Variables aléatoires : Bernouilli , loi de poisson Ex1:(T+p 385 ) Un

Variables aléatoires : Bernouilli , loi de poisson
Ex 1 : ( T+p 385 ) Un magasin reçoit chaque jour d'un grossiste, une quantité constante de produit A. La probabilité
pour qu'un jour donné, le grossiste ne livre pas le produit A est de 2%.
a) Dans ces conditions, quelle est la probabilité pour que le magasin soit approvisionné au moins 235 jours sur 240
jours ouvrables dans l'année ?
b) Quelle est la durée moyenne annuelle pendant laquelle on peut s'attendre à ne pas trouver le produit A dans le
magasin ?
Si l'on note Xla variable aléatoire égale au nombre de jours de non approvisionnement du produit A, en admettant
que chaque jour les livraisons sont indépendantes les unes des autres, Xsuit une loi binômiale de paramètres n= 240
et p= 0,02.
a) p(X ≤5) = p(X=0) + p(X=1) + p(X = 2) + p(X = 3) + p(X = 4) + p(X = 5) =
k=5
P
k=0
Ck
240
´0,02k ´0,98240−k»
0,65
b) On calcule : E(X) = n.p = 240×0,02 = 4,8 jours ; s(X)=√n.p.q=√240´0,02´0,98 » 2,17 jours
Le produit A ne sera pas livré dans une fourchette E(X) ±σ(X), c'est à dire de 2 à 7 jours par an.
Ex 2 : ( T+ p 386 ) Un commerçant vend le même jour 6 magnétoscopes. La probabilité qu'un appareil de ce type
soit en bon état au bout de 5 ans est de 0,8. Calculer les probabilités que, 5 ans plus tard :
a) 4 magnétoscopes exactement soient en bon état ;
b) Tous les magnétoscopes soient en bon état ;
c) Au moins un magnétoscope soit en panne.
A chaque magnétoscope peut être associé une épreuve de bernouilli, où le succès est le bon état avec une probabilité
p= 0,8 et l'échec est la panne avec une probabilité q= 0,2.
Les pannes sont indépendantes. La variable aléatoire X égale au nombre de magnétoscopes en bon état au bout de
5 ans est la somme de 6 variables aléatoires de bernouilli indépendantes et de même probabilité de succès p= 0,8.
X suit la loi B(6 ; 0,8).
a) p(X = 4) = C4
6×0,8 4×0,2 2» 0,25 b) p(X = 6) = C6 6×0,8 6×0,2 0» 0,26
c) L'événement est l'événement contraire du b) de probabilité égale à 1 −p(X = 6) » 0,74.
Ex 2' :( T+ p 386 ) Une usine fabrique des tubes fluorescents. Elle a testé la durée de vie de 400 tubes et obtenu
le tableau ci-dessous :
Durée de vie
( en heures )
300
400
400
500
500
600
600
700
700
800
800
900
900
1000
1000
1100
1100
1200
Nombre de tubes 8 52 58 76 68 62 48 22 6
1. Calculer la moyenne et l'écart-type de la durée de vie d'un tube.
2. L'entreprise vends les tubes par lots de 20. Elle garantit qu'ils ont une durée de vie supérieure ou égale à 400
heures.
Soit X le nombre de tubes par lots de 20 qui ne répondent pas à cette condition ( tubes défectueux ). On suppose
que X suit une loi binômiale. ( On donnera des résultats à 10 −4 près )
a) Quelle est la probabilité, pour que dans un lot, il n'y ait pas de tube défectueux ?
b) Quelle est la probabilité, pour que dans un lot, il y ait au plus deux tubes défectueux ?
1. On prend les centres des classes pour valeurs xi. On obtient E(Y) » 717h et σ(Y) » 187,6h.
2. Sur 400 tubes, 8 sont défectueux. La probabilité pour qu'un tube soit défectueux est de 0,02.
X suit une loi binômiale B(20 ; 0,02).
a) p(X = 0) = C0
20×0,02 0×0,98 20 = 0,98 20 » 0,6676
b) p(X ≤2) = p(X = 0) + p(X = 1) + p(X = 2) = 0,9820+C1
20
´0,021 ´0,9819 +C2
20
´0,022 ´0,9818 » 0,9929
Ex 3 : ( Bréal p 99 ) Sachant que le nombre moyen de communications téléphoniques reçues par un standart entre
10h et 11h est de 1,8 par minute et que le nombre X d'appels reçus par minute est une variable aléatoire qui suit une
loi de poisson ; calculer la probabilité pour qu'entre 10h53 et 10h54 il y ait :
a) Aucun appel b) Un appel c) Deux appels d) Au moins deux appels
La loi de poisson de paramètre 1,8 permet d'écrire p(X=k) = e−1,8 ´
1,8k
k!k∈[F06E ?].
a) p(X= 0) = e−1,8 ´
1,80
0! =e−1,8» 0, 165 29 b) p(X= 1) = e−1,8
´
1,81
1! » 0,297 52
c) p(X= 2) = e−1,8 ´
1,82
2! » 0,267 76 d) p(X ≥2) = 1 −p(X = 0) −p(X = 1) » 0, 537 19
Ex 4 : ( Vuibert p 28 ) ( BTS construction métallique 1994 )
Une entreprise de construction métallique s'approvisionne régulièrement chez le même fournisseur en poutres IPE.
D:\1_math\Classe\5_BTS\Cours-Proba-Stat\11-var\binom-poisson-anc.doc [9B?][9A?] 1 / ?

3% des poutres présentent un défaut A concernant les dimensions du profilé.
2% des poutres présentent un défaut B concernant la qualité de l'acier.
La présence de ces deux défauts constitue des événements indépendants. Les poutres ne présentant ni le défaut A,
ni le défaut B sont dites de premier choix, toutes les autres sont dites de second choix.
1. Calculer les probabilités, pour une poutre choisie au hasard, d'être de premier choix, de second choix ( On
donnera la valeur exacte ).
2. Dans la suite du problème on admettra que la probabilité pour une poutre d'être du second choix est p = 0,05.
On prélève au hasard, avec remise, 30 poutres dans le stock de l'entreprise et on définit la variable aléatoire X qui
associe à un tel prélèvement le nombre de poutres de second choix.
a) Quelle est la loi de probabilité de X ?
b) p(X = k) désigne la probabilité pour qu'il y ait k ( 0 ≤k≤30 ) poutres de second choix, calculer p(X = 0 ),
p(X = 1), p(X = 2). Quelle est la probabilité d'avoir au moins 28 poutres de premier choix ?
( on donnera la réponse à 10 −2 près )
c) On approche la loi de probabilité de X par une loi de poisson de paramètre λ= 1,5. Calculer en utilisant cette
loi de poisson, p(X = 0 ), p(X = 1), p(X = 2), p(X ≤2) et comparer ces résultats à ceux de la question précédente.
Soit A " la poutre présente le défaut A " et B " la poutre présente le défaut B "
1. La poutre est de premier choix correspond à l'événement AIB or p(AIB) = p(A)´p(B)( événements indép. )
p(AIB) = (1 −p(A))´(1 −p(B)) = (1 −0,03)(1 −0,02) = 0,9506.
La poutre est de second choix correspond à l'événement contraire de probabilité 0,0494.
2On répète 30 fois de suite, de façon indépendante ( tirage avec remise ) l'expérience aléatoire à deux issues, le
nombre de réalisation X de l'événement " la poutre est de second choix suit une loi binômiale B(30 ; 0,05).
a) On a p(X=k)=Ck
n
´0,05k ´0,9530−kd'où p(X = 0) » 0,21 ; p(X = 1) » 0,34 ; p(X = 2) » 0,26
On a au moins 28 poutres de premier choix correspond à l'événement (X ≤2 ) de probabilité 0,21 + 0,34 + 0,26
= 0,81
c) Si l'on approche la loi de X par une loi de poisson de paramètre 1,5 on a p(X=k) = e−1,5 ´
1,5k
k!k∈[F06E ?].
d'ou p(X = 0) » 0,22 ; p(X = 1) » 0,33 ; p(X = 2) » 0,25 ; p(X ≤2) » 0,81
Ex 5 : ( Vuibert p 29 ) Dans un atelier comportant un grand nombre de machines semblables on a constaté qu'au
cours d'une semaine, le nombre X de machines nécessitant une intervention de l'équipe de maintenance suit une loi de
poisson de paramètre 4.
Déterminer le nombre k tel qu'il y ait une probabilité au moins égale à 0,95 que le nombre de machines nécessitant
une intervention soit au plus égale à k.
On cherche ktel que p(X ≤k)≥0,95 on fait une lecture inverse de la table de poisson de paramètre 4 en
additionnant les probabilités p(X = k) à partir de k= 0 jusqu'à ce que la somme dépasse 0,95.
k=7
P
k=0
p(X=k)»0,948 et
k=8
P
k=0
p(X=k)»0,978.
Il y a 95% de chances que le nombre de machines nécessitant une intervention soit inférieur ou égal à 8.
Ex 6 : ( T+ p 388) La loi de probabilité du nombre de ventes mensuelles d'un produit x est donnée par le tableau
suivant :
Quantités ( en millions ) 0123456
probabilités 0,21 0,32 0,26 0,14 0,05 0,02 0
a) Comparer le nombre moyen m et l'écart-type des ventes mensuelles. La loi de probabilité des ventes peut-elle être
assimilée à une loi de poisson ?
b) Calculer les probabilités déduites de la loi de poisson P(m).
c) En supposant que les ventes mensuelles soient indépendantes deux à deux, quelle est la loi de probabilité suivie
par le nombre de ventes annuelles ? Quelle est sa moyenne et son écart-type ?
d) Calculer la probabilité que le nombre de ventes annuelles soit supérieur ou égal à 20 millions d'unités
a) On obtient : m»,56 et σ»,3 donc σ2»,49. mest assez proche de σ2.
b) La loi de poisson P(1,56) définie par p(X=k) = e−1,56 ´
1,56k
k!k∈[F06E ?] donne les mêmes résultats.
c) Les douze variables aléatoires associées au douze mois de l'année sont indépendantes, leur somme suit une loi de
poisson de paramètre 12×1,56 = 18,72. Le nombre moyen des ventes annuelles est donc de 18,72 millions. l'écart-type
est donc de √18,72 » 4,3 millions ;
d) p(Z ≥20) = 1 −p(Z ≤19 ) = 1 −0,586 » 0,414
Ex 7 : ( Vuibert p 30 ) Un constructeur de vélos a besoin de tubes de selles en aluminium. Son fournisseur habituel
lui propose un lot de tubes. Le constructeur se propose de contrôler les lots qu'il reçoit par comptage au moyen des
plans d'échantillonnage indiqués par la norme N F X06 −022. Il constitue un échantillon de 80 tubes.
D:\1_math\Classe\5_BTS\Cours-Proba-Stat\11-var\binom-poisson-anc.doc [9B?][9A?] 2 / ?

La norme conseille d'accepter le lot si le nombre x de tubes défectueux de cet échantillon est inférieur ou égal à 2.
On admet que la variable aléatoire X donnant les valeurs de x obéit à une loi de poisson de paramètre λinconnu.
1. Montrer que la probabilité d'accepter le lot est égale à : f(λ) = e−λ(1 + λ+λ2/ 2 ).
2. Etudier les variations de f pour λvariant de 0 à 10.
3. Donner le tableau de valeurs de f(λ) pour λentier de 0 à 10. Tracer alors la courbe ( courbe d'efficacité)
représentant la fonction f sur [0 ; 10] ( on prendra pour unités 1 cm en abscisses et 10 cm en ordonnées ).
4. On appelle p la probabilité qu'un tube pris au hasard dans un lot soit défectueux. On admettra que λ= 80p.
En utilisant la courbe représentative de f :
a) Déterminer la probabilité d'acceptation quand p vaut 0,01.
b) Inversement, déterminer la valeur de p à partir de laquelle la probabilité d'acceptation devient inférieure à 0,1.
1. p(X=k) = e−λ ´
λk
k!k∈[F06E ?]. donc f(λ) = p(X≤2) = p(X= 0) + p(X= 1) + p(X= 2) d'ou le résultat.
2. f0(x)=- λ2
2e−λdonc [Warning : Image ignored] ≤0 la fonction est donc décroissante sur [0 ; 10]
3. Tableau de valeurs
λ012345678 9 10
f(λ)1 0,919 0,677 0,423 0,238 0,125 0,062 0,030 0,014 6,2×10 −32,8×10 −3
4. a) Si p=0,01 alors λ= 0,8 .
On lit sur le graphique f(λ)» 0,95.
b) Si f(λ)= 0,1 on lit sur le graphique λ» 5,4 .
Comme fest décroissante sur [0 ; 10] on en déduit que f(λ)≤0,1 si λ≥5,4, c'est à dire p≥0,0675.
Ex 8 : ( T+ p 387 ) Sur une année, un magasin est en rupture de stock d'un produit A, en moyenne 3 semaines,
et d'un produit B, en moyenne 2 semaines. Les approvisionnement se font toutes les semaines et sont indépendants.
Appelons X le nombre aléatoire de ruptures de stock du produit A, Y le nombre aléatoire de ruptures de stock du
produit B et Z le nombre aléatoire de ruptures de stock d'un produit A ou B sur une période d'un an.
On considère que la variable aléatoire X suit une loi de poisson de paramètre 3 et Y suit une loi de poisson de
paramètre 2.
1. Quelle est la probabilité que le nombre de ruptures de stock du produit A soit strictement supérieur à 1 ?
2. Quelle est la probabilité que, sur un an, il n'y ait aucune rupture de stock ?
3. Quelle est la probabilité qu'il y ait au moins 2 ruptures de stock ?
1. p(X > 1) = 1 −p(X ≤1) = 1 −p(X = 0) −p(X = 1) = 1 −e−330
0! −e−331 1! » 0,80
2. L'événement Z = 0 est réalisé lorsque X = 0 et Y = 0, donc p(Z = 0) = p[(X = 0) I(Y = 0)].
Les livraisons étant indépendantes on a p(Z = 0) = p(X = 0)×p(Y = 0) = e−330
0! ×e−220 0! » 0,00673.
3. p(Z ≥1) = 1 −p(Z = 0) −p(Z = 1). Il ne reste plus qu'a calculer ce dernier.
L'événement Z = 1 est réalisé lorsque X = 0 et Y = 1 ou lorsque X =1 et Y = 0.
p(Z = 1) = p(X = 0)×p(Y = 1) + p(X = 1)×p(Y = 0) » 0,0337 d'où p(Z ≥1) » 0,96.
rem : Z est la somme de deux variables aléatoires de poisson indépendantes X et Y donc Z suit une loi de poisson
de paramètre λ= 2 + 3 = 5.
Ex 9 : ( Bréal p 100 ) La distribution statistique suivante donne la répartition du nombre de jours sans accident,
avec 1 accident, . . . , avec quatre accidents pour une période de 50 jours dans une ville.
Nombre d'accidents : xi0 1 2 3 4
Nombre de jours : fi21 18 7 3 1
D:\1_math\Classe\5_BTS\Cours-Proba-Stat\11-var\binom-poisson-anc.doc [9B?][9A?] 3 / ?

1. Calculer le nombre moyen λd'accidents par jour durant la période de 50 jours.
2. Ajuster la distribution précédente par une loi de poisson de paramètre λ. Calculer la probabilité pour qu'arrive
1 accident, 2, 3, 4 accidents.
3. Calculer le nombre théorique de jours Fi ou aura lieu aucun accident, un accident, . . . , quatre accidents.
4. Comparer le nombre théorique de jours Fi avec le nombre de jours observés fi. Comparer la variance de la loi
théorique avec la distribution empirique observée. Conclure ?
5. Combien y aura-t-il de jours sans aucun accident pendant une période de 365 jours ?
1. Le nombre moyen d'accidents par jour est λ=Pfi.xi
Pfi=45
50 = 0,9
2. L'ajustement se fait par une loi de poisson de paramètre 0,9 P(0,9) : p(X=k) = e−0,9 ´
0,9k
k!k∈{0 ; 1 ; 2 ; 3 ; 4
}.
Valeurs de k0 1 2 3 4
p(X = k) 0,4066 0,3659 0,1647 0,0494 0,0111
3. Le nombre théorique de jours où auront lieu kaccidents est donné par Fi=n×p(X = k) avec n= 50 on obtient
Nombre d'accidents : xi0 1 2 3 4
Nombre de jours théoriques : Fi20,33 » 20 18,30 » 18 8,24 » 8 2,47 » 2 0,56 » 1
4. La moyenne de la loi empirique est λ= 0,9et sa variance est s2=Pfi.xi2
Pfi−X2» 0,97.
La moyenne de la loi de poisson est λ= 0,9et sa variance est s2=λ= 0,9. L'ajustement est bon.
5. Le nombre de jours sans accidents sera N = 365×p(X = 0) = 365×0,4066 » 149 jours.
Ex 10 : ( Colin p 147 ) ( BTS informatique industrielle 1993 )
Un rayon laser est dirigé vers une cible difficile à atteindre. D'une statistique préalable, on déduit que la probabilité
pour que ce rayon atteigne la cible est 0,01. On fait l'expérience qui consiste à émettre n fois le rayon laser, les émissions
étant deux à deux indépendantes et ayant même probabilité d'atteindre la cible.
Soit X la variable aléatoire égale au nombre de fois où la cible est atteinte par le rayon laser au cours de cette
expérience.
1. Déterminer la loi de probabilité suivie par X . Dans le cas où n = 300, calculer l'espérance mathématique et
l'écart-type de cette loi.
2. Pour une expérience avec un nombre n d'essais, n ≥50 , on admet qu'il est légitime d'approcher la loi de
probabilité de X par une loi de poisson.
a) Donner en fonction de n le paramètre λde cette loi de poisson.
b) On estime que l'expérience est concluante lorsque le rayon laser atteint au moins 3 fois la cible. Donner les
valeurs de X correspondant à l'événement " expérience non concluante ", et exprimer la probabilité de cet événement
en fonction de λ.
c) Soit f la fonction définie pour x positif ou nul par :f(λ) = e−λ(1 + λ+λ2/ 2 ). Etudier les variations de f et
calculer f (6,1) ; f (6,2) ; f (6,3).
d) En utilisant les résultats de la question 2.c), donner un nombre n0d'essais à partir duquel la probabilité de
l'événement " expérience concluante " est strictement supérieure à 0,95.
1. A chaque fois il y a deux éventualités complémentaires, le succès étant " le rayon atteint la cible " avec une
probabilité de 0,01. Les émissions sont indépendantes deux à deux.
La variable aléatoire X suit la loi de bernouilli B(300 ; 0,01) donc E(X) = n.p = 3 et σ(X) = √n.p.q» 1,72.
2. a) n≥50 ; on approche B(n ;p) par une loi de poisson P(n.p) . Ici λ=n.p= 0,01n.
b) La probabilité de l'événement " expérience non concluante " est f(λ) = p(X < 3) = p(X= 0) + p(X= 1) + p(X= 2)
d'ou f(λ) = e−λ+λ.e−λ+λ2
2.e−λ=e−λ.(1 + λ+λ2 2)
c) La fonction fa déjà été étudiée et tracée à l'exercice 7.f ( 6,1) » 0,0577 ; f ( 6,2) » 0,0536 ; f ( 6,3) » 0,0498
d) La probabilité de l'événement " expérience concluante " est 1−f(λ)or 1−f(λ)> 0,95 équivaut à f(λ)<
0,05
D'après la question 2. c) f(λ)< 0,05 dès que λ≥6,3 soit 0,01n≥6,3 ce qui donne n≥630.
La probabilité de l'événement " expérience concluante " est donc strictement supérieure à 0,95 pour n≥630.
D:\1_math\Classe\5_BTS\Cours-Proba-Stat\11-var\binom-poisson-anc.doc [9B?][9A?] 4 / ?