Correction de la Fiche 2 sur L’Echantillonnage

Profs. A. BOUAJAJA (G1), L. SKALLI (G2) et H. REDWANE (G3 et G4)

Noter que : tous les tirages sont se font avec remise (non exhaustifs). Correction Exo 1. Soit X
√
l’âge des étudiants, on suppose que X ∼ N (µ ; σ) avec µ = 18, 7 et σ = 13, 3. On note par X
la distribution d’échantillonnage de l’âge moyen des étudiants. Comme X est une loi normale, alors
 σ    X − 18, 7
X ∼N µ; √ = N 18, 7 ; 0, 51 . On sait que Z = est une loi normale centrée et
n 0, 51
réduite, par suite  
18 − 18, 7 19, 4 − 18, 7
p(18 < X < 19, 4) = p <Z<
0, 51 0, 51
= F (1, 37) − F (−1, 37) = 2F (1, 37) − 1 = 0, 8294.
Correction Exo 2. La proportion de jeunes (entre 15 et 25 ans) qui ne prennent pas de petits
déjeuners est p = 0, 17. Soit
r P la distribution
! d’échantillonnage
r ! des proportions,
r comme n !=
p(1 − p) p(1 − p) 0, 17 × 0, 83
250 > 30 alors P ∼ N p ; =N p; = N 0, 17 ; =
n n 250
 

P − 0, 17 0, 20 − 0, 17
N (0, 17 ; 0, 02). On a : p P > 0, 20 = p > = 1 − F (1, 5) = 0, 0668.
0, 02 0, 02
Correction Exo 3. 1/ Soit X la distribution d’échantillonnage des moyennes. Comme n = 100 >
 σ    X − 30
30, alors X ∼ N µ ; √ = N 30 ; 1, 5 . Posons Z = ∼ N (0 ; 1). Par suite :
n 1, 5
 28 − 30 
p(X < 28) = p Z < = F (−1, 33) = 1 − F (1, 33) = 0, 0918.
1, 5
2/ Soit P la distribution
r d’échantillonnage des r proportions, comme n = 100 > 30
 p(1 − p)   0, 05 × 0, 95 
alors P ∼ N p ; = N 0, 05 ; = N (0, 05 ; 0, 02).
n 100
   0, 045 − 0, 05 P − 0, 05 0, 055 − 0, 05 
On a : p 0, 045 < P < 0, 055 = p < <
0, 02 0, 02 0, 02
= F (0, 25) − F (−0, 25) = 2F (0, 25) − 1 = 0.1974
Correction Exo
 4. 1/ On  sait que la consommation en eau potable est une variable X suivant une
loi normale N 1500 ; 300 . Soit X la distribution d’échantillonnage des moyennes, qui suit une loi
 300  X − 1500
normale N 1500 ; √ = N (1500 ; 20). Z = ∼ N (0 ; 1). Par suite :
225 20

p(1475 < X < 1525) = p(−1, 25 < Z < 1, 25) = 2F (1, 25) − 1 = 0, 7888.
 1800 − 1500   1200 − 1500 
2/ Calculons d’abord p = P (1200 < X < 1800) = F −F
300 300
= F (1) − F (−1) = 2F (1) − 1 = 2 × 0, 8413 − 1 = 0, 6826.

On a : n = 225 ≥ 30 ; np = 225 × 0, 6826 = 153, 585 ≥ 5 et nq = 225 × 0, 3174 = 71, 415 ≥ 5, alors
r !
0, 6826 × 0, 3174
P = N 0, 6826 ; = N (0, 6826 ; 0, 031)
225

Calculons P (P ≥ 0, 7) = 1 − F (0, 56) = 1 − 0, 7123 = 0, 2877 = 28, 77%

Correction Exo 5. La contenance est une variable aléatoire X d’espérance µ = 15 litres et
d’écart-type σ = 0, 1 litre. Soit X la variable aléatoire qui à chaque échantiollon de taille 100 bidons
associé la moyenne de contenance des bidons de cet échantillon. On a :
σ 0, 1
1/ E(X) = µ = 15 litres et σ(X) = √ = √ = 0, 01.
n 100
2/ La loi de X = N (15 ; 0, 01).
3/ On a : P (X ≤ 14, 98) = F (−2)h = 0, 0228 et P (15 ≤ X ≤ 15, 02) = Fi(2) − F (0) = 0, 4772.
4/ Intervalle d’acceptation : X ∈ 15 − 1, 96 × 0, 01 ; 15 − 1, 96 × 0, 01 = [14, 98 ; 15, 01].
r r
p×q 0, 75 × 0, 25
Correction Exo 6. 1/ On a : E(P ) = p = 0, 75, σ(P ) = = = 0, 019.
n 500
2/ Comme n = 500 ≥ 30, np = 500 × 0, 75 = 375 > 5 et nq = 500 × 0, 25 = 125 > 5 alors
P = N (0, 75 ; 0, 019). Calculons P (P ≥ 76%) = 1 − F (0, 52) = 1 − 0, 6985 = 0, 3015 et P (74% ≤
P ≤ 77%) = F (1, 05) − F (−0, 52) h = 0, 8531 − 0, 2912 = 0, 5619. i h i
3/ Intervalle d’acceptation P ∈ 0, 75 − 2, 575 × 0, 019 ; 0, 75 − 2, 575 × 0, 019 = 0, 7010 ; 0, 7989 .
Correction Exo 7. 1/ On sait que les bénéfices
 quotidiens sont représentés par une variable
aléatoire X suivant une loi normale N 10000 ; 1500 . On a : P (X > 10630) = 1−F (0, 42) = 0, 3372
 1500 
2/ Soit X la distribution d’échantillonnage des moyennes, qui suit une loi normale N 10000 ; √ =
25
X − 10000
N (10000 ; 300). Z = ∼ N (0 ; 1). Par suite : p(X > 10630) = 1 − F (2, 1) = 0, 017.
300
3/ Soit r P la distribution
! d’échantillonnage des proportions,
! comme n = 100 > 30 alors P ∼
r
p(1 − p) 0, 3372 × 0, 6628
N p; = N 0, 3372 ; = N (0, 3372 ; 0, 0472). On a :
n 100


p P < 0.3 = F (−0, 78) = 0, 2177


4/ On cherche n tel que p P < 0, 30 < 0, 1587, d’après la table de la loi normale F (−1) = 0, 1587.
On a :  
r
 0, 30 − 0, 3372  0, 2234
F r 0, 3372 × 0, 6628  < F (−1) =⇒ 0, 0372 >
 =⇒ n > 161, 42
n
n
il faut choisir la taille de l’échantillon à partir de 162.

Quelques statisticiens ayant apporté des contributions notables aux théories des statis-
tiques et des probabilités.
Bernoulli Jacques (1654–1705). Il fait partie d’une grande famille suisse prolifique en savants : mathématicien,
physiciens, astronomes, ...Ses travaux sont nombreux dans les équations différentielles, le calcul intégral et dans le
calcul des probabilités où il est le premier à formaliser les variables aléatoires binaires qui portent son nom et par suite
la loi binomiale.
C.-F. Gauss (1777–1855). On ne peut pas faire des mathématiques sans utiliser une ou l’autre des méthodes de
Gauss. Que ce soit en algèbre, en calcul, en probabilité,... On l’appelle le prince des mathématiciens. Il est l’un des
premiers grands savants de l’ère dite des mathématiques modernes le plus prolifique.
S.-D. Poisson (1781–1840). Mathématicien, physicien Français, nous pouvons mentionner en particulier son essai
sur le calcul des variations, et ses mémoires sur la probabilité des moindres résultats des observations. La loi de Poisson
dans la théorie des probabilités porte son nom.
Karl Pearson (1857–1936). Grand mathématicien anglais. Il est considéré comme l’un des fondateurs de la
statistique moderne. D’ailleurs plusieurs statistiques et tests portent son nom. Il est le fondateur de la prestigieuse
revue scientifique Biometrika qu’il a présidé de 1901 jusqu’à sa mort.
William Sealy Gosset (1876–1937). Un chimiste qui travaillait dans la célèbre brasserie irlandaise Guinness. Il
a publié un article dans le revue Biometrika sous le pseudonyme ”Student”. Il a côtoyé et influencé les fondateurs de
la statistique moderne, Fisher et Pearson.
R.-A. Fisher (1890–1962). L’un des fondateurs de la statistique moderne. Ce statisticien et biologiste britannique
est aussi considéré comme l’un de la génétique moderne. En statistique, il a initié de grands concepts comme l’ananlyse
de la variance et l’estimation par la mt́hode de vraisemblance et plusieurs méthodes dans les tests d’hypothèses portent