Académique Documents
Professionnel Documents
Culture Documents
Exercice 1
• En se rappelant (voir livre p 33-34) que pour une loi de probabilité continue (comme c’est le cas
de la loi normale), on a P(Z ≥ x) = P(Z > x), on obtient : P( Z ≥ 0,44) = P(Z > 0,44) = 0,33
• En lisant directement dans la table de façon analogue aux questions précédentes, on trouve :
P(Z > 0) = 0,50 et P(Z > - 1,645) = 0,95
• P(Z > 3,09) se trouve dans le “complément de table” en bas de page correspondant aux petites
valeurs de α (ou, ce qui revient au même, aux grandes valeurs de zα). On lit : P(Z > 3,09) = 10-3.
• zα=1,5 ne figure pas dans la table. Cette valeur est située entre 1,476 et 1,514 qui correspondent
respectivement à α = 0,070 et α = 0,065. On a donc : 0,065 < P( Z > 1,5) < 0,070.
Remarque : si on a besoin d’une valeur unique, par exemple pour poursuivre des calculs, on prend
la case de la table la plus proche de zα. Ici on aura donc : P(Z > 1,5) ≈ 0,065.
• P(Z < 1,3) ne peut pas être lu directement dans la table qui donne des probabilités du type
P(Z > zα). Il faut utiliser la relation P(Z < 1,3) = 1 - P(Z > 1,3) qui donne (en prenant la valeur de zα
de la table la plus proche de 1,3) : P(Z < 1,3) = 1 - 0,095 = 0,905.
• On a P(|Z| > 0,86) = P(Z < - 0,86) + P(Z > 0,86). La table donne P(Z > 0,86) = 0,195 et on a
P(Z < -0,86) = 1 - P(Z > - 0,86) = 0,195. On en déduit : P(|Z| > 0,86) = 0,39.
Remarque : la symétrie de la loi normale centrée réduite donne P(Z < -0,86) = P(Z > 0,86), de
sorte qu’on peut écrire : P(|Z| > 0,86) = 2×P(Z > 0,86) 2×0,195 = 0,39.
• P(|Z| < 0,97) = 1 - P(|Z| > 0,97) = 1-2×P(Z > 0,97) = 0,67
• De façon générale, on a : P(a < Z < b) = P(Z > a) - P(Z > b). On obtient donc :
P(1,2 < Z < 1,8) = P(Z > 1,2) - P(Z > 1,8) = 0,115 - 0,035 = 0,080.
b) Pour trouver les valeurs de a demandées, il faut utiliser la table de la loi normale “dans l’autre
sens” :
• α = 0,86 correspond au croisement de la ligne 0,8 et de la colonne 0,060, où on lit zα = -1,080.
On a donc : P(Z > -1,080) = 0,86.
• De même : P(Z > 1,645) = 0,05
X−µ
2. On sait que si X suit une loi normale de moyenne µ et de variance σ2, Z = suit une loi
σ
X − 10
normale centrée réduite. On en déduit ici que Z = suit une loi normale centrée réduite.
3,5
⎛ 9 − 10 X − 10 11− 10 ⎞
a) On a donc : P(9 < X < 11) = P ⎜ < < ⎟ = P(−0,535 < Z < 0,535) .
⎝ 3,5 3,5 3,5 ⎠
Le même type de calculs qu’à la question 1 donne :
P(-0,535 < Z < 0,535) = 1 - 2×P(Z > 0,535) = 1 - 2×0,295 = 0,41.
On a donc finalement : P(9 < X < 11) = 0,41.
b) On procède de même pour la probabilité que X soit compris entre 9 et 10,5 (Z désigne toujours
la loi normale centrée réduite) :
P(9 < X < 10,5) = P(-0,535 < Z < 0,267) = P(Z > -0,535) - P(Z > 0,267) = 0,705 - 0,395 = 0,31.
Exercice 2
1. La valeur X du dosage suit une loi normale avec les deux méthodes. Les moyenne et variance
de X étant différentes selon la méthode, il faut faire deux calculs séparés :
• Méthode 1
La probabilité P1 que la valeur X du dosage soit à l’extérieur de l’intervalle [2250 ; 2750] est la
somme des deux probabilités : P1 = P(X < 2250) + P(X > 2750). En se ramenant à une loi normale
centrée réduite, on obtient :
• Méthode 2
On obtient de la même façon la probabilité P2 que la valeur X du dosage soit à l’extérieur de
l’intervalle [2250 ; 2750] :
X − µ2
P2 = P(Z = < −3,5) + P(Z > 1,5) = (5 10-4) + 0,065 = 0,065.
σ2
Bien que la moyenne de la méthode 2 ne soit pas la valeur de référence, la valeur du dosage
s'écarte donc moins souvent de 10% de la valeur de référence avec la méthode 2 qu'avec la
méthode 1.
2. On peut comprendre le résultat précédent en superposant les distributions des dosages des 2
méthodes. On obtient le graphique suivant :
distribution du dosage
avec la méthode 2
distribution du dosage
avec la méthode 1
2500 2600
Exercice 3
1. Le nombre X de non fumeurs dans un échantillon de taille n suit une loi binomiale. En notant P
la proportion de non fumeurs dans la population dont est extrait l’échantillon, on sait que, si nP et
2. a) La question revient à chercher les valeurs a et b vérifiant P(a < X < b) = 0,95. La solution
retenue habituellement est de chercher des valeurs symétriques autour de la moyenne de X, c’est-
à-dire de µ = nP = 30. On prend donc a = µ - c et b = µ + c.
Il faut alors trouver c vérifiant : P(µ - c < X < µ + c) = 0,95. En se ramenant à la loi normale centrée
X−µ
réduite Z = (ce qui est possible puisque nP et nQ ≥ 5), on obtient :
σ
⎛ c c⎞ ⎛ c⎞
( )
P µ − c < X < µ + c = P ⎜ − < Z < ⎟ = P ⎜ | Z |< ⎟ = 0,95 avec σ = nPQ
⎝ σ σ⎠ ⎝ σ⎠
⎛ c⎞ ⎛ c⎞
Cela peut aussi s’écrire : P ⎜ | Z |> ⎟ = 0,05 ; ou, par symétrie de Z : 2 × P ⎜ Z > ⎟ = 0,05 ;
⎝ σ⎠ ⎝ σ⎠
⎛ c⎞
soit : P ⎜ Z > ⎟ = 0,025 .
⎝ σ⎠
c
La table de Z donne alors : = 1,96 et donc c = 1,96 σ = 1,96 100 × 0,30 × 0,70 = 8,98 .
σ
En revenant aux valeurs initiales, on a donc : a = 30 - 8,98 = 21,02 et b = 30 + 8,98 = 38,98.
Dans 95% des échantillons, le nombre de non fumeurs observés est donc compris entre 21 et 39.
Remarques :
• L’intervalle donné par le calcul était [21,02 ; 38,98]. Nous l’avons “arrondi” à [21 ; 39] pour que les bornes soient
des nombres entiers, ce qui est tout à fait logique. Cela a pour conséquence de modifier un peu la probabilité que
X soit à l’intérieur de l’intervalle : elle est un peu plus grande avec [21 ; 39] qu’avec [21,02 ; 38,98]. L’écart est ici
minime, mais dans d’autres cas l’arrondi peut être plus important et l’écart plus grand.
• On a pris un intervalle symétrique autour de la moyenne de X, mais d’autres solutions sont possibles. En fait
tout intervalle [x1 ; x2] vérifiant P(x1 < Z < x2) donnerait une solution. Celui que nous avons pris correspond à
x1 = -1,96 et x2 = 1,96, mais on pourrait aussi prendre x1 = -2,170 et x2 = 1,812 (qui donnerait pour le nombre de
non fumeurs [20,06 ; 38,30]) ou x1 = -2,326 et x2 = 1,751 (qui donnerait [19,34 ; 38,02]).
L’intervalle symétrique autour de la moyenne de X est habituellement retenu d’une part parce qu’on n’a pas de
raison de privilégier un écart à la moyenne d’un côté plutôt que l’autre, d’autre part parce c’est celui qui a la
longueur la plus petite.
3. Le nombre de non fumeurs observé, 50, est extérieur à l’intervalle [21 ; 39], c’est-à-dire qu’on
ne devrait pas “raisonnablement” l’observer si le pourcentage de non fumeurs dans la population
est 30%.
Il y a donc deux possibilités : le pourcentage de non fumeurs dans la population est effectivement
30% et l’observation est particulièrement excentrique (il y avait moins de 5% de chances de la
faire), ou bien le pourcentage de non fumeurs n’est pas 30%.
Comme on le verra en détail plus tard (TD 4), on choisit ici la seconde possibilité parce que le
risque d’erreur est inférieur à 5%. On conclut donc qu’il y a plus de 30% de non fumeurs dans la
population après la campagne d'information.
Mais peut-on conclure que la cause de cette différence est la campagne d'information ? Non, car
il s’agit d’une observation, et non d’une expérimentation; bien d’autres facteurs que la campagne
ont pu varier entre les deux prélèvements d’échantillon (il peut même s’agir d’une évolution
spontanée dans le temps, ou saisonnière, etc.).