9 Inférence statistique: CORRIGÉS

0.1 Petit rappel pour trouver les bornes qui contiennent 1−α % des résul-
tats d'une N (0, 1) ou tk

Figure 1: K - la grandeur réelle d'une bouteille

EXERCICE 9.1.

Cet exercice consiste à construire un intervalle de conance sur une grandeur réelle K . Cette
grandeur pourrait être la hauteur d'une bouteille par exemple (comme sur la Figure 2).

Figure 2: K - la grandeur réelle d'une bouteille

1
On construit cet intervalle de conance en prenant 10 mesures au micromètres de cette
grandeur K . Chaque mesure peut être représentée par une variable aléatoire X ∼ K + E
(chaque mesure vaut la grandeur réelle K additionnée au résultat d'une variable aléatoire E
qui représente l'erreur de mesure).

D'après l'énoncé, E ∼ N (0, σ) (les erreurs suivent une loi normale de moyenne 0 et d'écart-
type inconnu). Il est noté dans l'énoncé "de même écart-type". Mais il serait plus clair de
juste noter : "d'écart-type inconnu". On peut donc déduire que X ∼ N (K, σ) car K est une
constante. Donc si l'on ajoute une constante à chaque résultat de E , sa moyenne augmente
simplemente de K .

On peut alors caractériser X̄ , la variable aléatoire qui représente la moyenne calculée sur 10
mesures de la grandeur K . (On pourrait faire une innité de mesures. Donc quand on en prend
10 au hasard, on peut obtenir diérentes moyennes. X̄ représente ces diérentes moyennes
sur 10 mesures). D'après la théorie, on sait que :
σ
X̄ ∼ N (K, √ )
10
.
Le problème est que l'on ne connait pas σ , donc on ne peut pas connaitre X̄ via la formule ci-
dessus. On va donc transformer par approximation X̄ grâce à une loi de student et l'écart-type
mesuré sur les 10 mesures (s = 0.0039). On aura un estimateur T :

X̄ − K
T ∼ ∼ t9
√ s
10−1

Il faut ensuite trouver la valeur z telle que:

P (−z ≤ T ≤ z) = 1 − α = 95%

On trouve la valeur de z dans les tables grâce à la relation suivante:

α
P (T ≤ z) = 1 − α + = 97.5%
2
On obtient selon les tables que z = 2.262. On peut donc construire l'intervalle de conance
sur K comme suit:

x̄ − K
P (−2.262 ≤ √ ≤ 2.262) = 95%
s/ 9

2
 s s
⇐⇒ P (x̄ − 2.262 · √ ≤ K ≤ x̄ + 2.262 · √ ) = 95%
9 9
On obtient donc que K ∈ [4.0759 ± 2.262·0.0039
3 ] avec 95% de sécurité.

EXERCICE 9.2.

Dans cet exercice nous recherchons l'eectif minimum, dénoté n, d'un échantillon à tester pour
que la longueur de l'intervalle de sécurité construit sur base de cet échantillon ait une longueur
(distance entre la borne supérieure et la borne inférieure) plus petite que 20 (secondes). Le
temp de calcul moyen, dénoté µ sera caractérisé comme suit:

µ ∈ [x̄ ± β]

Un intervalle de conance est en eet centré en x̄ et de même longueur à droite qu'à gauche
de x̄. On doit donc imposer que la valeur de β soit plus petite que 10 et cela nous permettra
de trouver n.

Soit Xi = "le temps de calcul d'un problème de plus court chemin" ∼ N (µ, 100). On a donc
√
X̄ = n1 ni=1 Xi ∼ N (µ, 100/ n).
P

On peut dénir l'estimateur

X̄ − µ
T = √ ∼ N (0, 1)
100/ n
Comme précédemment on obtient l'intervalle de conance suivante:

1.96 · 100
µ ∈ [x̄ ± β] = [x̄ ± √ ]
n
(où 1.96 est trouvé dans les tables normales). Finalement on obtient que:

1.96 · 100
β= √ ≤ 10
n

⇐⇒ n ≥ 384.16 =⇒ nminimum = 385

EXERCICE 9.6.

Sur base des échantillons A et B, on peut calculer les moyennes et variances calculées:

 A : x̄A = 63.516 et s2A = 0.2788

 B : x̄B = 62.567 et s2B = 0.1624

3
 √
L'hypothèse nulle H0 consiste à dire que µ1 = µ2 . On sait que X̄1 ∼ N (µ1 , σ1 / n1 ) et que
√
X̄2 ∼ N (µ2 , σ2 / n2 ). Donc une variable aléatoire qui représente la diérence entre X̄1 et X̄2
suivra la loi: s
σ12 σ22
X̄1 − X̄2 ∼ N (µ1 − µ2 , + )
n1 n2
En théorie, si H0 est vraie on peut centrer réduire X̄1 − X̄2 pour obtenir T :
(X̄1 − X̄2 )
T = q 2 ∼ N (0, 1)
σ1 σ22
n1 + n2

En eet, en retirant la diérence des moyennes µ1 et µ2 on devrait obtenir zéro selon H0 .

Ecarts types réels connus: σ1 = 1 et σ2 = 0.1

On va injecter les valeurs de x̄1 et x̄2 dans X̄1 et X̄2 et vérier qu'on obtient une valeur pour
T qui fait bien partie des résultats les plus probables à 95% pour une N (0, 1). Dans ce cas,
ca veut dire que les résultats trouvés pour x̄1 et x̄2 sont susamment similaires que pour
accepter H0 . Sinon, ca veut dire qu'ils ne sont pas susamment proches que pour accepter
que T ∼ N (0, 1) et donc que µ1 = µ2 . On devra dans ce cas, rejeter H0 . Selon les tables, 95%
des résultats d'une N (0, 1) sont compris entre -1.96 et 1.96. Or,

(63, 516 − 62, 567)

T = q = 2.108 > 1.96
1 0.12
5 + 4
On rejette donc H0 car la diérence entre x̄1 et x̄2 est trop grande !

Ecarts types réels inconnus mais égaux: σ1 = σ2

Dans ce cas, comme on ne connait pas les écarts types réels, on ne pourra pas calculer T
comme ci dessus. On va donc approximer T grâce à la loi de student:

X̄1 − X̄2
T =q ∼ tn1 +n2 −2 = t7
n1 s21 +n2 s22 n1 +n2
n1 +n2 −2 n1 n2
Le mécanisme est le même que précédemment mais s'applique à une loi de student. On va
injecter les valeurs de x̄1 , x̄2 , s1 et s2 dans T et on va voir si la valeur de T résultante fait
partie des 95% des résultats les plus probables d'une loi de student t7 . Selon les tables, 95%
des résultats d'une t7 se trouvent entre -2.365 et 2.365. Or,

T = 2.63 > 2.365

On rejette donc H0

4
EXERCICE 9.12.

H0 : dé équilibré. Soit X = "le nombre de 1 ou 2 sur 8000 lancés". A chaque lancé de dé, on
a une chance sur trois d'obtenir 1 ou 2. On peut donc dire que:
 8000 r 1 2
X ∼ B(8000, 1/3) |{z}
−→ N , 8000. .
3 3 3
DeM oivre

En centrant et réduisant X on obtient:

X − 8000
3
T =q ∼ N (0, 1)
8000. 13 . 23

De nouveau, grâce aux tables, on sait que 95% des résultats d'une N(0,1) sont compris entre
-1.96 et 1.96. On va donc injecter le nombre de fois qu'on a trouvé 1 ou 2 en lancant 8000
fois un dé et vérier si ca donne une résultat pour T qui est bien compris entre -1.96 et 1.96.
Dans ce cas on acceptera l'hypothèse nulle: le dé est équilibré et donc j'avais bien une chance
sur 3 d'obtenir 1 ou 2.
On obtient que T = 9 > 1.96 donc on rejette l'hypothèse nulle!