Estimation et

échantillonnage Licence fondamentale en Sciences

Economiques et Gestion
Institut des études scientifiques S3

Applications du cours
Exemple 1 : Approximation d’une loi hypergéométrique par une la loi binomiale
Dans une population de 1 000 hommes adultes, 50 ont un poids supérieur à 120 kg. On considère un échantillon de taille 100
et soit X la variable aléatoire « nombre d’individus ayant un poids supérieur à 120 kg » dans cet échantillon.
-La loi suivie par cette variable est la loi hypergéométrique de paramètres :
N = 1000, n =100 et p = 50/1000 = 0, 05 : donc
P(X = k) = C
E(X) = 5 et V(X) = 4, 25

Exemple 2 : Approximation de la loi binomiale par la loi de Poisson

Parmi la production de pièces d’une machine, 4% sont défectueuses. On prélève un échantillon de 100 pièces. X = nb. de
pièces défectueuses dans cet échantillon.

(a) P(X = 0) =? X ∼ H(N, 100, 0.04) ∼ B(100, 0.04) ∼ P(m) ,

m = 100 × 0.04 = 4
Alors : P(X = 0) = 0.0183

(b) P(X < 10) = P(X ≤ 9) = 0.9919 (tables)

(c) P(X > 5) = 1 − P(X ≤ 5) = 1 − 0.7852 = 0.2148

Exemple 3 : Approximation de la loi binomiale par la loi de Poisson

La probabilité pour qu’une machine produise une pièce défectueuse est égale à 0,01. La machine a produit 300 pièces.
Donner la probabilité de reconnaître 2 pièces défectueuses dans cette production.
- Soit X « le nombre de pièces défectueuses parmi les 300 pièces ». On peut dire que X suit une B(300 ; 0,01).
La probabilité recherchée est égale à :
P(X = 2) =
- Puisque la probabilité p est inférieure à 0,1 et n > 50, on peut approcher la loi binomiale B(300 ; 0,01) par une loi de
Poisson de paramètre λ = np = 300.0, 01 = 3 et écrire X ∼ P(3) et poser finalement :
P(X = 2) = = 0, 2241
Cet exemple a été donné pour permettre uniquement la comparaison. Mais, il ne montre pas la nécessité d’un recours aux
approximations.

 Supposons maintenant que nous cherchons la probabilité d’avoir 10 pièces défectueuses parmi les 300 pièces.
Le résultat exact serait de calculer
P(X = 10) = C
qui est difficile à calculer.
 Estimation et
échantillonnage Licence fondamentale en Sciences
Economiques et Gestion
Institut des études scientifiques S3

Nous sommes amenés dans ce cas à rapprocher ce résultat durésultat donné par une loi de Poisson de paramètre 3 et de
calculer : P(X = 10) = = 0, 0008

Exemple 4 : Approximation de la loi binomiale par la loi normale :

On lance une pièce de monnaie “ honnête” 1 000 fois. Quelle est la probabilité d’obtenir au moins 548 piles ?
Solution : X désigne le nombre de piles obtenus. On cherche
P(X ≥ 548). Remarquons que
P(X ≥ 548) = 1 − P(X < 548) = 1 − P(X ≤ 547)
On peut approcher par la loi normale, car on a
n = 1000 , np = 500 , np(1 − p) = 250. Donc
P(X ≤ 547) ≈
P(X ≤ 547) ≈ 0, 99865 . ( Table de la loi normale)
D’où P(X ≥ 548) ≈ 0, 00135 (une chance sur 1000)
- Étudions la probabilité d’obtenir 5 fois pile en 20 parties de pile ou face :
- Par la loi binomiale
- Par son approximation par la loi normale.
La probabilité d’obtenir 5 piles en 20 coups est : P(X = 5) = C = 0, 0148 =1, 48%
Cette loi binomiale est approximée par la loi normale : P(X = 5) = 1, 46%
On voit sur cet exemple, que pour n=20, l’approximation est très bonne.

Exemple 5 : Approximation de la loi de Poisson par la loi normale :

Une usine fabrique 400 lampes électriques a l’heure. On admet que le nombre X de lampes défectueuses produites en une
heure suit une loi de Poisson de paramètre λ.
1- On suppose que λ = 15. Calculer P(X > 15).
2- Calculer cette même probabilité par son approximation par la loi normale.

Exemple 6 : Théorème de la limite centrale :

On jette 15 fois une pièce de monnaie.
Trouver la probabilité d’obtenir un nombre de faces compris entre 6 et 11.
- En notant par X la v.a. égale au nombre de faces obtenu au cours des 15 jets, l’utilisation de la loi binomiale donne :
P(6 ≤ X ≤ 11) = = 0, 8315
- X = X1 + X2 + .... + X15 , et en posant X = S15, avec : μ = np = 15.
P(5, 5 ≤ X < 11, 5) =
= F(2, 06) + F(1, 03) − 1
= 0, 9803 + 0, 8485 − 1 = 0, 8288
 Estimation et
échantillonnage Licence fondamentale en Sciences
Economiques et Gestion
Institut des études scientifiques S3

Exemple 7 : Distribution d’échantillonnage :

Une population est constituée des 5 nombres : 2 ; 3 ; 6 ; 8 ; 11 On considère tous les échantillons aléatoires non exhaustifs de
taille 2 : Trouver :
La moyenne et l’écart-type de la population.
La moyenne et l’écart-type de la distribution d’échantillonnage des moyennes dans les 2 cas :
a. Tirage avec remise (le cas d’un tirage indépondant). b. Tirage sans remise (le cas d’un tirage exhaustifs).

Exemple 8 : Distribution d’échantillonnage :

On choisit au hasard six nombres parmi les nombres entiers de 1 à 9, chacun de ces nombres a la même probabilité d’être
choisi. Calculer la moyenne et l’écart-type de la distribution d’échantillonnage des moyennes dans les 2 cas :
a. Tirage sans remise. b. Tirage avec remise.

Exemple 9 : Distribution d’échantillonnage :

On a une population finie composée de 3 éléments, P = {1, 2, 3}. On va effectuer des prélèvements des échantillons de taille
(n = 2 ), on fait le prélèvement dans les deux cas (tirage exhaustif et tirage non exhaustif).
Cas 1 (Tirage non exhaustif / tirage avec remise) :
- Quelle est le nombre des échantillons qui peuvent être prélevés à partir de cette population ?
- Effectuez le prélèvement de ces échantillons.
- Etablir une distribution d’échantillonnage des moyennes.
- Calculez la moyenne de la distribution d’échantillonnage des moyennes.
- Calculez l’écart-type de la distribution d’échantillonnage des moyennes.
- Peut-on nous confirmer les deux formules suivantes ?
Cas 2 (Tirage exhaustif / tirage sans remise) :
- Quelle est le nombre des échantillons qui peuvent être prélevés à partir de cette population ?
- Effectuez le prélèvement de ces échantillons.
- Etablir une distribution d’échantillonnage des moyennes.
- Calculez la moyenne de la distribution d’échantillonnage des moyennes.
- Calculez l’écart-type de la distribution d’échantillonnage des moyennes.
- Peut-on nous confirmer les deux formules suivantes ?

Exemple 10 : Distribution d’échantillonnage :

On suppose que les étudiants d’un cours de statistique aient des notes normalement distribuées avec une moyenne µ = 72 et
un écart type σ = 9.
 Estimation et
échantillonnage Licence fondamentale en Sciences
Economiques et Gestion
Institut des études scientifiques S3

1-Trouver la probabilité pour qu’un seul étudiant choisit au hasard ait une note moyenne supérieure à 80.
2-Trouver la probabilité pour qu’un échantillon aléatoire de 10 étudiants ait une note moyenne supérieure à 80.
3-Répondre à la question précédente, en supposant que la population ne suit pas une loi normale.

Exemple 11 : Distribution d’échantillonnage :

Une machine automatique fabrique des billes dont on veut contrôler le diamètre X. La quantité X est une variable aléatoire
dont les paramètre sont : µ = E(X) = 20 mm et σ(x) = 1 mm
1-On prélève à intervalles réguliers des échantillons de taille n = 100 billes, dont on mesure les diamètres xi . Soit x la
moyenne des diamètres d’un échantillon donné.
a. Quelle est la nature du tirage effectué ?
b. Quelle loi de probabilité suit la variable aléatoire x ? Préciser E(x) et σ(x) .
2-On admet maintenant que la variable X suit une loi normale N(20; 1). On prélève à intervalles réguliers des échantillons de
taille n = 4 billes, dont on mesure les diamètres xi . Soit x la moyenne des diamètres d’un échantillon donné.
a. Quelle est la nature du tirage effectué ?
b. Quelle loi de probabilité suit la variable aléatoire x ? préciser E(x) et σ(x) .

Exemple 12 : Distribution d’échantillonnage :

La consommation d’essence (en L/100km) d’un certain modèle d’automobile obéit à la loi N(9; 0, 5625). Quelle est la
probabilité lorsqu’on tire un échantillon de 20 voitures de ce type d’obtenir une consommation moyenne inférieure à
8, 51/100 km?

Exemple 13 : Distribution d’échantillonnage :

Pour un autre type d’automobiles, la consommation d’essence en moyenne est de 10L/100km et d’écart-type égale à 0,7.
Quelle est la probabilité lorsqu’on tire un échantillon de 35 voitures de ce type d’obtenir une consommation moyenne
inférieure à 9L/100 km?

Exemple 14 : Distribution d’échantillonnage de la variance :**********importante***********

Les durées de vie moyenne des écrans d’ordinateurs d’une société sont de 3000h avec un écart-type de 70h. On suppose que
les durées de vie de chaque machine, suivant des lois normales et sont indépendants. On prend au hasard 10 écrans. Trouver
probabilité que l’écart-type de l’échantillon obtenu sont compris entre 60h et 80h.

Exemple 15 : Distribution d’échantillonnage de la variance

On prélève 25 pièces dans une production industrielle. Une étude préalable a montré que le diamètre de ces pièces suivait
une loi gaussienne de moyenne 10mm et d’écart-type 2mm. Entre quelles valeurs a-t-on 85% de chances de trouver l’écart-
type de ces pièces ?

Exemple 16 : Distribution d’échantillonnage de la variance

Le poids des produits d’une marque d’électroménager suit une loi normale N(75 ;5). La charge maximale permise pour une
commande est 400kg. On veut transporter 5 unités des produits de cette marque, quelle est la probabilité que la variance S²
dépasse 55 ?
 Estimation et
échantillonnage Licence fondamentale en Sciences
Economiques et Gestion
Institut des études scientifiques S3

Exemple 16 : Distribution d’échantillonnage de la variance

On fait l’hypothèse que la taille (en cm) d’étudiantes masculins d’une école est normale de variance 100. On choisit un
échantillon de taille 30 de la population. Quelle est la probabilité que la variance échantillon soit d’au plus 142?

Exemple 17 : Estimation ponctuelle

Dans une entreprise produisant un article déterminé on veut estimer sa durée de vie en heures. À cette fin on a observé un
échantillon aléatoire et simple de 16 unités dont les résultats sont (en 1000 heures) :
1,10 1,05 1,25 1,08 1,35 1,15 1,30 1,25 1,30 1,35 1,15 1,32 1,05 1,25 1,10 1,15
Donner une estimation ponctuelle de µ, σ.

Exemple 18 : Estimation ponctuelle

Lors d’un concours radiophonique, on note X : le nombre de réponses reçues chaque jour. On suppose X ∼ N (µ, σ). Durant
10 jours on a obtenu les xi : 200 ; 240 ; 190 ; 150 ; 220 ; 180 ; 170 ; 230 ; 210 ; 210
Donner une estimation ponctuelle de paramètres de population.

Exemple 19 : Estimation par intervalle de confiance de la moyenne

On veut estimer la moyenne m d’une variable aléatoire X suivant une loi normale, de variance connue σ² = 6, 25 à l’aide
d’un échantillon de taille n=100. La moyenne ¯x de l’échantillon observée est 4,3.
1- Construire un intervalle de confiance avec un seuil 1 − α = 0, 95, Interpréter.
2- Comment construire un tel intervalle, si l’on ne connait pas la variance de X, mais seulement la variance empirique
de l’échantillon S² = 6, 76

Exemple 20 : Estimation par intervalle de confiance de la moyenne

Un fabricant reçoit de son fournisseur habituel une livraison de pièce dont il veut contrôler la longueur. La dimension X
d’une pièce suit une loi normale de moyenne m et d’écart type σ inconnus. Il extrait un échantillon de 6 pièces qui donnent
les dimensions suivantes (en centimètres) : 50 40 45 43 47 45
1- Estimer à partir de cet échantillon la variance de la longueur des pièces reçues.
2- Déterminer au risque de 5% l’intervalle de confiance de la longueur moyenne µ.

Exemple 21 : Estimation par intervalle de confiance de la moyenne

Le chiffre d’affaire mensuel d’une entreprise suit une loi normale de moyenne m et d’écart-type σ inconnus. Sur les 12
derniers mois, on a observé une moyenne des chiffres d’affaires égale à 10 000 DHs avec un écart-type de 2000 DHs.
- Donner une estimation de m par intervalle de confiance au niveau 0,98.

Exemple 22 : Estimation par intervalle de confiance de la moyenne

Une machine produit en grande série des objets de masse théorique 180g. On admet que la variable aléatoire qui associe à un
objet sa masse a pour écart-type 0,92g. On prélève un échantillon de 100 objets et on mesure la masse de chacun, on obtient
une moyenne de 179,93g.
 Estimation et
échantillonnage Licence fondamentale en Sciences
Economiques et Gestion
Institut des études scientifiques S3

- Déterminer un intervalle de confiance au seuil de risque de 1%, de la masse m d’un objet.

Exemple 23 : Estimation par intervalle de confiance de la variance

Au contrôle de la qualité d’un institut de beauté, on analyse le PH d’un certain parfum. On sait que ce facteur maintient un
aspect normal de moyenne 2,8. Afin de connaitre sa variance, on effectue un prélèvement de 25 unités de ce parfum dont on
mesure le PH. Pour certain échantillon, la valeur de ∑(xi − m)² (ou m=2,8 ) est de 0,0625.
Bâtir un intervalle de confiance qui permettra d’estimer la variance du PH de ce parfum avec un degré de certitude de 95%.

Exemple 24 : Estimation par intervalle de confiance de la variance

La consommation d’essence en (L/100km) d’un certain modèle d’automobile est distribué selon une loi normale. On note la
consommation de 25 voitures de ce modèle. On obtient une moyenne d’échantillon de 8, 7L/100km et un écart-type corrigé
d’échantillon de 0, 09L/100km.
Estimer la variance de la population par intervalle avec 90%

Exemple 25 : Estimation par intervalle de confiance de la variance

Une entreprise comporte un grand nombre d’employés avec un système de pointage des heures d’arrivée. Chaque employé
doit arriver à 8h. On a relevé le retard d’un échantillon de 25 employés. On a obtenu un retard moyen de 6,47 min pour un
écart-type moyen 1,12 min. A partir de ces informations.
Donner un intervalle de confiance au seuil de 0,9 pour l’écart-type du temps de retard.

Exemple 26 : Estimation par intervalle de confiance de la proportion

L’entreprise BOX, spécialisée dans la commercialisation de pommes de qualité, adresse à l’un de ses clients un envoi massif
de fruits. Au préalable, un contrôle de qualité portant sur un échantillon de 1000 pommes a permis de dénombrer 80 fruits
défectueux. On se propose de calculer au seuil de confiance 90% et 95% entre quelles limites est compris le pourcentage de
fruits défectueux dans l’envoi.