2ème année GEII

Cours de Probabilités / Statistiques

Chapitre 4 : Variables aléatoires sur un univers in…ni

1 Variables aléatoires discrètes

Exercice 1 introductif : Une urne contient 8 boules, dont 2 blanches et 6 vertes. On procède à des
tirages successifs et avec remise de boules dans cette urne. On note X la variable aléatoire égale au
rang de la première boule blanche tirée.
1) Expliquer pourquoi X prend ses valeurs dans l’ensemble X( ) = f1; 2; 3; :::g [ f+1g.
2) Pour tout entier naturel n 1, on note pn la probabilité pour que X prenne la valeur n.
a) Calculer p1 , p2 et p3 .
b) Exprimer pn en fonction de n.
c) Calculer
X1
pn .
n=1
Que peut-on en déduire en ce qui concerne la probabilité que X prenne la valeur +1 ?
3)a) Calculer la quantité
X1
npn .
n=1
b) Quelle interprétation peut-on donner au résultat de la question 3)a) ?
Vocabulaire : Soit ( ; P ) un univers probabilisé in…ni.
On appelle variable aléatoire discrète sur toute fonction X, dé…nie sur et à valeurs dans N
(ou à la rigueur dans N [ f+1g).
! Avec les notations ci-dessus, la loi de probabilité de la variable aléatoire X est la donnée des
nombres :
p0 = P (X = 0), p1 = P (X = 1), ..., pn = P (X = n), ... , p1 = P (X = +1),
avec la condition !
X
1
pn + p1 = 1.
n=0
P
! Si 1 n=0 pn = 1 (c’est-à-dire si X ne peut pas prendre la valeur +1), l’espérance mathéma-
tique, ou moyenne, de la variable aléatoire X, est le nombre, noté m, dé…ni par
X
1
m = E(X) = npn
n=0

! La moyenne m étant connue, on appelle variance de la variable aléatoire X le nombre

!
X1 X1
V (X) = (n m)2 pn = n2 pn m2
n=0 n=0
p
et en…n, on appelle écart-type de la v.a. X le nombre (X) = V (X).
1
Remarque 1 : Les formules sont les mêmes que dans le cas d’une variable aléatoire sur un univers …ni,
sauf qu’il y a une in…nité de valeurs à gérer.
Exemple 1 : Jeu de pile ou face in…ni.
Un joueur ayant un euro en poche joue à pile ou face contre une banque supposée disposer d’une
fortune in…nie. Quand il fait pile la banque lui donne un euro, et quand il fait face il donne un euro à la
banque. La banque ne fait pas crédit, par conséquent dès qu’il atteint la valeur 0 il est ruiné, et contraint
d’arrêter de jouer. On note T la variable aléatoire égale au temps de ruine du joueur.
Par exemple s’il fait face au premier coup il est ruiné instantanément donc T = 1.
S’il fait d’abord pile, suivi de deux face, on a T = 3 et ainsi de suite.
Il est assez facile de voir que T ne peut prendre que des valeurs impaires 1; 3; 5; 7; :::; 2p + 1 etc.
Le calcul dans le cas général de la probabilité que T prenne la valeur 2p + 1 est assez compliqué mais
faisable avec les connaissances mathématiques dont vous disposez.
On montre que si la pièce est équilibrée on a
X
1
P (T = 2p + 1) = 1
p=0

c’est-à-dire qu’il est impossible que le joueur "survive indé…niment". Paradoxalement, on a aussi,
dans ce cas, E(T ) = +1 : c’est sûr que le joueur sera ruiné un jour, mais son temps moyen de ruine est
in…ni.
En revanche, si la pièce est "sympa avec le joueur", c’est-à-dire si elle fait pile avec une probabilité
1
> , alors il y a une probabilité non nulle (dépendant de ) pour que le joueur ne soit jamais ruiné,
2
et même pour qu’il s’enrichisse indé…niment.
Exemple 2 : La loi de Poisson (voir section suivante).

2 Loi de Poisson
Dé…nition 1 : Soit X une variable aléatoire à valeurs dans N, et > 0.
On dit que X suit une loi de Poisson de paramètre si
k
8k 2 N, P (X = k) = e
k!
Commentaires : On verra un peu plus tard à quoi correspond, physiquement, le paramètre .
Commençons par véri…er que la dé…nition ci-dessus a bien un sens, c’est-à-dire que la somme de toutes
les probabilités est bien égale à 1.
En e¤et,
X1 X1 k X1 k
P (X = k) = e =e = e :e = 1
k=0 k=0
k! k=0
k!
z
P1 zn
grâce à la formule e = n=0 n! vue dans le cours sur les séries entières.
Utilisation pratique : La loi de Poisson sert à modéliser des probabilités de réalisations d’évènements
rares : anomalies de certaines productions, erreurs d’impression, présence de certains parasites etc.
On s’en sert également pour modéliser le nombre d’appels sur un central téléphonique pendant une
heure, le nombre de pannes sur certains appareils électro-ménagers pendant une année etc (il s’agit pour
l’essentiel de phénomènes qui n’ont pas de "cause" particulière, mais on aura l’occasion de revenir sur
cette question).
2
Théorème 1 : Soit X une variable aléatoire
p discrète qui suit une loi de Poisson de paramètre .
Alors, E(X) = , V (X) = et (X) = .

Remarque 2 : Le théorème 1 donne au passage une interprétation physique au paramètre . corre-

spond simplement à la moyenne de la v.a. X.

Exercice 2 : Démontrer le théorème 1.

Approximation de la loi binomiale par la loi de Poisson :

Soit X une variable aléatoire qui suit une loi binomiale de paramètres n et p. (On rappelle que dans
ce cas on a E(X) = np et V (X) = npq avec q = 1 p).
On admet que, si n 30, p 0; 1 et npq 10, alors la loi binomiale de paramètres n et p peut être
approchée par la loi de Poisson de paramètre = np.
(Ainsi, on remplace une loi binomiale par une loi de Poisson de même moyenne = np, ce qui va
conduire à des calculs plus simples comme on va pouvoir le constater dans l’exercice qui suit).

Exercice 3 : Une entreprise fabrique des pièces en série. On a observé statistiquement que 3% des
pièces présentent un défaut de fabrication.

On prélève un échantillon de 50 pièces sur l’ensemble de la production, et on s’intéresse à la variable

aléatoire égale au nombre de pièces qui sont défectueuses parmi les 50 pièces prélevées.
On admet que la taille de l’échantillon est su¢ samment petite pour qu’on puisse assimiler ce prélève-
ment à un tirage avec remise, donc que X suit une loi binomiale.
1) Quels sont les paramètres de cette loi ?
2) Calculer la moyenne E(X) de cette variable aléatoire.
3) Calculer P (X = 0), P (X = 2) et P (X = 4) :
a) en utilisant la loi binomiale dé…nie ci-dessus
b) en utilisant la loi de Poisson de paramètre = 1; 5.

3 Généralités sur les lois continues

3.1 Notion de variable aléatoire continue
Dé…nition 2 : Soit ( ; P ) un univers probabilisé in…ni.
On appelle variable aléatoire continue sur toute v.a. dont l’ensemble des valeurs est R, ou un
intervalle I de R.

Exemples :
! On considère un joueur de ‡échettes qui joue sur une cible de 10 cm de rayon. On suppose que le
joueur ne rate jamais sa cible, et on s’intéresse à la variable aléatoire X égale à la distance OM , où O
est le centre de la cible et M le point d’impact de la ‡èche. On a dans ce cas X( ) = [0; 10].
! Durée de vie T d’un noyau radioactif (qui se désintègre sans qu’il y ait de cause spéci…que à sa
désintégration) ou d’un appareil électro-ménager (qui …nit par tomber en panne un jour ou l’autre sans
qu’il y ait de phénomène d’usure). Dans ce cas, T ( ) = [0; +1[.
! Position à l’instant t d’un point qui se promène sur une droite graduée : X( ) = ] 1; +1[.

3
3.2 Fonction de répartition d’une variable aléatoire continue
Dé…nition 3 : X étant une variable aléatoire continue sur , on appelle fonction de répartition de
X la fonction F dé…nie sur R par
F (x) = P (X x).

On a alors les propriétés suivantes :

! F est croissante au sens large sur R
!
lim F (x) = 0 et lim F (x) = 1,
x! 1 x!+1

ce qu’on note généralement F ( 1) = 0 et F (+1) = 1.

3.3 Densité de probabilité

Il s’agit là d’une notion absolument fondamentale en calcul des probabilités.
Commençons par une remarque préliminaire : on se donne une v.a. X, et sa fonction de répartition
F.
Soient par ailleurs a; b 2 R avec a < b.
On a P (a < X b) = P (X b) P (X a) = F (b) F (a) = [F (x)]ba ,
Rb
expression qui fait fortement penser à l’intégrale a f (x)dx... mais encore faut-il que F soit dérivable
sur [a; b] (pour pouvoir être la primitive de f ).
Ces considérations nous amènent à poser les deux dé…nitions suivantes. Les notations sont les mêmes
que ci-dessus.

Dé…nition 4 : Soient a; b 2 R avec a < b.

On appelle densité moyenne de probabilité entre a et b la quantité

F (b) F (a)
.
b a
Dé…nition 5 : Si F est dérivable sur R (ou sur I), on appelle densité de probabilité la dérivée f de
F.
On a alors
F (x + h) F (x)
f (x) = lim
h!0 h
[La densité de probabilité en x est la limite quand h tend vers 0 de la densité moyenne entre les
valeurs x et x + h. On pourra aisément faire le parallèle avec les notions de vitesse moyenne et de vitesse
instantanée en cinématique].

R x : Dans ce cas, on a les formules suivantes

Conséquences immédiates
! Si X( ) = R, F (x) = 1 f (t)dt
Rx
! Si X( ) = [0; +1[, F (x) = 0 f (t)dt, etc.
R +1
On pourra remarquer de plus que dans le premier cas on a 1 f (t)dt = 1, et que dans le second cas
R +1
on a 0 f (t)dt = 1.

4
3.4 Loi à densité
L’étude faite au paragraphe précédent nous incite tout naturellement à poser la dé…nition suivante.

Dé…nition 6 : Soit X une variableRaléatoire continue, à valeurs dans un intervalle I, et f une fonction
continue et positive sur I, telle que I f (t)dt = 1.
On dit que X est à densité f si, pour tous a; b 2 I avec a b, on a
Z b
P (a X b) = f (t)dt
a

Remarque 3 : Dans ce cas, on a clairement 8x 2 I, P (X = x) = 0.

Rx
Démonstration : P (X = x) = P (x X x) = x f (t)dt = 0.

Remarque 4 d’ordre culturel : Dans la pratique il se passe exactement le phénomène inverse de la

démarche qui a été adoptée dans ce cours. Généralement l’observation naturelle nous permet de connaître
la densité f . On peut alors en déduire la fonction de répartition F par intégration de la densité, puis la
connaissance de F nous permet de "mieux cerner" la variable aléatoire X.

3.5 Valeurs caractéristiques d’une variable à densité

Soit X une variable aléatoire à valeurs dans R, et à densité f .
Par analogie avec le cas des variables aléatoires …nies ou discrètes, on pose
R +1
E(X) = 1 tf (t)dt = m
R +1 R +1
V (X) = p 1 (t m)2 f (t)dt = 1 t2 f (t)dt m2
(X) = V (X)

4 La loi exponentielle
4.1 Généralités
Dé…nition 7 : Soit X une variable aléatoire à valeurs dans [0; +1[, et > 0.
On dit que X suit une loi exponentielle de paramètre ssi
Z t
8t 2 [0; +1[ , P (X t) = f (s)ds, avec f (s) = e s .
0

Commençons par véri…er la cohérence de cette dé…nition :

R +1 +1
On a bien 0 f (s)ds = e s 0 = 1

Théorème 2 : Si X suit une loi exponentielle de paramètre , alors :

R +1 1
! E(X) = 0 tf (t)dt =
R +1 1 1
! V (X) = 0 t2 f (t)dt E(X)2 = 2 , et donc (X) = .

Commentaires : Le théorème 2 montre au passage que, dans le cas d’une loi exponentielle, le
paramètre peut s’interpréter comme l’inverse de la moyenne de la v.a. X.

Exercice 4 : Démontrer le théorème 2.

5
4.2 Loi de durée de vie sans vieillissement
Pour commencer nous allons voir une propriété fondamentale, qui va s’avérer être caractéristique de la
loi exponentielle.

Théorème 3 : Si X suit une loi exponentielle de paramètre , alors :

8t 2 [0; +1[ , 8s > 0, PX t (X t + s) = P (X s)

Interprétation : Pour bien comprendre le théorème 3 il faut voir la variable X comme la "durée de
vie" d’un certain individu. Ce que dit le théorème 3, c’est que "la probabilité que l’individu soit encore
vivant à l’instant t + s sachant qu’il était encore vivant à l’instant t" ne dépend pas de t. En particulier
cette probabilité est égale à "la probabilité d’être encore vivant à l’instant s sachant qu’on était vivant à
l’instant 0", soit aussi "la probabilité d’être encore vivant à l’instant s" (puisque tout individu est vivant
à l’instant 0, il n’y a pas d’individu mort-né).
On dit dans ce cas que X suit une loi de durée de vie sans vieillissement.
A notre échelle, cela signi…erait qu’un individu de 90 ans aurait autant de chances de mourir dans
l’année qui suit qu’un individu de 25 ans, ou qu’un individu qui vient de naître. En d’autres termes
l’individu n’a pas de "mémoire" : il n’y a pas de cause spéci…que à la mort d’un individu, en particulier
pas de phénomène d’usure ni de vieillissement. Ce n’est évidemment pas le cas de notre durée de vie à
nous (hélas !), mais certains phénomènes physiques se comportent de cette façon.

Démonstration du théorème 3 : Comme X suit une loi exponentielle de paramètre , on a

Z t Z t
t
P (X t) = f (s)ds = e s ds = e s 0 = e t ( 1) = 1 e t
0 0

On en déduit que P (X t) = 1 (1 e t ) = e t .
Véri…ons maintenant l’égalité énoncée dans le théorème 3. On a

P ((X t + s) \ (X t)) P (X t + s) e (t+s) e t :e s

s
PX t (X t+s) = = = = =e = P (X s),
P (X t) P (X t) e t e t

CQFD.

On va voir maintenant que la réciproque est également vraie.

Théorème 4 : Soit X une variable aléatoire à valeurs dans [0; +1[, qui suit une loi de durée de vie
sans vieillissement.
Alors, il existe un réel > 0 tel que X suive la loi exponentielle de paramètre .
1
De plus, on a = .
E(X)

Démonstration du théorème 4 : Ecrivons la loi de durée de vie sans vieillissement sous la forme

8t; s 2 [0; +1[ , P (X t + s) = P (X t):P (X s)

Pour simpli…er les notations on va poser, pour tout t 2 R, '(t) = P (X t).

On commence par remarquer que, si t 0, P (X t) = 1 (il n’y a pas d’individus morts-nés), donc
' est constante égale à 1 sur ] 1; 0].
Par ailleurs, pour des raisons "physiques", on peut supposer que ' est continue sur R.
En e¤et, sur ] 1; 0] il n’y a rien à faire puisque ' est constante.
6
 Sur [0; +1[ : si ' était discontinue en un point t0 , d’après la loi de durée de vie sans vieillissement elle
le serait partout, ce qui n’est pas compatible avec le comportement habituel d’un phénomène physique.
(Ceux qui ne sont pas convaincus par cet argument peuvent rajouter "on suppose ' continue" dans
les hypothèses du théorème).
Considérons maintenant la fonction dé…nie sur R par
Z t
(t) = '(s)ds
0

Du fait de la continuité de ', on sait d’après le cours d’intégration que est dérivable sur R et que
0
8t 2 R, (t) = '(t)
R t+u
Calculons maintenant (t + u) = 0 '(s)ds avec t; u 2 [0; +1[ :
Pour cela, faisons le changement de variable s = t + w, w = s t
ds
On a = 1, donc ds = dw
dw
Pour les bornes, quand
Ru s = 0, w = Rt, et quand s = t + u, wR = u
u u
d’où (t + u) = t '(t + w)dw = t '(t):'(w)dw = '(t) t '(w)dw, car '(t) est une constante,
que l’on peut sortir de l’intégrale. hR i
0 Ru
En utilisant Chasles on obtient (t + u) = '(t) t
'(w)dw + 0
'(w)dw .
R0 R0
Sur [ t; 0], ' est égale à 1, donc t '(w)dw = t 1dw = t
Ru Ru
Par ailleurs, comme w est une variable muette, on a 0 '(w)dw = 0 '(s)ds = (u).
D’où (t + u) = '(t) [t + (u)]
Choisissons par exemple u = 1. R1
Il est clair que (1) 6= 0 : en e¤et, sinon on aurait 0 '(s)ds = 0, et, comme ' est positive, cela
impliquerait que ' est nulle sur [0; 1].
On aurait en particulier '(0) = 0, soit P (X 0) = 0, ce qui est absurde.
Comme t 0, on a donc t + (1) > 0, ce qui permet d’écrire
(t + 1)
'(t) = pour tout t 0
t + (1)
On sait que est dérivable sur R, donc en particulier sur [0; +1[.
Comme le dénominateur ne s’annule jamais, ' est donc dérivable sur [0; +1[.
Cherchons à exprimer '0 (u) en fonction de u.
'(t + h) '(t) '(t):'(h) '(t) '(h) 1
On a = = '(t)
h h h
'(h) 1 '(h) '(0)
Comme '(0) = 1, on a =
h h
C’est donc un taux d’accroissement qui tend vers '0 (0) quand h tend vers 0.
D’où
'(t + h) '(t)
lim = '(t):'0 (0)
h!0 h
c’est-à-dire que '0 (t) = '(t):'0 (0) pour tout t 0.
Remarquons au passage que, comme h > 0 et '(h) 1, on a '0 (0) 0.
Si '0 (0) = 0, on a '0 (u) = 0, donc ' est constante sur [0; +1[. et, comme '(0) = 1, on aurait

8u 2 [0; +1[ ; '(u) = 1, soit P (T u) = 1

Cela signi…erait que tous les individus sont immortels, donc on peut a¢ rmer que '0 (0) < 0, ce qui
permet de poser '0 (0) = , avec > 0.
7
 On a au …nal '0 (t) = '(t), et on sait d’après le cours sur les équadi¤s qu’il existe une constante
C telle que
'(t) = Ce t .
Comme '(0) = 1, on a C = 1, donc '(t) = e t .
t Rt
On en déduit que P (X t) = 1 e t = e s 0 = 0 e s ds
On a bien démontré que X suit une loi exponentielle de paramètre .
1
En…n, le fait que = est une conséquence immédiate du théorème 2.
E(X)

Remarque personnelle : En prenant comme exemple = 0; 01 et 1 année comme unité de temps,

on va trouver des données qui sont à notre échelle, et qui montrent à quel point la situation di¤ère du
vieillissement auquel on est habitués.
En e¤et, on sait alors que la demi-vie de la population vaut
ln 2
T = ' 69; 3

1
tandis que l’espérance de vie est égale à = 100.
Interprétation concrète : Au bout de 69 ans la moitié des individus aura péri, mais un individu
donné peut espérer vivre 100 ans.

4.3 Une application en physique

En physique, l’exemple typique d’utilisation de la loi de durée de vie sans vieillissement est le problème
de la désintégration des noyaux radioactifs. Nous allons essayer ici de justi…er ce qu’on apprend en
Terminale en physique, et aussi de faire le lien avec la loi exponentielle.
Un noyau se désintègre à un instant donné sans qu’il y ait de cause à cette désintégration.
Plus précisément, entre les instants t et t + dt, un noyau donné se désintègre avec une probabilité p, et
reste en vie avec une probabilité q = 1 p. Ce qui est intéressant c’est que la probabilité p est la même
pour tous les noyaux, et que les phénomènes de désintégration des di¤érents noyaux sont indépendants
entre eux.
Pour préciser les choses on va examiner de plus près ce qui se passe entre les instants t et t + h, où h
est supposé in…niment petit.
Notons N0 le nombre initial de noyaux, et N (t) le nombre de noyaux encore présents à l’instant t.
Dans un premier temps on va noter que, du fait que h est petit, la probabilité pour un noyau donné de
se désintégrer entre t et t + h est proportionnelle à h (un noyau a 2 fois plus de chances de se désintégrer
pendant un intervalle de 2 nanosecondes que pendant un intervalle d’une nanoseconde).
On peut donc écrire que la probabilité qu’un noyau donné se désintègre entre t et t + h est égale à
h, étant le coe¢ cient de proportionnalité.
Notons maintenant Y la variable aléatoire égale au nombre de noyaux qui se désintègrent e¤ectivement
entre t et t + h.
Comme les désintégrations sont indépendantes entre elles, Y suit une loi binomiale de paramètres
N (t) et h, et on sait d’après le cours sur les variables aléatoires …nies que E(Y ) = N (t): h
Dans la pratique on va considérer que cette moyenne est en quelque sorte "respectée", c’est-à-dire
que le nombre de noyaux désintégrés pendant cette période est à peu près égal à N (t): h
On a donc N (t + h) N (t) ' N (t): h
N (t + h) N (t)
soit aussi ' N (t)
h
8
 et, par passage à la limite on en déduit que N 0 (t) = N (t).
t
Ceci est une équadi¤ du premier ordre dont la solution générale est N (t) = Ce , et, comme
N (0) = N0 , on a en fait
N (t) = N0 e t .

Mais le clou du spectacle c’est que le qui a été dé…ni ci-dessus est le même que le qui intervient
dans la loi exponentielle.
En e¤et, d’après l’étude précédente on sait que si un noyau est encore vivant à l’instant t, la probabilité
qu’il se désintègre entre t et t + dt est égale à dt.
En notant X la variable aléatoire égale à la durée de vie d’un noyau donné, ceci peut s’écrire

P (t X t + dtjX t) = dt
P (t X t + dt)
soit = dt
P (X t)
En posant '(t) = P (X t), on obtient P (t X t + dt) = '(t)dt
On va maintenant dire que la probabilité que le noyau vive moins que t est égale à la somme, pour s
variant de 0 à t, de toutes les probabilités qu’il se désintègre entre s et s + ds, ce qui peut s’écrire
Z t
P (X t) = '(s)ds
0
Rt
soit aussi 1 '(t) = 0 '(s)ds
En dérivant on obtient '0 (t) = '(t)
soit '0 (t) = '(t)
On en déduit que '(t) = e t , donc que X suit bien une loi exponentielle de paramètre .

4.4 Une application au contrôle de qualité

Changeons maintenant de secteur d’activité.

Exercice 5 : Le laboratoire de physique du département possède un parc d’oscilloscopes identiques. La

durée de vie en années d’un oscillo est une variable aléatoire notée X, qui suit la loi de durée de vie sans
vieillissement, ou encore loi exponentielle de paramètre > 0.

1) Sachant que P (X > 10) = 0; 286, calculer la valeur du paramètre .

Dans toute la suite on prendra = 0; 125.
2) Calculer la probabilité qu’un oscillo du parc étudié ait une durée de vie :
a) inférieure à 6 mois
b) comprise entre 6 mois et 2 ans.
3) Sachant qu’un appareil a déjà fonctionné 8 années, quelle est la probabilité qu’il ait une durée de
vie supérieure à 10 ans ?
4) Quelle est l’espérance de vie d’un oscillo ?
5) On considère que la durée de vie d’un oscillo est indépendante de celle des autres appareils.
Le responsable du labo décide de commander 15 oscillos.
Quelle est la probabilité qu’au moins un oscillo ait une durée de vie supérieure à 10 ans ?
6) Combien le département devrait-il acheter d’oscillos pour que la probabilité que l’un d’entre eux
fonctionne plus de 10 ans soit supérieure à 0,999 ?

9
4.5 Lien entre la loi exponentielle et la loi de Poisson
Nous en venons maintenant au clou du clou du spectacle :
A l’instant t = 0 on met en marche un composant. On suppose que la durée de vie de ce composant
suit une loi exponentielle de paramètre .
Dès que le composant tombe en panne, on le remplace par un autre composant, dont la durée de vie
suit elle aussi une loi exponentielle de même paramètre , et ainsi de suite.
On admet que les durées de vie des composants sont des variables aléatoires indépendantes entre elles.
On note alors N le nombre de pannes qui vont survenir pendant une unité de temps (par exemple
une année), soit aussi le nombre de fois où il va falloir remplacer le composant. A priori, N est une
variable aléatoire à valeurs dans N. On démontre (mais c’est assez di¢ cile et cela fait appel à des outils
mathématiques sophistiqués) que, dans les conditions décrites ci-dessus, la variable aléatoire N suit une
loi de Poisson de même paramètre .
C’est ainsi par exemple qu’on peut modéliser le nombre d’appels reçus sur un central téléphonique
pendant une heure. Imaginons un conseiller hot line qui répond aux appels dans l’ordre d’arrivée. Dès
que le client raccroche il prend un autre appel. On suppose que la durée D d’un appel suit une loi
1
exponentielle de paramètre = 20. On sait dans ces conditions que E(D) = , c’est-à-dire que chaque
20
appel dure en moyenne un vingtième d’heure, soit 3 minutes. Le résultat ci-dessus permet alors d’a¢ rmer
que la variable aléatoire N égale au nombre d’appels reçus pendant une heure suit une loi de Poisson de
paramètre = 20. En particulier on a E(N ) = 20, c’est-à-dire qu’en moyenne le conseiller recevra 20
appels dans l’heure, ce qui paraît assez logique.

10