Académique Documents
Professionnel Documents
Culture Documents
Id 8340 PDF
Id 8340 PDF
Les statistiques et les probabilités occupent une place importante dans l’enseignement de certaines
classes préparatoires. Les principales fonctions nécessaires pour travailler dans ce domaine se trouvent
dans les applications Calculs et Tableur & listes. L’application Données & statistiques permet
d’effectuer des représentations graphiques de données statistiques, l’application Graphiques &
géométrie ne permettant que la représentation de nuages de points. Des fonctions définies dans ce
chapitre vous permettront d’étendre les possibilités de votre unité nomade.
Sommaire
1. Les fonctions disponibles ................................................................................... 2
1.1 Où trouver ces fonctions............................................................................. 2
1.2 Remarque importante sur les calculs de variance et d’écart type........ 3
2. L’écriture de quelques fonctions utiles ............................................................. 5
2.1 Tableau de calcul, espérance, variance, écart type
d’une variable aléatoire discrète................................................................ 5
2.2 Texte des fonctions tab et espvar................................................................ 6
3. Utilisation en Statistiques : régression linéaire ............................................... 7
4. Lois discrètes usuelles........................................................................................ 9
4.1 Les différentes fonctions présentes sur la TI-Nspire.............................. 9
4.2 Ajout de fonctions ...................................................................................... 11
4.3 Exemple de calcul utilisant les lois géométriques................................. 12
5. Lois continues usuelles..................................................................................... 13
5.1 Utilisation directe de l’unité nomade TI-Nspire...................................... 13
5.2 Lois continues présentes sur la TI-Nspire.............................................. 14
5.3 Quelques résultats classiques sur les lois normales............................ 15
5.4 Approximations usuelles ........................................................................... 16
5.5 Estimations et intervalles de confiance .................................................. 20
5.6 Tests ............................................................................................................ 24
Le symbole ! permettant le calcul des factorielles est disponible à l’aide du raccourci clavier
/* et également dans la palette de symboles (/k) ligne 4.
ænö
Le nombre Cnp , que l’on note çç ÷÷÷ , se calcule par nCr(n, p), Anp par nPr(n, p) (resp. b53 et
çè p ø÷
b52).
Vous trouverez d’autres fonctions utiles : calcul de la moyenne (mean), du maximum, du minimum, de
la variance, ou encore de l’écart type des éléments d’une liste dans le menu Liste Maths accessible à
partir du menu Statistiques (b63).
Certaines fonctions statistiques sont également utilisables à partir de l’application Tableur & listes, on
accède à ces fonctions dans le menu Statistiques/Calculs statistiques (touches b41).
i =1
v=
n
Elle est donnée par la fonction varPop.
La fonction varSamp effectue le calcul à partir de la relation :
n
å( xi - x )
2
i =1
v=
n -1
qui donne un estimateur sans biais de s 2 , variance de la population d’où est tiré l’échantillon
{ x1 , x2 ,, xn } (voir page 20).
La situation est identique dans l’application Tableur & listes. La valeur affichée Sx correspond à la
valeur 10 / 2 , et la valeur de x correspond à la valeur 2 . Ajoutez une page (/I), choisissez
l’application Tableur & listes (b3). Entrez ensuite la liste dans la première colonne, puis ouvrez
le menu Statistiques à une variable (b411)
Il est possible de redimensionner les colonnes afin de les rendre plus lisibles. Sélectionnez une cellule
de la colonne à élargir, puis choisissez Redimensionner, Largeur des colonnes dans le menu contextuel
accessible par /b. Déplacez ensuite la limite droite à l’aide du curseur validez par ·.
Les fonctions statistiques travaillent ici en mode approché, alors que les fonctions varPop, stdDevPop,
varSamp, stdDevSamp font des calculs “exacts”.
2.1 Tableau de calcul, espérance, variance, écart type d’une variable aléatoire
discrète
1
Considérons par exemple la variable aléatoire définie par X (W) = {1,3,6,10} , p ( X = 1) = ,
6
1 1 1
p ( X = 3) = , p ( X = 6) = , p ( X = 10) = .
3 4 4
Nous allons placer les éléments définissant cette variable aléatoire dans une matrice x. La première
colonne contiendra les valeurs xi , la seconde les probabilités pi .
L’utilisation de sum (b635) faite dans le deuxième écran montre que la somme des
probabilités est égale à 1. Jusque-là, tout va bien. Construisons à présent la matrice contenant
également la colonne formée par les pi xi et celle formée par les pi xi2 .
Pour cela on peut utiliser une fonction tab dont vous trouverez la définition page 6 :
Une ligne contenant la somme des termes de chaque colonne a été ajoutée à la matrice. Cela peut
faciliter la construction du tableau de calcul de l’espérance et de la variance.
31 223
On peut, par exemple, y lire que E ( X ) =
6
( )
et E X 2 =
6
.
Pour calculer ces deux dernières, il suffit d’utiliser la fonction espvar, que vous trouverez également
au paragraphe suivant, qui utilise la fonction précédente pour retourner une liste formée par
l’espérance, la variance, et l’écart type. Vous pouvez retrouver ces résultats à l’aide de l’application
ì 1 1 1 1 üï
Tableur & listes, entrez dans la colonne A la liste {1,3,6,10} , dans la colonne B, la liste ï
í , , , ý.
ïîï 6 3 4 4 ïþï
b411, nombre de listes : 1, Liste des x1 : a[ ], Liste des fréquences : b[ ], on valide (voir
écran ci-dessous à gauche).
permet de faire apparaître cette fonction dans le catalogue, voir chapitre 15.
On pourrait l’écrire directement, mais on peut aussi utiliser la fonction tab précédente. Il suffit de
construire la matrice précédente et d’aller y chercher les informations utiles, c’est-à-dire les valeurs de
n n
å pi xi et de å pi xi2 , désignées par e x et e x 2 dans cette fonction.
i =1 i =1
Effectuer un ajustement à l’aide d’une régression linéaire, puis un ajustement à l’aide d’une fonction
exponentielle. Que peut-on en conclure ? Donner une estimation du stock en 2009.
Solution
On entre dans l’éditeur la liste des numéros des années et la liste des Qi.
lx = {1, 2,3, 4,5,6} , ly = {6400,7200,8700,10400,12600,15000} .
Pour représenter le nuage de points, on peut le faire sur la même page à l’aide de Graphe rapide que
vous trouverez dans le menu contextuel accessible par /b.
On peut aussi ajouter une page Graphiques & géométrie en utilisant c2, puis sélectionner Nuage
de points dans le menu contextuel. Il suffit ensuite d’entrer les deux listes : appuyer sur ·, choisir la
liste et valider, e pour passer à l’autre liste.
On valide, d, pour sortir de la ligne de saisie, /b49 pour choisir un zoom adapté aux
données. Effectuons une régression linéaire, /¡ pour revenir à la page précédente, puis
b413.
Pour avoir l’estimation du stock en 2009, il suffit de calculer f2(10), ce qui donne approximativement
29 926, alors que l’ajustement linéaire aurait donné 21 360 (f1(10)).
æ nö
On a p ( X = k ) = çç ÷÷÷ p k (1 - p )
n-k
pour tout k Î 0, n .
çèk ø÷
1
Si k est omis, binomPdf(n, p) (resp. binomCdf(n, p)) donne la liste des probabilités P X k (resp.
P X k ) pour k Î 0, n .
Il est possible de calculer par exemple la probabilité d’avoir 4 “pile” lorsqu’on lance 10 fois une pièce
de monnaie, et de vérifier que la somme des probabilités lorsque k varie de 0 à n est bien égale à 1.
Dans le second écran, on calcule la probabilité d’obtenir au plus 57 “pile” au cours de 100 lancers
( 0,93 ) et la probabilité d’obtenir au moins 57 “pile” au cours de 100 lancers ( 0,097 ).
Soit une expérience élémentaire dont l’issue est un succès ou un échec avec des probabilités
respectives p et q = 1 - p . On renouvelle cette expérience jusqu'à l’obtention d’un succès.
Cette loi caractérise le nombre d’expériences nécessaires pour obtenir le premier succès.
P ( X = k ) = p (1 - p ) k -1 , k Î *
1 q
E(X ) = et V ( X ) = 2
p p
syntaxe : geomPdf(p, k)
fonction de répartition : geomCdf(p,[ a,] b) donne P (a £ X £ b) , (par défaut a est égal à 1).
La fonction geomPdf permet par exemple de calculer la probabilité d’obtenir un “6” ou bout de 3
lancers d’un dé (non pipé). La fonction geomCdf permet dans l’exemple ci-dessous de calculer la
probabilité d’obtenir un “6” en au plus 10 lancers, puis en au plus 20 lancers et au moins 10.
Remarque : pour calculer la probabilité P ( X > k ) , on peut utiliser la formule :
P ( X > k ) = 1 - P ( X £ k ) = 1 - geomCdf ( p, k ) .
1 1- p
E(X )= et V ( X ) = 2 .
p p
lk
syntaxe : poissPdf(, k) donne P ( X = k ) = e-l , pour k Î
k!
fonction de répartition : poissCdf(,[ a,] b) donne P (a £ X £ b) . Par défaut a est égal à 0.
Voici les définitions des fonctions donnant la loi de probabilité (l) et la fonction de répartition (f) des
trois lois usuelles précédentes : binomiale, géométrique et Poisson :
Define LibPub lbinom(n,p,k)=nCr(n,k)*p^k*(1-p)^(n-k)
Define LibPub fbinom(n,p,k)=∑(lbinom(n,p,i),i,0,k)
Define LibPub lgeom(p,k)=p*(1-p)^(k-1)
Define LibPub fgeom(p,k)=∑(lgeom(p,i),i,1,k)
Nous allons calculer les probabilités P ( X = 2) et P ( X > 3) , puis calculer l’espérance et la variance.
Cela ne pose aucun problème en utilisant les fonctions décrites dans ce chapitre.
1. Calcul de P ( X = 2) et de P ( X > 3) = 1 - P ( X £ 3) (avec vérification).
(On a également fait un calcul direct de cette probabilité : X > 3 , ou encore X ³ 4 signifie que
les trois premiers essais ont été des échecs.)
3. Calcul de l’espérance.
ìïa e-a t t ³0
2. La loi exponentielle de paramètre a : d (t ) = ïí .
ïï0 t <0
î
La détermination des fonctions de répartition des deux premières ne pose pas de problème :
ìï0 t Î ]-¥, a ]
ïï
ït -a
1. La loi uniforme sur [ a, b ] : F (t ) = ïí t Î [ a, b ] .
ïï b - a
ïï
ïïî1 t Î [ b, + ¥[
ìï0 t Î ]-¥, 0]
2. La loi exponentielle de paramètre a > 0 : F (t ) = ïí .
ïï1 - e-a t t Î [ 0, + ¥[
ïî
On peut vérifier ce dernier résultat avec la calculatrice. On peut de la même façon calculer l’espérance
et la variance de cette loi, à condition de bien préciser le signe de a (écran de droite).
Des calculs de ce type pourront être faits de la même façon avec d’autres lois que vous rencontrerez
dans des exercices.
Vous retrouverez les fonctions concernant la loi uniforme et la loi exponentielle dans la bibliothèque
proba, téléchargeable sur le site www.univers-ti-nspire.fr.
Lien direct : http://www.univers-ti-nspire.fr/files/tns/proba.tns.
InvNorm permet de calculer la valeur x telle que P ( X £ x ) = a , a Î [ 0,1] , lorsque X suit la loi normale
de moyenne et d’écart type .
Syntaxe : invNorm( [, , ]).
Loi de Student à df degrés de liberté ( df Î * ).
tPdf (densité d’une loi de Student)
calcule la densité de probabilité de la loi de Student à df degrés de liberté en en un réel x spécifié. La
densité de probabilité est définie par :
-( df +1) 2
f ( x) =
(2
G((df +1) 2) 1 + x df )
G(df 2) p df
+¥
où G( x) = ò t x-1e-t dt
0
df
E ( X ) = 0 et V ( X ) = si df > 2
df - 2
syntaxe : tPdf(x, df)
fonction de répartition : tCdf(a, b, df) donne la probabilité P (a £ X £ b) .
avec : n = df1 et d = df 2 .
df 2
E(X ) = si df 2 > 2 et
df 2 - 2
æ df 2 ÷ö2 2(df1 + df 2 - 2)
V ( X ) = ççç ÷÷ si df 2 > 4 .
è df 2 - 2 ÷ø df1 (df 2 - 4)
E ( X ) = df et V ( X ) = 2 df
Exemple : représentation de la loi normale centrée réduite (trait épais) et des lois de Student de,
respectivement, 1 (trait fin) et 10 (en pointillés gras) degrés de liberté.
Pour la question 1, il suffit d’utiliser les fonctions normCdf, avec les bornes -1 , 1 puis -2 , 2 et les
paramètres m = 0 et s = 1 , car :
æ X -m ö
P (m - a.s £ X £ m + a.s ) = P çç-a £ £ a÷÷÷
çè s ø
Deuxième question.
X -m a æaö
P (m - a £ X £ m + a ) = 85 /100 équivaut à P ( X - m < a ) = P ( < ) 2 F çç ÷÷÷ -1 = 0.85
s s ç
ès ø
où F est la fonction de répartition de la loi normale centrée réduite. La fonction invNorm permet
d’obtenir le résultat : a 1.44 s .
On sélectionne les deux premières colonnes. /b8 (Graphe rapide) permet de représenter la
première loi, /#51 permet de modifier le partage d’écran et /b11 de régler la
fenêtre.
On voit bien que, pour ces valeurs des paramètres, l’approximation par la loi normale N (40, 24)
est bonne, alors qu’elle ne l’est pas par la loi de Poisson.
On peut également étudier un cas où la loi de Poisson donne une bonne approximation de la loi
binomiale. On colle dans la première colonne la liste lx définie par seq(x,x,0,100) (seq s’obtient dans le
catalogue, ou si l’on connaît la syntaxe peut être tapé directement), puis dans lr : binomPdf(100, 0.05) et
dans ls : poissPdf(5, lx). Plutôt que d’utiliser comme ci-dessus Graphe rapide, on insère une nouvelle
page avec l’application Graphiques & géométrie, ce qui permet d’avoir des représentations plus
lisibles et on définit les deux nuages de points (lx, lr), (lx, ls).
Exemple 1
On lance une paire de dés non pipés, X i représente la somme des deux nombres obtenus au i-ième
lancer. Déterminer le nombre de lancers pour que la moyenne des résultats X i diffère de 7 de moins
de 0,1 avec une probabilité supérieure à 0,95.
Les X i constituent une suite de variables indépendantes, de même loi de moyenne 7 et d’écart type
35
.
6
6n æ 6n ÷÷ö
P ( Fn - 7 < 0,1) = P ( Yn < 0,1 ⋅ ) 2 Fççç0,1 ⋅ ÷ -1
35 çè 35 ÷ø
où F est la fonction de répartition de la loi normale centrée réduite. Nous voulons donc trouver n tel
que :
æ 6n ÷÷ö æ 6n ö÷÷
2 Fççç0,1 ⋅ ç
÷÷ -1 ³ 0,95 , soit Fçç0,1 ⋅ ÷ ³ 0,975
çè 35 ø çè 35 ø÷
6n
On doit avoir 0,1 ⋅ ³ 1,96 , il suffit donc de
35
prendre n ³ 2241 .
Exemple 2 : Approximation de la loi hyper-géométrique par une loi binomiale, puis par une loi
normale
Un jour d’élections, dans une ville comptant 25 000 votants, 12 800 votent pour la municipalité
sortante. On dépouille 50 bulletins tirés au hasard parmi les 25 000. Quelle est la probabilité que, sur
cet échantillon, la majorité sortante soit minoritaire ? (Au maximum 24 bulletins favorables.)
On se trouve ici en présence d’une variable aléatoire suivant une loi hypergéométrique de paramètres
N 25 000 , p 12 800 / 25 000 et n = 50 .
Attention, si vous demandez un calcul exact, vous risquez d’obtenir un résultat totalement
inutilisable et un temps de calcul important. Il est préférable soit de valider par /·, soit de
mettre un point à la fin d’un des nombres (comme le montre l’écran précédent) pour que le
calcul se fasse en mode approché.
On peut comparer avec le résultat que l’on obtiendrait en prenant une loi binomiale de paramètres
n = 50 et p 12 800 / 25 000 :
Le résultat obtenu est très proche du précédent, ce qui est conforme à la théorie sur l’approximation
par une loi binomiale dans le cas où N > 10n .
On peut enfin effectuer une nouvelle approximation, en utilisant à présent une loi normale de
paramètres m = n p et s = np (1 - p ) , et en utilisant une correction de continuité.
On calcule P ( X £ 24,5) :
On peut voir que cette approximation est également satisfaisante, ce qui était prévisible puisque les
trois conditions que l’on impose en général pour ce type d’approximation : n ³ 30 , n p ³ 15 ,
n p (1 - p ) > 5 étaient bien toutes vérifiées.
Vous remarquerez que dans les conditions de l’exercice, un sondage sur un aussi petit nombre de
personnes risque de donner un résultat faux plus d’une fois sur trois.
Si (n, x , s ) sont les paramètres d’un échantillon pris au hasard, x est un estimateur sans biais de , par
n 2
contre s n’est pas un estimateur sans biais de , il faut prendre pour cela S défini par S 2 = s ,
n -1
1 n
soit S = å
n -1 j =1
( x j - x ) 2 (les x j étant les valeurs de X dans l’échantillon).
E( X ) = E( X ) = m
s
sX = dans le cas d’un tirage non exhaustif (avec remise)
n
s N -n
sX = dans le cas d’un tirage exhaustif (sans remise)
n N -1
N -n
Si N est grand 1 , on peut supposer le tirage non exhaustif,
N -1
si est inconnu on le remplace dans le calcul par son estimateur S.
Distribution d’échantillonnage des fréquences (ou proportions)
On se place dans le cas où le caractère X ne peut prendre que les valeurs 0 et 1 avec respectivement les
probabilités p et q = 1 - p . Soit F la variable prenant pour valeur la fréquence fi d’apparitions de
‘‘l’événement favorable’’ dans le i-ième échantillon.
E(F ) = p
pq
sF = dans le cas d’un tirage non exhaustif (avec remise)
n
pq N -n
sF = dans le cas d’un tirage exhaustif (sans remise)
n N -1
pq
Si N est grand s F , on peut supposer le tirage non exhaustif. Si p est inconnue on la
n
remplace par son estimation f, fréquence observée sur un échantillon, et n par n1, si n petit.
Exemple. On peut contrôler le résultat de l’exemple du paragraphe précédent. On utilise zInterval avec
35
l’option Stats et les paramètres s = , x = 7 , n = 2241 et C.Level = 0,95 . On retrouve bien
6
l’intervalle [ 6,9;7,1] .
pq pq N -n
Si le tirage est exhaustif on remplace par
n n N -1
pq f (1 - f )
si p est inconnue on remplace par son estimateur .
n n -1
Calcul des t
Si T suit la loi normale centrée réduite N (0,1) , notons ta 2 le réel positif tel que
P ( T £ ta 2 ) = 1 - a .
ta 2 peut être donné par la fonction InvNorm (b553) en prenant pour valeur de Area
1 - a 2 , voir le graphique ci-dessous.
Risque 0,5 % 1% 5% 10 %
Seuil
99,5 % 99 % 95 % 90 %
de confiance
1
ta 2 2,81 2,58 1,96 1,645
Pour un effectif faible ( n < 30 ) on peut procéder de la même façon pour calculer ta 2 en utilisant la
loi de Student. Par exemple au risque d’erreur de 5 % et pour 5 degrés de liberté ta 2 2,57 (voir
calcul ci-dessous).
vérification
La valeur est supérieure à celle donnée par la loi normale, ceci vient du fait que la distribution de
Student est plus aplatie.
5.6 Tests
1
t/2
X - m0
Si la valeur de est inférieure à ta 2 on accepte l’hypothèse H0 ;
sX
sinon on rejette l’hypothèse H0.
ta 2 est donné par la loi normale centrée réduite quand n ³ 30 et par la loi de Student à n -1 degrés
de liberté dans le cas contraire.
Test unilatéral à droite : on teste l’hypothèse nulle H0 : m = m0 et l’alternative m > m0 . Au seuil de
signification la zone de rejet est la partie grisée :
1
2
t est directement donné par invNorm (b653) ou invt (Student b656).
Prenons par exemple l’exercice 1 de la page 30 : p0 = 0,5 , l’hypothèse nulle H0 : prop = 0,5 , on
effectue un test bilatéral, Successes, x = 104, n = 200.
La valeur z étant inférieure à 1,96, au seuil de confiance de 95%, l’hypothèse H0 ne peut être rejetée.
s12 s2 2
Si n1 ³ 30 et n2 ³ 30 , s D = + , les si éventuellement remplacés par leur estimateur Si ,
n1 n2
D
sous l’hypothèse nulle H0 : m1 = m2 , la variable peut être assimilée à une variable normale
sD
centrée réduite.
1 1
Sinon, en supposant que s1 = s2 = s , s D = s + , pouvant être remplacé par son estimateur
n1 n2
Exemple 1. Une machine remplit des sachets dont le poids théorique moyen est de 170 mg. On
prélève un échantillon de 20 sachets de la production de cette machine, on obtient les résultats
suivants :
178, 170, 173, 173, 172, 172, 165, 173, 165, 169,
175, 170, 173, 168, 175, 171, 165, 174, 168, 180 ;
Cette fabrication est-elle conforme aux exigences au seuil de signification de 5% ?
Un sachet est refusé si son poids diffère du poids moyen de plus de 5 mg, la machine est considérée
comme étant bien réglée si la proportion de sachets refusés est inférieure à 10%.
La machine est-elle bien réglée ?
Vu les remarques faites précédemment on effectue un test bilatéral à l’aide de tTest
(b672), on choisit pour Méthode de saisie : Données, la liste des valeurs est contenue dans
L1, à l’aide de la fonction invt on calcule ta correspondant au seuil de signification de 5%.
On entre la liste dans la variable L1. tTest (b672) permet d’obtenir Sx qui donne une
estimation de l’écart type de la production. De plus, on a bien PVal > 0,05 , donc au seuil de
signification de 5% on accepte l’hypothèse H0 que la moyenne des sachets est bien 170 mg.
On suppose donc que le poids suit la loi normale N (170, 4.084) . La fonction normCdf permet de
calculer la probabilité que le poids soit compris entre 165 et 175 mg.
La probabilité que le paquet soit rejeté est donc de 22%. Conclusion : la machine est mal réglée.
Exemple 2. 20% des piles provenant d’une certaine fabrication peuvent fonctionner plus de 100
heures. Un traitement spécial appliqué à un échantillon de 100 piles a permis d’obtenir un
fonctionnement de plus de 100 heures pour 30 d’entre elles. L’amélioration apparente est-elle
significative au seuil de 5%, de 10% ?
Il s’agit de comparer deux proportions, on suppose que les valeurs sont normalement distribuées,
n = 100 > 30 , on utilise la loi normale, donc la fonction zTest_2Prop (b676 ou
b446).
L’hypothèse H0 : le nouveau traitement n’a pas amélioré la durée de vie des piles ( p1 = p2 ), est testée
contre l’hypothèse alternative p1 > p2 (test unilatéral à droite).
Au seuil de 5%, z est légèrement inférieur à t0,05 1,645 (ce qui équivaut à dire que p > 0,05 ), on ne
peut donc pas rejeter l’hypothèse H0, par contre au seuil de signification de 10% on peut la rejeter et
donc admettre que le nouveau traitement a amélioré la vie des piles.
Test du Khi 2
Il s’agit de comparer une distribution d’un caractère observé sur un échantillon donné et une
distribution théorique basée sur un modèle probabiliste. L’hypothèse nulle H0 consiste à supposer que
l’on a concordance des deux distributions.
2
r
(nk - npk )
On calcule cc = å2
, où nk est l’effectif observé possédant le caractère k, pk la
k =1 npk
probabilité théorique d’obtenir ce caractère, npk étant alors l’effectif théorique. La valeur de cc 2 sera
d’autant plus grande que les deux distributions diffèrent. Le nombre de degrés de liberté est égal à
r -1 .
Un seuil de signification étant fixé les tables usuelles du Khi 2 donne le nombre ca2 tel que
( ) ( )
P c 2 ³ ca2 = a . Par exemple pour 5 degrés de liberté si ca2 = 9, 236 , P c 2 ³ ca2 0,1 (voir ci-
dessous).
Pour obtenir ca2 directement à partir de à l’aide de la calculatrice, on utilise la fonction Inv χ 2
(b659), mais attention il faut entrer comme premier paramètre 1 - a et non , car Area
(
correspond à la probabilité P c 2 £ ca2 . )
Exercices
On obtient l’intervalle [ 0.45,0.59] , donc au risque d’erreur de 5%, (ou au niveau de confiance de
0.95), il n’est pas possible de dire que A sera élu, il en sera évidemment de même au risque de 1%, car
plus on diminue le risque plus l’intervalle est important, ici : [ 0.429,0.611] .
Pour être sûr que la borne inférieure de l’intervalle soit supérieure à 50% il suffit de prendre n tel que
0.52 ´ 0.48
0.52 - ta 2 ³ 0.5 , ta 2 = 1.96 pour a = 5% . Ce qui donne une taille d’échantillon de
n
2 400 personnes...
Liste Observée = {5650,3900, 450} , Liste attendue= {5500, 4000,500} (liste théorique), Deg de
liberté = 2 . On valide.