Vous êtes sur la page 1sur 30

M3.5.

1 Statistiques
Corrigé TD2

v0.1

24 mars 2017
ENSIAS M3.5.1 – Statistiques Corrigé TD2

Exercice 1. Un commerçant propose à sa clientèle six articles électroménagers. Considé-


rons la population mère constituée par ces six articles codés wi (i ∈ 1, . . . , 6). Soit X
la variable qui représente “le nombre d’unités en stock de chaque article au moment
de l’inventaire”.
Ω w1 w2 w3 w4 w5 w6
X 0 1 2 3 0 1
(a) Déterminer la loi de probabilité de la variable aléatoire X. Calculer la moyenne
µ = E(X) et la variance σ 2 = V ar(X), ainsi que σ 4 et le moment centré
µ4 = E((X − µ)4 ).
(b) Dans cette population d’effectif N = 6, on tire avec remise des échantillons de
taille n = 2. X1 est le nombre d’unités en stock pour le premier article tiré et
X2 est le nombre d’unités en stock pour le second. On pose
1
X̄ = (X1 + X2 ).
2
Déterminer les valeurs prises par X̄ sur tous les échantillons possibles, en déduire
sa loi, calculer l’espérance empirique E(X̄) et la variance empirique V ar(X̄).
Vérifier les résultats théoriques du cours.
(c) On considère la statistique S 2 définie par

1∑ 2
1
2
S = (Xi − X̄)2 = (X12 + X22 ) − X̄ 2
2 i=1 2

Déterminer les valeurs prises par S 2 sur tous les échantillons de taille n = 2 ; en
déduire sa loi, son espérance et sa variance.

Exercice 2. Dans un pays, les statistiques font ressortir que 64% des ménages possèdent
une voiture de tourisme.
Quelle est la probabilité que sur un échantillon au hasard de 225 ménages, la propor-
tion de ceux qui possèdent une voiture soit :
(a) comprise entre 40% et 70%.
(b) supérieure à 60%.
(c) inférieure à 25%.

Exercice 3. Un dispositif de signalisation lumineuse comporte trois lampes ; celle qui


est en service est relayée automatiquement en cas de défaillance.
Quelle est la probabilité que l’ensemble fonctionne :
(a) plus de 5000 heures.
(b) mois de 4200 heures.
On sait que la durée de vie des lampes utilisées est une variable normale de moyenne
1500 heures et d’écart-type 150 heures.

v0.1 page 1 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

Exercice 4. Un paquet de tabac produit par la régie des Tabac a un poids moyen de
50 g et un écart-type de 2 g. En supposant que ce tabac soit livré par lots de mille
paquets ; quelle est la probabilité que la différence A − B entre les poids de deux lots
A et B excède 200 g ?

Exercice 5. Lors d’un concours radiophonique, on note X le nombre de réponses reçues


chaque jour. On suppose que X suit une loi normale de paramètres µ et σ. Durant
les 10 jours, on a obtenu
x1 = 200, x2 = 240, x3 = 190, x4 = 150, x5 = 220,
x6 = 180, x7 = 170, x8 = 230, x9 = 210, x10 = 210
Donner une estimation ponctuelle de µ et σ 2 .

Exercice 6. Soit (X1 , X2 , . . . , Xn ) un n-échantillon de loi de Bernoulli B(p) et soit



n
Sn
Sn = Xk , X̄n =
k=1 n

(a) Montrer que X̄n est un estimateur sans biais de p.


(b) On cherche à estimer la variance σ 2 = p(1 − p). On propose l’estimateur

Un = X̄n (1 − X̄n )

i. Calculer l’espérance et la variance de Sn .


ii. Montrer que Un est un estimateur biaisé de σ 2 .
iii. Donner un estimateur Vn sans biais de σ 2 , fonction de Un .

Exercice 7. À la veille d’une consultation électorale, on a interrogé cent électeurs consti-


tuant un échantillon au hasard. 54 d’entre eux ont déclaré avoir l’intention de voter
pour le candidat Y .
Entre quelle limite, au moment du sondage, avec une probabilité de 0.95, la proportion
du corps électoral favorable au candidat Y se situe-t-elle ?

Exercice 8. Dans un centre de recrutement, on a mesuré la taille de 400 conscrits. Pour


cet échantillon pris au hasard, la taille moyenne x̄ est égale à 172 cm et l’écart-type
estimé s est égal à 4 cm.
Construire un intervalle qui contienne avec une probabilité 0.99 la taille moyenne de
l’ensemble des conscrits de ce centre de recrutement.

Exercice 9. Si l’écart-type de la durée de vie d’un modèle de lampe électronique est


estimé à 100 heures, quelle doit être la taille de l’échantillon à prélever pour que
l’erreur sur l’estimation de la durée de vie moyenne n’excède pas 20 heures et avec
une probabilité
(a) de 95%.
(b) de 99%.

v0.1 page 2 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

Exercice 10. Une machine fabrique des rondelles en série. Le diamètre d est une va-
riable gaussienne dont l’écart-type est égale à 1 millimètre. On prélève au hasard
un échantillon de neuf rondelles. Les mesures des diamètres, en millimètre, sont les
suivantes :
20.1; 19.9; 20.0; 19.8; 19.7; 20.2; 20.1; 23.1; 22.8
(a) Construire un intervalle qui contienne avec une probabilité de 0.95 la moyenne
m de d.
(b) Même question en supposant que l’écart-type de d a une valeur inconnue.
(c) En utilisant les données numériques de (a), l’écart-type de d étant supposé in-
connu, construire un intervalle qui contienne avec une probabilité de 0.9 la va-
riance de d.

Exercice 11. Le chiffre d’affaire mensuel de l’entreprise TEX suit une loi normale de
moyenne µ inconnue, mais dont l’écart-type est évalué à 50 M Dh. Sur les 12 derniers
mois, la moyenne des chiffres d’affaire mensuels a été de 200 M Dh.
Donner une estimation de µ par intervalle de confiance au niveau 0.98.

Exercice 12. Dans une station-service, on suppose que le montant des chèques “essence”
suit une loi normale de paramètres µ et σ. On considère un échantillon de taille n = 50
et on obtient une moyenne de 130 Dh et un écart-type de 28 Dh.
Donner une estimation de µ par intervalle de confiance au niveau 0.95.

Exercice 13. Les salaires mensuels des employés d’une entreprise sont supposés suivre
une loi normale de paramètres µ et σ.
(a) Pour un échantillon de taille n = 10, on obtient une moyenne m = 6500 Dh
et un écart-type s = 900 Dh. Donner un intervalle de confiance au niveau 0.95
pour µ.
(b) Pour un échantillon de taille n = 100, on obtient une moyenne m = 6200 Dh
et un écart-type s = 850 Dh. Donner un intervalle de confiance au niveau 0.95
pour µ.

Exercice 14. On se propose d’étudier le corps électoral d’une région.


(a) Lors d’un sondage sur un échantillon de 200 personnes, on a recueilli 84 intentions
de vote en faveur du parti A. Soit p la proportion de votes pour A. Donner un
intervalle de confiance pour p au niveau 95%.
(b) Avec un second échantillon de 100 personnes, on a obtenu 45 intentions de vote
pour A. En réunissant les deux échantillons, donner un intervalle de confiance
pour p au niveau 95%.
(c) Déterminer la taille n de l’échantillon qui permet d’obtenir un intervalle de
confiance de largeur 0.02 sachant qu’une estimation ponctuelle de p a donné la
valeur 0.4.
(d) Pour mieux cerner la population votant pour A, on extrait un échantillon de n
personnes ayant l’intention de voter pour A. On suppose que l’âge des individus
suit une loi normale de paramètres µ et σ.

v0.1 page 3 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

i. Le premier échantillon de taille n = 15 a donné une moyenne d’âge de 45


ans et un écart-type de 10 ans. Donner un intervalle de confiance pour µ au
niveau 98%.
ii. Le second échantillon de taille n = 100 a donné une moyenne d’âge de 47
ans et un écart-type de 9 ans. Donner un intervalle de confiance pour µ au
niveau 98%.
iii. En gardant l’échantillon de taille 100, donner un intervalle de confiance pour
σ 2 au niveau 95%.

v0.1 page 4 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

Exercice 1. Un commerçant propose à sa clientèle six articles électroménagers. Considé-


rons la population mère constituée par ces six articles codés wi (i ∈ 1, . . . , 6). Soit X
la variable qui représente “le nombre d’unités en stock de chaque article au moment
de l’inventaire”.
Ω w1 w2 w3 w4 w5 w6
X 0 1 2 3 0 1
(a) Déterminer la loi de probabilité de la variable aléatoire X. Calculer la moyenne
µ = E(X) et la variance σ 2 = V ar(X), ainsi que σ 4 et le moment centré
µ4 = E((X − µ)4 ).

Solution.
La loi de probabilité de la variable aléatoire X est
k 0 1 2 3
P (X = k) 26 26 16 1
6
La moyenne est

3
µ = E(X) = k P (X = k)
k=0

A.N. :
7
µ=
6
La variance est
σ 2 = V ar(X) = E(X 2 ) − E(X)2

3
On a E(X 2 ) = k 2 P (X = k). A.N. : E(X 2 ) = 15
6
, donc
k=0

41 1681
σ2 = et σ 4 =
36 1296

On a

3
µ4 = E((X − µ)4 ) = (k − µ)4 P (X = k)
k=0

k k−µ (k − µ)4
0 − 76 2401
1296
1 − 16 1
1296
5 625
2 6 1296
11 14641
3 6 1296
A.N. :
3345
µ4 =
1296

v0.1 page 5 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

(b) Dans cette population d’effectif N = 6, on tire avec remise des échantillons de
taille n = 2. X1 est le nombre d’unités en stock pour le premier article tiré et
X2 est le nombre d’unités en stock pour le second. On pose
1
X̄ = (X1 + X2 ).
2
Déterminer les valeurs prises par X̄ sur tous les échantillons possibles, en déduire
sa loi, calculer l’espérance empirique E(X̄) et la variance empirique V ar(X̄).
Vérifier les résultats théoriques du cours.

Solution.
Les valeurs prises par X̄ sur tous les échantillons possibles sont
X1 \X2 w1 w2 w3 w4 w5 w6
1 3 1
w1 0 2
1 2
0 2
1 3 1
w2 2
1 2
2 2
1
3 5 3
w3 1 2
2 2
1 2
3 5 3
w4 2
2 2
3 2
2
1 3 1
w5 0 2
1 2
0 2
1 3 1
w6 2
1 2
2 2
1
La loi de X̄ est donc
1 3 5
xi 0 2
1 2
2 2
3
4 8 8 8 5 2 1
P (X̄ = xi ) 36 36 36 36 36 36 36
L’espérance empirique est

E(X̄) = xi P (X̄ = xi )
i

A.N. :
42 7
E(X̄) = =
36 6
et on a bien E(X̄) = E(X).
La variance empirique est

V ar(X̄) = E(X̄ 2 ) − E(X̄)2



On a E(X̄ 2 ) = x2i P (X̄ = xi ). A.N. : E(X̄ 2 ) = 69.5
36
, donc
i

20.5
V ar(X̄) =
36
σ2
et on a bien V ar(X̄) = avec n = 2.
n

v0.1 page 6 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

(c) On considère la statistique S 2 définie par

1∑ 2
1
S2 = (Xi − X̄)2 = (X12 + X22 ) − X̄ 2
2 i=1 2

Déterminer les valeurs prises par S 2 sur tous les échantillons de taille n = 2 ; en
déduire sa loi, son espérance et sa variance.

Solution.
Les valeurs prises par S 2 sur tous les échantillons de taille n = 2 sont
X1 \X2 w1 w2 w3 w4 w5 w6
1 9 1
w1 0 4
1 4
0 4
1 1 1
w2 4
0 4
1 4
0
1 1 1
w3 1 4
0 4
1 4
9 1 9
w4 4
1 4
0 4
1
1 9 1
w5 0 4
1 4
0 4
1 1 1
w6 4
0 4
1 4
0
La loi de S 2 est donc
1 9
xi 0 4
1 4
¯2 10
P (S = xi ) 36 36 3614 8 4
36
L’espérance empirique est

E(S 2 ) = xi P (S 2 = xi )
i

A.N. :
20.5
E(S 2 ) =
36
et on a bien E(S 2 ) = n−1
n
σ 2 avec n = 2.
La variance empirique est

V ar(S 2 ) = E(S 4 ) − E(S 2 )2



On a E(S 4 ) = x2i P (X̄ = xi ). A.N. : E(S 4 ) = 29.125
36
, donc
i

628.25
V ar(S 2 ) =
1296
n−1
et on a bien V ar(S 2 ) = ((n − 1) µ4 − (n − 3) σ 4 ) avec n = 2.
n3

v0.1 page 7 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

Exercice 2. Dans un pays, les statistiques font ressortir que 64% des ménages possèdent
une voiture de tourisme.
Quelle est la probabilité que sur un échantillon au hasard de 225 ménages, la propor-
tion de ceux qui possèdent une voiture soit :
(a) comprise entre 40% et 70%.

Solution.
Soit Fn la proportion des ménages qui possèdent une voiture de tourisme dans l’échan-
tillon. On a
1∑ n
Fn = Xi
n i=1
avec Xi ,→ B(p), ∀ 1 ≤ i ≤ n = 225 et p = 0.64 :

1 si le ie ménage possède une voiture de tourisme
Xi = 
0 sinon

On pose
Fn − E(Fn ) √ Fn − p
U= √ = n√
V (Fn ) p(1 − p)
Les Xi sont supposés indépendantes, et on a n ≥ 30, donc avec le TCL, U suit
approximativement la loi normale centrée réduite : U ,→ N (0, 1).
On a
√ 0.4 − p √ Fn − p √ 0.7 − p
P (0.4 ≤ Fn ≤ 0.7) = P ( n √ ≤ n√ ≤ n√ )
p(1 − p) p(1 − p) p(1 − p)
= P (a ≤ U ≤ b)
= Φ(b) − Φ(a)

avec Φ la fonction de répartition de la loi normale centrée réduite, et


√ 0.4 − 0.64
a= 225 √ = −7.5 et Φ(−7.5) ≃ 0
0.64(1 − 0.64)

√ 0.4 − p √ 0.7 − 0.64


b= n√ = 225 √ = 1.875 et Φ(1.875) ≃ 0.9696
p(1 − p) 0.64(1 − 0.64)
donc
P (0.4 ≤ Fn ≤ 0.7) = 96.96%

v0.1 page 8 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

(b) supérieure à 60%.

Solution.
On a
√ Fn − p √ 0.6 − p
P (Fn ≥ 0.6) = P ( n √ ≥ n√ )
p(1 − p) p(1 − p)
= P (U ≥ c)

avec
√ 0.6 − 0.64
c= 225 √ = −1.25
0.64(1 − 0.64)
donc
P (U ≥ c) = P (U ≤ −c) = Φ(−c)
et
Φ(−c) = Φ(1.25) = 0.8944
donc
P (Fn ≥ 0.6) = 89.44%

(c) inférieure à 25%.

Solution.
On a
√ Fn − p √ 0.25 − p
P (Fn ≤ 0.25) = P ( n √ ≤ n√ )
p(1 − p) p(1 − p)
= P (U ≤ d)
= Φ(d)

avec
√ 0.25 − 0.64
d= 225 √ = −12.2
0.64(1 − 0.64)
donc
Φ(d) = Φ(−12.2) ≃ 0
donc
P (Fn ≤ 0.25) ≃ 0%

v0.1 page 9 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

Exercice 3. Un dispositif de signalisation lumineuse comporte trois lampes ; celle qui


est en service est relayée automatiquement en cas de défaillance.
On sait que la durée de vie des lampes utilisées est une variable normale de moyenne
1500 heures et d’écart-type 150 heures.
Quelle est la probabilité que l’ensemble fonctionne :
(a) plus de 5000 heures.

Solution.
Soit Xi la durée de vie de la lampe i.
On a Xi ,→ N (1500, 150), et les Xi sont supposés indépendantes.

3
Soit Tn = Xi la durée de fonctionnement total.
i=1
√ √
On a Sn ,→ N (3 × 1500, 3 × 1502 ) = N (4500, 150 3).
Tn − 4500
Donc U = √ ,→ N (0, 1).
150 3
On cherche
Tn − 4500 5000 − 4500
P (Tn > 5000) = P ( √ > √ )
150 3 150 3
10
= P (U > √ )
3 3
10
= 1 − P (U ≤ √ )
3 3
10
= 1 − Φ( √ )
3 3

√ ) ≃ 0.9729, donc
On a Φ( 3103

P (Tn > 5000) = 2.71%

v0.1 page 10 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

(b) mois de 4200 heures.

Solution.
On a
Tn − 4500 4200 − 4500
P (Tn < 4200) = P ( √ < √ )
150 3 150 3
2
= P (U < − √ )
3
2
= 1 − P (U < √ )
3
2
= 1 − Φ( √ )
3

On a Φ( √23 ) ≃ 0.8759, donc

P (Tn < 4200) = 12.41%

Exercice 4. Un paquet de tabac produit par la régie des Tabac a un poids moyen de
50 g et un écart-type de 2 g. En supposant que ce tabac soit livré par lots de mille
paquets ; quelle est la probabilité que la différence A − B entre les poids de deux lots
A et B excède 200 g ?

Solution.
Soit Xi et Yi respectivement les tailles d’un paquet dans deux lots différents A et B.

n ∑
n
Le poids des lots est TA = Xi et TB = Yi avec n = 1000.
i=1 i=1
On cherche P (|TA − TB | > 200).
On a n ≥ 30 et les Xi sont supposés indépendantes,
√ donc avec le TCL, TA et TB
suivent approximativement la loi normale N (nm, σ n) avec m = 50 et σ = 2.
√ TA − TB
Alors TA − TB suit la loi normale N (0, σ 2n), et donc U = √ suit la loi
σ 2n
normale centrée réduite N (0, 1).
On a
|TA − TB | 200
P (|TA − TB | > 200) = P ( √ > √ )
σ 2n σ 2n
200
= P (|U | > √ )
σ 2n
En réarrangeant et en évaluant la valeur à partir de la table de la loi normale centrée
réduite, on trouve
P (|TA − TB | > 200) = 2.54%

v0.1 page 11 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

Exercice 5. Lors d’un concours radiophonique, on note X le nombre de réponses reçues


chaque jour. On suppose que X suit une loi normale de paramètres µ et σ. Durant
les 10 jours, on a obtenu
x1 = 200, x2 = 240, x3 = 190, x4 = 150, x5 = 220,
x6 = 180, x7 = 170, x8 = 230, x9 = 210, x10 = 210
Donner une estimation ponctuelle de µ et σ 2 .

Solution.
1∑ n
Un estimateur de µ est X̄ = Xi , donc une estimation ponctuelle de µ est
n i=1

1∑ n
2000
x̄ = xi =
n i=1 10

donc
x̄ = 200
1∑ n
2
Un estimateur de σ est S = 2
Xi2 − X̄ 2 , donc une estimation ponctuelle de σ 2
n i=1
est
1∑ n
407000
2
s = x2i − x̄2 = − 2002
n i=1 10
donc
s2 = 700

Exercice 6. Soit (X1 , X2 , . . . , Xn ) un n-échantillon de loi de Bernoulli B(p) et soit



n
Sn
Sn = Xk , X̄n =
k=1 n

(a) Montrer que X̄n est un estimateur sans biais de p.

Solution.
On a
Sn 1 1 ∑n
1∑ n
1∑ n
E(X̄n ) = E( ) = E(Sn ) = E( Xk ) = E(Xk ) = p=p
n n n k=1 n k=1 n k=1

donc X̄n est un estimateur sans biais de p.

v0.1 page 12 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

(b) On cherche à estimer la variance σ 2 = p(1 − p). On propose l’estimateur

Un = X̄n (1 − X̄n )

i. Calculer l’espérance et la variance de Sn .

Solution.
On a
E(Sn ) = E(nX̄n ) = nE(X̄n ) = np
et

n ∑
n ∑
n
V (Sn ) = V ( Xk ) = V (Xk ) = σ 2 = nσ 2
k=1 k=1 k=1

en supposant que les Xk sont indépendantes !

ii. Montrer que Un est un estimateur biaisé de σ 2 .

Solution.
On a

E(Un ) = E(X̄n − X̄n2 )


= E(X̄n ) − E(X̄n2 )
= E(X̄n ) − E(X̄n )2 + E(X̄n )2 − E(X̄n2 )
= E(X̄n )(1 − E(X̄n )) − V (X̄n )

Sn 1 σ2
avec V (X̄n ) = V ( ) = 2 V (Sn ) = . Donc
n n n
σ2 n−1 2
E(Un ) = σ 2 − = σ
n n

n−1 2 σ2
On a donc E(Un ) − σ = 2
σ −σ = − =
2
̸ 0, donc Un est un estimateur biaisé
n n
2
de σ .

iii. Donner un estimateur Vn sans biais de σ 2 , fonction de Un .

Solution.
Soit
n
Vn = Un
n−1
Vn est un estimateur sans biais de σ 2 , car
n−1 n−1 n
E(Vn ) = E(Un ) = × σ2 = σ2
n n n−1

v0.1 page 13 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

Exercice 7. À la veille d’une consultation électorale, on a interrogé cent électeurs consti-


tuant un échantillon au hasard. 54 d’entre eux ont déclaré avoir l’intention de voter
pour le candidat Y .
Entre quelle limite, au moment du sondage, avec une probabilité de 0.95, la proportion
du corps électoral favorable au candidat Y se situe-t-elle ?

Solution.
Soit 
1 si la ie personne compte voter pour Y
Xi =
0 sinon
la variable aléatoire qui suit la loi de Bernoulli de paramètre p, avec 1 ≤ i ≤ n = 100.
On cherche à estimer p par intervalle de confiance.
L’ESBVM de p est
1∑ n
p̂ = X̄ = Xi
n i=1
54
donc l’estimation ponctuelle de p dans l’échantillon est p̂ = 100
= 0.54.
Soit
√ X̄ − p
Z = n√
p(1 − p)
Les Xi sont supposés indépendantes et n ≥ 30, donc avec le TCL, Z suit approxima-
tivement la loi normale centrée réduite N (0, 1).
En posant
T = nX̄ = np̂
on a
T − np
Z=√
np(1 − p)
Soit uα le réel tel que
P (|Z| ≤ uα ) = 1 − α
avec α = 5%.
Pour trouver l’intervalle de confiance recherché, il suffit d’écrire |Z| ≤ uα sous la
forme r1 ≤ p ≤ r2 .



T − np
|Z| ≤ uα
⇐⇒ √ ≤ uα

np(1 − p)

(T − np)2
⇐⇒ ≤ u2α
np(1 − p)
⇐⇒ . . .
T2
⇐⇒ (n + u2α ) p2 − (2T + u2α ) p + ≤0
n
⇐⇒ r1 ≤ p ≤ r2

v0.1 page 14 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

avec r1 et r2 les racines de l’équation quadratique en p

T2
(n + u2α ) p2 − (2T + u2α ) p + =0
n
On a ( ( ))
T
∆ = ... = u2α u2α + 4T 1 −
n
donc √ ( )
u2α u2α
T
n
+ 2n
± uα 4n2
+ T
n2
1− T
n
r1,2 = . . . = u2α
1+ n

En négligeant uα devant n, on a
√ ( )
T T T
r1,2 = ± uα 1 −
n n2 n

p̂(1 − p̂)
= p̂ ± uα
n

Calculons uα . On a
α
P (|Z| ≤ uα ) = 1 − α ⇐⇒ P (Z ≤ uα ) = 1 −
2
On a 1 − α2 = 0.975, donc à partir de la table de la loi normale centrée réduite, on lit
uα = 1.96. A.N. :

0.54(1 − 0.54)
r1 = 0.54 − 1.96 = 0.442
100

0.54(1 − 0.54)
r2 = 0.54 + 1.96 = 0.638
100

donc un intervalle de confiance (asymptotique) de p au niveau de confiance de 95%


est
[r1 , r2 ] = [0.442, 0.638]

v0.1 page 15 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

Exercice 8. Dans un centre de recrutement, on a mesuré la taille de 400 conscrits. Pour


cet échantillon pris au hasard, la taille moyenne x̄ est égale à 172 cm et l’écart-type
estimé s est égal à 4 cm.
Construire un intervalle qui contienne avec une probabilité 0.99 la taille moyenne de
l’ensemble des conscrits de ce centre de recrutement.

Solution.
Soit
√ X̄ − m
T = n−1
S
On suppose que les Xi sont indépendantes, et on a n = 400 ≥ 30, donc avec le TCL
et le théorème de Fisher, T suit approximativement la loi de Student à n − 1 degrés
de liberté : T ,→ St(n − 1).
On cherche ε tel que

1 − α = P (|X̄n − m| ≤ ε)

√ X̄n − m √ ε

= P ( n − 1 ≤ n−1 )
S S
√ ε
= P (|T | ≤ n − 1 )
S
avec α = 0.01.
À partir de la table de la loi de Student, on lit la valeur tn−1,α = 2.5758 correspondant
à 1 − α = 0.99 et n = ∞.
√ ε s
On a tn−1,α ≃ n − 1 , donc ε = √ tn−1,α .
s n−1
4
A.N. : ε = √ × 2.5758 = 0.5158.
399
Donc un intervalle de confiance de m au niveau de confiance 0.99% est

[x̄ − ε, x̄ + ε] = [171.48, 172.52]

Exercice 9. Si l’écart-type de la durée de vie d’un modèle de lampe électronique est


estimé à 100 heures, quelle doit être la taille de l’échantillon à prélever pour que
l’erreur sur l’estimation de la durée de vie moyenne n’excède pas 20 heures et avec
une probabilité
(a) de 95%.

Solution.
Soit Xi la variable aléatoire qui représente la durée de vie de la ie lampe. On suppose
que l’écart-type est connu : σ = 100. On pose
√ X̄ − m
U= n
σ

v0.1 page 16 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

Les Xi sont supposés indépendantes et identiquement distribuées, et on suppose que


n ≥ 30, donc avec le TCL, U suit approximativement la loi normale centrée réduite :
U ,→ N (0, 1).
On cherche n tel que

P (|X̄ − m| ≤ 20) = 0.95


√ X̄ − m √ 20
⇐⇒ P (| n | ≤ n ) = 0.95
σ σ
√ 20
⇐⇒ P (|U | ≤ n ) = 0.95
σ
√ 20
⇐⇒ 2P (U ≤ n ) − 1 = 0.95
σ
√ 20
⇐⇒ P (U ≤ n ) = 0.975
σ
√ 20
⇐⇒ Φ( n ) = 0.975
σ
avec Φ la fonction de répartition de la loi normale centrée réduite.

À partir de la table, on trouve n 20
σ
= 1.96, soit

σ 2 100 2
n = (1.96 × ) = (1.96 × ) = 96.04
20 20
On prend donc n = 96 (et on vérifie que n est bien ≥ 30 pour valider l’application
du TCL).

(b) de 99%.

Solution.
On cherche n tel que

P (|X̄ − m| ≤ 20) = 0.99


⇐⇒ . . .
√ 20
⇐⇒ Φ( n ) = 0.995
σ

À partir de la table, on trouve n 20
σ
= 2.575, soit

σ 2 100 2
n = (2.575 × ) = (2.575 × ) = 165.7
20 20
On prend donc n = 166 (et on vérifie que n est bien ≥ 30 pour valider l’application
du TCL).

v0.1 page 17 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

Exercice 10. Une machine fabrique des rondelles en série. Le diamètre d est une va-
riable gaussienne dont l’écart-type est égale à 1 millimètre. On prélève au hasard
un échantillon de neuf rondelles. Les mesures des diamètres, en millimètre, sont les
suivantes :

20.1; 19.9; 20.0; 19.8; 19.7; 20.2; 20.1; 23.1; 22.8

(a) Construire un intervalle qui contienne avec une probabilité de 0.95 la moyenne m de
d.

Solution.
Soit Xi la variable aléatoire représentant la diamètre de la ie rondelle.
On a Xi ,→ N (m, σ). On pose

√ X̄ − m
U= n
σ
On a donc U ,→ N (0, 1).
On calcule la moyenne de l’échantillon

1∑ n
185.7
x̄ = xk = = 20.63
n k=1 9

On cherche ε tel que

1 − α = P (|X̄ − m| ≤ ε)
√ X̄ − m √ ε
= P (| n |≤ n )
σ σ
√ ε
= P (|U | ≤ n )
σ
donc
α √ ε
1− = P (U ≤ n )
2 σ
√ ε
= Φ( n )
σ

À partir de la table de la loi normale centrée réduite, on trouve uα = 1.96 correspon-


dant à 1 − α2 = 0.975.

On a donc uα = n σε , soit ε = √σn uα .
A.N. : ε = √1
9
× 1.96 = 0.653.
Alors un intervalle de confiance de m au niveau 95% est

[x̄ − ε, x̄ + ε] = [19.98, 21.29]

v0.1 page 18 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

(b) Même question en supposant que l’écart-type de d a une valeur inconnue.

Solution.
On pose
√ X̄ − m
T = n−1
S
Dans l’échantillon, on a

1∑ n
3845.65
s2 = x2i − x̄2 = − 20.632 = 1.56
n k=1 9

donc s = 1.56 = 1.249.
Avec le théorème de Fisher, on a T ,→ St(n − 1).
On cherche ε tel que

1 − α = P (|X̄ − m| ≤ ε)
√ X̄ − m √ ε
= P (| n − 1 |≤ n−1 )
S S
√ ε
= P (|T | ≤ n − 1 )
S

À partir de la table de la loi de Student, on trouve tn−1,α = 2.3060 correspondant à


n − 1 = 8 et 1 − α = 0.95.

On a donc n − 1 sε = tn−1,α , donc ε = √n−1
s
tn−1,α .
A.N. : ε = 1.249

8
× 2.3060 = 1.018.
Donc un intervalle de confiance de m au niveau 95% est

[x̄ − ε, x̄ + ε] = [19.61, 21.65]

(On peut remarquer que cet intervalle est moins précis que le premier. C’est normal
puisque la connaissance de l’écart-type apporte plus de précision.)

(c) En utilisant les données numériques de (a), l’écart-type de d étant supposé inconnu,
construire un intervalle qui contienne avec une probabilité de 0.9 la variance de d.

Solution.
On pose
S2
Y =n
σ2
Avec le théorème de Fisher, on a Y ,→ χ2n−1 .
On a ∀ 0 < a < b, d’une part

P (a ≤ Y ≤ b) = Fχ2n−1 (b) − Fχ2n−1 (a)

avec Fχ2n−1 la fonction de répartition de la loi de khi-deux à n − 1 degrés de liberté.

v0.1 page 19 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

Et d’autre part,

S2
P (a ≤ Y ≤ b) = P (a ≤ n 2 ≤ b)
σ
n 2 n
= P ( S ≤ σ2 ≤ S 2)
b a
On équilibre les risques en choisissant a et b tels que
α α
Fχ2n−1 (b) = 1 − et Fχ2n−1 (a) = avec α = 0.10
2 2
de telle façon à avoir
n n α α
P ( S 2 ≤ σ 2 ≤ S 2 ) = (1 − ) − = 1 − α
b a 2 2
[ ]
donc nb s2 , na s2 est un intervalle de confiance de σ 2 au niveau de confiance de 90%.
On calcule a et b à partir de la table de la loi de khi-deux avec n − 1 = 8.
On trouve b = 15.51 correspondant à 1 − α2 = 0.95.
Et a = 2.73 correspondant à α2 = 0.05.
A.N. :
n 2 9
s = × 1.56 = 0.905
b 15.51
n 2 9
s = × 1.56 = 5.143
a 2.73
donc un intervalle de confiance à 90% pour σ est

[0.905, 5.143]

v0.1 page 20 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

Exercice 11. Le chiffre d’affaire mensuel de l’entreprise TEX suit une loi normale de
moyenne µ inconnue, mais dont l’écart-type est évalué à 50 M Dh. Sur les 12 derniers
mois, la moyenne des chiffres d’affaire mensuels a été de 200 M Dh.
Donner une estimation de µ par intervalle de confiance au niveau 0.98.

Solution.
Soit Xi la variable aléatoire représentant le chiffre d’affaire du ie mois.
On a Xi ,→ N (µ, σ). On suppose que l’écart-type est connu : σ = 50.
On pose
√ X̄ − m
U= n
σ
On a U ,→ N (0, 1).
Avec α = 0.02, on cherche ε tel que

1 − α = P (|X̄ − m| ≤ ε)
√ X̄ − m √ ε
= P (| n |≤ n )
σ σ
√ ε
= P (|U | ≤ n )
σ
donc
α √ ε
1− = P (U ≤ n )
2 σ
√ ε
= Φ( n )
σ

À partir de la table de la loi normale centrée réduite, on trouve uα = 2.326 corres-


pondant à 1 − α2 = 0.99.

On a donc uα = n σε , soit ε = √σn uα .
A.N. : ε = √5012 × 2.326 = 33.57.
Donc une estimation de µ par intervalle de confiance au niveau 0.98 est

[x̄ − ε, x̄ + ε] = [166.43, 233.57]

v0.1 page 21 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

Exercice 12. Dans une station-service, on suppose que le montant des chèques “essence”
suit une loi normale de paramètres µ et σ. On considère un échantillon de taille n = 50
et on obtient une moyenne de 130 Dh et un écart-type de 28 Dh.
Donner une estimation de µ par intervalle de confiance au niveau 0.95.

Solution.
Soit Xi la variable aléatoire représentant le montant du ie chèque. On a Xi ,→ N (µ, σ).
On a dans l’échantillon x̄ = 130 et s = 28.
Soit
√ X̄ − m
T = n−1
S
On a, avec théorème de Fisher, T suit la loi de Student à n − 1 degrés de liberté :
T ,→ St(n − 1).
Avec α = 0.05, on cherche ε tel que

1 − α = P (|X̄n − m| ≤ ε)

√ X̄n − m √ ε

= P ( n − 1 ≤ n−1 )
S S
√ ε
= P (|T | ≤ n − 1 )
S

À partir de la table de la loi de Student, pour trouver la valeur tn−1,α correspondant à


−2.0211
1−α = 0.95 et n−1 = 49, on fait une interpolation linéaire : tn−1,α
49−40
= 2.0086−2.0211
50−40
qui donne tn−1,α = 2.0098.
√ ε s
On a donc tn−1,α ≃ n − 1 , donc ε = √ tn−1,α .
s n−1
28
A.N. : ε = √ × 2.0098 = 8.04.
49
Donc un intervalle de confiance de µ au niveau de confiance 0.95 est

[x̄ − ε, x̄ + ε] = [121.96, 138.04]

v0.1 page 22 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

Exercice 13. Les salaires mensuels des employés d’une entreprise sont supposés suivre
une loi normale de paramètres µ et σ.
(a) Pour un échantillon de taille n = 10, on obtient une moyenne m = 6500 Dh et un
écart-type s = 900 Dh. Donner un intervalle de confiance au niveau 0.95 pour µ.

Solution.
Soit Xi la variable aléatoire représentant le salaire mensuel du ie employé.
On a Xi ,→ N (µ, σ). Soit
√ X̄ − m
T = n−1
S
On a, avec théorème de Fisher, T suit la loi de Student à n − 1 degrés de liberté.
Avec α = 0.05, on cherche ε tel que

1 − α = P (|X̄n − m| ≤ ε)

√ X̄n − m √ ε

= P ( n − 1 ≤ n−1 )

S S
√ ε
= P (|T | ≤ n − 1 )
S

À partir de la table de la loi de Student, on trouve la valeur tn−1,α = 2.2622 corres-


pondant à 1 − α = 0.95 et n − 1 = 9.
√ ε s
On a donc tn−1,α = n − 1 , donc ε = √ tn−1,α .
s n−1
900
A.N. : ε = √ × 2.2622 = 678.66.
9
Donc un intervalle de confiance de µ au niveau de confiance 0.95 est

[x̄ − ε, x̄ + ε] = [5821.34, 7178.66]

(b) Pour un échantillon de taille n = 100, on obtient une moyenne m = 6200 Dh et un


écart-type s = 850 Dh. Donner un intervalle de confiance au niveau 0.95 pour µ.

Solution.
On a √ ε
1 − α = P (|T | ≤ n−1 )
S
À partir de la table de la loi de Student, pour trouver la valeur tn−1,α correspondant à
−1.9867
1−α = 0.95 et n−1 = 99, on fait une interpolation linéaire : tn−1,α
99−90
= 1.9840−1.9867
100−90
qui donne tn−1,α = 1.9843.
On a donc ε = √n−1s
tn−1,α . A.N. : ε = √850
99
× 1.9843 = 169.52.
Donc un intervalle de confiance de µ au niveau de confiance 0.95 est
[x̄ − ε, x̄ + ε] = [6030.48, 6369.52]

(On trouve un intervalle plus précis, parce que l’échantillon est plus grand.)

v0.1 page 23 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

Exercice 14. On se propose d’étudier le corps électoral d’une région.


(a) Lors d’un sondage sur un échantillon de 200 personnes, on a recueilli 84 intentions de
vote en faveur du parti A. Soit p la proportion de votes pour A. Donner un intervalle
de confiance pour p au niveau 95%.

Solution.
Soit 
1 si la ie personne compte voter pour A
Xi =
0 sinon
la variable aléatoire qui suit la loi de Bernoulli de paramètre p, avec 1 ≤ i ≤ n = 200.
On cherche à estimer p par intervalle de confiance.
L’ESBVM de p est
1∑ n
p̂ = X̄ = Xi
n i=1
84
donc l’estimation ponctuelle de p dans l’échantillon est p̂ = 200
= 0.42.
Soit
√ X̄ − p
Z = n√
p(1 − p)
Les Xi sont supposés indépendants et n ≥ 30, donc avec le TCL, Z suit approxima-
tivement la loi normale centrée réduite N (0, 1).
En posant
T = nX̄ = np̂
on a
T − np
Z=√
np(1 − p)
Soit uα le réel tel que
P (|Z| ≤ uα ) = 1 − α
avec α = 5%.
Pour trouver l’intervalle de confiance recherché, il suffit d’écrire |Z| ≤ uα sous la
forme r1 ≤ p ≤ r2 .



T − np
|Z| ≤ uα
⇐⇒ √ ≤ uα

np(1 − p)

(T − np)2
⇐⇒ ≤ u2α
np(1 − p)
⇐⇒ . . .
T2
⇐⇒ (n + u2α ) p2 − (2T + u2α ) p + ≤0
n
⇐⇒ r1 ≤ p ≤ r2

v0.1 page 24 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

avec r1 et r2 les racines de l’équation quadratique en p

T2
(n + u2α ) p2 − (2T + u2α ) p + =0
n
On a ( ( ))
T
∆ = ... = u2α u2α + 4T 1 −
n
donc √ ( )
u2α u2α
T
n
+ 2n
± uα 4n2
+ T
n2
1− T
n
r1,2 = . . . = u2α
1+ n

En négligeant uα devant n, on a
√ ( )
T T T
r1,2 = ± uα 1 −
n n2 n

p̂(1 − p̂)
= p̂ ± uα
n

Calculons uα . On a
α
P (|Z| ≤ uα ) = 1 − α ⇐⇒ P (Z ≤ uα ) = 1 −
2
On a 1 − α2 = 0.975, donc à partir de la table de la loi normale centrée réduite, on lit
uα = 1.96. A.N. :

0.42(1 − 0.42)
r1 = 0.42 − 1.96 = 0.352
200

0.42(1 − 0.42)
r2 = 0.42 + 1.96 = 0.488
200

donc un intervalle de confiance (asymptotique) de p au niveau de confiance de 95%


est
[r1 , r2 ] = [0.352, 0.488]

v0.1 page 25 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

(b) Avec un second échantillon de 100 personnes, on a obtenu 45 intentions de vote pour
A. En réunissant les deux échantillons, donner un intervalle de confiance pour p au
niveau 95%.

Solution.
84+45
Les nouveaux paramètres sont n = 200 + 100 = 300 et p̂ = 300
= 0.43.
Il suffit de recalculer r1 et r2 :

0.43(1 − 0.43)
r1 = 0.43 − 1.96 = 0.374
300

0.43(1 − 0.43)
r2 = 0.43 + 1.96 = 0.486
300

donc un intervalle de confiance (asymptotique) de p au niveau de confiance de 95%


est
[r1 , r2 ] = [0.374, 0.486]

(L’intervalle est plus précis puisque l’échantillon est plus grand.)

(c) Déterminer la taille n de l’échantillon qui permet d’obtenir un intervalle de confiance


de largeur 0.02 sachant qu’une estimation ponctuelle de p a donné la valeur 0.4.

Solution.
La largeur de l’intervalle de confiance est

p̂(1 − p̂)
r2 − r1 = 2uα
n

On résout l’équation √
p̂(1 − p̂)
2uα = 0.02
x
avec p̂ = 0.4 et x réel. Alors le n cherché est : n = ⌈x⌉.
On a donc
2 2
x = p̂(1 − p̂)( uα )2 = 0.4 × (1 − 0.4) × ( × 1.96)2 = 9219.84
0.02 0.02
donc
n = 9220

v0.1 page 26 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

(d) Pour mieux cerner la population votant pour A, on extrait un échantillon de n


personnes ayant l’intention de voter pour A. On suppose que l’âge des individus suit
une loi normale de paramètres µ et σ.
i. Le premier échantillon de taille n = 15 a donné une moyenne d’âge de 45 ans et un
écart-type de 10 ans. Donner un intervalle de confiance pour µ au niveau 98%.

Solution.
Soit Ui la variable aléatoire représentant l’âge du ie individu de l’échantillon.
On a Ui ,→ N (µ, σ), ū = 45, et s = 10. Soit

√ X̄ − m
T = n−1
S
Avec le théorème de Fisher, T suit la loi de Student à n − 1 degrés de liberté.
Avec α = 0.02, on cherche ε tel que

1 − α = P (|Ū − m| ≤ ε)

√ Ū − m √ ε

= P ( n − 1 ≤ n−1 )
S S
√ ε
= P (|T | ≤ n − 1 )
S

À partir de la table de la loi de Student, on lit la valeur tn−1,α = 2.6245 correspondant


à 1 − α = 0.98 et n − 1 = 14.
√ ε s
On a donc tn−1,α = n − 1 , donc ε = √ tn−1,α .
s n−1
10
A.N. : ε = √ × 2.6245 ≃ 7.0.
14
Donc un intervalle de confiance de µ au niveau de confiance 98% est

[ū − ε, ū + ε] = [38, 52]

ii. Le second échantillon de taille n = 100 a donné une moyenne d’âge de 47 ans et un
écart-type de 9 ans. Donner un intervalle de confiance pour µ au niveau 98%.

Solution.
On a √ ε
1 − α = P (|T | ≤ n−1 )
S
À partir de la table de la loi de Student, pour trouver la valeur tn−1,α correspondant à
−2.3685
1−α = 0.98 et n−1 = 99, on fait une interpolation linéaire : tn−1,α
99−90
= 2.3642−2.3685
100−90
,
qui donne tn−1,α = 2.3646.
On a donc ε = √n−1s
tn−1,α . A.N. : ε = √999 × 2.3646 ≃ 2.1.
Donc un intervalle de confiance de µ au niveau de confiance 98% est
[ū − ε, ū + ε] = [44.9, 49.1]

v0.1 page 27 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

iii. En gardant l’échantillon de taille 100, donner un intervalle de confiance pour σ 2 au


niveau 95%.

Solution.
On pose
S2
Z=n
σ2
Avec le théorème de Fisher, on a Z ,→ χ2n−1 .
On a ∀ 0 < a < b, d’une part

P (a ≤ Z ≤ b) = Fχ2n−1 (b) − Fχ2n−1 (a)

avec Fχ2n−1 la fonction de répartition de la loi de khi-deux à n − 1 degrés de liberté.


Et d’autre part,
S2
P (a ≤ Z ≤ b) = P (a ≤ n 2 ≤ b)
σ
n 2 n
= P ( S ≤ σ2 ≤ S 2)
b a
On équilibre les risques en choisissant a et b tels que
α α
Fχ2n−1 (b) = 1 − et Fχ2n−1 (a) = avec α = 0.05
2 2
de telle façon à avoir
n n α α
P ( S 2 ≤ σ 2 ≤ S 2 ) = (1 − ) − = 1 − α
b a 2 2
[ ]
donc nb s2 , na s2 est un intervalle de confiance de σ 2 au niveau de confiance de 95%.
On ne peut pas utiliser directement la table de la loi de khi-deux pour calculer a et
b, puisqu’elle ne donne pas les valeurs correspondantes à n − 1 = 99.
Mais puisque le nombre de degrés de liberté est grand, on peut approximer χ2n−1 par
N (n−1, 2(n−1)). Dans ce cas, √ Z−(n−1)
suit approximativement la loi normale centrée
2(n−1)
réduite N (0, 1).
On a
α
1− = Fχ2n−1 (b)
2
= P (Z ≤ b)
Z − (n − 1) b − (n − 1)
= P( √ ≤ √ )
2(n − 1) 2(n − 1)
b − (n − 1)
= Φ( √ )
2(n − 1)

On trouve √
b−(n−1)
= 1.96 correspondant à 1 − α2 = 0.975, donc b = 1.96 × 2 × 99 +
2(n−1)
99 = 126.58.

v0.1 page 28 / 29 24-03-2017


ENSIAS M3.5.1 – Statistiques Corrigé TD2

On a de façon similaire
α
= Fχ2n−1 (a)
2
a − (n − 1)
= Φ( √ )
2(n − 1)
a + (n − 1)
= 1 − Φ(− √ )
2(n − 1)

ce qui donne
α a − (n − 1)
1− = Φ(− √ )
2 2(n − 1)

On trouve − √ a−(n−1)
= 1.96 correspondant à 1 − α2 = 0.975, donc a = −1.96 ×
√ 2(n−1)
2 × 99 + 99 = 71.42.
A.N. :
n 2 99
s = × 92 = 63.35
b 126.58
n 2 99
s = × 92 = 112.28
a 71.42
donc un intervalle de confiance à 95% pour σ est

[63.55, 112.28]

v0.1 page 29 / 29 24-03-2017

Vous aimerez peut-être aussi