Université Abdelmalek Essaâdi Année universitaire 2020-2021

(portail MIPC S3). Faculté des Sciences et Techniques - Tanger

Travaux dirigés - Variables aléatoires continues

Exercice 1
Soit f définie par : (
0, si x < 0 ;
f (x) = −x
a.x.e , si x ≥ 0.
1. Déterminer la constante a pour que f soit une densité de probabilité. Dans la suite, X
est une v.a.r. de densité f .
2. Calculer son espérance et sa variance.
3. Calculer sa fonction de répartition.
4. On pose Y = 2X. Quelle est la fonction de répartition de Y .
5. En déduire une densité de probabilité de Y .
Solution de l’exercice 1.

1. On a, (
0, si x < 0 ;
f (x) =
a.x.e−x , si x ≥ 0.
Pour que f soit une densité de probabilité, il faut que,
i. f ≥ 0 :
- Si x < 0 : f (x) = 0 ≥ 0.
- Si x ≥ 0 : Pour que a.x.e−x ≥ 0, il faut que a ≥ 0.
R +∞
ii. −∞ f (x)dx = 1. Alors,
Z +∞ Z 0 Z +∞
f (x)dx = 1 f (x)dx +
⇐⇒ f (x)dx = 1
−∞ Z +∞ 0 −∞
⇐⇒ 0 + a. x.e−x dx = 1
0 !
−x +∞ −x +∞
(par intégration par parties) ⇐⇒ a. [−x.e ]0 + [−e ]0 = 1
⇐⇒ a = 1.

Donc X est une v.a.r. continue de densité f .

2. L’espérance et variance de X.

1
2. i Espérance de X.
Z +∞
E(X) = xf (x)dx
Z0 Z +∞ −∞

= xf (x)dx + xf (x)dx
−∞ Z +∞ 0
= 0+ x2 .e−x dx
0 Z +∞
+∞
(par intégration par parties) = [−x2 .e−x ]0 + 2 x.e−x dx
0
= 0 + 2 × 1 = 2.

2. ii Variance de X.
V ar(X) E(X 2 ) − E 2 (X)
=
Z +∞
V ar(X) = x2 f (x)dx − 22
−∞
Z +∞
= 0+ x3 .e−x dx − 4
0 Z +∞
3 −x +∞
(par intégration par parties) = [−x .e ]0 + 3 x2 .e−x dx − 4
0
= 0 + 3 × 2 − 4 = 2.
Z x
3. La fonction de répartition F(x) = f (t)dt.
−∞
— Si x < 0 : f (x) = 0, donc
Z xF(x) = 0. Z x
— Si x ≥ 0, donc F(x) = f (t)dt = t.e−t dt = [−t.e−t ]x0 + [−e−t ]x0 = 1 − (x + 1)e−x .
0 0
Finalement, (
0, si x < 0 ;
F(x) =
1 − (x + 1)e−x , si x ≥ 0.
Z y
4. On pose Y = 2X, la fonction de répartition de Y est : FY (y) = fY (t)dt.
−∞
y y
Par définition FY (y) := P (Y ≤ y) = P (2X ≤ y) = P (X ≤ 2 ) = FX ( 2 ).
Ainsi, (
0, si y < 0 ;
FY (y) = y y
−2
1 − ( 2 + 1)e , si y ≥ 0.
5. Densité de probabilité de Y .

2
 d y y y y y
Soit y ≥ 0, fY (y) = FY (y) = − 12 e− 2 + 21 ( 2 + 1)e− 2 = 4 e− 2 .
dy
D’où (
0, si y < 0 ;
fY (y) = y − y
4 e , si y ≥ 0.
2

Exercice 2
La proportion X du temps au cours d’un semaine de 48 heures, qu’un robot est en opération,
fut analysée durant un très grand nombre de semaines. Supposons que la fonction de réparti-
tion régissant le comportement de X est


 0, si x < 0 ;
 2

F(x) = 
 x , si x ∈ [0, 1] ;
 1, si x > 1.


1. Déterminer la densité de probabilité de X.

2. Déterminer la probabilité que X soit supérieure à 50%.
3. Déterminer la probabilité que la proportion du temps soit supérieure à 50% sachant
qu’il est en opération au moins 25% du temps.
Solution de l’exercice 2.

1. La densité de probabilité de X.

 0, si x < 0 ; (

 2x, si x ∈ [0, 1] ;
f (x) =  2x, si x ∈ [0, 1] ; =


 0, si x > 1.
 0, sinon.

2. P (X > 0.5) = 1 − P (X < 0.5) = 1 − F(0.5) = 1 − (0.5)2 = 0.75 = 75%.

P ((X > 0.5) ∩ (X > 0.25)) P (X > 0.5) 1 − F(0.5)
3. P (X > 0.5/X > 0.25) = = = = 0.81.
P (X > 0.25) P (X > 0.25) 1 − F(0.25)
Exercice 3
Soit U une variable aléatoire de loi uniforme sur [0, 1]. Démontrer que la variable aléatoire
X = − ln(U ) suit une loi exponentielle dont on précisera le paramètre.
Solution de l’exercice 3.

Soit U ∼ U[0,1] , alors montrer que X = − ln(U ) ∼ E(λ) revient à montrer que :
( (
1, si u ∈ [0, 1] ; λe−λx , si x ≥ 0 ;
si f (u) = alors f (x) =
0, sinon. 0, x<0.

3
Ou bien

0, si u<0 ; (
1 − e−λx , si x ≥ 0 ;



si F(u) =  u, si u ∈ [0, 1[ ; alors F(x) =


 1, si u ≥ 1.
 0, x<0.

Par définition

FX (x) := P (X ≤ x) = P (− ln(U ) ≤ x) = P (ln(U ) ≥ −x) = P (U ≥ e−x ) = 1 − P (U ≤ e−x ) = 1 − FU (e−x ).

Ainsi, (
1 − e−x , si x ≥ 0 ;
F(x) =
0, x<0.
Elle correspond à la fonction de répartition de la loi exponentielle de paramètre 1. Donc

X = − ln(U ) ∼ E(1).

Exercice 4
Soient X1 et X2 deux variables aléatoires indépendantes suivant une loi exponentielle de para-
mètres respectifs λ1 et λ2 . On pose Y = min(X1 , X2 ).
1. Pour tout réel y, calculer P (Y > y). En déduire que Y suit une loi exponentielle de para-
mètre λ1 + λ2 .
2. Deux guichets sont ouverts à une banque. Le temps de service au premier guichet (resp.
au deuxième) suit une loi exponentielle de moyenne 20 min (resp. 30 min). Deux clients
rentrent simultanément, l’un choisit le guichet 1 et l’autre le guichet 2. En moyenne,
après combien de temps sort le premier ?
3. En moyenne, après combien de temps sort le dernier ?
Solution de l’exercice 4.

Soit X1 ∼ E(λ1 ) et X2 ∼ E(λ2 ) indépendantes. On pose Y = min(X1 , X2 ).

1. P (Y > y) = P (min(X1 , X2 ) > y) = P ((X1 > y) ∩ (X2 > y)) = P (X1 > y)P (X2 > y).
Donc
P (Y > y) = (1 − P (X1 < y))(1 − P (X2 < y)) = (1 − FX1 (y))(1 − FX2 (y)) = e−λ1 y e−λ2 y = e−(λ1 +λ2 )y .

Ainsi,
P (Y ≤ y) = 1 − P (Y > y) = 1 − e−(λ1 +λ2 )y .
C’est la fonction de répartition de la loi exponentielle de paramètre λ1 + λ2 . Alors

Y = min(X1 , X2 ) ∼ E(λ1 + λ2 ).

4
 2. Soit Xi la v.a. reprèsentant le temps de service au guichet i avec i = 1, 2.
1 1 1 1
On a X1 ∼ E(λ1 ) et X2 ∼ E(λ2 ) avec λ1 = = et λ2 = = .
E(X1 ) 20 E(X2 ) 30
1
D’où E(y) = = 12min.
λ1 + λ2
3. Soit X = max(X1 , X2 ), donc X + Y = X1 + X2 . Ainsi,
E(X) = E(X1 ) + E(X2 ) − E(Y ) = 20 + 30 − 12 = 38min.

Exercice 5
On considère une population très nombreuse où chaque individu est susceptible de posséder
un caractère A, avec une probabilité 0.4. On effectue 900 observations et on désigne par X le
nombre d’individus ayant le caractère A dans cet échantillon.
1. Calculer P (X ≥ 370) et P (X = 360).
2. Calculer P (360 ≤ X ≤ 390).

Solution de l’exercice 5.

Soit l’événement A " l’individu posséde le caractère A ", avec P (A) = 0.4. On considère X la
v.a. reprèsentant le nombre d’individus ayant le caractère A dans un échantillon de taille 900.
Donc
X ∼ B(n = 900, p = 0.4).
Or n = 900 > 30, np = 360 > 5 et n(1 − p) = 540 > 5, on peut approcher la loi binomiale par la
loi normale N (np, np(1 − p)) ≡ N (360, 216).
1. i. PB (X ≥ 370) ≈ PN (X ≥ 370 − 12 ) = 1 − PN (X ≤ 369.5).
X − 360
Puisque X ∼ N (360, 216) alors Z = √ ∼ N (0, 1). Ainsi,
216
PB (X ≥ 370) = 1 − PN (X ≤ 369.5) !
X − 360 369.5 − 360
= 1 − PN √ ≤ √
216 216
= 1 − PN (Z ≤ 0.65)
= 1 − 0.7422 = 0.2578.
ii.
PB (X = 360) ≈ PN (360 − 12 ≤ X ≤ 360 + 21 )
= PN (359.5 ≤ X ≤ 360.5)
= PN (−0.03 ≤ Z ≤ 0.03)
= 2PN (Z ≤ 0.03) − 1
= 2 × 0.5120 − 1 = 0.024.

5
 2.
PB (360 ≤ X ≤ 390) = PB (X ≤ 390) − PB (X ≤ 360)
≈ PN (X ≤ 390 + 21 ) − PN (X ≤ 360 + 21 )
= PN (Z ≤ 2.08) − PN (Z ≤ 0.03)
= 0, 9812 − 0.5120 = 0.4692.
Exercice 6
On suppose que la loi normale avec une moyenne égale à 100 et un écart-type à 16 est un bon
modèle pour la distribution des quotients intellectuels (= QI) dans une certaine population.
1. Quel est le 3ème quartile de cette distribution ?
2. Dans cette population, quelle est la proportion d’individus ayant un QI entre 92 et 112 ?
3. Dans quel intervalle se situe le groupe central constitué par 80% d’individus.
4. On choisit 50 individus au hasard dans cette population. Quelle est la probabilité qu’il
y ait, parmi ces 50 individus, au moins un individu avec un QI supérieur à 132 ?
Solution de l’exercice 6.
Soit X = QI ∼ N (100, 162 ).
1. Le 3ème quartile de cette distribution : On a
F(Q3 ) = P (X ≤ Q3 ) = 0.75.
! !
X − 100 Q3 − 100 Q3 − 100
On pose Z = ∼ N (0, 1). Ainsi, P Z ≤ = 0.75 ⇐⇒ F = 0.75.
16 16 16
Q − 100
Selon la table de la loi normale invers on a 3 = 0.6745 =⇒ Q3 = 110.79.
16
Dans cette population 75% des individus ont un quotient intellectuel inférieur où égale
à 110.79.
2.
P (92 ≤ X ≤ 112) = P (X ≤ 112) − P (X ≤ 92)
= P (Z ≤ 0.75) − P (Z ≤ −0.5)
= F(0.75) + F(0.5) − 1
= 0.7734 + 0.6915 − 1 = 0.4649.
Donc 46.49% des individus ont un QI entre 92 et 112.
3. L’intervalle du groupe central est : [100 − x; 100 + x].
On a
P (100 − x ≤ X ≤ 100 + x) = 0.8 ⇐⇒ P (X ≤ 100 + x) − P (X ≤ 100 − x) = 0.8
x
⇐⇒ P (Z ≤ 16 ) − P (Z ≤ −x
16 ) = 0.8
x
⇐⇒ 2P (Z ≤ 16 ) − 1 = 0.8
x
⇐⇒ P (Z ≤ 16 ) = 0.9
x
⇐⇒ 16 = 1.2816
⇐⇒ x = 20.51.

6
 Le groupe central constitué par 80% des individus appartient à l’intervalle

[100 − 20.51; 100 + 20.51] = [79.49; 120.51].

4. Soit l’événement T " Nombre d’individus qui ont un QI supérieur à 132 parmi 50".
Alors
T ∼ B(n = 50, p = P (X > 132)).
On a p = P (X > 132) = 1 − P (X ≤ 132) = 1 − P (Z ≤ 32
16 ) = 1 − F(2) = 1 − 0.9772 = 0.0228.
Ainsi
T ∼ B(50, 0.0228).
Donc la probabilité qu’il y ait, parmi ces 50 individus, au moins un individu avec un QI
supérieur à 132 est P (T ≥ 1).
0
P (T ≥ 1) = 1 − P (T < 1) = 1 − P (T = 0) = 1 − C50 (0.0228)0 (1 − 0.0228)50−0 = 0.6844.

On a une chance de 68.44% que l’échantillon de ces 50 individus contiennent au moins

1 individu ayant un QI supérieur à 132.
Exercice 7
Un candidat passant un examen est ajourné si sa note est inférieure à 7, passe un oral si sa note
est comprise entre 7 et 12, est admis sans oral si sa note est supérieure à 12. On suppose que les
notes suivent une loi normale de paramètres µ et σ . On souhaite admettre (sans oral) 15.87%
des candidats et ajourner 6.68% des candidats.
1. Calculer la probabilité pour qu’un candidat passe l’oral.
2. Déterminer les valeurs de µ et σ .
3. Calculer la probabilité qu’un candidat ait plus de 15.
4. On considére un ensemble de 600 candidats choisis au hasard. Quelle est la probabilité
que le nombre de candidats admis sans oral soit supérieur à 100.
Solution de l’exercice 7.
Soit X la v.a. représentant les notes des candidats, on a X ∼ N (µ, σ 2 ).
1. On a P (X > 12) = 15.87% et P (X < 7) = 6.68%. Donc la probabilité pour qu’un candidat
passe l’oral est :
P (7 ≤ X ≤ 12) = P (X ≤ 12) − P (X ≤ 7)
= 1 − P (X > 12) − P (X ≤ 7)
= 1 − 0.1587 − 0.0668
= 0.7745.

7
 X −µ
2. Détermination de µ et σ . On pose Z = ∼ N (0, 1). Ainsi,
σ
12 − µ 12 − µ
 
 
 P (Z ≤ σ ) = 0.8413 = 1
(  
P (X ≤ 12) = 0.8413 
 
 σ

⇐⇒  7−µ ⇐⇒ 7−µ
P (X ≤ 7) = 0.0668  

 P (Z ≤ ) = 0.0668  1 − P (Z ≤ − ) = 0.0668

 

σ σ
Donc,
12 − µ


= 1
 ( (

 σ
 µ+σ = 12 µ = 10
7 − µ ⇐⇒ ⇐⇒

 −µ + 1.5σ = −7 σ = 2
 −

 = 1.5
σ
Finalement, X ∼ N (10, 4).
3. La probabilité qu’un candidat ait plus de 15 est :
15 − 10
P (X > 15) = 1 − P (X ≤ 15) = 1 − P (Z ≤ ) = 1 − 0.9938 = 0.0062.
2
4. Soit l’événement T " Nombre de candidats admis sans oral parmi 600".
Alors,
T ∼ B(n = 600, p = P (X > 12) = 0.1587).
On cherche P (T > 100). Puisque n ≥ 30, np = 95.22 ≥ 5 et nq = 50.75 ≥ 5, alors les
conditions de l’approximation de la loi binomiale par la loi normale sont vérifiées, donc

T ∼ N (95.22; 80.11).

Ainsi,
PB (T > 100) ≈ PN (T > 100 + 12 )
= PN (X > 100.5)
= 1 − PN (T ≤ 100.5)
= 1 − PN (Z ≤ 100.5−95.22
√ )
80.11
= 1 − PN (Z ≤ 0.59)
= 1 − 0.7224 = 0.2776.
La probabilité que le nombre de candidats admis sans oral soit supérieur à 100 est
27.76%.