Probabilité - Échantillonage

Probabilites -
Echantillonnage
A. Fredet
J.-M. Gourdon
Table des matières
I Probabilites 2
1 Denitions 2
2 Combinaisons, Arrangements 3
3 Probabilites liant deux evenements 6
4 Probabilites et statistiques 8
5 Variable aleatoire 9
6 Lois binomiales 13
7 Lois de Poisson 14
8 Lois normales 15
9 Solutions des exercices 20
II

Echantillonnage 30
1

Echantillons 30
2 Estimation 30
3 Test dajustement 33
4 Comparaison dechantillons 37
5 Solutions des exercices 40
III Tableur 45
1
Probabilites 1 D
EFINITIONS
Première partie
Probabilites
1 Denitions
La probabilite a priori, subjective, dun evènement est un nombre qui caracterise la croyance que
lon a que cet evènement sera realise avec plus ou moins de certitude avant lexecution de lexperience :
levènement sera realise (probabilite 1) et levènement ne sera pas realise (probabilite 0).
Denition 1.1 Une epreuve est dite aleatoire si repetee dans des conditions identiques, elle donne
des resultats variables.
Des evènements sont equiprobables sils ont la meme probabilite detre realises. Dans ce cas, la proba-
bilite dun evenement A est
nombre de cas favorables
nombre de cas possibles
.
Denition 1.2 Lensemble de toutes les eventualites dune experience aleatoire sappelle lunivers. En
general, on le note .
Exemple 1.1 On lance un de non truque à six faces numerotees de 1 ` a 6 et on note le nombre gurant
sur la face superieure du de. Lancer ce de et noter le nombre gurant sur une des faces est une experience
dont on ne peut pas prevoir le resultat compris dans lensemble {1, 2, , 6}. Les eventualites sont 1,
2, 3, 4, 5 et 6 et = {1, 2, 3, 4, 5, 6}.
Si le de est non truque, chaque face a la meme probabilite de sortir, nous avons donc des evenements
equiprobables.
Par exemple, on peut considerer levenement A = obtenir un nombre pair . On a A = {2; 4; 6} et la
probabilite que A se produise est
3
6
=
1
2
.
Denition 1.3 Un evenement est dit impossible sil ne se realise jamais.
Un evenement est dit certain sil se realise toujours.
Un evenement est dit elementaire sil se reduit à une seule eventualite.
Proposition 1.1 Soient E, E
1
, E
2
des evenements.
1. p(E) 0 pour tout evenement E.
2. p() = 1 donc levenement est certain
3. p() = 0 donc levenement est impossible
4. Si E
1
E
2
= alors E
1
et E
2
sont incompatibles et
p(E
1
E
2
) = p(E
1
ouE
2
) = p(E
1
) +p(E
2
),
p(E
1
E
2
) = p(E
1
et E
2
) = 0
On en deduit les consequences suivantes :
1. Si

E est levenement contraire de E alors p(

E) = 1 p(E).
En eet

E E = et

E E = donc p(

E E) = p(

E) +p(E) = 1.
2. Pour tout evenement E, 0 p(E) 1.
En eet, pour tout E, p(E) 0 et donc p(

E) = 1 p(E) 0 ce qui nous amène à p(E) 1.
Exercice 1.1 On joue avec un de à six faces non truque. On eectue un lancer, et on considère les
deux evenements suivants : E
1
=le nombre est 3 ou 4 et E
2
=le nombre est pair. Calculer p(E
1
), p(E
2
),
p(E
1
E
2
) et p(E
1
E
2
).
Exercice 1.2 On joue avec deux des ` a six faces non truques. On lance les deux des et on eectue
la somme des nombres obtenus. On considère les evenements suivants : E
1
=la somme est 5, E
2
=la
somme est 7 et E
3
=la somme est paire. Calculer p(E
1
), p(E
2
), p(E
3
), p(E
1
E
2
), p(E
1
E
3
), p(E
2
E
3
)
et p(E
1
E
2
), p(E
1
E
3
) et p(E
2
E
3
).
2 A. Fredet & J.-M. Gourdon
Probabilites 2 COMBINAISONS, ARRANGEMENTS
La probabilite de realisation dun evenement peut etre consideree comme le rapport du nombre de cas
favorables sur le nombre de cas possibles. Le calcul dune probabilite peut donc souvent se ramener à
un problème de denombrement.
2 Combinaisons, Arrangements
Denition 2.1 Soit E un ensemble non vide de n elements. Une permutation de E est une liste
ordonnee des n elements de E.
Exemple 2.1 Si E = {a, b, c, d, e} alors (a, b, d, c) et (a, c, d, b) sont deux permutations de E.
Proposition 2.1 Le nombre de permutations dun ensemble de n elements, n 1, est egal à
n! = n (n 1) (n 1) 2 1
Denition 2.2 Une liste sans repetition de p elements de E est une liste ordonnee de p elements de
E deux à deux distincts
Exercice 2.1 Une urne contient dix boules sur lesquelles ont ete marquees les dix lettres de lalphabet
de A à J. On tire successivement quatre boules sans remise et lon inscrit dans lordre les lettres portees
par les boules tirees. Combien de mots de quatre lettres (ayant un sens ou non) peut-on former ?
Exercice 2.2 Combien de mots de trois lettres peut-on former en utilisant les lettres du mot PARIS
et uniquement celles-là ?
Proposition 2.2 Si un ensemble E contient n elements, n 1, alors
il y a n (n 1) (n (p 1)) =
n!
(np)!
listes sans repetition de p elements.
il y a n
p
liste avec repetition de p elements.
Exercice 2.3 Lors dune course de chevaux, il y a 8 partants. Combien de possibilites y-a-t-il pour le
tierce nal ? Pour le quarte ?
Exercice 2.4 Combien de nombres de 4 chires puis-je ecrire en utilisant uniquement les chires
3,6,7 ?
Exercice 2.5 Un facteur (employe de la poste) entre dans un immeuble avec 23 lettres quil va deposer
dans les boites, au nombre de 40. Sachant quune boite peut evidemment recevoir plusieurs lettres, de
combien de facon dierentes les 23 lettres peuvent-elles etre deposees dans les 40 boites ?
Nous pouvons egalement chercher à selectionner k objets parmi n objets discernables, sans tenir compte
de lordre. Ces k objets peuvent etre representes par une partie à k elements dun ensemble à n elements.
Denition 2.3 Soit E un ensemble de n elements et p un entier tel que 0 p n. Une combinaison
de p elements de E est un sous-ensemble de E qui contient p elements.
Le nombre de combinaisons de p elements dun ensemble de n elements est note
_
n
p
_
ou C
p
n
.
Proposition 2.3
C
p
n
=
n!
(n p)!p!
=
n (n 1) (n p + 1)
p!
Exercice 2.6 Un facteur (employe de la poste) entre dans un immeuble avec 23 lettres quil va deposer
dans les boites, au nombre de 40. En supposant quune boite ne peut pas recevoir plusieurs lettres, de
combien de facon dierentes les 23 lettres peuvent-elles etre deposees dans les 40 boites ?
Exercice 2.7 On appelle main toute combinaison de cinq cartes. Combien y a-t-il de mains de cinq
cartes dans un jeu de 32 cartes ?
Exercice 2.8 On appelle main toute combinaison de cinq cartes. Dans un jeu de 32 cartes, combien
y a-t-il de mains de cinq cartes contenant exactement 2 coeurs ?
Exercice 2.9 On appelle main toute combinaison de cinq cartes. Dans un jeu de 32 cartes, combien
y a-t-il de mains de cinq cartes contenant au moins un roi ?
Exercice 2.10 Lors dun tirage du loto de 4 numeros avec 10 boules, combien y-a-t-il de grilles pos-
sibles ?
Proposition 2.4 On a
C
p
n
= C
np
n
et
C
p1
n1
+C
p
n1
= C
p
n
Demo :
1. Choisir les p elements que lon veut dans un ensemble de n elements revient exactement à choisir
les n p elements que lon ne veut pas, do` u le resultat.
Mathematiquement, on a
C
np
n
=
n!
(n p)![n (n p)]!
=
n!
(n p)!p!
= C
p
n
2. Soit E une ensemble de n element. Soit A lun de ces elements. Pour choisir p elements de E, je
peux soit prendre A et en choisir p1 autres parmi les n1 restants (jai alors C
p1
n1
possibilites),
soit laisser A et en prendre p autres parmi les n 1 restants (jai alors C
p
n1
possibilites). Do` u
le resultat.
Mathematiquement, on a
C
p1
n1
+C
p
n1
=
(n 1)!
(p 1)!(n p)!
+
(n 1)!
p!(n p 1)!
=
p(n 1)!
p!(n p)!
+
(n p)(n 1)!
p!(n p)!
=
(p +n p)(n 1)!
p!(n p)!
=
n!
p!(n p)!
= C
p
n
Proposition 2.5 (Formule du binome) Soient a et b deux reels et n un entier. Alors
(a +b)
n
=
n
i=0
C
i
n
a
i
b
ni
Demo :
Par iteration sur n :
Si n = 0, alors (a +b)
n
= (a +b)
0
= 1 = C
0
n
Si n = 1 alors (a +b)
1
= a +b = C
0
1
a
1
b
0
+C
1
1
a
0
b
1
Si n = 2 alors (a +b)
2
= a
2
+ 2ab +b
2
= C
0
2
a
2
b
0
+C
1
2
a
1
b
1
+C
2
2
a
0
b
2
Si n = 3 alors
(a +b)
3
= a
3
+ 3ab
2
+ 3a
2
b +b
3
= C
0
3
a
3
+C
1
3
a
2
b
1
+C
2
3
a
1
b
2
+C
3
3
b
3
On suppose maintenant que la formule est vraie pour (a + b)
n1
et donc que (a + b)
n1
=
n1
i=0
C
p
n1
a
i
b
(n1)i
. On a
(a +b)
n
= (a +b)
n1
(a +b)
=
_
n1
i=0
C
i
n1
a
i
b
(n1)i
_
(a +b)
=
n1
i=0
C
i
n1
a
i+1
b
(n1)i
+
n1
i=0
C
i
n1
a
i
b
(n1)i+1
=
n1
i=0
C
i
n1
a
i+1
b
n(1+i)
+
n1
i=0
C
i
n1
a
i
b
ni
=
n
j=1
C
j1
n1
a
j
b
nj
+
n1
i=0
C
i
n1
a
i
b
ni
=
n1
j=1
C
j1
n1
a
j
b
nj
+C
n1
n1
a
n
b
0
+
n1
i=1
C
i
n1
a
i
b
ni
+C
0
n1
a
0
b
n
=
n1
i=1
_
C
i1
n1
+C
i
n1
_
a
j
b
nj
+a
n
+b
n
=
n1
i=1
C
i
n
a
i
b
ni
+a
n
+b
n
=
n
i=0
C
i
n
a
i
b
ni
do` u le resultat 2
Triangle de Pascal
Pour calculer les coecients du binome, on utilise le triangle de Pascal : Le principe est le suivant :
+
=
n = 0 1
n = 1 1
+
1 (a +b) = a +b
=
n = 2 1 2
+
1 (a +b)
2
= a
2
+ 2ab +b
2
=
n = 3 1
+
3 3 1 (a +b)
3
= a
3
+ 3a
2
b + 3ab
2
+b
3
=
n = 4 1 4
+
6 4
+
1 (a +b)
4
= a
4
+ 4a
3
b + 6a
2
b
2
+ 4ab
3
+b
4
= =
n = 5 1 5 10 10 5 1 (a +b)
5
= a
5
+ 5a
4
b + 10a
3
b
2
+ 10a
2
b
3
+ 5ab
4
+b
5
.
.
.
Probabilites 3 PROBABILIT
ES LIANT DEUX

EV
ENEMENTS
3 Probabilites liant deux evenements
On sinteresse parfois à une probabilite portant sur deux evenements, quils soient independants ou
non.
Denition 3.1 Soient A et B deux evenements.
La probabilite que A ET B soient realises est p(A B).
La probabilite que A OU B soient realises est p(A B).
Proposition 3.1 Soient A et B deux evenements. On a p(A B) = p(A) +p(B) p(A B).
Demo :
1. Si AB = alors A et B sont incompatibles donc p(AB) = p(A)+p(B) et p(AB) = p() = 0
2. Si A B = alors A B = (A B) (

A B) (A

B) daprès le tableau suivant :
A

A
B A B

A B
B A

B

A

B
Donc p(A B) = p(A B) + p(

A B) + p(A

B) car (A B) (

A B) (A

B) = . Or
p(A) = p(A B) + p(A

B) car (A B) (A

B) = et (A B) (A

B) = A. De meme
p(B) = p(A B) +p(

A B) do` u p(A B) = p(A) +p(B) p(A B).
Exercice 3.1 Dans un jeu de 32 cartes, on tire une carte. Quelle est la probabilite davoir soit un roi,
soit un trèe ?
Exercice 3.2 Considerons un jeu de 32 cartes. Soit A levenement tirer deux coeurs et B levenement
tirer deux gures. Quelles sont les probabilites de A, B, A B et A B?
Exercice 3.3 Deux candidats A et B passent, dans deux centres dierents, un examen avec des pro-
babilites de reussites estimees respectivement à
3
4
et
2
3
. Calculer la probabilite
1. que les 2 candidats soient re cus ?
2. que les 2 candidats echouent ?
3. que le candidat A soit seul recu?
4. quun seul des deux candidats reussise ?
5. quau moins 1 des candidats soit recu?
Exercice 3.4 On dispose de deux urnes, designees respectivement par les lettres A et B. Lurne A
contient 5 boules bleues et 4 boules rouges. Lurne B contient 6 boules bleues et 5 boules rouges. On
tire une boule dans chaque urne. Quelle est la probabilite
1. de tirer deux boules rouges ?
2. de tirer deux boules bleues ?
3. de tirer deux boules de meme couleur ?
4. de tirer deux boules de couleurs dierentes ?
Exercice 3.5 On considère 3 des dierents, identies par leur couleur. Le joueur A gagne la partie si
le total des points est 11, le joueur B gagne si le total des points est 12. Lun des joueurs a-t-il plus de
chance de gagner ?
ES LIANT DEUX

EV
ENEMENTS
Exercice 3.6 Un concours de tir met aux prises deux equipes de deux joueurs. Chaque joueur de
lequipe peut marquer 0,1 ou 2 points avec les probabilites suivantes :
equipe jaune equipe verte
0 1 2 0 1 2
joueur A 0, 4 0, 4 0, 2 joueur C 0, 3 0, 5 0, 2
joueur B 0, 3 0, 4 0, 3 joueur D 0, 5 0, 3 0, 2
Les resultats des dierents joueurs et des dierentes equipes sont independants entre eux. Soit X la
variable aleatoire egale au nombre de points marques par lequipe jaune et Y la variable aleatoire egale
au nombre de points marques par lequipe verte.
1. Determiner les distributions de probabilite de chacune des variables aleatoires X et Y .
2. Calculer la probabilite de levenement il y a match nul.
Denition 3.2 Soient A et B sont deux evenements associes à un univers tels que p(A) = 0 ; La
probabilite de levenement B sachant que A est realise est :
p
A
(B) = p(B/A) =
p(A B)
p(A)
Proposition 3.2 On a
p(A B) = p(A) p(B/A) = p(B) p(A/B).
Denition 3.3 Deux evenements sont independants si p(A/B) = p(A) ou p(B/A) = p(B), soit encore
si p(A B) = p(A)p(B).
Deux evenements sont incompatibles si AB = et dans ce cas, p(AB) = 0 do` u p
A
(B) = p
B
(A) = 0
Proposition 3.3 Si A est inclus dans B alors p(A B) = p(A) et p
B
(A) = 1.
Exercice 3.7 Une urne contient 15 boules numerotees de 1 à 15. On tire une boule au hasard. On sait
que le numero tire est impair. Quelle est la probabilite que ce numero soit aussi multiple de 3 ?
Exercice 3.8
`
A la n de leur montage, on soumet des ampoules electriques à des tests de conformite
qui ne sont pas ables à 100%. Si une ampoule est conforme, on le dit dans 96 % des cas (et donc dans
4 % des cas, une ampoule bonne est jetee). Si une ampoule est defectueuse, le test le detecte dans 94%
des cas (et donc dans 6% des cas, on garde lampoule). On remarque que en moyenne 8% des ampoules
sont defectueuses. On cherche à estimer la abilite du test :
1. Sachant que le test est positif, quelle est la probabilite que lampoule soit eectivement conforme ?
2. Sachant que le test est negatif, quelle est la probabilite que lampoule soit eectivement defectueuse ?
Exercice 3.9 Deux ateliers fabriquent les memes pièces. La cadence du premier atelier est le double
de celle du deuxième. Il y a 3% de pièces defectueuses dans latelier 1 et 4% dans latelier 2. On prelève
une pièce au hasard. Calculer la probabilite des evenements suivants :
1. La pièce provient de latelier 1,
2. La pièce est defectueuse,
3. La pièce provient de latelier 1, sachant quelle est defectueuse.
ES ET STATISTIQUES
Exercice 3.10 Dans une population donnee, 15 % des individus ont la maladie M
a
. Parmi eux, 20%
ont une maladie M
b
. Parmi les personnes non atteintes par M
a
, 4% ont la maladie M
b
. On considère
un individu. Calculer la probabilite des evenements suivants :
1. Il a la maladie M
a
b
sachant quil a M
a
b
sachant quil na pas M
a
a
et la maladie M
b
5. Il na pas la maladie M
a
mais il a la maladie M
b
b
a
sachant quil a M
b
Exercice 3.11 Trois etudiants A, B et C passent un examen le meme jour. Les trois examens sont
dierents et se passe dans des lieux dierents. Les probabilites de succès sont estimees à 0,7 pour A,
0,4 pour B et 0,6 pour C. Calculer la probabilite
1. que les 3 soient re cus
2. que les trois echouent
3. que A seulement soit re cu
4. quun seul reussise
5. que B soit le seul à echouer
6. quexactement deux soient recus
7. quau moins un soit recu
Exercice 3.12 Une urne contient x boules dont 3 sont blanches, les autres etant rouges.
1.
`
A loccasion dun tirage sans remise de deux boules, la probabilite dobtenir une boule blanche
puis une boule rouge est
1
4
. Calculer le nombre de boules dans lurne.
2. Meme question si le tirage est eectue avec remise
4 Probabilites et statistiques
De nombreux problèmes peuvent etre regardes sous un aspect statistique et sous un aspect proba-
biliste :
Exemple 4.1 Une population est compose de 47% dhommes et de 53% de femmes. On suppose que
24 % des hommes et que 34 % des femmes ont les yeux verts. Les hommes aux yeux verts representent
24 % de 47 % de la population, soit
24
100

47
100
=
1128
10000
= 0, 1128 = 11, 28%. On peut remplir le tableau
suivant :
homme femme
yeux verts 0, 47 0, 24 = 0, 1128 0, 53 0, 34 = 0, 1802 0, 2930
yeux pas verts 0, 47 0, 76 = 0, 3572 0, 53 0, 66 = 0, 3498 0, 707
0, 47 0, 53 1
On choisit une personne au hasard.
1. la probabilite quelle ait les yeux verts est p(yeux verts) = 0, 293
2. la probabilite quelle ait les yeux verts sachant que cest un homme est
p( yeux verts / homme ) =
p( homme aux yeux verts)
p(homme)
=
0, 1128
0, 47
= 0, 24
3. la probabilite quelle soit une femme sachant quelle na pas les yeux verts est
p( femme / pas yeux verts ) =
p( femme aux yeux pas verts)
p(pas yeux verts)
=
0, 3498
0, 707
0, 4947
Probabilites 5 VARIABLE AL
EATOIRE
Jouons à pile ou face, un grand nombre de fois, avec une pièce non truquee. Pile et face ont la meme
probabilite, egale à 1/2, dapparatre à chaque lancer. Comptabilisons les resultats au fur et à mesure
et supposons que, à une etape, le nombre de tirages sur face soit superieur de 100 à celui des pile :
le nombre de pile a-t-il ensuite tendance à rattraper le nombre de face ? Ceux qui jouent à pile ou
face sans en connatre les arcanes mathematiques evoquent parfois une loi des moyennes fondee sur
lintuition que les nombres de pile et de face obtenus avec une pièce non truquee devraient devenir peu
dierents après un grand nombre de lancers. Pourtant les pièces nont pas de memoire : la probabilite
dobtenir pile ou face lors dun lancer est toujours 1/2. Ne devrait-on pas penser plutot que les totaux
nont pas de raison de devenir egaux ?
Les memes questions se posent dans des contextes varies. Si un accident davion se produit en
moyenne tous les quatre mois et si trois mois se sont passes sans accident, un accident est-il imminent ?
Dans tous les cas de ce type, la reponse est non : les processus aleatoires ou, plus exactement, les
modèles mathematiques de ces processus nont pas de memoire.
Il nexiste pas de loi des moyennes : les probabilites des evenements futurs ne dependent pas des
resultats passes.
5 Variable aleatoire
Denition 5.1 Soient une epreuve donnee, lunivers associe à cette epreuve et p une probabilite
denie sur . On appelle variable aleatoire toute fonction X de dans R qui, à tout element de ,
fait correspondre un nombre reel x.
On notera X() lensemble des valeurs prises par la v.a. X.
Une variable aleatoire est caracterisee par lensemble des valeurs quelle peut prendre et par lexpres-
sion mathematique de la probabilite de ces valeurs. Cette expression sappelle la loi de probabilite (ou
distribution de probabilite) de la variable aleatoire.
Il existe plusieurs types de valeurs que peut prendre une variable aleatoire :
Variable aleatoire discrète
Denition 5.2 Une variable aleatoire est discrète si elle ne prend que des valeurs discontinues dans un
intervalle donne (borne ou non borne). Lensemble des nombres entiers est discret. En règle generale,
toutes les variables qui resultent dun denombrement ou dune numeration sont discrètes.
Exemples :
le nombre de petits par portee pour une espèce animale donnee (chat, marmotte, etc.),
le nombre de bacteries dans 100 ml de preparation,
le nombre de mutations dans une sequence dADN de 10 kb,
sont des variables aleatoires discrètes.
La loi de probabilite dune variable aleatoire discrète est entièrement determinee par les probabilites
p
i
des evènements {X = x
i
}, x
i
parcourant lunivers image . La loi de probabilite est donnee par les
(x
i
, p
i
)
i
.
Exercice 5.1 Une urne contient quatre boules numerotees 10, 20, 30 et 40. On eectue trois tirages
successifs avec remise, cest-à-dire quaprès chaque tirage on replace la boule tiree dans lurne. Le
resultat dune experience peut alors etre represente par un triplet, une liste ordonnee de trois elements
de lensemble E = {10, 20, 30, 40}.
1. Combien y a-t-il de resultats possibles ?
2. Quelle est la probabilite dobtenir les cas suivants :
EATOIRE
(a) La première boule tiree porte le numero 10, la deuxième le numero 40, la troisième le numero
20 ?
(b) La première boule tiree porte le numero 30 et la deuxième le numero 20 ?
(c) La deuxième boule porte le numero 20 ?
Exercice 5.2 Une urne contient quatre boules numerotees 10, 20, 30 et 40. On eectue trois tirages
successifs sans remise, cest-à-dire quaprès chaque tirage on ne replace pas la boule tiree dans lurne. Le
resultat dune experience peut alors etre represente par un triplet, une liste ordonnee de trois elements
de lensemble E = {10, 20, 30, 40} mais cette fois les elements du triplet sont 2 à 2 distincts.
20 ?
(b) La première boule tiree porte le numero 30 et la deuxième le numero 20 ?
(c) La deuxième boule porte le numero 20 ?
Exercice 5.3 Une urne contient quatre boules numerotees 10, 20, 30 et 40. On tire simultanement
trois boules de lurne. Le resultat dune experience peut alors etre represente par une partie à trois
elements de lensemble E = {10, 20, 30, 40}.
2. Quelle est la probabilite davoir un resultat dans lequel gure le nombre 20 ?
3. Quelle est la probabilite davoir un resultat dans lequel gurent les nombres 30 et 40 ?
Denition 5.3

Etant donnee une v.a. discrète X prenant les valeurs x
1
, x
2
, , x
n
avec les probabilites
respectives p
1
, p
2
, , p
n
.
Lesperance mathematique de X est le nombre reel note E(X) deni par :
E(X) = x
1
p
1
+x
2
p
2
+ +x
n
p
n
.
La variance de la v.a. X est le nombre reel note V(X) et deni par :
V (X) = E(X
2
) [E(X)]
2
.
Lecart type dune v.a. X est le reel positif note s(X) et deni par :
(X) =
_
V (X).
Exercice 5.4 On joue avec deux des ` a quatre faces. Sur le premier de, les faces portent les numeros
1, 2, 3 et 3. Sur le deuxième de, les faces portent les numeros 1, 2, 2 et 2. Deux règles du jeu sont
possibles :
1. La partie co ute 1 euro. On lance les deux des.
(a) Si la somme est 2, on gagne 6 euros
(b) Si la somme est 3 ou 4, on gagne 2 euros
(c) Si la somme est 5, on ne gagne rien
2. La partie co ute 10 euros. On lance les deux des.
(a) Si la somme est 2, on gagne 60 euros
(b) Si la somme est 3 ou 4, on gagne 12 euros
EATOIRE
(c) Si la somme est 5, on ne gagne rien
En etudiant lesperance et lecart-type de chacun de ces jeux, trouver lequel est le plus interessant.
Exercice 5.5 Un automibiliste rencontre sur son trajet 5 feux de circulation tricolores. Pour chacun
de ces feux, le rouge dure 15 secondes, lorange 5 secondes et le vert 40 secondes. Les 5 feux ne sont
pas synchronises et lon suppose que les alea de la circulation sont tels que letat dun feu devant lequel
se presente lautomobile ne depend pas de letat des autres feux rencontres.
1. Lautomibile se presente devant un feux. Quelle est la probabilite que ce feu soit vert ?
2. Quelle est la probabilite que sur son trajet, lautomobile rencontre exactement 3 feux verts sur
les 5 feux rencontres ?
3. Soit X la variable aleatoire correspondant au nombre de feux verts rencontres sur le trajet. Quelle
est sa loi de probabilite et son esperance E(X) ?
Variable aleatoire continue
Denition 5.4 Une variable aleatoire est continue si elle peut prendre toutes les valeurs dans un
intervalle donne (borne ou non borne). En règle generale, toutes les variables qui resultent dune mesure
sont de type continu.
Exemples :
le masse corporelle des individus pour une espèce animale donnee,
le taux de glucose dans le sang,
sont des variables aleatoires continues.
Dans le cas dune variable aleatoire continue, la loi de probabilite f(x) associe une probabilite à chaque
ensemble de valeurs denies dans un intervalle donne. En eet, pour une variable aleatoire continue,
la probabilite associee à levènement X = a est nulle, car il est impossible dobserver exactement cette
valeur. On considère alors la probabilite P(x
1
X x
2
) que la variable aleatoire X prenne des valeurs
comprises dans un intervalle [x
1
, x
2
].
Si cette loi prend des valeurs comprises entre [a, b], la somme des probabilites attachees aux valeurs
possibles de la variable aleatoire est egale à 1.
Elle est representee par la surface sous la courbe y = f(x), ce qui revient à considerer des integrales :
_
b
a
f(x) dx = 1. Si on sinteresse aux valeurs comprises dans un intervalle [c, d], on a et donc p(c X
d) =
_
d
c
f(x) dx.
Denition 5.5

Etant donnee une v.a. continue X, de densite de probabilite f(x) prenant des valeurs
comprises dans lintervalle [a, b] Lesperance mathematique de X est le nombre reel note E(X) deni
EATOIRE
par :
E(X) =
_
b
a
xf(x) dx.
La variance de la v.a. X est le nombre reel note V(X) et deni par :
V (X) =
_
b
a
[x E(X)]
2
f(x) dx =
_
b
a
x
2
f(x) dx [E(X)]
2
.
Lecart type de cette v.a. X est le reel positif note (X) et deni par :
(X) =
_
V (X).
Exemple 5.1 On considère une variable aleatoire pouvant prendre toutes les valeurs comprises dans
lintervalle [0, 2] et soit f(x) =
x
2
sa densite de probabilite.
On peut verier que la somme des probabilites est egale à 1 :
_
2
0
x
2
dx =
_
x
2
4
_
2
0
= 1
Son esperance mathematique est
E(x) =
_
2
0
x
x
2
dx =
_
x
3
6
_
2
0
=
4
3
et sa variance est
V (x) =
_
2
0
(x
4
3
)
2
x
2
dx =
_
2
0
x
3
2
dx
_
4
3
_
2
=
_
x
4
8
_
2
0
_
4
3
_
2
0
=
2
9
do` u lecart-type =
_
2
9
0, 471
Exercice 5.6 Soit X une variable aleatoire continue ayant pour densite de probabilite f denie par
f(x) = 0 pour x ] ; 0[]2; +[
f(x) = x pour x [0; 1]
f(x) = x + 2 pour [1; 2]
1. Verier que f est une densite de probabilite
2. Calculer lesperance et lecart-type de X
3. Calculer p(0, 5 < X < 1, 32)
Exercice 5.7 Soit X une variable aleatoire continue ayant pour densite de probabilite f denie par
f(x) = 0 pour x ] ; 2[]4; +[
f(x) = k(4 x) pour x [2; 4]
1. Calculer k pour que f soit une densite de probabilite
2. Calculer lesperance et lecart-type de X
3. Calculer p(1 < X < 2) et p(X 3)
Denition 5.6 Soit X une variable aleatoire reelle.
Si E(X) = 0, X est dite centree.
Si E(X) = 0 alors X E(X) est appelee variable aleatoire centree associee à X.
Si (X) = 1 alors X est dite reduite
Si (X) = 1 et E(X) = 0 alors
XE(X)
(X)
est appelee variable aleatoire centree reduite associee à
X
Probabilites 6 LOIS BINOMIALES
6 Lois binomiales
En probabilite, une epreuve de Bernoulli de paramètre p (reel compris entre 0 et 1) est une
experience aleatoire (cest-à-dire soumise au hasard) comportant deux issues : le succès ou lechec.
Sur cet univers succès, echec, on peut denir une variable aleatoire X prenant la valeur 1 en cas de
succès et 0 en cas dechec. Cette variable aleatoire suit une loi de Bernoulli ou loi binomiale :
Denition 6.1 Etant donnee une epreuve denie sur un univers . A lissue de lepreuve, on a deux
possibilites : soit succes S (p(S) = p avec 0 p 1) ; soit echec E (p(E) = q = 1 p). On repète
n fois lepreuve. On a une suite de n epreuves independantes. Soit X la v.a. denie sur
n
qui prend
pour valeur le nombre de realisations de S. La proba qque X = k (quil y ait k succès) est
p(X = k) = C
k
n
p
k
(1 p)
nk
avec k entier
X suit une loi binomiale B(n, p) de paramètres n et p.
Cest une loi qui est souvent representee sous la forme dun arbre. On compte alors le nombre de
branches ayant k succès (cela correspon à C
k
n
) , et on le multiplie par la probabilite quune branche se
produise (cela correspond à p
k
(1 p)
nk
).
Exemple 6.1 Quelle est la loi de probabilite denissant le nombre de garcons dans une famille de 4
enfants ?
x 0 1 2 3 4
p C
0
4
_
1
2
_
4
=
1
16
C
1
4
_
1
2
_
4
=
4
16
C
2
4
_
1
2
_
4
=
6
16
C
3
4
_
1
2
_
4
=
4
16
C
4
4
_
1
2
_
4
=
1
16
Proposition 6.1 Si X suit une loi binomiale B(n, p) de paramètres n et p, alors
E(X) = np V (X) = npq = np(1 p)
Exercice 6.1 Une entreprise a eectue une enquète sur ses salaries. Elle a calcule que 6% des individus
sont retardataires. Sur 100 personnes, quelle est la probabilite de nen avoir aucune en retard?
Exercice 6.2 Une urne contient des boules blanches et des boules noires. La proportion de blanches
est p. Les tirages se font avec remise ainsi la proportion de boules blanches ne changent jamais. Soit X
levenement obtenir une boule blanche. Quelles sont lesperance et la variance de cette variable ?
Exercice 6.3 On lance 10 fois un de. Quelle est la probabilite davoir 4 fois le 1 ?
Exercice 6.4 Un camp dadolescents propose des stages dactivites nautiques pour debutants avec au
choix : Planche à voile , plongee ou ski nautique. Lors dun stage donne, ce camp accueille vingt jeunes
don sept seront inities à la planche à voile, huit à la plongee et cinq au ski nautique. Chaque stagiaire
ne pratique quune seule des trois activites.
1. On forme un groupe de 3 stagiaires choisis au hasard parmi les vingt.
(a) Combien de groupes est-il possible de former ?
(b) Determinez la probabilite de chacun des evenements suivants :
A : les trois stagiaires pratiquent des activites dierentes
B : Les trois stagiaires pratiquent la meme activite
C : Au moins lun des trois stagiaires pratique le ski nautique.
2. Parmi les trois stagiaires, un seul se prenomme Christian. Chaque jour, on choisit un groupe de
trois stagiaires charge du service au repas de midi.
Probabilites 7 LOIS DE POISSON
(a) Montrez que la probabilite que Christian soit choisi un jour donne pour le service de midi
est egale à 0,15.
(b) La duree du stage est de cinq jours. Quelle est la probabilite de ne jamais choisir Christian
pour le service de midi pendant le sejour ?
(c) Quelle est la probabilite de le choisir exactement une fois ?
(d) Montrez que la probabilite de choisir Christian au moins deux fois est inferieur à 0,2 .
La somme des probabilite fait 1 :
Theoreme 6.1 On a
n
k=0
p(X = k) = 1
Demo :
n
k=0
p(X = k) =
n
k=0
C
x
n
p
x
q
nx
= (p +q)
n
= 1
7 Lois de Poisson
Cette loi intervient dans des processus aleatoires dont les eventualites sont faiblement probables et
survenant independamment les unes des autres : cas des phenomènes accidentels, danomalies diverses,
des problèmes dencombrement (les dattente), des ruptures de stocks, etc.
Denition 7.1 On dit que la variable aleatoire X suit une loi de Poisson de paramètre m si
P(X = k) =
m
k
k!
e
m
Remarque 7.1 Dans ce cas, P(X = k + 1) =
m
k+1
P(X = k).
une loi de Poisson peut etre representee par un diagramme en batons. Ci-dessous sont representes les
diagrammes en batons des lois de Poisson de paramètres 1, 2 et 5 :
Exercice 7.1 Dans un atelier, le nombre daccidents au cours dune annee suit une loi de Poisson de
paramètre 5. Calculer la probabilite des evenements suivants :
1. Il ny a pas daccidents au cours dune annee
2. Il y a exactement 4 accidents au cours de lannee
3. Il y a plus de 6 accidents au cours de lannee
Probabilites 8 LOIS NORMALES
Proposition 7.1 Si X suit une loi de Poisson de paramètre m alors E(X) = V (X) = m.
La loi de Poisson decrit bien la loi binomiale pour n tendant vers linni et q tendant vers zero, avec
le produit nq tendant vers une constante. Elle modelise donc les experiences de Bernoulli avec une
très faible probabilite de succès, mais avec un grand nombre dessais, du meme ordre de grandeur que
linverse de la probabilite de succès.
Proposition 7.2 On peut approcher une loi binomiale B(n, p) par la loi de Poisson P(np) avec un
bon pourcentage de reussite si n 30, p 0, 1 et np < 15.
Exercice 7.2 Suite à une vaccination contre le paludisme, dans une population à risque, on estime à
2%, compte tenu du delai dimmunisation, la proportion de personnes qui seront pourtant atteintes de
la maladie. En utilisant la loi binomiale puis la loi de Poisson, quelle est la probabilite de constater,
lors dun controle dans un petit village de 100 habitants tous recemment vaccines, plus dune personne
malade ? (on supposera lindependance des eventualites).
Exercice 7.3 Une entreprise possède un parc de 200 machines fonctionnant sans arret pendant les
heures de travail. On a observe que la probabilite pour chaque machine de tomber en panne au cours
dune journee est p = 1/1000.
1. Calculer la probabilite pour une machine determinee de tomber en panne au moins une fois au
cours des 25 jours ouvrables
2. Calculer la probabilite pour une machine determinee de tomber en panne plus dune fois au cours
des 25 jours ouvrables
3. En approximant par une loi de Poisson, calculer la probabilite quau cours des 25 jours ouvrables
4 machines au plus tombent en panne puis quon observe au moins 6 pannes.
Plutot que de refaire les calculs à chaque fois, on peut utiliser des tables de Poisson qui, connaissant
le paramètre m et la valeur k donne directement P(X = k) et P(X k).
8 Lois normales
La loi normale (ou de Laplace-Gauss) est la loi de certains phenomènes continus qui uctuent autour
dune valeur moyenne m, de manière aleatoire, resultante dun grand nombre de causes algebriquement
additives et independantes. La dispersion des valeurs observees dun meme caractère gaussien est
representee par un ecart type .
Denition 8.1 On parle de loi normale ou loi de Gauss lorsque lon a aaire à une variable aleatoire
continue dependant dun grand nombre de causes independantes dont les eets sadditionnent et dont
aucune nest preponderante.
Les lois normales sont representees par des courbes en cloche :
Exemple 8.1 On fabrique des pièces dont les dimensions dependent du reglage de lappareil de fabrica-
tion, des vibrations auxquelles il est soumis, de lhomogeneite de la matière première, de la temperature,
de lhumidite, ...
Une variable aleatoire continue X est distribuee selon une loi normale si sa densite de probabilite est
f(x) =
1
2
e
(xm)
2
2
2
o` u
_
m est la moyenne de X
est lecart-type de X
La loi de probabilite depend donc de deux paramètres m et et on lecrit N(m,).
On eectue generalement le changement de variable T =
Xm
. La loi de distribution de t est alors

f(T) =
1
2
e
T
2
2
Cette loi est notee N(0,1) et dite normale, centree, reduite.
Remarque 8.1 On admettra pour la suite que
_
+
T
2
2
dT =
2 et donc que
_
+
infty
f(T) dT = 1.
Proposition 8.1 Lesperance mathematique dune variable aleatoire distribuee selon la loi N(0,1) est
0. La mediane et la valeur modale sont egales à lespèrance mathematiques cest-à-dire sont egales à 0.
Pour une loi N(m,), lesperance mathematique, la mediane et le mode sont egaux à m et lecart-type
est .
Si X suit une loi N(m,), on pose T =
Xm
. T suit alors une loi N(0,1). On a

E(X) = E(T +m) = E(T) +m = m
V (X) = V (T +m) = V (T) =
2
V (T) =
2
(X) =
_
V (X) =
Proposition 8.2 Si on considère une loi N(0,1) alors
p(1, 96 < t < 1, 96) = 0, 95
p(2, 58 < t < 2, 58) = 0, 99
De manière plus generale, p(t < t
0
) =
1
2
_
t0
t
2
2
dt.
On pose
_
T
f(t)dt = (T). Plutot que deectuer les calculs à chaque fois, on utilise la table suivante :
Table de Gauss
T , 0 , 1 , 2 , 3 , 4 , 5 , 6 , 7 , 8 , 9
0 0, 5 0, 5398 0, 5793 0, 6179 0, 6554 0, 6915 0, 7257 0, 7580 0, 7881 0, 8159
1 0, 8413 0, 8643 0, 8849 0, 9032 0, 9192 0, 9332 0, 9452 0, 9554 0, 9641 0, 9713
2 0, 9772 0, 9821 0, 9861 0, 9893 0, 9918 0, 9938 0, 9953 0, 9965 0, 9974 0, 9981
3 0, 9987 0, 9990 0, 9993 0, 9995 0, 9997
Explications
Pour trouver la valeur correspondant à T = 1, 3, on se place sur la deuxième ligne (correspondant à 1)
et sur la quatrième colonne (correspondant à , 3) et on lit : P(T 1, 3) = 0, 9032. Donc
_
1,3
f(t)dt =
0, 9032. Ce tableau nest utilisable que pour des valeurs de T positives et des probabilite de type
inferieure ou egale à. Les règles suivantes permettent de resoudre tous les problèmes rencontres :
1.
_
f(t)dt+
_
+
f(t)dt = 1 donc
_
+
f(t)dt = 1
_
f(t)dt, cest-`-dire P(T > ) = 1P(T

) = 1 ()
2. Si < 0 alors () = 1 ().
On aura parfois besoin dune table de Gauss plus complète :
Exercice 8.1 Sachant que la repartition des quotients intellectuels (QI), rapport entre lage mental
et lage reel, dune personne est une loi normale de moyenne 0,90 et decart-type 0,40,
1. Calculer la probabilite à 0,0001 près, quune personne prise au hasard
(a) ait un QI inferieur à 1
(b) ait un QI inferieur à 0,1
(c) ait un QI superieur à 1,4
(d) ait un QI compris entre 0,8 et 1,3
2. En deduire le nombre de personnes dans un village de 1000 habitants
(a) ayant un QI inferieur à 1
(b) ayant un QI inferieur à 0,1
(c) ayant un QI superieur à 1,4
(d) ayant un QI compris entre 0,8 et 1,3
Exercice 8.2 On estime que le temps necessaire à un etudiant pour terminer une epreuve dexamen
est une variable normale de moyenne 90 minutes et decart-type 15 minutes. 240 candidats se presentent
à cet examen
1. Combien detudiants N termineront lepreuve en moins de deux heures ?
2. Quelle devrait etre la duree D de lepreuve si lon souhaite que 200 etudiants puissent terminer
lepreuve ?
Exercice 8.3 Une entreprise fabrique, en grande quantite, des tiges metalliques cylindriques pour
lindustrie. Leur longueur et leur diamètre sont exprimes en millimètres. Une tige de ce type est
consideree comme conforme pour la longueur lorsque celle-ci appartient à lintervalle [99,45 ; 100,55].
On note X la variable aleatoire qui, à chaque tige prelevee au hasard dans la production, associe sa
longueur. On suppose que X suit une loi normale de moyenne 100 et decart-type 0,25.
1. Calculer la probabilite quune tige prelevee au hasard dans la production soit conforme pour la
longueur.
2. Determiner le nombre reel h positif tel que : P(100 h < X < 100 +h) = 0, 95.
Probabilites 9 SOLUTIONS DES EXERCICES
9 Solutions des exercices
Solution 1.1 On a
p(E
1
) =
2
6
=
1
3
p(E
2
) =
3
6
=
1
2
p(E
1
E
2
) = p((avoir 3 ou 4) ET (avoir un nombre pair)) = p(avoir un 4) =
1
6
p(E
1
E
2
) = p(E
1
) +p(E
2
) p(E
1
E
2
) =
1
2
+
1
3

1
6
=
4
6
=
2
3
= p((avoir 3 ou 4) ou (avoir un nombre pair)) = p(avoir 2,3,4 ou 6) =
4
6
=
2
3
Solution 1.2 On considère le tableau suivant, nous donnant la somme des deux nombres :
de 2
\
de 1
1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
De ce tableau, on deduit que p(E
1
) =
5
36
, p(E
2
) =
7
36
et p(E
3
) =
18
36
=
1
2
.
Les evenements E
1
, E
2
et E
3
sont incompatibles (on ne peut pas avoir simultanement une somme de
5 et une somme de 7, ni une somme de 5 ou 7 et une somme paire). On a donc
p(E
1
E
2
) = 0 p(E
1
E
3
) = 0 p(E
2
E
3
) = 0
p(E
1
E
2
) = p(E
1
) +p(E
2
) =
5
36
+
7
36
=
12
36
=
1
3
p(E
1
E
3
) = p(E
1
) +p(E
3
) =
5
36
+
1
2
=
23
36
p(E
2
E
3
) = p(E
2
) +p(E
3
) =
7
36
+
1
2
=
25
36
Solution 2.1 On peut former 10 9 8 7 = 5 040 mots dierents.
Solution 2.2 Il nest pas interdit que les lettres puissent se repeter donc il y a 5
3
= 125 mots possibles.
Solution 2.3 Pour le tierce, il y a 8 7 6 = 336 possibilites. Pour le tierce, il y a 8 7 6 5 = 1680
possibilites.
Solution 2.4 Pour chaque chires du nombre, jai 3 possibilites. Il y a donc 3 3 3 3 = 3
4
= 81
possibilites.
Solution 2.5 Il y a 40
23
possibilites.
Solution 2.6 Il y a C
23
40
=
40!
23!(4023)!
=
40!
23!17!
= 88 732 378 800 possibilites.
5
32
=
3231302928
54321
= 201 376 possibilites.
Solution 2.8 Il faut choisir 2 coeurs parmi 8, puis 3 cartes parmi les 24 restantes : il y a donc C
2
8
C
3
24
=
56 672 possibilites.
Solution 2.9 Il est plus simple de calculer le nombre de mains de 5 cartes ne contenant aucun roi,
cela revient à prendre 5 cartes parmi les 28 restantes : il y a C
5
28
possibilites. Le nombre total de
mains de cinq cartes est C
5
32
et donc le nombre de mains de cinq cartes contenant au moins un roi est
C
5
32
C
5
28
= 103 096.
On peut egalement calculer directement le nombre de mains de cinq cartes contenant au moins un roi :
nombre de mains de cinq cartes contenant exactement un roi : C
1
4
C
4
28
= 81 900
nombre de mains de cinq cartes contenant exactement deux rois : C
2
4
C
3
28
= 19 656
nombre de mains de cinq cartes contenant exactement trois rois : C
3
4
C
2
28
= 1 512
nombre de mains de cinq cartes contenant exactement quatre rois : C
4
4
C
1
28
= 28
donc le nombre de mains de cinq cartes contenant au moins un roi est 81900+19656+1512+28 = 103 096
4
10
=
10!
6!4!
= 420 grilles possibles.
Solution 3.1 p =
4
32
+
8
32

1
32
=
11
32
Solution 3.2 1. Il y a 8 coeurs dans le jeu donc p(A) =
C
2
8
C
2
32
=
28
496
0, 05645
2. Il y a 12 gures dans le jeu donc p(B) =
C
2
12
C
2
32
=
66
496
0, 13307
3. p(A B) = p(deux gures à coeur) donc p(A B) =
C
2
3
C
2
32
=
3
496
0, 00605.
4. p(A B) = p(A) +p(B) p(A B) =
91
496
0, 18347
Solution 3.3 Soit A levenement le candidat A reussit et B levenement le candidat B reussit.
Calculer la probabilite
1. que les 2 candidats soient re cus = p(A B) = P(A) p(B) =
3
4

2
3
=
1
2
2. que les 2 candidats echouent = p(

A

B) = p(

A) p(

B) =
1
4

1
3
=
1
12
3. que le candidat A soit seul recu = p(A

B) = p(A) p(

B) =
3
4

1
3
=
1
4
4. quun seul des deux candidats reussise = p(A

B) + p(

A B) = p(A) p(

B) + p(

A) p(B) =
1
4
+
2
12
=
5
12
5. quau moins 1 des candidats soit recu = 1 p(

A

B) = 1
1
12
=
11
12
Solution 3.4 Soient R
A
levenement tirer une boule rouge dans lurne A, B
A
levenement tirer une
boule bleue dans lurne A, R
B
levenement tirer une boule rouge dans lurne B, B
B
levenement tirer
une boule bleue dans lurne B. On a
1. Probabilite de tirer deux boules rouges = p(R
A
R
B
) =
4
9

5
11
=
20
99
2. Probabilite de tirer deux boules bleues = p(B
A
B
B
) =
5
9

6
11
=
30
99
3. Probabilite de tirer deux boules de meme couleur = p(R
A
R
B
)+p(B
A
B
B
) =
4
9
5
11
+
5
9
6
11
=
50
99
4. Probabilite de tirer deux boules de couleurs dierentes : on peut le faire par le calcul direct :
= p(B
A
R
B
) +p(R
A
B
B
) =
5
9

5
11
+
4
9

6
11
=
49
99
On peut egalement le faire en remarquant
que cet evenement est loppose de levenement precedent et en deduire que la probabilite est
1 (p(R
A
R
B
) +p(B
A
B
B
)) =
49
99
Solution 3.5 Calculons le nombre de possibilites pour obtenir 11 et 12 :
total 11 nbr de cas total 12 nbr de cas
1 5 5 C
2
3
= 3 1 5 6 6
1 4 6 6 2 5 5 3
2 4 5 6 2 4 6 6
2 3 6 6 3 3 6 3
3 4 4 3 3 4 5 6
3 3 5 3 4 4 4 1
27 25
Le nombre 11 peut donc etre obtenu de 27 fa cons dierentes, contre 25 pour le nombre 12. Le joueur
A est donc avantage.
Solution 3.6 X() = {0; 1; 2; 3; 4} et Y () = {0; 1; 2; 3; 4}. Soient
A
i
levenement le joueur A marque i points avec i {0; 1; 2}
B
i
levenement le joueur B marque i points avec i {0; 1; 2}
C
i
levenement le joueur C marque i points avec i {0; 1; 2}
D
i
levenement le joueur D marque i points avec i {0; 1; 2}
Les resultats des joueurs sont independants entre eux donc p(X = k) =

i+j=k
p(A
i
B
j
) =
i+j=k
p(A
i
) p(B
j
). On a
P(X = 0) = 0, 4 0, 3 = 0, 12
P(X = 1) = p(A
1
) p(B
0
) +p(A
0
) p(B
1
) = 0, 4 0, 3 + 0, 4 0, 4 = 0, 28
P(X = 2) = p(A
2
)p(B
0
)+p(A
1
)p(B
1
)+p(A
0
)p(B
2
) = 0, 20, 3+0, 40, 4+0, 40, 3 = 0, 34
P(X = 3) = p(A
2
) p(B
1
) +p(A
1
) p(B
2
) = 0, 2 0, 4 + 0, 4 0, 3 = 0, 2
P(X = 4) = p(A
2
) p(B
2
) = 0, 2 0, 3 = 0, 06
et donc
x
i
0 1 2 3 4
p(X = x
i
) 0, 12 0, 28 0, 34 0, 2 0, 06
et
y
i
0 1 2 3 4
p(Y = y
i
) 0, 15 0, 34 0, 31 0, 16 0, 04
Soit p(N) la probabilite que le match soit nul. On a
p(N) = p((X = 0) (Y = 0)) +p((X = 1) (Y = 1)) +p((X = 2) (Y = 2))
+p((X = 3) (Y = 3)) +p((X = 4) (Y = 4))
= p(X = 0) p(Y = 0) +p(X = 1) p(Y = 1) +p(X = 2) p(Y = 2)
+p(X = 3) p(Y = 3) +p(X = 4) p(Y = 4)
= 0, 12 0, 15 + 0, 28 0, 34 + 0, 34 0, 31 + 0, 2 0, 16 + 0, 06 0, 04
= 0, 253
Solution 3.7 raisonnement direct :
{1, 3, 5, 7, 9, 11, 13, 15} sont les numero impairs, {3, 9, 15} sont les multiples de 3 parmi les impairs
donc le nombre de cas favorables est 3 et le nombre de cas possibles est 8 : p =
3
8
Avec la formule :
Soit A levenement la boule a un numero impair et B levenement la boule a un numero multiple
de 3. On a p
A
(B) =
p(AB)
p(A)
=
3/15
8/15
=
3
8
.
Solution 3.8 Soit T levenement le test est positif (et donc

T levenement le test est negatif) et soit
C levenement lampoule est conforme (et donc

C levenement lampoule est non conforme). On a
p(C) = 0, 92 et p(

C) = 0, 08, et le tableau suivant
T

T
C 0, 92 0, 96 = 0, 8832 0, 92 0, 04 = 0, 0368 0, 92
C 0, 08 0, 06 = 0, 0048 0, 08 0, 94 = 0, 0752 0, 08
0, 888 0, 112 1
p(T) = 0, 888 et p(
T) = 0, 112. On en deduit que p

T
(C) =
p(TC)
p(T)
=
0,8832
0,888
= 0, 99 et p
T

C =
p(
C)
p(
T)
=
0,0752
0,112
= 0, 67.
Solution 3.9 Soit A
1
levenement la pièce provient de latelier 1 et A
2
levenement elle provient de
latelier 2. Soit B levenement la pièce est defectueuse.
1. La pièce provient de latelier 1 :
La cadence du 1 etant le double de celle de latelier 2, il fabrique deux fois plus de pièces donc
p(A
1
) =
2
3
2. La pièce est defectueuse : p(B) = p(B A
1
) +p(B A
2
) = P
A1
(B) p(A
1
) +P
A2
(B) p(A
2
) =
0, 03
2
3
+ 0, 04
1
3
= 0, 02 + 0, 013 = 0, 033. 3,3 % des pièces sont defectueuses.
3. La pièce provient de latelier 1, sachant quelle est defectueuse : p
B
(A
1
) =
p(BA1)
p(B)
=
0,02
0,033
=
0, 6%.
Solution 3.10 Soit A levenement il a la maladie M
a
et B levenement il a la maladie M
b
. On a le
tableau suivant :
A

A
B 0, 15 0, 2 = 0, 03 0, 85 0, 04 = 0, 034 0, 064
B 0, 15 0, 8 = 0, 12 0, 85 0, 96 = 0, 816 0, 936
0, 15 0, 85 1
On cherche
a
: p(A) = 0, 15
b
sachant quil a M
a
: p
A
(B) =
p(AB)
p(A)
=
0,03
0,15
= 0, 2 (on retrouve les 20 % de
lenonce, ce qui est bon signe ...)
b
sachant quil na pas M
a
: p
A
(B) =
p(

AB)
p(

A)
=
0,034
0,85
= 0, 04 (on retrouve les 4
% de lenonce)
a
et la maladie M
b
: p(A B) = 0, 03
5. Il na pas la maladie M
a
mais il a la maladie M
b
: p(

A B) = 0, 034
b
: p(B) = 0, 064
a
sachant quil a M
b
: p
B
(A) =
0,03
0,064
= 0, 46875
Solution 3.11 Les trois evenements sont independants. On a donc
1. que les 3 soient re cus = p(A B C) = p(A) p(B) p(C) = 0, 7 0, 4 0, 6 = 0, 168
2. que les trois echouent = p(

A

B

C) = 0, 3 0, 6 0, 4 = 0, 072
3. que A seulement soit re cu = p(A

B

C) = 0, 7 0, 6 0, 4 = 0, 168
4. quun seul reussise = p(A

B

C) + p(

A B

C) + p(

A

B C) = 0, 7 0, 6 0, 4 + 0, 3
0, 4 0, 4 + 0, 3 0, 6 0, 6 = 0, 324
5. que B soit le seul à echouer = p(A

B C) = 0, 7 0, 6 0, 6 = 0, 252
6. quexactement deux soient recus = p(A B

C) +p(A

B C) +p(

A B C) = 0, 7 0, 4
0, 4 + 0, 7 0, 6 0, 6 + 0, 3 0, 4 0, 6 = 0, 436
7. quau moins un soit recu = 1 p(

A

B

C) = 1 0, 072 = 0, 928
Solution 3.12 1. P(B R) = p(B) p(B/R) =
3
x
x 3x 1 =
1
4
On se ramène donc à resoudre
x
2
13x + 36 = 0 dont les racines sont 4 et 9. Il y a soit 4, soit 9 boules dans lurne.
2. p(B R) = p(B) p(R) =
3
x
x3
x
=
1
4
. On se ramèn donc à resoudre x
2
12x +36 = 0 qui na
quune racine : x = 6. Il y a donc 6 boules dans lurne.
Solution 5.1 1. nombres de resultats possibles : 4
3
= 64
20 : il ny a quun cas possible donc une probabilite de
1
64
(b) La première boule tiree porte le numero 30 et la deuxième le numero 20 : il y a 4 choix pour
la troisième boule, donc 4 cas possibles, do` u une probabilite de
4
64
=
1
16
(c) La deuxième boule porte le numero 20 : il y a 4 choix pour la 1ère boule et 4 pour la 3ème
do` u 4 4 = 16 cas possibles et une probabilite de
16
64
=
1
4
Solution 5.2 1. nombres de resultats possibles : 4 3 2 = 24
20 : il ny a quun cas favorable donc une probabilite de
1
24
(b) La première boule tiree porte le numero 30 et la deuxième le numero 20 : il y a 2 possibilites
pour la troisième boule do` u une probabilite de
2
24
=
1
12
(c) La deuxième boule porte le numero 20 : il y a 3 choix pour la 1ère boule (10, 30 ou 40) et 2
pour la 3ème boule, soit une probabilite de
32
24
=
1
4
.
Solution 5.3 1. nombre de resultats possibles : C
3
4
= 4
2. Quelle est la probabilite davoir un resultat dans lequel gure le nombre 20 :
3
4
3. Quelle est la probabilite davoir un resultat dans lequel gurent les nombres 30 et 40 :
1
2
Solution 5.4 Regardons quelles sont les probabilites dapparition de ces valeurs :
de 1
de 2
1 2 3 3
1 2 3 4 4
2 3 4 5 5
2 3 4 5 5
2 3 4 5 5
Si on appelle X la variable aleatoire somme des deux des, on a donc
x
i
2 3 4 5
P(X = x
i
)
1
16
4
16
5
16
6
16
On sinteresse dabord à lesperance :
1. Partie 1 : les gains possibles sont 5, 1 et 1 euros. On note Z
1
la variable aleatoire gain du joueur.
On a le tableau suivant
x
i
5 1 1
p(Z
1
= x
i
)
1
16
9
16
6
16
Lesperance de cette variable aleatoire est donc E(Z
1
) = 5
1
16
+ 1
9
16
+ (1)
6
16
= 0, 5.
2. Partie 2 : les gains possibles sont 50, 2 et 10 euros. On note Z
2
la variable aleatoire gain du
joueur. On a le tableau suivant
x
i
50 2 10
p(Z
1
= x
i
)
1
16
9
16
6
16
Lesperance de cette variable aleatoire est donc E(Z
1
) = 50
1
16
+ 2
9
16
+ (10)
6
16
= 0, 5.
On observe que les esperances sont egales, mais le risque est aussi lie à lecart existant entre lesperance
de la variable aleatoire et les valeurs prises par cette variable. On sinteresse maintenant à lecart-type :
V (Z
1
) = 5
2
1
16
+ 1
2
9
16
+ (1)
2
6
16
(0, 5)
2
= 2, 25
(Z
1
) =
_
V (Z
1
) = 1, 5
V (Z
2
) = 50
2
1
16
+ 2
2
9
16
+ (10)
2
6
16
(0, 5)
2
= 195, 75
(Z
2
) =
_
V (Z
2
) 14
Lecart-type est plus grand dans le deuxième cas, ce qui signie que les valeurs de gains sont plus
espacees pour le deuxième jeu.
`
A chacun de choisir le jeu suivant son gout du risque ...
Solution 5.5 Soit V levenement le feu est vert et

V levenement le feu nest pas vert (ie le feu est
orange ou rouge).
1. p(V ) =
40
60
=
2
3
2. p(V
3
) = C
3
5
p(V )
3
p(
V )
2
=
80
243
3. La loi de probabilite est :
x 0 1 2 3 4 5
p(X = x)
1
243
10
243
40
243
80
243
80
243
32
243
et donc
E(X) =
5
i=0
xp(X = x) = 0
1
243
+ 1
10
243
+ 2
40
243
+ 3
80
243
+ 4
80
243
+ 5
32
243
=
10
3
Solution 5.6 1. Pour tout x R, f(x) 0 et de plus,
_
+
f(x) dx =
_
1
0
xdx +
_
2
1
(x + 2) dx =
_
x
2
2
_
1
0
+
_
x
2
2
+ 2x
_
2
1
= 1
2.
E(X) =
_
+
xf(x) dx =
_
1
0
x
2
dx +
_
2
1
x(x + 2) dx =
_
1
3
x
3
_
1
0
+
_
1
3
x
3
+x
2
_
2
1
= 1
et
E(X
2
) =
_
+
x
2
f(x) dx =
_
1
0
x
3
dx +
_
2
1
x
2
(x + 2) dx
=
_
1
4
x
4
_
1
0
+
_
1
4
x
4
+
2
3
x32
_
2
1
=
7
6
V (X) = E(X
2
) E(X)
2
=
1
6
(X) =
_
V (X) 0, 408
3.
p(0, 5 < X < 1, 32) =
_
1,32
0,5
f(x) dx =
_
1
0,5
xdx +
_
1,3
1
(x + 2) dx = 0, 63
Solution 5.7 1.
_
+
f(x) dx = 18k donc il faut que k =

1
18
2. E(X) = 0 et V (X) = 2 donc (X) =
2
3. p(1 < X < 2) =
7
12
et p(X 3) =
1
36
Solution 6.1 Soit X le nombre de personne en retard. X suit la loi B(100 ;0,06) do` u p(X = 0) =
C
0
100
0, 06
0
0, 94
100
= 0, 002.
Solution 6.2 On eectue un seul tirage donc n = 1.
x p(x)
0 (echec) q = 1 p
1 (succès) p
donc E(X) = 0 q + 1 p = p et V (X) = pq
Solution 6.3
x p
oui 1
1
6
non 0
5
6
La probabilite davoir 4 reussites est C
4
10
p
4
q
6
= C
4
10
_
1
6
_
4
_
5
6
_
6
= 0, 0542 = 5, 42%.
Solution 6.4 1. Il y a 20 stagiaires. On veut en choisir 3. Cela revient à chosir 3 elements parmi
20. Cest donc le nombre de combinaisons de 3 elements parmi 20. Le nombre de choix possibles
pour les groupes de 3 est donc : C
3
20
=
20!
3!17!
= 1140.
2. A est levenement les 3 stagiaires pratiquent des activites dierentes.
Comme on suppose quil y a equiprobabilite des choix des stagiaires, on a : P(A) =
Card(A)
1140
.
Si on appelle V lensemble des stagiaires qui seront inities à la planche à voile, P lensemble
des stagiares qui seront inities à la plongee et S lensemble des stagiaires qui seront inities au
ski nautique, un evenement elementaire appartient à A si et seulement il contient exactement
1 element de V , 1 element de P et 1 element de S. Comme Card(V ) = 7 , Card(P) = 8 et
Card(S) = 5, on obtient : Card(A) = 7 8 5 = 280. Donc P(A) =
280
1140
.
Levement B les 3 stagiaires pratiquent la meme activite correspond à choisir 3 stagiaires parmi
V ou P ou S. Comme Card(V) = 7, le nombre de choix de 3 elements de V est le nombre de
combinaisons de 3 elements parmi 7. De meme, le nombre de choix de 3 elements de P est le
nombre de combinaisons de 3 elements parmi 8 et le nombre de choix de 3elements de S est le
nombre de combinaisons de 3 elements parmi 5. Donc , on a : card(B) = C
3
7
+ C
3
8
+ C
3
5
= 101.
Do` u p(B) =
101
1140
.
Levenement C est au moins un des trois stagiaires pratique le ski nautique. Levenement contraire
de C est aucun des trois stagiaires ne pratique le ski nautique. Il correspond au choix de 3 stagiaires
parmi les 15 qui ne font pas de ski nautique. Son cardinal est alors : card(C) = C
3
15
= 455. Donc
card(C) = 1140 455 = 685 et p(C) =
685
1140
.
3. On sait quil y a chaque jour 1140 choix possibles de 3 stagiaires parmi les 20. Choisir un groupe
de 3 avec Christian revient à choisir Christian et 2 stagiaires parmi les 19 qui ne sont pas
Christian. Il y a 171 choix possibles de deux autres stagiaires. Cest le nombre de combinaisons
de 2 elements parmi 19. Parmi les 1140 groupes possibles de 3 stagiaires, il y a donc exactement
175 groupes qui contiennent Christian. La probabilite que Christian soit choisi un jour donne est
donc :
171
1140
= 0, 15.
Si on appelle X la variable aleatoire egale au nombre de fois que Christian est choisi durant le
sejour de 5 jours, X suit une loi binomiale de paramètre (n = 5 , p = 0,15 ). Donc, pour tout k
entier, on a :
p(X = k) = C
k
5
(0, 15)
k
(0, 85)
5k
En particulier, la probabilite de ne jamais choisir Christian durant le sejour est :
p(X = 0) = C
0
5
(0, 15)
0
(0, 85)
5
= (0, 85)
5
0, 4437
La probabilite de choisir exactement une fois Christian est :
p(X = 1) = C
1
5
(0, 15)
1
(0, 85)
4
= 5 (0, 15) (0, 85)
4
0, 3915
La probabilite de choisir au moins 2 fois Christian est : P(X 2). Or P(X 2) = 1 P(X =
0) P(X = 1). Les calculs precedents montrent bien alors que cette probabilite est inferieure à
0,2.
Solution 7.1 1. P(X = 0) = e
5
0, 0067
2. P(X = 4) =
5
4
4!
e
5
0, 1755
3. P(X > 6) = 1 P(X 6) 1 0, 7622 0, 2378
Solution 7.2 Compte tenu des hypothèses, le nombre de malades est ici regi par une loi binomiale de
paramètres n = 100 et p = 0,02. On a np = 2 et les conditions dapproximation par une loi de Poisson
sont realisees. Soit m la probabilite cherchee.
En utlisant la loi binomiale, on a 1 m = (0, 98)
100
+ 2 (0, 98)
99
0, 403. Soit m 0, 597.
En utilisant la loi de Poisson, on a Prob(X = k) = e
2
2
k
k!
, donc 1 m Prob(X = 0) +Prob(X =
1) = 0, 406 , soit m 0, 594. Lapproximation est donc ici excellente.
Solution 7.3 Soit X la variable aleatoire associee au nombre de pannes durant 25 jours ouvrables. Ces
25 epreuves sont identiques et independantes donc X suit une loi binomiale B(25 ;1/1000).
1. Calculer la probabilite pour une machine determine de tomber en panne au moins une fois au
cours des 25 jours ouvrables : p(X 1) = 1 p(X = 0) = 1 0, 999
25
0, 0247
2. Calculer la probabilite pour une machine determine de tomber en panne plus dune fois au cours
des 25 jours ouvrables : p(X > 1) = 1 ((p(X = 0) +p(X = 1)) = 1 (0, 999
25
+ 25 0, 001
0, 999
24
) 0, 0003
3. Soit Y la variable aleatoire associee au nombre de pannes pour 200 machines en 25 jours. Y suit
la loi binomiale B(5000 ;0,001). On lapproche la loi binomiale par la loi de Poisson de meme
moyenne np = 5000 0, 001 = 5 (on a bien n 30; p 0, 1 et np < 15). On en deduit
p(Y 4) = p(Y = 0) +p(Y = 1) +p(Y = 2) +p(Y = 3) +p(Y = 4)
= e
5
_
1 +
5
1!
+
5
2
2!
+
5
3
3!
+
5
4
4!
_
0, 4405
P(Y < 6) = P(Y 5) = e
5
_
1 +
5
1!
+
5
2
2!
+
5
3
3!
+
5
4
4!
+
5
5
5!
_
0, 6160
Solution 8.1 La variable aleatoire suit une loi normale de moyenne m = 9 et decart-type = 0, 4. On
pose T =
Q0,9
0,4
. T suit une loi normale centree reduite N(0,1).
1. Calculer la probabilite à 0,0001 près, quune personne prise au hasard
(a) ait un QI inferieur à 1 : Q < 1 T < 0, 25 et p(T < 0, 25) 0, 5987
(b) ait un QI inferieur à 0,1 : Q < 0, 1 T < 2 et p(T < 2) 0, 0228
(c) ait un QI superieur à 1,4 : Q > 1, 4 T > 1, 25 et p(T > 1, 25) 0, 1056
(d) ait un QI compris entre 0,8 et 1,3 : 0, 8 Q 1, 3 0, 25 T 1 et p(0, 25 T
1) 0, 4400.
2. En deduire le nombre e personnes dans un village de 1000 habitants
(a) ayant un QI inferieur à 1 : 599
(b) ayant un QI inferieur à 0,1 : 23
(c) ayant un QI superieur à 1,4 : 106
(d) ayant un QI compris entre 0,8 et 1,3 : 440
Solution 8.2 Le temps necessaire à un etudiant pour terminer une epreuve dexamen est une variable
aleatoire X normale, de moyenne 90mn et decart-type 15mn. On pose T =
X90
15
. T suit une loi
normale centree reduite N(0,1).
1. Combien detudiants N termineront lepreuve en moins de deux heures : X 120 T 2 et
p(X 12) = p(T 2) 0, 9772. Il y a aura donc N = 240 0, 9772 235 etudiants à nir en
deux heures.
2. Quelle devrait etre la duree D de lepreuve si lon souhaite que 200 etudiants puissent terminer
lepreuve ?
On veut p(X D) =
200
240
0, 8333. Daprès la table, on en deduit que T doit etre 0,97 ce qui
nous amène à D 104, 55.
Solution 8.3 1. On a
P(99, 45 X 100, 55) = P(
99, 45 100
0, 25
T
100, 55 100
0, 25
) = P(2, 2 T 2, 2)
= P(T 2, 2) P(T 2, 2) = P(T 2, 2) (1 P(T 2, 2))
= 0, 9861 (1 0, 9861) = 0, 9722
2. On cherche h tel que
P(100 h X 100 +h) = P(
h
0, 25
T
h
0, 25
) = 0, 95
= P(T
h
0, 25
) P(T
h
0, 25
) = P(T
h
0, 25
) (1 P(T
h
0, 25
))
= 2P(T
h
0, 25
) 1
P(T
h
0, 25
) =
0, 95 + 1
2
= 0, 975
h
0, 25
1, 9 h 0, 475
Echantillonnage et estimation 2 ESTIMATION

Deuxième partie
Echantillonnage
Generalement, nous obtenons les resultats statistiques par experience. Trois problèmes se posent
alors :
1. Quelle conance pouvons-nous avoir dans les valeurs statistiques considerees ?
2. Quelle est la loi de probabilite regissant ces resultats ?
3. Pouvons-nous determiner si deux ensembles de mesures dierents sont regis par la meme loi ?
Nous allons nous interesser à ces problèmes. Nous ne nous interesserons quà des echantillons de taille
signicative (ayant un eectif superieur à 30).
1

Echantillons
Proposition 1.1 Considerons une population ayant une certaine propriete avec une moyenne m et un
ecart-type . Soit X la variable aleatoire qui à tout echantillon aleatoire preleve avec remise et deectif
n xe, associe la moyenne de cet echantillon. Pour n susamment grand, X suit approximativement
la loi normale N(m,

n
).
Exercice 1.1 Une machine fabrique des disques pleins en grande quantite. La variable aleatoire qui,
à chaque disque tire au hasard, associe son diamètre suit la loi normale N(12, 8; 2, 1) (la moyenne vaut
12,8mm et lecart-type vaut 2,1mm).
1. Quelle loi suit la variable aleatoire X qui, à tout echantillon aleatoire non es=xhaustif de taille
n = 49, associe la moyenne des diamètres des disques de cet echantillon?
2. Determinez un intervalle centre en 12,8 tel que la variable aleatoire prenne ses valeurs dans cet
intervalle avec la probabilite 0,95
3. Determinez la taille que doit avoir un echantillon pour que la moyenne des diamètres des disques
preleves ne secarte pas de 12,8 de plus de 0,2mm avec une probabilite de 0,95.
2 Estimation
Cest le problème inverse de lechantillonnage : connaissant des renseignements sur un ou plusieurs
echantillons, on cherche à en deduire des informations sur la population totale.
Par exemple, à chaque election, on nous assène que tel candidat fera 23,4% des voix. Puis, le lendemain,
seulement 19,6%. Pourquoi cet ecart ? En fait, les nombres 23,4 et 19,6 nont aucun sens sils sont donnes
seuls. Evidemment, lorsquon interroge une partie de la population fran caise, il est impossible de savoir
ce que pense exactement toute la population. On nen obtient quune estimation. Et la precision de
lestimation varie en fonction du nombre de personnes interrogees.
Lorsque quun sondage realise auprès de n personnes donne comme resultat p% dintention de vote,
on peut trouver un intervalle [a, b], contenant p, tel que, avec un risque derreur inferieur à 5% par
exemple, le pourcentage reel dintention de vote est compris entre a et b.
Exemple 2.1 Pour le second tour dune election presidentielle, un sondage credite le candidat A de
53%. Est-on s ur pour autant quil va gagner ?
Les intervalles de conance, avec un risque derreur de 5%, dependent bien entendu du nombre n de
personnes interrogees.
Prenons lexemple dun institut de sondage qui, avant le second tour dune election presidentielle,
30 A. Fredet & J.-M. Gourdon - 2008 - 2009

interroge n electeurs. Parmi eux, 53% declarent quils vont voter pour le candidat A. Peut-il garantir
pour autant la victoire du candidat A avec un risque derreur inferieur ou egal à 5%. Il faut pour cela
que [50, 100] soit un intervalle de conance pour lestimation du paramètre Pourcentage de personnes
qui vont voter A. Ceci depend bien s ur de la taille de lechantillon interroge. Plus n est grand, meilleure
est lestimation.
Intervalle de conance
Lintervalle de conance est une forme de mesure de la conance que lon peut accorder à une
hypothèse concernant une valeur numerique mesuree, au vu de resultats de mesures de cette valeur.
Par denition, lintervalle de conance I() (au niveau de conance ) relatif à une mesure M
constatee, est lintervalle dans lequel, pour toute valeur p I(), P(M = p) > .
Plus le seuil de conance est eleve, plus lintervalle sera grand.
= 0, 99
99 chances sur 100 que la valeur du paramètre re-
cherche se trouve dans lintervalle de conance mais
la precision autour de la valeur predite est faible.
= 0, 95
cherche se trouve dans lintervalle de conance et la
precision autour de la valeur predite est correcte.
= 0, 90
cherche se trouve dans lintervalle de conance mais
la precision autour de la valeur predite est elevee.
Si on considère un niveau de conance , on commence par trouver t
tel que P(X t
) =
1+
2
. Soient
m et la moyenne et lecart-type de la population globale, et soient m
e
la moyenne de lechantillon,
e
son ecart-type et n leectif de lechantillon. Le chapitre precedent nous dit que m
e
suit la loi normale
N(m,

n
).
Cela signie que P(m
e
t
n
< m < m
e
+ t
n
) = . Cela implique donc que la moyenne m
appartient à lintervalle [m
e
t
n
; m
e
+t
n
] avec une probabilite de .
Denition 2.1 Lintervalle [m
e
+ t
n
, m
e
+ t
n
] est appelle intervalle de conance pour la
moyenne m au niveau de conance . Cest à dire quil contient la vraie moyenne m avec une probabilite
de .
Exemple 2.2 Supposons que le poids moyen trouve dans un echantillon de taille n = 100 preleve
aleatoirement soit m
e
= 10, 6.
Nous supposerons que est connu et vaut = 3. Sinon, comme on suppose que lechantillon est
susamment grand, il est acceptable de remplacer par lecart-type
e
de lechantillon Lintervalle de

conance est [m
e
+ 1, 96
e
100
, m
e
+ 1, 96
e
100
] = [10, 012; 11, 188]. On peut donc dire que lestimation
de m est 10, 6 0, 588 avec un niveau de conance de 95%.
Pour reduire lamplitude de lintervalle, il faut augmenter leectif de lechantillon.
Remarque 2.1 Si = 95% alors t
= 1, 96, si = 99% alors t
= 2, 58.
Le calcul de lintervalle de conance depend de la loi observee.
Proposition 2.1 Supposons que lon considère un echantillon de n personnes, et que lon cherche à
determiner les paramètres n et p dune loi binomiale. Supposons que n
e
et p
e
soient les paramètres de
lechantillon. Lintervalle est donne par
[p
e
t
_
p
e
(1 p
e
)
n
, p
e
+t
_
p
e
(1 p
e
)
n
]
Exercice 2.1 Un test de fonctionnement dun lot de 1000 ampoules donne 490 ampoules hors-service.
On souhaite determiner la probabilite p quune ampoule a detre en panne, ainsi quun intervalle de
conance 95%.
Dans le cas dune loi binomiale, p
e
est souvent inconnu. On le remplace alors par une valeur approxi-
mative (on verra au chapitre suivant comment trouver une telle valeur), ou par
1
2
qui nous donne un
intervalle damplitude xee.
Exercice 2.2 On desire estimer la proportion p de personnes qui se declarent favorables un certain
projet dans une population de taille importante.
1. Si lon a aucune idee idee a priori sur cette proportion, determinez le nombre de personnes à
interroger avec un niveau de conance de 99%, si lerreur destimation est xee 2% (cela signie
que lintervalle a une amplitude maximim de 0,02).
2. Finalement, on na interroge nalement que 1000 personnes et on a trouve une proportion de
53% des personnes pour le projet dans lechantillon. Proposez un intervalle de conance pour p
au niveau de conance de 99%
Proposition 2.2 Si on considère un echantillon de n personnes, et que cest une loi normale de
moyenne m, et si lon cherche un niveau de conance de alors on commence par trouver t
tel que
P(X t
) =
1+
2
. Lintervalle est donne par
[p
t
.m
n
, p +
t
.m
n
]
Exemple 2.3 Reprenons lexemple des elections presidentielles. La moyenne dun echantillon etant
inconnu, on va supposer que m = 50% (50% des personnes vont voter pour ce candidat).
Soit = 0, 95 dans ]0, 1[ le niveau de conance que lon souhaite. On cherche t
tel que P(X t
)) =
1+0,95
2
= 0, 975. On trouve t
= 1, 96. Un intervalle de conance est donne par

I = [53
1, 96 50
n
, 53 +
1, 96 50
2
n
]
Cela nous donne des intervzalles en fonction de n :
n = 100 [43, 2; 62, 8]
n = 1000 [49, 9; 56, 1]
n = 10000 [52; 54]
La première ligne signie quau terme dun sondage de 100 personnes, on peut armer avec un risque
derreur inferieur ou egal à 5% que le candidat A fera entre 43,2% et 63,8% des voix.
Echantillonnage et estimation 3 TEST DAJUSTEMENT

Estimation de la moyenne
Soient m et la moyenne et lecart-type de la population globale. Soient m
e
la moyenne de
lechantillon,
e
son ecart-type et n leectif de lechantillon. Deux cas peuvent se presenter :
1. m est inconnue, , m
e
et n sont connus :
Dans ce cas, lintervalle de conance de la moyenne m de la population avec le coecent de
conance est
[m
e
n
, m
e
+
t
n
]
2. m et sont inconnus, m
e
,
e
et n sont connus :
Dans ce cas, lintervalle de conance de la moyenne m de la population avec le coecient de
conance est
[m
e
.
e
n 1
, m
e
+
t
.
e
n 1
]
Exemple 2.4 Dans une population P de grand eectif, on prelève de manière non exhaustive, un
echantillon de 100 personnes dont on note la masse en kg :
masse 62 64 68 10 74
effectif 5 18 42 27 8
La moyenne et lecart-type de cet echantillon sont m
e
= 68kg et
e
= 3kg.
Lintervalle de conance de la moyenne m des masses des personnes de P au coecient de conance
95% est
m [68 1, 96
3
100 1
; 68 + 1, 96
3
100 1
] = [67, 4; 68, 6]
Exercice 2.3 Dans une station service, on suppose que le montant des chèques essence suit une loi
normale de paramètres m et s. On considère un echantillon de taille n = 50 et on obtient une moyenne
de 130
=
Cet un ecart-type de 28
=
C. Donner une estimation de m par un intervalle de conance au
niveau de conance 95%.
3 Test dajustement
Nous cherchons maintenant à determiner si des valeurs statistiques suivent une loi de probabilite.
Choix dun modèle
Soit une distribution statistique deectifs n
i
. On cherche à savoir quelle loi regit cette serie.
Exemple 3.1 On cherche à determiner si un de à 6 faces est non truque. Pour cela, on eectue 600
lancers. On obtient les resultats suivants :
face 1 2 3 4 5 6
nombre dapparitions n
i
96 95 109 98 106 96
Le de est-il truque ?
Pour cela, on denit un modèle (equirepartition, binomial, Poisson, normal,...) dont les probabilites
pour les evenements x
i
sont p
i
, avec des eectifs theoriques N
i
= N p
i
o` u N =
i
n
i
. On emet donc
une hypothèse sur la loi regissant cette serie.

Exemple 3.2 Si on reprend lexemple precedent du de à 6 faces. En 600 lancers, on devrait avoir les
resultats suivants :
face 1 2 3 4 5 6
nombre dapparitions theoriques N
i
100 100 100 100 100 100
Comparaison entre la theorie et la pratique
On sinteresse à lecart entre la theorie et la pratique : N
i
n
i
. Un grand ecart etant plus important
quun petit,on prend le carre de ces ecarts :(N
i
n
i
)
2
. Et enn, obtenir 95 alors quon attend 100,
ce nest pas la meme chose quobtenir 5 lorsquon attend 10. Il faut donc regarder lecart relatif. On
calcule
2
cal
=
i
(n
i
N
i
)
2
N
i
Exemple 3.3 Si on reprend lexemple precedent du de à 6 faces. En 600 lancers, on devrait avoir les
resultats suivants :
face 1 2 3 4 5 6
nombre dapparitions n
i
96 95 109 98 106 96
nombre dapparitions theoriques N
i
100 100 100 100 100 100
(Nini)
2
Ni
0, 16 0, 25 0, 81 0, 04 0, 36 0, 16
Donc
2
cal
= 1, 78.
Seuil de conance
On remarque que si
2
cal
= 0 alors pour chaque classe n
i
= N
i
et donc la variable suivrait exactement
la loi retenue comme modèle.
Plus la valeur numerique obtenue pour le
2
cal
sera elevee, plus lajustement eectue sera discutable.
Il faut donc se xer une mesure
2
T
à ne pas depasser. Cette mesure ne peut pas etre trop basse, sinon
toutes les hypothèses seraient rejetees (si on reprend lexemple, meme un de parfait non truque ne
tombera pas exactement 100 fois sur chaque face).
La valeur limite depend de la marge derreur que lon accepte. Si lon se xe comme valeur limite 0, on
peut raisonnablement penser que 100% des hypothèses exactes seront rejetees. Si lon se xe comme
valeur limite 2, on peut penser que 80% des hypoth`ses exactes seront rejetees, et ainsi de suite... Plus
la valeur limite sera grande, plus le pourcentage dhypothèses exactes et rejetees sera faible (mais plus
le nombre dhypothèses fausses et acceptees sera grand). Cette valeur limite
2
T
depend donc de la
probabilite que lon accepte de voir la mesure de
2
cal
la depasser alors que lhypothèse est exacte.
Cette probabilite sappelle le seuil de conance. Il est generalement xe à 5 %.
Degre de liberte
La valeur limite
2
T
depend egalement du nombre de classes considerees. Si on reprend lexemple
du de, le
2
cal
obtenu avec un de à 12 faces sera surement plus grand que le
2
cal
obtenu avec un de
à 6 faces. En eet, on ajoutera 12 valeurs positives
(Nini)
2
Ni
au lieu de 6... Cela sappelle le degre de
liberte.
Exemple 3.4 Dans notre cas, le degre de liberte est 5 (on peut choisir 5 valeurs de lancers, la sixième
est determinee automatiquement car la somme doit faire 600).

Plus generalement, le degre de liberte est egal à la dierence entre :
le nombre de valeurs que lon considère
le nombre de relations qui unissent ces nombres
Soit r le nombre de classes (toutes possedant au moins 5 unites). Le degre de liberte est
= r
_
_
_
1 si la loi est binomiale
2 si la loi est de Poisson
3 si la loi est normale
Decision nale
Cette valeur de
2
cal
est donc comparee à un
2
, dit
2
theorique (note
2
T
), fonction du modèle et
du nombre de donnees, lu dans la table suivante :
/p (seuil de conance)
(degre de liberte)
0, 90 0, 50 0, 10 0, 05 0, 02 0, 01 0, 001
1 0, 016 0, 455 2, 706 3, 841 5, 412 6, 635 10, 827
2 0, 211 1, 386 4, 605 5, 991 7, 824 9, 210 13, 815
3 0, 584 2, 366 6, 251 7, 815 9, 837 11, 345 16, 266
4 1, 064 3, 357 7, 779 9, 488 11, 668 13, 277 18, 467
5 1, 610 4, 351 9, 236 11, 070 13, 388 15, 086 20, 515
6 2, 204 5, 348 10, 645 12, 592 15, 033 16, 812 22, 457
7 2, 833 6, 346 12, 017 14, 067 16, 622 18, 475 24, 322
8 3, 490 7, 344 13, 362 15, 507 18, 168 20, 090 26, 125
9 4, 168 8, 343 14, 684 16, 919 19, 679 21, 666 27, 877
En consequence, si
2
cal
<
2
T
on adopte le modèle et sinon on rejette le modèle.
Exemple 3.5 Dans notre cas, avec un degre de liberte de 5 et un seuil de conance de 5%, le
2
T
vaut
11, 07. Notre
2
cal
est inferieure à
2
T
donc le de nest pas truque.
Exercice 3.1 Un correcteur rend ses 100 copies au secretariat dun concours de recrutement de pro-
fesseurs. Par souci dequite, la consigne est de noter les copies de manière telle que la distribution des
notes soit normale avec une moyenne de 10 et un ecart-type de 4. Le secretariat etablit la distribution
suivante :
Intervalles Moins de 4 De 4 à 8 De 8 à 12 De 12 à 16 De 16 à 20
Eectifs 8 25 45 10 12
La moyenne est 9,7 et lecart-type est 4,3. Au vu de ces resultats le responsable du concours convoque
le correcteur pour quil modie ses notes qui seraient trop nombreuses entre 4 et 8. Le correcteur fait
valoir que la moyenne et lecart-type sont approximativement ceux demandes et que les variations liees
à la repartition des copies en paquets de 100 expliquent sans doute la legère dierence entre son paquet
et la distribution demandee. Le correcteur a-t-il raison de refuser de revoir ses notes ?
Conditions dutilisation du
2
Certaines conditions sont necessaires pour appliquer cette methode : il faut notamment que chaque
classe ait un eectif dau moins 5 (sinon les eectifs sont trop petites pour etre signicatifs). Si ce nest
pas le cas, on regroupera certaines classes :

Exemple 3.6 Un vendeur de voiture a note le nombre de vehicules vendus durant une annee (200
jours de travcail)
x
i
nombre de vehicules 0 1 2 3 4
n
i
nombre de jours 76 72 34 12 6
On calcule la moyenne : x = 1 et la variance V (X) = 1, 06 qui est proche de 1. On peut donc penser
quune loi de Poisson de paramètre 1 peut approcher cette variable. On va utiliser le test du
2
pour
verier cette hypothèse. Dans ce cas,
p(X = i) = e
i!
= e
1
1
i!
x
i
0 1 2 3 4 5 et plus
n
i
76 72 34 12 6 0 200
p(X = i) 0, 368 0, 368 0, 184 0, 061 0, 015 0, 004 1
N
i
= N p(X = i) 73, 6 73, 6 36, 8 12, 2 3 0, 8 200
La classe 5 et plus est envisagee pour que

p(X = i) = 1. On ne veut considerer que des classes
deectifs plus grand que 5, il faut donc regrouper les 3 dernières :
x
i
0 1 2 3 et plus total
n
i
76 72 34 18 200
N
i
= N p(X = i) 73, 6 73, 6 36, 8 16 200
On a
2
=
4
i=1
(niNi)
2
Ni
0, 576. Dans la table, avec un degre de liberte de 2 et un seuil de 0,05, on
lit que
2
T
= 5, 991. On a donc
2
cal
<
2
T
et donc on accepte le modèle.
Exemple 3.7 Une entreprise dexploitation minière utilise une grande quantite de moteur quelle sou-
met ` a des conditions de travail dicile. Pour un type de moteur et un mode dutilisation determines,
la duree de vie dun moteur peut etre consideree comme une variable aleatoire. Pour determiner la loi
de probabilite, on dispose dun echantillon de 50 duree de vie de moteurs :
duree de vie
(en semestres)
nombres dobservations
0 à 8 0
8 à 9 2
9 à 10 5
10 à 10, 5 7
10, 5 à 11 11
11 à 11, 5 11
11, 5 à 12 6
12 à 13 7
13 à 14 1
50
Echantillonnage et estimation 4 COMPARAISON D
ECHANTILLONS
On considère donc le tableau suivant :
duree
(en semestres)
eectifs reels n
i
eectifs theoriques N
i
(niNi)
2
Ni
8 à 9
9 à 10
_
8 à 10
2
5
_
7
1, 3
7, 15
_
8, 45 0, 2488
10 à 10, 5 7 7, 405 0, 0221
10, 5 à 11 11 9, 14 0, 3785
11 à 11, 5 11 9, 12 0, 3875
11, 5 à 12 6 7, 355 0, 2496
12 à 13
13 à 14
_
12 à 14
7
1
_
9
7, 055
1, 27
_
8, 325 0, 0127
2
cal
= 1, 2992
Il y a 6 classes, et on va chercher à savoir si cette variable suit une loi normale donc le degre de liberte
= 6 3 = 3. Si on sinteresse à une probabilite de 5%, on lit que
2
T
= 7, 815, nombre limite cherche.
On a
2
cal
<
2
T
donc on adopte ce modèle.
Exercice 3.2 On considère le nombre de pièces defectueuses sur un lot de 100 pièces. En denissant
X comme etant le nombre de pièces defectueuses par lot de 100 pièces, on obtient le tableau suivant :
X 0 1 2 3 4 5 6 7 8 9
n
i
2 7 14 21 19 17 11 5 4 0 100 lots
Verier si cette production obeit à une loi binomiale B(100; 0, 04) ? à une loi B(100; 0, 03) ? à une loi
B(100; 0, 0392) ? une loi de Poisson de paramètre 4 ?
Exercice 3.3 On veut verier une machine ambaleuse de sacs de ciment ayant au moins un poids de
50kgs. On pèse 500 sacs et on obtient
poids nombre de sacs
< 45 35
45 47 53
47 49 76
49 51 100
51 53 88
53 55 78
55 57 42
> 57 28
500
Verier que lemballage des sacs suit une loi normale dont on precisera la moyenne et lecart-type (on
prendra 44 comme poids moyen des sacs de moins de 45 kg et 58 comme poids moyen des sacs de plus
de 57 kilos).
4 Comparaison dechantillons
Supposons que lon souhaite comparer un echantillon A à un echantillon B an de savoir sils suivent
la meme loi. Le problème dans ce cas, cest que lon manque de reference : il ne serait pas logique de
prendre lechantillon A comme reference, pas plus quil ne serait logique de prendre lechantillon B.
Il faut donc adopter une estimation, la meilleure possible des proportions qui nous interessent. Si lon
ECHANTILLONS
suppose que les deux echantillons proviennent de la meme population et suivent la meme loi, il parait
judicieux dutiliser toutes les informations dont nous disposons et de reunir ces populations. Cela nous
fournira une reference. On construit ainsi lhypothèse nulle qui, dans ce cas, ne depend ni dune loi
de probabilite, ni dune distribution de reference, les proportions des dierentes categories etant donc
conservees dune ligne à lautre. On calculera ainsi les eectifs theoriques correspondant aux critères
pour les populations A et B, et lon pourra alors utiliser le test du
2
.
Exemple 4.1
A B total
25 35 60
95 65 160
total 120 100 220
On calcule le tableau des eectifs theoriques :
A B total
60
220
120 = 32, 7 60 32, 7 = 27, 3 60
120 32, 7 = 87, 3 100 27, 3 = 72, 7 160
total 120 100 220
On a donc
2
cal
=
(25 32, 7)
2
32, 7
+
(35 27, 3)
2
27, 3
+
(95 87, 3)
2
87, 3
+
(65 72, 7)
2
72, 7
= 5, 48
On a calcule une seule frequence de reference, il ny a donc quun seul degre de liberte. La valeur du
2
cal
est de 5,48. Dans la table, avec un seuil e conance de 5 %, le
2
T
vaut 3,841 et avec un seuil
de conance de 1 % le
2
T
vaut 6,635. Les deux groupes se ressemblent donc signicativement si on
considère un seuil de conance de 5 % mais pas si on considère un seuil de conance de 1 %.
Exercice 4.1 On a etudie sur deux echantillons la repartition des quatre groupes sanguins : O, A, B,
AB. Les resultats obtenus sont reportes dans un tableau suivant, à deux lignes et quatre colonnes :
Groupe O A B AB Total
1 er echantillon 121 120 79 33 353
2 ème echantillon 118 95 121 30 364
Total 239 215 200 63 717
Ces deux echantillons proviennent-ils de la meme population?
Exercice 4.2 Pour lelection presidentielle, deux candidats sont en presence, S. R. et N. S. (pour ne
pas les nommer). Dans un village du Nord de la France, il y a 500 electeurs, dont 100 sont retraites,
50 sont chomeurs, et 350 sont actifs. Les resultats des elections sont (après decompte manuel) :
S.R. N.S. Blancs
Rentiers 35 10 5
Actifs 90 210 50
Retraites 70 23 7
Dans ce village, lopinion depend-elle de lappartenance à un groupe social ?
ECHANTILLONS
Exercice 4.3 Une etude a ete menee sur les facteurs pouvant inuer sur le port de la ceinture de
securite par les conducteurs et les passagers de voitures de tourisme et de vehicules utilitaires. On
sinteresse tout dabord à leet du type doccupation du vehicule (conducteur seul, conducteur +
passagers avant, conducteur + passagers arrière, conducteur + passagers avant et arrière) sur le port
de la ceinture par le conducteur. On dispose de 8374 observations concernant cette partie de letude.
Les donnees sont les suivantes :
Port ceinture non port de ceinture
Seul 2825 3468
Cond. + pass. avant 729 815
Cond. + pass. arrière 80 113
Cond. + pass. av. et arr. 168 176
Y-a-t-il un lien entre les deux variables Type doccupation et Port de la ceinture ?
Echantillonnage et estimation 5 SOLUTIONS DES EXERCICES

5 Solutions des exercices
Solution 1.1 1. X suit une loi normale N(12, 8;
2,1
49
) = N(12, 8; 0, 3).
2. On cherche t
tel que P(X t
)) =
1+0,95
2
= 0, 975. On trouve t
= 1, 96. Lintervalle est donc

[12, 8 1, 96 2, 1; 12, 8 + 1, 96 2, 1] = [8, 684; 16, 916].
3. On cherche n tel que 1, 96
2,1
n
0, 2. Il faut que n (1, 96
2,1
0,2
)
2
donc que n 424.
Solution 2.1 On a p
e
=
490
1000
et t
= 1, 96. On considère lintervalle [0, 49 1, 96

_
0,490,51)
1000
, 0, 49 +
1, 96
_
0,490,51)
1000
] = [0, 46; 0, 52]
Solution 2.2 Lamplitude de lintervalle est t
1
2
n
= 2, 58
1
2
n
. On veut 2, 58
1
2
n
0, 04, ce
qui implique que n (
2,58
20,02
)
2
, cest à dire n 4161. Il faudrait donc interroger 4160 personnes.
p [0, 53 2, 58
_
0,530,47
1000
; 0, 53 + 2, 58
_
0,530,47
1000
] = [0, 49; 0, 57]
Solution 2.3 m [130 1, 96
28
501
; 130 + 1, 96
28
501
] = [122, 16; 137, 84]
Solution 3.1 On calcule les eectifs de la distribution theorique obtenue en appliquant la loi normale
de moyenne donnee m et decart-type (dans lexemple m = 10 et = 4). Par exemple, pour trouver
leectif de la classe De 8 ` a 12, on calcule la probabilite quune note soit comprise entre 8 et 12 :
P(8 X 12) = P(X 12) P(X 8)
= P(T
12 10
4
) P(T
8 10
4
) = P(T 0, 5) P(T 0, 5)
= P(T 0, 5) (1 P(T 0, 5))
= 0, 6915 (1 0, 6915) = 0, 383
Il y a 100 copies, donc il devrait y avoir 100 = 38, 3. En procedant ainsi, on complète donc le tableau
suivant :
Intervalles Moins de 4 De 4 à 8 De 8 à 12 De 12 à 16 De 16 à 20
Eectifs theoriquesN
i
7, 3 24, 17 38, 29 24, 17 6, 06
Eectifs reels n
i
8 25 45 10 12
(Nini)
2
Ni
0, 07 0, 03 1, 17 8, 31 5, 82 15, 4
Le degre de liberte est = 53 = 2 donc
2
T
= 5, 991. On a
2
calc
>
2
T
donc on rejette le modèle et on
considère que les notes ne suivent pas une loi normale de moyenne 10 et decart-type 4. Le professeur
devrait revoir ses notes.
`
A titre anecdotique, on peut remarquer que lecart entre la theorie et la pratique est plus grand sur
lintervalle entre 16 et 20 que sur lintervalle moins de 4.

Solution 3.2
X n
i
B(100; 0, 04)
N
i
= 100C
100
x
p
x
(1 p)
100x
(niNi)
2
Ni
0
1
_
0 à 1
2
7
_
9
1, 69
7, 03
_
8, 72 0, 01
2 14 14, 5 0, 02
3 21 19, 73 0, 08
4 19 19, 94 0, 04
5 17 15, 95 0, 07
6 11 10, 52 0, 02
7
8
9
_
_
_
7 à 9
5
4
0
_
_
_
9
5, 89
2, 85
1, 90
_
_
_
10, 64 0, 25
100 lots 100
2
cal
= 0, 49
Le tableau comporte maintenant 7 lignes, et on teste une loi binomiale donc = 7 1 = 6 donc
2
T
= 12, 592. On a
2
calc
<
2
T
donc ce modèle est bon.
X n
i
B(100; 0, 03)
N
i
= 100C
100
x
p
x
(1 p)
100x
(niNi)
2
Ni
0
1
_
0 à 1
2
7
_
9
4, 76
14, 7
_
19, 46 5, 62
2 14 22, 52 3, 22
3 21 22, 75 0, 13
4 19 17, 06 0, 22
5 17 10, 13 4, 66
6 11 4, 96 7, 35
7
8
9
_
_
_
7 à 9
5
4
0
_
_
_
9
2, 06
0, 74
0, 32
_
_
_
3, 12 11, 08
100 lots 100
2
cal
= 32, 28
On a
2
cal
>
2
T
= 12, 592 donc on rejette le modèle.
X n
i
B(100; 0, 0392)
N
i
= 100C
100
x
p
x
(1 p)
100x
(niNi)
2
Ni
0
1
_
0 à 1
2
7
_
9
1, 83
7, 48
_
9, 31 0, 01
3 21 20, 14 0, 04
4 19 19, 92 0, 04
5 17 15, 6 0, 12
6 11 10, 08 0, 08
7
8
9
_
_
_
7 à 9
5
4
0
_
_
_
9
5, 52
2, 62
1, 7
_
_
_
9, 84 0, 07
100 lots 100
2
cal
= 0, 36

Ce modèle est très bon.
X n
i
P(4)
N
i
= 100 e
4 4
x
x!
(niNi)
2
Ni
0
1
_
0 à 1
2
7
_
9
1, 83
7, 33
_
9, 16 0
2 14 14, 65 0, 03
3 21 19, 54 0, 11
4 19 19, 54 0, 01
5 17 15, 63 0, 12
6 11 10, 42 0, 03
7
8
9
_
_
_
7 à 9
5
4
0
_
_
_
9
5, 95
2, 98
2, 13
_
_
_
11, 06 0, 39
100 lots 100
2
cal
= 0, 69
Le tableau comporte maintenant 7 lignes, et on teste une loi de Poisson donc = 7 2 = 5 donc
2
T
= 11, 07. Là encore, le modèle est bon.
Solution 3.3
poids n
i
= nombre de sacs x
i
= centre de classe n
i
x
i
ni(xim)
2
500
< 45 35 44 1540 3, 2178
45 47 53 46 2438 2, 4219
47 49 76 48 3648 1, 1247
49 51 100 50 5000 0, 1217
51 53 88 52 4576 0, 262
53 55 78 54 4212 1, 6175
55 57 42 56 2352 2, 2889
> 57 28 58 1624 2, 9191
total 500 25390 13, 9736
la moyenne est de
25390
500
= 50, 78 kilos et lecart-type est

13, 9736 3, 74. On peut donc penser que
les poids suivent une loi normale N(50, 78; 3, 74).
poids nombre de sacs
x
i
m
(t1 < < t2)

(t1) (t2) Ni = 500((t2) (t1))
< 45 35 < 1, 54 0 0, 06178 30, 89
45 < < 47 53 1, 54 < < 1, 01 0, 06178 0, 15625 47, 235
47 < < 49 76 1, 01 < 0, 48 0, 15625 0, 31561 79, 68
49 < < 51 100 0, 48 < < 0, 06 0, 31561 0, 52392 104, 155
51 < < 53 88 0, 06 < < 0, 6 0, 52392 0, 72575 100, 915
53 < < 55 78 0, 6 < < 1, 13 0, 72575 0, 87076 72, 505
55 < < 57 42 1, 13 < < 1, 66 0, 87076 0, 95154 40, 39
> 57 28 > 1, 66 0, 95154 1 24, 23
500 500
donc
2
cal
=
(35 30, 89)
2
30, 89
+
(53 47, 235)
2
47, 235
+
(76 79, 68)
2
79, 68
+
(100 104, 155)
2
104, 55
+
(88 100, 915)
2
100, 915
+
(78 72, 505)
2
72, 505
+
(42 40, 39)
2
40, 39
+
(28 24, 23)
2
24, 23
4, 306

On regarde le tableau du
2
T
avec = 8 3 = 5. On a
T
= 11, 07 et donc
2
cal
<
2
T
et on accepte le
modèle.
Solution 4.1 On utilise le tableau des eectifs theoriques suivants :
Groupe O A B AB Total
population globale
239
717
215
717
200
717
63
717
1 er echantillon
353
717
239 117, 7
353
717
215 105, 9
353
717
63 98, 5 353 (117, 7 + 105, 9 + 98, 5) = 31, 1 353
2 ème echantillon 239 117, 7 121, 3 215 105, 9 109, 1 200 98, 5 101, 5 364 (121, 3 + 109, 1 + 101, 5) = 32, 1 364
Total 239 215 200 63 717
on peut alors calculer
2
cal
=
(121 117, 7)
2
117, 7
+
(120 105, 9)
2
105, 9
+
(79 98, 5)
2
98, 5
+
(33 31, 1)
2
31, 1
+
118 121, 3)
2
121, 3
+
(95 109, 1)
2
109, 1
+
(121 101, 5)
2
101, 5
+
(30 32, 1)
2
32, 1
11, 74
On a calcule trois frequences theoriques, le degre de liberte est donc 3. Avec un seuil de conance de 5
%, le
2
T
est de 7,815 donc
2
cal
>
2
T
et on rejette lhypothèse. Cela signie que les deux echantillons
ne proviennent pas de la meme population.
Solution 4.2 On complète le tableau precedent :
S.R. N.S. Blancs
Rentiers 35 10 5 50
Actifs 90 210 50 350
Retraites 70 23 7 100
195 243 62 500
On en deduit la repartition theorique dans le cas o` u les votes sont independants :
S.R. N.S. Blancs
Rentiers
19550
500
= 19, 5
24350
500
= 24, 3 50 (19, 5 + 24, 3) = 6, 2
Actifs
195350
500
= 136, 5
243350
500
= 170, 1 350 (136, 5 + 170, 1) = 43, 4
Retraites
195100
500
= 39
243100
500
= 48, 6 100 (39 + 48, 6) = 12, 4
On a donc
2
calc
=
(19, 5 35)
2
19, 5
+
(24, 3 10)
2
24, 3
+ +
(12, 4 7)
2
12, 4
= 87, 649
On a (3 1) (3 1) = 4 degres de liberte. Pour un test au niveau 5%, on lit par consequent dans
la table une borne de rejet egale à
2
T
= 9, 488. La valeur observee etant superieure à
2
T
, on rejette
lhypothèse donc on conclut que le groupe social inue sur lopinion.
Solution 4.3 On complète le tableau precedent :
Seul 2825 3468 6293
Cond. + pass. avant 729 815 1544
Cond. + pass. arrière 80 113 193
Cond. + pass. av. et arr. 168 176 344
3802 4572 8374

On en deduit la repartition theorique dans le cas o` u il ny aurait pas de lien :
Seul 2
62933802
8374
2857, 18 6293 2857, 18 3435, 82 6293
Cond. + pass. avant
15443802
8374
701, 01 1544 701, 01 842, 99 1544
Cond. + pass. arrière
1933802
8374
87, 63 193 87, 63 105, 37 193
Cond. + pass. av. et arr. 3802 (2857, 18 + 701, 01 + 87, 63) 156, 18 344 156, 18 187, 82 344
3802 4572 8374
On a donc
2
calc
=
(2857, 18 2825)
2
2857, 18
+
(3435, 82 3468)
2
3435, 82
+ +
(187, 82 176)
2
187, 82
5, 56
On a (4 1) (2 1) = 3 degres de liberte. Pour un test au niveau 5%, on lit par consequent dans
la table une borne de rejet egale à
2
T
= 7, 815. La valeur observee etant superieure à
2
T
, on accepte
lhypothèse donc on conclut que le type de remplissage de la voiture ninue pas sur le port de la
ceinture.
Echantillonnage et estimation
Troisième partie
Tableur
Un tableur peut etre dune grande aide dans le calcul de statistiques et de probabilites, notamment
avec les fonctions suivantes :
Statistiques à une variable
MODE()
MAX()
MIN()
MEDIANE()
QUARTILE()
CENTILE()
MOYENNE()
MOYENNE.GEOMETRIQUE()
MOYENNE.HARMONIQUE()
VARIANCE()
ECARTYPE()
Graphiques
Graphiques
Courbe de tendance
Regression lineaire
COEFFICIENT.CORRELATION
DROITEREG
INDEX(DROITEREG())
ORDONNEE.ORIGINE
Combinatoire
COMBIN()
PERMUTATION()
Probabilites
LOI.BINOMIALE() LOI.POISSON() LOI.NORMALE()
Intervalle de conance
INTERVALLE.CONFIANCE()
Test dajustement
TEST.KHIDEUX() LOI.KHIDEUX() KHIDEUX.INVERSE()

Probabilité - Échantillonage

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Probabilité - Échantillonage

Transféré par

Droits d'auteur :

Formats disponibles

Probabilites -

. La loi de distribution de t est alors

. T suit alors une loi N(0,1). On a

f(t)dt, cest-`-dire P(T > ) = 1P(T

T) = 0, 112. On en deduit que p

f(x) dx = 18k donc il faut que k =

Echantillonnage et estimation 2 ESTIMATION

Echantillonnage et estimation 2 ESTIMATION

tel que P(X t

Echantillonnage et estimation 2 ESTIMATION

= 1, 96, si = 99% alors t

tel que P(X t

= 1, 96. Un intervalle de conance est donne par

Echantillonnage et estimation 3 TEST DAJUSTEMENT

Echantillonnage et estimation 3 TEST DAJUSTEMENT

Echantillonnage et estimation 3 TEST DAJUSTEMENT

Echantillonnage et estimation 3 TEST DAJUSTEMENT

Echantillonnage et estimation 4 COMPARAISON D

Echantillonnage et estimation 4 COMPARAISON D

Echantillonnage et estimation 4 COMPARAISON D

Echantillonnage et estimation 5 SOLUTIONS DES EXERCICES

tel que P(X t

= 1, 96. Lintervalle est donc

= 1, 96. On consid`ere lintervalle [0, 49 1, 96

Echantillonnage et estimation 5 SOLUTIONS DES EXERCICES

Echantillonnage et estimation 5 SOLUTIONS DES EXERCICES

(t1 < < t2)

Echantillonnage et estimation 5 SOLUTIONS DES EXERCICES

Echantillonnage et estimation 5 SOLUTIONS DES EXERCICES

Vous aimerez peut-être aussi