Académique Documents
Professionnel Documents
Culture Documents
TD - Série N°1
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)
7
Université Sidi Mohammed Faculté des Sciences Juridiques
Ben Abdellah Economiques et Sociales –Fès
Année Universitaire : 2020 – 2021
TD - Série N°2
Exercice 1 :
Soit un échantillon aléatoire, composé de 𝒏 éléments indépendants, extraits d’une population
normale, de moyenne 𝝁 et de variance 𝝈𝟐 .
(𝒏−𝟏)𝑺𝟐
1. Montrer que la quantité suit une loi 𝝌𝟐(𝒏−𝟏) .
𝝈𝟐
̅ −𝝁)
(𝑿
2. En déduire que la quantité 𝑺
√𝒏 suit une loi 𝐓(𝐧−𝟏) .
Exercice 2 :
On prélève un échantillon de 100 employés d’une entreprise, dont la moyenne du nombre d’heures
manquées par un individu est 𝝁 = 𝟑𝟎 heures et dont la variance est 𝝈𝟐 = 𝟐𝟐𝟓 heures. De plus, on sait que
la proportion des employés de l’entreprise qui ont manqué plus de 60 heures est 𝒑 = 𝟓% .
1. Quelle serait la probabilité pour que la moyenne du nombre d’heures manquées pour cet échantillon
soit : a- inférieure à 28 heures ? b- supérieure à 33 heures ?
2. Déterminer un intervalle centré en 𝝁 contenant la moyenne de l’échantillon avec une probabilité
égale à 0,95.
3. Quelle serait la probabilité pour que cet échantillon compte moins de 4,5% d’individus ayant
manqué plus de 60 heures ?
4. Quelle taille minimale de l’échantillon faut – il prélever (on suppose un TAR), pour que la moyenne
̅ dépasse 33 heures, avec une probabilité inférieure à 1% ?
𝑿
Exercice 3 :
On suppose que le bénéfice quotidien d’un magasin est distribué selon une loi normale de moyenne
𝝁 = 𝟏𝟎𝟎𝟎 et d’écart – type 𝝈 = 𝟏𝟓𝟎 .
1. Calculer la probabilité pour que le bénéfice quotidien dépasse 1063.
2. Calculer la probabilité pour que, sur 25 opérations de vente, le bénéfice moyen soit supérieur ou égal
à 1063.
3. Calculer la probabilité pour que, sur 100 opérations de vente, la proportion des bénéfices quotidiens
supérieurs à 1063, soit inférieure à 30%.
4. On veut que cette probabilité soit au plus égale à 15,87%. Quelle devrait être la taille minimale de
l’échantillon ? (On suppose qu’on a un TAR).
1
Exercice 4 :
On suppose que, dans une population, le poids des étudiants suit une loi normale d’écart – type 𝝈 =
𝟓 . Déterminer le réel 𝒌 tel que, dans un échantillon extrait au hasard, de taille 𝒏 = 𝟐𝟗, on a :
𝑷(𝑺𝟐 ≤ 𝒌) = 𝟎, 𝟗𝟓 .
Exercice 5 :
On extrait un échantillon aléatoire simple (EAS) de taille 𝒏 = 𝟐𝟎𝟎 d’une population dont la
proportion est 𝒑 = 𝟎, 𝟒𝟎 . Quelle est la probabilité que la fréquence 𝒇 de l’échantillon s’écarte au plus de
±𝟎, 𝟎𝟑 de la proportion 𝒑 de la population ?
Exercice 6 :
Un paquet de tabac produit par la Régie Nationale a un poids moyen de 𝝁 = 𝟓𝟎 𝒈 et une
variance 𝝈𝟐 = 𝟐 𝒈 . En supposant que ce tabac est livré par lot de 1000 paquets, quelle est la probabilité
pour que la différence entre les poids de deux lots, soit au moins égale à 𝟐𝟎𝟎 𝒈 ?
Exercice 7 :
Un ascenseur porte la mention « charge maximale = 375 kg ». Quelle est la probabilité qu’il refuse
de démarrer, lorsque 5 personnes adultes utilisent simultanément l’appareil, sachant que le poids d’une
personne adulte suit une loi normale de paramètres 𝝁 = 𝟕𝟎 𝒌𝒈 et 𝝈𝟐 = 𝟏𝟎𝟐 ?
2
Royaume du Maroc المملكة المغربية
Echantillonnage et Estimation
TD - Série N°2-Corrigé
Exercice n°1
(𝒏−𝟏)𝑺𝟐
1. Montrer que la quantité suit une loi 𝝌𝟐 (𝒏−𝟏)
𝝈𝟐
𝑋𝑖 −𝜇 𝟐
Donc ∑𝑛𝑖=1( ) ~ 𝝌𝟐(𝒏)
𝜎
En pratique, si 𝜇 est inconnue, elle est toujours remplacée par 𝑋̅ et on perd un degré de
liberté (n devient (n-1))
𝑋𝑖 −𝜇 𝟐 𝑋𝑖 −𝑋̅ 𝟐
Donc, on aura ∑𝑛𝑖=1( ) ~ 𝝌𝟐 (𝒏)<=> ∑𝑛𝑖=1( ) ~ 𝝌𝟐 (𝒏−𝟏)
𝜎 𝜎
𝒏−𝟏 𝑋𝑖 −𝑋̅ 𝟐
∑𝑛𝑖=1( ) ~ 𝝌𝟐 (𝒏−𝟏)
𝒏−𝟏 𝜎
𝒏−𝟏 ∑𝒏 ̅ 𝟐
𝒊=𝟏(𝑋𝑖 −𝑋 )
~𝝌𝟐
𝒏−𝟏 𝝈𝟐 (𝒏−𝟏)
𝒏−𝟏 ∑𝒏 ̅ 𝟐
𝒊=𝟏(𝑋𝑖 −𝑋 )
~𝝌𝟐
𝝈𝟐 𝒏−𝟏 (𝒏−𝟏)
𝟏
On sait que 𝑺𝟐 = ̅)𝟐 avec 𝑺𝟐 = 𝒒𝒖𝒂𝒔𝒊𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆
∑(𝒙𝒊 − 𝒙
𝒏−𝟏
𝒏−𝟏
Par conséquent : 𝑺𝟐 ~𝝌𝟐 (𝒏−𝟏)
𝝈𝟐
1
̅−𝛍)
(𝐗
2. En déduire que la quantité √𝐧 suit une loi 𝐓(𝐧−𝟏)
𝐒
𝑵(𝟎,𝟏)
Rappel : ~𝑻(𝒏)
𝝌𝟐 (𝒏)
√
𝒏
̅ −𝜇
𝑋 𝑋̅ −𝜇 ̅ −𝜇
𝑋 ̅ −𝜇
𝑋
𝜎 𝜎 𝜎 𝜎
(𝑋̅ −𝜇) (𝑋̅ −𝜇) ⁄ 𝑛 ⁄ 𝑛 ⁄ 𝑛 ⁄ 𝑛
On a 𝑆
√𝑛 = 𝑆/√𝑛 = 𝑆/√𝑛
√
= 𝑆 √𝑛
√
= 𝑆
√
= √
2
⁄𝜎 √𝑛 𝜎
. 𝜎 √𝑆2
⁄ 𝑛 𝜎
√
̅ −𝜇
𝑋 ̅ −𝜇
𝑋
𝜎 𝜎
⁄ 𝑛 ⁄ 𝑛 𝑁(0,1)
= √
2
= √
=
𝟏 (𝒏−𝟏)𝑆2
√𝒏−𝟏 𝑆2 √ 𝝌𝟐 (𝒏−𝟏)
𝒏−𝟏 𝜎 𝒏−𝟏 𝜎2 √
𝒏−𝟏
𝑁(0,1)
Conclusion : →T(n-1)
𝝌𝟐 (𝒏−𝟏)
√
𝒏−𝟏
Exercice N°2
Population Echantillon
*X = nbre d’heures manquées * T.S.R T.A.R car N inconnue
*𝝁 = 𝟑0 * n=100 >30
*𝝈2 = 𝟐𝟐𝟓 => 𝝈 = √225 =15
*distribution quelconque(LQ)
*N inconnue
*P=5%=0,05
̅
1. La variable d’échantillonnage est 𝑿
- La loi de 𝑋̅ :
− 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑡𝑖𝑜𝑛 𝑞𝑢𝑒𝑙𝑐𝑜𝑛𝑞𝑢𝑒
𝑋̅−𝜇
On a { − 𝑣𝑎𝑟𝑖𝑎𝑛𝑐𝑒 𝑐𝑜𝑛𝑛𝑢𝑒 => T.C.L => 𝜎 ~𝑁(0; 1)
− 𝑛 = 100 > 30 √𝑛
2
P(𝑋̅ < 28) = 0,0918 = 9,18%
̅
b. P(𝑋̅ > 33) = 1- P(𝑋̅ < 33) =1- 𝑃( 𝑋−𝜇
𝜎 <
33−30
15 )= 1-P(U<2)
√𝑛 √100
= 1- 𝜋(2) =1-0,9772=0,0228
P(𝑋̅ > 33) = 0,0228 = 2,28%
2. Soit I =⟦𝛍 − 𝐤; 𝛍 + 𝐤⟧ un intervalle centré en 𝛍
P(𝑋̅ ∈ 𝐼)=0,95
𝜇−𝑘−𝜇 ̅ −𝜇
𝑋 𝜇+𝑘−𝜇
P(𝜇 − 𝑘 < 𝑋̅ < 𝜇 + 𝑘) = 𝑃( 𝜎 < 𝜎 < 𝜎 = 0,95
√𝑛 √𝑛 √𝑛
−𝑘 +𝑘
𝑃( 15 <𝑈< 15 =0,95
√100 √100
−𝑘 +𝑘
𝑃( <𝑈< =0,95
1,5 1,5
𝑘
2𝜋 ( ) − 1 = 0,95
1,5
𝑘
2𝜋 ( ) = 1,95
1,5
𝑘 1,95
𝜋( ) = =0,975
1,5 2
I =⟦27,06; 32,94⟧
𝑛 = 100 > 30
𝐹−𝑃
On a { 𝑛. 𝑝 = 100(0,05) = 5 ≥ 5 => T.C.L => 𝑃.𝑞 ~𝑁(0; 1)
𝑛𝑞 = 100(1 − 0,05) = 95 ≥ 5 √
𝑛
*P(F<0,045)= ??
𝐹−𝑃 0,045−0,05 𝐹−𝑃
P(F<0,045) = P(
𝑃.𝑞
< 0,05∗0,95
)= P(U<-0,23) avec U = 𝑃.𝑞
~𝑁(0; 1)
√ √ √
𝑛 100 𝑛
3
Conclusion : P(F<0,045) = 0,409 ou 49%
̅>33)<1%
4. Taille minimale de l’échantillon (n)/ P(𝐗
𝑋̅−𝜇 33−30
̅ >33)<1% 𝑃(
P (𝑋 𝜎 < 15 )<1%
√𝑛 √𝑛
1- P (U<0,2√𝑛)≤1%
P (U<0,2√𝑛) ≥0,99
𝜋(0,2√𝑛) ≥0,99
- Déterminons U* ?
2,32<U*<2,33
0,99−0,9898
U*= 2,32+((2,33-2,32)× ( )) = 2,3267
0,9901−0,9898
Exercice N°3
Données
Population Echantillon
VAP = X =bénéfice quotidien T.S.R=> T.A.R car N inconnue
X ~N (𝜇 = 1000 ; 𝜎 2 = 1502 ) n voir les questions
N : inconnue
𝑋̅ −𝜇 1063−1000
1. P(X >1063) = 1-P(X<1063)=1-( 𝑃( < )
𝜎 150
= 0,3372 = 0,34
4
̅
2. La variable d’échantillonnage est 𝑋
- ̅:
Loi de 𝑋
𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑡𝑖𝑜𝑛 𝑛𝑜𝑟𝑚𝑎𝑙𝑒
𝑋̅−𝜇
- On a { + => 𝜎 ~𝑁(0; 1)
𝑣𝑎𝑟𝑖𝑎𝑛𝑐𝑒 𝑐𝑜𝑛𝑛𝑢𝑒 √𝑛
̅ −𝜇
𝑋 1063−1000
P(𝑋̅ > 1063) = 𝑃( 𝜎 < 150 ) = P(U>2,1) = 1-P(U<2,1)= 1- 𝜋(2,1)
√𝑛 5
𝑛 = 100 > 30
𝐹−𝑃
On a { 𝑛. 𝑝 = 100(0,34) = 34 ≥ 5 => T.C.L => 𝑃.𝑞 ~𝑁(0; 1)
𝑛𝑞 = 𝑛(1 − 𝑝) = 100(0,66) = 66 ≥ 5 √𝑛
P(U<-0,084√𝑛) ≤0,1587
𝜋(−0,084√𝑛) ≤0,1587
1 − 𝜋(0,084√𝑛) ≤0,1587
1 − 0,1587 ≤ 𝜋(0,084√𝑛)
0,8413≤ 𝜋(0,084 √𝑛)
5
Exercice N°4
- La valeur de K ??
𝒏−𝟏 𝑲(𝒏−𝟏)
On a P( 𝑺𝟐 ≤ 𝐾) = 0,95=> P( 𝑺𝟐 ≤ )=0,95
𝝈𝟐 𝝈𝟐
28.𝐾
P(𝜒 2 (28) ≤ )=0,95
𝜎2
28.𝐾
P(𝜒 2 (28) > )= 1- 0,95=0,05
𝜎2
P(𝜒 2 (28) > 1,12. 𝐾)=0,05
41,337
K= =36,91 => K=36,91
1,12
Exercice N°5
Données :
Population Echantillon
P=40 T.S.R =>T.A.R car N est inconnue
N inconnue N=200
=>loi de F :
𝑛 = 200 > 30
𝐹−𝑃
On a { 𝑛. 𝑝 = 200(0,4) = 80 ≥ 5 d’où 𝑃.𝑞
~𝑁(0; 1)
𝑛𝑞 = 𝑛(1 − 𝑝) = 200(0,6) = 120 ≥ 5 √
𝑛
6
F
P-0,03 P P+0,03
−0,03 0,03
= P( ≤𝑈≤ ) => P(−0,86 ≤ 𝑈 ≤ 0,86) =2 𝜋(0,86) − 1
0,4(0,6) 0,4(0,6)
√ √
200 200
=2(0,8051)-1 = 0,6102
Exercice N°6
Pop Echantillon
-V.A.parente : Z = le poids Lot 1 : n1=1000
-Loi quelconque (𝜇 = 50; 𝜎 2 = 2) Lot 2 : n2=1000
-N inconnue
-Xi suit une loi quelconque (LQ) => Xi suit LQ (𝜇 = 50; 𝜎 2 = 2)
*P(X-Y)≥ 𝟐𝟎𝟎 =? ?
(𝑋−𝑌)−𝐸(𝑋−𝑌) 200−𝐸(𝑋−𝑌)
=>P(X-Y)>200=> P( ≥
√𝑉(𝑋−𝑌) √𝑉(𝑋−𝑌)
- V(X-Y)=V(X)+V(Y)=2000+2000=4000
(𝑋−𝑌)−𝐸(𝑋−𝑌) 200−𝐸(𝑋−𝑌) 200−0
Donc P( ≥ = 𝑃(𝑈 ≥ ) = 𝑃(𝑈 ≥ 3,16)
√𝑉(𝑋−𝑌) √𝑉(𝑋−𝑌) √4000
= 1- 𝑃(𝑈 < 3,16)= 1- 𝜋 (3,16) =1-1=0 (d’après la table de N(0,1), quand K ≥3 =>
P(X<K)=1)
7
Exercice N°7
Soit Xi le poids d’une personne adulte => Xi~𝑁(𝜇 = 70; 𝜎 2 = 100)
8
EXO 1:
Le responsable qualité d’une entreprise veut estimer la proportion de pièces défectueuses
d’une production. Il prélève un échantillon de 500 pièces, au hasard et avec remise dans la
production d’une journée qui compte 500000 pièces.
Il compte 10 pièces défectueuses dans l’échantillon.
1- Calculer la moyenne et la variance de la proportion de pièces défectueuses dans
l’échantillon.
2- En déduire une estimation ponctuelle du nombre de pièces défectueuses dans la
production.
Solution
1- Soit f la variable aléatoire qui associe à toutes les pièces défectueuses prélevées la modalité 1 et 0
autrement.
Donc le nombre de pièces défectueuses dans l’échantillon, f, suit une loi binomiale de paramètre
n=500 et P inconnu, puisqu’il y a une répétition de 500 fois, de façon indépendante( tirages avec
remise) d’une épreuve Bernoulli à deux issues ( défectueuse ou non).
f ∼ B(n,p)
Avec la moyenne des pièces défectueuses dans l’échantillon :
1
f= σ𝑛𝑖=1 f𝑖
𝑛
1 𝑛 10∗1 +(0∗490)
f= σ𝑖=1 f𝑖 = =0,02
𝑛 500
Et la variance des pièces défectueuses dans l’échantillon :
1 1 1 𝑓(1−𝑓) 0,02∗0,98
V(f) = V ( σ𝑛𝑖=1 f𝑖 ) = 2 V(σ𝑛𝑖=1 f𝑖 ) = 2 V(σ𝑛𝑖=1 f𝑖 ) = = =0,0000392
𝑛 𝑛 𝑛 𝑛 500
2- L’estimation ponctuelle du nombre de pièces défectueuses dans la production (P)
la moyenne empirique est une estimation non biaisée de l’espérance P = E( f) = 0,02 et le
nombre estimé de pièces défectueuses dans la production est donc de : 500000 x 0,02= 100000.
Estimation_S3_N.GUEHAIR 1
EXO 2:
On considère l’échantillon statistique: (1, 3, 2, 3, 2, 2, 0, 2, 3, 1)
1) En supposant que les variables de cet échantillon sont des réalisations d’une variable de loi
inconnue, donner une estimation non biaisée de l’espérance et de la variance de cette loi.
2) On choisit de modéliser les valeurs de cet échantillon par une loi binomiale B(3,p).Utiliser la
moyenne empirique pour proposer une estimation ponctuelle pour p
Solution : 1) La moyenne et la variance de l’échantillon :
1 0×1 + 1×2 + 2×4 + 3×3 19
𝑥ҧ = σ𝑛𝑖=1 n𝑖 x𝑖 = =
𝑛 10 10
1 𝑛 1 02 ×1 + 12 ×2 + 22 ×4 + 32 ×3 19 2
Et 𝑆𝑒 =
2 σ n (𝑥 2
− 𝑥)ҧ = σ𝑛
n 𝑥 2 − 𝑥ҧ 2 = - ( ) =0,89
𝑛 𝑖=1 𝑖 𝑖 𝑛 𝑖=1 𝑖 𝑖 10 10
19
La moyenne empirique ( 10 ) est une estimation non biaisée de l’espérance. On obtient une
𝑛 10
estimation non biaisée de la variance (𝑠 2 ) en multipliant 𝑆𝑒2 x par 𝑛−1 = 9 : on trouve 0,98.
2) L’espérance de la loi B(3, p) est 3p.
19
Elle est estimée par la moyenne empirique 𝑥ҧ = 10
=3p
19
19
Donc la probabilité p peut être estimée par : 10
3
= 30
N.B: On utilise la variance empirique pour proposer une autre estimation de p.
La variance de la loi B(3, p) est 3p(1 − p). Elle est estimée par 0,98. On obtient une estimation
de p en résolvant l’équation 3p(1 − p) = 0,98.
Estimation_S3_N.GUEHAIR 2