CORRIGE DES EXERCICES DE PROBABILITE - Université Paris 8
CORRIGE DES EXERCICES DE PROBABILITE - Université Paris 8
CORRIGE DES EXERCICES DE PROBABILITE - Université Paris 8
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Master 1 <strong>CORRIGE</strong> <strong><strong>DE</strong>S</strong> <strong>EXERCICES</strong> <strong>DE</strong> <strong>PROBABILITE</strong> Mars 2009<br />
1. La moyenne d'une loi uniforme sur [a; b] est a + b<br />
9 + 5<br />
; ce qui done ici : E (X) = = 7. La fonction de répartition est dénie par<br />
8<br />
8 2 2<br />
< F (x) = 0 si x 2 ] 1; a[ < F (x) = 0 si x 2 ] 1; 5[<br />
: F (x) = x a<br />
:<br />
b a<br />
si x 2 [a; b] soit ici F (x) = x 5<br />
:<br />
4<br />
si x 2 [5; 9] . On en déduit : P (X 3) = F (3) = 0 ; P (6 X 8) =<br />
F (x) = 1 si x 2 ]b; +1[<br />
F (x) = 1 si x 2 ]9; +1[<br />
F (8) F (6) = 3 1<br />
4 4 = 1 2 ; P (X 7) = 1 F (7) = 1 2<br />
4 = 1 2<br />
: Tous ces résultats doivent être visualisés graphiquement par<br />
des considérations d'aires de rectangles.<br />
<br />
<br />
F (x) = 0 si x < 0<br />
2. La fonction de répartition est :<br />
F (x) = 1 e x si x 0 soit ici : F (x) = 0 si x < 0<br />
F (x) = 1 e 0:1x si x 0<br />
P (X < 10) = F (10) = 1 e 1 ' 0:632 1 ; P (X > 5) = F (5) = e 0:5 = 0:606 5 (fonction de queue : F (x) = 1 F (x) =<br />
e x , pour x 0) ; et P (10 X 20) = F (20) F (10) = 1 e 2 1 e 1 = e 1 e 2 ' 0:232 5:<br />
3. On pose Z = X m = X 3 ; on sait que Z suit la loi normale N (0 ; 1) :<br />
<br />
2<br />
P (X 3) = P Z 3 3 <br />
<br />
= P (Z 0) = F (0) = 0:5 ; P (X 4) = P Z 4 3 <br />
= P (Z 0:5) = F (0:5) = 0:6915<br />
<br />
2<br />
2<br />
; P (X 1) = P Z 1 3 <br />
= P (Z 2) = P (Z 2) = 1 F (2) = 1 0:9772 = 0:022 8 ;<br />
<br />
2<br />
3<br />
P (0 X 4:5) = P<br />
2 Z 4:5 3 <br />
= F (0:75) F ( 1:5) = F (0:75) (1 F (1:5)) = F (0:75) + F (1:5) 1 =<br />
2<br />
0:7734 + 0:9332<br />
1 ' 0:706 6;<br />
P (X 0) = P Z 3 <br />
= P Z 3 <br />
<br />
= F (1:5) ' 0:9332 : P (X 5) = P Z 5 3 <br />
= 1 F (1) = 1 0:8413 =<br />
2<br />
<br />
2<br />
2<br />
3<br />
0:158 7 ; P (0 X 2) = P<br />
2 Z 2 3 <br />
= P ( 1:5 Z 0:5) = P (0:5 Z 1:5) = F (1:5) F (0:5) '<br />
2<br />
0:9332 0:6915 = 0:241 7<br />
Remarque : toutes les propriétés de symétrie utilisées doivent être visualisées sur la courbe de la densité de la loi normale centrée<br />
réduite.<br />
4. Le paramètre d'une loi de Poisson est son espérance donc = 25: P (X = 20) = 20<br />
20! e = 2520<br />
20! e 25 = 5:19 10 2 et<br />
P (X = 25) = 2525<br />
25! e 25 ' 7:95 10 2 ;<br />
; 18; on peut donc approcher cette loi de Poisson par la loi normale de paramètre m = = 25 et = p = 5 ; on note Y la<br />
variable aléatoire suivant la loi N (25; 5) :<br />
<br />
<br />
24:5 25<br />
P (X < 25) = P (X 24) = P (Y 24:5) en effectuant une correction de continuité, soit en standardisant : P Z <br />
5<br />
=<br />
<br />
P (Z 0:1) =<br />
<br />
1 F (0:1) = 1 0:5398 = 0:460 2 : P (X 28) = 1 P (X 27) = 1 P (Y 27:5) = 1<br />
27:5 25<br />
P Z = 1 F (0:5) ' 1 0:6915 = 0:308 5<br />
5<br />
5. X durée de la grossesse est une variable aléatoire normale qui suit la loi N (270; 10) et on la standardise en posant : Z = X 270 :<br />
10<br />
On doit calculer : P ((X 290) [ (X 240)) = P (X 290) + P (X 240) car ce sont des événements disjoints. On obtient<br />
: P (Z 2) + P (Z 3) = 1 F (2) + P (Z 3) = 1 F (2) + 1 F (3) = 2 F (2) F (3) = 2 0:9772 0:9987 =<br />
0:024 1<br />
6. Les CV<br />
a. L'état d'un dossier est une épreuve de Bernoulli : on peut nommer ”succès” l'événement : ”le dossier est falsié” et échec<br />
l'événement ”le dossier n'est pas falsié” ; on se retrouve avec 460 épreuves de Bernoulli , identiques et indépendantes. ; le<br />
nombre X de dossiers falsiés suit la loi B (460; 0:60), dénie par : P (X = k) = n <br />
k p k q n k = 460 <br />
k 0:60 k 0:40 460 k ;<br />
b. La distribution est proche d'un modèle symétrique, car 0:4 p 0:60 ; on pense à une loi normale ; cette approximation est<br />
justiée car 0:4 p 0:60 et n 50 ; on approxime alors la loi binomiale par la loi :N np; p npq ; ce qui donne ici :<br />
N 276; p 110:4 :On approxime une loi disrète par une loi continue, on doit donc effectuer la correction de continuité.On note<br />
Y la variable aléatoire normale suivant la loi N 276; p 110:4 :<br />
c. Correction de continuité (à penser graphiquement)<br />
page 1 UFR 14
2 <strong>CORRIGE</strong> <strong><strong>DE</strong>S</strong> <strong>EXERCICES</strong> <strong>DE</strong> <strong>PROBABILITE</strong><br />
P (X 285) = P (Y 284:5) = P<br />
<br />
Z <br />
<br />
284:5 276<br />
= P (Z 0:809 5) = 1 P (Z 0:81) = 1 (0:81) ' 0:7910<br />
10:5<br />
avec Z = Y 276 , Z suivant la loi normale centrée réduite. P (262 X 290) = P (261:5 Y 290:5) soit :<br />
10:5<br />
P (261:5 Y 290:5) soit :<br />
261:5 276<br />
P<br />
Z <br />
10:5<br />
7. Distributeur d'essence<br />
<br />
290:5 276<br />
' F (1:38) F ( 1:38) = 2F (1:38) 1 ' 0:832 4<br />
10:5<br />
a. On a une loi uniforme sur [ 2:5; 2:5] ; sa densité de probabilité est une fonction constante sur [ 2:5; 2:5], nulle ailleurs :<br />
(<br />
1<br />
f (x) =<br />
2:5 ( 2:5) = 1 si x 2 [ 2:5; 2:5]<br />
5<br />
f (x) = 0 si x 2 ] 1; 2:5[ [ ]2:5; +1[<br />
et la fonction de répartition est dénie par : F (x) = P (X x) = x a<br />
b a = x + 2:5 si x 2 [ 2:5; 2:5]<br />
5<br />
8<br />
><<br />
F (x) = 0 si x 2 ] 1; 2:5[<br />
F (x) = x + 2:5 si x 2 [ 2:5; 2:5]<br />
>:<br />
5<br />
F (x) = 1 si x 2 ]2:5; +1[<br />
Son espérance est : E (x) = a + b<br />
(b a)2<br />
= 0 et sa variance V (X) = = 25<br />
2<br />
12 12 = 2: 08; avec (x) = p V (X) = p 2: 08 ' 1:<br />
44<br />
b. Théorème Central Limite : Si X 1 ; X 2 ; :::X n sont n variables aléatoires indépendantes et identiquement distribuées, d'espérance<br />
commune m et de variance 2 ; alors la distibution de leur moyenne X = 1 n<br />
P<br />
Xi peut être approchée par une loi normale, dès<br />
que n est assez grand ( n 30) ; de plus, les paramètres de cette loi sont données par : E X = m et V X = 1 n 2 ; donc<br />
X = p : De même la loi de la somme S = P X i tend vers la loi normale N (nm; p n) : On se ramène à la loi normale<br />
n<br />
centrée réduite (standardisation) et on en déduit que la loi de Z = X 1 + ::: + X n n<br />
p tend vers la loi normale N(0; 1) quand<br />
n<br />
n tend vers l'inni.<br />
Ici n = 1200, alors S la variable aléatoire désignant la somme totale des arrondis suit approximativement une loi normale de<br />
moyenne m = 1200 E (X) = 0 et d'écart-type = p 1200 (X) = 1: 44 p 1200 ' 49: 88 ; si on pose Z = S m , alors Z<br />
<br />
suit la loi normale centrée réduite.<br />
<br />
La probabilité que le gain dû aux arrondis soit supérieur à 1 euro est donnée par : P (S > 100) = 1 P Z 100 <br />
=<br />
49: 88<br />
1 F (2:01) ' 1 0:9779 ' 0:0 221 , F désignant la fonction de répartition de la loi normale centrée réduite.<br />
8. Si T désigne le temps, exprimé en mn; écoulé entre 20h25 et l'arrivée de Paul, alors T suit la loi uniforme sur [0; 20]; par ailleurs,<br />
Paul et Virginie se rencontreront si T 17 ; la densité de T est la fonction constante par intervalle dénie par :<br />
<br />
f (x) =<br />
1<br />
20<br />
si x 2 [0; 20]<br />
(1)<br />
f (x) = 0 sinon<br />
8<br />
< F (x) = 0 si x 2 ] 1; 0[<br />
et la fonction de réparttition est donnée par : F (x) = x<br />
:<br />
20<br />
si x 2 [0; 20]<br />
F (x) = 1 si x 2 ]20; +1[<br />
P (T 17) = 17<br />
20<br />
= 0: 85 ;soit 85% de chance.....<br />
9. On effectue un changement de variable pour se ramener à la loi normale centrée réduite, en posant Z = R m = R 4115 :P fR < 4150g<br />
<br />
<br />
200<br />
4150 4115<br />
0:5675 + 0:5714<br />
P Z < : = (0:175) ' = 0: 569 5<br />
200<br />
2<br />
<br />
3900 4115 4150 4115<br />
P f3900 < R < 4150g = P<br />
< Z < : = F (0:175) F ( 1:075) = F (0:175) (1 F (1:075)) =<br />
200<br />
200<br />
0:8577 + 0:8599<br />
F (0:175) + F (1:075) 1 ' 0: 569 5 + 1 ' 0: 428 3<br />
2<br />
2 UFR 14
Master 1<br />
<strong>CORRIGE</strong> <strong><strong>DE</strong>S</strong> <strong>EXERCICES</strong> <strong>DE</strong> <strong>PROBABILITE</strong><br />
10. La somme totale que la compagnie doit verser est : S = i=120 P<br />
i=1<br />
X i , X i désignant des variables aaléatoires de même loi, indépendantes,<br />
de moyenne 508<br />
et d'écart-type<br />
<br />
30 ; le Théorème central limite permet d'afrmer que S peut être assimilée à une variable aléatoire<br />
<<br />
i=120<br />
P<br />
E (S) = E X<br />
normale avec:<br />
i = i=120 P<br />
E (X i ) = 120 50 = 6000:<br />
i=1<br />
i=1<br />
:<br />
(S) = (X i ) p 120 = 30 p Il reste à effectuer un changement de variable pour<br />
120 ' 328: 63<br />
se ramener à une loi normale centrée réduite ; on pose Z = S 6000 et on doit calculer<br />
328: 63<br />
P (S 6500) = P<br />
<br />
Z <br />
<br />
6500 6000<br />
soit P (Z 1: 52) ' 0:9357:<br />
328: 63<br />
11. La compagnie d'assurance<br />
a. On est clairement devant un schéma de Bernoulli, les sinistres étant indépendants, X ,! B (n; p) ; la loi binomiale de paramètres<br />
n = 10000 et p = 0:01: On a : E (X) = np = 100 et (X) = p npq = p 10000 0:01 0:99 ' 9: 95<br />
T = 1 avec la probabilité 0:01<br />
b. On peut noter que Y i = 100000T ; T étant une variable aléatoire de Bernoulli, dénie par :<br />
T = 0 avec la probabilité 0:99<br />
T ,! B (1; 0:01) ; on a alors : E (T ) = 0:01 et (T ) = p pq = p 0:01 0:99 ' 9: 9 5 10 2 ; on en déduit : E (Y i ) =<br />
100000E (T ) = 1000000:01 = 1000 et (Y i ) = 100000 (T ) = 1000009: 9 510 2 = 9950 car (aX + b) = jaj (X) :<br />
c. On note Y la charge totale annuelle des 10000 assurés.<br />
On a Y = 100000X et on en déduit par linéarité de l'espérance : E (Y ) = 100000E (X) = 100000 100 = 1000 000;puis<br />
(Y ) = 10000 (X) = 100000 9:95 = 995000:<br />
Autre solution : Y = P Y i et E (Y ) = i=10000 P<br />
E (Y i ) = 10000 1000 = 10 000 000; les Y i étant indépendantes, les variances<br />
s'ajoutent et on a : V (Y ) = i=10000 P<br />
i=1<br />
i=1<br />
V (Y i ) = 10000 9950 2 ; ce qui donne : (Y ) = p 10000 9950 2 = 995000:<br />
d. Théorème central limite : Si X 1 ; X 2 ; :::X n sont n variables aléatoires indépendantes et identiquement distribuées, d'espérance<br />
commune m et de variance 2 ;alors la distibution de la variable aléatoire<br />
X 1 + ::: + X n<br />
p n<br />
nm<br />
tend vers la loi normale N(0; 1)<br />
On en conclut que les Y i étant identiquement distribuées et indépendantes, la loi de probabilité de leur somme peut être assimilée<br />
à une loi normale de paramètre 10 000 000 et d'écart-type 995000; n étant grand.<br />
<br />
e. Il reste à centrer et à réduire Y ; on pose Z = Z <br />
P (Z 1) = F (1) ' 0:8413<br />
f. R = 1400 10000 3500000 Y = 10 500 000 Y:<br />
X 10 000 000<br />
; Z ,! N (0; 1) . P (Y 11000000) = P<br />
995000<br />
P (R 0) = P (10 500 000 Y 0) = P (Y 10 500 000) = 1 P (Y 10 500 000) = 1 P<br />
= 1 P (Z 0:50) ' 1 0:6915 = 0:308 5<br />
<br />
Z <br />
<br />
11000000 10 000 000<br />
995000<br />
<br />
10500000 10 000 000<br />
995000<br />
page 3 UFR 14