1 Quelques éléments de réponse de la série 1

Exercice 2
1- Population : Les dispositifs électroniques. Taille de la population : 50 dispositifs. Individu : Un dispositif
électronique. Variable : La durée de vie en heures.
Type de variable : Variable quantitative continue.

2- Le tableau statistique complet est représenté comme suit :

Durée de vie (heures) ni Effectif corrigé fi Fi Ni

[0, 200[ 13 13 0.26 0.26 13
[200, 400[ 8 8 0.16 0.42 21
[400, 800[ 14 7 0.28 0.70 35
[800, 1000[ 6 6 0.12 0.82 41
[1000, 1400[ 7 3.5 0.14 0.96 48
[1400, 1600[ 2 2 0.04 1.00 50

3-

4- La fréquence cumulée qui correspond à la durée de vie inférieure à 800 heures est la fréquence cumulée de la
classe [400, 800]. Donc le pourcentage est 0.7 ∗ 100 = 70%.

La fréquence cumulée de la classe [0, 200] est 0.26. Donc, le pourcentage de dispositifs ont une durée supérieure
ou égale à 200 est (1 − 0.26) ∗ 100 = 74%.

5- On calcule les indicateurs de tence centrale : le mode, la médiane et la moyenne. Ensuite, on va calculer Q1
et Q3 car ils seront utilisés pour tracer le diagramme en boîte.

La classe modale est [0, 200[ car il correspond à l’effectif corrigé maximal. Donc le mode
(13 − 0)
M ode = 0 + 200 ≈ 144.44.
(13 − 0) + (13 − 8)

La classe médiane se situe à la valeur où Fi dépasse 0,5. Selon le tableau, cela se produit dans la classe [400, 800].
Donc, la médiane est :
0.5 − 0.42
M = 400 + × (800 − 400) ≈ 514.29.
0.7 − 0.42
Q1 se situe à la valeur où Fi dépasse 0,25. Selon le tableau, cela se produit dans la classe [0, 200]. Alors,
0.25 − 0
Q1 = 0 + × (200 − 0) ≈ 192.31.
0.26 − 0
Q3 se situe à la valeur où Fi dépasse 0,75. Selon le tableau, cela se produit dans la classe [800, 1000]. Alors,
0.75 − 0.7
Q3 = 800 + × (1000 − 800) ≈ 883.33.
0.82 − 0.7
La moyenne x̄ est :
6 6
1X X
x̄ = ci × ni = ci × fi
n
i=1 i=1

1
 où ci est la valeur moyenne de chaque classe.

x̄ = (100 × 0.26) + (300 × 0.16) + (600 × 0.28) + (900 × 0.12) + (1200 × 0.14) + (1500 × 0.04) = 578.

6- On calcule la variance, l’écart type et l’étendue.

La variance V (X) est donnée par :
N
!
X
V (X) = fi c2i − x̄2
i=1

On a
N
X
fi c2i = (0.26 × 10000) + (0.16 × 90000) + (0.28 × 360000) + (0.12 × 810000) + (0.14 × 1440000) + (0.04 × 2250000)
i=1

= 537600
Donc,

V (X) = 537600 − 5782 = 203816

√
L’écart type σ = 203816 ≈ 451.93.

Étendue = xmax − xmin = 1600 − 0 = 1600.

7-On a Q1 = 192.31, M = 514.29 et Q3 = 883.33. Donc, L’écart interquartile EIC = Q3 − Q1 = 691.02

On a
Q1 − 1.5 × EIC = 192.31 − 1.5 × 691.02 = −844.22,
Q3 + 1.5 × EIC = 883.33 + 1.5 × 691.02 = 1919.86.
Donc la borne inférieure a = max(0, −844.22) = 0 et la borne supérieur b = min(1600, 1919.86) = 1600.
8- On a σ = 451.93 et x̄ = 578. Le coefficient de variation est :
451.93
CV = ≈ 0.781.
578
0.15 ≤ CV ≤< 0.85. Donc, la série statistique est homogène.
3(x̄−M )
Le coefficient d’asymétrie de Pearson Ap = σ > 0 avec x̄ = 578 et M = 514.29. Donc, cette série est
asymétrique vers la droite.

9-

2
Exercice 5
Partie A

Budget (euros) Fréquence cumulée Fréquence Effectif

[800, 1000[ 0.08 0.08 n1 = 0.08n
[1000, 1400[ 0.18 0.10 n2 = 0.10n
[1400, 1600[ 0.34 0.16 n3 = 0.16n
[1600, y[ 0.64 0.30 n4 = 0.30n
[y, 2400[ 0.73 0.09 n5 = 0.09n
[2400, 4000[ 1.00 0.27 n6 = 0.27n

1- On a x − 800 = 3200, donc x = 4000.

2-a : On a P 6 6
i=1 ni · ci X
x̄ = = fi · ci = 1995.
n
i=1

où : - ni et fi représentent l’effectif et la fréquence de chaque classe, respectivement. ci est le centre de chaque

classe et n est l’effectif total.
En remplaçant les valeurs, on obtient :
1600 + y y + 2400
1995 = 0.08 · 900 + 0.10 · 1200 + 0.16 · 1500 + 0.30 · + 0.09 · + 0.27 · 3200
2 2
Après les calculs, on obtient :

1995 = 72 + 120 + 240 + 240 + 0.15y + 0.045y + 108 + 864

1995 = 1644 + 0.195y

1995 − 1644
y= = 1800
0.195

2-b La classe médiane correspond à la fréquence cumulée de supérieur ou égale 0.50. La médiane M se trouve
dans l’intervalle [1600, y[.
 
0.5 − 0.34
M = 1600 + · (y − 1600)
0.64 − 0.34

1920 = 1600 + 0.5333 · (y − 1600)

320 = 0.5333 · (y − 1600)

320
y − 1600 = = 600
0.5333
y = 1600 + 600 = 2200

3
Partie B
4-Pour y=2000, les intervalles et leurs fréquences sont :

[800, 1000[ : f1 = 0.08

[1000, 1400[ : f2 = 0.10
[1400, 1600[ : f3 = 0.16
[1600, 2000[ : f4 = 0.30
[2000, 2400[ : f5 = 0.09
[2400, 4000[ : f6 = 0.27

La moyenne est donnée par :

x̄ = 0.08 · 900 + 0.10 · 1200 + 0.16 · 1500 + 0.30 · 1800 + 0.09 · 2200 + 0.27 · 3200 = 2034
La médiane correspond à la valeur pour laquelle la fréquence cumulée atteint 0.50. Les fréquences cumulées
sont :
[800, 1000[ : 0.08
[1000, 1400[ : 0.18
[1400, 1600[ : 0.34
[1600, 2000[ : 0.64
[2000, 2400[ : 0.73
[2400, 4000[ : 1.00
La médiane se trouve dans l’intervalle [1600, 2000]. Alors
 
0.50 − 0.34
M = 1600 + · 400 = 1813.33.
0.64 − 0.34
5- En utilisant les données, on a
6
1X
V (X) = ni c2i − (x̄)2
n
i=1
1
604044 = 4741200000 − 20342
n
4741200000
604044 = − 4137156
n
4741200000
= 4741200
n
4741200000
n=
4741200
n = 1000
ni
D’autre part, on sait que fi = n. Donc, ni = fi ∗ n.

4
Exercice 9
On donne pour 6 usines, le chiffre d’affaires X (en millions de dirhams) et le bénéfice annuel Y (en millions de
dirhams).

X 10 14 24 30 38 44
Y 2 3 6 8 10 12
1. La covariance entre X et Y est donnée par :
n
1X
Cov(X, Y ) = (xi yi ) − x̄ȳ
n
i=1

On a :

x̄ = 10+14+24+30+38+44
6 = 160
6 ≈ 26.67 et ȳ = 2+3+6+8+10+12
6 = 41
6 ≈ 6.83.
La covariance est :

(10 × 2) + (14 × 3) + (24 × 6) + (30 × 8) + (38 × 10) + (44 × 12)

Cov(X, Y ) = − (26.67 × 6.83) ≈ 43.45 > 0.
6
Donc, X et Y se varient dans le même sens.
)
Le coefficient de régression a = Cov(X,Y
Var(X)
On commence par calculer V ar(X), on a :
n
1X 2 102 + 142 + 242 + 302 + 382 + 442
Var(X) = xi − x̄2 = − (26.67)2 ≈ 147.56.
n 6
i=1
43.45
Donc le coefficient de régression a = 147.56 = 0.29.

2. On commence par calculer V ar(Y ). On a

n
1X 2 22 + 32 + 62 + 82 + 102 + 122 = 4 + 9 + 36 + 64 + 100 + 144
Var(Y ) = yi − ȳ 2 = − (6.83)2 ≈ 12.85.
n 6
i=1

Le coefficient de corrélation r est donné par :

Cov(X, Y )
r=p
Var(X) · Var(Y )
Ainsi, le coefficient de corrélation r est :
43.45
r=√ ≈ 0.998.
147.56 · 12.85
Le coefficient de corrélation est très proche de 1, ce qui indique une forte corrélation linéaire positive entre X
et Y .
3. Oui, il est possible de faire un ajustement linéaire car le coefficient de corrélation est très proche de 1,
indiquant une forte relation linéaire entre X et Y .

4. L’équation de la droite de régression de Y sur X est donnée par :

Y = aX + b

5
Nous avons déjà calculé a ≈ 0.295. Calculons b :

b = ȳ − ax̄ ≈ 6.83 − 0.295 × 26.67 ≈ −1.04

Ainsi, l’équation de la droite de régression est :

Y = 0.295X − 1.04
5. Utilisons l’équation de la droite de régression pour estimer Y lorsque X = 48 :

Y = 0.295 × 48 − 1.04 ≈ 13.12

Ainsi, le bénéfice estimé pour un chiffre d’affaires de 48 millions DH est d’environ 13.12 millions DH.

6
 Démontrer que Γ(x + 1) = xΓ(x)
La fonction Gamma est définie pour x > 0 par l’intégrale suivante :
Z ∞
Γ(x) = tx−1 e−t dt
0
Pour démontrer que Γ(x + 1) = xΓ(x), nous partons de la définition de Γ(x + 1) :
Z ∞
Γ(x + 1) = tx e−t dt
0

Nous utilisons l’intégration par parties, où nous posons : - u = tx et dv = e−t dt

- Alors du = xtx−1 dt et v = −e−t

R R
En appliquant l’intégration par parties u dv = uv −
v du, nous obtenons :
Z ∞
 x −t ∞
Γ(x + 1) = −t e 0 + x tx−1 e−t dt
0

Le terme −tx e −t ∞ s’annule aux bornes (car limt→+∞ e−t tx = 0), donc il reste :
 
0
Z ∞
Γ(x + 1) = x tx−1 e−t dt = xΓ(x)
0
Ainsi, nous avons démontré que :

Γ(x + 1) = xΓ(x)

Vérifier que la fonction de densité de la loi Gamma est bien une fonction de
densité
La fonction de densité de la loi Gamma est donnée par :

β α α−1 −βx
f (x; α, β) = x e , x>0
Γ(α)
où α > 0 est le paramètre de forme, β > 0 est le paramètre de taux, et Γ(α) est la fonction Gamma.

Pour vérifier que f (x; α, β) est une fonction de densité, nous devons montrer que :

1. f (x; α, β) ≥ 0 pour tout x > 0.

R∞
2. 0 f (x; α, β) dx = 1.

1. Positivité
La fonction f (x; α, β) est clairement positive pour x > 0, car : - β α > 0, - Γ(α) > 0, - xα−1 > 0, - e−βx > 0.

7
2. Intégrale égale à 1
Calculons l’intégrale :
∞ ∞
β α α−1 −βx
Z Z
f (x; α, β) dx = x e dx
0 0 Γ(α)
En utilisant le changement de variable u = βx, nous avons du = βdx et x = βu . L’intégrale devient :
∞  α−1 Z ∞
βα βα
Z
u −u du 1
e · = · uα−1 e−u du
0 Γ(α) β β Γ(α) β α 0
Simplifions :
∞ ∞
βα
Z Z
1 α−1 −u 1
· α u e du = uα−1 e−u du
Γ(α) β 0 Γ(α) 0
Or, par définition de la fonction Gamma :
Z ∞
uα−1 e−u du = Γ(α)
0
Donc :
1
· Γ(α) = 1
Γ(α)
Ainsi, nous avons vérifié que :
Z ∞
f (x; α, β) dx = 1
0

Donc, f (x; α, β) est une fonction de densité.

2. Calcul de l’espérance et de la variance

Espérance
L’espérance E[X] est donnée par :
∞ ∞
β α α−1 −βx
Z Z
E[X] = xf (x; α, β) dx = x· x e dx
0 0 Γ(α)
Simplifions l’intégrande :
∞
βα
Z
E[X] = xα e−βx dx
Γ(α) 0
En utilisant le changement de variable u = βx, nous avons du = βdx et x = βu . L’intégrale devient :
Z ∞  α Z ∞
βα u −u du βα 1
E[X] = e · = · uα e−u du
Γ(α) 0 β β Γ(α) β α+1 0
Simplifions :
Z ∞
1 1
E[X] = · uα e−u du
Γ(α) β 0
Or, par définition de la fonction Gamma :

8
 Z ∞
uα e−u du = Γ(α + 1)
0
Et nous savons que Γ(α + 1) = αΓ(α). Donc :
1 1 α
E[X] = · · αΓ(α) =
Γ(α) β β
Ainsi, l’espérance est :

α
E[X] =
β

Variance
La variance Var(X) est donnée par :

Var(X) = E[X 2 ] − (E[X])2

Calculons E[X 2 ] :
∞ ∞
β α α−1 −βx
Z Z
E[X 2 ] = x2 f (x; α, β) dx = x2 · x e dx
0 0 Γ(α)
Simplifions l’intégrande :
∞
βα
Z
E[X ] = 2
xα+1 e−βx dx
Γ(α) 0
En utilisant le changement de variable u = βx, nous avons du = βdx et x = βu . L’intégrale devient :
∞ α+1 ∞
βα βα
Z Z
u du 1
E[X 2 ] = e−u · = · uα+1 e−u du
Γ(α) 0 β β Γ(α) β α+2 0
Simplifions :
Z ∞
1 1
E[X ] = 2
· 2 uα+1 e−u du
Γ(α) β 0
Or, par définition de la fonction Gamma :
Z ∞
uα+1 e−u du = Γ(α + 2)
0
Et nous savons que Γ(α + 2) = (α + 1)αΓ(α). Donc :

1 1 (α + 1)α
E[X 2 ] = · 2 · (α + 1)αΓ(α) =
Γ(α) β β2
Ainsi, la variance est :
 2
(α + 1)α
2 2 α α
Var(X) = E[X ] − (E[X]) = − = 2
β2 β β
Donc, la variance est :

α
Var(X) =
β2

9
Loi normale
Soit Z et X deux variables aléatoires telles que Z ∼ N (0, 1) et X ∼ N (1, 4). Calculer :

1. P (Z ≤ 1.46)
La probabilité P (Z ≤ 1.46) correspond à la valeur de la fonction de répartition de la loi normale standard en
z = 1.46. On utilise la table de la loi normale standard pour trouver cette probabilité.

P (Z ≤ 1.46) = Φ(1.46)
D’après la table de la loi normale standard, on trouve :

P (Z ≤ 1.46) = 0.9279

2. P (Z ≤ −1)
La probabilité P (Z ≤ −1) correspond à la valeur de la fonction de répartition de la loi normale standard en z = −1.
On utilise la symétrie de la loi normale standard pour écrire :

P (Z ≤ −1) = 1 − P (Z ≤ 1)
D’après la table de la loi normale, P (Z ≤ 1) = 0.8413. Donc :

P (Z ≤ −1) = 1 − 0.8413 = 0.1587

P (Z ≤ −1) = 0.1587

3. P (Z ≥ −1)
La probabilité P (Z ≥ −1) peut être exprimée en utilisant la propriété de complémentarité :

P (Z ≥ −1) = 1 − P (Z ≤ −1)
D’après la question précédente, P (Z ≤ −1) = 0.1587. Donc :

P (Z ≥ −1) = 1 − 0.1587 = 0.8413

P (Z ≥ −1) = 0.8413

4. P (−1 ≤ X ≤ 1) où X ∼ N (1, 4)
La variable X suit une loi normale de moyenne µ = 1 et de variance σ 2 = 4 (donc σ = 2). Pour calculer
P (−1 ≤ X ≤ 1), on standardise X en utilisant la transformation :

X −µ X −1
Z= =
σ 2
Ainsi, P (−1 ≤ X ≤ 1) devient :
 
−1 − 1 1−1
P ≤Z≤ = P (−1 ≤ Z ≤ 0)
2 2
La probabilité P (−1 ≤ Z ≤ 0) peut être calculée en utilisant la symétrie de la loi normale standard :

10
 P (−1 ≤ Z ≤ 0) = P (Z ≤ 0) − P (Z ≤ −1)
On sait que P (Z ≤ 0) = 0.5 (car la loi normale standard est centrée en 0) et P (Z ≤ −1) = 0.1587 (d’après la
question 2). Donc :

P (−1 ≤ Z ≤ 0) = 0.5 − 0.1587 = 0.3413

P (−1 ≤ X ≤ 1) = 0.3413

5. Déterminer b tel que P (Z ≤ b) = 0.8708

On cherche la valeur b telle que P (Z ≤ b) = 0.8708. Cela revient à trouver le quantile de la loi normale standard
correspondant à la probabilité 0.8708.
En utilisant la table de la loi normale standard, on cherche la valeur b telle que Φ(b) = 0.8708. On trouve :

b ≈ 1.13

b = 1.13

2 Convergence en loi

Exemple 1 : convergence en loi dans le cas continu

Soit Xn une suite de variables aléatoires continues telle que Xn ∼ N (0, 1 + n1 ). Nous allons montrer que Xn
converge en loi vers X ∼ N (0, 1) en utilisant la fonction de répartition.

Démonstration
La fonction de répartition de Xn est donnée par :
 
x
FXn (x) = P(Xn ≤ x) = Φ  q ,
1
1+ n

où Φ est la fonction de répartition de la loi normale centrée réduite N (0, 1).

Quand n → ∞, nous avons :  
x
lim FXn (x) = Φ √ = Φ(x).
n→∞ 1+0
Or, Φ(x) est la fonction de répartition de X ∼ N (0, 1). Par définition de la convergence en loi, nous concluons
que :
L
Xn −−−→ X où X ∼ N (0, 1).
n→∞

Exemple 2 : convergence en loi dans le cas discret

Soit Yn une suite de variables aléatoires discrètes telle que Yn ∼ B(n, nλ ), λ > 0. Nous allons montrer que Yn
converge en loi vers Y ∼ P(λ) en utilisant la fonction de répartition.

11
Démonstration
Pour tout entier i ∈ {0, 1, . . . , n}, la probabilité que Yn = i s’écrit :
   i 
λ n−i

n λ
P (Yn = i) = 1−
i n n
On a :

ni
 
n n! n(n − 1) · · · (n − i + 1)
= = ∼ quand n → ∞
i i!(n − i)! i! i!

λ n−i λ n λ −i
     
1− = 1− 1− =−−−→ e−λ · 1 = e−λ
n n n n→∞

Car  n  −i      
λ λ λ λ
1− 1− = exp n ln 1 − . exp −i ln 1 −
n n n n
En combinant ces résultats, on obtient :

ni λi −λ λi e−λ
P (Yn = i) ∼
· ·e =
i! ni i!
Pour tout k ∈ N, la fonction de répartition converge :
k k
X X λi e−λ
P (Yn ≤ k) = P (Yn = i) −−−→ = P (Y ≤ k)
n→∞ i!
i=0 i=0

où Y ∼ P(λ). Donc ,
L
Yn −−−→ Y où Y ∼ P(λ).
n→∞

12
TD 2

Exercice 1
On note que P (Z ≤ x) = Φ(x).

Partie I : Loi Normale

Soit X ∼ N (75, 25) avec µ = 75 et σ = 5. Donc Z = X−75
5 ∼ N (0, 1).

1. P (60 ≤ X ≤ 80) = P 60−75 ≤ Z ≤ 80−75

5 5 = P (−3 ≤ Z ≤ 1) = Φ(1) − Φ(−3) ≈ 0.8413 − 0.0013 = 0.84

Car Φ(−3) = 1 − Φ(3) = 1 − 0.9987 = 0.0013

82−75


2. P (X > 82) = P Z > 5 = P (Z > 1.4) = 1 − Φ(1.4) ≈ 0.0808

3. P (|X − 70| ≤ 10) = P (60 ≤ X ≤ 80) = 0.84

100−75


4. P (X ≥ 100) = P Z ≥ 5 = P (Z ≥ 5) ≈ 0

5. On a P (X ≤ x) = P (Z ≤ x−75
5 ) = 0.826 : x−75
5 = Φ−1 (0.826) ≈ 0.94 ⇒ x ≈ 75 + 5 × 0.94 = 79.7

6.
P (|X − 75| ≤ y) = P (−
y5 ≤ X−75
5 ≤ y5 )
y y

= Φ 5
− Φ − 5
= 2Φ y5 − 1,
y

On a 2Φ 5 − 1 = 0.596. Donc,Φ( y5 ) = 0.798. y5 ≈ 0.83. Alors y ≈ 4.15

Partie II : Loi du χ2
1. Si Z ∼ χ218 : P (Z > a) = 0.05 ⇒ a ≈ 28.87

2. Pour 55 ddl, Pour k ≥ 30, selon le théorème centrale limite (TCL), on utilise l’approximation par la loi
normale:
χ2k ≈ N (k, 2k)
Donc pour k = 55:
X ≈ N (55, 110)
   
On a P X−55
√
110
> a−55
√
110
= 0.05, alors P X−55
√
110
≤ a−55
√
110
= 0.95.
D’après la table de la loi normale, on a
a − 55 √
√ = 1.645 =⇒ a = 55 + 1.645 × 110 = 72.26.
110

Partie III : Loi de Student

1. ν = 14, α = 0.10 : t14,0.95 ≈ 1.761

2. ν = 10, α = 0.05 : t10,0.975 ≈ 2.228

13
Exercice 2
Pn
Soient Xi ∼ B(p) i.i.d. et Sn = i=1 Xi . Alors E[Xi ] = p et V[Xi ] = p(1 − p).
1. Les v.a Xi sont indépendants. Alors, on a :

Pn Pn
E[Sn ] = i=1 E[Xi ] = np et V[Sn ] = i=1 V[Xi ] = np(1 − p).
p(1−p)
2. On a E[ Snn ] = n1 E[Sn ] = p et V[ Snn ] = 1
n2
V[Sn ] = n .

En utilisant l’inégalité de Bienaymé-Tchebychev :

 
Sn V[Sn /n] p(1 − p) 1
P −p >a ≤ 2
= 2
≤ .
n a na 4na2
1
Car p(1 − p) − 4 = −(p2 − p + 41 ) = −(p − 21 )2 ≤ 0.

Exercice 3
X: nombre de trains en retard parmi 100, p = 0.05.
√
1. On a X ∼ B(100, 0.05). Donc E[X] = 100 × 0.05 = 5 et σ = 100 × 0.05 × 0.95 ≈ 2.18
2. On a n = 100 ≥ 30 et n.p = 5 ≤ 5. Donc, on peut la loi binomiale par la loi de Poisson, telle que
X ∼ P(100 ∗ 0.05) i.e X ∼ P(5) :
53
P (X = 3) ≈ e−5 ≈ 0.1404
3!
3. Pour n = 1000. On a n ∗ p = 50 > 5 et p = 0.05 ≤ 0.5, alors on peut approximer la loi binomiale par la loi
normale avec X ∼ N (1000 × 0.05, 1000 × 0.05 × 0.95) i.e X ∼ N (50, 47.5).
X−50
On a Z = √
47.5
∼ N (0, 1).

 
40 − 50 60 − 50
P (40 ≤ X ≤ 60) ≈ P √ ≤Z≤ √
47.5 47.5
= P (−1.45 ≤ Z ≤ 1.45)
= P (Z ≤ 1.45) − P (Z ≤ −1.45)
= P (Z ≤ 1.45) − (1 − P (Z ≤ 1.45))
= 2P (Z ≤ 1.45) − 1
= 2 × 0.9265 − 1
= 0.8530

Exercice 5
La v.a X ∼ P(300). Pour λ = 300 grand, on peut approximer la loi de Poisson par la loi normale avec E(X) =
V (X) = 300:
X ≈ N (λ, λ) = N (300, 300), alors Z = X−300
√
300
∼ N (0, 1).

Soit n le nombre de réclamations maximale. On a P (X ≤ n) = 0.975

On veut :
n − 300
P (Z ≤ √ ) = 0.975
300
D’après la table de N (0, 1), on a n−300
√
300
= 1.96, d’où n ≈ 334.

14
Exercice 6
On définit Mn = X n − M .

1. On a
n
1X
E[Mn ] = E[X n ] − M = E[Xi ] − M = M − M = 0
n
i=1
et " n #
1 X o(n2 )
V[Mn ] = V[X n ] = 2 V Xi = → 0 quand n → ∞
n n2
i=1

En utilisant l’inégalité de Tchebychev on a pour tout ε > 0,

V[Mn ]
P (|Mn − 0| ≥ ε) ≤ → 0 quand n → ∞
ε2
P
Ce qui prouve que Mn −
→ 0.

2. Si toutes les Xi ont même espérance µ, alors M = µ.

P
La convergence Mn −
→ 0 devient :
P
Xn − µ −
→0
c’est-à-dire :
P
Xn −
→µ
Ce qui est exactement l’énoncé de la loi faible des grands nombres.

Exercice 7
nS 2 Pn Xi −µ 2
On sait que Xi ∼ N (µ, σ 2 ). On pose Z = σ2
= i=1 ( σ ) alors,

nS 2 40S 2
Z= = ∼ χ240
σ2 4.52
Xi −µ
car σ ∼ N (0, 1). D’autre part, on a

S 2 × 40
 
2 25 × 40
P (S > 5) = P (S > 25) = P > = P (Z > 49.3827)
4.52 4.52

Pour n = 40, on peut approximer :

χ240 ≈ N (E(Z) = 40, V ar(Z) = 80)

 
49.3827 − 40
P (Z > 49.3827) ≈ P Z> √
80
= P (Z > 1.05) ≈ 1 − Φ(1.05) ≈ 0.1469

15
Exercice 8
Les v.a X1 , X2 , . . . , Xn sont indépendants et suivent la même loi et la taille d’échantillon n = 49 ≥ 30. Le théorème
central limite (TCL) garantit l’approximation suivante :

σ2
   
100
X ≈ N µ, = N 142,
n 49
σ2
car E(X) = µ et V ar(X) = n . Alors
X −µ
Z= q ∼ N (0, 1)
σ2
n

1.
 
140 − 142 144 − 142
P (140 ≤ X ≤ 144) = P √ ≤Z≤ √
10/ 49 10/ 49
= P (−1.4 ≤ Z ≤ 1.4)
= Φ(1.4) − Φ(−1.4)
= 2Φ(1.4) − 1, ( car Φ(−1.4) = 1 − Φ(1.4))
≈ 2 × 0.9192 − 1 = 0.8384

2.
 
x − 142
P (X ≤ x) = 0.9505 ⇔ P Z ≤ √ = 0.9505
10/ 49
 
x − 142
⇔Φ √ = 0.9505
10/ 49
x − 142
⇔ ≈ 1.65
10/7
10
⇔ x ≈ 142 + 1.65 ×
7
⇔ x ≈ 144.357

3. Soit n la taille minimale d’échantillon, on a

 
143 − 142
P (X ≤ 143) = 0.975 ⇔ Φ √ = 0.975
10/ n
√
n
⇔ ≈ 1.96
10
√
⇔ n ≈ 19.6
⇔ n ≈ 385

Exercice 9
1 1
1. Pour X1 ∼ E(λ) avec λ = 1: On a E[X1 ] = λ = 1 et V[X1 ] = λ2
= 1.
1
On pose Sn = X1 + X2 + · · · + Xn . Pour n = 100, α = 10 :

16
2. Les v.a Xi sont indépendants et suivent la meme loi. La taile de l’échantillon n = 100 ≥ 30 par le TCL on a

Sn ≈ N (nE[X1 ], nV[X1 ]) = N (100, 100)

Alors
Sn − 100
Z= ∼ N (0, 1)
10
 
110 − 100
P (Sn ≥ 110) ≈ P Z ≥ √
100
= P (Z ≥ 1)
= 1 − Φ(1)
≈ 0.1587

17