Académique Documents
Professionnel Documents
Culture Documents
Statistiques-Inférentielles-2022-2023-1
Statistiques-Inférentielles-2022-2023-1
Fascicule du cours
& des travaux dirigés
Statistiques Inférentielles
Semestre 2
Année Universitaire : 2023-2024
x→ - ∞ x→ + ∞
P(x1 ≤ X ≤ x2) = P (X≤x2) – P(X≤x1) = F(x2) – F(x1)
P (X≥x ) = 1 - P(X≤x) = 1 – F(x)
F est une fonction croissante sur [0,1].
2. Notion d’espérance et de variance
2.1. Cas d’une variable aléatoire discrète
E(X) = ∑ xi pipouri = 1,2,...,n
E(X) = (xf(x)) dx
1. Déterminer les lois de probabilité de chacun 4. Quel serait votre choix selon le critère de
des taux de rendement pour ces deux sociétés rentabilité, et selon le critère du risque ?
2. Calculer l’espérance et l’écart type des EXERCICE 5
rendements de chacune des deux sociétés. Le gain annuel espéré (exprimé en milliers de
3. Dans quelle société vous choisissez dinars) d’une entreprise est une VA dont la loi
d’effectuer des placements si : de probabilité est la suivante :
a. Vous utilisez le critère de rentabilité. X -2 -1 0 1 2
b. Vous utilisez le critère du risque. P(X=x) a 1/4 b 1/4 c
c. Vous utilisez le critère de rationalité : le 1. Sachant que la distribution est symétrique et
coefficient de variabilité. que la V(X) = 1; déterminer le gain annuel
Votre conseiller vous conseille, pour minimiser moyen espéré sur un grand nombre d’années
le risque, de diversifier votre portefeuille. Il passées.
vous propose deux possibilités : 2. Soit Y le gain espéré pour la même
- Le premier portefeuille se compose de : entreprise et dans les mêmes conditions de
60% des titres de MD et 40% des titres marché si l’entreprise procède à des actions de
de KD. mise à niveau bien appropriées
- Le second portefeuille se compose de : Sachant maintenant que Y est définie par : Y =
40% des titres de MD et 60% des titres 2X2 + 1 ; déterminer sa loi de probabilité, son
de KD. espérance et sa variance.
Soit une machine qui produit des pièces défectueuses en proportion p=10%. On choisi 5 pièces au
hasard et on observe si chaque pièce est défectueuse ou non. Quelle est la probabilité d’avoir :
- 0pièce défectueuse.
- Au moins 1 pièce défectueuse.
- Au plus 2 pièces défectueuses.
Remarque
Soient : X1 (n1, p) et X2 (n2,p) : 2 V.A indépendantes, on a alors
Y = X1 + X2 (n1+ n2 , p).
Si n = 1 ; X (1, p) ≡ (p)On parle d’un cas particulier de la loi inomiale : soit la loi de
ernouilli. Ainsi, la loi inomiale est la répétition n fois de la loiernouilli,
La valeur de probabilité d’une V.A qui suit la loiinomialepeut être lue directement à partir d’une
table statistique de la loiinomiale.
Exemple
Soit un processus de contrôle de qualité qui repose en une dernière étape sur l’observation par
échantillonnage d’une partie de la production. Le chef de contrôle sépare entre 3 types de produits
ayant tous le même risque de défectuosité, soit 5%.
Sachant qu’il procède, périodiquement, au prélèvement de 25 articles du type 1, 20 articles du type 2
et 15 articles du type 3 (proportionnellement à leurs quantités produites).
1. Caractériser les V.A « X1, X2, X3 » indiquant « le nombre d’articles défectueux respectivement dans
le premier, le deuxième et le troisième prélèvement » : leurs lois, leurs espérances, et leurs écarts
types. On suppose que les Xi sont indépendants. 7
2. Calculer chacune des probabilités d’observer 1 article défectueux du type 1, la probabilité
d’observer 1 article défectueux du type2 et la probabilité d’observer 1 article défectueux du type 3
parmi ceux observés.
3. Caractériser la V.A Y « nombre d’article défectueux observés lors du contrôle quelques soient
leurs types-».
4. Calculer la probabilité d’obtenir 3 articles défectueux –un de chaque type-.
5. Que peut-on déduire ?
relation P(X=x) =
2. Définition
Loi de poisson : Cette loi, étudiée par « Siméon Dénis Poisson-1837 » est apparue comme un cas de la
loi binomiale quand n est grand ; p est petit et (np)est moyenc.à.d. quand le nombre d’épreuves
répétées augmente alors que la probabilité de succès est faible. Ainsi, la loi de poisson est qualifiée
de « loi des évènements rares ». En effet, on peut, sous certaine conditions, remplacer (approximer)
la loi inomiale (n,p) par la loi de Poisson de même espérance mathématique P(np).En pratique, on
admet que cette approximation est satisfaisante pour : n≥30 & p<0,1.
Notons : λ = np c'est-à-dire la valeur moyenne de la variable
( λ ) x -λ
On aura pour X P(λ)P(X=x) = .e
x!
3. Conditions d’application de la loi
1erCas
Les conditions d’application de la loi binomiale sont réunies.
La probabilité du cas favorable est faible (p<0,1).
Le nombre des épreuves est grand (n≥30).
« np » est moyen ( np≤ 15 )
Evènement aléatoire qui suit la loi de poisson par approximation à partir de la loi inomiale.
4. Exemple
Dans un test de contrôle qualité, on a procédé aux observations suivantes d’un lot de 50 pièces. Le
taux de défectuosité relevé étant de 6%.
1. Calculer la probabilité d’obtenir 10 pièces défectueuses dans le lot choisi.
2. Quel est le nombre moyen de pièces défectueuses qu’on peut estimer avoir et quel en est l’écart
type.
2ème Cas
Il s’agit dans ce cas (et non exclusivement) de la loi du nombre de réalisation de circonstances (cas)
indépendantes d’un évènement rare dans un certain laps de temps du temps ( exemples : nombre 8
d’accidents du travail dans une usine pendant une période T ; nombre d’arrivées d’étudiants en classe
pendant la période de déroulement du cours – après un quart d’heure- ; nombre d’appels téléphoniques
pendant un intervalle de temps, le nombre d’arrivées par heure à un guichet d’une compagnie
aérienne, le nombre de pots de café vendus en une journée,…).
Exemple 1
Dans un magasin au centre ville avec 6 caisses, 60 clients sont en moyennes servis par un quart
d’heure.
1. Quelle est la probabilité qu’il y ait 15 clients servis par caisse en un quart-d’heure ?
2. Quelle est la probabilité qu’il y ait 30 clients servis par caisse en une demi-heure ?
Exemple 2
Supposons qu’il arrive en moyenne 3 voitures par minute à un poste de péage d’une autoroute. Quelle
est la probabilité qu’exactement 5 voitures se présentent au poste de péage en 1 min ?
5. Caractéristiques de la loi
Soit X une V.A tel que X suit P(λ) : les paramètres caractéristiques de cette loi sont :
E(X) = λ et V(X) = λ d’où X =
Remarque
Soient : X1suit P(λ1) et X2suit P(λ2) : 2 V.A indépendantes, on a alors Y = X1 + X2 suitP(λ1 +λ2) .
La valeur de la probabilité d’une V.A qui suit la loi de poisson peut être lue directement à partir d’une
table statistique de la loi de poisson.
En pratique,
pratique on pratiquer la distribution de Poisson si les conditions suivantes sont satisfaites :
Le nombre moyen (λ) d’occurrences (cas) demeure constant dans chaque unité de temps ou de région ;
La probabilité d’observer plus d’une occurrence dans un petit intervalle de temps ou une petite région
est négligeable (presque nulle) ;
Le nombre d’occurrences dans tout intervalle de temps ou dans une région ne dépend pas du nombre
d’occurrences dans un autre intervalle de temps ou une autre région.
Ces conditions apparaissent un peut difficile à cerner par la seule voie théorique. Ainsi, nous nous
limiterons pour le présent cours à la condition d’applications citées ci-dessus dans 1°-(1er et 2 ème
CAS)pour parler de l’application de la loi de Poisson. Ceci ne forme pas une négligence au risque
d’erreur possible puisque nous allons voir dans le dernier chapitre « tests d’hypothèses non
paramétriques » un test permettant, entre autres, de vérifier objectivement –par calcul selon
desstandards- la distribution d’une variable aléatoire donnée selon une loi de probabilité usuelle bien
déterminée.
f(x) =
On note : X N (m, σ)
1. Propriétés
f (x) ≥ 0, |R f(x) dx = 1
Pour noter qu’une variable suit une loi normale
d’espérance ‘m’ et d’écart type’ ‘σ’.
9
2. Caractéristiques de la loi
Analytiquement
Si X est une V.A qui suit N (m, σ)
AlorsE(X) = m et V(X) = σ2
Rq : La fonction y = f(x) est entièrement définie et connue dès l’instant ou l’on connaît les valeurs des
paramètres m et σ.
Graphiquement
La courbe représentative de la loi Normale a l’allure d’une courbe en cloche : elle est symétrique par
rapport à « m » abscisse pour lequel elle passe par un maximum et elle admet l’axe des x comme
asymptote.
3. Conditions d’application de la loi
1er Cas
Les facteurs de variations de X sont nombreux
Les fluctuations de X dues à ces différents facteurs sont indépendantes les uns des autres
Les fluctuations de X dues à ces différentes facteurs doivent être suffisamment petites et
approximativement du même ordre de grandeur.
2ème Cas
Sous certaines conditions plusieurs autres lois de probabilité convergent vers la loi Normal (d’ailleurs
c’est de ce fait que cette loi tire son importance)
4. Loi Normale Centrée Réduite N(0,1)
Si une V.A continue T suit la loi normale centrée réduite (c.à.d. ‘’m=0 et =1”) a pour densité
f(t) =
On considère la variable aléatoire X suit N (m, ) on veut calculer la probabilité suivante : P(X ≤x1).
Le problème c’est qu’on ne dispose pas d’une table de probabilité pour les différentes lois Normales
(suivant les valeurs de m et σ) car il faudra prévoir une infinité.
Ainsi, et à fin de faciliter l’usage de la loi Normale pour une V.A
X N (m, σ) ; on définit une nouvelle variable :
Cette nouvelle VA obéit à une loiNormale puisque Z est une fonction linéaire de X qui est une
variable Normale (m, σ).
10
P(X ≤x1) = P(X – m ≤ x1 – m) = P[ ≤ ] = P[Z ≤ z1]
Avec, z1 = . Cette dernière probabilité sera déterminée à partir de la table de la loi Normale
Remarques
1. L’intérêt de ce changement de variable est qu’il permet de ramener n’importe quelle distribution
normale à une même loi de probabilité qui est la loi normale centrée réduite N (0 , 1) pour laquelle on
dispose d’une table de probabilité.
2. L’airelimitée par la courbe représentative de la fonction de densité (distribution) de probabilité est
« f(x)dx = 1 »
3.La fonction de répartition d’une VA : F(zα) = P( Z ≤ zα ) sera notée par Π : c.à.d. que P( Z ≤ zα ) =
Π (zα).
4. Lecture de la table N (0 ,1) et de sa courbe :
Pour avoir la probabilité qui correspond à z α = 1,57 il faut lire l’intersection de laligne 1,5 et de la
colonne 0,07 ( : 1,57 = 1,5 + 0,07).Ainsi P (Z ≤ 1,57) =Π (1,57) = 0,9418
Π (1,57) se représente par l’aire de la portion du plan située entre {l’axe des abscisses et la courbe de
la densité de probabilité de Z (de la part de l’axe des ordonnées)}
&{- et la droite verticale d’équation x = 1,57 (de la part de l’axe des abscisses)}.
1. La valeur de Π (zα) ne peut être que lue à partir de la table de la loi Normale. Pour la trouver sur la
table il faut que la valeur de « zα » soit positive: zα ≥ 0.
SINON,pour des valeurs de zα ≥ 0 : P (Z ≤ - zα) = P (Z ≥ z α)= 1 - P (Z ≤ z α) =1 - Π (zα) D’où Π (-zα) =
1 - Π (zα)
2. Dans le cas où on connaît la valeur de Π (zα) et on cherche à déterminer la valeur de zα: pour la
trouver cette dernière sur la table il faut que la valeur de Π (zα) ≥ 0,5. SINON, il faut procéder aux
transformations précédentes (5°-)
1- P (z1 ≤ Z ≤ z2) = P (Z ≤ z2) – P(Z ≤ z1) = Π (z2) - Π (z1)
2- P (|Z| ≤ zα ) = P(-zα ≤ Z ≤ zα)
3- SI X1suit N(m1, 1) et X2suit N(m2, 2)
n
Soit X= ∑ x i2= x12+ x22+ … + xn2
i=1
La loi de X est appelée loi de Khi-deux à « n » degrés de libertés et on note X suit X2(n)
1.2. Caractéristique
X suit X2(n) E(X) =n et V(X) =2n
Graphiquement : la courbe de la loi X2n’est pas symétrique.
2. LA LOI DE STUDENT
2.1. Définition
Soient X et Y : deux variables aléatoires Indépendantes suivant respectivement la loi N (0,1) et la
loiX2 (n).
Xsuit N (0,1)et Ysuit X2(n)
Considérons la variable
La loi de T est appelée loi de Student ; à n degrés de liberté (n=nombre de variables indépendantes
dans Y)
T suit St (n)
12
13
Travaux dirigés N° 2
EXERCICE 1 EXERCICE 4 :
Un professeur a dix étudiants et pose trois Une entreprise fournit à un client des
questions. Sachant que le professeur interroge petites tiges métalliques dont la longueur doit
au hasard, quelle est la loi de probabilité du se situer dans l’intervalle [8cm, 12 cm].
nombre de questions posées à un étudiant Toutefois le procédé de fabrication de
particulier (bien déterminé) dans chacun des l’entreprise produit des tiges de longueur
cas suivants : moyenne de 10 cm et d’écart type 1cm ; on
Le professeur n’a pas de mémoire admet que la longueur est distribuée
Le professeur a de la mémoire normalement. Si une tige est longue, elle peut
EXERCICE 2 : être coupée pour rencontrer les normes mais un
Le directeur d’une agence de location de coût supplémentaire de 0.250 DT la tige. Si
voitures affirme que la probabilité qu’une de la tige est trop petite, elle doit être rejetée.
ses voitures louées ait un accident dans la 1- Sur une fabrication de 10 000 tiges, combien
journée est de 0.01 ; alors que l’un de ses devront être jetées ?
chauffeurs déclare que la probabilité qu’une 2- S’il en coûte 500 DT pour fabriquer 1000 tiges
des voitures louées ait un accident dans une et que le prix de vente unitaire est de 0.900 DT.
journée est 0.16. ( la probabilité qu’une voiture A quel profit l’entreprise doit elle s’attendre de
louée ait plus d’accident par jour est supposée faire pour une fabrication de 10 000 tiges.
nulle). Les accidents sont supposés EXERCICE 5 :
indépendants les uns des autres. On sait qu’une distribution normale est telle
Chaque jour 1000 voitures de l’agence sont en que :P( X< 100) = 0,9772 et P(X < 70) =
circulation. Soit R la VA égale le nombre de 0,1587
voitures de location de l’agence ayant un Calculer l’espérance mathématique et l’écart
accident dans une journée. type. 14
magasin permet de reconstituer le stock initial 3) Par quelle loi peut on approximer la loi de X?
de l’articles A, chaque matin de jour ouvrable. justifier.
Pour chaque jour ouvrable la probabilité de 4) En déduire une approximation de la loi de fn.
rupture de stock est de 0.05. Il y a On rejette maintenant l’hypothèse que la vraie
indépendance entre les différentes ruptures de proportion « p» des clients étant de 15%.
stock possibles. 5) Donner une estimation ponctuelle de la
Soit X la variable aléatoire qui, à chaque proportion des clients de « PROMO+ ».
prélèvement de 50 jours ouvrables, associe le 6) En déduire le changement à apporter à
nombre de jours, sur les 50, ou il y a rupture de l’approximation de la loi de X obtenue.
stock en article A 7) En déduire le changement à apporter à
1- Déterminer la loi suivie par X et calculer son l’approximation de la loi de fn obtenue.
espérance mathématique 8) Donner une estimation par intervalle de
2- Calculer la probabilité de l’événement (X = 2), confiance de la proportion des clients de
puis celle de l’événement (X 2) « PROMO+ » avec un niveau de confiance de
3- On décide d’approcher la loi de X par la loi de 90%.
poisson de même espérance calculer avec cette EXERCICE 13
approximation la probabilité de l’événement Soit une unité production qui fabrique des tiges
(X = 2). Que peut-on conclure avec une longueur suivant la loi normale de
4- Soit Y la variable aléatoire qui, à chaque jour moyenne 10 cm et un écart type de 1cm. Le
ouvrable associe le nombre d’articles vendus. chef de cette unité veut établir une norme de
On admet que Y suit approximativement une contrôle qui consiste à fixer une longueur
loi normale de moyenne 1800 et d’écart type maximale et une longueur minimale à
200 et que les ventes des différentes journées considérer comme limites de tolérance pour
sont indépendantes l’ensemble des tiges acceptables.
a) calculer la probabilité de l’événement (Y < 1) Quelle est la longueur maximale à tolérer pour
1940) que la probabilité qu’une tige soit rejetée parce
qu’elle est assez longue (sa longueur dépasse la
Chargé du cours : M. Farhat MIZEN 15
Institut Supérieur des Etudes Technologiques de Djerba. Cours Statistique Inférentielle.
limite maximale tolérée) ne représente que 1) Calculer la probabilité qu’il y ait 50 étudiants
0,025. servis en un ¼ d’heure.
2) Quelle est la longueur minimale à tolérer pour 2) Quelle approximation peut on envisager dans
que la probabilité qu’une tige soit rejetée parce ce cas?
qu’elle est assez courte (sa longueur est Le directeur du restaurant cherche à étudier le
inférieure à la limite minimale tolérée) ne besoin de recrutement supplémentaire. Il juge
représente que 0,025. qu’il y aurait besoin d’un nouvel ouvrier s’il
EXERCICE 14 : trouve que moins de 45 étudiants sont servis en
« ROULETABILLE » est une entreprise qui un ¼ d’heure.
fabrique des roulements avec un diamètre 3) Calculer la probabilité qu’il y ait un nouveau
suivant la loi normale de moyenne 10 mm et recrutement.
un écart type de 1mm. Le directeur Technique EXERCICE 16 :
veut établir une norme de contrôle qui consiste Le processus de fabrication d’un outillage a
à fixer un diamètre maximal et un diamètre donné 10% de produits défectueux.
minimal à considérer comme limites de 1. Trouver de deux méthodes la probabilité
tolérance pour l’ensemble des roulements que dans un échantillon de 40 outils, pris
acceptables. au hasard, deux exactement seront
1) Quel est le diamètre maximal à tolérer pour défectueux.
2. Caractérisez la variable en question.
que la probabilité qu’un roulement soit rejeté
parce que son diamètre est assez long (son EXERCICE 17 :
diamètre dépasse la limite maximale tolérée) Une étude, effectuée lors de l’élaboration d’un
ne représente que 0,005. Projet de Fin d’Etudes au restaurant de l’ISET
2) Quel est le diamètre minimal à tolérer pour que de Djerba, a relevée qu’en moyenne 20
la probabilité qu’un roulement soit rejetée étudiants sont servis en un quart d’heure (15
parce que son diamètre est assez court (son 16
min).
diamètre est inférieur à la limite minimale 1- Quelle est la probabilité qu’il y
tolérée) ne représente que 0,005. ait 50 étudiants servis en une demi-heure ?
EXERCICE 15 2- Caractérisez la variable utilisée.
Le directeur d’un restaurant universitaire veut EXERCICE 18 :
estimer l’effectif des étudiants fidèles au repas Identifier lesquelles des variables suivantes
du restaurant. Il estime pour chaque étudiant la obéissent à une loi binomiale et si tel est le cas,
probabilité qu’il prend son repas dans le déterminer les paramètres de cette loi.
restaurant universitaire pour une journée est de a) La distribution de la langue maternelle dans un
0,6. On suppose qu’il y a indépendance entre pays s’établit ainsi :
les décisions des étudiants. - Français : 65,3 %
A. ) Afin de mieux construire des prévisions des - Anglais : 21,7 %
comportements des étudiants, il procède à une - Allemand : 13 %
enquête auprès de 100 étudiants. On définit les variables aléatoires suivantes
Soit X « nombre d’étudiants prenant leurs pour un échantillon choisi avec remise de 100
repas régulièrement (fidèles) au restaurant personnes et on définit :
universitaire ». - X : nombre de personnes dans l’échantillon
1) Déterminer la loi de X. dont le langage maternel est le français.
2) Calculer son espérance et son écart type. - Y : nombre de personnes dans l’échantillon
3) Par quelle loi peut on approximer la loi de X. dont le langage maternel est l’anglais.
justifier. - W : nombre de personnes dans l’échantillon
4) Calculer la probabilité que le nombre dont le langage maternel n’est le français ni
d’étudiants fidèles au restaurant universitaire l’anglais.
dépasse la moitié des interrogés. b) On lance, en même temps, 5 dés bien
B. ) On s’intéresse maintenant à la variable Y : équilibrés.
« nombre d’étudiants servis en un ¼ d’heure ». Soient :
On admet que Y suit la loi de Poisson avec λ = - X : nombre de faces « 6 »
45. - Y : nombre de résultats pairs.
Chargé du cours : M. Farhat MIZEN 16
Institut Supérieur des Etudes Technologiques de Djerba. Cours Statistique Inférentielle.
Soit X une variable aléatoire qui obéit à une loi émet sur la région Sud-est de la Tunisie où la
normale de moyenne 100 et écart type 15. concurrence est assez vive. Les animateurs de
XN(100 ;15) « Radio-FM » souhaitent connaître son
Calculer les probabilités suivantes : audience auprès des étudiants de l’Université
P(100 ≤ X ≤ 120), P(X ≤ 130), P(X > 130), du Sud afin de mieux cerner le profil des
P(X < 90), P(X ≥ 90), P(90 < X ≤ 100) et P(90 auditeurs. Pour se faire, ils ont interrogé un
≤ X ≤ 115) échantillon de 400 étudiants pour déterminer
EXERCICE 21 : s’ils sont ou non des auditeurs de « Radio-
Le salaire annuel des employés d’une FM ». Il s’est avéré que 100 étudiants parmi les
entreprise est distribué selon une loi normal : étudiants interrogés sont des auditeurs de
N(18.000 ;4.000) « Radio-FM ».
Si on considère un de ses employés (choisi au 1) Donner la loi de probabilité de X « nombre
hasard), quelle est la probabilité : d’auditeurs de « Radio-FM », si l’on admet
a) qu’il s’agisse d’un employé qui gagne plus de l’hypothèse que la vraie proportion « p»
20.000 D d’auditeurs de cette radio dans cette région est
b) qu’il s’agisse d’un employé qui gagne au de 12%.
moins 18.500 D 2) Calculer l’espérance et la variance de X.
c) qu’il s’agisse d’un employé qui gagne entre 3) En déduire la loi de probabilité de fn = X/n.
17.000 D et 17.500 D 4) Calculer l’espérance et la variance de fn.
EXERCICE 22 : 5) Par quelle loi peut on approximer la loi de X?
Dans un établissement universitaire, le taux de justifier.
réussite est de 74%. Le professeur d’un groupe 6) En déduire une approximation de la loi de fn.
de 35 élèves pense que ce groupe se situe On rejette maintenant l’hypothèse que la vraie
exactement dans la moyenne. proportion « p» des clients étant de 12%.
a) Identifier la variable aléatoire, ses valeurs 7) Donner une estimation ponctuelle de la
possibles, sa nature et sa loi de probabilité. proportion clients de « Radio-FM ».
Chapitre 3 - L’Echantillonnage
majorité des cas, le coût d’un recensement est disproportionné par rapport à la valeur de
l’information qu’il peut fournir.
Le recours à l’échantillonnage s’impose lorsque le fait d’observer une unité de la population
entraîne la destruction de cette unité. Par exemple, lorsqu’on veut connaître la durée de vie
moyenne d’un certain lot d’ampoules électriques, chaque ampoule choisie est observée
jusqu’au moment où elle ne fonctionne plus, de telle sorte que le fait d’observer tout le lot
entraînerait la destruction de ce dernier.
Souvent, on a besoin d’obtenir rapidement de l’information en vue d’une prise de décision qui
ne peut être retardée, et une information partielle s’avère suffisante pour prendre cette
décision. Dans ces cas-là, l’échantillonnage permet d’obtenir une information adéquate
beaucoup plus rapidement que le recensement.
Si le recensement est effectué correctement, il devrait fournir une information parfaite sur la
population, puisqu’il élimine toute erreur échantillonnal. Cependant, dans le cas de grandes
populations, il peut arriver que le fait d’observer toute la population entraîne plus d’erreurs (de
nature non échantillonnal) que celui de n’en observer qu’une partie. En effet, le recensement
d’une grande population requiert beaucoup de travail, et cette tâche qui nécessite le concours
de plusieurs personnes est souvent de caractère répétitif et assez fastidieuse. De plus, lorsque
la nature de l’information désirée nécessite qu’on interviewe des gens, il peut facilement se
glisser des erreurs d’interprétation dans les questions et les réponses. La qualité des données
impliquées dans un recensement pouvant être très considérable, les chances qu’il se glisse des
erreurs dans leur enregistrement et leur compilation sont grandes. Pour toutes ces raisons, il
20
peut arriver que l’information obtenue d’un échantillon soit beaucoup plus fiable que celle
obtenue d’un recensement.
ESTIMATEUR EFFICACE :
* En terme absolu : Si sa variance est la plus faible parmi les variances des autres estimateurs sans
biais possibles.
* En terme relatif : Soient T1 et T2 deux estimateurs sans biaistq
V(T1) V(T2) * E(T1) = E(T2) =
* V(T1) V(T2)
T1 est plus efficace que T2.
Exercice
XN (m,) ; les xi sont indépendantes.
X N (E ( ) ; ) Ainsi N (m, ).
On remarque que l’écart type de x est en fonction de l’écart type de la population « ». Un problème
peut ainsi se poser lorsqu’on ne connaît pas cet écart type de la population. Dans ce cas il faut estimer
cet écart type par celui calculé au niveau de l’échantillon et noté par « S » :
S2 = D’où,S=
Ainsi, la distribution d’échantillonnage de peut changer selon la taille de l’échantillon. 3 cas sont
possibles :
1er Cas : connu alors pour :
N (m ; ) Z= N ( 0; 1)
2ème
Cas : inconnu et n 30, alors pour :
N(m ; ) Z = N ( 0; 1)
Chargé du cours : M. Farhat MIZEN 21
Institut Supérieur des Etudes Technologiques de Djerba. Cours Statistique Inférentielle.
Z= St (n-1)
3.2. Distribution d’échantillonnage d’une proportion « échantillonnal »
On considère une proportion caractérisée par une proportion « p » d’individu possédant un certain
caractère qualitatif. Si on prélève au hasard différents échantillons de cette population on remarque
que la proportion « f » d’individus possédants ce caractère qualitatif varie d’un échantillon à un autre,
on peut donc lui attribuer une V.A. ‘F’.
Le T.C.L. peut s’étendre, et on aura :
Pour un échantillon de taille n 30 on a :
F N(p ; ) N (0 ;1)
Or p est inconnu
inconnu F = est inconnu
On l’estime par
22
D’où pour n 30 : on a N (0 ; 1)
En effet ; …
NB : Si de la population est inconnu (Cas de la moyenne) →
(’)2 = c.à.d.’ =
S2 = E(S2) = E(’2)
E(S2) = 2
S2 est un estimateur sans biais de 2
23
Z = N(0,1)
(0,1)
Exercice d’application 1
Une entreprise de conserves désire connaître le poids moyen des boîtes qu’elle fabrique. Des testes
effectués il y a 2 ans permettent de considérer que le poids d’une boîte est distribué normalement avec
une variance de 9.
Un test sur un échantillon de 16 boîtes a donné un poids moyen de 219 gr. Estimer par intervalle de
confiance le poids moyen de l’ensemble des boîtes fabriquées avec un N .C de 95 %.
2ème Cas : « » de la population est inconnu & « n 30 »
Z = N(0,1)
(0,1)
Exercice d’application 2
Une entreprise de conserve désire connaître le poids moyen des boîtes qu’elle fabrique. Un test sur un
échantillon de 36 boîtes a donné un poids moyen de 219 gr avec un écart type de 1,5 gr.
Estimer par intervalle de confiance le poids moyen des boîtes avec un niveau de confiance de 99%.
3ème Cas : « » de la population est inconnu & « n 30 »
Z = St(n-1)
(n-1)
Exercice d’application 3
Une entreprise de conserve désire connaître le poids moyen des boîtes qu’elle fabrique. Un test sur un
échantillon de 9 boîtes a donné un poids moyen de 219 gr avec un écart type de 1,5 gr.
Estimer par intervalle de confiance le poids moyen des boîtes avec un niveau de confiance de 99%.
2. Cas d’une proportion
Pour déterminer un intervalle de confiance pour une proportion on utilise la distribution suivante (avec
n 30) :
Z= avec F= X / n
(n 30 )
On sait que : - m +
- m-
- m
Ainsi la valeur maximale que peut prendre l’erreur de l’estimateur par rapport à la vraie valeur (x par
E= = n=
Dans le cas ou de la population est inconnu : → On l’estime par S et on suppose que n va être à
30 qui reste à vérifier après les calculs et on calcul à priori par
E=
n= OU tq
Exemple
On veut estimer la durée de vie moyenne d’un dispositif électronique. D’après le bureau de recherche
et développement l’écart type de la durée de vie de ce dispositif serait de 100 heures. Déterminer le
nombre d’essais requis pour estimer avec un niveau de confiance de 95%, la durée de vie moyenne
d’une grande production de ce dispositif de sorte que la marge d’erreur dans l’estimation n’excède pas
50 heures.
2. Cas d’une proportion : E= F - p
Dans le cas de l’estimation d’une proportion on sait que :
-Z F-p Z
F – p Z
E=Z =
n = tq
NB : Si on a une inflation sur la valeur approximative de ‘p’ on va l’utiliser. Sinon, on utilise la valeur
de « 0,5 ».
0n sait que chez les joueurs de football, la compte environ 125 000. Les résultats sont les
fréquence cardiaque, au repos, est normalement suivants :
distribuée. Dépenses alimentaires Nombre clients
Afin d’estimer la moyenne de cette variable pour la De 60 D à mois de 80 8
population totale des joueurs, on observe un De 80 D à moins de 120 18
échantillon de 150 de ces joueurs. La fréquence De 120 D à moins de 160 26
cardiaque moyenne de cet échantillon est de 67 et De 160 D à moins de 180 22
sa variance est de 24. De 180 D à moins de 220 24
Estimer la fréquence cardiaque moyenne pour tous De 220 D à moins de 260 12
les joueurs de football avec un intervalle de De 260 à moins de 300 10
confiance de 95% de certitude. 1) Calculer une estimation ponctuelle de la
EXERCICE 14 : moyenne et de l’écart type des dépenses
Dans une banque, on suppose que le solde des alimentaires mensuelles.
comptes courants suit une loi normale de paramètre 2) Donner une estimation de la moyenne des
µ et σ. On considère un échantillon de taille égal à dépenses alimentaires mensuelles par un intervalle
50 comptes on obtient une moyenne de 130 DT et de confiance avec un risque d’erreur de 5% et 1%.
un écart type de 28 DT. EXERCICE 18
Donner une estimation de la moyenne de la Une entreprise de restauration travail sur le
population (µ) par intervalle de confiance ayant un lancement d’un nouveau produit. L’étude réalisée
terme d’erreur ne dépassant pas 5%. auprès de 200 personnes comportait cette
EXERCICE 15 : question : « A quel prix achèteriez-vous ce
On veut estimer l’espérance mathématique µ des produit ? »
notes des étudiants d’un campus universitaire. On Les résultats sont résumés dans le tableau suivant :
sait que l’écart type σ des notes de tous les Prix Nombre de réponses
étudiants de ce campus est égal à 2,3. Moins de 7 D 12
Quelle est la taille minimum de l’échantillon De 7 à moins de 8 29
d’étudiants qu’on doit prendre si on veut obtenir un De 8 à moins de 9 48 29
intervalle de confiance de 95% et dont la longueur De 9 à moins de 10 54
ne dépasse pas 0,1. De 10 à moins de 11 35
EXERCICE 16 De 11 à moins de 12 13
Pour évaluer l’effet d’une formation des personnels 12 et plus 9
sur leur productivité moyenne, nous avons procédé 1) Donner une estimation ponctuelle du prix moyen
à un calcul des quantités moyennes produites par accepté pour ce nouveau produit par l’ensemble des
travailleur chaque semaine. Sur un échantillon de acheteurs potentiels (sachant que le centre du
20 observations, la production moyenne enregistrée dernier intervalle est de 12,5) et de l’écart type.
par travailleur étant de 300 unités par semaine avec 2) Déterminer un intervalle de confiance de la
un écart type de 30 unités. moyenne des prix acceptés par l’ensemble des
1- Estimer par Intervalle de Confiance la acheteurs au coefficient de confiance de 95%.
productivité moyenne avec un Niveau de Confiance EXERCICE 19
de 97% . Une société de restauration réalise tous les ans une
2- Estimer par Intervalle de Confiance la enquête de satisfaction auprès d’un échantillon
productivité moyenne avec un Niveau de Confiance aléatoire de 200 clients.
de 95% . Interprétez. En 2004, 169 personnes se sont déclarées
Afin de ne pas dépasser l’erreur de 10 « satisfaites » ou « très satisfaites » ; en 2005, le
unités et obtenir un NC de ‘95%’, nous allons chiffre se monte à 178.
procéder à l’augmentation de la taille de 1) Donner le loi de X « nombre de clients
l’échantillon. satisfaits » et calculer E (X), V(X) et σ Xde 2004 et
3- Que doit être la nouvelle taille de 2005.
l’échantillon, sachant que l’écart type corrigé
observé est de 40 unités et que le nombre total des
« jours -travailleurs » ouvrables à partir de la date 2) Donner la loi de fn= et calculer E (fn), V (fn)
d’achèvement de la formation (population
(notée ) et de 2004 et 2005.
concernée) est de 300 jours.
3) Par quelle loi peut on approximer fn
EXERCICE 17
4) Donner un intervalle de confiance du taux de
Une enquête de dépenses en alimentation a été
satisfaction de l’ensemble de la clientèle en 2004 et
réalisée auprès de 120 clients d’une chaîne
2005 avec un risque d’erreur de 5%.
d’hypermarché ayant un portefeuille client qui en
Chargé du cours : M. Farhat MIZEN 29
Institut Supérieur des Etudes Technologiques de Djerba. Cours Statistique Inférentielle.
vraie « Probabilité = α »
H1 est *Décision erronée : Erreur de second * Bonne Décision, « Probabilité = 1- β›
vraie espèce, « Probabilité = β›
Notons les Définitions suivantes :
* Niveau (seuil) de signification d’un test : C’est la probabilité de rejeter Ho quand elle est vraie →
C’est le risque de 1er espèce.
On note α = Niveau de signification du test.
= P {Rejeter Ho / Ho est vraie}.
* Puissance d’un test : C’est la probabilité de rejeter Ho quand elle est fausse.
On note : η = Puissance du test = P {Rejeter Ho / Ho est fausse}.
= 1- P {Accepter Ho / Ho est fausse}
=1–β
* Région Critique d’un test : C’est la région de rejet de Ho.
* Règle de décision :
Chargé du cours : M. Farhat MIZEN 30
Institut Supérieur des Etudes Technologiques de Djerba. Cours Statistique Inférentielle.
3ème Cas : H1 : m ≠ mo
Décider H1 Si [ mo – ; mo + ]
Décider H0 Sinonc.à.d [ mo - ; mo + ]
normalement, est-ce que l’information obtenue par cet échantillon permet de confirmer l’opinion du
contremaître au niveau de 5% ?
b) Sur une proportion :
Dans une population, on considère un caractère C tel qu’une proportion « p » des individus présente
ce caractère.On dispose d’un échantillon de taille n sur lequel on a calculé la proportion f des
éléments(des individus) de l’échantillon ayant le caractère C. 3 Cas sont possibles :
Notons d’abord que pour n≥ 30 ; « Z à utiliser= N (0,1) »comme on aura une indication sur
p, soit « p0 » : on gardera cette expression initiale en remplaçant « p » par la valeur de « p0 » « Z =
N (0,1) »
ou encore : « Z = N (0,1) »
H0 :l’hypothèse nulle : p=p0
H1 : l’hypothèse alternative (Rejet de H0) ; soient :
1er cas : H0 : p=p0contre H1 : p<p0
32
SIF <p0 – Zα , F Région CritiqueDécider H1 c’est-à-dire Rejet de H0
SINON : Décider H0
2ème cas :H0 : p=p0contre H1 : p>p0
ϵ
SI F [p0 – Zα/2 ; p0+ Zα/2 ] , avec π (Zα/2) = 1- ALORSDécider H0
∉
SI F [p0 – Zα/2 ; p0+ Zα/2 ]Décider H1
Exemple 1 :
Une entreprise envisage de lancer sur le marché un nouveau produit. Elle lance une campagne de
publicité et estime que 60% des personnes touchées par cette campagne achèteront au moins une fois
ce produit.
Tester cette hypothèse au seuil de risque 1%, sachant que sur un échantillon de 350 personnes
interrogées, 182 se sont déclarées prêtes à acheter cette purée.
Exemple 2:
Le fournisseur de barquettes en aluminium garantit que 99% des barquettes sont étanches. Celles-ci
sont livrées par camion, en très grand nombre, une fois par mois. Un échantillon de 500 barquettes est
observé à chaque livraison pour tester l’hypothèse H 0 : p=0.01 contre celle qu’elle soit
significativement dépassée ou p : la proportion réelle de barquettes non étanches sur l’ensemble des
livraisons
Chargé du cours : M. Farhat MIZEN 32
Institut Supérieur des Etudes Technologiques de Djerba. Cours Statistique Inférentielle.
Le test est choisi de sorte que seules les proportions trop élevées conduisent à refuser H0.
Au seuil de risque 5%, quelle décision prendra-t-on si l’on trouve 7 barquettes défectueuses sur un lot
de 500 ?
33
X2calculée =
Appelée indicateur d’écart du X2 entre la distribution théorique et la distribution observée.On veut
tester l’hypothèse H0 : « les deux caractères sont indépendants » au seuil de risque α. Pour cela, on
calcule d’abord les effectifs théoriques que l’on aurait si les deux caractères étaient indépendants et
s’il n’y avait pas de fluctuations d’échantillonnage.
On admettra que X2calculée suit la loi du Khi- deux (X2) à (n-1)(p-1) degrés de liberté avec : n = nombre
de lignes et p = nombre de colonnes dans le tableau des effectifs partiels.
REGLE DE DECISION :
À partir du degré de liberté de l’exemple et du niveau du risque α retenu nous lisons à partir de la table
de X2 la valeur X2α qu’on appelle aussi X2théorique et on la compare à celle calculée (ou encore
observée) :
Si X2calculée > X2α (théorique)-- On rejette H0 --- Les deux variables sont liées.
Si X2calculée < X2α (théorique) -- On accepte H0--- Les deux variables sont indépendantes.
Procédure d’application du test
Test du Khi-deux : Une distribution statistique étant donnée (à partir d’un échantillon de taille n), l’objectif
est de comparer les effectifs observés sur cet échantillon et les effectifs théoriques que l’on aurait sur
ce même échantillon sous certaines hypothèses.Une telle comparaison permet, par exemple, de
décider (à un seuil de risque donné) si l’on doit ou non rejeter l’hypothèse qu’une variable, étudiée sur
un échantillon non exhaustif extrait d’une population Ω.
Exemple 1:
Un atelier de couture voudrait faire l’économie des frais d’entretien de ses machines à coudre. En
1995, sur 200 machines utilisées dans les mêmes conditions, 50 seulement ont été régulièrement
révisées. Fin 1995, on a constaté que pendant l’année écoulée 27 machines ont dû subir au moins une
réparation au cours de l’année, dont 11 avaient été entretenues. Tester, au seuil de risque 5%, si
l’entretien permet bien de réduire les pannes (ou même de les éliminer).
2- TEST DU KHI-DEUX APPLIQUE A LA COMPARAISON DE DEUX DISTRIBUTIONS :
Soit X une V.A définie sur une population Ω.
On dispose d’un échantillon de taille n, extrait de cette population :
Les observations, obtenues sur cet échantillon, sont réparties en « k » classes,
Les effectifs observés sont notés O1, O2, …..Ok ; leur somme vaut n.
On veut tester l’hypothèseH H0 : « X suit une certaine loi théorique »au seuil de risque α. Pour
cela, on calcule d’abord les effectifs théoriques que l’on aurait si X suivait exactement la loi théorique
supposée, et s’il n’y avait pas de fluctuations d’échantillonnage. Ces effectifs théoriques sont notés T 1,
T2, ….Tk et leur somme vaut n. On utilise par la suite la VA calculée : X2calculée
planches dont la longueur en centimètres est notée X. sur un échantillon de 400 planches, on a relevé
les longueurs suivantes, réparties en 5 classes :
Longueur (Ti) Nombre de planches(Oi)
170, 180 10
180,190 52
190,210 270
210,220 50
220, 230 18
Nous nous proposons d’utiliser ces données pour déterminer si l’on peut penser que la longueur des
planches coupées par cette machine suit par exemple une loi Normale.
Une étude graphique permet d’avoir une idée de la loi suivie par la variable étudiée.
Le test du Khi-deux (ou X2) permet d’évaluer par le calcul la qualité de cet ajustement.
Parreprésentation graphique de la distribution :
Dans le cas d’une série classée, on étudie si l’histogramme évoque par la forme décrite par les
sommets des battons celles d’une courbe représentative de la probabilité d’une loi classique (usuelle).
Suite de l’exemple :
Tracer l’histogramme de la série donnée précédemment et commenter.
Remarques :
Le test X2 s’applique à des effectifs et non à des fréquences.
Les effectifs théoriques de chaque classe doivent être supérieurs à 5. Si ce n’est pas le cas, regrouper
plusieurs classes consécutives entre elles.
Les Ti sont des effectifs « fictifs » et ne sont pas nécessairement entiers. Leur somme doit être à la
somme de des Oi
X2 est une V.A : il s’agit d’une réalisation qui dépend de l’échantillon utilisé pour le test.
Pour procéder à un ajustement de la loi de la variable étudiée, il faut :
Chargé du cours : M. Farhat MIZEN 34
Institut Supérieur des Etudes Technologiques de Djerba. Cours Statistique Inférentielle.
Choisir la loi ;
Choisir les paramètres : soit à priori, soit à partir de l’échantillon
La conclusion à obtenir à partir de ce test n’est pas une certitude. D’une part il ya un risque d’erreur,
d’autre part plusieurs ajustements différents peuvent être acceptables. De plus plusieurs variables dont
la liaison est logiquement insensée, peuvent être déclarées dépendantes par les simples calculs du test
X2 .
Exemple 2 :
Sur un échantillon de 30 paquets de 100 vis de basse qualité, on a compté dans chaque paquet le
nombre de vis défectueuses. On a obtenu les résultats suivants :
Nombre de vis défectueuses Effectif observé (nombre de paquets)
0 4
1 7
2 9
3 6
4 4
Au seuil de 5% cet échantillon est-il compatible avec l’hypothèse que le nombre X de vis défectueuses
par paquet suit une loi de poisson de paramètre 2 ?
35
Travaux dirigés n4
EXERCICE 1 d’un échantillon « j » de 100 tiges
Une association d’automobilistes affirme que
le coût de fonctionnement annuel moyen d’une donne = 9.95 cm avec un écart type
automobile est de 3600D avec un écart type de corrigé Sj= 1cm. Le contrôleur veut
800D. Pour vérifier cette affirmation, on décider si la différence « – » doit
prélève un échantillon de 64 automobilistes être jugée significative ou seulement dû
chez qui on trouve un coût de fonctionnement aux fluctuations d’échantillonnage.
annuel moyen de 3950. Au niveau de 2. Au seuil de risque 5% peut-on affirmer que
signification de α = 0,05 peut on accepter les tiges produites dans les deux journées
l’affirmation de l’association ? « i » et « j » sont de même longueur
EXERCICE 2 moyenne.
Une joueuse de golf pratique son sport préféré 3. En déduire si la production de la
à tous les jours. Son score pour un parcours de journée « j » est conforme à la norme de
18 tours est une variable aléatoire qui obéit à longueur.
une loi normale d’écart type 7. Elle affirme que EXERCICE : 5
son score moyen de 80. On prélève un Une étude de qualité menée au sein de
échantillon de 20 scores et on trouve un score l’université privée s’est intéressée à
moyen de 82. Au niveau de signification α = l’évaluation du taux d’encadrement « = nombre
0,05, peut on accepter l’affirmation de cette des enseignants / nombre des étudiants en
joueuse ? P.F.E ». Le responsable de cette étude affirme
EXERCICE 3 qu’un taux d’encadrement de « 0.5 » donne
Dans une usine on remplit des sacs de sucre de une bonne appréciation de la qualité
façon à ce que le poids moyen soit de 5 Kg. d’encadrement.
Au moment de livrer de la production, le En effet, il estime à partir d’un échantillon de 36
universitaire qui confirme que le temps moyen catégorie). Ainsi, il serait inutile de l’éditer si
alloué par étudiant à suivre des programmes cette proportion étant statistiquement inférieure
sans intérêt instructif (TV ou internet) est de 3 à 20%.
heures par jour. Ils se mettent alors à Afin de juger la dite utilité, le responsable
l’observation du comportement d’un procède à deux tests :
échantillon de 100 étudiants au foyer et 1. Le premier ; porte sur un échantillon de
trouvent que le temps moyen alloué par 200 cadres supérieurs a donné 36 lecteurs
étudiant à suivre ces programmes est de 2,92 du journal.Tester, au seuil de 5%, l’utilité
heures par jour avec un écart type d’ 1 heure. de l’édition du journal économique
spécialisé aux cadres supérieurs.
Ils décident de donner une note négative à ce
2. Le second ; porte sur un échantillon de 200
comportement si la déclaration du directeur du individus de professions libérales a donné
foyer est réelle. Elle sera positive si la réalité 30 consultants du journal.Tester, au seuil
est significativement inférieure à cette de 5%, l’utilité de l’édition du journal
déclaration. économique spécialisé à la profession
1. Tester, au risque de 7%, si la note à libérale.
obtenir serait négative par le test EXERCICE 9
suivant :H0: m = 3H1: m < 3 Les L’entreprise MN procède à un diagnostic
responsables du foyer procèdent, à cet Qualité du système management. Le directeur
effet, à une compagne de sensibilisation informe le contrôleur de Qualité que le nombre
de l’importance des programmes moyen d’absence par mois étant de 5
instructifs dans le développement travailleurs avec un écart type de 2. Ce dernier
humain. Ils jugent que l’observation procède à la vérification de cette information
(et / ou l’écoute) d’un temps moyen d’1 sur un échantillon de 300 jours ouvrables. Et
heure par jour des programmes trouve que le nombre moyen d’absence par
instructifs est le minimum nécessaire et 37
mois dans cet échantillon de 6.
que si cette valeur est significativement 1. Tester au seuil de 5% si le contrôleur
dépassée nous pouvons nous attendre à juge que l’affirmation du directeur est
un bon potentiel du développement de réelle ou que la réalité dépasse
leur niveau d’instruction.L’observation largement sa valeur.
de nouveau d’un échantillon de 100 Après la mise en place du système de
étudiants qui ont étaient ciblés par la management Qualité, le directeur veut
dite compagne a donné un temps étudier son effet sur le taux d’absentéisme.
moyen alloué par jour aux programmes Ce taux était avant cette action de 0,16. Le
instructifs de 1,2 heures par étudiant directeur se met à calculer le taux
d’absence sur un échantillon de 40 jours
avec un écart type de 0,5 heure.
ouvrables et remarque à ce fait un taux de
2. Tester, au risque de 1%, si l’on peut 0,10.
s’attendre à un bon potentiel du 2. Peut-il affirmer, au seuil de 1%, que le
développement du niveau nouveau taux d’absence est
d’instruction par le test suivant : H0: m significativité inférieur à 0,16 ?
= 1 contre H1: m > 1 EXERCICE 10 :
EXERCICE 8 Les spécialistes affirment que l’un des facteurs
On s’intéresse aux proportions respectives de qui peut favoriser l’amélioration du niveau
cadres supérieurs et de professions libérales scientifique des étudiants est la lecture. A ce
lisant un certain journal économique spécialisé. propos ils consultent le directeur d’un institut
Pour savoir s’il est opportun de conserver ces universitaire qui confirme que le temps moyen
actifs dans la même catégorie alloué par étudiant à la lecture est de 4 heures
socioprofessionnelle du fichier clientèle de par jour. Ils se mettent alors à l’observation du
l’éditeur, on décide d’effectuer un test de comportement d’un échantillon de 280
proportion. Un responsable considère que étudiants au foyer et trouvent que le temps
l’édition du journal spécialement à une moyen alloué par étudiant à la lecture est de
catégorie est utile si la proportion de ceux qui 3,5 heures par jour avec un écart type d’ 1,5
le consultent atteint les 20% (de cette heure.
Chargé du cours : M. Farhat MIZEN 37
Institut Supérieur des Etudes Technologiques de Djerba. Cours Statistique Inférentielle.
Tester, au risque de 5%, les deux hypothèses différents et enregistre les quantités vendues
suivantes : H0: m = 4 contre H1: m < 4 comme suit:
EXERCICE 11 : Ventes en fonction du prix
A partir de statistiques compilées dans le passé, Type du fer Prix (X) Quantités
on sait que 40% des individus d’une certaine à repasser Vendues (Y)
région achètent le savon de marque « SAV ». Type 1 18 25
On vient de terminer une compagne Type 2 20 35
publicitaire dans cette région faveur de ce Type 3 32 21
dernier et pour en vérifier l’efficacité, on tire Type 4 40 15
un échantillon aléatoire de 500 personnes de la Type 5 50 14
région, et on leur demande si maintenant elles 1- Quelle est la variable indépendante et quelle est
achètent ou non ce savon. la variable dépendante ?
Si 235 personnes répondent « oui », peut-on 2- Calculer le coefficient de corrélation linéaire r
conclure que la compagne publicitaire a été (interpréter sa valeur absolu).
efficace au niveau de signification α = 0,05 ? 3- Déterminer la meilleure droite d’ajustement
EXERCICE 12 linéaire : Y = a X + b.Interpréter la valeur de
Un commerçant veut estimer des mesures « â ».
relatives à la satisfaction de sa clientèle à 4- Si le commerçant décide d’offrir un
propos de la diversité de ses produits. D’un sixième type à un prix de 28 DT, quelle serait
questionnaire distribué sur 10 régions ; il a pu la quantité de fer à repasser à vendre
relever la distribution des scores moyens mensuellement de ce type ?
accordés par région suivante : EXERCICE 15
Score moyen par Effectif Observé Oi
Une étude de marché au près de 500 épiciers
région = « Xi »
4 2 mettant en relation les critères de choix de
38
6 3 leurs fournisseurs et leurs intentions de fidélité
7 4 à ces fournisseurs a donné le tableau croisé
9 1 suivant :
Total 10 Critère de Intention defidélité Total
Tester, avec un risque α = 5%, si le score choix du Non Fidélité Fidèle
moyen par région : ‘X’ suit β (10 ; 0.5). fournisseur fidèle moyenne
EXERCICE 13 Connaissance 5 20 100 125
Le responsable d’une superette a établi la du fournisseur
distribution empirique des arrivées de la Prix 70 150 30 250
clientèle (xi) pendant 25 jours (n). Le tableau Diversité et 25 30 70 125
suivant a été obtenu : qualité des
xi ni produits
0 5 Total 100 200 200 500
1 8 Peut-on affirmer, au seuil de risque de 5%, que
2 6 ‘l’intention de fidélité’ des épiciers à leurs
3 3 fournisseurs dépend du ‘critère de choix du
4 2
5 1 fournisseur’ ?
= 25
1) Calculer la moyenne et la variance.
2) À quelle loi théorique estimez-vous pouvoir
ajuster la distribution observée des arrivées de
clients au seuil du risque de 1%?
EXERCICE 14
Un commerçant de fer à repasser veut étudier
le type de corrélation entre le prix en DT des
produits qu’il commercialise et les quantités
vendues mensuellement. Il observe alors pour
5 types de fer à repasser qu’il offre à des prix