Sol TD4

Télécharger au format pdf ou txt
Télécharger au format pdf ou txt
Vous êtes sur la page 1sur 11

Ecole supérieure de finance et de comptabilité De Constantine

04/2021 Module Probabilité 𝟐è𝒎𝒆 année


Solution TD 04
EXERCICE 01 :

1
𝑓(𝑥) = {𝑎 𝑠𝑖 0 < 𝑥 ≤ 𝑎
0 𝑠𝑖𝑛𝑜𝑛
1/ La loi probabilité de v.a Y=𝑋 2 :

soit 𝑦 ∈ ℝ

𝐹𝑌 (𝑦) = 𝑃(𝑌 ≤ 𝑦) = 𝑃(𝑋 2 ≤ 𝑦) = 𝑃(|𝑋| ≤ √𝑦) = 𝑃(−√𝑦 ≤ 𝑋 ≤ √𝑦) 𝑆𝑖 𝑦 ≥ 0

𝐹𝑌 (𝑦) = 𝐹𝑋 (√𝑦) − 𝐹𝑋 (−√𝑦)

Donc
1
𝑑𝐹𝑌 (𝑦) 1 1 𝑠𝑖 0 < 𝑦 ≤ 𝑎2
𝑓𝑌 (𝑦) = =2 𝑓 (√𝑦) + 2 𝑓 (−√𝑦) = {2𝑎√𝑦
𝑑𝑦 √ 𝑦 𝑋 √ 𝑦 𝑋
0 𝑠𝑖𝑛𝑜𝑛

2/ La loi probabilité de v.a 𝑍 = √𝑋

soit 𝑧 ∈ ℝ

𝐹𝑍 (𝑧) = 𝑃(𝑍 ≤ 𝑧) = 𝑃(√𝑋 ≤ 𝑧) = 𝑃(𝑋 ≤ 𝑧 2 ) = 𝐹𝑋 (𝑧 2 ), Si 𝑧 ≥ 0


2𝑧
𝑑𝐹𝑍 (𝑧) 𝑠𝑖 0 < 𝑧 ≤ √𝑎
Donc 𝑓𝑍 (𝑧) = = 2𝑧𝑓𝑋 (𝑧 2 ) = { 𝑎
𝑑𝑧
0 𝑠𝑖𝑛𝑜𝑛

Exercice 02 : Y est une v.a continue qui suit la loi exponentielle de paramètre
𝜆 > 0 et de densité de probabilité g donnée par :
−𝜆𝑦
𝑔(𝑦) = {𝜆𝑒 𝑠𝑖 𝑦 ≥ 0
0 𝑠𝑖 𝑛𝑜𝑛
X est une v.a définie par X=𝑒 𝑌
1. Déterminons la fonction de densité de la v.a X.
𝑆𝑜𝑖𝑡 𝑥 ∈ 𝑅 ; 𝐹𝑋 (𝑥) = 𝑃(𝑋 ≤ 𝑥) = 𝑃(𝑒 𝑌 ≤ 𝑥) = 𝑃(𝑌 ≤ ln 𝑥), ∀ 𝑥 > 0
= 𝐹𝑌 (ln 𝑥 ).
𝜆 −𝜆
Donc 𝑓𝑋 (𝑥) = 𝑔(ln 𝑥 ) = {𝑥 𝑥
1 𝑠𝑖 ln 𝑥 ≥ 0 = 𝜆𝑥 −(𝜆+1) 𝑠𝑖 𝑥 ≥ 1
{
𝑥
0 𝑠𝑖 𝑛𝑜𝑛 0 𝑠𝑖 𝑛𝑜𝑛
2. Déterminons la fonction de répartition F de la variable aléatoire X.

1
𝑠𝑖 𝑥 > 0 ; 𝐹𝑋 (𝑥) = 𝐹𝑌 (ln 𝑥 ).
𝑠𝑖 𝑥 ≤ 0 ; 𝐹𝑋 (𝑥) = 0.
𝑡
𝐹𝑌 (𝑡) = ∫ 𝑔(𝑦)𝑑𝑦
−∞
𝑠𝑖 𝑡 ≤ 0; 𝐹𝑌 (𝑡) = 0
𝑡 𝑡
𝑠𝑖 𝑡 > 0 ;𝐹𝑌 (𝑡) = ∫−∞ 𝑔(𝑦)𝑑𝑦 = ∫0 𝜆𝑒 −𝜆𝑦 𝑑𝑦 = [−𝑒 −𝜆𝑦 ]𝑡0 = 1 − 𝑒 −𝜆𝑡 .
−𝜆
Donc 𝐹𝑋 (𝑥) = {1 − 𝑥 𝑠𝑖 𝑥 ≥ 1
0 𝑠𝑖 𝑛𝑜𝑛

3. Calculons E(X).
+∞ +∞ +∞
𝐸(𝑋) = ∫−∞ 𝑥𝑓𝑋 (𝑥)𝑑𝑥 = ∫1 𝑥𝜆𝑥 −(𝜆+1) 𝑑𝑥 = 𝜆 ∫1 𝑥 −𝜆 𝑑𝑥.
+∞
𝑠𝑖 𝜆 = 1; 𝐸(𝑋) = ∫1 𝑥 −1 𝑑𝑥 = [ln 𝑥]1+∞ = +∞ donc 𝐸(𝑋) n’existe pas

De même pour 𝜆 < 1 , 𝐸(𝑋) n’existe pas


+∞ 𝜆 𝜆
𝑠𝑖 𝜆 > 1; 𝐸(𝑋) = 𝜆 ∫1 𝑥 −𝜆 𝑑𝑥 = [ 𝑥 1−𝜆 ]1+∞ = − .
1−𝜆 1−𝜆
4. Calculons E(𝑋 𝑘 ) pour tout 𝑘 ≥ 1
+∞ +∞ +∞
E(𝑋 𝑘 )= ∫−∞ 𝑥 𝑘 𝑓𝑋 (𝑥)𝑑𝑥 = ∫1 𝑥 𝑘 𝜆𝑥 −(𝜆+1) 𝑑𝑥 = 𝜆 ∫1 𝑥 𝑘−𝜆−1 𝑑𝑥
Si 𝑘 ≥ 𝜆 ; E(𝑋 𝑘 ) n’existe pas
𝜆 𝜆
Sinon ; E(𝑋 𝑘 ) = [ 𝑥 𝑘−𝜆 ]1+∞ = − .
𝑘−𝜆 𝑘−𝜆
5. on déduire que la v.a X n’admet pas de fonction génératrice des moments.
La fonction génératrice des moments s’écrit :
′ (0)𝑡 ′′ (0)
𝑡2 (𝑘)
𝑡𝑘
𝑀(𝑡) = 𝑀(0) + 𝑀 +𝑀 + ⋯ + 𝑀 (0) + ⋯
2 𝑘!
2 𝑘
𝑡 𝑡
𝑀(𝑡) = 𝑀(0) + 𝐸(𝑋)𝑡 + 𝐸(𝑋 2 ) + ⋯ + 𝐸(𝑋 𝑘 ) + ⋯
2 𝑘!
𝑘
D’où M(t) n’existe pas parce que pour 𝑘 ≥ 𝜆 ; E(𝑋 ) n’existe pas
EXERCICE 03 :

1
𝑋 ↝ 𝑈[−2; 4] ⟹ 𝑓𝑋 (𝑥) = {6 𝑠𝑖 𝑥 ∈ [−2; 4]
0 𝑠𝑖𝑛𝑜𝑛

1/ La représentation graphique de 𝑓𝑋 :

2
𝑃(−3 ≤ 𝑋 ≤ 0) = 𝑙𝑎 𝑠𝑢𝑟𝑓𝑎𝑐𝑒 𝑐𝑜𝑚𝑝𝑟𝑖𝑠𝑒 𝑒𝑛𝑡𝑟𝑒 𝐶𝑓 ; 𝑋 = −3 𝑒𝑡 𝑋 = 0

1 1
= ×3 =
6 2
1 1
𝑃(−2 ≤ 𝑋 ≤ 0) = ×2=
6 3
1 1
𝑃(0 ≤ 𝑋 ≤ 2) = ×2=
6 3
1 1
𝑃(0 ≤ 𝑋 ≤ 3) = 6 × 3 = 2

EXERCICE 04 :

1 𝑠𝑖 𝑥 ∈ [0; 1]
𝑋 ↝ 𝑈[0; 1] ⟹ 𝑓𝑋 (𝑥) = {
0 𝑠𝑖𝑛𝑜𝑛
1/ La loi de V=-ln(X) :

∀𝑣 ∈ ℝ 𝐹𝑉 (𝑣) = 𝑃(𝑉 ≤ 𝑣) = 𝑃(−𝑙𝑛𝑋 ≤ 𝑣) = 𝑃(𝑙𝑛𝑋 ≥ −𝑣) = 𝑃(𝑒 𝑙𝑛𝑋 ≥ 𝑒 −𝑣 )


= 𝑃(𝑋 ≥ 𝑒 −𝑣 ) = 1 − 𝑃(𝑋 ≤ 𝑒 −𝑣 )

= 1 − 𝐹𝑋 (𝑒 −𝑣 )

𝑒 −𝑣 𝑠𝑖 𝑒 −𝑣 ∈ [0; 1] 𝑒 −𝑣 𝑠𝑖 𝑣 ∈ [0; +∞[


Donc 𝑓𝑉 (𝑣) = 𝑒 −𝑣 𝑓𝑋 (𝑒 −𝑣 ) = { ={
0 𝑠𝑖𝑛𝑜𝑛 0 𝑠𝑖𝑛𝑜𝑛
2/ Calculons 𝑃(|𝑉 − 1| > 10):

𝑃(|𝑉 − 1| > 10) = 1 − 𝑃(|𝑉 − 1| ≤ 10)

= 1 − 𝑃(−10 ≤ 𝑉 − 1 ≤ 10)
11
= 1 − P(−9 ≤ V ≤ 11) = 1 − ∫0 𝑒 −𝑣 𝑑𝑣 = 𝑒 −11 .

−𝜆𝑥
Exercice 05 𝑇𝑘 ~𝜀(𝜆) ⇔ 𝑓(𝑥) = {𝜆𝑒 𝑠𝑖 𝑥 ≥ 0
0 𝑠𝑖𝑛𝑜𝑛
−𝜆𝑥
Donc 𝐹𝑇𝑘 (𝑥) = {1 − 𝑒 𝑠𝑖 𝑥 ≥ 0
0 𝑠𝑖𝑛𝑜𝑛
1. Calculons P(𝑇𝑘 > 𝑡)
−𝜆𝑡
P(𝑇𝑘 > 𝑡) = 1 − P(𝑇𝑘 ≤ 𝑡) = 1 − 𝐹 𝑇𝑘 (𝑡) = { 𝑒 𝑠𝑖 𝑡 ≥ 0
1 𝑠𝑖𝑛𝑜𝑛
3
2. Calculons P(U>t) dans les cas suivantes :

i) Dans le cas où le système fonctionne si et seulement si tous les éléments fonctionnent

P(U>t) = P(𝑇1 > 𝑡 𝑒𝑡 𝑇2 > 𝑡)

Comme 𝑇1 𝑒𝑡 𝑇2 sont indépendantes de même loi


−2𝜆𝑡
P(U>t) = P(𝑇1 > 𝑡 𝑒𝑡 𝑇2 > 𝑡)= [𝑃(𝑇1 > 𝑡)]2 = { 𝑒 𝑠𝑖 𝑡 ≥ 0
1 𝑠𝑖𝑛𝑜𝑛
ii) Dans le cas où le système fonctionne ssi au mois des éléments fonctionne.

P(U>t) = P(𝑇1 > 𝑡 𝑜𝑢 𝑇2 > 𝑡) = P(𝑇1 > 𝑡) + P(𝑇2 > 𝑡) − P(𝑇1 > 𝑡 𝑒𝑡 𝑇2 > 𝑡)
−𝜆𝑡 −𝜆𝑡
= 2P(𝑇1 > 𝑡) − P(𝑇1 > 𝑡 𝑒𝑡 𝑇2 > 𝑡) = {𝑒 (2 − 𝑒 ) 𝑠𝑖 𝑡 ≥ 0 )
1 𝑠𝑖𝑛𝑜𝑛
3. la loi de U

∀𝑡 ∈ ℝ ; 𝐹𝑈 (𝑡) = P(U ≤ t)
−2𝜆𝑡
Dans le cas i, 𝐹𝑈 (𝑡) = P(U ≤ t) = 1 − P(U > 𝑡) = {1 − 𝑒 𝑠𝑖 𝑡 ≥ 0
0 𝑠𝑖𝑛𝑜𝑛
−2𝜆𝑡
Donc 𝑓𝑈 (𝑡)={2𝜆𝑒 𝑠𝑖 𝑡 ≥ 0
0 𝑠𝑖𝑛𝑜𝑛
Donc U~ 𝜀(2𝜆)
1
E(U)= 2𝜆.

Exercice 06 :
𝑋−𝜇
Rappelle : si X~𝑁(𝜇, 𝜎 2 ) alors ~𝑁(0,1)
𝜎

𝑋−5
On a X~𝑁(5 , 0.022 ) donc 𝑍 = ~𝑁(0,1).
0.02

1. Calculons la probabilité pour que la longueur de la barre soit comprise entre 4.98m et
5.019m :
4.98−5 𝑋−5 5.019−5
𝑃(4.98 ≤ 𝑋 ≤ 5.019) = 𝑃 ( ≤ ≤ ) = 𝑃(−1 ≤ 𝑍 ≤ 0.95)
0.02 0.02 0.02

= 𝐹(0.95) − 𝐹(−1) = 𝐹(0.95) − (1 − 𝐹(1))

De la table du loi normale centrée réduite on obtient

𝐹(0.95) = 0.8289.

4
𝐹(−1) = 𝑃(𝑋 ≤ −1)=P(X≥ 1) = 1 − 𝑃(𝑋 < 1)=1-F(1)

𝐹(1) = 0.8413.

Donc 𝑃(4.98 ≤ 𝑋 ≤ 5.019) = 0.8289 + 0.8413 − 1 = 0.6702.


𝑃(5≤𝑋≤5.019) 𝑃(0≤𝑍≤0.95) 𝐹(0.95)−𝐹(0) 0.8289−0.5
2. 𝑃(𝑋 ≤ 5.019\𝑋 > 5) = 𝑃(𝑋>5)=1−𝑃(𝑋<5) = = = =
1−𝑃(𝑍≤0) 1−𝐹(0) 0.5
0.6578

3. Trouvons le nombre réel a tel que 𝑃(𝜇 − 𝑎 < 𝑋 ≤ 𝜇 + 𝑎) = 95%


−𝑎 𝑎
𝑃(𝜇 − 𝑎 < 𝑋 ≤ 𝜇 + 𝑎) = 0.95 ⇔ 𝑃 ( ≤𝑍≤ ) = 0.95
0.02 0.02
𝑎 𝑎 𝑎 𝑎
⇔ 𝐹( ) − 𝐹 (− ) = 0.95 ⇔ 𝐹 ( ) − [1 − 𝐹 ( )] = 0.95
0.02 0.02 0.02 0.02
𝑎 𝑎 1.95
⇔ 2𝐹 ( ) − 1 = 0.95 ⇔ 𝐹 ( )= = 0.975
0.02 0.02 2
𝑎
D’après la table du loi normale centrée réduite on trouve que 0.02 = 1.96 ⇔ 𝑎 = 0.0392

0 𝑠𝑖 𝑥 < 0
1 𝑠𝑖 𝑥 ∈ [0; 1]
Exercice 07 : 𝑋𝑖 ~𝑈[0,1] ⇒ 𝑓(𝑥) = { et 𝐹𝑋𝑖 (𝑥) = {𝑥 𝑠𝑖 𝑥 ∈ [0; 1]
0 𝑠𝑖𝑛𝑜𝑛 1 𝑠𝑖 𝑥 > 1

𝑌 = inf(𝑋1 , 𝑋2 , … , 𝑋𝑛 )

Z=max(𝑋1 , 𝑋2 , … , 𝑋𝑛 )

1. La densité de probabilité de Y

∀𝑦 ∈ ℝ ; 𝐹𝑌 (𝑦) = P(Y ≤ y) = P(inf(𝑋1 , 𝑋2 , … , 𝑋𝑛 ) ≤ 𝑦) = 1 − 𝑃(inf(𝑋1 , 𝑋2 , … , 𝑋𝑛 ) > 𝑦)


= 1 − 𝑃(𝑋1 > 𝑦, … , 𝑋𝑛 > 𝑦)

Comme les 𝑋𝑖 sont indépendantes de même loi


𝑛
𝐹𝑌 (𝑦) = 1 − 𝑃(𝑋1 > 𝑦, 𝑋2 > 𝑦, … , 𝑋𝑛 > 𝑦) = 1 − 𝑃(𝑋𝑖 > 𝑦)𝑛 = 1 − (1 − 𝐹𝑋𝑖 (𝑦))

1 − (1 − 𝑦)𝑛 𝑠𝑖 𝑦 ∈ [0; 1]
𝐹𝑌 (𝑦) = { 1 𝑠𝑖 𝑦 ≥ 1
0 𝑠𝑖𝑛𝑜𝑛
𝑛−1 𝑛−1
Donc 𝑓𝑌 (𝑦) = (𝐹𝑌 (𝑦))′ = 𝑛𝑓𝑋 (𝑦) (1 − 𝐹𝑋1 (𝑦)) = {𝑛(1 − 𝑦) 𝑠𝑖 𝑦 ∈ [0; 1]
0 𝑠𝑖𝑛𝑜𝑛
La densité de probabilité de Z

∀𝑧 ∈ ℝ ; 𝐹𝑍 (𝑧) = P(Z ≤ z) = P(max(𝑋1 , 𝑋2 , … , 𝑋𝑛 ) ≤ 𝑧) = 𝑃(𝑋1 ≤ 𝑧, 𝑋2 ≤ 𝑧, … , 𝑋𝑛 ≤ 𝑧)

Comme les 𝑋𝑖 sont indépendantes de même loi

5
𝑛
𝐹𝑍 (𝑧) = 𝑃(𝑋1 ≤ 𝑧) .

𝑛−1 𝑛−1
Donc 𝑓𝑍(𝑧) = 𝑛𝑓𝑋 (𝑧) (𝐹𝑋1 (𝑧)) = { 𝑛𝑧 𝑠𝑖 𝑧 ∈ [0; 1]
0 𝑠𝑖𝑛𝑜𝑛
2. Calculons E(Y), E(Z) et V(Y), V(Z)
+∞ 1 1 1
E(Y)= ∫−∞ 𝑦 𝑓𝑌 (𝑦)𝑑𝑦 = ∫0 𝑛𝑦(1 − 𝑦)𝑛−1 𝑑𝑦 = [−𝑦(1 − 𝑦)𝑛 ]10 + ∫0 (1 − 𝑦)𝑛 𝑑𝑦 = [− 𝑛+1 (1 −
1
𝑦)𝑛 = (intégration par partie)
𝑛+1

+∞ 1 1 𝑛
𝐸(𝑍) = ∫−∞ 𝑧 𝑓𝑍 (𝑧)𝑑𝑧 = ∫0 𝑛𝑧𝑧 𝑛−1 𝑑𝑧 = 𝑛[𝑛+1 𝑧 𝑛+1 ]10 = 𝑛+1 .

V(Y)=E(𝑌 2 ) − (𝐸(𝑌))2
+∞ 1 𝑛 1
E(𝑌 2 ) = ∫−∞ 𝑦2 𝑓𝑌 (𝑦)𝑑𝑦 = ∫0 𝑛𝑦2 (1 − 𝑦)𝑛−1 𝑑𝑦 = [−𝑦2 (1 − 𝑦) ]10 + ∫0 2𝑦(1 − 𝑦)𝑛 𝑑𝑦

1 −𝑦 1 1 −1
= 2 ∫0 𝑦(1 − 𝑦)𝑛 𝑑𝑦 = 2[[𝑛+1 (1 − 𝑦)𝑛+1 ]10 + ∫0 𝑛+1
(1 − 𝑦)𝑛+1 𝑑𝑦] = 2[(𝑛+1)(𝑛+2) (1 − 𝑦)𝑛+1 ]10

2
=
(𝑛 + 1)(𝑛 + 2)
2 1 𝑛
𝑉(𝑌) = (𝑛+1)(𝑛+2) − (𝑛+1)2 = (𝑛+1)2 (𝑛+2) .

V(Z)=E(𝑍 2 ) − (𝐸(𝑍))2
+∞ 1 1 𝑛 𝑛
E(𝑍 2 ) = ∫−∞ 𝑧2 𝑓𝑍 (𝑧)𝑑𝑧 = ∫0 𝑧 2 𝑛𝑧 𝑛−1 𝑑𝑧 = 𝑛 ∫0 𝑧 𝑛+1 𝑑𝑧 = [𝑧 𝑛+2 ] =
𝑛+2 𝑛+2

𝑛 𝑛2 𝑛
V(Z)= − = .
𝑛+2 (𝑛+1)2 (𝑛+1)2 (𝑛+2)

Exercice 08

𝑋 − 35
𝑋~𝑁(35, 52 ) 𝑑𝑜𝑛𝑐 𝑍 = ~ 𝑁(0,1)
5
a)Calculons P(X<25) ,P(37.5<X<40) et P(32.5<X<37.5)
25−35
𝑃(𝑋 < 25) = 𝑃 (𝑍 < ) = 𝑃(𝑍 < −2) = 𝐹(−2) = 1 − 𝐹(2) = 1 − 0.9772 = 0.0228
5

(D’après la table du loi normale (2) = 0.9772 )

𝑃(37.5 < 𝑋 < 40) = 𝑃(0.5 < 𝑍 < 1) = 𝐹(1) − 𝐹(0.5) = 0.8413 − 0.6915 = 0.1498.
(D’après la table du loi normale (1) = 0.8413; 𝐹(0.5) = 0.6915 )

𝑃(32.5 < 𝑋 < 37.5) = 𝑃(−0.5 < 𝑍 < 0.5) = 𝐹(0.5) − 𝐹(−0.5)
= 𝐹(0.5) − (1 − 𝐹(0.5)) = 2𝐹(0.5) − 1 = 2(0.6915) − 1 = 0.383.

6
Calculons l’espérance et la variance d’une v.a Y de loi normale tel que :P(Y>-3) = 0.6915 et
P(Y<2) = 0.9772.
𝑌−𝜇
Y~𝑁(𝜇, 𝜎 2 ) ⇔ 𝑍 = ~𝑁(0,1)
𝜎

𝑌−𝜇 −3−𝜇
P(Y>-3) = 0.6915⇔ 𝑃 (𝑍 = > ) = 0.6915
𝜎 𝜎

−3−𝜇 3+𝜇
⇔ 1−𝐹( ) = 0.6915 ⇔ 𝐹 ( ) = 0.6915
𝜎 𝜎

3+𝜇
⇔ = 0.5…….(1)
𝜎

𝑌−𝜇 2−𝜇 2−𝜇


𝑃(𝑌 < 2) = 0.9772 ⇔ 𝑃 (𝑍 = < ) = 0.9772 ⇔ 𝐹 ( ) = 0.9772
𝜎 𝜎 𝜎
2−𝜇
⇔ = 2 … . . (2)
𝜎
De (1) et (2) on trouve 𝜇 = −2, 𝜎 = 2
Donc E(Y) = -2 , V(Y) = 4.

Exercice 09
Calculer la valeur de la probabilité P(𝑋 2 − 6𝑋 < 1.84)

1. On a X~𝑁(𝜇, 𝜎 2 ) cherchons La valeur de 𝜇 𝑒𝑡 𝑑𝑒 𝜎


𝑋−𝜇 2−𝜇 2−𝜇
P(X<2)=0.3085⇔ 𝑃 (𝑍 = < ) = 0.3085 ⇔ 𝐹 ( ) = 0.3085.
𝜎 𝜎 𝜎

la valeur 0.3085 n’existe pas dans la table du loi normale, mais on sait que (𝑥) = 1 −
𝐹(− 𝑥) .
2−𝜇 −2+𝜇 −2+𝜇
Donc 𝐹 ( ) = 0.3085 ⇔ 𝐹 ( ) = 0.6915 ⇔ = 0.5 … . (1)
𝜎 𝜎 𝜎

𝑋−𝜇 8−𝜇
P(X > 8)= 0.0062 ⇔ 𝑃(𝑋 ≤ 8) = 0.9938 ⇔ 𝑃 (𝑍 = < ) = 0.9938
𝜎 𝜎

8−𝜇 8−𝜇
𝐹( ) = 0.9938 ⇔ = 2.5 … . (2)
𝜎 𝜎

De (1) et (2) 𝜇 = 3; 𝜎 = 2.

P(𝑋 2 − 6𝑋 < 1.84) = 𝑃(𝑋 2 − 6𝑋 + 9 < 1.84 + 9) = 𝑃((𝑋 − 3)2 ≤ 10.84) =


𝑋−3 10.84
𝑃 (( 2 )2 ≤ 22 ).
𝑋−3 𝑋−3 2
~𝑁(0,1) donc 𝑍 = ( ) ~𝜒 2 (1)
2 2

Rappelle : Si 𝑋1,..., 𝑋𝑛 sont des v.a. indépendantes et de même loi N(0, 1),alors 𝑋1 2 +…+
𝑋𝑛 2 suit une loi du khi-deux à n degrés de liberté.

D’après la table du khi-deux on obtient

7
P(𝑋 2 − 6𝑋 < 1.84) = 𝑃(𝑍 ≤ 2.71) = 0.9

2. Calculons la valeur du réel a tel que : P((𝑌 − 3) 2 < 𝑎) = 0.975

Y~𝑁(𝜇, 𝜎 2 ) Cherchons la valeur de 𝜇 𝑒𝑡 𝑑𝑒 𝜎


𝑌−𝜇 2−𝜇 2−𝜇
On a : P(Y<2)= 0.0228 ⇔ 𝑃 (𝑍 = < ) = 0.0228 ⇔ 𝐹 ( ) = 0.0228
𝜎 𝜎 𝜎

la valeur 0.0228 n’existe pas dans la table du loi normale, mais on sait que (𝑥) = 1 −
𝐹(− 𝑥) .
2−𝜇 −2+𝜇 −2+𝜇
Donc 𝐹 ( ) = 0.0228 ⇔ 𝐹 ( ) = 0.9772 ⇔ = 2 … . (1)
𝜎 𝜎 𝜎

𝑌−𝜇 −3.5−𝜇
P(Y >3.5 )= 0.1587 ⇔ 𝑃(𝑌 ≤ −3.5) = 0.8413 ⇔ 𝑃 (𝑍 = < ) = 0.8413
𝜎 𝜎

3.5−𝜇 −3.5−𝜇
⇔ 𝐹( ) = 0.8413 ⇔ = 1 … . (2)
𝜎 𝜎

1
De (1) et (2) on trouve 𝜇 = 3, 𝜎 = 2
𝑌−3 𝑌−3 2
On sait que 1 ~𝑁(0,1) 𝑑𝑜𝑛𝑐 ( 1 ) ~𝜒 2 (1)
2 2

2
2 𝑌−3 𝑎
Et P((𝑌 − 3) < 𝑎) = 0.975 ⇔ 𝑃 (( 1 ) < 12 ) = 0.975
2 2

2
𝑌−3 𝑎
⇔ 𝑃 (( ) < ) = 𝑃(𝑍 < 5.024)
1 1 2
(2)
2

⇔ 4𝑎 = 5.024 ⇔ 𝑎 = 1.31

Exercice 10

1 −1 2
𝑥
𝑋~𝑁(0,1) ⇔ 𝑓(𝑥) = 𝑒 2 ;𝑥 ∈ℝ
√2𝜋
−1 2 −1 2
+∞ 𝑥 1
1. E(X)=∫−∞ 𝑒 2 𝑥 𝑑𝑥 = [−𝑒 2 𝑥 ]+∞
−∞ = 0
√2𝜋 √2𝜋

V(X)= E(𝑋 2 ) − (𝐸(𝑋))2

+∞ 𝑥2 −1𝑥2 1 −1 2
+∞ −1 2 1
V(X)= E(𝑋 2 ) = ∫−∞
√2𝜋
𝑒 2 𝑑𝑥 = √2𝜋 ([−𝑥𝑒 2 𝑥 ]+∞
−∞
+ ∫−∞ 𝑒 2 𝑥 𝑑𝑥) = √2𝜋 . √2𝜋 = 1.
−1 2
+∞
(𝑐𝑎𝑟 ∫−∞ 𝑒 2 𝑥 𝑑𝑥 = √2𝜋)

2. Y une v.a.r telle que Y=𝜎𝑋 + 𝜇 (𝜇 ∈ ℝ , 𝜎 > 0)


La densité de Y

8
𝑦−𝜇 𝑦−𝜇
∀𝑦 ∈ ℝ, 𝐹𝑌 (𝑦) = 𝑃(𝑌 ≤ 𝑦) = 𝑃(𝜎𝑋 + 𝜇 ≤ 𝑦) = 𝑃 (𝑋 ≤ ) = 𝐹𝑋 ( )
𝜎 𝜎
1 𝑦−𝜇 2
1 𝑦−𝜇 1
Donc 𝑓𝑌 (𝑦) = 𝜎 𝑓𝑋 ( ) = 𝜎√2𝜋 𝑒 −2( 𝜎
)
;𝑦 ∈ ℝ
𝜎

E(Y)= E (𝜎𝑋 + 𝜇) = 𝜎𝐸(𝑋) + 𝜇 = 𝜎. (0) + 𝜇 = 𝜇 (linéarité de l’espérance )


2
V(Y)= E(𝑌 2 ) − (𝐸(𝑌))2 = 𝐸((𝜎𝑋 + 𝜇)2 ) − 𝜇2 = 𝐸(𝜎2 𝑋 + 𝜇𝜎𝑋 + 𝜇2 ) − 𝜇2

=𝜎 2 E(𝑋2 ) + 𝜇𝜎𝐸(𝑋) + 𝜇2 − 𝜇 2 = 𝜎 2 .

( ou bien V(Y)= V(𝜎𝑋 + 𝜇) = 𝜎 2 𝑉(𝑋) = 𝜎 2 ( propriété du variance))

Exercice 11 :
X~𝜉(2) alors la fonction de répartition de X est 𝐹𝑋 (𝑥) = 1 − 𝑒 −2𝑥 , 𝑥 > 0
1 𝑠𝑖 𝑋 > 1
𝑌={
−1 𝑠𝑖 𝑋 ≤ 1
La loi de Y :𝑌(Ω) = {−1,1}

𝑃(𝑌 = 1) = 𝑃(𝑋 > 1) = 1 − 𝐹𝑋 (1) = 𝑒 −2

𝑃(𝑌 = −1) = 𝑃(𝑋 ≤ 1) = 𝐹𝑋 (1) = 1 − 𝑒 −2


2. la fonction génératrice des moments de Y :

𝑀𝑌 (𝑡) = 𝐸(𝑒 𝑡𝑦 ) = 𝑒 −𝑡 𝑃(𝑌 = −1) + 𝑒 𝑡 𝑃(𝑌 = 1) = 𝑒 −𝑡 − 𝑒 −𝑡−2 + 𝑒 −2+𝑡


E(Y)= 𝑀′𝑌 (0) = −1 + 2𝑒 −2

Avec 𝑀′𝑌 (𝑡) = −𝑒 −𝑡 + 𝑒 −𝑡−2 + 𝑒 −2+𝑡


2
V(Y)= E(𝑌 2 )-(𝐸(𝑌))2=𝑀′′𝑌 (0) − (𝑀′𝑌 (0)) = 4𝑒 −4 + 2𝑒 −2

Et comme E(𝑌 2 ) = 𝑀′′𝑌 (0) =1

Exercice 12

X une v.a de densité 𝑓(𝑥) = exp[−(𝑥 − 𝜃) − 𝑒 −(𝑥−𝜃) ]

Déterminons la loi de probabilité de 𝑌 = 𝑒 −(𝑋−𝜃)

∀𝑦 ∈ ℝ+ , 𝐹𝑌 (𝑦) = 𝑃(𝑌 ≤ 𝑦) = 𝑃(𝑒 −(𝑋−𝜃) ≤ 𝑦) = 𝑃(−(𝑋 − 𝜃) ≤ ln 𝑦)

= 𝑃(𝑋 ≥ − ln 𝑦 + 𝜃) = 1 − 𝐹𝑋 (− ln 𝑦 + 𝜃)
1 1
Donc 𝑓𝑌 (𝑦) = 𝑦 𝑓𝑋 (− ln 𝑦 + 𝜃) = 𝑦 exp(ln 𝑦 − 𝑦) = 𝑒 −𝑦 ; 𝑠𝑖𝑦 ∈ ℝ+

𝑒 −𝑦 𝑠𝑖 𝑦 ≥ 0
𝑓𝑌 (𝑦) = {
0 𝑠𝑖𝑛𝑜𝑛
Donc 𝑌~𝜀(1) et 𝑆𝑛 = ∑𝑛𝑖=1 𝑌𝑖 ~𝜀(𝑛).

9
La somme de deux variables aléatoires indépendantes, suivant des lois exponentielles de
paramètres respectifs 𝜆1 et 𝜆2 , est une variable aléatoire suivant une loi exponentielle de
paramètre 𝜆1 + 𝜆2 .

Exercice 13 :

1. (voire le cours)
1 2
2 1 +∞ 𝑡x2
2. Z = T 2 , 𝑀𝑍 (𝑡) = 𝐸(𝑒 𝑡𝑍 ) = 𝐸(𝑒 𝑡T ) = ∫ 𝑒 𝑒 −2x 𝑑𝑥
√2𝜋 −∞
+∞
1 1 2
= ∫ 𝑒 −2(1−2𝑡)x 𝑑𝑥
√2𝜋 −∞
1
si 1 − 2𝑡 > 0 alors 𝑡 <
2
on pose 𝑢 = 𝑥√1 − 2𝑡 d’où du= √1 − 2𝑡𝑑𝑥 , alors on a
+∞
1 1
− u2 𝑑𝑢
𝑀𝑍 (𝑡) = ∫ 𝑒 2
√2𝜋 −∞ √1 − 2𝑡
1 1 1
𝑀𝑍 (𝑡) = √2𝜋 =
√2𝜋 √1 − 2𝑡 √1 − 2𝑡
3. Calcul de E(Z) et V(Z) :
On sait que E(Z)= 𝑀′𝑍 (0) et V(Z) =𝑀𝑍′′ (0) − (𝑀′𝑍 (0))2
2
−5
Et on a 𝑀𝑍′ (𝑡) = 2√1−2𝑡
et 𝑀𝑍′′ (𝑡) = 3(1 − 𝑡) 2
1−2𝑡
Pour t=0 on obtient : E(Z)= 𝑀′𝑍 (0) = 1 𝑒𝑡 𝑀𝑍′′ (0) = 3
V(Z) =𝑀𝑍′′ (0) − (𝑀′𝑍 (0))2 = 3 − 1 = 2

Exercice 14 :
a) 𝑋~𝔅(100, 0.2) donc 𝐸(𝑋) = 𝑛𝑝 = 20 , 𝜎 = √𝑛𝑝𝑞 = 4

b) Dans cette situation la probabilité binomiales peuvent être estimées par la loi normale car :

n est suffisamment grand et p=0.2 n’est pas trop voisin de 0 et 1

; 𝑋𝔅 ≈ 𝑋𝑁 ~𝑁(20, 42 ).

c) La probabilité d’exactement 30 succès


70
P(𝑋𝔅 =30)=𝐶30 30
100 (0.2) (0.8) =

29.5−20 𝑋𝑁 −20 30.5−20 𝑋𝑁 −20


P(𝑋𝔅 =30)= 𝑃(29.5 ≤ 𝑋𝑁 ≤ 30.5) = 𝑃 ( 4
≤ 4
≤ 4
)= 𝑃 (2.375 ≤ 4
≤ 2.625) =
𝐹(2.625) − 𝐹(2.375) = 0,9956 − 0,9911 = 0.0045

d) La probabilité que le nombre de succès soit comprise entre 18 et 22

17.5 − 20 𝑋𝑁 − 20 22.5 − 20
𝑃(18 ≤ 𝑋𝔅 ≤ 22) ≈ 𝑃(17.5 ≤ 𝑋𝑁 ≤ 22.5) = 𝑃 ( ≤ ≤ )
4 4 4

10
= 𝑃(−0.625 ≤ 𝑍 ≤ 0.625) = 2𝐹(0.625) − 1 = 2(0.7324) − 1 = 0.4648

e) La probabilité que le nombre de succès soit inférieure ou égal à 15

𝑋𝑁 − 20 15.5 − 20
𝑃(𝑋𝔅 ≤ 15) ≈ 𝑃(𝑋𝑁 ≤ 15.5) = 𝑃 ( ≤ ) = 𝐹(−1.125) = 1 − 𝐹(1.125)
4 4
= 1 − 0,8686 = 0.131

11

Vous aimerez peut-être aussi