Académique Documents
Professionnel Documents
Culture Documents
Echantillonnage et Estimation
TD - Série N°1
2
Donc P(U≤ 5 )= P (U≤0,4) = 𝜋(0,4)
D’après la table de la loi normale centrée et réduite, on trouve que 𝜋(0,4) = 0,6554
Par conséquent, P(X≤ 32) = 0,6554, cela signifie que l’on a 65,54% de chances pour que X
soit inférieure à 32.
𝑋−𝜇 33−30 3
b. P(X≥ 33) = 1-P(X≤ 33) = 1 − P ( ≤ ) = 1-P (U <5) (car P(U≥ 𝑎) =
𝜎 5
1 − 𝑃(𝑈 ≤ 𝑎)
𝑋−𝜇
Avec 𝑈 = ~> N (0,1) => = 1-P (U≤ 0,6) = 1 − 𝜋(0,6)= 1-0,7257 = 0,2743,
𝜎
𝑿−𝝁
c. P (|𝑼| >2) avec U= ~> N(0,1)
𝝈
P (|𝑈| >2) = 1- P (|𝑈| <2) = 1-(P (-2<U<2))
1-(P(U<2) – P(U<-2))
1-[𝑃(𝑈 < 2) − (1 − 𝑃(𝑈 < 2))]
1
1-P (U<2)+1-P(U<2)
2-2P (U<2) = 2(1-𝜋(2)= 2(1-0,9772), d’après la table de la loi normale centrée et
réduite : 𝜋(2)= 0,9772.
D’où P (|𝑼| >2) = 0,0456
2. La valeur de K
a. P(X≤ 𝑲)=0,8413
𝑋−𝜇 𝐾−𝜇
*P(X≤ 𝐾)=0,8413 => P( ≤ )=0,8413
𝜎 𝜎
𝐾−30 𝑿−𝝁
=> P(U≤ ) = 0,8413 avec U= ~> N(0,1)
5 𝝈
𝐾−30
=> D’après la table de N(0,1), on a 𝜋(1)=0,8413, cela implique que = 1 => K=35
5
b. P (20≤ 𝑿 ≤ 𝑲) = 0,9544
𝐾−30
=> P(-2≤ 𝑈 ≤ )=0,9544
5
𝐾−30
=> P(U≤ ) – P(U≤ −2) = 0,9544
5
𝐾−30
=> P(U≤ ) = 0,9544+ P(U≤ −2)=0,9544+(1-𝜋(2))
5
𝐾−30
=> P(U≤ ) = 0,9544+0,0228 = 0,9772
5
𝐾−30
=> D’après la table de N(0,1), on trouve que = 2 => K = 40
5
c. P(X≥ 𝑲) = 0,9332
𝑋−𝜇 𝐾−30
=> P( ≤ ) = 1-0,9332 = 0,0668 < 0,5(0,5 est la valeur minimale figurée sur la table
𝜎 5
de N(0,1))
𝑲−𝟑𝟎
Tant que 0,0668 est inférieur à 0,5, cela signifie que < 0=> dans ce cas, on va utiliser la
𝟓
symétrique de la distribution.
𝐾−30 𝐾−30
Alors, P(U≤ )= 1-P(U≤ −( ))= 0,0668
5 5
𝐾−30
P(U≤ −( )) = 1-0,0668 = 0,9332
5
−𝐾+30
D’après la table de N(0,1) , on a 𝜋(0,9332) = 1,5 => = 1,5
5
K=22,5
2
Exercice 2 :
I. Soit : 𝑿 ⤳ 𝝌 𝟐 (𝟑)
1. La médiane de X (Me)
P(X≥ Me) = 0,5, d'après la table de khi-deux avec ddl=3, on trouve que Me=2,366
Donc, un quantile d’ordre 0,05=> P(X≤ q0,05 ) =0,05 => P(X≥ q0,05 ) =1-0,05 = 0,95
𝐾−200
=>P(U≤ )=1-0,1587=0,8413
20
𝐾−200
=>𝜋( )=𝜋( 1) => K=220
20
II. Soit : 𝑿 ⤳ N (μ , 𝛔𝟐 )
1. Déterminons d’abord les valeurs de μ et σ
𝑃(𝑋 ≤ 2) = 0.3085
On a : {
𝑃(𝑋 ≥ 8) = 0.0062
𝑋−𝜇 2−𝜇
𝑃( ≤ ) = 0.3085
⇔{ 𝜎 𝜎
𝑋−𝜇 8−𝜇
𝑃( ≥ ) = 0.0062
𝜎 𝜎
2−𝜇
𝑃 (𝑈 ≤ ) = 0.3085
⇔{ 𝜎
8−𝜇
𝑃 (𝑈 ≥ ) = 0.0062
𝜎
2−𝜇
𝑃 (𝑈 ≤ ) = 0.3085
⇔{ 𝜎
8−𝜇
𝑃 (𝑈 < ) = 1 − 0.0062 = 0.9938
𝜎
2−𝜇
On remarque que 0.3085 < 0.5, donc la valeur de est négative
𝜎
Ainsi :
𝜇−2
𝜋( ) = 1 − 0.3085 = 0.6915
{ 𝜎
8−𝜇
𝜋( ) = 0.9938
𝜎
𝜇−2
= 0.5
{ 𝜎
8−𝜇
= 2.5
𝜎
4
𝜇 = 0.5 𝜎 + 2
⇔{
𝜇 = −2.5 𝜎 + 8
(𝑋 − 3)2 10.84
= 𝑃(𝑋 2 − (3 × 2)𝑋 + 9 − 9 ≤ 1.84) = 𝑃((𝑋 − 3)2 ≤ 10.84) = 𝑃 ( ≤ )
4 4
𝑋−3 2
= 𝑃 (( ) ≤ 2.71)
2
𝑋−3
On sait que 𝜇 = 3 et 𝜎 = 2, donc 𝑈 = ⤳ 𝑁(0, 1)
2
Puisque 2.71 ne figure pas sur la table de 𝜒 2 (1), on utilise l’interpolation linéaire.
⇔ 𝛼 = 0.0998
5
Avec 𝑈 ⤳ 𝑁(0, 1)
= 𝟎. 𝟖𝟗𝟗 ≈ 𝟎. 𝟗𝟎𝟎
Exercice 3 :
Soit : 𝑇 ⤳ Stud (20)
0.025
Donc : 𝑃(𝑇 > 𝐾 ) = = 0.0125
2
Or, 0.0125 ne figure pas sur la table de Student, ce qui nous conduit à l’utilisation de
l’interpolation linéaire :
2. On a : 𝑷(|𝑻| < 𝑲) = 𝟎. 𝟗𝟓
𝑃(|𝑇|>𝐾) 0.05
Ce qui implique que 𝑃(𝑇 > 𝐾 ) = = = 0.025
2 2
Exercice 4 :
Soit : 𝑋 ⤳ 𝐹(v1 = 10 , v2 = 14)
1. Détermination de la valeur de K
a. On a : 𝑃(𝑋 > 𝐾 ) = 0.05
6
b. On a 𝑃 (𝑋 > 𝐾 ) = 0.01
𝛼 1 − 0.90
𝑃(𝑋 > 𝐾2 ) = = = 0.05
2 2
b. Pour 𝐾1 , on a :
On remarque que cette probabilité ne figure pas sur la table statistique de Fisher, chose qui
nous pousse à utiliser la relation empirique de Fisher.
1
𝐾1 = 𝑓0.95 (𝑣1 = 10, 𝑣2 = 14) =
𝑓0.05 (𝑣1′ = 14, 𝑣2′ = 10)
Or, on ne peut pas lire le degré de liberté 𝑣1′ = 14 sur la table de Fisher. Donc on doit utiliser
l’interpolation linéaire.
Pour ce, on fixe le degré de liberté 𝑣2′ = 10 et la probabilité dans 0.05, et on centre le de
degré de liberté 𝑣1′ = 14 :
10 < 14 < 15
14−10 𝛼−2.98
Ainsi 𝛼 = 15−10 = 2.85−2.98 = 2.876
𝟏 𝟏
D’où 𝑲𝟏 = 𝒇 ′ ′ = 𝟐.𝟖𝟕𝟔 = 𝟎. 𝟑𝟒𝟕
𝟎.𝟎𝟓 (𝒗𝟏 =𝟏𝟒,𝒗𝟐 =𝟏𝟎)