Université de Sousse Année Universitaire : 2020-2021

Institut Supérieur du Transport Enseignant : Atef Lechiheb

et de la Logistique de Sousse Section : Gl1

Corrigé du TD 2 : Variable aléatoire réelle

Exercice 1. Dans une grande surface, on a relevé sur une longue période le nombre d’articles de type A
vendus.
L’étude statistique permet d’admettre que la variable aléatoire X qui associe à un jour ouvrable choisi au
hasard pendant un mois le nombre d’articles de type A vendus ce jour là a une probabilité définie par le
tableau suivant.
On donnera les valeurs approchées arrondies à 10−2 près des résultats.

Nombre xi
de pièces 0 1 2 3 4 5 6
vendues
P ({X = xi }) 0,10 0,16 0,25 0,30 0,13 0,05 0,01

1. Représentez graphiquement la fonction de répartition de la variable aléatoire X.

2. Calculez l’espérance mathématique E(X) de la variable aléatoire X. Que représente E(X) ?
3. Calculez la variance et l’écart-type de la variable aléatoire X.

Corrigé :
1. On peut se donner pour cette question et les suivantes le tableau
P
xi 0 1 2 3 4 5 6
P ({X = xi }) 0,10 0,16 0,25 0,30 0,13 0,05 0,01 1
xi P ({X = xi }) 0 0,16 0,5 0,9 0,52 0,25 0,06 2,39
x2i P ({X = xi }) 0 0,16 1,0 2,7 2,08 1,25 0,36 7,55
F (xi ) 0,10 0,26 0,51 0,81 0,94 0,99 1
On rappelle que F (xi ) = P ({X ≤ xi }). En utilisant la dernière ligne du tableau, on a la représen-
tation graphique suivante :

1
 X
n
2. E(X) = xi P ({X = xi }) pour i ∈ {1, 2, . . . n}. Donc E(X) = 2, 39 (on ne divise pas par n
i=1
comme c’est le cas pour une moyenne arithmétique car les P ({X = xi }) correspondent ici à des
fréquences).
E(X) représente le nombre moyen de pièces vendues dans le cas d’un grand nombre de relevés.
3. On a V (X) = E(X 2 ) − (E(X))2 . Or
X
E(X 2 ) = x2i P ({X = xi }) = 7, 55
i

(E(X))2 = (2, 39)2 = 5, 7121

p
Par conséquent, V (X) = 7, 55 − 5, 7121 = 1, 8379 et σ(X) = V (X) ≃ 1, 3557.
Exercice 2. Un marché de gros est organisé deux fois par mois. Durant le mois, le nombre de fois où le
marché est en équilibre est une variable aléatoire X dont l’ensemble des valeurs possibles est {0, 1, 2} et

2
de fonction de probabilité définie par :
 2

 q , si xi = 0

2pq, si xi = 1
P ({X = xi }) =

 p2 , si xi = 2

0, sinon

où p et q sont deux paramètres tels que 0 < p < 1 et 0 < q < 1.

1. La variable aléatoire X est-elle discrète ou continue ? Justifier.
2. Déterminer q en fonction de p.
3. Pour p = 1/3 :
(a) Représenter la distribution de probabilité de X.
(b) Déterminer l’espérance mathématique et la variance de X.

Corrigé :
P
xi 0 1 2
P ({X = xi }) q2 2pq p2 1

1) L’ensemble des valeurs possibles de X est X(Ω) = {0, 1, 2}, c’est un ensemble dénombrable, donc
X est une variable aléatoire discrète (finie).
2) La fonction de probabilité de X doit vérifier la condition
X
P ({X = xi }) = 1
i

soit :
X
2
P (X = x) = q 2 + 2pq + p2 = (p + q)2 = 1
x=0

donc p + q = 1, c’est-à-dire q = 1 − p. La solution p + q = −1 est à rejeter puisque 0 < p < 1 et

0 < q < 1.
3) Pour p = 1/3, q = 2/3 et la fonction de probabilité de X s’écrit :


 4/9, si xi = 0

4/9, si xi = 1
P ({X = x}) =

 1/9, si xi = 2

0, sinon

a) La distribution de probabilité de X est représentée par un diagramme en bâtons, comme le montre

le graphique suivant :

P ({X = xi })

4
9
1
9 xi
0 1 2 3

3
 b) L’espérance mathématique de X est donnée par
X X
2
E(X) = xP ({X = x}) = xP ({X = x}) = 0(4/9) + 1(4/9) + 2(1/9) = 2/3.
x∈X(Ω) x=0

La variance de X est donnée par

 2
V (X) = E(X 2 ) − E(X) ,
avec
X X
2
E(X 2 ) = x2 P ({X = x}) = x2 P ({X = x}) = 02 (4/9) + 12 (4/9) + 22 (1/9) = 8/9.
x∈X(Ω) x=0

Ainsi V (X) = 8/9 − [2/3]2 .

Exercice 3. Pour la production d’un article, une société utilise une machine conçue pour fonctionner
sans arrêt technique durant 8 heures. Dès que ce temps est dépassé, la machine peut subir des arrêts
partiels de surcapacité. Elle doit être en réparation si elle s’arrête partiellement six fois successives. Le
nombre de ce type d’arrêt est une variable aléatoire X dont la distribution de probabilité est représentée
par le diagramme suivant :
P (X = xi )

2p

xi

0 1 2 3 4 5 6
1. Déterminer la valeur de p.
2. Déterminer l’espérance mathématique et la variance de X.
3. Déterminer la fonction de répartition de X.
4. En déduire P ({X < 5}), P ({X ≤ 3}), P ({1 ≤ X < 5}), P ({2 < X < 5}) et P ({X > 4}).
5. Calculer le probabilité conditionnelle P ({X ≤ 3/X < 5}).
Corrigé :
1) La fonction de probabilité de X doit vérifier la condition
X
P ({X = xi }) = 1,
i

soit :
X
6
P ({X = x}) = p + p + 2p + 2p + 2p + p + p = 10p = 1
i=0
⇒ p = 1/10 = 0.10

4
 2) L’espérance mathématique de X est donnée par :

X
6
E(X) = xi P ({X = xi })
i=0
= 0(0.1) + 1(0.1) + 2(0.2) + 3(0.2) + 4(0.2) + 5(0.1) + 6(0.1)
= 3.

La variance de X est donnée par  2

V (X) = E(X 2 ) − E(X) .
On calcul donc
X
6
2
E(X ) = x2i P ({X = xi })
i=0
= 0 (0.1) + 12 (0.1) + 22 (0.2) + 32 (0.2) + 42 (0.2) + 52 (0.1) + 62 (0.1)
2

= 12.

Ainsi , V (X) = 12 − [3]2 = 3.

3) La fonction de répartition de X est définie par F (x) = P ({X ≤ x}) et calculée dans le tableau
suivant : P
xi 0 1 2 3 4 5 6
P ({X = xi }) 0.1 0.1 0.2 0.2 0.2 0.1 0.1 1
F (xi ) = P ({X ≤ xi }) 0.1 0.2 0.4 0.6 0.8 0.9 1
Ainsi, 

0 si x < 0



0.1 si 0 ≤ x < 1





0.2 si 1 ≤ x < 2


0.4 si 2 ≤ x < 3
F (x) =

0.6 si 3 ≤ x < 4



0.8 si 4 ≤ x < 5




0.9 si 5 ≤ x < 6



1 si x ≥ 6.
4) • P (X < 5) = P (X ≤ 4) = F (4) = 0.8
• P (X ≤ 3) = F (3) = 0.6
• P (1 ≤ X < 5) = P (0 < X ≤ 4 = F (4) − F (0) = 0.8 − 0.1 = 0.7
• P (2 < X < 5) = P (2 < X ≤ 4) = F (4) − F (2) = 0.8 − 0.4 = 0.4
• P (X > 4) = 1 − P (X ≤ 4) = 1 − F (4) = 1 − 0.8 = 0.2.
5) Si nous considérons les événements E1 = {X ≤ 3} et E2 = {X < 5}, alors

E1 ∩ E2 = {X ≤ 3} ∩ {X < 5} = {X ≤ 3},

et la probabilité conditionnelle de E1 sachant E2 est donnée par :

P (E1 ∩ E2 ) P (X ≤ 3) 0.6
P (X ≤ 3/X < 5) = P (E1 /E2 ) = = = = 0.75.
P (E2 ) P (X < 5) 0.8

5
Exercice 4. Dans le fichier central d’une société, on sélectionne au hasard une facture pour vérifier
l’exactitude. On définit alors la variable aléatoire X telle que :

1, si la facture est exacte
X=
0, si la facture est erronée

La loi de probabilité de X est définie par :

xi 0 1
P ({X = xi }) 1−p p

1. Déterminer le moment non centré d’ordre k de X, ∀ k ∈ N∗ . En déduire l’espérance mathématique

et la variance de X.
2. Établir l’expression de la fonction génératrice des moments de X.
3. Déduire, à partir de la fonction génératrice des moments, les moments non centrés d’ordres un et
deux puis le moment centré d’ordre deux.

Corrigé :
1) Le moment non centré d’ordre k de X est donné par :

X X
1
mk = E(X k ) = xki P ({X = xi }) = xki P ({X = xi }) = 0k (1 − p) + 1k p = p ∀ k ∈ N∗ .
i i=0

L’espérance mathématique est donc E(X) = m1 = p.

 2
La variance est donnée par V (X) = E(X 2 ) − E(X) = m2 − m21 = p − p2 = p(1 − p).
2) La fonction génératrice des moments de X est définie par :
X
MX (t) = E(etX ) = etxi P ({X = xi }) = et(0) (1 − p) + et(1) p = pet + 1 − p.
i

3) Le moment non centré d’ordre k est déduit à partir de la fonction génératrice des moments de la
façon suivante :
∂ k MX (t) 
mk =  .
∂tk t=0
Ainsi

∂MX (t)  ∂ pet + 1 − p 
m1 =  =  = pet |t=0 = p,
∂t t=0 ∂t t=0
et

∂ 2 MX (t)  ∂ pet 
m2 =  =  = pet |t=0 = p.
∂t2 t=0 ∂t t=0
Le moment centré d’ordre deux de X est définie par µ2 = m2 − m21 = p − p2 = p(1 − p).

Exercice 5. On considère que le note obtenue à l’examen de ’statistique descriptive et calcul de probabi-
lités’ est une variable aléatoire X de fonction de répartition :


 0, si x ≤ 0


 0.07x, si 0 < x ≤ 10
FX (x) = 0.075x − 0.05, si 10 < x ≤ 12



 0.01875x + 0.625, si 12 < x ≤ 20

1, si x > 20

6
1. Donner la définition d’une variable aléatoire.
2. La variable aléatoire X est-elle continue ou discrète ? Justifier.
3. Déterminer la densité de probabilité de X.
4. Représenter graphiquement la fonction de répartition et la densité de [Link] sur les deux
graphiques la probabilité P (X < 10) et donner sa valeur.
5. On définit une variable aléatoire Y , telle que :

0, si X < 10
Y =
1, si X ≥ 10.

(la valeur 0 signifie échec et la valeur 1 succès).

(a) La variable aléatoire Y est-elle continue ou discrète ? Justifier.
(b) Déterminer la distribution de probabilité de Y .
(c) Déterminer l’espérance mathématique et la variance de Y .

Corrigé :
1. Soit Ω l’ensemble fondamental associé à une expérience aléatoire, une variable aléatoire X est une
application X : Ω → R,vérifiant la propriété :

∀A ⊂ R, X −1 (A) = {ω ∈ Ω telle queX(ω) ∈ A}.

2. La variable aléatoire X est continue puisque l’ensemble de ses valeurs possibles, X(Ω) = [0, 20],
est non dénombrable.
3. La fonction densité de X est déduire à partir de la fonction de répartition, soit :


 0.07 si 0 < x ≤ 10
∂F (x)  0.075 si 10 < x ≤ 12
f (x) =
∂x   0.01875 si 12 < x ≤ 20

0 sinon.

4. La fonction de répartition de X
F (x)

1.1
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
x
0
0 2 4 6 8 10 12 14 16 18 20 22 24
La densité de X

7
 f (x)

0.09
0.08
0.07
0.06
0.05
0.04 P ({X ≤ 10})
0.03
0.02
0.01
x
0
0 2 4 6 8 10 12 14 16 18 20 22 24
Une probabilité est représentée par un point sur le graphique de la fonction de répartition et par
une surface sur le graphique de la densité ; c’est la surface du rectangle de longueur 10 et de largeur
0.07, soit P ({X ≤ 10}) = 0.07.
5. (a) L’ensemble des valeurs possibles de Y est Y (Ω) = {0, 1}, c’est un ensemble dénombrable, donc
Y est une variable aléatoire discrète.
(b) La distribution de probabilité de Y est donnée par :
P (Y = 0) = P (X < 10) = FX (10) = 0.07(10) = 0, 7 et P (Y = 1) = 1 − P (Y = 0) = 1 − 0.7 =
0.3.
La distribution de probabilité de Y est alors présentée dans le tableau ci-dessous :
Y 0 1
P (Y = y) 0.7 0.3
(c) L’espérance mathématique de Y :

X X
1
E(Y ) = yP (Y = y) = yP (Y = y) = 0(0.7) + 1(0.3) = 0.30.
y∈Y (Ω) y=0

La variance de Y :
V (Y ) = E(Y 2 ) − [E(Y )]2 ,
avec :
X X
1
E(Y 2 ) = y 2 P (Y = y) = y 2 P (Y = y) = 02 (0.7) + 12 (0.3) = 0.30
y∈Y (Ω) y=0

Ainsi V (Y ) = 0.3 − [0.3]2 = 0.21.

Exercice 6. La durée d’une tache dans un processus de production est une variable aléatoire X définie
par sa fonction densité : 
 1/8, si 0 ≤ x < 2
f (x) = βx, si 2 ≤ x < 4

0, sinon
1. Déterminer la constante β.
2. Déterminer la fonction de répartition F (x) de la variable aléatoire X.
3. Calculer P ({1 < X < 3}).
4. Représenter les graphiques de la densité et de la fonction de répartition de X. Illustrer P (1 < X < 3)
sur le graphique de la densité.

8
 5. Déterminer les moments non centrés d’ordres 1 et 2 de X. En déduire la variance de X.

Corrigé :
R
1. La densité de X doit vérifier la condition R f (x)dx = 1.
Soit
Z Z 0 Z 2 Z 4 Z +∞
1 1  2  1 4 1
f (x)dx = 0dx + dx + βxdx + 0dx = x 0 + β x2 2 = + 6β = 1
R −∞ 0 8 2 4 8 2 4

⇒ β = 81 . 
 1
8, si 0 ≤ x < 2
La densité de X s’écrit alors : f (x) = 1
8 x, si 2 ≤ x < 4

0, sinon
Rx
2. La fonction de répartition de X est définie par F (x) = P (X ≤ x) = −∞ f (t)dt ; on distingue les
cas suivants :
Cas 1 : si x < 0, alors Z x
(1)
F (x) = F (x) = f (t)dt = 0
−∞

Cas 2 : si 0 ≤ x < 2, alors

Z Z
0 x
1 1  x 1
F (x) = F (2) (x) = 0dt + dt = 0 + t 0 = x.
−∞ 0 8 8 8

Cas 3 : si 2 ≤ x < 4, alors

Z 0 Z Z
2
1 x
1 1  2 1  1 2 x 1 1 2 1
(3)
F (x) = F (x) = 0dt+ dt+ tdt = 0+ t 0 + t 2 = + (x −4) = x2 .
−∞ 0 8 2 8 8 8 2 4 16 16

Cas 4 : si x ≥ 4, alors
Z 0 Z 2 Z 4 Z x
(4) 1 1 1 2
F (0x) = F (x) = 0dt + dt + tdt + 0dt = (4 ) = 1.
−∞ 0 8 2 8 4 16

En résumé
 (1)

 F (x) = 0, si x<0
 (2)
F (x) = 81 x, si 0≤x<2
F (x) =


1 2
F (3) (x) = 16 x , si 2≤x<4
 (4)
F (x) = 1, si x≥4
On vérifie bien les propriétés de la fonction de répartition , à savoir :
lim F (x) = 0, lim F (x) = 1 et la continuité aux points x0 = 0, x0 = 2, x0 = 4 : lim F (x) =
x→−∞ x→+∞ x→x+
0
F (x0 ).
3. P ({1 < X < 3}) = P ({X < 3}) − P ({X < 1}) = F (3) − F (1) = 1 2
16 (3 ) − 81 (1) = 7
16 .
4. Représentations graphiques de la densité et de la fonction de répartition :

9
 f (x)

1.1
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
x
0
0 2 4
f (x)

1.1
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
x
0
0 2 4

5. Le moment non centré d’ordre k de X est défini par :

Z Z 2 Z 4
k k k1 1
mk = E(X ) = x f (x)dx = x dx + xk xdx,
R 0 8 2 8
Ainsi
Z Z h 
2
1 4
1 1 1 2 i2 h 1 3 i4 1 56  31
m1 = E(X) = x dx + x xdx = x + x = 2+ =
0 8 2 8 8 2 0 3 2 8 3 12
et
Z Z h 
2
2
21
4
21 1 1 3 i2 h 1 4 i4 18  167
m2 = E(X ) = x dx + x xdx = x + x = + 60 = .
0 8 2 8 8 3 0 4 2 8 3 144

Exercice 7. Soit Y une variable aléatoire de fonction de densité :

 1
f (y) = α , si y ∈ [a, b], α > 0
0, sinon

1. Déterminer α en fonction de a et b.

10
 2. Déterminer en fonction de a et b, la fonction de répartition de Y .
3. Déterminer en fonction de a et b, le moment non centré d’ordre k (k ∈ N∗ ) de Y . En déduire
l’espérance et la variance de Y .

Corrigé :
1. La densité de Y doit vérifier la condition
Z Z b
1 1 h ib b−a
f (y)dy = dy = y = =1
R a α α a α
⇒ α = b − a.
La densité de Y s’écrit alors :
 1
b−a , si y ∈ [a, b],
f (y) =
0, sinon
Ry
2. La fonction de répartition de Y est définie par F (y) = P ({Y ≤ y}) = ∞ f (t)dt ; on distingue les
cas suivants :
Cas 1 : si y < a, alors Z y
(1
F (y) = F )(y) = 0dt = 0
∞

Cas 2 : si a ≤ y < b, alors

Z Z
(2
a y
1 1 h iy y−a
F (y) = F )(y) = 0dt + dt = 0 + t =
∞ a b−a b−a a b−a

Cas 3 : si y ≥ b, alors
Z Z Z
(3
0 b
1 y
b−a
F (y) = F )(y) = 0dt + dt + 0dt = 0 + +0=1
∞ a b−a 0 b−a

En résume : 
 0, si y < a
y−a
F (y) = b−a , si a ≤ y < b

1, si y ≥ b.
On vérifie bien les propriétés de la fonction de répartition, à savoir : lim F (y) = 0, lim F (y) =
y→−∞ y→+∞
1 et la continuité aux points y0 = a et y0 = b, soit lim F (y) = F (y0 ).
y→y0+
3. Le moment non centré d’ordre k de Y est défini par :
Z Z b
1 1 h 1 ib bk+1 − ak+1
k
mk = E(Y ) = k
y f (y)dy = y k dy = y k+1 = ∀k ∈ N∗
R b−a a b−a k+1 a (b − a)(k + 1)

Exercice 8. La récolte de céréales est remplie dans de gros sacs d’un certain poids conforme à la norme
du marché. Les agriculteurs utilisent une machine pour le remplissage des sacs. L’état déréglé de cette
machine provoque une erreur dans le poids par rapport à la norme du marché. L’erreur commise, exprimée
en kilogramme, est une variable aléatoire réelle X de densité :
 1
f (x) = 2 (1 − x), si −1 < x < 1
0, sinon

11
1. Détermine les moments non centrés d’ordres un et deux de X. En déduire la variance de X.
2. Déterminer la fonction de répartition, F (x), de l’erreur X.
3. Calculer le quantile d’ordre 10% de l’erreur X. Représenter ce quantile sur la courbe de la densité
f (x).
4. Quelle est la probabilité que le poids d’un sac soit diminué de plus d’un demi kilogramme par
rapport à la norme sachant que son poids est inférieur à la norme.
5. Le poids réel d’un sac est alors une variable aléatoire W = X + 100. Déterminer l’espérance
mathématique et la variance de W .

Corrigé :
1. Le moment non centré d’ordre k de X est défini par :
Z Z
1 1 k
k
mk = E(X ) = k
x f (x)dx = x (1 − x)dx.
R 2 −1
Z
1 1
1 h 1 2 1 3 i1 1
m1 = E(X) = x − x
x(1 − x)dx = =−
2 −1 2 2 3 −1 3
Z 1
1 1 h 1 3 1 4 i1 1
m2 = E(X 2 ) = x2 (1 − x)dx = x − x =
2 −1 2 3 4 −1 3
La variance de X est alors :
 2 1  1 2 2
V (X) = E(X 2 ) − E(X) = m2 − m21 = − = .
3 3 9
2. La fonction de répartition de X est définie par
Z x
F (x) = P ({X ≤ x}) = f (t)dt.
−∞

On distingue les cas suivants :

Cas 1 : si x < −1, alors Z x
(1)
F (x) = f (x) = 0dt = 0.
−∞

Cas 2 : si −1 ≤ x < 1, alors

Z Z
−1 x
1 1h 1 2 ix 1
(2)
F (x) = F (x) = 0dt + (1 − t)dt = t − t = (−x2 + 2x + 3).
−∞ −1 2 2 2 −1 4

Cas 3 : si x ≥ 1, alors
Z −1 Z 1 Z x
1 1
F (x) = F (3) (x) = 0dt + (1 − t)dt + 0dt = (−1 + 2 + 3) + 0 = 1.
−∞ −1 2 1 4

En résumé : 
 0, si x < 1
F (x) = 1
(−x 2 + 2x + 3), si −1 ≤ x < 1
 4
1, si x ≥ 1.

12
3. Le quantile d’ordre 10% de X, noté q0,10 , est tel que F (q0,10 ) = P ({X ≤ q0,10 }) = 0, 10.
F (−1) = 0 < F (q0,10 ) = 0, 10 < F (1) = 1, donc −1 < q0,10 < 1.
F (q0,10 ) = 14 (−q0,10
2 + 2q0,10 + ”) = 0, 10 ⇔ −q0,10
2 + 2q0,10 + 2.6 = 0. Déterminons les solutions de
cette équation :
∆ = 4 + 10.4 = 14.4 et on a deux solutions dont-on doit retenir une seule puisque le quantile est
unique, soient√ :
−2− 14.4
q0,10 = −2 = 2.89 ∈]
/ − 1, 1[ ; c’est une solution à rejeter.
√
−2+ 14.4
q0,10 = −2 = −0, 89 ∈] − 1, 1[ ; c’est la solution à retenir.

4. Dire que le poids du sac est diminué de plus d’un demi

n kilogramme
o est équivalent à dire que l’erreur
X commise est inférieure à − 2 , soit l’événement X < − 2 . Dire que le poids est inférieur à la
1 1
n o
norme c’est équivalent à dire que l’erreur X commise est négative, soit l’événement X < 0 . On
n . o
cherche la probabilité conditionnelle P X < − 21 X < 0 , soit
n oTn o
n 1. o P X < − 12 X<0
P X<− X<0 = n o
2 P X<0


P X < − 12
=
P (X < 10)
 
F − 21 1
(− 1 − 1 + 3) 7
= = 4 4 3 = .
F (0) 4
12

5. E(W ) = E(X + 100) = E(X) + 100 = − 13 + 100 = 99.666 et V (W ) = V (X + 100) = V (X) = 29 .

13