, telle que 𝐹 ∶ ℝ → [0, 1]. Par définition, on sait que :
𝑥
𝐹𝑋 (𝑥 ) = ℙ(𝑋 ≤ 𝑥 ) = ∫ 𝑓𝑋 (𝑥 )𝑑𝑥 , ∀𝑥 ∈ ℝ
−∞
Ainsi, si 𝑥 < 0, on a : 0 3
𝑥 𝑥
𝐹𝑋 (𝑥 ) = ℙ(𝑋 ≤ 𝑥 ) = ∫ 𝑓𝑋 (𝑥 )𝑑𝑥 = ∫ 0𝑑𝑥 = 0
−∞ −∞
Si 𝑥 ∈ [0, 3], on a :
𝑥 𝑥
1 𝑥 𝑥 𝑥 0 𝑥
𝐹𝑋 (𝑥 ) = ℙ(𝑋 ≤ 𝑥 ) = ∫ 𝑓𝑋 (𝑥 )𝑑𝑥 = ∫ 𝑑𝑥 = [ ] = − =
−∞ 0 3 30 3 3 3
Si 𝑥 > 3, on a :
𝑥 3
1 𝑥 3 3 0
𝐹𝑋 (𝑥 ) = ℙ(𝑋 ≤ 𝑥 ) = ∫ 𝑓𝑋 (𝑥 )𝑑𝑥 = ∫ 𝑑𝑥 = [ ] = − = 1
−∞ 0 3 30 3 3
Pour résumer, on a :
0, 𝑥 < 0
𝑥
𝐹𝑋 (𝑥 ) = { , 𝑥 ∈ [0, 3]
3
1, 𝑥 > 3
1,2
1
0,8
0,6
0,4
0,2
0
-2 -1 0 1 2 3 4 5
Consigne : L’objectif ici est que les étudiants visualisent la distinction entre fonction de
densité et fonction de répartition.
3) Calculer l’espérance et la variance de 𝑋

On calcule l’espérance de 𝑋 :
+∞ 3 3
1 𝑥2 9 0 3
𝔼 (𝑋 ) = ∫ 𝑥𝑓𝑋 (𝑥 )𝑑𝑥 = ∫ 𝑥 × 𝑑𝑥 = [ ] = − =
−∞ 0 3 6 0 6 6 2
Pour le calcul de la variance, on passe par König-Huygens :
+∞ 3 3
2) 2
1 𝑥3
2
27 0
𝔼(𝑋 =∫ 𝑥 𝑓𝑋 (𝑥 )𝑑𝑥 = ∫ 𝑥 × 𝑑𝑥 = [ ] = − =3
−∞ 0 3 9 0 9 9
2 3 2 3
𝕍(𝑋) = 𝔼(𝑋 2 ) − (𝔼(𝑋)) = 3 − ( ) =
2 4
3 3
L’espérance et la variance de 𝑋 valent donc respectivement 2 et 4.
Ex 4. Soit la fonction F définie par :
0 𝑠𝑖 𝑥 ≤ 0
3𝑥
𝑠𝑖 0 < 𝑥 ≤ 1
𝐹 (𝑥 ) = 4
𝑥2
− +𝑥 𝑠𝑖 1 < 𝑥 ≤ 2
4
{ 1 𝑠𝑖 𝑥 > 2
1) Montrer que F est la fonction de répartition d’une variable aléatoire X absolument
continue
Pour le montrer, on doit vérifier les quatre propriétés suivantes :
1. lim 𝐹𝑋 (𝑥 ) = 0
𝑡→−∞
2. lim 𝐹𝑋 (𝑥 ) = 1
𝑡→+∞
3. 𝐹𝑋 est continue à droite en tout point : ∀𝑥 ∈ ℝ, lim+ 𝐹𝑋 (𝑥 + ℎ) = 𝐹𝑋 (𝑥 )
ℎ→0
4.𝐹𝑋 est croissante : 𝑠 ≤ 𝑥 ⇒ 𝐹𝑋 (𝑠) ≤ 𝐹𝑋 (𝑥 )
Ici, on remarque facilement que lim 𝐹𝑋 (𝑥 ) = 0 et lim 𝐹𝑋 (𝑥 ) = 1, les propriétés 1 et 2 ne
𝑡→−∞ 𝑡→+∞
posent donc pas problème. On vérifie ensuite la continuité de 𝐹 :
- Par définition, 𝐹 est continue sur les intervalles ] − ∞, 0[, [0, 1[, [1, 2[ et [2, +∞[
- De plus, entre ces intervalles, on a :
lim 𝐹𝑋 (𝑥 ) = lim+ 𝐹𝑋 (𝑥 ) = 0
𝑡→0− 𝑡→0
3
lim 𝐹𝑋 (𝑥 ) = lim+ 𝐹𝑋 (𝑥 ) = 4
𝑡→1− 𝑡→1
lim− 𝐹𝑋 (𝑥 ) = lim+ 𝐹𝑋 (𝑥 ) = 1
𝑡→2 𝑡→2
On teste ensuite la monotonicité :

- 𝐹 est constante sur les intervalles ] − ∞, 0[ et [2, +∞[,
3𝑥
- Sur l’intervalle [0, 1[, 𝐹 (𝑥 ) = est croissante,
4
𝑥2 2−𝑥
- Sur l’intervalle [1, 2[, 𝐹 (𝑥 ) = − + 𝑥 ⇔ 𝐹 ′ (𝑥 ) = > 0 est croissante
4 2
2) Calculer la densité, l’espérance et la variance de X

Toutes les conditions étant vérifiées, 𝐹 est bien une fonction de répartition. Calculons sa
densité :
3
𝑠𝑖 𝑥 ∈ [0, 1[
4
𝑓 (𝑥 ) = 2 − 𝑥
𝑠𝑖 𝑥 ∈ [1, 2[
2
{ 0 𝑠𝑖𝑛𝑜𝑛
On calcule l’espérance de 𝑋 :
+∞ 1 2 1 2
3 𝑥 3𝑥 2 𝑥2 𝑥3 17
𝔼(𝑋) = ∫ 𝑥𝑓𝑋 (𝑥 )𝑑𝑥 = ∫ 𝑥 𝑑𝑥 + ∫ 𝑥 (1 − ) 𝑑𝑥 = [ ] +[ − ] =
−∞ 0 4 1 2 8 0 2 6 1 24
Pour le calcul de la variance, on passe par König-Huygens :
+∞ 1 2 1 2
3 𝑥 𝑥3 𝑥3 𝑥4 17
𝔼(𝑋 2 ) = ∫ 2( ) 2 2
𝑥 𝑓𝑋 𝑥 𝑑𝑥 = ∫ 𝑥 𝑑𝑥 + ∫ 𝑥 (1 − ) 𝑑𝑥 = [ ] + [ − ] =
−∞ 0 4 1 2 4 0 3 8 1 24
2) 2 17 17 2 119
𝕍(𝑋) = 𝔼(𝑋 − (𝔼(𝑋)) = −( ) =
24 24 576
17 119
L’espérance et la variance de 𝑋 valent donc respectivement 24 et 576.
Ex 5. Soit X une variable aléatoire représentant la durée de vie (en années) d’un composant
électronique et sa densité 𝑓 définie par :
𝑥 (−1𝑥)
𝑓 (𝑥 ) = { 4 e 𝑠𝑖 𝑥 > 0
2
1) Calculer la fonction de répartition de 𝑋
Soit 𝐹, la fonction de répartition de 𝑋, telle que 𝐹 ∶ ℝ → [0, 1]. Par définition, on sait que :
𝑥
𝐹𝑋 (𝑥 ) = ℙ(𝑋 ≤ 𝑥 ) = ∫ 𝑓𝑋 (𝑥 )𝑑𝑥 , ∀𝑥 ∈ ℝ
−∞
Ainsi, si 𝑥 < 0, on a :
𝑥 𝑥
𝐹𝑋 (𝑥 ) = ℙ(𝑋 ≤ 𝑥 ) = ∫ 𝑓𝑋 (𝑥 )𝑑𝑥 = ∫ 0𝑑𝑥 = 0
−∞ −∞
Si 𝑥 ≥ 0, on a :
𝑥 𝑥
𝑥 (−1𝑥)
𝐹𝑋 (𝑥 ) = ℙ(𝑋 ≤ 𝑥 ) = ∫ 𝑓𝑋 (𝑥 )𝑑𝑥 = ∫ e 2 𝑑𝑥
−∞ 0 4
On intègre par parties, à l’aide de la formule suivante :
𝑏 𝑏
∫ 𝑢′ (𝑥 )𝑣(𝑥 )𝑑𝑥 = [𝑢(𝑥 )𝑣(𝑥)]𝑏𝑎 − ∫ 𝑢(𝑥 )𝑣 ′(𝑥)𝑑𝑥
𝑎 𝑎
𝑥𝑥 1
− 𝑥
On a : 𝐹𝑋 (𝑥 ) = ∫0 ×𝑒 2 𝑑𝑥
4
On pose :
1 1
𝑢′ (𝑥 ) = 𝑒 −2𝑥 𝑢(𝑥 ) = −2𝑒 −2𝑥
𝑥 1
𝑣 (𝑥 ) = 𝑣′(𝑥 ) =
4 4
Donc :
𝑏 𝑏
𝑎 𝑎
𝑥
𝑥 −1𝑥 𝑥
1 1 𝑥 1 𝑥 2 𝑥 1
⇔ [−2 𝑒 2 ] − ∫ −2 𝑒 −2𝑥 𝑑𝑥 = [−2 𝑒 −2𝑥 ] + ∫ 𝑒 −2𝑥 𝑑𝑥
4 0 0 4 4 0 4 0
𝑥 𝑥
𝑥 −𝑥
1 2 1
− 𝑥
= [−2 𝑒 2 ] + ∫ 𝑒 2 𝑑𝑥
4 0 4 0
On calcule sur l’intervalle et on intègre le second terme :

𝑥 −1𝑥 2 𝑥 −1𝑥 𝑥 1 2 1 𝑥
= −2 𝑒 2 + ∫ 𝑒 2 𝑑𝑥 = − 2 𝑒 −2𝑥 + [−2𝑒 −2𝑥 ]
4 4 0 4 4 0
𝑥 −1𝑥 4 −1𝑥 𝑥 1 1
= −2 𝑒 2 − (𝑒 2 − 1) = − 𝑒 −2𝑥 − 𝑒 −2𝑥 + 1
4 4 2
Pour résumer, on a :
0 𝑠𝑖 𝑥 < 0 0 𝑠𝑖 𝑥 < 0
𝐹𝑋 (𝑡) = { 𝑥 1 1 ⇔ 𝐹𝑋 (𝑥 ) = { 1 𝑥 1
− 𝑒 −2𝑥 − 𝑒 −2𝑥 + 1 𝑠𝑖 𝑥 ≥ 0 1 − 𝑒 −2𝑥 − 𝑒 −2𝑥 𝑠𝑖 𝑥 ≥ 0
2 2
2) Quelle est la durée de vie moyenne de ce composant ?
La durée de vie moyenne est égale à l’espérance de la variable 𝑋 :

+∞ +∞ +∞ 2
𝑥 −1𝑥 𝑥 −1𝑥
𝔼(𝑋) = ∫ 𝑥𝑓𝑋 (𝑥 )𝑑𝑥 = ∫ 𝑥 × 𝑒 2 𝑑𝑥 ⇔ 𝔼(𝑋) = ∫ 𝑒 2 𝑑𝑥
−∞ 0 4 0 4
𝑏 𝑏
𝑎 𝑎
+∞ 𝑥 2 1
− 𝑥
On a : 𝔼(𝑋) = ∫0 𝑒 2 𝑑𝑥
4
On pose :
1 1
𝑢′ (𝑥 ) = 𝑒 −2𝑥 𝑢(𝑥 ) = −2𝑒 −2𝑥
𝑥2 𝑥
𝑣 (𝑥 ) = 𝑣′(𝑥 ) =
4 2
Donc :
𝑏 𝑏
𝑎 𝑎
+∞ +∞ +∞ +∞
𝑥2 1 𝑥 1 𝑥2 1 1
⇔ [− 𝑒 −2𝑥 ] −∫ −2 𝑒 −2𝑥 𝑑𝑥 = [− 𝑒 −2𝑥 ] +∫ 𝑥 𝑒 −2𝑥 𝑑𝑥
2 0 0 2 2 0 0
2 +∞ +∞
𝑥 1
− 𝑥
1
− 𝑥
= [− 𝑒 2 ] +∫ 𝑥𝑒 2 𝑑𝑥
2 0 0
+∞ 1
On calcule sur l’intervalle et on intègre le second terme : = 0 + ∫0 𝑥 𝑒 −2𝑥 𝑑𝑥
𝑏 𝑏
𝑎 𝑎
+∞ 1
− 𝑥
On a : 𝔼(𝑋) = 0 + ∫0 𝑥𝑒 2 𝑑𝑥
On pose :
1 1
𝑢′ (𝑥 ) = 𝑒 −2𝑥 𝑢(𝑥 ) = −2𝑒 −2𝑥
𝑣 (𝑥 ) = 𝑥 𝑣′(𝑥 ) = 1
Donc :
𝑏 𝑏
𝑎 𝑎
1 +∞ +∞ 1 1 +∞ +∞ 1
⇔ [−2𝑥 𝑒 −2𝑥 ] −∫ −2𝑒 −2𝑥 𝑑𝑥 = [−2𝑥 − 𝑥
𝑒 2 ] + 2∫ 𝑒 −2𝑥 𝑑𝑥
0 0 0 0
On trouve finalement :
1 +∞ +∞ 1
𝔼(𝑋) = 0 + [−2𝑥 𝑒 −2𝑥 ] + 2∫ 𝑒 −2𝑥 𝑑𝑥
0 0
1 +∞
= 0 + 0 + 2 [−2𝑒 −2𝑥 ] = 2[(−2 × 0) − ((−2) × 1)] = 4
0
La durée de vie moyenne de ce composant est donc de 4 ans.
3) Quelle est la probabilité que le composant ait une durée de vie supérieure à cette
moyenne ?
La probabilité pour que le composant ait une durée de vie supérieure à la moyenne est :
1 4 −1×4
ℙ(𝑋 > 𝔼(𝑋)) = 1 − ℙ(𝑋 ≤ 4) = 1 − 𝐹𝑋 (4) = 1 − (1 − 𝑒 −2×4 − 𝑒 2 )
2
1 − (1 − 𝑒 −2 − 2𝑒 −2 ) = 3𝑒 −2 = 0,4
La probabilité que le composant ait une durée de vie supérieure à cette moyenne est de 40%.
Ex 6. Une station service est approvisionnée en essence une fois par semaine. Son volume de
ventes hebdomadaires, en milliers de litres, est une variable aléatoire de densité
4
𝑓 (𝑥 ) = {5(1 − 𝑥) 𝑠𝑖 0 < 𝑥 < 1
1) Calculer la fonction de répartition de 𝑋
Soit 𝑋 la variable aléatoire représentant le volume des ventes. Calculons la fonction de
répartition de 𝑋 :
0 𝑠𝑖 𝑥 < 0
𝑥 0 𝑠𝑖 𝑥 < 0
4
𝐹 𝑥 = {∫ 5(1 − 𝑥) 𝑠𝑖 𝑥 ∈ [0, 1] = {1 − 1 − 𝑥 )5 𝑠𝑖 𝑥 ∈ [0, 1]
( ) (
0 1 𝑠𝑖 𝑥 > 1
1 𝑠𝑖 𝑥 > 1
𝑥
car ∫0 5(1 − 𝑥)4 = [−(1 − 𝑥 )5 ]0𝑥 = (−(1 − 𝑥 )5 ) − (−1) = 1 − (1 − 𝑥 )5.
2) Quelle capacité (notée 𝐶) doit avoir le réservoir de la station service (en miliers de
litres) pour que la probabilité d’épuiser l’approvisionnement hebdomaire soit
inférieur ou égal à 0,05 ?
On cherche donc ℙ(𝑋 > 𝐶 ) ≤ 0,05. On procède de la manière suivante :
ℙ(𝑋 > 𝐶 ) ≤ 0,05 ⇔ 1 − ℙ(𝑋 < 𝐶 ) ≤ 0,05 ⇔ ℙ(𝑋 < 𝐶 ) ≥ 0,95
ℙ(𝑋 < 𝐶 ) ≥ 0,95 correspond à 𝐹 (𝐶 ) ≥ 0,95. Ici, cela donne :
1
𝐹 (𝐶 ) ≥ 0,95 ⇔ 1 − (1 − 𝐶 )5 ≥ 0,95 ⇔ (1 − 𝐶 )5 ≤ 0,05 ⇔ 1 − 𝐶 ≤ (0,05)5
⇔ 1 − 𝐶 ≤ 0,55 ⇔ 𝐶 ≥ 0,45
Le réservoir doit avoir donc une capacité d’au moins 450 litres.
Objectif : Connaître et savoir appliquer les lois continues classiques
Ex 1. La batterie du téléphone MDR Maxx permet une utilisation de 20 heures pour les appels
hors connexion internet. La durée d’utilisation tombe à 7 heures lorsque le téléphone est
principalement utilisé pour surfer sur internet. Supposons que l'autonomie de la batterie pour
les deux utilisations suit une distribution exponentielle.
1) Expliciter la fonction de densité de probabilité pour l'autonomie de la batterie du
téléphone lorsque son utilisation est réservée aux appels.
La fonction de densité d’une variable aléatoire suivant une loi exponentielle (𝑋~ℰ (𝜆)) s’écrit
de la manière suivante :
1 1
𝑓𝑋 (𝑥 ) = 𝜆𝑒 −𝜆𝑥 , ∀𝑥 ∈ ℝ+, avec 𝔼(𝑋) = 𝜆 ⇔ 𝜆 = 𝔼(𝑋)
Dans le cas présent, puisque la batterie du téléphone permet une utilisation de 20h en appels
1 1 1
seulement, on en déduit que 𝔼(𝑋) = 𝜆 = 20 et ainsi que 𝜆 = 𝔼(𝑋) = 20.
On a donc :
1 −𝑥
𝑓𝑋 (𝑥 ) = 𝜆𝑒 −𝜆𝑥 ⇔ 𝑒 20
20
2) Calculer la probabilité que la charge de la batterie d'un téléphone MDR Maxx
sélectionné au hasard ne dure pas plus de 15 heures s’il n’est utilisé que pour passer
des appels ?
On veut connaître la probabilité que la charge ne dépasse pas plus de 15h en utilisation
« appels », soit ℙ(𝑋 ≤ 15). Ceci correspond à 𝐹𝑋 (15), avec 𝐹𝑋 la fonction de répartition de la
variable aléatoire 𝑋 suivant une loi exponentielle. On a :
𝐹𝑋 (𝑥 ) = 1 − 𝑒 −𝜆𝑥 , ∀𝑥 ∈ ℝ
Ainsi, on en déduit, dans le cadre de l’exercice :
𝑥
𝐹𝑋 (𝑥 ) = 1 − 𝑒 −20
Donc, on cherche :
15
ℙ(𝑋 ≤ 15) = 𝐹𝑋 (15) = 1 − 𝑒 −20 = 0,5276
La probabilité que la charge de la batterie d'un téléphone MDR Maxx sélectionné au hasard
ne dure pas plus de 15 heures s’il n’est utilisé que pour passer des appels est donc de 52,76%.
3) Calculer la probabilité que la charge de la batterie d'un téléphone MDR Maxx
sélectionné au hasard dure plus de 20 heures s’il n’est utilisé que pour passer des
appels ?
On veut connaître la probabilité que la charge dure plus de 20h en utilisation « appels », soit
ℙ(𝑋 > 20) . Ceci correspond à 1 − ℙ(𝑋 ≤ 20) = 1 − 𝐹𝑋 (20) , avec 𝐹𝑋 la fonction de
répartition de la variable aléatoire 𝑋 suivant une loi exponentielle. On a ici :
𝑥
1 − ℙ(𝑋 ≤ 𝑥 ) = 1 − 𝐹𝑋 (𝑥 ) = 1 − (1 − 𝑒 −20 )
Donc, on cherche :
20
1 − ℙ(𝑋 ≤ 20) = 1 − 𝐹𝑋 (20) = 1 − (1 − 𝑒 −20 ) = 0,3679
La probabilité que la charge de la batterie d'un téléphone MDR Maxx sélectionné au hasard
dure plus de 20 heures s’il n’est utilisé que pour passer des appels est donc de 36,79%.
4) Quelle est la probabilité que la charge de la batterie d'un téléphone MDR Maxx
sélectionné au hasard ne dure pas plus de 5 heures lorsqu’il sert principalement à
surfer sur internet ?
On veut connaître la probabilité que la charge de la batterie d'un téléphone MDR Maxx
sélectionné au hasard ne dure pas plus de 5 heures lorsqu’il sert principalement à surfer sur
1
internet. Le paramètre 𝜆 de la loi exponentielle change donc. On a maintenant 𝔼(𝑋) = 𝜆 = 7
1 1
et ainsi que 𝜆 = 𝔼(𝑋) = 7.

𝑥
𝐹𝑋 (𝑥 ) = 1 − 𝑒 −20
Donc, on cherche :
5
ℙ(𝑋 ≤ 5) = 𝐹𝑋 (5) = 1 − 𝑒 −7 = 0,5104
Cette probabilité est donc de 51,04%.
Ex 2. La chaîne « Buon caffè » annonce que les commandes à emporter pour le petit déjeuner
prennent environ 25 minutes. Supposons que le temps requis pour qu’une commande soit
prête suit une loi exponentielle de moyenne égale à 25 minutes.
1) Quelle est la probabilité qu’une commande soit prête en moins de 20 minutes ?
On veut connaître la probabilité qu’une commande soit prête en moins de 20 minutes, soit
ℙ(𝑋 < 20). Ceci correspond à 𝐹𝑋 (20) = ℙ(𝑋 ≤ 20), la probabilité en un point donné d’une
variable aléatoire continue étant nulle (et donc ℙ(𝑋 < 20) = ℙ(𝑋 ≤ 20) ), avec 𝐹𝑋 la
fonction de répartition de la variable aléatoire 𝑋 suivant une loi exponentielle (𝑋~ℰ (𝜆)). Ici,
1 1 1
on a également 𝔼(𝑋) = ⇔ 𝜆 = ( ) = . Ainsi :
𝜆 𝔼 𝑋 25
𝐹𝑋 (𝑥 ) = 1 − 𝑒 −𝜆𝑥 , ∀𝑥 ∈ ℝ
𝑥
𝐹𝑋 (𝑥 ) = 1 − 𝑒 −25
Donc, on cherche :
20
ℙ(𝑋 ≤ 20) = 𝐹𝑋 (20) = 1 − 𝑒 −25 = 0,5507
La probabilité qu’une commande soit prête en moins de 20 minutes est donc de 55,07%.
2) Si un client arrive 30 minutes après avoir passé commande, quelle est la probabilité
que la commande ne soit pas prête ?
Le client arrive 30 minutes après avoir passé commande. Si l’on veut connaître la probabilité
que sa commande ne soit pas prête à son arrivée, il faut que sa commande mette strictement
plus de 30 minutes à être préparée. Ainsi, on cherche ℙ(𝑋 > 30), soit :
30
ℙ(𝑋 > 30) = 1 − ℙ(𝑋 ≤ 30) = 1 − 𝐹𝑋 (30) = 1 − (1 − 𝑒 −25 ) = 0,3012
Si le client arrive 30 minutes après avoir passé commande, la probabilité que sa commande ne
soit pas prête est de 30,12%.
3) Si un client travaille à 15 minutes du Café et passe une commande téléphonique à
8h20, quelle est la probabilité qu'il puisse se rendre au café, prendre sa commande et
être de retour à son travail à 9h ?
Le client travaille à 15 minutes du Café et passe sa commande à 8h20. Pour qu’il puisse être
de retour au travail à 9h, il doit pouvoir faire l’aller, récupérer sa commande, et le trajet retour
en au plus 40 minutes après son appel.
Sachant que le temps de trajet est de 15 minutes, s’il se met en route tout de suite après son
appel, il arrivera au Café à 8h35. Il peut alors se permettre d’attendre 10 minutes sur place sa
commande. Ensuite, il devra se remettre en route et faire les 15 minutes de trajet retour pour
arriver à 9h.
Ainsi, le client devra récupérer sa commande sur place au plus tard à 8ℎ20 + 15′ + 10′ =
8ℎ45 , ce qui laisse 25 minutes de temps de préparation au maximum. On veut donc
connaître :
25
ℙ(𝑋 ≤ 25) = 𝐹𝑋 (25) = 1 − 𝑒 −25 = 0,6321
Donc le client a 63,21% de chances de pouvoir être de retour à son travail à 9h suite à sa
commande.
Ex 3. En moyenne, un moteur d’avion peut fonctionner 2 000 heures sans panne. En

supposant que la durée de fonctionnement suit une loi exponentielle, calculer la probabilité
que le moteur ne puisse pas accomplir un vol de 10 heures.
On veut connaître la probabilité que l’avion ne puisse accomplir un vol de 10h, sachant que
son moteur peut fonctionner, a priori, pour une durée de 2 000 heures. On cherche donc
ℙ(𝑋 ≤ 10). Ceci correspond à 𝐹𝑋 (10) , avec 𝐹𝑋 la fonction de répartition de la variable
aléatoire 𝑋 suivant une loi exponentielle. On a :
𝐹𝑋 (𝑥 ) = 1 − 𝑒 −𝜆𝑥 , ∀𝑥 ∈ ℝ
De plus :
1 1 1
𝔼(𝑋) = = 2000 ⇔ 𝜆 = =
𝜆 𝔼(𝑋) 2000
𝑥
𝐹𝑋 (𝑥 ) = 1 − 𝑒 −2000
Donc, on cherche :
10
ℙ(𝑋 ≤ 10) = 𝐹𝑋 (10) = 1 − 𝑒 −2000 = 0,005
La probabilité que le moteur ne puisse pas accomplir un vol de 10 heures est donc de 0,5%.
Elle est donc assez basse (encore que…), fort heureusement.
Ex 4. On suppose que la durée de vie moyenne typique d’un écran LCD est de 10 000 heures
d’utilisation (à ne pas confondre avec le temps entre l’achat et la première panne). On suppose
que la durée de vie typique suit une loi exponentielle et qu’un écran est utilisé exactement 4
heures par jour. Le constructeur fournit une garantie de 2 ans pour les écrans concernés.
1) Calculer la durée de vie moyenne d’un écran en années depuis l’achat.
La durée de vie moyenne étant de 10 000 heures et l’utilisation de 4 heures par jour, on
obtient une durée de vie moyenne de :
10000
= 2500 𝑗𝑜𝑢𝑟𝑠
4
Ceci correspond environ à 7 ans.
2) Calculer la probabilité de panne dans les deux premières années qui suivent l’achat de
l’écran.
Soit 𝑋 la variable aléatoire représentant la durée de vie d’un écran en heures. D’après
l’énoncé, 𝑋 suit une loi exponentielle de moyenne 10 000. Or, une variable aléatoire
1
exponentielle de paramètre 𝜆 a une espérance de 𝜆 . 𝑋 suit donc une loi exponentielle de
1
paramètre 10000.
Une panne dans les deux premières années qui suivent l’achat correspond à une défaillance
avant une utilisation de 4 × 365 × 2 = 2920 heures d’utilisation. On cherche donc :
2920
ℙ(𝑋 ≤ 2920) = 𝐹𝑋 (2920) = 1 − 𝑒 −10000 = 0,2532
La probabilité de panne dans les deux premières années qui suivent l’achat de l’écran est donc
de 25%.
3) En supposant que la réparation d’une panne d’un écran sous garantie coûte au
constructeur 𝛼 euros alors que la vente d’un écran rapporte 𝛽 euros, donner la
condition que doivent vérifier 𝛼 et 𝛽 pour que le constructeur ne perde pas d’argent en
moyenne en raison de la garantie. On suppose que l’écran ne peut tomber en panne
qu’au plus une seule fois dans la durée de garantie.
Soit 𝐺 la variable aléatoire donnant le gain pour le constructeur. Si l’écran ne tombe pas en
panne, 𝐺 vaut 𝛽. Si l’écran tombe en panne 𝐺 vaut 𝛽 − 𝛼. La loi de 𝐺 est clairement donnée
par :
ℙ(𝐺 = 𝛽) = 1 − 0,2532
ℙ(𝐺 = 𝛽 − 𝛼 ) = 0,2532
d’après la question précédente. L’espérance de 𝐺 est alors :
𝔼(𝐺 ) = (1 − 0,2532)𝛽 + 0,2532(𝛽 − 𝛼 ) = 𝛽 − 0,2532𝛼
Pour que le constructeur ne perde pas d’argent, il faut donc que 𝛽 ≥ 0,2532𝛼.
Ex 5. Supposons que le prix moyen d'un gallon d'essence est de 3,73 $ aux États-Unis et de
3,40 $ en Russie et que ces prix suivent une loi normale avec un écart-type de 0,25 $ aux
États-Unis et de 0,20 $ en Russie.
1) Quelle est la probabilité qu'une station-service choisie au hasard aux États-Unis
facture moins de 3,50 $ le gallon ?
On cherche la probabilité qu'une station-service choisie au hasard aux États-Unis facture
moins de 3,50 $ le gallon. On sait que cela suit une loi normale, d’espérance 3,73 et d’écart-
type 0,25 (aux États-Unis). Ainsi, si on appelle 𝑋 la variable aléatoire représentant le prix
d’un gallon d’essence aux États-Unis, on a :
𝑥 1 𝑥−𝜇 2
1
∫ 𝑒 −2 ( )
𝐹𝑋 (𝑥 ) = 𝜎 𝑑𝑥, ∀𝑥 ∈ ℝ
𝜎√2𝜋 −∞
Ainsi que :
𝑋~𝒩 (𝜇, 𝜎 2 ) ⇔ 𝑋~𝒩 (3,73, 0,252 )
𝑥−𝜇 3,50−3,73
On cherche ℙ(𝑋 ≤ 3,50). On calcule d’abord 𝑧 = = = −0,92 pour pouvoir se
𝜎 0,25
référer facilement à une loi normale centrée réduite et à sa table. Puisque l’on obtient une
valeur négative, on passera par l’inverse, la loi normale centrée-réduite étant symétrique :
Φ(−𝑥 ) = 1 − Φ(𝑥). Ainsi on a Φ(−0,92) = 1 − Φ(0,92). On a ici :
Φ(−0,92) = 1 − Φ(0,92) = 1 − 0,8212 = 0,1788
La probabilité qu'une station-service choisie au hasard aux États-Unis facture moins de 3,50 $
le gallon est donc de 17,88%.
2) Quel pourcentage des stations-service en Russie facture moins de 3,50 $ le gallon ?
On cherche le pourcentage de stations-service en Russie qui facturent moins de 3,50 $ le
gallon. On sait que cela suit une loi normale, d’espérance 3,40 et d’écart-type 0,20 (en
Russie). Ainsi, si on appelle 𝑌 la variable aléatoire représentant le prix d’un gallon d’essence
en Russie, on cherche alors ℙ(𝑌 ≤ 3,50) avec les paramètres suivants : 𝑌~𝒩 (3,40, 0,202 ).
𝑥−𝜇 3,50−3,40
On calcule d’abord 𝑧 = = = 0,50 pour pouvoir se référer facilement à une loi
𝜎 0,20
normale centrée réduite et à sa table. On a ici :
Φ(0,50) = 0,6915
Le pourcentage de stations-service en Russie qui facturent moins de 3,50 $ le gallon est donc
de 69,15%.
3) Quelle est la probabilité qu’une station-service choisie au hasard en Russie facture
davantage que le prix moyen aux États-Unis ?
On obtient la probabilité qu’une station-service choisie au hasard en Russie facture davantage
que le prix moyen aux États-Unis en calculant ℙ(𝑌 ≥ 3,73) avec 𝑌~𝒩 (3,40, 0,202 ).
𝑥 − 𝜇 3,73 − 3,40
𝑧= = = 1,65
𝜎 0,20
On a donc ici :
ℙ(𝑌 ≥ 3,73) = 1 − ℙ(𝑌 ≤ 3,73) = 1 − Φ(1,65) = 1 − 0,9505 = 0,0495
Elle se monte donc à presque 5%.
Ex 6. Selon l'Automobile Club, les familles qui prévoient de voyager pendant le week-end de
l’Ascension dépenseraient en moyenne 749 euros. Supposons que le montant dépensé suit une
loi normale avec un écart-type de 225 euros.
1) Quelle est la probabilité que les dépenses familiales pour le week-end soient
inférieures à 400 euros ?
On sait que cela suit une loi normale, d’espérance 749 et d’écart-type 225. Ainsi, si on appelle
𝑋 la variable aléatoire représentant les dépenses familiales pour le week-end, on a :
𝑥 1 𝑥−𝜇 2
1
∫ 𝑒 −2 ( )
𝐹𝑋 (𝑥 ) = 𝜎 𝑑𝑥, ∀𝑥 ∈ ℝ
𝜎√2𝜋 −∞
Ainsi que :
𝑋~𝒩 (𝜇, 𝜎 2 ) ⇔ 𝑋~𝒩 (749, 2252 )
𝑥−𝜇 400−749
On cherche ℙ(𝑋 ≤ 400) . On calcule d’abord 𝑧 = 𝜎 = 225 = −1,55 pour pouvoir se
référer facilement à une loi normale centrée réduite et à sa table. Puisque l’on obtient une
valeur négative, on passera par l’inverse, la loi normale centrée-réduite étant symétrique :
Φ(−𝑥 ) = 1 − Φ(𝑥). Ainsi on a Φ(−1,55 ) = 1 − Φ(1,55). On a ici :
Φ(−1,55 ) = 1 − Φ(1,55) = 1 − 0,9394 = 0,0606
La probabilité que les dépenses familiales pour le week-end soient inférieures à 400 euros est
donc de 6,06%.
2) Quelle est la probabilité que les dépenses familiales pour le week-end soient de 800
euros ou plus ?
La probabilité que les dépenses familiales pour le week-end soient de 800 euros ou plus est
donnée par ℙ(𝑋 ≥ 800). On a donc :
𝑥 − 𝜇 800 − 749
𝑧= = = 0,23
𝜎 225
Et ensuite :
ℙ(𝑋 ≥ 800) = 1 − ℙ(𝑋 ≤ 800) = 1 − Φ(0,23) = 1 − 0,5910 = 0,409
Elle se monte donc à 40,90%.
3) Quelle est la probabilité que les dépenses familiales pour le week-end soient
comprises entre 500 et 1000 euros ?
On cherche ℙ(500 ≤ 𝑋 ≤ 1000). On a 𝑋~𝒩 (749, 2252 ). On centre et on réduit :
500 − 749 𝑋 − 𝜇 1000 − 749 𝑋−𝜇
ℙ( ≤ ≤ ) = ℙ (−1,11 ≤ ≤ 1,12)
225 𝜎 225 𝜎
Ceci est équivalent à :
𝑋−𝜇
ℙ (−1,11 ≤ ≤ 1,12) ⇔ Φ(1,12) − Φ(−1,11) = Φ(1,12) − (1 − Φ(1,11))
𝜎
= 0,8686 − (1 − 0,8665) = 0,7351
La probabilité que les dépenses familiales pour le week-end soient comprises entre 500 et
1000 euros vaut donc 73,51%.
4) Combien vont dépenser les 5% des familles ayant les projets de voyage les plus
coûteux ?
Pour répondre à cette question, on doit trouver la valeur de 𝑧 pour que l’on ait les 5% des
familles ayant les projets les plus chers (c’est-à-dire qu’on cherche dans la table de la loi
normale centrée-réduite la valeur la plus proche de 0,95 : on trouve 0,9495 correspondant à
1,64). On a :
𝑥 − 𝜇 𝑥 − 749
𝑧= = = 1,64
𝜎 225
On doit donc maintenant trouver la valeur de 𝑥 pour que cette égalité soit respectée. On
trouve :
𝑥 = (1,64 × 225) + 749 = 1118
Les dépenses de ces familles se monteront donc à au moins 1118€.
Ex 7. En se basant sur les résultats des années passées, on a pu établir que, lors de l’examen
de statistique, 33% des étudiants obtiennent une note inférieure à 8 et que, pour 54,7% des
étudiants, la note obtenue est comprise entre 8 et 12. On choisit au hasard un étudiant de la
promotion actuelle et on appelle 𝑋 sa note de l’examen de statistique. On suppose que 𝑋 suit
une loi normale 𝒩(𝑚, 𝜎 2 ).
1) Quelle est la note moyenne attendue pour cet étudiant ?
D’après l’énoncé, on sait que 𝑋~𝒩(𝑚, 𝜎 2 ). On cherche donc 𝑚 et 𝜎 2 . On a :
33% des étudiants ont une note inférieure à 8, ainsi ℙ(𝑋 ≤ 8) = 0,33, et 54,7% des étudiants
ont une note comprise entre 8 et 12, ainsi ℙ(8 ≤ 𝑋 ≤ 12) = 0,547. On centre et on réduit 𝑋
pour se ramener à l’utilisation de la table de la loi normale standard :
𝑋−𝑚 8−𝑚 8−𝑚
ℙ(𝑋 ≤ 8) = 0,33 ⇔ ℙ ( ≤ ) = 0,33 ⇔ Φ ( ) = 0,33
𝜎 𝜎 𝜎
Comme 0,33 < 0,50 et n’est donc pas dans la table de la loi normale centrée-réduite, on
passera par l’inverse :
8−𝑚
1 − Φ( ) = 1 − 0,33
𝜎
La loi normale centrée-réduite étant symétrique : Φ(−𝑥 ) = 1 − Φ(𝑥). Ainsi on a :
8−𝑚
Φ (− ) = 0,67
𝜎
En cherchant 0,67 dans la table de la loi normale centrée-réduite, on trouve :
8−𝑚
− = 0,44
𝜎
De plus, on sait que ℙ(8 ≤ 𝑋 ≤ 12) = 0,547. Ainsi :
ℙ(8 ≤ 𝑋 ≤ 12) = 0,547 ⇔ ℙ(𝑋 ≤ 12) = 0,547 + ℙ(𝑋 ≤ 8) = 0,547 + 0,33 = 0,877
On a alors :
𝑋 − 𝑚 12 − 𝑚
ℙ( ≤ ) = 0,877
𝜎 𝜎
En cherchant 0,877 dans la table de la loi normale centrée-réduite, on trouve :

12 − 𝑚
= 1,16
𝜎
On obtient donc le système d’équations :
8−𝑚
− = 0,44
𝜎 −8 + 𝑚 = 0,44𝜎 𝜎 = 2,5
{ ⇔{ ⇔{
12 − 𝑚 12 − 𝑚 = 1,16𝜎 𝑚 = 9,1
= 1,16
𝜎
La note moyenne est donc 𝑚 = 9,1 et l’écart-type est 𝜎 = 2,5.
2) Les notes sont-elles homogènes (autrement dit, sont-elles très différentes en
fonction des étudiants, ou au contraire assez proches les unes des autres) ?
Les notes ne sont donc pas très homogènes, l’écart-type étant relativement élevé par rapport à
la moyenne.
3) Quel pourcentage d’admis peut-on espérer ?
Le pourcentage d’admis est donc donné par :
𝑋 − 𝑚 10 − 9,1
ℙ(𝑋 ≥ 10) = 1 − ℙ(𝑋 ≤ 10) = 1 − ℙ ( ≤ ) 1 − Φ(0,36)
𝜎 2,5
= 1 − 0,64 = 0,36
Il y aura donc un pourcentage d’admis espéré de 36%.
Ex 8. On a étudié la glycémie d’une population d’individus présentant certaines

caractéristiques précises ; on a obtenu les résultats suivants : 20% des glycémies sont
inférieures à 0.82 g/l et 30% des glycémies sont supérieures à 0.98 g/l. Si on suppose que la
glycémie des individus présentant ces caractéristiques suit une loi normale, déterminer la
moyenne et l’écart-type de cette loi.
Soit 𝑋 la variable aléatoire représentant le taux de glycémie. D’après l’énoncé :
𝑋~𝒩 (𝜇, 𝜎 2 )
D’autre part :
ℙ(𝑋 < 0,82) = 0,2 et ℙ(𝑋 > 0,98) = 0,3
On se ramène à un système linéaire en utilisant la table de la loi normale centrée réduite :
𝑋 − 𝜇 0,82 − 𝜇
ℙ(𝑋 < 0,82) = 0,2 ⇔ ℙ ( ≤ ) = 0,2
𝜎 𝜎
0,82 − 𝜇 0,82 − 𝜇
⇔ Φ𝑍 ( ) = 0,2 ⇔ 1 − Φ𝑍 ( ) = 1 − 0,2
𝜎 𝜎
Par ailleurs, Φ(−𝑥 ) = 1 − Φ(𝑥) par symétrie (𝜙 paire), donc :
0,82 − 𝜇 0,82 − 𝜇
⇔ Φ𝑍 (− ) = 0,8 ⇔ − = 0,84
𝜎 𝜎
Et on a :
ℙ(𝑋 > 0,98) = 0,3 ⇔ 1 − ℙ(𝑋 ≤ 0,98) = 0,3
⇔ −ℙ(𝑋 ≤ 0,98) = 0,3 − 1 = −0,7 ⇔ ℙ(𝑋 ≤ 0,98) = 0,7
Donc :
𝑋 − 𝜇 0,98 − 𝜇
⇔ ℙ( ≤ ) = 0,7
𝜎 𝜎
0,98 − 𝜇 0,98 − 𝜇
⇔ Φ𝑍 ( ) = 0,7 ⇔ = 0,52
𝜎 𝜎
On obtient donc le système d’équations :
0,82 − 𝜇 0,82 − 𝜇
− = 0,84 − =𝜎
𝜎 0,84 𝜎 = 0,11
⇔ ⇔{
0,98 − 𝜇 0,98 − 𝜇 𝜇 = 0,92
= 0,52 =𝜎
{ 𝜎 { 0,52
La moyenne et l’écart-type de cette variable sont donc respectivement 0,92 et 0,11.
Ex 9. Soit 𝑋 une variable aléatoire correspondant à la durée de vie d’une ampoule. On

suppose qu’elle suit une loi exponentielle de paramètre 𝜆. Soit 𝑌 la variable aléatoire qui vaut
1 si l’ampoule fonctionne plus longtemps que la durée moyenne de vie d’une ampoule de ce
type, et 0 sinon. Donner la loi de probabilité de 𝑌.
𝑋, qui correspond à la durée de vie d’une ampoule, suit une loi exponentielle de paramètre 𝜆.
Sa densité et sa fonction de répartition sont données par :
𝑓𝑋 (𝑥 ) = 𝜆𝑒 −𝜆𝑥 , ∀𝑥 ∈ ℝ+
𝐹𝑋 (𝑥 ) = 1 − 𝑒 −𝜆𝑥 , ∀𝑥 ∈ ℝ
1
avec 𝔼(𝑋) = 𝜆.
𝑌 étant déﬁnie comme une variable aléatoire qui vaut 1 si l’ampoule fonctionne plus
longtemps que la durée moyenne de vie d’une ampoule de ce type, et 0 sinon, on a :
1
𝑌 = {1 𝑠𝑖 𝑋 > 𝜆
Ainsi on obtient :
1 1 −𝜆×
1
ℙ(𝑌 = 1) = ℙ (𝑋 > ) = 1 − ℙ (𝑋 ≤ ) = 1 − (1 − 𝑒 𝜆 ) = 𝑒 −1 = 0,36
𝜆 𝜆
1 1
ℙ(𝑌 = 0) = ℙ (𝑋 ≤ ) = 1 − 𝑒 −𝜆×𝜆 = 1 − 𝑒 −1 = 0,64
𝜆
Ainsi, la probabilité que l’ampoule fonctionne plus longtemps que la durée moyenne de vie
d’une ampoule de ce type est de 36%.
Ex 10. Récapituler les différentes lois de probabilité abordées dans les dossier 7 et 8, en
résumant leurs conditions d’application sous forme de tableau.
Dossier de Td n°9 – Couples de variable aléatoire et théorème central limite
Objectif : Savoir déterminer la loi jointe, les lois marginales et conditionnelles d’une couple de variables
aléatoires discrètes ainsi que les différentes critères d’indépendances. Application du théorème central limite
Ex. 1. Soit (𝑋, 𝑌) un couple de variables aléatoires tel que 𝑋(Ω) = {−1,0,1} et 𝑌 (Ω) = {1,2,3} de loi
ℙ(𝑋 = 𝑥, 𝑌 = 𝑦) donnée par :
ℙ(𝑋 = 𝑥, 𝑌 = 𝑦) 𝑦=1 𝑦=2 𝑦=3

𝑥 = −1 0,1 0,05 0,15
𝑥=0 0,15 0,2 0,1
𝑥=1 0,05 0,1 0,1
1. Donner les lois marginales de 𝑋 et de 𝑌. Les variables 𝑋 et 𝑌 sont-elles indépendantes ?

2. Calculer la loi conditionnelle de X sachant Y=1 et la conditionnelle de Y sachant X=0.
3. Calculer 𝔼(𝑋𝑌). En déduire 𝐶𝑜𝑣 (𝑋, 𝑌).

Ex. 2. Deux mesures importantes vont être votées simultanément au Parlement. La mesure 𝐴 comporte deux
options : 𝑎1 , 𝑎2 . La mesure 𝐵 comporte trois options : 𝑏1 , 𝑏2 , 𝑏3 . Des sondages effectués dans la population
ont permis d’établir les probabilités de choix suivantes :
ℙ(𝐴 = 𝑎, 𝐵 = 𝑏) 𝑏 = 𝑏1 𝑏 = 𝑏2 𝑏 = 𝑏3
𝑎 = 𝑎1 0,3 0,15 0,05
𝑎 = 𝑎2 0,1 0,25 0,15
De plus, un chiffrage des différentes options donne les coûts suivants en millions d’euros :
Options 𝑎1 𝑎2 𝑏1 𝑏2 𝑏3
Coût unitaire 3 2 1 2 1
1. Calculer les lois marginales de 𝐴 et 𝐵.
ℙ𝐴 (𝑎1 ) = ℙ(𝐴 = 𝑎1 ) = 0,30 + 0,15 + 0,05 = 0,50
ℙ𝐴 (𝑎2 ) = ℙ(𝐴 = 𝑎2 ) = 0,10 + 0,25 + 0,15 = 0,50
ℙ𝐵 (𝑏1 ) = ℙ(𝐵 = 𝑏1 ) = 0,30 + 0,10 = 0,40
ℙ𝐵 (𝑏2 ) = ℙ(𝐵 = 𝑏2 ) = 0,15 + 0,25 = 0,40
ℙ𝐵 (𝑏3 ) = ℙ(𝐵 = 𝑏3 ) = 0,05 + 0,15 = 0,20
2. Montrer que 𝐴 et 𝐵 ne sont pas indépendantes.
Pour montrer l’absence d’indépendance, on peut passer par les lois conditionnelles. Par exemple :
ℙ((𝐴 = 𝑎1 ) ∩ (𝐵 = 𝑏1 )) 0,30
ℙ𝐴|𝐵=𝑏1 (𝑎1 ) = ℙ(𝐴 = 𝑎1 |𝐵 = 𝑏1 ) = = = 0,75
ℙ(𝐵 = 𝑏1 ) 0,40
Or, on remarque que ℙ𝐴|𝐵=𝑏1 (𝑎1 ) ≠ ℙ𝐴 (𝑎1 ) = 0,50 , donc il n’y a pas indépendance entre ces deux
variables aléatoires.
3. Soit 𝐶 la variable aléatoire correspondant au coût total des deux options choisies (celle pour 𝐴 et
celle pour 𝐵). Déterminer la loi de 𝐶 puis son espérance.
On cherche d’abord le support de 𝐶, soit 𝐶(Ω). On a 𝐶 (Ω) = {3, 4, 5}. Sa loi est alors donnée par :
ℙ𝐶 (3) = ℙ((𝐴 = 𝑎2 ) ∩ (𝐵 = 𝑏1 )) + ℙ((𝐴 = 𝑎2 ) ∩ (𝐵 = 𝑏3 )) = 0,10 + 0,15 = 0,25
ℙ𝐶 (4) = ℙ((𝐴 = 𝑎1 ) ∩ (𝐵 = 𝑏1 )) + ℙ((𝐴 = 𝑎1 ) ∩ (𝐵 = 𝑏3 )) + ℙ((𝐴 = 𝑎2 ) ∩ (𝐵 = 𝑏2 ))

= 0,30 + 0,05 + 0,25 = 0,60
ℙ𝐶 (5) = ℙ((𝐴 = 𝑎1 ) ∩ (𝐵 = 𝑏2 )) = 0,15
Ainsi :
𝔼(𝐶 ) = 3 × 0,25 + 4 × 0,60 + 5 × 0,15 = 3,9
Le coût moyen joint des deux réformes est alors de 3,9 millions d’euros.
Ex. 3. On fait l’hypothèse que le nombre d’enfants d’une famille sélectionnée aléatoirement dans la
population est une variable aléatoire distribuée selon une loi de Poisson de moyenne 2,2. On admet que si la
1
famille a 𝑛 enfants, le nombre de garçons suit une loi binomiale ℬ (𝑛, 2). Quelle est la probabilité qu’une
famille sélectionnée aléatoirement ait 3 garçons et 1 fille ?
Ex. 4. Lors des rencontres de football à élimination directe, si les équipes n’arrivent pas à se départager au
terme des prolongations, les équipes sont départagées par la séance des tirs au but. Le résultat de chaque tir
3
au but est indépendant des autres, et la probabilité de marquer un tir au but est de 5 pour chaque tireur.
A. La FIFA envisage de changer les règles des séances de tirs au but. La première règle envisagée est que :
▪ Les deux équipes tirent 2 fois au but et l’équipe gagnante est celle qui marque le plus de buts
▪ En cas d’égalité, c’est l’équipe qui a eu le moins de cartons pendant le match qui gagne
1. En considérant que les résultats des deux équipes sont indépendants, et que les tirs au but sont
indépendants au sein de chaque équipe, quelles lois suivent 𝑌𝐴 et 𝑌𝐵 , les variables aléatoires du
nombre de buts marqués par l’équipe 𝐴 et l’équipe 𝐵 ? Quelle est la probabilité que l’équipe 𝐴
marque 1 but lors de la séance ?
3
Les lois de 𝑌𝐴 et 𝑌𝐵 sont des sommes d’épreuves de Bernoulli indépendantes et de même paramètre 𝑝 = ,
5
3
donc elles suivent une binomiale, de paramètres 𝑝 = 5 (probabilité de marquer) et 𝑛 = 2 (2 tirs au but). Les
épreuves de Bernoulli sont indépendantes car il est explicitement précisé dans l’énoncé que les résultats d’un
tir au but est indépendant des autres.
On a donc en général, respectivement pour les équipes 𝐴 et 𝐵 :
ℙ(𝑌𝐴 = 𝑘 ) = 𝐶𝑛𝑘 𝑝𝑘 (1 − 𝑝)𝑛−𝑘
ℙ(𝑌𝐵 = 𝑘 ) = 𝐶𝑛𝑘 𝑝𝑘 (1 − 𝑝)𝑛−𝑘
3
Pour le cas 𝑌𝐴 = 1 (𝐴 marque 1 but), avec 𝑝 = 5 et 𝑛 = 2, on a :
31 3 2−1 2! 3 2 12
ℙ(𝑌𝐴 = 1) = 𝐶21 (1 − ) = × × =
5 5 1! (2 − 1)! 5 5 25
2. Calculez la loi jointe du couple (𝑌𝐴 , 𝑌𝐵 ).

Les deux variables 𝑌𝐴 et 𝑌𝐵 sont indépendantes (et même identiquement distribuées). Donc pour tout 𝑘 et
tout 𝑖 on a :
ℙ(𝑌𝐴 = 𝑘, 𝑌𝐵 = 𝑖 ) = ℙ(𝑌𝐴 = 𝑘 ) × ℙ(𝑌𝐵 = 𝑖 )
Or on a, pour tout 𝑘 (nombre de buts) et pour 𝑛 = 2 (2 tirs au but) :
3𝑘 3 2−𝑘
ℙ(𝑌𝐴 = 𝑘 ) = 𝐶2𝑘 (1 − )
5 5
Soit, pour 𝑌𝐴 (Ω) = {0, 1, 2} :
30 3 2−0 4
ℙ(𝑌𝐴 = 0) = 𝐶20 (1 − ) =
5 5 25
31 3 2−1 12
ℙ(𝑌𝐴 = 1) = 𝐶21 (1 − ) =
5 5 25
32 3 2−2 9
ℙ(𝑌𝐴 = 2) = 𝐶22 (1 − ) =
5 5 25
On vérifie bien que la somme de ces probabilités fait 1.
Également, pour tout 𝑘 (nombre de buts) et pour 𝑛 = 2 (2 tirs au but) :
3𝑖 3 2−𝑖
ℙ(𝑌𝐵 = 𝑖 ) = 𝐶2𝑖 (1 − )
5 5
Soit, pour 𝑌𝐵 (Ω) = {0, 1, 2} :
30 3 2−0 4
ℙ(𝑌𝐵 = 0) = 𝐶20 (1 − ) =
5 5 25
31 3 2−1 12
ℙ(𝑌𝐵 = 1) = 𝐶21 (1 − ) =
5 5 25
32 3 2−2 9
ℙ(𝑌𝐵 = 2) = 𝐶22 (1 − ) =
5 5 25
On vérifie aussi que la somme de ces probabilités fait 1.
Puisque 𝑌𝐴 et 𝑌𝐵 sont indépendantes et donc que pour tout 𝑘 et tout 𝑖 on a :
ℙ(𝑌𝐴 = 𝑘, 𝑌𝐵 = 𝑖 ) = ℙ(𝑌𝐴 = 𝑘 ) × ℙ(𝑌𝐵 = 𝑖 )
La loi jointe entre 𝑌𝐴 et 𝑌𝐵 est donnée par :
𝒀𝑨 / 𝒀𝑩 0 1 2
16 48 36
0
252 252 252
48 144 108
1
252 252 252
36 108 81
2
252 252 252
3. Quelle est la probabilité que les deux équipes marquent un nombre différent de tirs au but ?
La probabilité que les deux équipes marquent un nombre différent de buts est donc (en passant par le
complémentaire) de :
1 − ℙ(𝑌𝐴 = 0, 𝑌𝐵 = 0) − ℙ(𝑌𝐴 = 1, 𝑌𝐵 = 1) − ℙ(𝑌𝐴 = 2 𝑌𝐵 = 2)
252 − 16 − 144 − 81 384
= =
252 625
4. Si l’équipe 𝐴 a reçu plus de cartons que la 𝐵 pendant le match, quelle est la probabilité que l’équipe
𝐴 gagne le match ?
L’équipe 𝐴 gagne seulement si elle marque strictement plus de buts que l’autre équipe (puisqu’elle a plus de
cartons jaunes et donc perd en cas d’égalité de buts). Cette probabilité est donnée par :
48 36 108 192
2
+ 2+ 2 =
25 25 25 625
B. La FIFA envisage une deuxième règle pour la séance de tirs au but :

▪ chaque équipe tire au but une fois, et si l’une marque alors que l’autre échoue, la première gagne
▪ Si les deux échouent ou marquent, alors on répète l’opération et ainsi de suite, jusqu’à ce qu’un
vainqueur soit désigné.
5. En faisant les mêmes hypothèses d’indépendance qu’aux questions précédentes, calculer la

probabilité qu’une seule des deux équipes marque quand chacune d’elle effectue un tir au but.
Soient 𝑁𝐴 (et 𝑁𝐵 ) l’évènement « l’équipe 𝐴 (𝐵) ne marque pas » et 𝐺𝐴 (et 𝐺𝐵 ) l’évènement « l’équipe 𝐴 (𝐵)
marque ». On cherche donc la probabilité de :
(𝑁𝐴 ∩ 𝐺𝐵 ) ∪ (𝑁𝐵 ∩ 𝐺𝐴 )
Les deux sous-ensembles entre parenthèses sont disjoints, donc :
ℙ((𝑁𝐴 ∩ 𝐺𝐵 ) ∪ (𝑁𝐵 ∩ 𝐺𝐴 )) = ℙ(𝑁𝐴 ∩ 𝐺𝐵 ) + ℙ(𝑁𝐵 ∩ 𝐺𝐴 )
Et par indépendance :
ℙ((𝑁𝐴 ∩ 𝐺𝐵 ) ∪ (𝑁𝐵 ∩ 𝐺𝐴 )) = ℙ(𝑁𝐴 ) × ℙ(𝐺𝐵 ) + ℙ(𝑁𝐵 ) × ℙ(𝐺𝐴 )
3 2
Avec 𝑝 = 5 et donc 1 − 𝑝 = 5, on a :
2 3 2 3 6 12
( × )+( × )=2× =
5 5 5 5 25 25
6. Quelle loi suit la variable 𝑍 représentant le nombre de tirs au but par équipe nécessaire à ce qu’un
vainqueur soit désigné ?
12
À chaque tour, la probabilité qu’une des équipes gagne est donc de . Ces tours sont donc une suite
25
12
d’épreuves de Bernoulli de paramètre 𝑝 = 25. Comme les résultats des tirs sont indépendants (au sein de la
même équipe, et entre équipes), ces épreuves sont indépendantes. La variable 𝑍 suit donc une loi
géométrique (nombre d’essais nécessaires à l’atteinte du premier succès dans des d’épreuves indépendantes)
12
de paramètre 𝑝 = 25.
7. Quelle est la probabilité que le nombre de tirs au but nécessaire pour obtenir un vainqueur soit
exactement de 2 ?
Pour obtenir la probabilité que le nombre de tirs au but nécessaire pour obtenir un vainqueur soit exactement
de 2, on applique la formule de loi géométrique, soit :
ℙ(𝑋 = 𝑘 ) = 𝑝(1 − 𝑝)𝑘−1
Soit, dans notre cas :
12 12 2−1 12 13 12 × 13
ℙ(𝑍 = 2) = (1 − ) = ( )=
25 25 25 25 252
8. Quelle est la probabilité que le nombre de tirs au but nécessaire pour obtenir un vainqueur excède le
nombre de joueurs qu’il y a dans une équipe (soit 11) ?
Pour calculer la probabilité que 𝑍 > 11, il suffit de passer à la fonction de répartition (donnée dans le
tableau récapitulatif). En effet, par définition :
𝐹𝑋 (𝑘 ) = ℙ(𝑋 ≤ 𝑘 ) = 1 − (1 − 𝑝)𝑘
12
Donc ici, avec une probabilité de succès de 𝑝 = 25 (l’une des deux équipes gagne) et 𝑘 = 11 (en plus de 11
essais) :
ℙ(𝑍 > 11) = 1 − ℙ𝑍 (𝑍 ≤ 11) = 1 − 𝐹𝑍 (11)
12 11
= 1 − (1 − (1 − ) ) ≈ 7,5 × 10−4
25
Ex. 5. Un fournisseur d’accès à internet met en place un point local d’accès qui dessert 5000 abonnés. A
instant donné, chaque abonné a une probabilité égale à 20% d’être connecté. Les comportements des
abonnés sont supposés indépendants les uns des autres.
1. On note X la variable aléatoire égale au nombre d’abonnés connectés à un instant donné. Déterminer
la loi de X et son espérance.
𝑋−1000
2. On pose 𝑌 = . Justifier précisément que l’on peut approcher la loi de 𝑌 par la loi
√800
normale 𝒩(0,1).
3. Le fournisseur d’accès souhaite savoir combien de connexions simultanées le point d’accès doit
pouvoir gérer pour que sa probabilité d’être saturé à un instant donné soit inférieure à 2,5%. En
utilisant l’approximation précédente, proposer une valeur approchée de ce nombre de connexions.
Ex. 6. Une entreprise compte 300 employés. Chacun d'eux téléphone en moyenne 6 minutes par heures.
Quel est le nombre de lignes que l'entreprise doit installer pour que la probabilité que toutes les lignes soient
utilisées au même instant soit au plus égale à 0,025. On pourra utiliser une approximation de la loi d'une
certaine variable aléatoire.

TD Corrigeì S STATS

Transféré par

Droits d'auteur :

Formats disponibles

TD Corrigeì S STATS

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

TD Corrigeì S STATS

Transféré par

Droits d'auteur :

Formats disponibles

Préliminaires mathématiques

Objectif : Maîtriser les notions mathématiques nécessaires à la compréhension du cours

I/ Théorie des ensembles

1. Définition des ensembles

- ∅ : « ensemble vide » = ensemble qui ne contient aucun élément

Exemples : 1 ∈ {1, 2, 3} ; 2 ∉ ∅ ; {a, b} ∈ {{a, b}, {0}, 4} ; {1} ∉ {1, 2, 3}

▪ 𝐴 = {1, 2, 3} est un ensemble d’éléments

▪ 𝐵 = {{𝑎}, {0}, {4}} est un ensemble d’ensembles

- 𝐴 et 𝐵 sont définis « en extension », c’est-à-dire par la liste de tous leurs éléments

𝐵 = {𝑥 ∈ 𝐴|𝑃 (𝑥 )}, 𝑃 (𝑥 ) étant une propriété sur 𝑥

▪ 𝑈 = {𝑥 ∈ ℕ|𝑥 𝑒𝑠𝑡 𝑑𝑖𝑣𝑖𝑠𝑖𝑏𝑙𝑒 𝑝𝑎𝑟 2} : ensemble des entiers pairs

▪ Si 𝐴 = {1, 2, 3, 4} et 𝐵 = {𝑥 ∈ 𝐴|𝑥 + 1 ≤ 3}, alors 𝐵 = {1, 2}

▪ 𝒫 ({a, 2}) = {∅, {𝑎}, {2}, {𝑎, 2}}

Représentation par le diagramme de Venn :

▪ {2, {a, b}} ⊂ {{𝑢, 𝑣 }, 2, {a, b}}

𝐴 ∪ 𝐵 : ensemble formé par l’union de 𝐴 et 𝐵 = ensemble constitué des éléments de 𝐴 et des

▪ {𝑎, 2, {0}} ∪ {𝑏, ∅, 3} = {𝑎, 2, {0}, 𝑏, ∅, 3}

𝐴 ∩ 𝐵 : ensemble intersection de 𝐴 et 𝐵, constitué des éléments de 𝐴 qui sont aussi éléments

𝐴 ∩ 𝐵 = {𝑥|𝑥 ∈ 𝐴 𝑒𝑡 𝑥 ∈ 𝐵} = {𝑥 ∈ 𝐴|𝑥 ∈ 𝐵} = {𝑥 ∈ 𝐵|𝑥 ∈ 𝐴}

▪ {2, 3, 4} ∩ {1, 2, 3} = {2, 3}

▪ {𝑎, 𝑏} ∩ {{𝑎}, {𝑏}} = ∅

▪ {2, 3, 4}\{1, 2, 3} = {4}

𝐴∆𝐵 = (𝐴\𝐵) ∪ (𝐵\𝐴) = (𝐴 ∪ 𝐵)\(𝐴 ∩ 𝐵)

▪ {2, 3, 4}∆{1, 2, 3} = {1, 4}

Le carré cartésien 𝐴 × 𝐴 est noté 𝐴2.

Exemples : soient 𝐴 = {2, 𝑎} et 𝐵 = {𝑐, 𝑑}

▪ 𝐴 × 𝐵 = {(𝑎, 𝑐 ), (𝑎, 𝑑 ), (2, 𝑐 ), (2, 𝑑 )}

▪ 𝐴2 = {(2, 2), (2, 𝑎), (𝑎, 2), (𝑎 , 𝑎)}

Généralisation : soient 𝐴1 , … , 𝐴𝑛 𝑛 ensembles, leur produit cartésien est donné par

∏ 𝐴𝑖 = 𝐴1 × … × 𝐴𝑛 = {(𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 )|∀𝑖 ∈ {1,2,3, … , 𝑛}, 𝑥𝑖 ∈ 𝐴𝑖 }

L’ordre au sein d’un n-uplet compte : (𝑎, 𝑏) ≠ (𝑏, 𝑎) par exemple !

▪ 𝐴 × 𝐴 = 𝐴2 = {(𝑎, 𝑎), (𝑎, 𝑏), (𝑏, 𝑎) (𝑏, 𝑏)}

Soit un ensemble 𝐴 et 𝑃 = {𝐶1 , 𝐶2 , … , 𝐶𝑘 } un ensemble de 𝑘 sous-ensembles de 𝐴.

𝑃 est une partition de A si et seulement si :

1. Aucun des 𝐶𝑖 n’est vide : ∀𝑖, 1 ≤ 𝑖 ≤ 𝑘, 𝐶𝑖 ≠ ∅

2. Les 𝐶𝑖 ne s’intersectent pas : ∀𝑖, 𝑗, 1 ≤ 𝑖 ≤ 𝑘, 1 ≤ 𝑗 ≤ 𝑘, 𝑖 ≠ 𝑗 ⇒ 𝐶𝑖 ∩ 𝐶𝑗 = ∅

3. L’union des 𝐶𝑖 forme 𝐴 tout entier : A = ⋃𝑘𝑖=1 𝐶𝑖

Exemples : soit 𝐴 = {1, 𝑎, 𝑧, {𝑢, 𝑣}}

▪ 𝐶1 = {1}, 𝐶2 = {𝑧, {𝑢, 𝑣 }} et 𝐶3 = {𝑎} forment une partition de 𝐴

L’union et l’intersection sont commutatives, c’est-à-dire que pour tous ensembles 𝐴 et 𝐵 :

De même, un ensemble Ω est un élément neutre de l’intersection pour ses sous-ensembles,

Dans un ensemble Ω, l’opération de passage au complémentaire est involutive. Pour tout

Dans un ensemble Ω , l’opération de passage au complémentaire satisfait les lois de De

Ex 2. Soit 𝐴 = {𝑎, 𝑏}, 𝐵 = {1, {2}} et 𝐶 = {𝑏, 𝑐}.

II/ Dérivées, primitives et intégrales

Quelques dérivées usuelles :

Quelques primitives courantes :

Ex 2. Déterminer les primitives des fonctions suivantes sur ℝ ∗+

Ex 3. Calculer ces intégrales à l’aide d’une intégration par partie :

Objectif : apprendre à identifier et dénombrer le nombre de résultats possibles d’une

2) Quelle formule mathématique permet de calculer directement le nombre de résultats

1) Combien de résultats de loterie Powerball sont possibles ? Indice : Considérez ceci

Pour 𝑛 étudiants et 𝑝 lauréats, cela donne :

Pour 𝑛 étudiants et 𝑝 lauréats, cela donne :

Ex6. Une expérience a quatre résultats possibles équiprobables, et mutuellement exclusifs : 𝐸1 ,

Ex7. Récapituler les notions mobilisées dans le cadre des exercices

Objectif : Apprendre à calculer la probabilité d’évènements simples

Ex 2. Pensez-vous que le gouvernement protège adéquatement les investisseurs ? Cette

2) Estimer la probabilité qu'un investisseur en Grande-Bretagne pense que le