MATHEMATIQUES APPLIQUEES
Cours de Statistiques et Probabilité
Cycle LICENCE en Génie Électrique
Campus IST OUAGA 2000
Dr SANA Mohamed
2024-2025
Sommaire
I PROBABILITÉS 2
1 Variables aléatoires continues 3
I - Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1) Variables indépendantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
II - Densité de probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
III - Espérance mathématique et Variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
IV - Loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1) Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2) Espérance et écart type . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3) Domaine d’application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
V - Loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1) Loi normale centrée réduite . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2) Loi normale généralisée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3) Domaine d’application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
VI - Approximation par une loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1) Approximation d’une loi binomiale par une loi normale . . . . . . . . . . . . . 9
2) Approximation d’une loi de Poisson par une loi normale . . . . . . . . . . . . . 10
Dr. SANA - ist.ouaga.bf Probabilités 1
Première partie
PROBABILITÉS
Dr. SANA - ist.ouaga.bf Probabilités 2
Chapitre 1
Variables aléatoires continues
Si les valeurs possibles de X sont réparties de façon continue sur un intervalle fini ou infini, X est
appelée variable aléatoire continue.
Une telle variable est définie lorsque l’on connaît la probabilité pour que X prenne une valeur dans
tout intervalle du type [a; b].
On se donne pour cela la fonction dite de répartition de X : F (x) = P (X < x), qui permet de
calculer pour tout intervalle :
P (a < X < b) = P (X < b) − P (X < a) = F (b) − F (a)
Si la fonction de répartition F est continue, cas que nous allons particulièrement étudier dans toute
la suite, alors F peut s’écrire sous la forme
Z x
F (x) = f (t) dt .
−∞
La fonction f s’appelle alors la densité de probabilité de X, et se doit de vérifier :
Z +∞
f (t) dt = 1
−∞
Définition --variable aléatoire continue
Une variable aléatoire continue réelle est une v.a.r qui peut prendre une infinité de valeurs et non
nombre fini de valeurs comme les v.a.r discrètes.
Exemple : Une v.a.r continue peut représenter par exemple le tirage aléatoire d’un nombre réel dans
l’intervalle [0; 1], ou encore la durée de vie d’une machine ou d’un composant.
I - Fonction de répartition
Définition --Soit X une variable aléatoire réelle. On appelle fonction de répartition de X, la fonction numériq
F , qui à tout réel t, associe la probabilité que X prenne une valeur inférieure ou égal à t.
Pour tout t ∈ R, F (t) = P (X ≤ t)
Remarque : On s’intéresse à cette fonction de répartition car pour une v.a.r continue X, P (X = t) = 0
(voir plus bas).
Propriété --a) F est une fonction croissante
b) P (X > t) = 1 − P (X 6 t) = 1 − F (t)
c) P (a < t ≤ b) = F (b) − F (a)
d) lim F (t) = 1 et lim F (t) = 0
t→+∞ t→−∞
Exemple Dans une banque, entre 9h et 10h, le temps d’attente de l’employé entre deux clients (en
mn) est une v.a. X dont la fonction de répartition est la fonction F définie par : F (x) = 0 si x < 0,
Dr. SANA - ist.ouaga.bf Probabilités 3
et F (x) = 1 − e−0,5x si x > 0.
Un client vient juste de partir. Déterminer la probabilité que le client suivant se présente :
a. dans 5 minutes exactement ;
b. dans moins de 3 minutes ;
c. dans plus de 3 minutes mais moins de 10 minutes ;
1) Variables indépendantes
Définition --On dit que deux variables aléatoires discrètes X et Y sont indépendantes si et seulement si, pour to
couples (x, y) de valeurs possibles pour X et Y, les événements (X 6 x) et (Y 6 y) sont indépendan
ce qui s’écrit :
P (X 6 x et Y 6 y) = P (X 6 x) × P (Y 6 y)
Exemple Un appareil fonctionne grâce à deux éléments identiques mais indépendants dont les
durées de vie X et Y en années sont telles que P (X > 10) = P (Y > 10) = 0, 04. Il suffit l’un au
moins des deux éléments tombe en panne pour que l’appareil ne fonctionne plus.
Déterminer la probabilité que cet appareil fonctionne plus de dix ans.
Réponse : L’appareil fonctionnera de plus de dix si chacun de ses composants dépasse une durée
de vie de plus de dix ans c-à-d si l’événement (X > 10 et Y > 10) est réalisé. Les v.a. X et Y étant
supposées indépendantes, on a : P (X > 10 et Y > 10) = P (X > 10) × P (Y > 10) = 0, 042 = 0, 0016.
II - Densité de probabilité
Définition --Une v.a.r continue X est définie par une fonction f , appelée densité de probabilité de la v.a.r contin
X, fonction qui est telle que : Z +∞
f est définie et positive sur IR (pour tout réel x, f (x) > 0), et f (t)dt = 1.
−∞
Z t
Propriété --Soit P une probabilité de densité f , alors F (t) = P (X 6 t) = f (t)dt .
−∞
Remarque : Pour tout t ∈ IR, f (t) = F 0 (t).
Exemple Déterminer la densité de probabilité de la variable aléatoire X dont la fonction de ré-
partition est la fonction F définie par : F (x) = 0 si x < 0, et F (x) = 1 − e−0,5x si x > 0.
Réponse :
• Si x < 0, F (x) = 0 donc F 0 (x) = 0.
• Si x > 0, F (x) = 1 − e−0,5x donc F 0 (x) = 0, 5.e−0,5x .
Z b
Propriété --a) P (a < X ≤ b) = f (x) dx
a
Z t
b) Pour tout t réel, P (X = t) = P (t 6 X 6 t) = f (x) dx = 0,
t
et donc, P (a < X ≤ b) = P (a ≤ X < b) = P (a ≤ X ≤ b) = P (a < X < b)
Exemple La quantité de café (en kg) vendu par un torréfacteur est une va aléatoire X prenant
ses valeurs dans l’intervalle [10, 70] de densité f définie par :
(10 − x)(x − 70)
f (x) = x ∈ [10, 70] et f (x) = 0 ailleurs.
36000
Dr. SANA - ist.ouaga.bf Probabilités 4
1. Vérifier que f est une densité de probabilité.
2. Déterminer la fonction de répartition F .
3. Calculer la probabilité que ce torréfacteur vende la semaine prochaine :
a. moins de 20 kg de café (événement A) ;
b. plus de 30 kg de café (événement B) ;
c. entre 20 et 30 kg de café (événement C) ;
III - Espérance mathématique et Variance
Propriété --Dans le cas d’une variable aléatoire continue, si les intégrales généralisées existent alors :
Z +∞ Z +∞ q
2
E(X) = tf (t) dt V (X) = (E(X) − t) f (t) dt σ(X) = V (X)
−∞ −∞
Exercice 1 En reprenant l’exemple précédent, calculer l’espérance, la variance et l’écart type de la
v.a.r continue X.
IV - Loi exponentielle
1) Définition
Soit λ un réel strictement positif donné.
Une variable aléatoire continue X suit la loi exponentielle de paramètre λ si elle admet pour densité
la fonction f définie sur [0, +∞[ par : f (x) = λe−λx .
-2cmSa fonction de répartition est la fonction F définie par :
(
F (x) = 0 si x < 0
−λx
F (x) = 1 − e si x > 0
2) Espérance et écart type
Propriété --Si la variable aléatoire continue X suit la loi exponentielle de paramètre λ,
1
son espérance mathématique est E(X) = ,
λ
1
sa variance est V (X) = 2 ,
λ
1
son écart type est σ(X) = .
λ
Exemple On considère un composant électronique dont la durée de vie T (en années) suit une loi
exponentielle d’espérance 10 ans.
Déterminer la densité, la fonction de répartition et l’écart type de la variable aléatoire T .
Calculer la probabilité qu’un tel composant ait une durée de vie :
- supérieure à 5 ans ;
- supérieure à 10 ans ;
- comprise entre 5 ans et 10 ans.
Un composant électronique de ce type fonctionne déjà depuis 8 ans. Quelle est la probabilité qu’il
fonctionne encore au moins pendant 5 ans ? 10 ans ?
Dr. SANA - ist.ouaga.bf Probabilités 5
Réponse :
1
1. La densité a la forme : f (x) = λe−λx . Comme E(X) = 10, alors λ = , alors f (x) = 0, 1e−0,1x
10
2. La fonction de répartition est :
(
F (x) = 0 si x < 0
−0,1x
F (x) = 1 − e si x > 0
1
3. l’écart type est σ(X) = = E(X) = 10
λ
4. La probabilité qu’un tel composant ait une durée de vie supérieure à 5 ans est : P (X > 5) =
1 − P (X 6 5) = 1 − F (5) = e−0,5 = 0, 607.
5. La probabilité qu’un tel composant ait une durée de vie supérieure à 10 ans est : P (X > 10) =
1 − P (X 6 10) = 1 − F (10) = e−1 = 0, 368.
6. La probabilité qu’un tel composant ait une durée de vie compris entre 5 et 10 ans est : P (5 <
X < 10) = P (X 6 10) − P (X 6 5) = F (10) − F (5) = e−1 − e−0,5 = 0, 239.
7. La probabilité qu’un composant fonctionne encore au moins pendant 5 ans alors qu’il a déjà
P (X > 13 ∩ X > 8) 1 − F (13) e−1,3
duré 8 ans est : P (X > (8 + 5)|X > 8) = = = −0,8 = e−0,5 =
P (X > 8) 1 − F (8) e
0, 607 = P (X > 5)
8. De même, la probabilité qu’un composant fonctionne encore au moins pendant 10 ans alors
qu’il a déjà duré 8 ans est : P (X > (8 + 10)|X > 8) = P (X > 10)
3) Domaine d’application
La loi exponentielle s’applique dans les cas suivants :
- temps écoulé entre deux pannes de certains types d’appareil ;
- temps d’attente dans une file d’attente où les arrivées sont poissonniennes ;
- temps de service après une attente du type précédent ;
- durée de vie de certains types d’éléments (lorsque le futur est indépendant du passé)
V - Loi normale
1) Loi normale centrée réduite
Définition --Une variable aléatoire continue T suit la loi normale centrée réduite si elle admet pour densité
fonction f définie sur IR par :
x2
1 −
f (x) = √ e 2
2π
On notera T N (0, 1).
Propriété --Si T suit la loi normale centrée réduite,
son espérance est donné par : E(X) = 0,
sa variance est donnée par : V (X) = 1
et son écart type est donné par : σ(X) = 1
Dr. SANA - ist.ouaga.bf Probabilités 6
Définition --Fonction de répartition
Si X est une v.a.r continue qui suit une loi normale centrée réduite, sa fonction de répartition
définie par :
Z t x2
1 −
Π(t) = P (X ≤ t) = √ e 2 dx pour tout réel t
−∞ 2π
Propriété --X v.a.r continue qui suit une loi normale centrée réduite.
i. la fonction de répartition Π est une fonction strictement croissante ;
ii. Π(0) = P (X 6 0) = P (X > 0) = 12 ;
iii. Π(−t) = P (X 6 −t) = 1 − P (X 6 t) = 1 − Π(t)
iv. pour tous a et b, P (a 6 X 6 b) = Π(b) − Π(a)
Remarque : On ne connaît de primitive de la fonction densité f . Donc les valeurs de la fonction de
répartition Π sont générées par des calculateurs puis sont tabulées.
La table ne donne que les valeurs de P (X 6 x) = Π(x) pour x positif.
Pour les autres valeurs, on utilise la propriété précédente Π(−t) = 1 − Π(t).
Exemple
– Exprimer, en utilisant la fonction de répartition Π de la loi normale, la probabilité P (−a < X 6
a).
– En utilisant la table de la fonction de répartition Π, déterminer les probabilités P (X 6 1, 38) ;
P (X > 0, 43) ; P (0, 43 6 X 6 1, 38) ; P (−1, 1 6 X 6 2, 57) ; P (−1, 96 6 X 6 1, 96).
2) Loi normale généralisée
Définition --Une v.a.r continue X suit une loi normale de paramètres m et σ (σ > 0) si sa densité de probabi
est la fonction f définie sur R par :
(x − m)2
1 −
f (x) = √ e 2σ 2
σ 2π
La loi de probabilité est notée N (m; σ).
Propriété --Espérance mathématique et écart type
Si X suit une loi normale N (m; σ) alors
son espérance est donné par : E(X) = m,
sa variance est donnée par : V (X) = σ 2
et son écart type est donné par : σ(X) = σ
• ∼ 68% des valeurs sont dans [m − σ ; m + σ]
• ∼ 95% des valeurs sont dans [m − 2σ ; m + 2σ]
De plus, • ∼ 99, 7% des valeurs sont dans [m−3σ ; m+3σ]
Théorème --Si la variable aléatoire X suit une loi normale N (m; σ), alors la variable aléatoire
X −m
T =
σ
suit la loi normale centrée réduite N (0; 1).
Exemple X est une v.a. dont la loi de probabilité est la loi normale N (15; 2).
Dr. SANA - ist.ouaga.bf Probabilités 7
X − 15
En utilisant la v.a. T = et la table de la loi normale centrée réduite N (0; 1), calculer :
2
a) P (X < 16) b) P (X > 17) c) P (X > 14) d) P (10 < X < 20)
e) P (−10 < X 6 20) f) P (13 6 X 6 17) g) P (−25 6 X 6 −20)
Exemple Dans les rayons d’une alimentation, le poids (en grammes) d’un paquet de sucre en
carreaux est une variable aléatoire X qui suit une loi normale d’espérance 1000g et d’écart type 8g.
1. Déterminer la probabilité que le poids d’un paquet pris au hasard soit :
i. compris entre 1000 et 1008 grammes ;
ii. compris entre 992 et 1008 grammes ;
iii. supérieur à 1008 grammes ;
iv. ne s’écarte pas de son espérance de plus de deux écarts types
2. Déterminer un intervalle centré sur 1000 dans lequel se trouve les poids de 99% des paquet de
sucre en carreaux.
Propriété --Pour toute v.a. X de loi normale de paramètres (m, σ) et toute v.a. Y de loi normale de paramètr
(m0 , σ 0 ) et pour tous réels a et b,
• aX + b suit la loi normale de paramètres (am + b, |a|σ).
Si X et Y sont indépendantes, alors √
• X + Y suit la loi normale de paramètres (m + m0 , √σ 2 + σ 02 ) ;
• X − Y suit la loi normale de paramètres (m − m0 , σ 2 + σ 02 ) ;
Exemple Une minoterie a deux fournisseurs : le poids X1 (en kg) d’un sac de blé du fournisseur
A est une v.a. qui suit une loi normale de paramètres (100, 5) et le poids X2 (en kg) d’un sac de blé
du fournisseur B est une v.a. qui suit une loi normale de paramètres (100, 10)
On prend un sac au hasard de chaque fournisseur. Quelle est la probabilité que leurs poids diffèrent
de plus de 10 kg ?
Réponse : Il s’agit de la calculer la√probabilité P (|X1 − X2 | > 20). En supposant que X1 et X2
sont indépendantes, X1 − X2 N (0, 52 + 102 ) et
20
P (|X1 −X2 | > 20) = 1−P (|X1 −X2 | 6 20) = 1−P (−20 6 X1 −X2 6 20) = 2 1−Π( √ ) ' 0, 0734
125
Exemple On transporte des paquets par lot de 500 paquets qui sont placés dans un carton qui
pèse lui-même 30 kg. Le poids (en grammes) d’un paquet est une variable aléatoire qui suit une
loi normale paramètres (1000, 100). On suppose que les poids des paquets sont indépendants. La
livraison des lots se fait par un monte-charge qui ne fonctionne pas si le poids du lot dépasse 535 kg.
Déterminer la probabilité qu’un lot ne puisse pas livré.
Réponse : Soient X1 , X2 , · · · , X500 les v.a. des poids en g des 500 paquets et Y la v.a. du poids
d’un lot. Il s’agit de la calculer
√ la probabilité P (Y > 535000). Or les Xi sont indépendantes, alors
Y N (30000 + 500000, 500 × 1002 ). Donc
535000 − 530000
P (Y > 535000) = 1 − P (Y 6 535000) = 1 − Π( √ ) = 1 − Π(2, 24) ' 0, 0125
1000 5
3) Domaine d’application
Lorsque les valeurs prises par une va X résultent d’un très grand nombre de causes aléatoires dont
les variations sont petites, mutuellement indépendantes, et dont aucune ne domine, X suit une loi
normale.
Dr. SANA - ist.ouaga.bf Probabilités 8
Exemple Considérons la va X qui, à chaque paquet de riz marqué "1 kg", associe le poids de riz,
mesuré avec précision, effectivement contenu dans ce paquet.
Réponse : Le poids de riz contenu dans un paquet est la somme des poids (indépendants) des
grains de riz contenus dans ce paquet. Ces grains sont en grand nombre, et chacun d’eux contribue
au poids total sans qu’aucun ne domine.
VI - Approximation par une loi normale
1) Approximation d’une loi binomiale par une loi normale
Théorème --Pour n suffisamment grand, on peut remplacer la probabilités associées à la loi binomiale
√
B(n; p) par celles de la loi normale N (m; σ) avec m = np et σ = npq
En pratique, on approche les probabilités de la loi binomiale par celles de la loi normale lorsque
n > 50, np > 5 et nq > 5 .
Pour corriger le fait de remplacer une loi discrète par une loi continue, on fait "une correction de
continuité" en remplaçant une valeur k de la loi discrète par l’intervalle [k − 0, 5 ; k + 0, 5] de la loi
continue.
Par exemple, pour calculer P (X 6 a), où X suit une loi binomiale, on pourra utiliser la valeur
approchée P (X < a + 0, 5) donnée par la loi normale.
Exercice 2 Avec lasloi B(50; 0, 5), P (X 6 20) ' 0, 1013.
25
Avec la loi N 25; , P (X 6 20) = · · ·
2
et, avec la correction de continuité P (X 6 20, 5) = · · ·
Exemple : On estime que la probabilité pour qu’une graine ait perdu son pouvoir germinatif après
3 ans de conservation est de 70%. Sur un échantillon de 100 graines conservées depuis 3 ans, quelle
est la probabilité pour que moins de 25 germent ?
La probabilité pour qu’une graine germe est p = 0, 3. On suppose que l’échantillon est prélevé
aléatoirement, et en particulier que le pouvoir germinatif de chaque graine est indépendant des
autres graines.
On note X la v.a. égale au nombre de graines qui germent parmi les 100.
X suit alors une loi binomiale B(100; 0, 3), et la probabilité recherchée est :
P (X < 25) = P (X 6 24) = P (X = 0) + P (X = 1) + P (X = 2) + · · · + P (X = 23) + P (X = 24)
k
k
pk (1 − p)100−k
X
= P (X = k) avec P (X = k) = C100
k=0
Le calcul exact est facile à effectuer mais (très) fastidieux. On peut alors, soit utiliser un logiciel de
calcul (ou le programmer dans un langage quelconque), qui nous donne P (X 6 24) ' 0, 114, soit en
calculer une valeur approchée en utilisant les valeurs tabulées de la loi normale.
On peut ici utiliser la loi normale car les paramètres n = 100, np = 30 et nq = n(1 − p) = 70 sont
assez grands. On approxime alors les résultats à l’aide de la loi normale N (m; σ), avec les paramètres :
√ √
m = np = 30 et σ = npq = 100 × 0, 3 × 0, 7 ' 4, 5826
On remplace ainsi la v.a. discrète X ∼ B(n; p) par la v.a. continue Xc ∼ N (m; σ).
Dernière question : on cherche à calculer P (X < 25) = P (X 6 24). Mais, pour la v.a. continue, les
probabilités P (Xc < 25) et P (Xc 6 24) sont différentes.
Dr. SANA - ist.ouaga.bf Probabilités 9
La meilleur approximation sera obtenue en utilisant une correction de continuité et en prenant la
valeur intermédiaire 24,5. On calcule alors :
P (X < 25) = P (X 6 24) ' P (Xc 6 24, 5)
!
24, 5 − 30
=Π = Π(−1, 20) = 1 − Π(1, 20) ' 1 − 0, 8849 ' 0, 115 .
4, 5826
|0, 114 − 0, 115|
L’erreur relative commise lors de cette approximation est de ' 8.10−3 = 0, 8%.
0, 114
2) Approximation d’une loi de Poisson par une loi normale
Si la va discrète X suit une loi de Poisson P(λ) et√si λ est grand (λ > 10), alors on peut approcher
la loi de X par la loi normale de paramètres λ et λ
Cas pratique : Un magasin de meubles propose par téléphone un cadeau aux couples qui acceptent
de se rendre au magasin. Cette opération va durer 25 jours, à raison de 200 appels par jour. On
suppose que parmi les couples appelés au cours d’une journée, le nombre d’entre eux qui se déplacent
est une va qui suit une loi de Poisson de paramètre 5. Quel est le nombre minimum de cadeaux à
prévoir pour avoir plus de 90% de chances de ne pas en manquer.
Réponse : Soient
Xi le nombre de couples contactés le ième jour qui viendront chercher leur cadeau.
X le nombre total de couples qui se déplaceront sur l’ensemble des 25 jours,
et n le nombre de cadeaux à prévoir.
On cherche n tel que P (X 6 n) > 0, 9 On a X = X1 + X2 + · · · + X25 et pour tout i, Xi P(5).
On peut supposer que les variables mm sont indépendantes,√ donc X P(25 × 5). Comme 125 est
grand, on peut approcher la loi P(125) par la loi N (125; 125). Alors
(n + 0, 5) − 125 (n + 0, 5) − 125
P (X 6 n) > 0, 9 ⇐⇒ Π √ > 0, 9 ⇐⇒ √ > 1, 29
125 125
soit n > 139. Il faut donc prévoir au minimum 139 cadeaux. [indication : il faut prendre en compte
la correction de continuité c’est-à-dire n + 0, 5 au lieu de n]
Exercices
2
(
xe−x /2 si x > 0
Exercice 3 Soit la fonction f définie sur IR par f (x) = .
0 sinon
Vérifier que la fonction f définit une densité de probabilité.
1
Exercice 4 Soit λ = et f la fonction définie par f (x) = λe−λx pour x ≥ 0 et f (x) = 0 si x < 0.
10
a) Montrer que f est une densité de probabilité. C’est la densité de la «loi exponentielle» de para-
1
mètre λ = .
10
b) Tracer la courbe représentative de la fonction f .
c) Une standardiste vient de prendre son travail et attend son premier appel. Nous admettrons que
le temps d’attente, exprimé en secondes, du premier appel suit une loi exponentielle de paramètre
1
. Donner la probabilité que la standardiste attende moins de 10 secondes, plus de 30 secondes
10
et entre 20 et 30 secondes.
Dr. SANA - ist.ouaga.bf Probabilités 10
Exercice 5 Exprimer, en utilisant la fonction de répartition Π de la loi normale, la probabilité
P (−a < X 6 a).
Exercice 6 X est une v.a. suivant la loi normale centrée réduite N (0; 1). Déterminer les probabi-
lités :
a) P (X < 1, 71) b) P (X 6 −0, 9) c) P (0, 61 < X 6 1, 2) d) P (−1 6 X < 1)
Exercice 7 Une machine produit des objets de masse m en grammes. Soit X la variable aléatoire
prenant pour valeur la masse des objets produits, X suit une loi normale de moyenne 250 et d’écart
type 2.
Calculer les probabilités qu’un objet pèse :
a) moins de 251 g b) plus de 252 g c) entre 246 et 254 g
Exercice 8 Une machine fabrique des condensateurs de capacité 5µF en très grande série.
La variable aléatoire X mesurant leur capacité suit la loi normale de moyenne m = 4, 96µF et
d’écart type σ = 0, 05µF.
On considère qu’un condensateur est acceptable si sa capacité est comprise entre 4, 85µF et 5, 15µF.
1. Calculer la probabilité pour qu’un condensateur soit acceptable.
2. La machine est bien réglée si 99% de sa production est acceptable. La machine est-elle bien
réglée ?
Exercice 9 Une machine fabrique des pièces circulaires en série. A chaque pièce tirée au hasard, on
associe son diamètre x exprimé en millimètre. On définit ainsi une variable aléatoire X. On suppose
que X suit la loi normale de moyenne µ = 32 et d’écart type σ = 1 (en mm).
Pour être utilisable, une pièce doit satisfaire à la norme suivante : 31 6 x 6 33.
1. Quelle est la probabilité p qu’une pièce soit utilisable ?
2. Le coût de fabrication d’une pièce est noté f . Dans un lot de 100 pièces fabriquées, le coût de
fabrication est donc de 100f , tandis que le nombre de pièces utilisables est seulement de 100p.
100f f
Ainsi, le prix moyen de fabrication est : M = = .
100p p
a. Calculer le prix moyen de fabrication avec la machine précédente si f = 1080 francs.
Pour diminuer le pourcentage de pièces défectueuses, on pourrait utiliser une machine plus
moderne : son écart type serait de 0,5 mm, et X suivrait alors la loi normale N (32; 0, 5),
mais le coût de fabrication serait alors de f2 = 1200 francs avec cette nouvelle machine.
b. Calculer pour cette nouvelle machine la probabilité p2 qu’une pièce soit utilisable.
c. Déterminer le prix de revient moyen M2 pour cette nouvelle machine. Commenter.
Exercice 10 Une entreprise dispose d’un parc de 25 machines du même type, fonctionnant indépen-
damment les unes des autres. Au cours d’une journée une machine peut-être en panne ou fonctionner
correctement, la probabilité qu’elle tombe en panne étant de 0,035.
1. Soit X la variable aléatoire prenant pour valeur le nombre de machines tombées en panne un
jour donné parmi les 25 utilisées. On admettra que cette variable aléatoire suit une loi binomiale
de paramétres n = 25 et p = 0, 035.
a. Donner l’espérance mathématique et la variance de X.
b. Déterminer à 10−3 près les probabilités des évènements suivants :
• aucune machine ne tombe en panne un jour donnée ;
• au moins 2 machines tombent en panne un jour donné.
Dr. SANA - ist.ouaga.bf Probabilités 11
2. Si une machine tombe en panne au cours d’une journée, on fait appel au service de dépannage
qui effectue la réparation pour que la machine soit en service le lendemain. Soit Y la variable
aléatoire prenant pour valeur le temps de réparation en heures. On admet que Y suit la loi
normale de moyenne 3 heures et d’écart type 1,5 heures.
Déterminer les probabilités des évènements suivants :
• la réparation d’une machine dépasse 6 heures ;
• la réparation d’une machine dure moins de 1,5 heures.
Exercice 11 D’après BTS
Une entreprise fabrique des brioches en grande quantité.
On pèse les boules de pâte avant cuisson. On note X la variable aléatoire qui, à chaque boule de
pâte, associe sa masse. On admet que X suit la loi normale de moyenne 700 g et d’écart type 20 g.
1. Seules les boules dont la masse est comprise entre 666 g et 732 g sont acceptées à la cuisson.
Quelle est la probabilité qu’une boule, prise au hasard dans la production, soit acceptée à la
cuisson ?
2. Déterminer le réel positif h afin que l’on ait : P (700 − h 6 X 6 700 + h) > 0, 95.
3. On admet que 8% des boules sont refusées à la cuisson.
On prélève au hasard, successivement et avec remise, n boules dans la production. On note Yn
la variable aléatoire qui, à chaque prélèvement de n boules, associe le nombre de boules qui
seront refusées à la cuisson. Cette variable aléatoire Yn suit une loi binomiale.
a. Dans le cas n = 10, calculer la probabilité d’avoir, parmi les 10 boules prélevées, exactement
3 boules refusées à la cuisson.
b. Dans le cas n = 50, on admet que l’on peut approcher la loi de probabilité de la variable
aléatoire Y50 par une loi de Poisson.
Préciser le paramètre de cette loi de Poisson.
Calculer alors la probabilité d’avoir, parmi les 50 boules prélevées, exactement 4 boules
refusées à la cuisson, puis la probabilité d’avoir au moins 45 boules acceptées à la cuisson.
Dr. SANA - ist.ouaga.bf Probabilités 12
