2020-2021, parcours IGE Université IBN ZOHR

FP de Ouarzazate
Solution de TD
Probabilités et Statistiques
Pr. Baiz Othmane & Pr. El ouali Mourad

Exercice 1. On place dans un sac 5 billets de 5 euros, 7 billets de 10 euros et 10 billets de 20 euros.
On choisit au hasard une poignée de 8 billets, chaque billet ayant la même probabilité d’être attrapé.

1. Quelle est la probabilité de n’avoir choisi aucun billet de 5 euros?

2. Quelle est la probabilité d’avoir obtenu uniquement des billets de 20 euros ?

3. Quelle est la probabilité d’avoir obtenu au moins un billet de chaque valeur?

4. On recommence l’expérience en tirant les billets un par un et en remettant le billet dans le sac
après son tirage. Calculer les probabilités des trois évènements ci-dessus dans cette nouvelle
expérience.

Solution.

1. soit l’évenement A =”n’avoir aucun billet de 5 euros ”. Il est clair que A peut aussi s’exprimer:

A =”avoir uniquement des billets de 10 euros et de 20 euros.”

On cherche donc 8 billets distincts choisis de l’ensemble des 17 billets ( billets de 10 euros et 20
euros), alors
C8
P (A) = 17 8 = 0, 076.
C22

2. Soit l’évènement

D =”obtenir uniquement des billets de 20 euros”.

On cherche ainsi les sous-ensembles de taille 8 billets choisis dans l’ensemble des 10 billets de
20 euros. Donc
C8 −4
P (D) = 10 8 = 1, 41 × 10
C22

3. Quelle est la probabilité d’avoir obtenu au moins un billet de chaque valeur?

Soit l’évènement

E =”obtenir au moins un billet de chaque valeur”,

On étudie son complémentaire F = E qu’on décompose en deux sous-évènements disjoints:

F1 =”obtenir des billets d’une seule valeur”,

F2 =”fobtenir des billets de deux valeurs”.

F1 est en fait l’évènement

F1 =”obtenir uniquement des billets de 20 euros”= D.

1
 car il n’y a pas assez de billets de 5 euros et de 10 euros pour obtenir une poignée de 8 billets
composée uniquement de l’une ou l’autre des valeurs. On sait dèjà que
8
card(D) = card(F1 ) = C10 .

On décompose F2 en trois sous-ensembles disjoints:4

G5 =”obtenir des billets de 10 euros et de 20 euros, et pas de 5 euros”;

G10 =”obtenir des billets de 5 euros et de 20 euros, et pas de 10 euros”;
G20 =”obtenir des billets de 5 erosu et de 10 euros, et pas de 20 euros”.

On remarque que

G20 =”n’avoir aucun billet de 20 euros”

En effet, comme il y a strictement moins de 8 billets de 5 euros et de 10 euros, ne pas obtenir

de billet de 20 euros implique d’obtenir au moins un billet de 5 euros et au moins un billet de
10 euros. D’après le raisonnement de la première question, on a donc
8
card(G20 ) = C12 .

On remarque aussi que Card(G5 ) = C17 8 − C 8 . Ici C 8 le cardinal de l’évènement ”aucun billet
10 17
8 le cardinal de l’évènement ”uniquement des billets de 20 euros”
de 5 euros” et C17

G5 =”aucun billet de 5 euros”-”uniquement des billets de 20 euros”

Un raisonnement similaire conduit à

8 8
card(G10 ) = C15 − C10 .

Finalement, on a

card(F ) = card(F1 ) + card(G5 ) + card(G10 ) + card(G20 )

8 8 8 8 8 8
= C10 + C17 − C10 + C15 − C10 + C12
8 8 8 8
= C17 + C15 + C12 − C10

On a donc
8 + C8 + C8 − C8
C17 15 12 10
P (E) = 1 − P (F ) = 1 − 8 = 0, 902.
C22
4. Le tirage étant maintenant sèquentiel, on obtient une liste de billets. De plus, comme les billets
sont remis dans le sac.
On considère l’évènement A = ”n’avoir aucun billet de 5 euros”. Comme pour la question 1, il
s’agit d’un tirage avec remise de 8 billets choisis parmi 17 billets de 10 euros et de 20 euros. On
a donc clairement
Card(A) = 178 .
Donc
178
P (A) = = 0, 127.
228
De même, l’évènement D = ”obtenir uniquement des billets de 20 euros” se traite comme à la
question: il s’agit d’un tirage avec remise de 8 billets choisis parmi les 10 billets de 20 euros.
On a clairement 108 listes de ce type, ce qui conduit à
108
P (D) = = 1, 28 × 10−3 .
228

Enfin, l’évènement

2
 E =”obtenir au moins un billet de chaque valeur”;

se traite par décomposition exactement comme dans la question 3. On trouve que

Card(F ) = 178 + 178 + 128 − 58 − 78 − 108 .

ce qui donne

178 + 178 + 128 − 58 − 78 − 108

P (E) = 1 − P (F ) = 1 − = 0, 82.
228

Exercice 2. On considère le jeu suivant: le joueur lance d’abord un dé non truqué. Il tire ensuite
un jeton dans une urne choisie en fonction du résultat du dé. L’urne A est choisie quand le dé donne
1, 2 ou 3, l’urne B quand on obtient 4 ou 5 et l’urne C quand on obtient 6. Les urnes contiennent les
jetons suivants:
urne A: deux jetons rouges, trois jetons bleus;
urne B: deux jetons bleus, quatre jetons verts;
urne C: un jeton vert, un jeton rouge.

1. Quelle est la probabilité d’obtenir un jeton rouge par ce procédé?

2. On obtient un jeton vert. Quelle est la probabilité que ce jeton soit issu de l’urne B?

3. On obtient un jeton bleu. Quelle est la probabilité que le lancer du dé ait donné 3?

4. Quelle est la probabilité de ne pas obtenir un jeton vert, sachant que le lancer du dé a donné 3
ou 6?

5. Est-ce que l’événement ”choisir dans l’urne C” et l’événement ”obtenir un jeton rouge” sont
indépendants? Justifiez votre réponse.

Solution.
On considère les évènements

R =”l’obtention d’un jeton rouge”;

BL =”l’obtention d’un jeton bleu”;
V =”l’obtention d’un jeton vert”;

On considère aussi les évènements

A =”l’utilisation d’ urne A”;

B =”l’utilisation d’ urne B”;
C =”l’utilisation d’ urne C”;

D’après l’énoncé, on a

P (A/{le dé donne 1, 2 ou 3}) = 1; P (A/{le dé donne 4, 5 ou 6}) = 0.

Comme les évènements {le dé donne 1, 2 ou 3} et {le dé donne 4, 5 ou 6} sont disjoints et que leur
union forme l’univers tout entier (du point de vue du lancer du dé), on peut appliquer la loi des
probabilités totales. On a donc

P (A) = P (A/{le dé donne 1, 2 ou 3})P ({le dé donne 1, 2 ou 3})

+ P (A/{le dé donne 4, 5 ou 6})P ({le dé donne 4, 5 ou 6}),

donc
Card({1, 2, 3}) 1
P (A) = P ({le dé donne 1, 2 ou 3}) = = .
Card({1, 2, 3, 4, 5, 6}) 2

3
De la même faon, on obtient
1 1
P (B) = et P (C) =
3 6
Considérons le tirage d’un jeton dans l’urne A. L’univers correspondant ΩA s’écrit

ΩA = {r1 , r2 , b1 , b2 , b3 }

où r1 et r2 sont les jetons rouges, et b1 , b2 , et b3 les jetons bleus. Les jetons sont supposés discernables
pour faciliter l’analyse. En l’absence d’hypothèse particulière sur les urnes et les jetons, on suppose
que la probabilité sur ΩA , PA , est uniforme. On a donc
2
PA (R) = P (R/A) = P ({r1 , r2 }) = .
5
De la mm̂e façon, on trouve
3
PA (Bl) = P (BL/A) = et P (V /A) = PA (V ) = 0.
5
1. Pour obtenir la probabilité de R (obtention d’un jeton rouge), on utilise d’abord la loi des
probabilités totales relativement aux évènements A, B et C. En effet, ces trois évènements sont
disjoints et leur union forme l’univers tout entier (puisqu’on choisit toujours une urne). On a
donc
P (R) = P (R/A)P (A) + P (R/B)P (B) + P (R/C)P (C).
Il nous reste à calculer P (R/B) et P (R/C). Or l’urne B ne contient pas de jeton rouge, ce qui
donne P (R/B) = 0. En appliquant le même raisonnement que celui appliqué à l’urne A, on
obtient que P (R/C) = 21 , car il y a deux jetons dans l’urne C dont un seul est rouge. On a
donc
2 1 1 1 1 17
P (R) = × + 0 × + × = .
5 2 3 2 6 60
2. Dans cette question, On cherche donc à calculer P (B/V ). On applique la règle de Bayes qui
donne
P (V /B)P (B)
P (B/V ) = .
P (V )
En appliquant toujours le même raisonnement, on voit que P (V /B) = 64 = 23 , car l’urne B
contient 6 jetons dont 4 sont verts. Pour calculer enfin P (V ), on applique de nouveau la loi des
probabilités totales qui donne

P (V ) = P (V /A)P (A) + P (V /B)P (B) + P (V /C)P (C).

1
Comme l’urne A ne contient pas de jeton vert, on a P (V /A) = 0. On a aussi P (V /C) = 2 car
l’urne C contient 2 jetons dont un est vert. On a donc
1 2 1 1 1 11
P (V ) = 0 × + × + × = .
2 3 3 2 6 36
ce qui conduit à
2 1
3 × 3 8
P (B/V ) = 11 = .
36
11

3. On cherche à calculer P ({le dé donne 3}/BL). En notant {3} l’évènement sur le dé, la règle de
Bayes donne
P (BL/{le dé donne, 3})P ({le dé donne 3})
P ({le dé donne 3}/BL) = .
P (BL)
En appliquant à le dé donne 3} le même raisonnement qu’à A, on a
3
P (BL/{le dé donne 3}) = ,
5

4
 car l’évènement le dé donne, 3} conduit à un tirage d’un jeton dans l’urne A qui en contient 5
donc 3 sont bleus. D’autre part, comme le dé n’est pas truqué, on a P (le dé donne 3}) = 61 .
Enfin, on calcule P (BL) par l’intermédiaire de la loi des probabilités totales, ce qui donne

P (BL) = P (BL/A)P (A) + P (BL/B)P (B) + P (BL/C)P (C).

2 1
Or, P (BL/C)P (C) = 0 car l’urne C ne contient pas de jeton bleu, et P (BL/B) = 6 = 3 car
l’urne B contient 6 jetons donc 2 bleus. On a donc
3 1 1 1 1 37
P (BL) = × + × +0× = ,
5 2 3 3 6 90
ce qui conduit à
3 1
5 × 6 9
P ({le dé donne 3}/BL) = 37 = .
90
37

4. On cherche donc P (V /D) avec

D = {le dé a donné 3 ou 6}.

En utilisant le fait que P (V /D) = 1 − P (V /D), on se ramène au calcul de P (V /D). Or, par
définition des probabilités conditionnelles, on a
P (V ∩ D)
P (V /D) =
P (D)
P (V ∩ {le dé donne 3}) + P (V ∩ {le dé donne 6})
= ,
P ({le dé donne 3}) + P ({le dé donne 6})
la deuxième égalité provenant du fait que D est l’union disjointe des deux évǹements {le dé donne
3} et‘{le dé donne 6}.

On sait que P (V ∩ {le dé donne 3}) = 0 puisque l’obtention d’un 3 conduit à utiliser l’urne
A qui ne contient pas de jeton vert. D’autre part, en appliquant de nouveau la définition des
probabilités conditionnelles, on a

P (V ∩ {le dé donne 6}) = P (V /{le dé donne 6})P ({le dé donne 6}).

Or, l’obtention d’un 6 conduit à utiliser l’urne C et donc à choisir un jeton parmi deux jetons
(dont un est vert). On a donc P (V /{le dé donne 6}) = 12 . On en déduit donc
1 1
0+ 2 × 6 1
P (V /D) = 1 1 = ,
6 + 6
4
et donc finalement que
3
P (V /D) = .
4
5. Deux évènements U et V sont indépendants si et seulement si

P (U ∩ V ) = P (U )P (V ).

On considère donc l’évènement C ∩ R. Par définition des probabilités conditionnelles, on a

1 1
P (C ∩ R) = P (R/C)P (C) = × .
2 6
17
Or, d’après la question 1, P (R) = 60 , donc
17 1
P (R) × P (C) = × 6= P (C ∩ R).
60 6
De ce fait, les deux évènements considérés ne sont pas indépendants.

5
Exercice 3. Dans une usine, 3 machines fabriquent des pièces mécaniques dans les proportions
respectives suivantes: p1 = 25%, p2 = 35% et p3 = 40%. On sait que les taux de production de pièces
défectueuses par les 3 machines sont respectivement de 10%, 5% et 1%. On choisit au hasard une
pièce dans un lot de pic̀es fabriquées par l’usine et on constate qu’elle est défectueuse. Quelle est
probabilité qu’elle soit fabriquée par la 3ème machine?

Solution.
On considère les évènements
D =”la pièce est défectueuse”,
M1 =”la pièce est fabriquée par la 1ère machine”;
M2 =”la pièce est fabriquée par la 2ème machine”;
M3 =”la pièce est fabriquée par la 3ème machine”;
On a:
P (M1 ) = 0, 25, P (M2 ) = 0, 35, P (M3 ) = 0, 4.
P (D/M1 ) = 0, 1, P (D/M2 ) = 0, 05, P (D/M3 ) = 0, 01.
Donc par le théorème de Bayes on calcule la probabilité a posteriori P (M3 /D):
P (M3 )P (D/M3 ) 0, 004
P (M3 /D) = = = 0, 086.
P (M1 )P (D/M1 ) + P (M2 )P (D/M2 ) + P (M3 )P (D/M3 ) 0, 0465

Exercice 4. On considère le jeu suivant : le joueur lance d’abord un dé non truqué. S’il obtient 1,
2 ou 3, il gagne l’équivalent en euros (c’est-à-dire 1 euros s’il obtient 1, par exemple). Sinon, il perd
2 euros. On note X la variable aléatoire correspondant au gain du joueur (négatif en cas de perte).
1. Donnez la loi de X et sa fonction de répartition FX .
2. Calculez l’espérance de X.
3. Calculez la variance de X.
Solution.
1. L’expérience aléatoire est un lancer de dé dont l’univers est donc
Ω = {1, 2, 3, 4, 5, 6}.
muni d’une probabilité uniforme (car le dé n’est pas truqué). La variable aléatoire X est donnée
par le tableau suivant:

w 1 2 3 4 5 6
X(w) 1 2 3 -2 -2 -2

On en déduit donc que X(Ω) = {2, 1, 2, 3}. La loi de X est donnée par P ({X(w) = x}) =
P (X −1 ({x})) pour les x ∈ X(Ω). En utilisant le fait que la probabilité P est uniforme, on
obtient les résultats résumés dans le tableau suivant, dont la dernière ligne donne la loi de X:

{4, 5, 6} {1} {2} {3}

x -2 1 2 3
1 1 1 1
P(X=x) 2 6 6 6

2. La fonction de répartition FX définie par FX (x) = P (X ≤ x) est alors



 0, pour x < −2;
1
 2 , pour −2 ≤ x < 1;



2
FX (x) = 3 , pour 1 ≤ x < 2;
 5

 , pour 2 ≤ x < 3;
 6


1, pour x ≥ 3.

6
 3. Pour calculer E(X), on applique la définition de l’espérance, à savoir
X
E(X) = x × P (X = x).
x∈X(Ω)

On obtient ainsi
1 1 1 1
E(X) = −2 × +1× +2× +3× =0
2 6 6 6
4. Pour calculer V (X), on utilise
V (X) = E(X 2 ) − (E(X))2 .
On a
1 1 1 1 13
E(X 2 ) = (−2)2 × + 12 × + 2 2 × + 3 2 × = .
2 6 6 6 3
Donc
13
V (X) = .
3

Exercice 5. On suppose que la variable aléatoire X suit la loi uniforme sur l’ensemble
X(Ω) = {3; 2; 1; 4} .
1. Donner la loi de X.
2. Calculer E(X) et V (X).
On définit la variable aléatoire Y = 2X + 1.
1. Donner Y (Ω) et la loi de Y .
2. Calculer E(Y ) de deux façons différentes.
Solution.
1. Par hypothèse, la loi de X est uniforme et la probabilité d’avoir X = x pour tout élément
1
x ∈ X(Ω) est donc constante. De ce fait, cette probabilité est de Card(X(Ω)) = 41 . La loi de X
est donc résumée par le tableau suivant
x -3 -2 1 4
1 1 1 1
P(X=x) 4 4 4 4

2. L’espérance de X est donnée par

X
E(X) = xP (X = x)
x∈X(Ω)
1 X
= x
4
x∈X(Ω)
1

= − 3 − 2 + 1 + 4 = 0.
4
3. Pour calculer la variance, on utilise la formule
V (X) = E(X 2 ) − (E(X))2
dont le deuxième terme est nul. On a donc
V (x) = E(X 2 )
X
= x2 P (X = x)
x∈X(Ω)
1 X 2
= x
4
x∈X(Ω)
1
(−3)2 + (−2)2 + 12 + 42 = 7, 5.


=
4

7
Considérons Y = 2X + 1.
1. Le tableau suivant donne la valeur de Y pour toutes les valeurs possibles de X:

x -3 -2 1 4
2x+1 -5 -3 3 9

On a donc Y (Ω) = {5; 3; 3; 9} .

2. Pour calculer E(Y ), on peut appliquer en fait deux résultats différents. On sait que pour tout
a et b déterministes, et toute variable aléatoire X:
E(aX + b) = aE(X) + b.
Ici on a donc
E(Y ) = 2E(X) + 1 = 1.
on peut appliquer la définition de l’espérance à Y , ce qui donne
X
E(Y ) = xP (Y = x)
x∈Y (Ω)
1 X
= x
4
x∈Y (Ω)
1

= − 5 − 3 + 3 + 9 = 1.
4

Exercice 6. Soit X une variables aléatoire continue de densité fX donnée par



 0, si x < 0;
1−x
 2 , si 0 ≤ x ≤ 1;



1
fX (x) = 2, si 1 < x < 2;
 x−2

 , si 2 ≤ x ≤ 3;
 2


0, x > 3.
1. Vérifier que f est bien une densité.
2. Déterminer l’espérance de X.
3. Déterminer les probabilités suivantes:
P (X ≤ 1) P (1 ≤ X ≤ 2) P (X ≥ 2) P (0 ≤ X ≤ 3)

4. Calculer V (X) et σ(X).

Solution.
1. On peut verifier facilement que la fonction est positive, continue (sauf en 0, 1, 2 et 3) et que
Z +∞
f (t) dt
−∞
Z 1 Z 2 Z 3
= f (t) dt +
f (t) dt + f (t) dt
0 1 2
Z 1 Z 2 Z 3
1−t 1 t−2
= dt + dt + dt
0 2 1 2 2 2
1  2  2 3
t2

t t t
= − + + −t
2 4 0 2 1 4 2
1 1 2 1 9 4
= − + − + −3− +2
2 4 2 2 4 4
= 1.
Alors f correspond bien á une densité.

8
 2. On applique la définition de l’espérance
Z +∞
E(X) = t f (t) dt
−∞
Z 1 Z 2 Z 3
= t f (t) dt +
t f (t) dt + t f (t) dt
0 1 2
Z 1 Z 2 Z 3 2
t − t2 t t − 2t
= dt + dt + dt
0 2 1 2 2 2
 2 1  2 2  3 3
t t3 t t t2
= − + + −
4 6 0 4 1 6 2 2
1 1 4 1 27 9 8 4
= − + − + − − + = 1, 5.
4 6 4 4 6 2 6 2

3. Calculons les probabilités:

Z 1
P (X ≤ 1) = f (t) dt
−∞
Z 0 Z 1
= f (t) dt + f (t) dt
−∞ 0
Z 1
1−t
= dt
0 2
1
t2

t
= −
2 4 0
1 1 1
= − = .
2 4 4

Z 2
P (1 ≤ X ≤ 2) = f (t) dt
1
Z 2
1
= dt
1 2
 2
t 1
= = .
2 1 2

De la même manière on peut calculer P (0 ≤ X ≤ 3) = 1. et Pour P (X ≥ 2)on utilise

P (X ≥ 2) = 1 − P (X ≤ 2)
= 1 − [P (X ≤ 1) + P (1 ≤ X ≤ 2)] =
3 1
=1− = .
4 4

4. Pour calculer V (X), on applique la définition de la variance à X,

V (X) = E(X 2 ) − (E(X))2 )

Z +∞
= t2 f (t) dt − (E(X))2 ) = ...
−∞
p
et aussi σ(X) = V (X).

Exercice 7. Le nombre de pannes d’une machine sur une période donnée suit une loi de Poisson.
Sachant qu’en moyenne la machine fait 2 pannes par trimestre.

1. Calculer la probabilité de n’avoir aucune panne à un mois donné.

9
 2. Calculer la probabilité d’avoir 4 pannes pendant une année.

Solution.
On définit les variables aléatoir X, Y et Z comme suit :

X =:”nombre de pannes de la machine pendant un trimestre”

Y =:”nombre de pannes de la machine pendant un mois”
Z =:”nombre de pannes de la machine pendant une annes”
1 2
Donc X suit une loi de Poisson de paramètre 2, Y suit une loi de Poisson de paramètre 2 × 3 = 3 et
X suit une loi de Poisson de paramètre 2 × 4 = 8.
2
X ∼ P (2) Y ∼ P( ) Z ∼ P (8)
3
1. La probabilité de n’avoir aucune panne á un mois donné c’est La probabilité de Y = 0. Donc
2
2 0
e− 3 ×


3
P (Y = 0) = = 0, 531.
0!

2. La probabilité d’avoir 4 pannes pendant une année. c’est La probabilité de Z = 4. Donc

e−8 × 84
P (Z = 4) = = 0, 0573.
4!

Exercice 8. On suppose que la durée de vie des ampoules électriques est une variables aléatoire
continue X de loi normale d’espérance m = 1000 heures et de variance σ 2 = 10000.
Calculer probabilité qu’une ampoule fonctionne:

1. entre 1000 et 1200 heures?

2. moins 750 heures?

Solution.
X−1000
On a X ∼ N (1000, 100). On pose T = 100 , alors T ∼ N (0, 1).

1. Calculons P (1000 ≤ X ≤ 1200):

1000 − 1000 X − 1000 1200 − 1000

P (1000 ≤ X ≤ 1200) = P ( ≤ ≤ )
100 100 100
= P (0 ≤ T ≤ 2)
= F (2) − F (0) ”F la fonction de répartition loi normale centrée rduite,”
= 0, 9772 − 0, 5 ”En utilisant tableau de loi normale centrée réduite.”
= 0, 4772.

De même
X − 1000 750 − 1000
P (X ≤ 750) = P ( ≤ )
100 100
= P (T ≤ −2, 5)
= F (−2, 5)
= 1 − F (2, 5). ”car F (−x) = 1 − F (x).
= 1 − 0, 9938 = 0, 0062.

10
Exercice 9. Une usine fabrique des câbles. Un câble est considéré comme conforme si sa résistance
à la rupture X est supérieure à 3 tonnes. L’ingénieur responsable de la production voudrait connaı̂tre,
en moyenne, la résistance à la rupture des câbles fabriqués.
Il n’est, bien sûr, pas question de faire le test sur toute la production (l’usine perdrait toute sa
production!). Un technicien prélève donc un échantillon de 100 câbles dans la production. Notons
X la variable aléatoire correspondant à la force à exercer sur le câble pour le rompre. Le technicien
obtient les résultats suivants:

E(X) = 3, 5 tonnes σ(X) = 0, 4 tonnes

Proportion de câbles dont la résistance est supérieure à 3 tonnes : pe = 0, 85

1. Donner une estimation ponctuelle de la moyenne µ et de l’écart-type σ de la variable aléatoire
X dans la production.

2. Déterminer une estimation par intervalle de confiance à 95% de la moyenne µ de X

3. Donner une estimation ponctuelle de la proportion p de câbles conformes dans la production.

4. Déterminer une estimation par intervalle de confiance à 90 % de cette proportion.

Solution. (Travail á rendre avant le 20/01/2021.)
Exercice 10. Supposons que les notes d’une promotion de 50 étudiants en Mathématique ont une
moyenne de 11 avec un écart-type de 3 .
1. Trouver la probabilité qu’un échantillon aléatoire ait une note de moins de 14 .

2. Calculer la probabilité que la moyenne soit supérieur à 10.

Solution.
On sait que X ∼ N (µ, √σn ) = N E(X) = 11, V (X) = √3


50
. On pose

X − 11
T = ∼ N (0, 1).
√3
50

1. la probabilité qu’un échantillonaléatoire ait une note de moins de 14:

X − 11 14 − 11
P (X ≤ 14) = P ( ≤ )
√3 √3
50 50
= P (T ≤ 7, 07)
= F (7, 07) ”F la fonction de répartition loi normale centrée rduite,”
=1 ”puisque 7, 07 n’est pas dans table de loi normale centrée réduite”.

2. a probabilité que la moyenne soit supérieur à 10:

X − 11 10 − 11
P (X ≥ 14) = P ( ≥ )
√3 √3
50 50
= P (T ≥ −2, 36)
= P (T ≤ 2, 36) ”car P (X ≤ a) = P (X ≥ −a),”
= F (2, 36) ”F la fonction de répartition loi normale centrée rduite,”
= 0, 9909 = 99, 09%.

Exercice 11. Supposons que l’on prenne un échantillon aléatoire de 100 comptes-clients , d’une
chaine de magasins et que l’on trouve que le solde moyen débiteur est de 74 euros. Si l’on sait que
l’écart-type pour tous les comptes est de 0.86 euros , trouver l’intervalle de confiance à 95% pour la

11
moyenne de la population , Commenter le résultat.

Solution.
On a
µe = 74 euros, σe = 0, 86 euros.
Donc une estimation ponctuelle des paramètres de la population

µ̂ ≈ µe = 74 euros; σ̂ ≈ σe = 0, 86

Car la taille de l’echantillon n = 100 > 35.

Deteminons maintenant une estimation de µ par intervalle de confiance à 95%. Pour cela, notons X
la variable aléatoire correspondant à la moyenne de l’echantillon de taille n = 100 pris au hasard.
Donc
σ
X ,→ N (µ, √ ).
n
Alors, on calcul r tel que,
p(µ − r ≤ X ≤ µ + r) = 0, 95.
X−µ
On pose T = √σ ,→ N (0, 1), donc
n

−r r
p(µ − r ≤ X ≤ µ + r) = 0, 95 ⇒ p( ≤T ≤ ) = 0, 95
√σ √σ
n n

Soit F Fonction de répartition de la loi normale centrée rduite, donc l’equation précédente est
équivalent à
r r
2 F ( σ ) − 1 = 0, 95 ⇒ F ( σ ) = 0, 975.
√ √
n n

Par lecture inverse de la table de la loi normale centre réduite

r
σ = 1, 96
√
n

Dou
σ̂ 0, 86
r ' 1, 96 × √ = 1, 96 × √ = 0, 16856
n 100
L’intervalle de confiance dans cet chantillon est alors

IC = [µe − r; µe + r] = [74 − 0, 16856; 74 + 0, 16856] = [73, 83144, 16856; 74, 16856] .

Exercice 12. Dans le cadre d’une étude sur ”l’adéquation entre Formation - Emploi”, on a interrogé
500 Chefs d’entreprises de différents secteurs, 145 entre eux déclarent être satisfaits de l’adéquation
entre les formations universitaire et le marché du travail. Donner une estimation ponctuelle de la
proportion de chefs d’entreprises qui sont satisfaits de l’adéquation entre la formation universitaire et
l’emploi, puis une estimation de cette proportion par un intervalle de confiance à 90%.

Solution.
La proportion des chefs d’entreprises qui sont satisfaits de l’adéquation
q entre la formation universitaire
145
et l’emploi dans lchantillon est ici de pe = 500 = 0, 29. Pour σe = pe (1−p
n
e)
= 0, 020.
Puisque n = 145 > 35,estimation ponctuelle de la proportion et l’cart type:

p̂ ≈ pe = 0, 29; σ̂ ≈ σe = 0, 020.

On passe maintenat à l’ estimation de cette proportion par un intervalle de confiance à 90%. On note
F est la variable aléatoire correspondant à la proportion d’un caractre dans un échantillon de taille
500 pris au hasard, alors F suit approximativement une loi normale:

F ,→ N (p, σ).

12
Cherchons un intervalle qui contient p avec une confiance arbitraire de 90% (cela pourrait être un
autre coefficient de confiance). Nous cherchons donc un rayon r tel que :

P (F − r ≤ p ≤ F + r) = 0, 9 ⇒ P (p − r ≤ F ≤ p + r) = 0, 9.

F −p
On sait que la variable alatoire T = σ suit la loi normale centrée réduite N (0; 1). Nous obtenons
donc, par centrage et réduction:
−r r r
p( ≤ T ≤ ) = 0, 9 ⇒ 2, F ( ) − 1 = 0, 9
σ σ σ
Donc F ( σr ) = 0, 95 ( F la fonction de répartition de la loi normale centrée réduite). Par lecture inverse
de la table de la loi normale centrée réduite on trouve
r
= 1, 645
σ
D’où
r
= 1, 645 ⇒ r ≈ 1, 645 × σ̂ = 1, 645 × 0, 020 = 0, 0329
σ
La réalisation de l’intervalle de confiance dans cet échantillon est alors

IC = [pe − r; pe + r] = [0, 29 − 0, 0329; 0, 29 + 0, 0329] = [0, 2571; 0, 3229] .

13