Corrigé de l’examen : Probabilités et Statistiques

Exercice 1 :
1. a) D’après l’énoncé, la machine A fabrique un quart des pièces, donc :
1
P (A) =
4
La machine B fabrique le reste, donc :
3
P (B) = 1 − P (A) =
4
Les probabilités conditionnelles d’avoir un défaut sachant la machine d’origine sont :
10 1
PA (D) = 10% = =
100 10
5 1
PB (D) = 5% = =
100 20
b) Les événements A et B forment une partition de l’univers. D’après la formule des probabilités
totales :

P (D) = P (A ∩ D) + P (B ∩ D)
= P (A) × PA (D) + P (B) × PB (D)
   
1 1 3 1
= × + ×
4 10 4 20
1 3 2 3 5
= + = + =
40 80 80 80 80
En simplifiant par 5, on obtient bien :
1
P (D) =
16

c) On cherche PD (A) et PD (B). D’après la définition de la probabilité conditionnelle (ou la

formule de Bayes) :
1
P (A ∩ D) P (A) × PA (D) 40 1 16 2
PD (A) = = = 1 = × 16 = = = 0, 4
P (D) P (D) 16
40 40 5

De même pour B (ou en utilisant PD (B) = 1 − PD (A)) :

3
P (B ∩ D) 80 3 48 3
PD (B) = = 1 = × 16 = = = 0, 6
P (D) 16
80 80 5

2. a) L’expérience consiste en la répétition de n épreuves de Bernoulli identiques et indépendantes

(tirage avec remise/indépendant). Le succès est "tirer une pièce défectueuse" avec une pro-
1
babilité p = P (D) = 16 .
La variable aléatoire X compte le nombre de succès. Donc X suit une loi Binomiale de
1 1


paramètres n et p = 16 : X ∼ B n, 16 .
L’ensemble des valeurs prises par X est : X(Ω) = {0, 1, 2, . . . , n}.
Pour tout k ∈ X(Ω) :
   k 
1 n−k
    k  n−k
n 1 n 1 15
P (X = k) = 1− =
k 16 16 k 16 16

1
 b) Pour une loi binomiale B(n, p), l’espérance et la variance sont données par :
n
E(X) = np =
16
1 15 15n
V (X) = np(1 − p) = n × × =
16 16 256
3. a) On répète des épreuves indépendantes jusqu’à l’obtention du premier succès (pièce défec-
tueuse). Y représente le rang du premier succès.
1 1


Y suit donc une loi Géométrique de paramètre p = 16 : Y ∼ G 16 .
∗
L’ensemble des valeurs prises par Y est : Y (Ω) = N = {1, 2, 3, . . . }.
Pour tout k ∈ Y (Ω) :
 k−1
k−1 1 15
P (Y = k) = p(1 − p) =
16 16

b) Pour une loi géométrique G(p) :

1 1
E(Y ) = = 1 = 16
p 16

15
1−p 16 15
V (Y ) = = = × 256 = 15 × 16 = 240
p2 1 2 16


16

Exercice 2 :
1. Pour que f soit une densité de probabilité, elle doit vérifier deux conditions :
3
— f (t) ≥ 0 pour tout t ∈ R. C’est le cas car 0 ≥ 0 et pour t ≥ 1, t4
> 0.
R +∞
— −∞ f (t)dt = 1. Calculons cette intégrale :
Z +∞ Z 1 +∞ Z
3
f (t)dt = 0 dt + dt
−∞ −∞ 1 t4
1 x
 
= lim − 3
x→+∞ t 1
  
1 1
= lim − 3− − 3 =0+1=1
x→+∞ x 1

f est donc bien une densité de probabilité.

2. Calcul de l’espérance E(X) :
Z +∞ Z +∞ Z +∞
3 3
E(X) = tf (t)dt = t 4 dt = dt
−∞ 1 t 1 t3
3 x
   
3 3 3
= lim − 2 = lim − 2+ =
x→+∞ 2t 1 x→+∞ 2x 2 2

Calcul de la variance V (X) via le théorème de Kœnig-Huygens (V (X) = E(X 2 ) − (E(X))2 ) :

Z +∞ Z +∞ Z +∞
2 2 2 3 3
E(X ) = t f (t)dt = t 4 dt = dt
−∞ 1 t 1 t2
 x  
3 3
= lim − = lim − +3 =3
x→+∞ t 1 x→+∞ x

3 2 9 12 9
= 34 .


Donc, V (X) = 3 − 2 =3− 4 = 4 − 4

2
 Rx
3. (a) La fonction de répartition F (x) = P (X ≤ x) = −∞ f (t)dt.
Rx
— Si x < 1 : F (x) = −∞ 0 dt = 0.
— Si x ≥ 1 :
1 x
Z 1 Z x  
3 1
F (x) = 0 dt + 4
dt = − 3 = 1 − 3
−∞ 1 t t 1 x
(b) Calcul des probabilités :
   
1 1 1 1 8 1 7
P (2 ≤ X ≤ 4) = F (4) − F (2) = 1−− 1− 3 = − = − =
43 2 8 64 64 64 64
 
1 1
P (X ≥ 2) = 1 − P (X < 2) = 1 − F (2) = 1 − 1 − 3 =
2 8
(c) Probabilité conditionnelle :
7
P ((X ≤ 4) ∩ (X ≥ 2)) P (2 ≤ X ≤ 4) 64 7 7
P(X≥2) (X ≤ 4) = = = 1 = ×8=
P (X ≥ 2) P (X ≥ 2) 8
64 8

4. a) Par définition de la fonction de répartition de Y :

G(y) = P (Y ≤ y) = P (X − 1 ≤ y) = P (X ≤ y + 1) = F (y + 1)

b) On utilise l’expression de F trouvée à la question 3(a) :

— Si y < 0, alors y + 1 < 1, donc G(y) = F (y + 1) = 0.
1
— Si y ≥ 0, alors y + 1 ≥ 1, donc G(y) = F (y + 1) = 1 − (y+1)3
.
c) D’après les propriétés de la variance, pour tout réels a et b, V (aX + b) = a2 V (X). Ici
Y = 1 · X − 1, donc :
3
V (Y ) = V (X − 1) = 12 × V (X) = V (X) =
4

3
 8 juin 2026

Exercice 1
(a) Rappel des formules :
— Formule des probabilités totales : Soit (Ai )i∈I un système complet d’événements
(ou une partition de l’univers Ω). Pour tout événement B, on a :
X X
P (B) = P (B ∩ Ai ) = P (B | Ai )P (Ai )
i∈I i∈I

— Formule de Bayes : Pour deux événements A et B de probabilités non nulles :

P (B | A)P (A)
P (A | B) =
P (B)

(b) À l’aide de la formule des probabilités totales :

(a) Vérifier que P (N3 ∩ R1 ) = P (N3 ∩ R1 ∩ R2 ) + P (N3 ∩ R1 ∩ N2 ) :
L’expérience consiste à tirer une boule de U2 , donc les événements R2 et N2 forment
une partition de l’univers Ω. On peut donc écrire :

N3 ∩ R1 = (N3 ∩ R1 ) ∩ Ω = (N3 ∩ R1 ) ∩ (R2 ∪ N2 )

Par distributivité de l’intersection par rapport à la réunion :

N3 ∩ R1 = (N3 ∩ R1 ∩ R2 ) ∪ (N3 ∩ R1 ∩ N2 )

Comme R2 et N2 sont incompatibles, ces deux derniers événements le sont aussi. La

probabilité de l’union est donc la somme des probabilités :

P (N3 ∩ R1 ) = P (N3 ∩ R1 ∩ R2 ) + P (N3 ∩ R1 ∩ N2 )

(b) Vérifier la formule pour P (N3 | R1 ) :

En divisant l’égalité précédente par P (R1 ) (qui est non nul), on obtient :

P (N3 ∩ R1 ) P (N3 ∩ R1 ∩ R2 ) P (N3 ∩ R1 ∩ N2 )

= +
P (R1 ) P (R1 ) P (R1 )

Par définition de la probabilité conditionnelle, le membre de gauche est P (N3 | R1 ). Pour

le membre de droite, on utilise la formule des probabilités composées : P (A ∩ B ∩ C) =
P (A | B ∩ C)P (B | C)P (C).

P (N3 ∩ R2 ∩ R1 ) P (N3 | R2 ∩ R1 )P (R2 | R1 )P (R1 )

= = P (N3 | R2 ∩ R1 )P (R2 | R1 )
P (R1 ) P (R1 )

En appliquant le même raisonnement au second terme, on obtient bien :

P (N3 | R1 ) = P (N3 | R2 ∩ R1 ) × P (R2 | R1 ) + P (N3 | N2 ∩ R1 ) × P (N2 | R1 )

4
 (c) Valeur exacte de P (N3 | R1 ) :
Les tirages dans U1 et U2 sont indépendants, donc P (R2 | R1 ) = P (R2 ) = 32 et P (N2 |
R1 ) = P (N2 ) = 31 .
Si R1 ∩ R2 est réalisé, on a ajouté 2 boules rouges dans U3 . U3 contient alors 1 noire et
5 rouges (6 boules au total). Donc P (N3 | R2 ∩ R1 ) = 61 .
Si R1 ∩ N2 est réalisé, on a ajouté 1 rouge et 1 noire dans U3 . U3 contient alors 2 noires
et 4 rouges (6 boules au total). Donc P (N3 | N2 ∩ R1 ) = 62 = 13 .
On remplace dans la formule :
1 2 1 1 2 1 2 2 4 2
P (N3 | R1 ) = × + × = + = + = =
6 3 3 3 18 9 18 18 18 9

(c) Calcul de P (N3 ) :

On utilise la formule des probabilités totales avec la partition donnée :

P (N3 ) = P (N3 | R1 ∩ R2 )P (R1 ∩ R2 ) + P (N3 | R1 ∩ N2 )P (R1 ∩ N2 )

+ P (N3 | N1 ∩ R2 )P (N1 ∩ R2 ) + P (N3 | N1 ∩ N2 )P (N1 ∩ N2 )

Par indépendance des tirages 1 et 2 : P (R1 ) = 21 , P (N1 ) = 12 , P (R2 ) = 23 , P (N2 ) = 31 .

— P (R1 ∩ R2 ) = 21 × 23 = 13 . Et P (N3 | R1 ∩ R2 ) = 61 (vu en 2c).
— P (R1 ∩ N2 ) = 21 × 13 = 16 . Et P (N3 | R1 ∩ N2 ) = 26 (vu en 2c).
— P (N1 ∩R2 ) = 21 × 23 = 31 . On ajoute 1N et 1R dans U3 (total 2N, 4R). P (N3 | N1 ∩R2 ) =
2
6.
— P (N1 ∩ N2 ) = 21 × 13 = 61 . On ajoute 2N dans U3 (total 3N, 3R). P (N3 | N1 ∩ N2 ) = 36 .
Calcul final :
       
1 1 2 1 2 1 3 1 1 2 2 3
P (N3 ) = × + × + × + × = + + +
6 3 6 6 6 3 6 6 18 36 18 36

2 2 4 3 11
P (N3 ) = + + + =
36 36 36 36 36
(d) Probabilité que la boule tirée de U1 ait été rouge sachant N3 :
On cherche P (R1 | N3 ). D’après la formule de Bayes :

P (N3 | R1 )P (R1 )
P (R1 | N3 ) =
P (N3 )

On a P (N3 | R1 ) = 92 , P (R1 ) = 1
2 et P (N3 ) = 11
36 .

2 1 1
9 × 2 9 1 36 4
P (R1 | N3 ) = 11 = 11 = × =
36 36
9 11 11

Exercice 2
(a) (a) Calcul de l’intégrale pour x ∈ [0, 1[ :
Z x Z x
f (t) dt = a(1 − t)a−1 dt
0 0

Une primitive de a(1 − t)a−1 est −(1 − t)a . Donc :

Z x
f (t) dt = [−(1 − t)a ]x0 = −(1 − x)a − (−1) = 1 − (1 − x)a
0

5
 (b) Convergence et valeur de l’intégrale sur [0, 1] :
Z 1 Z x
f (t) dt = lim f (t) dt = lim (1 − (1 − x)a )
0 x→1− 0 x→1−

Comme a > 0, limx→1− (1 − x)a = 0. Donc l’intégrale converge et sa valeur est 1.

(c) Densité de probabilité : La fonction f est positive sur R (car a > 0Ret 1 − t > 0
+∞
sur [0, 1[), elle est continue par morceaux sur R, et l’intégrale sur R vaut −∞ f (t)dt =
R1
0 f (t)dt = 1. f est donc bien une densité de probabilité. Rx
(b) Expliciter F (x) : La fonction de répartition est définie par F (x) = −∞ f (t) dt.
Rx
— Si x < 0, F (x) = −∞ 0 dt = 0.
Rx
— Si x ∈ [0, 1[, F (x) = 0 a(1 − t)a−1 dt = 1 − (1 − x)a .
R1 Rx
— Si x ≥ 1, F (x) = −∞ f (t) dt + 1 0 dt = 1.
(c) Étude de Y = − ln(1 − X) :
(a) Exprimer G(x) pour x > 0 :

G(x) = P (Y ≤ x) = P (− ln(1 − X) ≤ x) = P (ln(1 − X) ≥ −x)

La fonction exponentielle étant strictement croissante :

G(x) = P (1 − X ≥ e−x ) = P (X ≤ 1 − e−x ) = F (1 − e−x )

Comme x > 0, on a e−x ∈]0, 1[, donc 1 − e−x ∈]0, 1[. On utilise l’expression de F sur
cet intervalle :

G(x) = 1 − (1 − (1 − e−x ))a = 1 − (e−x )a = 1 − e−ax

(b) Loi de Y : Pour x ≤ 0, 1 − e−x ≤ 0, donc G(x) = F (1 − e−x ) = 0. La fonction de

répartition de Y est donc G(x) = 1 − e−ax pour x > 0 et 0 sinon. On reconnaît la
fonction de répartition d’une loi exponentielle de paramètre a. Donc Y ∼ E(a).
(d) (a) Valeur de l’intégrale pour λ > 0 :
Z +∞  A  
−λx 1 1 −λA 1 1
e dx = lim − e−λx = lim − e + =
0 A→+∞ λ 0 A→+∞ λ λ λ

(b) Espérance de e−Y : Par le théorème de transfert, sachant que la densité de Y est
g(y) = ae−ay pour y > 0 :
Z +∞ Z +∞
−Y −y −ay
E(e ) = e ae dy = a e−(a+1)y dy
0 0

En utilisant le résultat de la question 4(a) avec λ = a + 1 :

1 a
E(e−Y ) = a × =
a+1 a+1

(c) Exprimer X en fonction de Y et espérance de X :

Y = − ln(1 − X) ⇐⇒ −Y = ln(1 − X) ⇐⇒ e−Y = 1 − X ⇐⇒ X = 1 − e−Y

Par linéarité de l’espérance :

a a+1−a 1
E(X) = E(1 − e−Y ) = 1 − E(e−Y ) = 1 − = =
a+1 a+1 a+1

6
(d) Espérance de e−2Y et variances :
Z +∞ Z +∞
−2Y −2y −ay 1 a
E(e )= e ae dy = a e−(a+2)y dy = a × =
0 0 a+2 a+2

On en déduit la variance de e−Y avec la formule de Koenig-Huygens :

V (e−Y ) = E((e−Y )2 ) − (E(e−Y ))2 = E(e−2Y ) − (E(e−Y ))2

2
a(a + 1)2 − a2 (a + 2)

−Y a a
V (e )= − =
a+2 a+1 (a + 2)(a + 1)2
a(a2 + 2a + 1) − a3 − 2a2 a3 + 2a2 + a − a3 − 2a2 a
V (e−Y ) = 2
= 2
=
(a + 2)(a + 1) (a + 2)(a + 1) (a + 2)(a + 1)2
Enfin, pour la variance de X :
a
V (X) = V (1 − e−Y ) = V (−e−Y ) = (−1)2 V (e−Y ) = V (e−Y ) =
(a + 2)(a + 1)2