1.

Distribution de Probabilité
Plan
1.1 Définition
1.2 Distribution de probabilité binomiale
1.3 Distribution de Probabilité de Poisson
1.4 Distribution Normale

Objectifs
À la fin de ce chapitre, les étudiants devraient être capables de
1. Comprendre la distribution de probabilité discrète et continue.
2. Calculez la probabilité en utilisant la distribution binomiale, Poisson et normale.

1.1 Définition

1.1.1 Définition de la variable aléatoire

Une variable aléatoire est une description numérique du résultat d'une expérience. Par exemple,
si une pièce est lancée deux fois. Cet expérience peut avoir quatre résultats possibles : HH, HT, TH,
et TT. Supposons que nous laissions la variable X représenter le nombre de Faces qui résultent de cela
expérience. La variable X peut prendre les valeurs 0, 1 ou 2. Dans cet exemple, X est un aléatoire.
variable ; car sa valeur est déterminée par le résultat d'une expérience.

Les variables aléatoires sont des valeurs numériques qui peuvent être discrètes ou continues.

Une variable aléatoire discrète est une fonction avec des valeurs dénombrables ou exactes. Par exemple, le
nombre de livres vendus au cours d'un mois donné, le nombre de maisons dans un certain quartier, et le
nombre de voitures passant par le péage.

Une variable aléatoire continue est une variable aléatoire qui peut prendre n'importe quelle valeur contenue dans
un ou plusieurs intervalles. Par exemple, le temps pris pour compléter la réponse à un examen
questions, la taille d'une personne, et le poids d'une personne.

Testez votre compréhension :

1. Un experiment consiste à passer 80 appels téléphoniques afin de vendre un produit particulier.
police d'assurance. La variable aléatoire dans cette expérience est une
a. variable aléatoire discrète
b. variable aléatoire continue

2. Un expériment consiste à déterminer la vitesse des automobiles sur une autoroute par le
utilisation de l'équipement radar. La variable aléatoire dans cette expérience est une
a. variable aléatoire discrète
b. variable aléatoire continue

1.1.2 Définition de la distribution de probabilité

Une distribution de probabilité est une description de la distribution des valeurs d'une variable aléatoire
et leurs probabilités associées.

1
 (a) Distribution de probabilité d'une variable aléatoire discrète
Si X est une variable aléatoire discrète qui prend les valeurs x1,x 2,x 3 ..........x,n alorsP  X xisje
PX
la probabilité de X respectivement, c'est-à-dire x  , P  X x  , P  X x,…,P
3 X x 
n
1 2
où toutes les probabilités sont positives. Communément, un tableau de distribution de probabilité est utilisé pour
résumerP X  x. Lesje caractéristiques de la distribution de probabilité d'une variable aléatoire discrète
les variables sont les suivantes :

(a)0  x je1
P X

(b) P  jeX x 1
je

Exemple 1

Un dé à six faces équilibré est lancé. Si X représente le nombre sur le dé.

a) Montrer que X est une variable aléatoire discrète.
b) Graphique la fonction de distribution de probabilité pour le lancement d'un seul dé à six faces.
c) Trouvez P(X < 4).

Solution :

a) Soit X le nombre sur le dé. La distribution de probabilité de X est la suivante :

X 1 2 3 4 5 6
1 1 1 1 1 1
P(X = x) 6 6 6 6 6 6

6
1 1 1 1 1 1
PX x je     
je 1 6 6 6 6 6 6
1.
Ainsi, X est une variable aléatoire discrète.

b)

c)
PX 4  P X 1 P  X  2 P x  3  
1 1 1
 
6 6 6
1
.
2

2
 (b) Distribution de Probabilité d'une Variable Aléatoire Continue
Les variables aléatoires continues sont définies dans un intervalle, comme la variable du temps, le poids,
longueur, etc. Une variable aléatoire continue X est définie par sa fonction de densité de probabilité,
f  x , pour toutes les valeurs de X qui sont valides dans son intervalle. Si X sont valides dans l'intervalle
a,b , le
Les caractéristiques de la distribution de probabilité d'une variable aléatoire continue sont les suivantes :

a) 0 f  x 1

b) f  x dx 1

b

c) P  a X b  P a X b  a
P  X b P a X b f x dx 
un

d) P  a X b  P X b P  X a 

Exemple 2

1
Donner f x  
 4 xfor 1 x 3 Montrez que la fonction est la fonction de densité de probabilité
4
et trouverP  X 2  .

Solution :

3 3
1
f  x dx  4 x dx
1 1
4
3
1 x2
4x
4 2 1

1 9 1
12  4
4 2 2
1.
Ainsi, f(x) est la fonction de densité de probabilité.

2
1
PX 2  4 x dx
14
2
1 x2
4x
4 2 1

1 4 1
8  4
4 2 2
5
.
8

3
1.1.3 Valeur Attendue (Moyenne) et Variance

La valeur espérée d'une variable aléatoire discrète est la valeur moyenne pour la variable aléatoire.
variable sur de nombreuses répétitions de l'expérience.
Moyenne = E(X).

La variance est une mesure de dispersion ou de variabilité d'une variable aléatoire.

Variance (X) = E(X2)–[E(X)]2.

L'écart type est la racine carrée positive de la variance.

1.2 Distribution de probabilité binomiale

La distribution binomiale est liée à l'essai de Bernoulli. L'essai de Bernoulli est une expérience qui a
seulement deux résultats possibles, succès ou échec. Si un événement se produit, il peut être considéré comme
le succès et un échec signifient que l'événement ne se produit pas. En général, si X est une variable discrète
variable aléatoire qui représente le nombre de succès dans des essais indépendants d'un
expérience, la distribution de probabilité de X est donnée par

PX r  C prrq nr

n

où

pis la probabilité de succès,

q est la probabilité d'échec et q = 1 - p,
ris est le nombre de succès.

La distribution de probabilité binomiale peut être notée X~B(n, p) et est utilisée avec un
variable aléatoire discrète donc c'est un exemple de distribution de probabilité discrète.

Pour déterminer si une variable a une distribution binomiale, la condition suivante doit être remplie
vérifier

Le nombre d'essais, n, doit être fixe

2. Chaque essai ne peut aboutir qu'à l'un des deux résultats, qui sont le succès ou l'échec.
3. La probabilité d'un succès dans un essai unique est une constante.
4. Chaque essai est indépendant

Il existe deux façons de trouver la probabilité d'une distribution binomiale, qui sont en utilisant
tableau statistique ou en utilisant la formule de la distribution binomiale comme indiqué ci-dessus.

Exemple 3

Une pièce est lancée trois fois. Trouvez la probabilité d'obtenir.

a) pas de têtes
b) exactement une tête
c) exactement deux têtes

Solution :

X = le nombre de têtes obtenues

X~B(3, 0.5)

4
 P(X x) Cn x p x (1 p)nx

(a)P(X 0) C03(0,5)0 (1 0,5)30 = 0,125

(b)P(X 1) 3
C1(0,5)1(1 0,5)31 3(0,5)(0,5)2 0,375
(c)P(X 2) 3
C2 (0.5)2 (0,5)1 0,375

Exemple 4

Dans un panier, 20 % des œufs sont endommagés. Si des échantillons aléatoires de 10 œufs sont prélevés, trouvez le
probabilité que,

a) exactement 3 œufs sont endommagés

b) tous les œufs sont bons
c) pas plus de trois œufs sont endommagés
d) plus de 2 œufs sont endommagés
e) au moins 2 œufs sont endommagés

Solution :

X = le nombre d'œufs endommagés

X~B(10, 0,2)

a) P(X 3) 10
C3 (0,2)3 (0.8)7 0,2013

b) P(X 0) 10
C0 (0.2)0 (0,8)dix 0,1074

c) P(X 3)
P(X 0) P(X 1) P(X 2) P(X 3)
10 0  C(0,2)(0,8)
C(0,2) (0,8) 10 10 C(0.2) (0.8)
9 C(0,2)
10 (0,8)2 8 10 3 7
0 1 2 3
0,1074 0,2684 0,3020 0,2013
0,8791

d) P(X > 2) = 1 - [P(X= 0) + P(X= 1) + P(X= 2)]

= 1 - [0.1074 + 0.2684 + 0.3020]
= 0.3222

e) P(X ≥ 2) = 1 - [P(X= 0) + P(X= 1)]

= 1–[ 0,1074 + 0,2684 ]
= 0,6242

Exemple 5

30 % des étudiants d'un collège portent des lunettes. D'un échantillon de 15 étudiants choisis à
aléatoire, trouver la probabilité que
a) seulement 3 étudiants portent des lunettes
b) plus d'un étudiant porte des lunettes

5
Solution :

nombre d'élèves qui portent des lunettes

n= 15 p= 0.3 X~B(15, 0.3)

a) P(X= 3) = C3(0.3)
15 3(0.7)12

= 0.1700

b) P(X > 1) = 1 –[P(X = 0) + P(X = 1)]

= 1 –[ 15C0(0.3)0(0.7)15+ C
15 (0.3)1(0.7)14]
1
= 1 –[ 0.0047 + 0.0305 ]
= 0,9648

Exemple 6

Une boîte contient des oranges et 20 % des oranges sont pourries. Si un échantillon de 5 oranges est
choisi au hasard, trouvez la probabilité que
a) toutes les oranges sont pourries,
b) aucune des oranges n'est pourrie
c) au moins une des oranges est pourrie
d) seul un est pourri
e) seulement trois sont pourris
f) pas plus de deux sont pourris

Solution :

X= le nombre d'oranges pourries

n= 5 p= 0.2 X~B(5, 0.2)

a) P(X= 5) = C5(0,2)
5 5(0.8)0

= 0,00032

b) C0(0,2)0(0,8)5 5
= 0,3277

c) P(X 1) = 1–P(X= 0)
= 1 –0,3277
= 0,6723

d) P(X= 1) = C1(0,2)
5 1(0.8)4

= 0,4096

e) P(X= 3) = C3(0,2)
5 3(0.8)2

= 0,0512

f) P(X 2) = P(X= 0) + P(X= 1) + P(X= 2)

= 0.3277 + 0.4096 + C
5 (0.2)2(0.8)3
2
= 0.9421

6
1.2.1 Valeur Attendue (Moyenne) et Variance d'une Distribution Binomiale

Si X~B(n,p), alors le

Moyenne =E(X) =np

variance 2=
Var(X) = npq
écart type = Var(X) = npq

Exemple 7

3.33

Solution :
2
n= 5, p=
3
Moyenne =np= 5(2/3) = 10/3
Variance, 2=npq= 10/3(1/3) = 10/9

Écart type = 10 / 3

Exemple 8

Un dé équitable est lancé 300 fois. Trouvez la moyenne et l'écart type du nombre.
6 obtenu.

Solution :

X = le nombre de fois que le numéro 6 est obtenu

1
X~B(300, )
6
1
Moyenne,=np= (300) ( ) = 50
6
1 5
Variance 2=npq= (300) ( ) ( ) = 41.67
6 6
écart type = var(X) 41,67 6.45

Exemple 9

Une étude a révélé que deux familles sur cinq dans un pays ont accès à Internet dans leur
maisons.
a) Un échantillon de 4 familles est sélectionné au hasard dans le pays. Trouvez la probabilité que
Deux ou plusieurs familles ont accès à Internet dans leurs maisons.
b) moyenne
nombre de familles ayant accès à internet chez elles.

Solution :

X = le nombre de familles ayant accès à Internet dans leurs maisons.

X~B(4, 0.4)

a) P(X 2) =4C2(0.4)2(0,6)2+ C3(0.4)

4 3(0.6)1+ C (0,4)
4
4 4(0,6)0

= 0.5248

7
b) = np= 900(0.4) = 360
= 900(0,4)(0,6) = 14.70

Exemple 10

Une variable aléatoire suit une distribution binomiale avec une moyenne de 6 et une variance de 4,2. Trouvez P(X = 5).

Solution :

np= 6 4,2
6q= 4.2 q= 0.7 p = 1 - 0,7 = 0,3
np=n(0,3) = 6 n = 20

P(X= 5) =20C5(0.3)5(0,7)15 0,1789

Exemple 11

Un dé équitable doit être lancé 1500 fois. Étant donné que la variable aléatoire X représente le
nombre de fois qu'un '4' se produit, trouvez la moyenne et la variance de X.

Solution :

X~B(1500, 1/6)

Méchant, =np= 1500(1/6) = 250

Variance 2=npq= 250(5/6) = 208,33

1.2.2 Tableaux de la distribution binomiale

Les tables de distribution binomiale peuvent également être utilisées pour trouver des probabilités pour les questions liées.
à la distribution binomiale. L'utilisation de ces tableaux peut rendre des calculs potentiellement longs beaucoup plus simples.
plus court. Le tableau donne la probabilité des éléments suivants.

n
P(X r) Cx p x (1 p)n x
n

X r

Exemple 12

X est une variable aléatoire telle que X~B(5, 0.3). En utilisant le tableau binomial, trouvez
a) P(X 3)
b) P(X 3)
c) P(X 3)
d) P(X 3)
e) P(X 3)

8
Solution :
a) P(X 3) 0,1631
b) P(X 3) P(X 4) 0,0308
c) P(X 3) 1 P(X 4) 1 0,0308 0,9692
d) P(X 3) 1 P(X 3) 1 0,1631 0,8369
e) P(X 3) P(X 3) P(X 4) 0,1631 0,0308 0,1323

Dans le tableau binomial, les valeurs de probabilité répertoriées (p) sont inférieures à 0,5. Le suivant
l'exemple montre comment déterminer les probabilités binomiales en utilisant le tableau lorsque p est supérieur
que 0,5.

Exemple 13

X est une variable aléatoire telle que X ~ B(10, 0,8). En utilisant le tableau binomial, trouvez
a) P(X 4)
b) P(X 4)
c) P(X 4)
d) P(X 4)

Solution :

Laissez
X = nombre de succès, X~B(10, 0,8) et
Y = nombre d'échecs, Y~B(10, 0.2)

X~B(10, 0.8) Y~B(10, 0.2)

a) P(X≤ 4) P(Y≥ 10 –4) =P(Y≥ 6)
= 0,0064 = 0.0064

b) P(X < 4) P(Y > 10–4) = P(Y ≥ 7)

= 0,0009 = 0,0009

c) P(X > 4) P(Y < 10^{-4}) = P(Y < 6)

= 0,9936 = 1–P(Y≥ 6)
= 1–0.0064
= 0.9936

d) P(X≥ 4) P(Y≤ 10 –4) =P(Y≤ 6)

= 0,9991 = 1–P(Y≥ 7)
= 1–0.0009
= 0,9991

Exemple 14

Pour une variable aléatoire X avec une distribution binomiale B(10, 0,45). Trouvez 'a'.
a) où P(X≥a) = 0.4956
b) où P(X<a) = 0.89801
c) où P(X=a) = 0.2474

9
Solution :

a) P(X≥a) = 0.4956
P(X≥ 5 ) = 0,4956
thusa= 5 (from the tables)

b) P(X<a) = 0,89801
1–P (X≥a) = 0.89801
P(X≥a) = 1–0.89801 = 0.10199 = 0.1020
P(X≥ 7 ) = 0.1020 thusa= 7
c) P(X=a) = 0,23836
P(X≥a) - P(X≥a+ 1 ) = 0.2474
P(X≥ 4 )-P(X≥ 5 ) = 0,2474 (à partir des tables)
thusa= 4

1.3 Distribution de Probabilité de Poisson

La distribution de Poisson est utilisée pour modéliser des situations qui se produisent sur une période donnée.
ou espace.

Exemples où un modèle de Poisson pourrait être utilisé :

i) appels téléphoniques passés à un standard dans une minute donnée

ii) accidents de la route sur une autoroute particulière en un jour
iii) défauts dans un mètre de tissu
iv) un type particulier d'organisme que l'on trouve dans un échantillon d'eau de 1 ml

Si X = le nombre de fois qu'un événement se produit dans une quantité donnée d'espace ou de temps, alors X
prend les valeurs 0, 1, 2, 3, . . . et

e x
P(X=x) = x = 0, 1, 2, 3, …
x !

Ceci est noté par X~ Po( ) où est le paramètre ou la moyenne de la distribution et

0.

La distribution de probabilité de Poisson est utilisée avec une variable aléatoire discrète, donc c'est un
exemple de distribution de probabilité discrète.

1.3.1 Valeur Attendue (Moyenne) et Variance d'une Distribution de Poisson

SiX Po( ), puis la moyenne et la variance de la distribution avec le paramètre sont tous les deux
égal à .

i) =E(X) =
ii) 2= Var(X) =
iii) =

10
Exemple 15

SiX Po(3.5), trouver

a) P(X= 0)
b) P(X= 2)
c) P(X < 1)
d) P(X≤ 2)
e) P(X≥3)

Solution :

e x
P(X=x) = , = 3.5
x!

e 3 .53.5 0
a) P(X= 0) = = 0,0302
0!


e 3 .53,5 2
b) P(X= 2) = = 0,1850
2!

c) P(X < 1) = P(X = 0) = 0,0302

d) P(X≤ 2) =P(X= 0 ) +P(X= 1) +P(X= 2 )

 3.5  0   3,5  1   3,5  2
= e 3 ,5
0! 1! 2!

= 0,0302 1 + 3,5 + 6,125

= 0.3209

e) P(X≥3) = 1–P(X≤ 2)
= 1 –0,3209
= 0,6791

Exemple 16

Le nombre d'appels téléphoniques passés à un standard au cours d'un après-midi peut être modélisé
par une distribution de Poisson avec une moyenne de huit appels par période de cinq minutes. Trouver le
probabilité que dans les cinq prochaines minutes :
a) aucun appel n'est passé
b) cinq appels sont effectués
c) au moins trois appels sont effectués
d) moins de quatre appels sont passés

Solution :

X= le nombre d'appels effectués dans une période de cinq minutes

=8 X Po(8)

e 8 80
a) P(X= 0) = = e 8 0,0003
0!

11
 e 8 85
b) P(X= 5) = = 0,0916
5!

c) P(X≥ 3) = 1 –[P(X=0) +P(X=1) +P(X=2)]

= 1 –[ e 8 (1 + 8 + 32) ]
= 0,9862

d) P(X < 4) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3)

= e 8 (1 + 8 + 32 + 85,3)
= 0,0424

Exemple 17

Le nombre de demandes de taxis auprès d'une société de taxis est distribuée selon une loi de Poisson, avec une moyenne de quatre.
exige toutes les 30 minutes. Trouvez les probabilités de
a) pas de demandes dans 30 minutes
b) une demande dans une heure
c) moins de deux demandes en 15 minutes

Solution :

a) = 4 demandes en 30 minutes
e-440
P(X 0) 0,018
0!

b) = 8 exigences en 60 minutes (1 heure)

e-8 81
P(X 1) 2,68 10-3
1!

c) = 2 demandes en 15 minutes
e-220e-221
P(X 2)  0,4060
0! 1!

1.3.2 Table de la distribution de Poisson

Les tables de la distribution de Poisson peuvent également être utilisées pour trouver des probabilités pour les questions liées.
à la distribution de Poisson. L'utilisation de ces tables peut rendre des calculs potentiellement longs beaucoup plus simples.
plus court. Le tableau donne la probabilité de ce qui suit.

e x
P(X r)
x r x !

Exemple 18

Le nombre de clients arrivant à une caisse de supermarché dans un intervalle de 10 minutes peut être
modélisé par une distribution de Poisson avec une moyenne de 4. Trouvez la probabilité que le nombre de
les clients arrivant dans un intervalle de 10 minutes spécifiques est :

12
a) deux ou moins
b) moins de sept
c) exactement trois
d) entre trois et sept inclus
e) cinq ou plus

Solution :

X Po(4)

a) P(X≤ 2) = 1 –P(X≥ 3)
= 1 –0.7619
= 0,2381

b) P(X < 7) = 1 – P(X ≥ 7)

= 1 –0,1107
= 0.8893

c) P(X= 3) = P(X≥ 3) –P(X≥ 4)

= 0,7619 - 0,5665
= 0.1954

d) P(3 ≤ X ≤ 7) = P(X≥ 3) - P(X≥ 8)

= 0.7619 –0.0511
= 0.7108

e) P(X≥ 5) = 0,3712

Exemple 19

Le nombre de blessures industrielles par semaine de travail dans une usine particulière est connu pour suivre un
Distribution de Poisson avec une moyenne de 0,5. Trouvez la probabilité que
a) au cours d'une semaine particulière, il y aura
moins de 2 accidents
ii) plus de 2 accidents;
b) au cours d'une période de trois semaines, il n'y aura pas d'accidents.

Solution :

X Po(0,5)

a) i) P(X< 2) = 1 –P(X≥ 2)
= 1 - 0.0902
= 0,9098

ii) P(X >2) = P(X≥ 3)

= 0,0144

b) Dans 3 semaines, moyenne = 3(0,5) = 1,5

donc,X Po(1,5)

13
 P(X= 0) = 1 –P(X≥ 1)
= 1 –0.7769
= 0,2231

Exemple 20

Le nombre de pannes dans une machine particulière se produit à un rythme de 2,5 par mois.
En supposant que le nombre de pannes suit une distribution de Poisson, trouvez la probabilité.
cela,
a) plus de 3 pannes se produisent dans un mois particulier.
b) moins de 10 pannes se produisent en une période de 3 mois.
c) exactement 3 pannes se produisent en 2 mois.

Solution :

X~ Po(2.5)

a) P(X > 3) = P(X 4) = 0,2424

b) Dans 3 mois, moyenne = 3(2,5) = 7,5

X~ Po(7,5)
P(X < 10) = 1 – P(X 10)=1–0.2237 = 0.7763

c) Dans 2 mois, moyenne = 2(2,5) = 5

X~ Po(5)
P(X= 3) = P(X 3)–P(X 4)=0,8753–0,7350 = 0,1403

1.3.3 Utilisation de la distribution de Poisson comme approximation de la distribution binomiale

Il est approprié d'utiliser la distribution de Poisson comme approximation de la binomiale

distribution quand

nis large (n > 50)

pis petit (p< 0,1)

Cette approximation particulière est plus précise quandp 0et n .

Exemple 21

Laissez
X~ B(100, 0.09). En utilisant la distribution de Poisson comme approximation de la binomiale
distribution, determine

(a)P X 5 
(b)P X 3 
(c)P X 10 

14
Solution :

Puisque n est grand et p est petit, il est approprié d'utiliser la distribution de Poisson comme un
approximation à la distribution binomiale avec np

 100   0,09  9

La nouvelle distribution : X~Po9

 

(a) P(X > 5) = P(X 6)

0,8843

(b) P(X 3) = 1–P(X 4)

= 1–0.9788
= 0,0212

(c) P(X = 10) = P(X dix)–P(X 11)

= 0.4126–0.294
= 0,1186

1.4 Distribution Normale

Les données peuvent être dispersées de différentes manières.

Il peut être biaisé à gauche ou à droite ou symétrique autour d'une valeur centrale.

Dans le cas où les données sont symétriques autour d'une valeur centrale, elles ressemblent à une forme de cloche.

Distribution normale

signifie

Alors, la distribution est nommée distribution normale.

La distribution normale est un exemple de distribution de probabilité d'une variable aléatoire continue.

Il existe de nombreuses variables aléatoires suivant une distribution normale. Par exemple,

Poids corporel
Dimension de la tige
Vitesse de la voiture
Résultats d'examen

Pour une variable X distribuée normalement ayant une moyenne et un écart type , le
L'équation de la courbe peut être écrite sous la forme

15
 1 2 2
y e ( x  ) /2

2
où
e 2,718
3,14
moyenne de la population
écart type de la population

2
Si une variable aléatoire continue X a une distribution normale avec une moyenne et variance ,
nous pouvons écrire :

X ~ N( , 2)

Propriétés de la distribution normale

1) La courbe de distribution normale a la forme d'une cloche.

2) La moyenne, la médiane et le mode sont égaux et situés au centre de la distribution.
3) La courbe est symétrique par rapport à la moyenne.
4) La surface totale sous la courbe de distribution normale est égale à 1 ou 100 %.

1.4.1 Distribution Normale Standard

La distribution normale standard est une distribution normale avec une moyenne de 0 et un écart type
deviation de 1. La variable aléatoire normale standard est généralement notée Z.

Toutes les variables distribuées normalement peuvent être transformées en distribution normale standard.
variable en utilisant la formule suivante :

valeur-moyenne X-
Z ou Z ,
écart type

où Z ~ N(0, 1)

Exemple 22

Si X = 1, 2, 3, 4, 5, 6, 7 et X ~ N(4, 4), convertissez les données en scores z.

Solution :

= 4, = 4=2

X-
Z

16
 1
X=1⇒ Z= -1,5
2
2-4
X=2⇒ Z= -1
2
34-
X=3⇒ Z= =-0,5
2
4-4
X=4⇒ Z= =0
2
4-5
X=5⇒ Z= =0.5
2
46-
X=6⇒ Z= =1
2
7-4
X=7⇒ Z= =1,5
2
Exemple 23

X est une variable aléatoire suivant une distribution normale avec une moyenne de 10 et une variance de 9. Trouvez le
Valeur Z qui serait utilisée pour représenter une valeur X de 14.

Solution :

= 10, = 9=3

Standardiser la VariableX :

X 14 10
Z= = = 1,33
3

Exemple 24

La variable aléatoire X suit une distribution normale avec une moyenne de 1000 et une variance de 100.
Lorsque Xt prend des valeurs entre 1005 et 1010, entre quelles valeurs se situe la valeur standardisée ?
variable normale Zlie?

Solution :

X-1000
La transformation est Z
10
1005-1000
quandX= 1005,Z 0,5
10

1010-1000
quandX= 1010,Z 1
10

Donc Z se situe entre 0,5 et 1.

17
1.4.2 Tableau pour la distribution normale standard

La table de distribution normale standard que nous utilisons donne P(Z z):

P(Z z)

0 z x
Que se passe-t-il si nous voulons trouver la valeur de P(Z<z),P(Z –z), P(0 < Z < z), etc.? Nous allons utiliser quelques
modification et le fait que la distribution normale standard est symétrique autour de sa moyenne.

Remarque : Assurez-vous que tous les signes sont « » ou «>» avant de lire le tableau !

Exemple 25

a) Étant donné que Z~N(0, 1), trouvez :

i)P(Z<1) ii) P(0 < Z < 1,42)

iii)P(0,9 <Z< 2) iv)P(0.42 < Z < 0
v)P(2.1 < Z <0
 ,98 vi)P(0,5 <Z< 2,4)

Solution :

i)P(Z<1) =P(Z> 1) = 0.1587

= (symétrique)

ii)P(0 <Z< 1.42) =P(Z> 0) –P(Z 1.42) = 0.5–0.0778 = 0.4222

= –

iii)P(0.9 <Z< 2) =P(Z> 0.9) –P(Z 2) = 0.1841 – 0.02275 = 0.16135

= –

18
iv)P(0,42 < Z < 0) = P(0 < Z < 0,42)

= (symétrique)

= –

=P(Z> 0) –P(Z 0.42) = 0.5–0.3372 = 0.1628

v)P(2,1 < Z <0

 ,98) =P(0,98<Z< 2,1)

= (symétrique)

= –

=P(Z> 0.98) –P(Z 2,1) = 0,1635 – 0,01786 = 0,14564

vi)P(0,5 <Z< 2,4) = 1–P(Z ≤ -0,5)–P(Z 2.4)

= –

= 1–P(Z 0,5)–P(Z 2.4) = 1–0.3085–0.0082 = 0.6833

Exemple 26

Étant donné que Z~N(0, 1), trouvez la valeur de 'a' si

i)P(Z>a) = 0,3594 P(Z<a) = 0.0985

iii)P(Z<a) = 0.7673 iv)P(0,3 <Z<a) = 0,0269
v)P(0.5 <Z<a) = 0.5328 vi)P(a<Z<a) = 0.7062

Solution :

i) P(Z>a) = 0.3594 (la probabilité est inférieure à 0,5 pour Z supérieur à a, donc a > 0)

Regardez le tableau pour la probabilité 0,3594 et lisez le

correspondingzvalue

a= 0,36

19
ii) P(Z<a) = 0.0985 (la probabilité est inférieure à 0.5 pour Z moins que a, donc a < 0)

-a= 1,29
= a=–1,29

iii) P(Z<a) = 0,7673 (la probabilité est supérieure à 0,5 pour Z inférieur à a, donc a > 0)

= –

0.7673 = 1–P(Z>a)
P(Z>a) = 1–0.7673 = 0.2327
a= 0.73

iv)P(0,3 < Z < a) = 0,0269 (la probabilité est faible, a < 0)

= P(Z>–a)–P(Z 0,3) = 0,0269

P(Z>-a) = 0.0269 + 0.3821 = 0.409

–a= 0,23, a=–0,23

v)P(0.5 < Z < a) = 0.5328 (la probabilité est supérieure à 0.5, a > 0)

1–P(Z<–0.5)–P(Z> a) = 0.5328
P(Z>a) = 1–P(Z> 0.5)–0.5328
= 1–0,3085–0,5328 = 0,1587
a= 1

vi)P(a<Z<a) = 0.7062

1–2P(Z >a) = 0.7062

P(Z >a) = 0.1469
a= 1,05

20
Exemple 27

Étant donné que X a une distribution N(100, 80), évaluez

i)P(85 <X< 112) ii)P(105 <X< 115)
iii) P(85 < X < 92) iv) P(99 < X < 105)

Solution :
85 100 112 100
i) P(85 < X < 112)P = Z = P(1,68 Z 1.34
80 80

= 1–P(Z> 1.68)–P(Z> 1.34)

= 1–0.0465–0.0901 = 0.8634

105 100 115 100

ii) P(105 < X < 115) =P Z =P(0,56 < Z < 1,68)
80 80

=P(Z> 0.56)–P(Z> 1.68)

= 0,2877 – 0,0465 = 0,2412

85 100 92 100

P =
iii) P(85 < X < 92) Z = P(1.68 Z 0
 ,89
80 80

=P(0.89 < Z < 1.68)

=P(Z> 0.89)–P(Z> 1.68)

= 0.1867–0.0465 = 0.1402

99 100 105 100

iv) P(99 < X < 105)P = Z = P(0,11 Z 0,56
80 80

= 1–P(Z> 0,11)–P(Z> 0,56)

= 1–0.4562–0.2877 = 0.2561

Exemple 28

Si X ~ N(45, 2) et P(X > 51) = 0,288, trouvez l'écart type de la distribution.

Solution :

51 45
P Z 0,288

6
0,56

= 10,71

21
Exemple 29

Si X ~ N( , 25) et P(X < 27,5) = 0,3085, trouvez .

Solution :

27,5
P Z 0,3085
5
2
 7,5
P Z 0,3085
5
 27,5
0,5
5
= 30

Exemple 30

La longueur, en cm, d'un cylindre en laiton suit une distribution normale avec une moyenne μ et une variance σ.2,
à la fois μ et σ2être
inconnu. Supposons qu'un grand échantillon révèle que 10% des
Les cylindres mesurent plus de 3,68 cm et 3 % mesurent moins de 3,52 cm. Trouvez les valeurs de
μ et σ2.

Solution :

X = la longueur d'un cylindre en laiton

X~N( , 2)
P(X > 3,68) = 0,1 et P(X < 3,52) = 0,03

3,68
P Z 0.1

3,68
1.2816 (de tableau)

+ 1,2816 = 3.68 …..(1)

3,52
P Z 0,03

3
 ,52
P Z 0,03

 3,52
1.8808(depuis le tableau)

-1,8808 = 3,52 …..(2)

(1)–(2):

3,1624 = 0,16

= 0,0506 = 3.6152

22
Exemple 31

Supposons que les poids des bagages des passagers d'avion soient distribués normalement avec une moyenne de
22,04 kg et un écart-type de 1,7 kg.

i) Quelle est la probabilité que le poids d'un sac soit inférieur à 22 kg ?

ii) Quelle est la probabilité que le poids d'un sac soit compris entre 20 et 25 kg ?

iii) Supposons que les poids des sacs individuels soient indépendants. Quelle est l'espérance
nombre de sacs sur un échantillon de 16 qui pèsent moins de 22 kg ?

iv) En supposant que les poids des sacs individuels sont indépendants, quelle est la probabilité que
exactement 10 sacs pèsent moins de 22 kg dans un échantillon de taille 13 ?

Solution :

X = le poids d'un sac sélectionné au hasard

X~N(22.04, 1.72)

22−22,04
i) P(X < 22) = ( < ) = ( < -0.024) = 0,49
1.7

ii) P(20 < X < 25) = (20−22.04< < 25−22,04) = (-1.2< < 1.74)=0,844
1.7 1.7

iii) E(X) = np =16 ×0.49=7.84

iv) Y = le nombre de sacs pesant moins de 22 kg

Y~B(13, 0.49)
P(Y= 10) =( 13) ( (1 10
0.49 3
− )0.49)= 0,0303
10

Exemple 32

Supposons que les notes d'un examen suivent une distribution normale avec une moyenne de 76 et un écart-type
écart 15. Les 15 % des meilleurs étudiants reçoivent des A et les 10 % des moins bons reçoivent des F. Trouvez
i) la note minimale pour obtenir un A
ii) la note minimale pour réussir (ne pas obtenir un F)

Solution :

X = les notes d'un examen

X~N(76, 152)

i)P(X a) = 0.15
un 76
P Z 0,15
15
un 76
1,0364
15

a= 91.546

La note minimale pour recevoir un A est de 92.

23
ii)P(X≤b) = 0.1
b 76
P Z 0,1
15
  76
b
P Z 0,1
15
b 76
1.2816
15

b= 56.776

La note minimale pour réussir est de 57.

Exemple 33

Les œufs de poule ont une masse moyenne de 60 g avec un écart type de 15 g, et la distribution de
leur masse peut être considérée comme normale. Les œufs de moins de 45 g sont classés comme 'petits'.
le reste est classé comme 'standard' ou 'large'. Il est souhaité que ces deux classifications
devrait se produire avec une fréquence à peu près égale. Suggérez la masse à laquelle la division
entre standard et grand devrait être fait.

Solution :

X= la masse des œufs de poule

X~N(60, 152)

45 60
P(X < 45) = P Z P(Z 1
 ) P(Z 1) 0,1587
15

La probabilité que les œufs soient classés comme 'grands' ou 'standard'

= 1–0,1587 = 0,8413.

0,8413
La probabilité que les œufs soient classés comme « grands » = 0,4207
2
un 60
P(X a) P Z 0,4207
15
un 60
0,2
15

a= 63

La masse à laquelle la division entre standard et large doit être faite est de 63g.

24
 Exercices
Chapitre 1 Distribution de probabilité

Exercice 1.1 – Types de variables aléatoires

1. Lequel de ces éléments sont des variables aléatoires discrètes, et lesquels sont continus ?
a) Le nombre de fois qu'un adulte choisi au hasard a voyagé à l'étranger.
b) La quantité de carburant dans le réservoir d'essence d'une voiture sélectionnée au hasard.
c) Le temps entre les arrivées des clients à un guichet automatique de banque.
d) Le nombre d'accidents industriels signalés par semaine dans une usine.
e) Le nombre de points marqués par une équipe de basketteurs lors des 5 premiers matchs.
f) La vitesse des motos sur la route.

[Answer: a) Discrete b) Continuous c) Continuous d) Discrete e) Discrete f) Continuous ]

2. Which of these are discrete random variables, and which are continuous?
a) Le nombre de voitures arrivées au lave-auto de Nick.
b) Le nombre d'ampoules défectueuses dans une boîte de dix.
c) La durée de vie d'une batterie de téléphone mobile.
d) La distance entre deux endroits.
e) Le nombre de livres empruntés dans une bibliothèque en une journée.
f) Le nombre de cours suivis en un semestre par un étudiant
g) Les précipitations annuelles dans une ville.

Discret
Continu

Exercice 1.2 - Espérance Mathématique pour Distribution de Probabilité Discrète

1. Le tableau suivant donne la distribution de probabilité du nombre d'automobiles vendues par un

concessionnaire automobile dans une semaine :

Automobiles vendues 0 1 2 3 4 5
Probabilité P(X=x) 0,05 0,12 0,30 0,20 k 0,10

Trouver
a) la valeur de k.
b) P(X=1)+P(X=2).
c) la probabilité que plus de 3 automobiles soient vendues en une semaine, P(X > 3).
d) la probabilité que moins de 2 automobiles soient vendues en une semaine, P(X < 2).

[Answer: a) 0.23 b) .0.42 c) 0.33 d) 0.17]

2. Le tableau suivant présente la distribution de probabilité du nombre de pannes par

mois pour une machine.

Répartition par semaine, x 0 1 2 3

Probabilité P(X=x) 0,12 0,23 0,36 0,29

Trouver
a) la probabilité qu'au moins 1 machine tombe en panne par mois.
b) la probabilité qu'au maximum 2 machines tombent en panne par mois.

25
[Answer: a) 0.88 b) 0.71]

3. Soit x le nombre de systèmes de démarrage à distance installés en un jour donné par un

magasin particulier. Le tableau suivant présente la distribution de fréquence de x pour les 80 dernières
jours.

X 0 1 2 3 4
Fréquence 8 20 24 16 12

a) Construire un tableau de distribution de probabilité pour le nombre de systèmes de démarrage à distance

installé un jour donné.
b) Par conséquent, tracez un graphique de la distribution de probabilité.
c) Calculez le nombre attendu de systèmes de démarrage à distance installés par jour.

Réponse: a)
X 0 1 2 3 4
P(X=x) 0,1 0,25 0,3 0,2 0,15

c) 2.05 ]

Exercice 1.3 – Distribution de probabilité binomiale

1. La probabilité que Joe, un joueur de baseball, réussisse un coup est de 0,365 à chaque fois qu'il bat.
jeu particulier, supposons que Joe a frappé trois fois.
a) Quelle est la probabilité que Joe obtienne trois coups ?
b) Quelle est la probabilité que Joe n'obtienne aucun coup ?
c) Quelle est la probabilité que Joe obtienne au moins un coup ?

[Answer: a) 0.049 b) 0.26, c) 0.74]

2. En se basant sur l'expérience passée, une photocopieuse particulière dans un bureau est en fonctionnement.
correctement 90% du temps. Supposons que des inspections soient effectuées à 10 moments sélectionnés au hasard.
Trouver
a) la probabilité que la machine fonctionne correctement lors de exactement 9 des inspections.
b) la probabilité que la machine ne fonctionne pas correctement ne dépasse pas 1 inspection.
c) le nombre attendu d'inspections durant lesquelles la machine fonctionne correctement.

[Answer: a) 0.387 b) 0.7361, c) 9]

3. Talib est actuellement en train de postuler pour des postes de diplômé. Pour chaque candidature qu'il soumet,
la probabilité qu'il soit présélectionné et qu'il soit invité à un entretien est de 0.01. S'il
postule pour 8 postes, trouve la probabilité que
il n'obtiendra aucun entretien.
b) il obtiendra au moins un entretien.
c) il aura une ou deux interviews.

[Answer: a) 0.923 b) 0.077, c) 0.077]

26
4. Une entreprise estime qu'il y a 75 % de chances qu'une commande arrive à temps d'un
fournisseur. Supposons que 5 commandes soient passées cette semaine.
a) Quelle est la probabilité que aucune des commandes n'arrive à l'heure ?
b) Quelle est la probabilité qu'au moins 4 commandes arrivent à temps ?
c) Combien de commandes attendez-vous qu'elles arrivent à temps ?

[Answer: a) 0.00098 b) 0.6328, c) 3.75]

5. Un test de numératie national particulier a un taux d'échec de 30 %. Si vous sélectionnez au hasard

200 étudiants venant de tout le pays pour passer le test, combien en attendriez-vous ?
passer?
[Réponse : 140]

6. Si un lot particulier d'œufs avait un taux d'éclosion de 60 % et qu'un lot de 80 œufs est en cours de
incubé. Trouver
a) la probabilité que exactement 50 poussins éclosent.
b) le nombre moyen ou attendu d'œufs qui écloront.

0,083

7. Les archives passées montrent que 3 % des colis expédiés par le Service de Courrier Express ne le font pas.
n'arrivent pas à destination dans le délai imparti. Supposons que 10 colis soient expédiés.
à travers ce service de livraison un certain jour. Trouvez la probabilité que
a) exactement 1 de ces 10 colis n'arrivera pas à sa destination dans le délai imparti
temps.
b) au maximum 1 de ces 10 colis n'arrivera pas à sa destination dans le délai imparti
temps.
c) un à trois de ces 10 colis n'arriveront pas à destination dans le délai imparti
temps.

[Answer: a) 0.228 b) 0.965 c) 0.2625]

8. Un test se compose de 10 questions à choix multiples avec cinq choix pour chaque question. En tant que
expérience, un étudiant devine à chaque réponse sans même lire le
questions.
a) Quelle est la probabilité qu'il ne réponde correctement à aucune question ?
b) Quelle est la probabilité qu'il ne réponde à pas plus de 2 questions correctement ?
c) Quelle est la probabilité qu'il ait moins de 3 questions incorrectes ?
d) Quelles sont la moyenne et l'écart type de la distribution de probabilité ci-dessus ?

Answer: a) 0.1074 b) 0.6778 c) 0.0001 d) 2; 1.26]

Exercice 1.4 – Distribution de probabilité de Poisson

1. Lisez les questions suivantes et décidez si la distribution de Poisson ou la distribution binomiale

devrait être utilisé pour y répondre.
a) Un dactylographe fait en moyenne 3 erreurs par page. Quelle est la probabilité de
page particulière n'ayant aucune erreur dessus ?
b) Un ordinateur tombe en panne en moyenne une fois tous les 2 jours. Quelle est la probabilité qu'il y ait
être 3 accidents en une semaine ?
c) Les composants sont emballés dans des boîtes de 30. La probabilité qu'un composant soit
La probabilité qu'une boîte contienne 4 composants défectueux est de 0,2.
d) Les CI sont emballés dans des boîtes de 10. La probabilité qu'un CI soit défectueux est de 2 %. Quelle est
la probabilité qu'une boîte contienne 2 CI défectueux ?

27
 e) Le nombre moyen de défauts dans une nouvelle maison est de 8. Quelle est la probabilité d'acheter un
nouvelle maison avec exactement 4 défauts ?

[Answer: a) Poisson b) Poisson c) Binomial d) Binomial e) Poisson ]

En moyenne, 10 personnes attendent un ascenseur dans le hall pendant une période de cinq minutes.
bâtiment de bureaux entre 8h et 9h. Trouvez la probabilité qu'il y aura
être
a) exactement 5 personnes attendent pendant une période de cinq minutes.
b) Plus de 16 personnes attendent dans une période de quinze minutes.
c) de 20 à 30 personnes attendent pendant une période de quinze minutes.
d) au maximum quatre personnes attendent dans une période d'une minute.

[Answer: a) 0.0378 b) 0.9981 c) 0.5265 d) 0.9473]

3. Le nombre de voitures arrivant toutes les 5 minutes au péage du pont de Penang est supposé être
suivre une distribution de Poisson avec une variance de 3. Quelle est la probabilité que dans un cas donné
minute
a) Calculez la probabilité que plus de 3 voitures arrivent dans les 5 prochaines minutes.
b) Trouvez la probabilité que 2 ou 5 voitures arrivent dans la prochaine période de 5 minutes.
c) Quel est le nombre moyen d'arrivées dans une période d'une heure?

[Answer: a)0.3528 b) 0.3249 c) 36 ]

4. Une machine à laver dans une laverie en libre-service tombe en panne en moyenne quatre fois
par mois. En supposant que le nombre de pannes de la machine à laver suit un
Distribution de Poisson. Trouvez la probabilité que cette machine aura
exactement cinq pannes dans un mois.
b) au maximum une panne par mois.
c) entre 6 et 10 (inclus) se décompose en une période de 2 mois.
d) pas de rupture au cours des quinze prochains jours.

[Answer: a) 0.1563 b) 0.0916 c) 0.627 d) 0.1353]

5. Une machine de laminage dans une papeterie produit en moyenne deux défauts tous les 450 mètres de
papiers. En supposant que le nombre de défauts par unité de longueur de papier suit une loi de Poisson
distribution, trouvez la probabilité qu'il y ait
a) au moins deux défauts dans une bobine de 450 mètres.
b) aucun défaut dans un rouleau de 1500 mètres.

[Answer: a) 0.5940 b) 0.0012 ]

6. L'inscription aux cours au début du semestre d'une université particulière est

obligatoire à faire en ligne. En moyenne, 4 étudiants chaque heure échouent à se connecter au
site de l'université lors de leur première tentative. Trouvez la probabilité que, dans un échantillon aléatoire de 2
période d'heure,
a) tous les étudiants se connectent à leur première tentative,
b) au moins 4 étudiants échouent à se connecter lors de leur première tentative.

[Answer: a) 0.0003 b) 0.958]

7. Le nombre de fissures dans un pot en céramique produit par une certaine entreprise suit une loi de Poisson.
distribution avec une moyenne de 1,6 fissures.
a) Quelle est la probabilité qu'un pot en céramique n'ait pas de fissure ?
b) Quelle est la probabilité qu'un pot en céramique ait moins de quatre fissures ?

28
 c) Si six pots en céramique sont vérifiés, quelle est la probabilité qu'il y en ait au moins 15
des fissures sur eux?

[Answer: a) 0.2019 b) 0.9212 c) 0.0643 ]

8. Souvent, de petites bulles peuvent être vues dispersées au hasard dans la vitre.
que le nombre de petites bulles dans une plaque de verre suit une distribution de Poisson avec un
taux moyen de trois dans une superficie de 20 mètres carrés.
a) Trouvez la probabilité qu'il y ait moins de 2 petites bulles dans une vitre de dix.
mètre carré
b) Trouvez la probabilité qu'il y ait au moins cinq petites bulles dans une feuille de verre de 3 m
x 20m.
c) Si huit feuilles de verre, chacune ayant une surface de dix mètres carrés, sont sélectionnées, trouvez le
probabilité que exactement trois feuilles aient moins de deux petites bulles.

[Answer: a) 0.5578 b) 0.9450 c) 0.1643 ]

Exercice 1.5 – Utiliser l'Approximation de Poisson à la Distribution Binomiale

1. La probabilité qu'un composant électrique soit défectueux est de 0,08. Le composant est
fourni en boîtes de 150. En utilisant une approximation appropriée, estimez la probabilité que
il y a plus de 5 composants défectueux dans une boîte.

Réponse : 0,9797

2. Lors d'un orage sévère, toute ligne de transmission est endommagée avec une probabilité de 0,03,
indépendamment des autres lignes de transmission. Une ville avec 90 lignes de transmission est frappée par un
orage sévère. En utilisant une approximation appropriée, trouvez la probabilité que
a) aucune ligne de transmission n'est endommagée.
b) au moins 2 d'entre eux sont endommagés.

[Answer: a) 0.067 b) 0.7513 ]

Le mois dernier, une entreprise de montres a vendu 10 000 nouvelles montres. L'expérience passée indique que
la probabilité qu'une nouvelle montre ait besoin de réparations pendant sa période de garantie est de 0,002.
En utilisant une approximation appropriée, trouvez la probabilité que :
a) zéro montres nécessiteront des travaux de garantie.
b) pas plus de 20 montres nécessiteront des travaux de garantie.

a) e-20b) 0.5591 ]

En moyenne, 1 ordinateur sur 1000 plante pendant un orage violent. Un particulier

la banque est située dans la région qui a été frappée par un violent orage et elle avait 3 000
ordinateurs fonctionnels. En utilisant une approximation de Poisson, calculez
a) la valeur attendue et la variance du nombre d'ordinateurs crashés.
b) la probabilité que exactement 5 ordinateurs aient échoué.
c) la probabilité qu'au maximum 8 ordinateurs aient planté.

[Answer: a) 3; 3 b) 0.101 c) 0.9962 ]

29
5. Un fabricant produit de grandes quantités de mugs colorés dont 0,7 % sont colorés.
violet.
a) Un échantillon aléatoire de 12 mugs a été choisi au hasard sur la chaîne de production. Trouvez
la probabilité qu'il y avait exactement 2 tasses violettes dans l'échantillon.
b) Un échantillon aléatoire de 200 tasses a été choisi au hasard sur la chaîne de production. En utilisant
une approximation de Poisson, estimez la probabilité qu'il y avait
moins de moins de 3 tasses violettes dans cet échantillon.

[Answer: a) 0.003 b) 0.8335 ]

Exercice 1.6 – Distribution de probabilité normale

1. Trouvez les probabilités suivantes pour la distribution normale standard

a) P (Z> 1,28 )
b) P (Z < - 1.28 )
c) P ( 0 <Z< 1,28 )
d) P ( -1.28 < Z < 0 )
e) P ( Z > - 1.28 )
f) P ( Z < 1,28 )
g) P ( -1.28 < Z < 1.28 )
h) P( -0,62 < Z < 1,28 )
i) P ( -2,47 < Z < - 1,28 )
j) P ( 1.28 < Z < 2.02 )

[Answer: a) 0.1003 b) 0.1003 c) 0.3997 d) 0.3997 0,8997

0.6321

2. Trouvez la valeur de k pour chacun des éléments suivants :

a) P (Z> k ) = 0,5
b) P ( Z > k ) = 0.05
c) P (Z < k) = 0,01
d) P (Z < k) = 0,75
e) P (Z > k) = 0,81

[Answer: a) 0 b) 1.6449 c) -2.3263 d) 0.6745 e) -0.84 ]

3. Soit X une variable aléatoire continue qui suit une distribution normale avec une moyenne de 50
et un écart type de 10. Trouver
a) P (X > 55)
b) P (X < 55)
c) P(20 < X < 35)
d) P ( 35 <X< 55 )
e) P (X> 35 )

[Answer: a) 0.3085 b) 0.6915 c) 0.06545 d) 0.6247 e) 0.9332]

30
3. Les poids des sacs de pierre concassée peuvent être modélisés par une distribution normale avec
moyenne de 25,8 kg et écart type de 0,8 kg. Déterminez
a) la probabilité qu'un sac de gravier sélectionné au hasard pèse moins de 25
kg
b) la probabilité qu'un sac de pierre concassée sélectionné au hasard pèse moins entre
25.5 kg and 26.5 kg
c) le poids dépassé par 70% des sacs.

[Answer: a) 0.1587 b) 0.4554 c) 25.38kg ]

4. Le volume, L litres, de scellant mural dans un seau peut être supposé être normalement
distribué avec une moyenne de 18,25 et une variance σ2.
a) En supposant que σ2= 0,08, déterminer P(L<18).
b) Trouvez la valeur de σ afin que 95 % des seaux contiennent plus de 18 litres de scellant de mur.
c) Vingt pour cent des seaux de scellant mural ont un volume d'au plus 17,5 litres avec le
même signification. Trouvez la nouvelle variance du volume de l'agent d'étanchéité par seau.

[Answer: a) 0.188 b) 0.152 c) 0.797]

5. Les cannes en rotin ont des longueurs qui sont distribuées normalement avec une moyenne de 68,5 cm et un écart type
déviation de 3,5 cm.
a) Montrer que la probabilité que la longueur d'une canne choisie au hasard soit comprise entre 70
cm et 72 cm est 0,175.
b) Si dix cannes sont sélectionnées au hasard, trouvez la probabilité que exactement 6 de ces cannes
avoir une longueur comprise entre 70 cm et 72 cm.

b) 0,0028

6. Les anciens dossiers montrent que le volume de toute l'huile de cuisson en bouteille de XYZ Oil Company est
normalement distribué avec une moyenne de 1,60 litre et une variance de 0,085 litre. Une sélection aléatoire
de ce produit doit être effectué dans certains magasins.
a) Quel est le pourcentage que le volume d'huile dépassera 1,65 litre ?
b) Quel est le pourcentage du volume d'huile qui se situe entre 1,57 et 1,62 litre ?
c) Si 50 bouteilles sont échantillonnées, estimez le nombre de bouteilles ayant un volume entre
1,57 et 1,62 litre.

[Answer: a) 43.2% b) 6.8% c) 3.4]

7. Fast Charged Company fabrique des batteries automobiles de 12 volts. Les enregistrements passés montrent
que la durée de vie moyenne de ce produit suit une distribution normale avec une moyenne de 40 mois et un
variance de 80 mois.
a) Si l'entreprise garantit un remboursement intégral pour toute batterie qui échoue dans les 30 mois
période après achat, quel pourcentage de ses batteries l'entreprise s'attendra à
remplacer ?
b) Si l'entreprise ne souhaite pas remplacer plus de 15 % de ses batteries sous le plein
politique de garantie de remboursement, pendant combien de temps l'entreprise devrait-elle garantir les batteries (à
le mois le plus proche) ?

[Answer: a) 13.2% b) 31 months]

31