TD2: Exercices et corrigé sur les lois de Probabilités

(Lois discrètes et continues)

Rappel de cours
Lois de probabilités :
Loi Binomiale Loi de Poisson Loi Normale
𝑿 ~ 𝑩 (𝒏 ; 𝒑) 𝑿 ~ 𝑷 (𝝀) 𝑿 ~ 𝑵 (𝒎 ; 𝝈)
 Loi discrète finie  Loi discrète infinie  Loi continue
 Conditions de validité :  La loi de poisson dépend  𝐸(𝑋) = 𝑚
La répétition d’un seul paramètre 𝜆.  𝑉𝑎𝑟(𝑋) = 𝝈²
L’indépendance  Centrage–Réduction :
L’alternance 𝝀𝒌 𝐗− 𝐦
 𝑃 (𝑋=𝑘) = 𝑒 −𝜆 𝑋 →𝑍 =
 La probabilité d’avoir k 𝐤! 𝛔

succès :  𝐸(𝑋) = λ  Pourquoi ce centrage –

 𝑃 (𝑋 = 𝑘) = 𝑪𝒌𝒏 𝒑𝒌 𝒒𝒏−𝒌  𝑉𝑎𝑟(𝑋) = 𝝀 réduction ?
 𝐸 (𝑋) = 𝑚 = np La loi normale centrée et
réduite N (0 ; 1) est tabulée.
 𝑉𝑎𝑟(𝑋) = 𝝈² = npq
Approximations des lois :
Loi Binomiale de X par la loi Normale de Y Loi de Poisson de X par la loi Normale de Y
Conditions : 𝑛 ≥ 30 ; 𝑛𝑝 > 5 ; 𝑛𝑞 > 5 Condition : 𝜆 > 5
Alors 𝑋 ≈ 𝑁 (𝑛𝑝 ; √npq) Alors 𝑋 ≈ 𝑁 (𝜆 ; √λ)

Correction de continuité :
Un point délicat résulte du fait que nous approximons une loi discrète (Binomiale ou Poisson),
par une loi continue normale. La probabilité sur un point n’est pas nulle pour une loi discrète de la
𝜆𝑘
variable aléatoire X, c’est-à-dire binomiale 𝑃 (𝑋 = 𝑘) = 𝐶𝑛𝑘 𝑝 𝑘 𝑞𝑛−𝑘 et Poisson 𝑃 (𝑋 = 𝑘) = 𝑒−𝜆
k!
Tandis qu’elle l’est pour une Loi continue de la variable Y (Loi Normale) 𝑃 (Y = 𝑘) = 0.
La solution pour éviter le paradoxe est de calculer non pas la probabilité que Y soit strictement égale à
k, mais la probabilité qu’elle soit incluse dans un intervalle autour de k :
𝑃 (𝑋 = 𝑘) = 𝑃 (𝑘 − 0.5 ≤ 𝑌 ≤ 𝑘 + 0.5)
Exercice n° 01 :
Un service médical reçoit en moyenne 4 appels par période de 8 heures. On désigne par X le
nombre d’appels reçus par ce service dans une période de 8 heures.
1. Quelle loi peut–on appliquer ici ?
2. Utiliser cette loi pour calculer P (X > 3), P (X < 4), P (X > 0).
Solution :
1. C’est la loi de Poisson de paramètre  = 4 qu’on peut utiliser dans ce problème avec la
variable aléatoire X qui est le nombre d’appels par période de 8 heures.
𝝀𝒌
P (X = k) = e– où la variable aléatoire X suit la loi de Poisson : 𝑿 ~ 𝑷 (𝝀).
𝒌!
2. P (X > 3) = 1 – P (X ≤ 3) = 1 – [P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3)] =
32 71
1 – (e–4 + 4 e–4 + 8 e–4 + e–4 ) = 1 – e–4 = 1 – 0.43347 = 56.653 %
3 3
P (X < 4) = P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3) = 43.347 %
P (X > 0) = 1 – P (X ≤ 0) = 1 – e–4 = 1 – 0.0183 = 98.17 %

1
Exercice n° 02 :
Le nombre de noyades accidentelles est en moyenne de 3 par an pour une population de cent
mille (100 000) habitants. Calculer :
1. La probabilité que 3 noyades seraient enregistrées pour cette population durant l’année
suivante.
2. La probabilité que 3 noyades seraient enregistrées pour cette population durant les deux
années suivantes.
3. La probabilité qu’aucune noyade ne serait enregistrée durant l’année suivante.
Solution :
Le nombre de noyade accidentelles X est une variable aléatoire de Poisson de paramètre  = 3
pour une période de temps égale à une année.
𝜆𝑘 33
1. P (X = k) = e–  P (X = 3) = e–3 = 22.404 %
𝑘! 3!
2. Méthode n° 1 : Posons X le nombre de noyades durant la première année et Y le nombre de
noyades durant la 2ème année, alors on doit calculer les probabilités suivantes : P [(X = 0) et
(Y = 3) ou bien (X = 1) et (Y = 2) ou bien (X = 2) et (Y = 1) ou bien (X = 3) et (Y = 0)].
Comme il y a indépendance des noyades alors le calcul final sera ainsi :
P (X = 0) * P (Y = 3) + P (X = 1) * P (Y = 2) + P (X = 2) * P (Y = 1) + P (X = 3) * P (Y = 0)
33 31 32 32 31 33
= e–3 * e–3 + e–3 * e–3 + e–3 * e–3 + e–3 * e–3 = 36 * e–3 * e–3 = 8.924 %
3! 1! 2! 2! 1! 3!
Méthode n° 2 : Si 2 variables X et Y suivent des Lois de Poisson et sont indépendantes :
X ~ P () et Y~ P () alors leur somme est une variable Z = X + Y qui suit aussi la loi de
Poisson Z ~ P ( + ) où on a :
(𝜆+ )𝑘 (3+3)3
P (Z = k) = e– (+)  P (Z = 3) = e– (3+3) = e– 6 * 36 = 8.924 %
𝑘! 3!
𝜆𝑘 30
3. P (X = k) = e–  P (X = 0) = e–3 = 0.04979  4.979 %
𝑘! 0!

Exercice n° 03 :
On s’intéresse à la durée de vie d’un échantillon de 100 souris de laboratoire, après injection
d’une molécule à la naissance. On observe que la durée de vie de ces souris est distribuée selon une
loi normale autour d’une moyenne de 400 jours et avec un écart type de 8 jours.
1. Quel est le nombre attendu de souris ayant une durée de vie entre 390 et 420 jours
2. A quelle durée de vie correspond le 3ème quartile.
3. A quelle durée de vie correspond le 3ème décile.
Solution :
X : variable aléatoire durée de vie des souris 𝑿 ~ 𝑵 (400 ; 8)
390 − 400 420 − 400
1) P (390 < X < 420) = P ( < Z< ) = P (– 1.25 < Z < 2.5) =
8 8
 (2.5) –  (–1.25) =  (2.5) – 1 +  (1.25) = 0.9938 – 1 + 0.8944 = 0.8882 
Le nombre attendu de souris sera de 100 * 0.8882 = 88.82 souris ou bien 89 souris dont la
vie est comprise entre 390 et 420 jours.
2) On cherche un x qui vérifie P (X < x) = 0.75

2
 𝑋 − 400 𝑥 − 400 𝑥 − 400
P(X < x) = P(𝑍 = <z= ) = P(Z < ) = 0.75 d’où après interpolation
8 8 8
linéaire dans la table n° 1 on a : les probabilités suivantes 0.7486 < 0.7500 < 0.7517
correspondent aux valeurs marginales suivantes 0.67 < 0.675 < 0.68 ; donc z = 0.675
𝑥 − 400
= z = 0.675  x = 400 + 8 * 0.675 = 405.4 jours.
8
3) On cherche un x qui vérifie P (X < x) = 0.3 et on constate que 0.3 < 0.5 donc la valeur de x
𝑥 − 400
doit être inférieure à la valeur moyenne qui est 400, c’est-à-dire z = < 0.
8
𝑋 − 400 𝑥 − 400
P (𝑍 = <z= < 0) = 0.30  Comme 0.3 < 0.5, cette valeur z négative ne
8 8
𝑥 − 400
figure pas dans la table n° 1 mais son complémentaire y est ; c’est-à-dire (− )>0
8
𝑥 − 400 𝑥 − 400
P (Z < – ) = 1 – P (Z < < 0) = 1 – 0.30 = 0.70 d’où après interpolation
8 8
linéaire dans la table n° 1 on a : les probabilités suivantes 0.6985 < 0.7000 < 0.7019
correspondent aux valeurs marginales suivantes 0.52 < 0.525 < 0.53 ; donc z = 0.525
𝑥 − 400
– = 0.525  x = 400 – 8 * 0.525 = 395.8 jours.
8

Exercice n° 04 :
Dans une famille la probabilité de naissance d’un enfant gaucher est de 1/5. On sait que cette
famille a 9 enfants.
1. Quelle est la loi de probabilité suivie par la variable aléatoire X = « nombre de gauchers » ?
2. Quelle est la probabilité d’avoir exactement 2 gauchers dans cette famille ?
3. Quelle est la probabilité d’avoir au moins 2 enfants gauchers ?
Solution :
1. X est le « nombre de gauchers » alors la loi que suit X est binomiale : X ~> B (9 ; 1/5)
2. P (X = 2) = C92 * 0.2 ² * 0.8 7 = 30.199 % = P (X = 1) = C91 * 0.2 * 0.8 8
3. P (X ≥ 2) = 1 – [P (X = 0) + P (X = 1)] = 1 – [0.8 9 + 0.30199] = 1 – 0.43621 = 56.379 %
Exercice n° 05 :
Un chercheur a étudié l’âge moyen auquel les premiers mots du vocabulaire apparaissent en
général chez les enfants. Une étude effectuée auprès d’un millier d’enfants montre que les premiers
mots apparaissent, en moyenne, à 2 mois et avec un écart type de 1 mois et demi. Sachant que la
distribution des âges est normale, on souhaite évaluer la proportion :
1. D’enfants ayant acquis leurs premiers mots avant 5 mois.
2. D’enfants ayant acquis leurs premiers mots après 6 mois.
3. D’enfants ayant acquis leurs premiers mots entre 3 et 5 mois.
Solution :
X variable aléatoire qui est l’âge auquel les premiers mots apparaissent ; 𝑿 ~ 𝑵 (2 ; 1.5)
𝑋−2
1) P (X < 5) = P (Z < ) = P (Z < 2) = 97.725 %
1.5
6 −2
2) P (X > 6) = P (Z > ) = P (Z > 2.67) = 1 – P (Z < 2.67) = 1 – 0.9962 = 0.38 %
1.5
3 −2 5− 2
3) P (3 < X < 5) = P ( < Z < ) = P (0.67 < Z < 2) = 97.72 % – 74.86 % = 22.86 %
1.5 1.5

Exercice n° 06 :
Une enquête est effectuée auprès de familles de 4 personnes afin de connaitre leur achat de
lait en 1 mois. Sur l’ensemble des personnes interrogées, la consommation de ce produit forme une
population gaussienne avec une moyenne de 25 litres et un écart type de 6 litres.

3
 En vue de concevoir une campagne de publicité, on souhaite connaître le pourcentage des
faibles consommateurs (c’est-à-dire ceux de moins de 10 L/mois) et le pourcentage des grands
consommateurs (c’est-à-dire ceux de plus de 30L/mois).
1. Calculer ces deux pourcentages.
2. Au-dessous de quel nombre de litres achetés se trouvent 75% des consommateurs ?
3. Combien de litres au maximum consomme la moitié des consommateurs ?
4. Au-dessus de quelle consommation se trouve 1/3 de la population ?
5. Et 2/3 de la population ?
Solution :
X variable aléatoire qui est la consommation du lait ; 𝑿 ~ 𝑵 (25 ; 6).
1) Les faibles consommateurs X < 10 L et les grands consommateurs X > 30 L.
On doit calculer les probabilités « P (X < 10) et P (X > 30) ».
10 − 25
P (X < 10) = P (Z < = – 2.5) = 1 – P (Z < 2.5) = 1 – 0.9938 = 0.06 %
6
30 − 25
P (X > 30) = P (Z > = 0.83) = 1 – P (Z < 0.83) = 1 – 0.7967 = 20.33 %
6
2) On cherche x qui vérifie P (X < x) = 0.75
𝑋 − 25 𝑥 − 25 𝑥 − 25
P (X < x) = P ( < ) = P (Z < ) = 0.75 ; d’où après interpolation
6 6 6
linéaire dans la table n° 1 on a : les probabilités suivantes 0.7486 < 0.7500 < 0.7517
correspondent aux valeurs marginales suivantes 0.67 < 0.675 < 0.68 ; donc z = 0.675
𝑥 − 25
6
= z = 0.675  x = 25 + 6 * 0.675 = 29.05 litres.
3) On cherche x qui vérifie P (X ≤ x) = 0.5
𝑋 − 25 𝑥 − 25 𝑥 − 25
P (X < x) = P ( < ) = P (Z < ) = 0.5  z = 0
6 6 6

𝑥 − 25
La table n° 1 donne : = z = 0  x = 25 + 6 * 0 = 25 litres et c’est le résultat attendu.
6

4) On cherche x qui vérifie P (X > x) = 0.3333

𝑋 − 25 𝑥 − 25 𝑥 − 25
P (X > x) = P (Z > z) = P (Z = > z = ) = 1 – P (Z < z = ) = 0.3333 
6 6 6
𝑥 − 25 𝑥 − 25
P (Z < z = ) = 1 – 0.3333 = 0.6667 la table n°1 donne z = = 0.435 
6 6
x = 25 + 6 * 0.435 = 27.6 litres, donc il y a 1/3 de la population dont la consommation dépasse
les 27.6 litres par mois.
5) On cherche x qui vérifie P (X > x) = 0.6667
𝑋 − 25 𝑥 − 25 𝑥 − 25
P (X > x) = P (Z > z) = P (Z = > z = ) = 1 – P (Z < z = ) = 0.6667 
6 6 6
𝑥 − 25 𝑥 − 25
P (Z < ) = 1 – 0.6667 = 0.3333 puisque 0.3333 < 0.5 on cherche la valeur de – :
6 6
𝑥 − 25 𝑥 − 25
P (Z < – ) = 1 – P (Z < ) = 1 – 0.3333 = 0.6667
6 6
𝑥 − 25
La table 1 donne – = z = 0.435  x = 25 – 6 * 0.435 = 22.4 litres, donc il y a 2/3 de la
6
population dont la consommation dépasse les 22.4 litres de lait par mois.

Exercices supplémentaires (approximation des lois)

Exercice n° 1 :
La probabilité pour un individu d’être albinos est de 0,002
Soit X la variable aléatoire, nombre d’albinos dans un groupe de 5000 individus :
• Quelle loi suit Y ? Justifier.
• Par quelle loi peut-on l’approcher ?
• Calculer par deux méthodes les probabilités suivantes : 𝑃 (𝑋 = 8) 𝑃 (𝑋 = 10) 𝑃 (𝑋 = 12).

4
Solution :
X : variable aléatoire nombre (entier) d’albinos dans un groupe de 5000 individus
𝑋 ~ 𝐵 (5000 ; 0.002) 𝑃 (𝑋 = 𝑘) = 𝐶𝑛𝑘 𝑝 𝑘 𝑞𝑛−𝑘
Conditions de validité :
• La répétition
• L’alternance
• L’indépendance.
Les conditions d’approximation :
• n ≥ 30
• n p = 5 000 * 0.002 = 10 > 5
• n q = 5 000 * 0.998 = 4 990 > 5
𝑌−10
Alors 𝑋 ≈ 𝑌 tel que : 𝑌 ~ 𝑁 (10 ; √9.98) et 𝑌 → 𝑍 = avec 𝑍 ~ 𝑁 (0 ; 1)
√ 9.98
7.5 − 10 8.5 − 10
1) 𝑃 (𝑋 = 8) = 𝑃 (8 – 0.5 ≤ 𝑌 ≤ 8 + 0.5) = 𝑃 (7.5 ≤ 𝑌 ≤ 8.5) = 𝑃 ( ≤𝑍≤ )=
√9.98 √9.98
𝑃 (– 0.79 < 𝑍 < – 0.47) = (0.79) – (0.47) = 0.7852 − 0.6808 = 10.44 %
𝑃 (𝑋 = 8) = 𝐶𝑛𝑘 𝑝 𝑘 𝑞 𝑛−𝑘 = 𝐶5000
8
0.002 8 ∗ 0.998 4992 = 11.2644065 %
9.5 − 10 10.5 − 10
2) 𝑃 (𝑋 = 10) = 𝑃 (10 – 0.5 ≤ 𝑌 ≤ 10 + 0.5) = 𝑃 (9.5 ≤ 𝑌 ≤ 10.5) = 𝑃 ( ≤𝑍≤ )=
√9.98 √9.98
𝑃 (– 0.16 < 𝑍 < 0.16) = (0.16) – [1 – (0.16)] = 2 * 0.5636 − 1 = 12.72 %
𝑃 (𝑋 = 10) = 𝐶𝑛𝑘 𝑝 𝑘 𝑞 𝑛−𝑘 = 𝐶5000
10
0.00210 ∗ 0.9984990 = 12. 5235329 %
11.5 − 10 12.5 − 10
3) 𝑃 (𝑋 = 12) = 𝑃 (12 – 0.5 ≤ 𝑌 ≤ 12 + 0.5) = 𝑃 (11.5 ≤ 𝑌 ≤ 12.5) = 𝑃 ( ≤𝑍 ≤ )=
√9.98 √9.98
𝑃 (0.47 < 𝑍 < 0.79) = (0.7852) – (0.6808) = 10.44 %
𝑃 (𝑋 = 12) = 𝐶𝑛𝑘 𝑝 𝑘 𝑞 𝑛−𝑘 = 𝐶5000
12
0.00212 ∗ 0.9984988 = 9. 4856236 %

Exercice n° 2 :
Loi de Poisson approximée par une loi normale
Supposons que le nombre de particules d'amiante dans un mètre carré de poussière sur une surface
suit une loi de Poisson avec une moyenne de 1000. Si un mètre carré de poussière est analysé, quelle est la
probabilité que 950 particules ou moins soient trouvées ?
Solution :
X : variable aléatoire nombre (entier) de particules d’amiante dans un mètre carré. X ~ P (1000).
𝜆𝑘
Cette probabilité peut être exprimée exactement par la loi de Poisson P (X = k) = e– 
𝑘!
𝑒 −1000 ∗ 1000 𝑘
Comme P (X ≤ 950) = ∑950
𝑘=0 𝑘!
Cette probabilité cumulée ne peut être calculée que par une application et est = 0.05783629553…
La difficulté de ce calcul est claire ; et donc cette probabilité peut être approximée par la loi normale
950.5−1000
P (X ≤ 950)  P (Y ≤ 950.5) = P (𝑍 ≤ ) = P (Z ≤ – 1.57) = 1 –  (1.57) = 1– 0.9418=0.0582
√1000

Interprétation pratique :
Les probabilités de Poisson qui sont difficiles à calculer exactement peuvent être approximées avec
des probabilités faciles à calculer basées sur la distribution normale.