Corrigé des exercices d'épreuves de B.T.S.

1 – Analyses biologiques 99 a a
2 π( ) – 1 = 0,95 et à = 1,96 ,
On appelle F la variable aléatoire qui, à tout 0,01 0,01
échantillon de 50, associe le pourcentage de sportifs a = 0,0196, [Ls1,Ls2] ≈ [24,180, 24,220].
contrôlés positivement.
On admet que sous l'hypothèse p = 0,02, F suit la a a
2° P(– ≤T≤ ) = 0,99 et à
 
loi normale N  p, p (1 − p)  où p = 0,02 0,01 0,01
 n 
  a a
2 π( ) – 1 = 0,99 et à = 2,575 ,
et n = 50. 0,01 0,01
Donc F suit N (0,02 ; 0,0198). a = 0,02575 [Lc1, Lc2] ≈ [24,174, 24,226].
F − 0,02
On pose T = alors T suit la loi normale
0,0198 3° On trouve avec une calculatrice x = 24,178,
centrée réduite. x ∈ [Lc1, Ls1] donc on doit prélever immédiatement
Cherchons un réel a positif tel que : un autre échantillon.
P(0,02 – a ≤ F ≤ 0,02 + a) = 0,9 ,
a a 3 – Groupement B 2000
P(– ≤T≤ ) = 0,9
0,0198 0,0198
1° Si Y suit la loi normale N (10 ; 0,1) ; la variable
a
2 P(T ≤ ) – 1 = 0,9 , 0,1
0,0198 aléatoire Y suit la loi normale N (10 ; ),
100
a
P(T ≤ ) = 0,95 , donc Y suit la loi normale N (10 ; 0,01) .
0,0198
Par lecture inverse de la table de la loi normale
2° Y suit la loi normale N (10 ; 0,01) donc la
a
centrée réduite on a = 1,645 Y − 10
0,0198 variable aléatoire U = suit la loi normale
0,01
donc a = 1,645 × 0,0198, a = 0,0326.
Remarque : n'étant pas dans les conditions centrée, réduite N (0, 1).
habituelles d'approximation de la loi binomiale par P(10 – h ≤ Y ≤ 10 + h) =
la loi normale (np > 5), celle-ci semble peu 10 − h − 10 10 + h − 10
adéquate. P( ≤Y ≤ ),
0,01 0,01
h h
2 – Construction navale 98 P(10 – h ≤ Y ≤ 10 + h) = P(– ≤Y ≤ ),
0,01 0,01
1° La variable aléatoire X suit la loi normale de h
moyenne 24,20 et d'écart type 0,045, nous savons P(10 – h ≤ Y ≤ 10 + h) = 2 Π( )–1
0,01
que la variable X suit alors la loi normale de P(10 – h ≤ Y ≤ 10 + h) = 0,95 si et seulement si
moyenne
h
E( X ) = 24,20 et d'écart type 2 Π( ) – 1 = 0,95 qui est équivalent à
0,01
0,045
σ'= ≈ 0,01006 donc σ ' = 0,01 à 10 – 4 près. Π(
h
) = 0,975, Π((1,96) = 0,975
2 5 0,01
2° La variable aléatoire X suit la loi normale h
donc = 1,96 , h = 0,0196, h ≈ 2.
X − 24 ,2 0,01
N (24,2 ; 0,01), la variable aléatoire T =
0 ,01
4 – Plastiques et composites 98
suit la loi normale centrée réduite N (0, 1).
La variable aléatoire X qui, à tout échantillon
P(24,2 – a ≤ X ≤ 24,2 + a) = 0,95 équivaut à
aléatoire non exhaustif de taille n associe sa
a a
P(– ≤T≤ ) = 0,95 et à 0 ,02
0,01 0,01 moyenne, suit la loi normale N (12,5 ; ),
n

121
 X − 12 ,5 2° Un intervalle de confiance avec le coefficient de
la variable aléatoire T = suit la loi confiance de 95% correspondant à cet échantillon
0 ,02 est : [ f – 1,96 σF ; f + 1,96 σF] =
n 435 435
[ - 1,96 × 0,017 ; + 1,96 × 0,017].
normale centrée réduite N (0,1). 900 900
P(12,495 ≤ X ≤ 12,505) ≥ 0,97 équivaut à On obtient [0,45 ; 0,52].
0 ,005 0 ,005
P( − n ≤T ≤ n ) ≥ 0 ,97 et à 3° La partie la plus étendue de l'intervalle se trouve
0 ,02 0 ,02 inférieure à 0,5 soit inférieure à 50 %, on peut donc
estimer que le candidat A a peu de chance d'être
π ( 0 ,25 n ) ≥ 0 ,985 , 0 ,25 n ≥ 2 ,17 d'où élu.
2 ,17
n ≥ , n ≥ 8,68, 7 – Constructions métalliques 99
0 ,25
3
n ≥ 75,34, la valeur minimale de n est donc 76. a) Une estimation ponctuelle de p est f = ,
100
5 – Conception et réalisation de carrosseries f = 0,03 pourcentage obtenu dans l'échantillon.
98
La variable aléatoire X suit la loi normale b) Une estimation par intervalle de confiance de p
avec le coefficient de confiance de 90%
N (16,56 ; 0,19). La variable aléatoire X qui, à correspondant à cet échantillon est
tout échantillon aléatoire non exhaustif de taille n approximativement :
associe sa moyenne, suit la loi normale
f (1− f ) f (1− f )
0 ,19 [f – tα , f + tα ]
N (16,56 ; ), la variable aléatoire n n
n 1,90
2 π(tα) – 1 = 0,90 équivaut à π(tα) = ,
X − 16 ,56 2
T = n suit la loi normale centrée tα = 1,645 , f = 0,03 et n = 100. On obtient :
0 ,19
réduite N (0,1). 0,03 × 0,97 0,03 × 0,97
[0,03–1,645 ; 0,03+1,645 ],
P(16,4 ≤ X ≤ 16,72) = 0,95 équivaut à 100 100
0 ,16 0 ,16 Ic = [0,00 ; 0,06] à 10 – 2 près .
P( − n ≤T ≤ n ) = 0 ,95 et à Remarque : la condition d'approximation nf > 5
0 ,19 0 ,19 n'étant pas vérifiée, on peut plutôt consulter
0 ,16 l'abaque de la page 75 qui fournit pour n = 100 et
2π ( n ) − 1 = 0 ,95 et à f = 0,3 , l'intervalle : [0,005 ; 0,08].
0 ,19
0 ,16
π( n ) = 0 ,975 , 8 – Opticien lunetier 1999
0 ,19 60
1) a) Le pourcentage de clients est f = ,
0 ,16 100
n = 1,96 d'où f = 0,6. Une estimation ponctuelle de p est 0,06.
0 ,19
1,96 × 0 ,19 b) Une estimation par intervalle de confiance de p
n = , n ≈ 2,33 avec le coefficient de confiance de 95%
0 ,16
correspondant à cet échantillon est
n = 5,41, la valeur minimale de n est donc 6.
approximativement :
6 – Informatique de gestion 1998 f (1− f ) f (1− f )
[f – tα , f + tα ]
n n
435 1,95
1° Une estimation ponctuelle de p est 2 π(tα) – 1 = 0,95 équivaut à π(tα) = ,
900 2
fréquence obtenue dans l'échantillon prélevé, donc tα = 1,96 , f = 0,6 et n = 100. On obtient :
p = 0,48 à 10 – 2 près, une estimation ponctuelle
0,6 × 0,4 0,6 × 0,4
de p( 1 − p ) est 0 ,48( 1 − 0 ,48 ) ≈ 0,49959 d'où [0,6 – 1,96 ; 0,6 + 1,96 ],
100 100
– 2
une estimation ponctuelle de l'écart type à 10 Ic = [0,504 ; 0,696] à 10 – 3 près .
0,5
près : σF = , σF = 0,017 à 10 – 3 près .
30 2) Si on conserve 0,6 comme valeur de f et comme
estimation de p, un intervalle de confiance de p

122
avec le coefficient de confiance de 90 %
correspondant à un échantillon de taille n est : 12 – GROUPEMENT B 99
0,6 × 0,4 0,6 × 0,4
Ic = [0,6 – 1,645 ; 0,6 + 1,645 ], si a) Pour estimation de la moyenne µ de la
n n
population on prend la moyenne x de l'échantillon,
cet intervalle est égal à [ 0,557 ; 0,643 ] alors
donc on estime µ par 4,012 à 10 – 3 près.
0,24
0,643 – 0,557 = 2 × 1,645 × ,
n b) La variable aléatoire X suit la loi normale
σ X −µ
N (µ, ) ; donc la variable aléatoire suit
2 ×1,645 × 0,24 σ
n= , n ≈ 18,74 , n
0,086 n
n = 351 . la loi normale centrée, réduite N (0, 1).
σ σ
9 – Groupement C 2000 L'intervalle [ x – 1,96 ; x + 1,96 ] est, par
n n
définition, l'intervalle de confiance de la moyenne
On désigne par X la variable aléatoire qui à tout
échantillon non exhaustif de 100 pièces associe la µ de la population avec le coefficient de confiance
moyenne des diamètres de ces 100 pièces, 95 %. D'après a) x = 4,012 ; σ = 0,084 ; n = 60.
2 Avec ces valeurs numériques, l'intervalle de
X suit la loi normale N (µ ; ). confiance de µ avec le coefficient de confiance
100
95% est [3,991 ; 4,033].
2 2 c) D'après l'approche fréquentiste des probabilités,
I=[x–t , x+t ] où x est la moyenne
100 100 si on prélevait un très grand nombre de tels
d'un échantillon aléatoire non exhaustif. échantillons, environ 95 pour 100 d'entre eux
Si le coefficient de confiance est 2 π(t) – 1 = 0,95, contiendraient la moyenne inconnue µ de la
alors π(t) = 0,975 et t ≈ 1,96. population. En fait on n'en prélève qu'un seul et on
ne peut pas savoir si celui-ci contient ou non le
I = [249,7 – 1,96 × 0,2 ; 249,7 + 1,96 × 0,2], nombre µ, mais la méthode mise en œuvre permet
d'obtenir un intervalle contenant µ dans 95 cas sur
I = [249,308 ; 250,092] à 10 – 3 près. 100 donc, la moyenne µ n'appartient pas
nécessairement à l'intervalle de confiance.
10 – GROUPEMENT D 99
13 – BÂTIMENT 98
1° Avec une calculatrice on obtient, en grammes 1° µ estimé par x = 3,512 ,
m1 = 107,5 et s1 = 2,5
40
σ estimé par s = 0,096 à 10 – 3 près.
2° a) Pour estimation de la moyenne µ de la 39
population on prend la moyenne m de l'échantillon,
2° a) Un intervalle de confiance de la moyenne µ de
donc µ1 et µ2 sont estimés respectivement par
la population est
107,5 et 107.
σ σ
[ x – 1,96 ; x + 1,96 ] = [3,482 ; 5,542].
b) Pour estimation ponctuelle de l'écart type σ de la n n
n b) D'après l'approche fréquentiste des probabilités
population on prend s donc si on prélevait un très grand nombre d'échantillons,
n −1
environ 95 % d'entre eux contiendraient la moyenne
σ1 est estimé par 2,5
100
, σ1 ≈ 2,5 et inconnue µ.
99 En fait on n'en prélève qu'un seul et on ne peut pas
savoir si celui-ci contient ou non le nombre µ.
100
σ2 est estimé par 2 , σ2 ≈ 2.
99 c) On ne peut également savoir si µ a plus de
chances de se trouver près du centre que d'une
11 - CHIMISTE 99 extrémité de cet intervalle.

1. m1 = 4,84 ; s1 = 2,96 à 10 – 2 près. 14 – OPTICIEN LUNETIER 2000

1. La calculatrice donne pour moyenne et écart type
2. m2 = 3,88 ; s2 = 1,45 alors µ2 est estimé par de l'échantillon : x = 110,1 et s ≈ 0,9798.
µ̂ 2 = 3,88 et σ2 par σˆ 2 ≈ 1,46. A 10 – 2 près on a x = 110,1 et s ≈ 0,98.

123
 260 260
2. Une estimation ponctuelle de la moyenne est I = [1346,875 – 1,96 ; 1346,875 + 1,96 ],
8 8
µ = x = 110,1 I = [1283,15 ; 1410,55] à 10 – 2 près.

3. Une estimation par intervalle de confiance de µ

avec le coefficient de confiance de 90%
correspondant à cet échantillon est
approximativement :
1 1 17 – CHIMISTE 2000
I = [ x – tα ; x + tα ] avec x = 110,1
50 50
1) La calculatrice donne, à 10 – 2 près, pour
1,90
2 π(tα) – 1 = 0,90 équivaut à π(tα) = , moyenne et écart type de l'échantillon x = 1625,47
2 et s = 4,66.
tα = 1,645 d'où l'intervalle :
1 1 2) Une estimation ponctuelle de la moyenne est
I = [110,1 – 1,645 ; 110,1 + 1,645 ],
50 50 µ̂ = x = 1625,47 une estimation ponctuelle de
I = [ 109,87 ; 110,33] 150
l'écart type est 4,66 × soit à 10 – 2
près
149
15 – PRODUCTIQUE TEXTILE 99
A) La calculatrice donne, à 10 – 3 près, pour σˆ = 4,67.
moyenne et écart type de l'échantillon x = 2,217 et
s = 0,207. 3) a) La variable aléatoire X suit la loi normale
Une estimation ponctuelle de la moyenne est σ
N (µ, ) avec µ inconnu et l'écart type estimé
µ = x = 2,22 une estimation ponctuelle de l'écart n
12 à 10 – 2
près par σˆ = 4,67 d'où
X suit
type est 0,207 × soit σ = 0,22 à 10– 2 près.
11 4,67
approximativement la loi normale N (µ, )
150
B) 1) La moyenne de l'échantillon de 35
soit la loi normale N (µ, 0,38).
éprouvettes est y = 1,99 à 10 – 2 près.
2) Une estimation ponctuelle de la moyenne µ 1 de b) Un intervalle de confiance de la moyenne µ est
la variable aléatoire Y est 1,99. I = [ x – t × 0,38 , x + t × 0,38] où x est la moyenne
Si le coefficient de confiance est 2 π(t) – 1 = 0,99, d'un échantillon aléatoire non exhaustif.
alors π(t) = 0,995 et t ≈ 2,575. Si le coefficient de confiance est 2 π(t) – 1 = 0,95,
On donne σ1 = 0,17 avec y = 1,99 et n = 35 , on alors π(t) = 0,975 et t ≈ 1,96.
0,17 0,17 I = [1625,47 – 1,96× 0,38 ; 1625,47 + 1,96 × 0,38],
obtient : [1,99 – 2,575 ; 1,99 + 2,575].
35 35
I = [1624,72 ; 1626,22] à 10 – 2 près.
Donc un intervalle de confiance de µ avec le
coefficient de confiance 95 % est [1,91 ; 2,06] . L'amplitude de l'intervalle est 2 × 1,96 × 0,38 ≈ 1,5
pour diminuer cette amplitude il faut augmenter la
taille des échantillons.
16 – AGRO-EQUIPEMENT 99
c) Si l'amplitude de l'intervalle de confiance est 1
1) La calculatrice donne pour moyenne et écart type
4,67
de l'échantillon : x = 1346,875 et s = 256,2 alors 2 × 1,96 × =1,
à 10 – 1 près. n
n ≈ 2 × 1,96× 4,67 ,
2) On rappelle que X suit une loi normale de
260 n = 356.
moyenne µ inconnue et d'écart type
64
Si le coefficient de confiance est 2 π(t) – 1 = 0,95, 18 – GROUPEMENT D 2000
alors π(t) = 0,975 et t ≈ 1,96.
B – 1° La calculatrice donne la moyenne de
I = [ x - t σ , x + t σ ] où x est la moyenne d'un l'échantillon x ≈ 72,369 soit x = 72,37 à 10 – 2 près
n n
et l'écart type de l'échantillon s ≈ 0,11121 soit
échantillon aléatoire non exhaustif, n la taille de
s = 0,11 à 10 – 2 près.
l'échantillon et σ l'écart type de la population.

124
2° Une estimation ponctuelle de la moyenne de la
population µ est 72,37.
Une estimation ponctuelle de l'écart type de la
10
population σ est 0,1112 ≈ 0,1172 soit
9
0,12 à 10 – 2 près.

3° Un intervalle de confiance de la moyenne µ est :

0,12 0,12
I = [x– t , x+ t ] où x est la moyenne
10 10
d'un échantillon aléatoire non exhaustif.
Si le coefficient de confiance est
2 π(t) – 1 = 0,95, alors π(t) = 0,975 et t ≈ 1,96.
0,12 0,12
I = [72,37 – 1,96 × , 72,37 + 1,96 × ],
10 10
I = [72,30 ; 72,44] à 10 – 2 près.
0,08
4) Si I = [72,31 ; 72,43] on a t × = 0,06 d'où
10
0,06 10
t= , t ≈ 2,37 la table du formulaire donne
0,08
2π(2,37) – 1= 2 × 0,9911 – 1,
2π(2,37) – 1= 0,9822, donc à une unité près le
coefficient de confiance est 0,98. Au risque de 2%
un intervalle de confiance de µ est [72,31 ; 72,43].

125
 TESTS D'HYPOTHESES

Supplément à la séance n°2

Échantillonnage et estimation

ÉCHANTILLONNAGE

Un exemple utile au citoyen : l’élection présidentielle de

2002 (épisode 1)

L’attitude de l’opinion vis à vis des sondages est souvent sans nuance : on leur prête des
pouvoirs de prédiction qu’ils n’ont pas (en omettant souvent de fournir les « fourchettes »)
et (ou) on déclare qu’ils se trompent 9 fois sur 10.
On peut mettre en parallèle le dernier sondage publié par BVA et effectué sur 1000
électeurs (Jacques Chirac 19 %, Lionel Jospin 18 %, Jean-Marie Le Pen 14 %) avec le
résultat du premier tour (Jacques Chirac 19,88 %, Lionel Jospin 16,18 %, Jean-Marie Le
Pen 16,86 %) et poser la question « le sondage est-il faux ? ».
Si le sondage avait la prétention de prévoir exactement les résultats, ou ne serait-ce que
l’ordre des candidats, il serait bien sûr faux. Mais cette prétention n’est pas scientifique,
comme nous l’apprend l’observation des fluctuations d’échantillonnage.
Dans un sondage politique, tout se passe comme si on tirait au sort les 1000 électeurs. En
fait, essentiellement parce qu’un véritable tirage au hasard revient trop cher (il est très
coûteux de devoir interroger précisément la personne qui a été tirée au sort et pas une
autre), on a recourt à d’autres méthodes, comme celle des quotas, mais avec une qualité
équivalente au tirage totalement aléatoire.
« Avec la méthode des quotas, il n'existe pas de loi mathématique permettant de
déterminer la marge d'erreur d'un sondage, en pratique toutefois, on considère que la
marge d'erreur des sondages par quotas est égale, voire inférieure à celle des sondages
aléatoires. »
Jean-François Doridot, directeur du département opinion d'Ipsos Le Monde 17/03/02.

126