Statistique Ex 2011

DpartementdeMathmatiques,InformatiqueerGomatique
Abdelhamid El Mossadeq
Professeur lEHTP

A.ElMossadeq
Septembre2011
TABLE DES MATIRES
StructuresStatistiquesetEstimation 1
LesTestsdHypothses 67

Structures Statistiques et Estimation A. El Mossadeq
Exercice 1
Dterminer et tudier les proprits de lestimateur du maximum de vraisemlance
dun :-chantillon pour:
1. le paramtre j dune loi de 1c::oni||i
2. le paramtre j dune loi q co: ct:inc
3. le paramtre j dune loi /i:o:ic|c dordre :
4. le paramtre c dune loi de 1oi::o:
5. le paramtre ` dune loi crjo:c:tic||c
6. les paramtres j et o
2
dune loi :o::c|c
7. le paramtre o dune loi n:i,o::c sur lintervalle [0. o]
Solution 1
1. Soit A une variable alatoire de Bernouilli de paramtre j.
Pour tout r 0. 1, la probabilit lmentaire j (r) de r est:
j (r) = j
x
(1 j)
1x
de plus:
_
_
_
1 [A] = j
\ [A] = j (1 j)
(a) Recherche du maximum de vraisemlance:
Considrons un :-chantillon de cette structure.
Sa fonction de vraisemblance est dnie pour tout j [0. 1] et tout
(r
1
. .... r
r
) 0. 1
r
par:
/(j; r
1
. .... r
r
) =
r
i=1
j (r
i
)
= j
r
i=1
x
i
(1 j)
r
r
i=1
x
i
3
A. El Mossadeq Structures Statistiques et Estimation
do:
ln /(j; r
1
. .... r
r
) =
_
r
i=1
r
i
_
ln j +
_
:
r
i=1
r
i
_
ln (1 j)
Il en rsulte que:
J
Jj
ln /(j; r
1
. .... r
r
) =
r
i=1
r
i
j

:
r
i=1
r
i
1 j
do:
J
Jj
ln /(j; r
1
. .... r
r
) = 0 == j =
1
:
r
i=1
r
i
et comme:
J
2
Jj
2
ln /(j; r
1
. .... r
r
) < 0
donc lestimateur du maximum de vraisemblance dun :-chantillon dune
structure de Bernouilli est:
^ j =
1
:
r
i=1
A
i
Cest la frquence empirique du :-chantillon.
(b) Etude des proprits de ^ j:
Puisque:
1 [ ^ j] = 1 [A] = j
et:
\ [ ^ j] =
\ [A]
:
=
j (1 j)
:
On en dduit que ^ j est un estimateur sans biais et convergent du paramtre
j dune loi de Bernouilli.
4
2. Soit A une variable alatoire de gomtrique de paramtre j.
Pour tout r N
+
, la probabilit lmentaire j (r) de r est:
j (r) = j (1 j)
x1
de plus:
_
_
1 [A] =
1
j
\ [A] =
1 j
j
2
Sa fonction de vraisemblance est dnie pour tout j [0. 1] et tout (r
1
. .... r
r
)
(N
+
)
r
par:
/(j; r
1
. .... r
r
) =
r
i=1
j (r
i
) = j
r
(1 j)
r
i=1
x
i
r
do:
ln /(j; r
1
. .... r
r
) = : ln j +
_
r
i=1
r
i
:
_
ln (1 j)
Il en rsulte que:
J
Jj
ln /(j; r
1
. .... r
r
) =
:
j

r
i=1
r
i
:
1 j
=
: j
r
i=1
r
i
j (1 j)
do:
J
Jj
ln /(j; r
1
. .... r
r
) = 0 == j =
:
r
i=1
r
i
5
et comme:
J
2
Jj
2
ln /(j; r
1
. .... r
r
) < 0
structure gomtrique est:
^ j =
:
r
i=1
A
i
Cest linverse de la moyenne empirique du :-chantillon.
3. Soit A une variable alatoire binomiale dordre : et de paramtre j.
pour tout r 0. 1. .... :, la probabilit lmentaire j (r) de r est:
j (r) = C (:. r) j
x
(1 j)
nx
de plus:
_
_
_
1 [A] = :j
\ [A] = :j (1 j)
Sa fonction de vraisemblance est dnie pour tout j [0. 1] et tout
(r
1
. .... r
r
) 0. 1. .... :
r
par:
/(j; r
1
. .... r
r
) =
r
i=1
j (r
i
)
=
_
r
i=1
C (:. r
i
)
_
j
r
i=1
x
i
(1 j)
rn
r
i=1
x
i
do:
ln /(j; r
1
. .... r
r
) = ln
r
i=1
C (:. r
i
)+
_
r
i=1
r
i
_
ln j+
_
::
r
i=1
r
i
_
ln (1 j)
6
Il en rsulte que:
J
Jj
ln /(j; r
1
. .... r
r
) =
r
i=1
r
i
j

::
r
i=1
r
i
1 j
=
r
i=1
r
i
::j
j (1 j)
do:
J
Jj
ln /(j; r
1
. .... r
r
) = 0 == j =
1
::
r
i=1
r
i
et comme:
J
2
Jj
2
ln /(j; r
1
. .... r
r
) < 0
structure de binomiale est:
^ j =
1
::
r
i=1
A
i
(b) Etude des proprits de ^ j:
Puisque:
1 [ ^ j] =
1
:
1 [A]
= j
et:
\ [ ^ j] =
\ [A]
::
2
=
j (1 j)
::
on en dduit que ^ j est un estimateur sans biais et convergent de j.
4. Soit A une variable alatoire de Poisson de paramtre c.
7
Pour tout r N, la probabilit lmentaire j (r) de r est:
j (r) =
c
x
r!
exp c
de plus:
_
_
_
1 [A] = c
\ [A] = c
Sa fonction de vraisemblance est dnie pour tout c, c 0, et tout
(r
1
. .... r
r
) N
r
par:
/(c; r
1
. .... r
r
) =
r
i=1
j (r
i
) =
c
r
i=1
x
i
r
1
!...r
r
!
exp :c
do:
ln /(c; r
1
. .... r
r
) = ln (r
1
!...r
r
!) +
r
i=1
r
i
ln c :c
Il en rsulte que:
J
Jc
ln /(c; r
1
. .... r
r
) =
r
i=1
r
i
c
:
do:
J
Jc
ln /(c; r
1
. .... r
r
) = 0 == j =
1
:
r
i=1
r
i
et comme:
J
2
Jc
2
ln /(c; r
1
. .... r
r
) < 0
8
structure de Poisson est:
^ c =
1
:
r
i=1
A
i
Cest la moyenne empirique du :-chantillon.
(b) Etude des proprits de ^ c:
Puisque:
1 [^ c] = 1 [A] = c
et:
\ [^ c] =
\ [A]
:
=
c
:
On en dduit que ^ c est un estimateur sans biais et convergent de c.
5. Soit A une variable alatoire exponentielle de paramtre `.
Sa densit de probabilit , est dnie par:
, (r) =
_
_
_
0 :i r _ 0
èxp `r :i r 0
de plus:
_
_
1 [A] =
1
`
\ [A] =
1
`
2
Considrons un :-chantillon de cette structure.Sa fonction de vraisemblance
est dnie pour tout `, ` 0, et tout (r
1
. .... r
r
) dans R
r
. tous strictement
positifs, par:
/(`; r
1
. .... r
r
) =
r
i=1
, (r
i
) = `
r
exp `
r
i=1
r
i
9
do:
ln /(`; r
1
. .... r
r
) = : ln ` `
r
i=1
r
i
Il en rsulte que:
J
J`
ln /(`; r
1
. .... r
r
) =
:
`

r
i=1
r
i
do:
J
J`
ln /(`; r
1
. .... r
r
) = 0 == ` =
:
r
i=1
r
i
et comme:
J
2
J`
2
ln /(`; r
1
. .... r
r
) < 0
structure exponentielle est:
^
` =
:
r
i=1
A
i
Cest linverse de la moyenne empirique du :-chantillon.
6. Soit A une variable alatoire normale de paramtres j et o
2
.
Sa densit de probabilit , est dnie pour tout r R par:
, (r) =
1
o
_
2:
exp
1
2o
2
(r j)
2
de plus:
_
_
_
1 [A] = j
\ [A] = o
2
10
Sa fonction de vraisemblance est dnie pour tout j R, tout o 0 et
tout (r
1
. .... r
r
) R
r
par:
/(j. o; r
1
. .... r
r
) =
r
i=1
, (r
i
)
=
1
_
o
_
2:
_
r
exp
1
2o
2
r
i=1
(r
i
j)
2
do:
ln /(j. o; r
1
. .... r
r
) = : ln
_
2: : ln o
1
2o
2
r
i=1
(r
i
j)
2
Il en rsulte que:
_
_
J
Jj
/(j. o; r
1
. .... r
r
) =
1
o
2
r
i=1
(r
i
j)
J
Jo
/(j. o; r
1
. .... r
r
) =
:
o
+
1
o
3
r
i=1
(r
i
j)
2
do:
_
_
J
Jj
/(j. o; r
1
. .... r
r
) = 0
J
Jo
/(j. o; r
1
. .... r
r
) = 0
==
_
_
j =
1
:
r
i=1
r
i
o
2
=
1
:
r
i=1
(r
i
j)
2
Donc les estimateurs du maximum de vraisemblance dun :-chantillon
dune structure normale est:
11
_
_
^ j =
1
:
r
i=1
A
i
^ o
2
=
1
:
r
i=1
(A
i
^ j)
2
(b) Etude des proprits de ^ j et ^ o:
On a:
1 [^ j] = 1 [A]
= j
et:
1
_
^ o
2
=
: 1
:
\ [A]
=
: 1
:
o
2
On en dduit que ^ j est un estimateur sans biais et convergent de j, mais
^ o est un estimateur biais de o.
7. Soit A une variable alatoire uniforme sur lintervalle [0. o].
Sa densit de probabilit , est dnie pour tout r [0. o] par:
, (r) =
_
_
1
o
:i r [0. o]
0 :i r , [0. o]
de plus:
_
_
1 [A] =
o
2
\ [A] =
o
2
12
12
Sa fonction de vraisemblance est dnie pour tout o, o 0, et tout (r
1
. .... r
r
)
dans [0. o]
r
:
/(o; r
1
. .... r
r
) =
r
i=1
, (r
i
) =
1
o
r
La fonction:
o /(o; r
1
. .... r
r
)
est strictement dcroissante, donc elle atteint son maximum lorsque o est
minimum.
Et comme:
\i 1. .... : : o _ r
i
donc o est minimum lorsque:
o = max (r
1
. .... r
r
)
Donc lestimateur du maximum de vraisemblance dun :-chantillon dune
structure uniforme est:
^
o = max (A
1
. .... A
r
)
Exercice 2
Soit A une variable alatoire dont la densit de probabilit , est dnie par:
, (r) =
_
_
1
o
exp
r
o
:i r 0
0 :i r _ 0
o o est un paramtre rel strictement positif.
1. Dterminer lestimateur du maximum de vraisemlance
^
o de o dun r-chantillon
de variable parente A.
2.
^
o est-il un rsum exhaustif?
13
3. Calculer lesprance mathmatique et la variance de
^
o.
Que peut-on conclure?
4. Calculer la quantit dinformation de 1i:/c:.
En dduire que
^
o est ecace.
Solution 2
Soit A une variable alatoire exponentielle dont la densit de probabilit , est
dnie pour tout r, r 0, par:
, (r) =
_
_
1
o
exp
r
o
:i r 0
0 :i r _ 0
o o est un paramtre rel strictement positif.
On a:
_
_
_
1 [A] = o
\ [A] = o
2
1. Considrons un :-chantillon de cette structure.
1
. .... r
r
)
R
r
. tous strictement positifs, par:
/(o; r
1
. .... r
r
) =
r
i=1
, (r
i
)
=
1
o
r
exp
r
i=1
r
i
o
do:
ln /(o; r
1
. .... r
r
) = : ln o
r
i=1
r
i
o
14
Il en rsulte que:
J
Jo
ln /(o; r
1
. .... r
r
) =
:
o
+
r
i=1
r
i
o
2
do:
J
Jo
ln /(o; r
1
. .... r
r
) = 0 == o =
1
:
r
i=1
r
i
et comme:
J
2
Jo
2
ln /(o; r
1
. .... r
r
) < 0
structure exponentielle est:
^
o =
1
:
r
i=1
A
i
2. Pour tout o, o 0, et tout (r
1
. .... r
r
) R
r
. tous strictement positifs, on a:
/(o; r
1
. .... r
r
) =
1
o
r
exp
r
i=1
r
i
o
=
1
o
r
exp
:
^
o (r
1
. .... r
r
)
o
Daprs le thorme de factorisation,
^
o est un rsum exhaustif puisque:
/(o; r
1
. .... r
r
) = q
_
o;
^
o (r
1
. .... r
r
)
_
/(r
1
. .... r
r
)
o:
q
_
o;
^
o (r
1
. .... r
r
)
_
=
1
o
r
exp
:
^
o (r
1
. .... r
r
)
o
et:
/(r
1
. .... r
r
) = 1
15
3. Comme:
^
o =
1
:
r
i=1
A
i
alors:
1
_
^
o
_
= 1 [A] = o
et:
\
_
^
o
_
=
\ [A]
:
=
o
2
:
On en dduit que
^
o est un estimateur sans biais et convergent de o.
4. Calculons la quantit dinformation de 1i:/c:, 1 [A. o], concernant o.
On a:
1 [A. o] = 1
_
J
2
Jo
2
ln , (o. A)
_
= 1
_
J
2
Jo
2
_
ln o
A
o
__
= 1
_
1
o
2
+
2A
o
3
_
=
1
o
2
Donc la quantit dinformation de 1i:/c:, 1 [A
1
. .... A
r
. o], concernant o
fournie par le :-chantillon est:
1 [A
1
. .... A
r
. o] = :1 [A. o] =
:
o
2
Calculons lecacit c
_
^
o
_
de
^
o.
On a:
c
_
^
o
_
=
1
1 [A
1
. .... A
r
. o] \
_
^
o
_
= 1
donc,
^
o est ecace.
16
Exercice 3
, (r) =
_
_
_
0 :i r _ 0
`
o
k
r
k1
exp
r
o
:i r 0
o o est un paramtre rel strictement positif , / un entier naturel non nul et `
une constante rel.
1. Dterminer la constante `.
^
3.
^
o est-il un rsum exhaustif?
^
o.
En dduire que
^
o est ecace.
Solution 3
Rappelons que pour tout / N:
_
+
0
n
k
exp ndn = /!
1. Ainsi:
_
+
, (r) dr =
_
+
0
`
o
k
r
k1
exp
r
o
dr
=
_
+
0
`n
k1
exp ndn
= `(/ 1)!
do
` =
1
(/ 1)!
17
puisque:
_
+
, (r) dr = 1
De plus:
1 [A] =
_
+
r, (r) dr
=
_
+
0
1
(/ 1)!o
k
r
k
exp
r
o
dr
= /o
et:
1
_
A
2
=
_
+
r
2
, (r) dr
=
_
+
0
1
(/ 1)!o
k
r
k+1
exp
r
o
dr
= / (/ + 1) o
2
do:
\ [A] = 1
_
A
2
1 [A]
2
= /o
2
1
. .... r
r
) R
r
.
tous strictement positifs, par:
/(o; r
1
. .... r
r
) =
r
i=1
, (r
i
)
=
1
[(/ 1)!]
r
o
rk
(r
1
...r
r
)
k1
exp
r
i=1
r
i
o
18
do:
ln /(o; r
1
. .... r
r
) = : ln (/ 1)! ln (r
1
...r
r
)
k1
:/ ln o
r
i=1
r
i
o
Il en rsulte que:
J
Jo
ln /(o; r
1
. .... r
r
) =
:/
o
+
r
i=1
r
i
o
2
do:
J
Jo
ln /(o; r
1
. .... r
r
) = 0 == o =
1
:/
r
i=1
r
i
et comme:
J
2
Jo
2
ln /(o; r
1
. .... r
r
) < 0
donc lestimateur du maximum de vraisemblance dun :-chantillon de cette
structure est:
^
o =
1
:/
r
i=1
A
i
3. Pour tout o, o 0, et tout (r
1
. .... r
r
) R
r
. tous strictement positifs, on a:
/(o; r
1
. .... r
r
) =
1
[(/ 1)!]
r
o
rk
(r
1
...r
r
)
k1
exp
r
i=1
r
i
o
=
1
[(/ 1)!]
r
o
rk
(r
1
...r
r
)
k1
exp
:/
^
o (r
1
. .... r
r
)
o
^
/(o; r
1
. .... r
r
) = q
_
o;
^
o (r
1
. .... r
r
)
_
/(r
1
. .... r
r
)
19
o:
q
_
o;
^
o (r
1
. .... r
r
)
_
=
1
o
rk
exp
:/
^
o (r
1
. .... r
r
)
o
et:
/(r
1
. .... r
r
) =
1
[(/ 1)!]
r
(r
1
...r
r
)
k1
4. Puisque:
^
o =
1
:/
r
i=1
A
i
alors:
1
_
^
o
_
=
1
/
1 [A]
= o
et:
\
_
^
o
_
=
\ [A]
:/
2
=
o
2
:/
On en dduit que
^
o est un estimateur sans biais et convergent de o.
5. Calculons la quantit dinformation de 1i:/c:, 1 [A. o], concernant o.
On a:
1 [A. o] = 1
_
J
2
Jo
2
ln , (o. A)
_
= 1
_
J
2
Jo
2
_
ln (/ 1)! + (/ 1) ln A / ln o
A
o
__
= 1
_
/
o
2
+
2A
o
3
_
=
/
o
2
20
Donc la quantit dinformation de 1i:/c:, 1 [A
1
. .... A
r
. o], concernant o
fournie par le :-chantillon est:
1 [A
1
. .... A
r
. o] = :1 [A. o] =
:/
o
2
Calculons lecacit c
_
^
o
_
de
^
o.
On a:
c
_
^
o
_
=
1
1 [A
1
. .... A
r
. o] \
_
^
o
_
= 1
donc,
^
o est ecace.
Exercice 4
, (r) =
_
_
0 :i r , [0. o]
1
o
:i r [0. o]
o o est un paramtre rel.
1. Dterminer la fonction de rpartition de A.
^
^
o.
5. Dans le cas o
^
o est bias, proposer un estimateur sans biais de o.
21
Solution 4
1. La fonction de rpartition 1 de A est dnie pour tout r R par:
1 (r) =
_
x
, (t) dt
do:
1 (r) =
_
_
0 :i r _ 0
r
o
:i 0 _ r _ o
1 :i r _ o
de plus:
_
_
1 [A] =
o
2
\ [A] =
o
2
12
2. Puisque le domaine 1
:
1
= r R [, (r) 0
= [0. o]
dpend de o, donc la quantit dinformation de 1i:/c: nexiste pas.
1
. .... r
r
)
[0. o]
r
:
/(o; r
1
. .... r
r
) =
r
i=1
, (r
i
) =
1
o
r
La fonction:
o /(o; r
1
. .... r
r
)
22
est strictement dcroissante, donc elle atteint son maximum lorsque o est
minimum.
Et comme:
\i 1. .... : : o _ r
i
Il en rsulte que o est minimum lorsque:
o = max (r
1
. .... r
r
)
Donc lestimateur du maximum de vraisemblance dun :-chantillon dune
structure uniforme est:
^
o = max (A
1
. .... A
r
)
4. Pour dterminer la densit de probabilit de
^
o, commenons dabord par cal-
culer sa fonction de rpartition.
(a) Fonction de rpartition de
^
o:
Pour tout n R on a:
1
^
(n) = 1
_
^
o < n
_
= 1 [max (A
1
. .... A
r
) < n]
= 1 [A
1
< n. .... A
r
< n]
=
r
k=1
1 [A
k
< n]
= [1 (n)]
r
=
_
_
0 :i n _ 0
_
n
o
_
r
:i 0 _ n _ o
1 :i n _ o
23
(b) Densit de probabilit de
^
o:
Pour tout n R0. o on a:
,
^
(n) =
d
dn
1
^
(n)
=
_
_
0 :i n , ]0. o[
:
n
r1
o
r
:i n ]0. o[
(c) Esprance mathmatique de
^
o:
1
_
^
o
_
=
_
R
n,
^
(n) dn
=
_

0
:
n
r
o
r
dn
=
:
: + 1
o
(d) Esprance mathmatique de
^
o
2
:
1
_
^
o
2
_
=
_
R
n
2
,
^
(n) dn
=
_

0
:
n
r+1
o
r
dn
=
:
: + 2
o
2
(e) Variance de
^
o:
\
_
^
o
_
= 1
_
^
o
2
_
1
_
^
o
_
2
=
:
(: + 1)
2
(: + 2)
o
2
Lestimateur
^
o de o est biais, mais il est asymptotiquement sans biais.
24
5. Considrons lestimateur:
1 =
: + 1
:
^
o
Alors:
1 [1] =
: + 1
:
1
_
^
o
_
= o
et:
\ [1] =
_
: + 1
:
_
2
\
_
^
o
_
=
1
: (: + 2)
o
2
1 est donc un estimateur sans biais et convergent de o.
Exercice 5
, (r) =
_
_
_
0 :i r < o
exp (o r) :i r _ o
o o est un paramtre rel.
1. Dterminer la fonction de rpartition de A.
^
^
o.
5. Dans le cas o
^
25
Solution 5
1 (r) =
_
x
, (t) dt
do:
1 (r) =
_
_
_
0 :i r _ o
1 exp (o r) :i r _ o
de plus:
_
_
_
1 [A] = o + 1
\ [A] = 1
2. Puisque le domaine 1
:
1
= r R [, (r) 0
= [o. +[
dpend de o, donc la quantit dinformation de 1i:/c: nexiste pas.
Sa fonction de vraisemblance est dnie pour tout o R, et tout (r
1
. .... r
r
)
([o. +[)
r
:
/(o; r
1
. .... r
r
) =
r
i=1
, (r
i
)
= exp
r
i=1
(o r
i
)
La fonction:
o /(o; r
1
. .... r
r
)
est strictement croissante, donc elle atteint son maximum lorsque o est maxi-
mum.
26
Et comme:
\i 1. .... : : o _ r
i
Il en rsulte que o est maximum lorsque:
o = min (r
1
. .... r
r
)
Donc lestimateur du maximum de vraisemblance dun :-chantillon de cette
structure est:
^
o = min (A
1
. .... A
r
)
^
(a) Fonction de rpartition de
^
o:
Pour tout R on a:
1
^
() = 1
_
^
o <
_
= 1 [min (A
1
. .... A
r
) < ]
= 1 1 [min (A
1
. .... A
r
) _ ]
= 1 1 [A
1
_ . .... A
r
_ ]
= 1
r
k=1
1 [A
k
_ ]
= 1
r
k=1
(1 1 [A
k
< ])
= 1 [1 1 ()]
r
=
_
_
_
0 :i _ o
1 exp : (o ) :i _ o
27
^
o:
Pour tout Ro on a:
,
^
() =
d
d
1
^
()
=
_
_
_
0 :i < o
: exp : (o ) :i o
(c) Esprance mathmatique de
^
o:
1
_
^
o
_
=
_
R
,
^
() d
=
_
+
: exp : (o ) d
= o +
1
:
(d) Esprance mathmatique de
^
o
2
:
1
_
^
o
2
_
=
_
R
2
,
^
() d
=
_
+
:
2
exp : (o ) d
=
_
o +
1
:
_
2
+
1
:
2
(e) Variance de
^
o:
\
_
^
o
_
= 1
_
^
o
2
_
1
_
^
o
_
2
=
1
:
2
Lestimateur
^
5. Considrons lestimateur:
1 =
^
o
1
:
28
Alors:
1 [1] = 1
_
^
o
_
1
:
= o
et:
\ [1] = \
_
^
o
_
=
1
:
2
Exercice 6
Les lments dune population possdent un caractre A qui suit une loi de
1oi::o: de paramtre inconnu c.
Une suite de : expriences a fourni les valeurs /
1
. .... /
r
.
1. Dterminer lestimateur du maximum de vraisemlance ^ c de c et tudier les
proprits de cet estimateur.
2. ^ c est-il un rsum exhaustif?
3. On dsire estimer la quantit:
o = 1 [A = 0]
Dterminer lestimateur du maximum de vraisemlance
^
o de o.
Que remarquez-vous?
Solution 6
1. Soit A une variable alatoire de Poisson de paramtre c.
pour tout r N, la probabilit lmentaire j (r) de r est:
j (r) =
c
x
r!
exp c
de plus:
_
_
_
1 [A] = c
\ [A] = c
29
Sa fonction de vraisemblance est dnie pour tout c, c 0, et tout
(/
1
. .... /
r
) N
r
par:
/(c; /
1
. .... /
r
) =
r
i=1
j (/
i
)
=
c
r
i=1
k
i
/
1
!.../
r
!
exp :c
do:
ln /(c; /
1
. .... /
r
) = ln (/
1
!.../
r
!) +
r
i=1
/
i
ln c :c
Il en rsulte que:
J
Jc
ln /(c; /
1
. .... /
r
) =
r
i=1
/
i
c
:
do:
J
Jc
ln /(c; /
1
. .... /
r
) = 0 == j =
1
:
r
i=1
r
i
et comme:
J
2
Jc
2
ln /(c; /
1
. .... /
r
) < 0
structure de Poisson est:
^ c =
1
:
r
i=1
A
i
30
(b) Etude des proprits de ^ c:
Puisque:
1 [^ c] = 1 [A] = c
et:
\ [^ c] =
\ [A]
:
=
c
:
On en dduit que ^ c est un estimateur sans biais et convergent de c.
2. Pour tout c, c 0, et tout (/
1
. .... /
r
) N
r
on a:
/(c; r
1
. .... r
r
) =
c
r^ (k
1
;:::;k
r
)
r
1
!...r
r
!
exp :c
^
/(c; r
1
. .... r
r
) = q (c; ^ c(r
1
. .... r
r
)) /(r
1
. .... r
r
)
o:
q (c; ^ c(r
1
. .... r
r
)) = c
r^ (k
1
;:::;k
r
)
exp :c
et:
/(r
1
. .... r
r
) =
1
r
1
!...r
r
!
3. On a:
o = 1 [A = 0] = exp c
Pour tout o, o 0, et tout (/
1
. .... /
r
) N
r
par:
/(o; /
1
. .... /
r
) =
r
i=1
j (/
i
)
=
(ln o)
r
i=1
k
i
/
1
!.../
r
!
o
r
31
do:
ln /(o; /
1
. .... /
r
) = ln (/
1
!.../
r
!) +
r
i=1
/
i
ln (ln o) + : ln o
Il en rsulte que:
J
Jo
ln /(o; /
1
. .... /
r
) =
r
i=1
/
i
o ln o
+
:
o
do:
J
Jo
ln /(o; /
1
. .... /
r
) = 0 == o = exp
_
1
:
r
i=1
/
i
_
et comme:
J
2
Jo
2
ln /(o; /
1
. .... /
r
) < 0
donc lestimateur du maximum de vraisemblance dun :-chantillon de cette
structure est:
^
o = exp
_
1
:
r
i=1
A
i
_
= exp ^ c
Exercice 7
Soit c un rel appartenant ]1. +[ et A une variable alatoire telle que:
1 [A = /] =
1
c
_
1
1
c
_
k1
. / N
+
1. Calculer lesprance mathmatique et la variance de A.
2. Dterminer lestimateur du maximumde vraisemlance ^ c de c dun :-chantillon
de variable parente A et tudier ses proprits.
3. ^ c est-il un rsum exhaustif?
32
Solution 7
1. On a:
1 [A] =

k=1
/1 [A = /]
=

k=1
/
c
_
1
1
c
_
k1
= c
et:
1 [A (A 1)] =

k=1
/ (/ 1) 1 [A = /]
=

k=1
/ (/ 1)
c
_
1
1
c
_
k1
= 2c
2
_
1
1
c
_
do:
1
_
A
2
= 1 [A (A 1)] + 1 [A]
= c(2c 1)
et:
\ [A] = 1
_
A
2
1 [A]
2
= c(c 1)
Sa fonction de vraisemblance est dnie pour tout c ]1. +[ et tout
(r
1
. .... r
r
) (N
+
)
r
par:
33
/(c; r
1
. .... r
r
) =
r
i=1
j (r
i
)
=
1
c
r
_
1
1
c
_
r
i=1
x
i
r
do:
ln /(c; r
1
. .... r
r
) = : ln c +
_
r
i=1
r
i
:
_
ln
_
1
1
c
_
Il en rsulte que:
J
Jc
ln /(c; r
1
. .... r
r
) =
:
c
+
r
i=1
r
i
:
c(c 1)
=
r
i=1
r
i
:c
c(c 1)
do:
J
Jc
ln /(c; r
1
. .... r
r
) = 0 == c =
1
:
r
i=1
r
i
et comme:
J
2
Jc
2
ln /(j; r
1
. .... r
r
) < 0
structure gomtrique est:
^ c =
1
:
r
i=1
A
i
34
Puisque:
^ c =
1
:
r
i=1
A
i
alors:
1 [^ c] = 1 [A]
= c
et:
\ [^ c] =
\ [A]
:
=
c(c 1)
:
On en dduit que ^ c est un estimateur sans biais et convergent du paramtre
c dune structure gomtrique.
3. Dmontrons que ^ c est une statistique exhaustive.
Puisque:
/(c; r
1
. .... r
r
) =
r
i=1
j (r
i
)
=
1
c
r
_
1
1
c
_
r
i=1
x
i
r
=
1
c
r
_
1
1
c
_
r(^ (x
1
;:::;x
r
)1)
pour tout c ]1. +[ et tout (r
1
. .... r
r
) (N
+
)
r
, alors en posant:
q (c; ^ c(r
1
. .... r
r
)) =
1
c
r
_
1
1
c
_
r(^ (x
1
;:::;x
r
)1)
et:
/(r
1
. .... r
r
) = 1
35
on obtient:
/(c; r
1
. .... r
r
) = q (c; ^ c(r
1
. .... r
r
)) /(r
1
. .... r
r
)
donc ^ c est un rsum exhaustif.
Exercice 8
Soit A une variable alatoire qui suit une loi de Pareto dont la densit de prob-
abilit , est dnie par:
, (r) =
_
_
cc
r
+1
:i r _ c
0 :i r < c
o A reprsente le revenu par habitant, c le revenu minimum et c, c 2, un
coecient dpendant du type du pays o lon se place.
1. Vrier que , est bien une densit de probabilit.
3. Calculer la fonction de rpartition de A.
4. Dterminer lestimateur du maximum de vraisemlance ^ c de c dun :-chantillon
issu A.
5. Dans le cas o ^ c est bias, proposer un estimateur sans biais de c.
Solution 8
1. La densit de probabilit de la loi de Pareto est dnie par:
, (r) =
_
_
cc
r
+1
:i r _ c
0 :i r < c
, est bien une densit de probabilit.
36
En eet:
_
R
, (r) dr =
_
+
a
cc
r
+1
dr
= 1
2. On a:
1 [A] =
_
R
r, (r) dr
=
_
+
a
cc
dr
=
c
c 1
c
et:
1
_
A
2
=
_
R
r
2
, (r) dr
=
_
+
a
cc
r
1
dr
=
c
c 2
c
2
do:
\ [A] = 1
_
A
2
1 [A]
2
=
c
(c 2) (c 1)
2
c
2
37
1 (r) =
_
x
, (t) dt
=
_
_
0 :i r _ c
_
x
a
cc
t
+1
dt :i r _ c
=
_
_
0 :i r _ c
1
c
:i r _ c
Sa fonction de vraisemblance est dnie pour tout c R et tout (r
1
. .... r
r
)
(]c. +[)
r
, par:
/(c; r
1
. .... r
r
) =
r
i=1
, (r
i
) =
c
r
c
r
(r
1
...r
r
)
+1
La fonction:
c /(c; r
1
. .... r
r
)
est strictement croissante, donc elle atteint son maximum lorsque c est maxi-
mum.
Et comme:
\i 1. .... : : c _ r
i
c = min (r
1
. .... r
r
)
Donc lestimateur du maximum de vraisemblance dun :-chantillon de cette
structure est:
^ c = min (A
1
. .... A
r
)
38
^
(a) Fonction de rpartition de ^ c:
Pour tout r R on a:
1
^ a
(r) = 1 [^ c < r]
= 1 [min (A
1
. .... A
r
) < r]
= 1 1 [min (A
1
. .... A
r
) _ r]
= 1 1 [A
1
_ . .... A
r
_ r]
= 1
r
k=1
1 [A
k
_ r]
= 1
r
k=1
(1 1 [A
k
< r])
= 1 [1 1 (r)]
r
Ainsi:
1
^ a
(r) =
_
_
_
0 :i r _ c
1
_
c
_
r
:i r _ c
^
o:
Pour tout r Rc on a:
,
^ a
(r) =
d
d
1
^ a
(r)
=
_
_
0 :i r < c
:cc
r
r
r+1
:i r c
39
(c) Esprance mathmatique de ^ c:
1 [^ c] =
_
R
,
^ a
() d
=
_
+
a
:cc
r
r
d
=
:c
:c 1
c
(d) Esprance mathmatique de ^ c
2
:
1
_
^ c
2
=
_
R
2
,
^ a
() d
=
_
+
a
:cc
r
r1
d
=
:c
:c 2
c
2
(e) Variance de ^ c:
\ [^ c] = 1
_
^ c
2
1 [^ c]
2
=
:c
(:c 2) (:c 1)
2
c
2
Lestimateur ^ c de c est biais, mais il est asymptotiquement sans biais.
(f) Considrons lestimateur:
1 =
:c 1
:c
^ c
Alors:
1 [1] = c
et:
\ [1] =
_
:c 1
:c
_
2
\ [^ c] =
1
:c(:c 2)
c
2
1 est donc un estimateur sans biais et convergent de c.
40
Exercice 9
, (r) =
_
_
0 :i r _ o
1
c
exp
(o r)
c
:i r o
o o est un paramtre rel et c un paramtre rel strictement positif.
1. Vrier que , est bien une densit de probabilit.
3. Calculer la fonction de rpartition de A.
4. On suppose o connu et c inconnu.
(a) Dterminer lestimateur du maximum de vraisemlance ^ c de c dun :-
chantillon issu A.
(b) Etudier les proprits de ^ c.
(c) Dans le cas o ^ c est bias, proposer un estimateur sans biais de c.
5. On suppose c connu et o inconnu.
(a) Dterminer lestimateur du maximum de vraisemlance
^
o de o dun r-
chantillon issu de A.
(b) Etudier les proprits de
^
o
(c) Dans le cas o
^
6. On suppose que o et c sont tous les deux inconnus.
(a) Dterminer lestimateur du maximum de vraisemlance
_
^ c.
^
o
_
de (c. o)
dun r-chantillon issu de A.
(b) Etudier les proprits de
_
^ c.
^
o
_
(c) Proposer un estimateur sans biais de (c. o) .
41
Solution 9
1. , est bien une densit de probabilit.
En eet:
_
R
, (r) dr =
_
+
1
c
exp
(o r)
c
dr
=
_
+
0
exp tdt
= 1
2. On a:
1 [A] =
_
R
r, (r) dr
=
_
+
r
c
exp
(o r)
c
dr
=
_
+
0
(ct + o) exp tdt
= c + o
et:
1
_
A
2
=
_
R
r
2
, (r) dr
=
_
+
r
2
c
exp
(o r)
c
dr
=
_
+
0
(ct + o)
2
exp tdt
= 2c
2
+ 2co + o
2
= (c + o)
2
+ c
2
do:
\ [A] = 1
_
A
2
1 [A]
2
= c
2
42
1 (r) =
_
x
, (t) dt
=
_
_
0 :i r _ o
_
x
1
c
exp
(o t)
c
dt :i r _ o
=
_
_
0 :i r _ o
1 exp
(o r)
c
:i r _ o
4. On suppose o connu et c inconnu.
(a) Considrons un :-chantillon de cette structure.
Sa fonction de vraisemblance est dnie pour tout c, c 0, o R et
tout (r
1
. .... r
r
) (]o. +[)
r
par:
/(c; r
1
. .... r
r
) =
r
i=1
, (r
i
)
=
1
c
r
exp
r
i=1
(o r
i
)
c
do:
ln /(c; r
1
. .... r
r
) = : ln c +
1
c
r
i=1
(o r
i
)
Il en rsulte que:
J
Jc
ln /(c; r
1
. .... r
r
) =
:
c

1
c
2
r
i=1
(o r
i
)
=
1
c
_
:
1
c
r
i=1
(o r
i
)
_
43
do:
J
Jc
ln /(c; r
1
. .... r
r
) = 0 == c =
1
:
r
i=1
(r
i
o)
== c =
_
1
:
r
i=1
r
i
_
o
et comme:
J
2
Jc
2
ln /(c; r
1
. .... r
r
) < 0
donc lestimateur du maximum de vraisemblance dun :-chantillon de
cette structure est:
^ c =
_
1
:
r
i=1
A
i
_
o
(b) On a:
1 [^ c] = 1
__
1
:
r
i=1
A
i
_
o
_
= c
et:
\ [^ c] = \
__
1
:
r
i=1
A
i
_
o
_
=
\ [A]
:
=
c
2
:
5. On suppose c connu et o inconnu.
tout (r
1
. .... r
r
) (]o. +[)
r
, tous strictement positifs, par:
44
/(o; r
1
. .... r
r
) =
r
i=1
, (r
i
)
=
1
c
r
exp
r
i=1
(o r
i
)
c
La fonction:
o /(o; r
1
. .... r
r
)
est strictement croissante, donc elle atteint son maximum lorsque o est
maximum.Et comme:
\i 1. .... : : o _ r
i
o = min (r
1
. .... r
r
)
Donc lestimateur du maximum de vraisemblance dun :-chantillon de
cette structure est:
^
o = min (A
1
. .... A
r
)
(b) Pour dterminer la densit de probabilit de
^
o, commenons dabord par
calculer sa fonction de rpartition.
(i) Fonction de rpartition de
^
o:
Pour tout R on a:
1
^
() = 1
_
^
o <
_
= 1 [min (A
1
. .... A
r
) < ]
= 1 1 [min (A
1
. .... A
r
) _ ]
= 1 1 [A
1
_ . .... A
r
_ ]
45
1
^
() = 1
r
k=1
1 [A
k
_ ]
= 1
r
k=1
(1 1 [A
k
< ])
= 1 [1 1 ()]
r
=
_
_
0 :i _ o
1 exp :
_
o
c
_
:i _ o
(ii) Densit de probabilit de
^
o:
Pour tout Ro on a:
,
^
() =
d
d
1
^
()
=
_
_
0 :i < o
:
c
exp :
_
o
c
_
:i o
(iii) Esprance mathmatique de
^
o:
1
_
^
o
_
=
_
R
,
^
() d
=
_
+
:
c
exp :
_
o
c
_
d
=
_
+
0
_
c
:
t + o
_
exp tdt
=
c
:
+ o
46
(iv) Esprance mathmatique de
^
o
2
:
1
_
^
o
2
_
=
_
R
2
,
^
() d
=
_
+
:
c
2
exp : (o ) d
=
_
c
:
+ o
_
2
+
_
c
:
_
2
(v) Variance de
^
o:
\
_
^
o
_
= 1
_
^
o
2
_
1
_
^
o
_
2
=
_
c
:
_
2
Lestimateur
^
(c) Considrons lestimateur:
1 =
^
o
c
:
Alors:
1 [1] = 1
_
^
o
_
c
:
= o
et:
\ [1] = \
_
^
o
_
=
c
:
2
6. On suppose que o et c sont tous les deux inconnus.
47
tout (r
1
. .... r
r
) (]o. +[)
r
, tous strictement positifs, par:
/(c. o; r
1
. .... r
r
) =
r
i=1
, (r
i
)
=
1
c
r
exp
r
i=1
(o r
i
)
c
Compte tenu des questions prcedentes, la fonction:
(c. o) /(c. o; r
1
. .... r
r
)
atteint son maximum pour:
_
_
o = min (r
1
. .... r
r
)
c =
_
1
:
r
i=1
r
i
_
o
do, les estimateurs du maximum de vraisemblance
_
^ c.
^
o
_
de (c. o) sont
donns par:
_
_
^
o = min (A
1
. .... A
r
)
^ c =
_
1
:
r
i=1
A
i
_
^
o
(b) On a:
1
_
^
o
_
=
c
:
+ o
et:
1 [^ c] = 1 [A] 1
_
^
o
_
=
: 1
:
c
Donc les estimateurs ^ c et
^
o sont biaiss.
48
(c) Considrons les estimateurs 1 et o de c et o respectivement dnis par:
_
_
1 =
:
: 1
^ c
o =
^
o
1
: 1
^ c
alors:
_
_
_
1 [1] = c
1 [o] = o
Donc 1 et o sont des estimateurs sans biais de c et o respectivement.
Exercice 10
A la veille dune consultation lectorale, on a intrrog cent lecteurs constituant
un chantillon au hasard. Soixante ont dclar avoir lintention de voter pour le
candidat C.
En quelles limites, au moment du sondage, la proportion du corps lectoral fa-
vorable C se situe-t-elle?
Solution 10
Construisons lintervalle de conance correspondant la frquence , = 0.6 du
corps lectoral favorable C observe sur un chantillon de taille : = 100.
Au seuil c, cet intervalle est dni par:
_
, t
1=2
_
, (1 ,)
:
. , + t
1=2
_
, (1 ,)
:
_
Pour c = 5%, on a:
t
:975
= 1.96
on obtient alors lintervalle:
[.504. .696]
A 95%, le candidat C serait lu.
49
Exercice 11
On sait que le taux de mortalit dune certaine maladie est de 30%.
Sur 200 malades tests, combien peut-on envisager de dcs?
Solution 11
Construisons dobord lintervalle de pari, pour un chantillon de taille : = 200,
correspondant la probabilit de dcs j = 0.3.
_
j t
1=2
_
j (1 j)
:
. j + t
1=2
_
j (1 j)
:
_
Pour c = 5%, on a:
t
:975
= 1.96
[0.24. 0.36]
Il en rsulte que sur les 200 malades, le nombre de dcs envisager serait
compris, 95%, entre 48 et 72 dcs.
Exercice 12
Dans une pr-enqute, on selectionne, par tirage au sort cent dossiers.
Quinze dentre eux sont incomplets.
Combien de dossiers incomplets trouvera-t-on sur dix milles dossiers?
Solution 12
Construisons lintervalle de conance correspondant la frquence , = 0.15 de
dossiers incomplets observe sur un chantillon de taille : = 100.
_
, t
1=2
_
, (1 ,)
:
. , + t
1=2
_
, (1 ,)
:
_
50
Pour c = 5%, on a:
t
:975
= 1.96
[0.08. 0.22]
Il en rsulte que sur les 10000 dossiers, le nombre de dossiers incomplets serait
compris, 95%, entre 800 et 2200 dossiers.
Exercice 13
Dans une maternit, on fait le point de la proportion de lles toutes les cent
naissances.
Comment peut varier cette proportion dune fois lautre si lon admet quil nait
en moyenne 51% de lles?
Solution 13
Construisons lintervalle de pari, pour un chantillon de taille : = 100, corre-
spondant la probabilit dobtenir une lle j = 0.51.
_
j t
1=2
_
j (1 j)
:
. j + t
1=2
_
j (1 j)
:
_
Pour c = 5%, on a:
t
:975
= 1.96
[.41. .61]
Il en rsulte, qu 95%, la proportion de lles varie dune fois lautre, entre
41% et 61%.
51
Exercice 14
Sur un chantillon de 600 sujets atteints du cancer des poumons, on a trouv
550 fumeurs.
Que peut-on dire du pourcentage de fumeurs parmi les cancreux?
Solution 14
Construisons lintervalle de conance correspondant la frquence , =
11
12
des
cancreux parmi les fumeurs observe sur un chantillon de taille : = 600.
_
, t
1=2
_
, (1 ,)
:
. , + t
1=2
_
, (1 ,)
:
_
Pour c = 5%, on a:
t
:975
= 1.96
[0.9. 0.94]
Il en rsulte que parmi, les fumeurs, la proportion des atteints par le cancer des
poumons est comprise, 95%, entre 90% et 94%.
Exercice 15
Une srie de cent mesures a donn comme rsultat:
_
_
100
i=1
r
i
= 5200
100
i=1
_
r
i
1
100
100
j=1
r
j
_
2
= 396
52
1. Estimer la moyenne et la variance.
2. Quel est, 95%, lintervalle de conance de la moyenne?
3. En supposant la variable mesure gaussienne, dterminer, 95%, lintervalle
de conance de la variance.
Solution 15
1. Soit : lestimation de la moyenne et :
2
celle de la variance.
On a:
: =
1
100
100
i=1
r
i
= 52
et:
:
2
=
1
99
100
i=1
(r
i
:)
2
= 4
2. Au seuil c, lintervalle de conace de la moyenne est dni par:
_
:t
1=2
o
_
:
. : + t
1=2
o
_
:
_
Pour c = 5%, on a:
t
:975
= 1.96
do lintervalle de conance 95%:
[51.608. 52.392]
3. Au seuil c, lintervalle de conace de la variance est dni par:
_
(: 1)
2
n1;1=2
:
2
.
(: 1)
2
n1;=2
:
2
_
53
Pour c = 5%:
_
_
_
2
99;:025

2
100;:025
= 74.2
2
99;:975

2
100;:975
= 129.6
do lintervalle de conace de la variance 95%:
[3.06. 5.34]
Exercice 16
La force de rupture dun certain type de cable peut tre assimile une variable
alatoire normale.
Des essais portant sur dix cables ont donn une variance empirique :
2
de 1560 N
2
.
Construire un intervalle de conance, 95%, de lcart-type de cette force de
rupture.
Solution 16
Au seuil c, lintervalle de conace de lcart-type est dni par:
__
(: 1)
2
n1;1=2
:.
_
(: 1)
2
n1;=2
:
_
Pour c = 5%:
_
_
_
2
9;:025
= 2.7
2
9;:975
= 19
do lintervalle de conace de lcart-type 95%:
[27.18 N. 72.11 N]
54
Exercice 17
Une enqute statistique eectue sur cent sujets permet de dnir, 95%,
lintervalle de conance de la moyenne:
[49.6 50.4]
Dans quelles conditions aurait-il t possible que le rsultat ft 95%:
[49.8 50.2]
Solution 17
Il sagit de dterminer la taille :
/
de lchantillon prlever pour que lintervalle
de conance de la moyenne 95% soit:
[49.8. 50.2]
sachant que pour un chantillon de taille : = 100, cet intervalle est:
[49.6. 50.4]
Puisque:
_
:t
1=2
o
_
:
. : + t
1=2
o
_
:
_
= [49.6. 50.4]
on en dduit:
: =
49.6 + 50.4
2
= 50
et:
o =
_
:(50.4 49.6)
2t
1=2
2.04
Lgalit:
50.2 = : + t
1=2
o
_
:
/
implique:
:
/
=
_
ot
1=2
50.2 :
_
2
= 400
55
Exercice 18
Pour dterminer le point de fusion moyen j dun certain alliage, on a procd
neuf observations qui ont donnes une moyenne : = 1040
C et un cart-type
: = 16
C.
Construire un intervalle de conance de la moyenne j 95%.
Solution 18
Ici on a:
: = 9
: = 1040
C
: = 16
C
Au seuil c, lintervalle de conace dune telle moyenne est dni par:
_
:t
n1;1=2
:
_
:
. : + t
n1;1=2
:
_
:
_
Pour c = 5%, on a:
t
8;:975
= 2.31
do lintervalle de conance 95%:
[1027.68
C. 1052.32
C]
Exercice 19
Si lcart-type de la dure de vie dun modle de lampe lectrique est estim
cent heures, quelle doit tre la taille de lchantillon prlever pour que lerreur
sur lestimation de la dure de vie moyenne nexde pas vingt heures et ce avec
une probabilit de 95% puis 99%?
56
Solution 19
Lerreur sur lestimation de la moyenne est donne par:
t
1=2
:
_
:
(i) Pour c = 5%. on a:
t
1=2
= 1.96
do:
t
1=2
:
_
:
_ 20 == : _ 97
(ii) Pour c = 1%. on a:
t
1=2
= 2.57
do:
t
1=2
:
_
:
_ 20 == : _ 166
Exercice 20
Une machine fabrique des rondelles dont le diamtre 1 est une variable guassi-
enne.
On prlve au hasard un chantillon de huit rondelles.
Leurs diamtres ont pour mesure en mm:
20.1 19.9 19.7 20.2 20.1 23.1 22.6 19.8
Construire 95% puis 99% les intervalles de conance de la moyenne et de la
variance.
Solution 20
Calculons dabord les estimations : et :
2
de la moyenne et de la variance sur
cet chantillon de taille : = 8.
57
On a:
: =
1
:
n
i=1
r
i
= 20.6875 mm
et
:
2
=
1
: 1
n
i=1
(r
i
:)
2
= 1.827 mm
2
1. Lintervalle de conance de la moyenne 1 c est:
_
:t
n1;1=2
:
_
:
. : + t
n1;1=2
:
_
:
_
(a) Pour c = 5%, on a:
t
7;:975
= 2.36
do lintervalle:
[19.163. 22.212]
(b) Pour c = 1%, on a:
t
7;:995
= 3.5
do lintervalle:
[18.427. 22.948]
2. Lintervalle de conance de la variance 1 c est:
_
(: 1) :
2
2
n1;1=2
.
(: 1) :
2
2
n1;=2
_
58
(a) Pour c = 5%, on a:
_
_
_
2
7;:025
= 1.69
2
7;:975
= 16
do lintervalle:
[.79931. 7.5675]
(b) Pour c = 1%, on a:
_
_
_
2
7;:005
= .989
2
7;:995
= 20.3
do lintervalle:
[0.63. 12.931]
Exercice 21
Soient A et 1 deux variables alatoires indpendantes, la premire prenant les
valeurs 1 et 0 avec les probabilits respectives o et 1 o, et la deuxime prenant
les valeurs 1 et 0 avec les probabilits respectives 1 et 1 1. On suppose o
inconnue et 1 connue, 1 0.5.
On dnit la variable alatoire 2 par:
_
_
_
2 = 1 :i A = 1
2 = 0 :i A ,= 1
On considre un :-chantillon ((A
1
. 1
1
) . .... (A
n
. 1
n
)) de (A. 1 ) et on dnit
2
i
, 1 _ i _ :, partir de A
i
et 1
i
comme on a dni 2 partir de A et 1 .
1. Montrer que (2
1
. .... 2
n
) est un :-chantillon de 2.
2. Etudier les proprits de lestimateur:
1 =
1
:
(2
1
+ ... + 2
n
)
59
3. Proposer alors un estimateur sans biais o de o.
4. Etudier la variance de o en fonction de o.
5. Indiquer un intervalle de conance pour o lorsque : est grand, en supposant
quon dispose dune observation j
0
de la variable:
1 =
1
:
(2
1
+ ... + 2
n
)
6. Voyez-vous une application de ce qui prcde dans le domaine des sondages
dopinion?
Solution 21
On a:
_
_
_
1 [A = 0] = 1 o
1 [A = 1] = o
et:
_
_
_
1 [1 = 0] = 1 1
1 [1 = 1] = 1
A et 1 deux variables alatoires de Bernouilli de paramtres c et 1 respective-
ment.
Dterminons la loi de probabilit de 2:
1 [2 = 0] = 1 [A ,= 1 ]
= 1 [(A. 1 ) = (0. 1) (A. 1 ) = (0. 1)]
= 1 [A = 0] 1 [1 = 1] + 1 [A = 1] 1 [1 = 0]
= (1 o) 1 + o (1 1)
60
et:
1 [2 = 1] = 1 [A = 1 ]
= 1 [(A. 1 ) = (0. 0) (A. 1 ) = (1. 1)]
= 1 [A = 0] 1 [1 = 0] + 1 [A = 1] 1 [1 = 1]
= (1 o) (1 1) + o1
2 est donc une variable alatoire de Bernouilli de paramtre:
o = (1 o) (1 1) + o1
de plus:
1 [2] = o
\ [2] = o (1 o)
1. Puisque (A
1
. 1
1
) . .... (A
n
. 1
n
) sont indpentants et suivent la mme loi que
(A. 1 ), on en dduit que (2
1
. .... 2
n
) sont indpendants et suivent la mme
loi que 2, donc cest un :-chantillon de 2.
2. Soit lestimateur:
1 =
1
:
(2
1
+ ... + 2
n
)
On a:
1 [1] = 1 [2]
= (1 o) (1 1) + o1
et:
\ [1] =
1
:
\ [2]
=
1
:
[(1 o) (1 1) + o1] [(1 o) 1 + o (1 1)]
61
3. 1 est donc un estimateur biais de o sauf lorsque:
o =
1
2
ou:
1 = 1
(a) Si:
o =
1
2
on 1 = 1
alors il sut de prendre:
o = 1
(b) Si:
o ,=
1
2
ct 1 ,= 1
alors il sut de prendre:
o =
1
21 1
[1 (1 1)]
4. On a:
\ [o] =
1
(21 1)
2
\ [1]
=
1
:(21 1)
2
[(1 c) (1 1) + c1] [(1 c) 1 + c(1 1)]
Donc lestimateur o est convergent.
Dautre part:
d
do
\ [o] =
1
:(21 1)
2
d
do
[(1 c) (1 1) + c1] [(1 c) 1 + c(1 1)]
=
1
:
62
La variance de o est strictement dcroissante.
Pour que o soit de variance minimale, il faut maximiser o.
5. Si j
0
est une observation de 1, alors:
, =
1
21 1
[j
0
(1 1)]
est une observation o.
Daprs le thorme central limit, 1 peut tre approximer par une loi normale
A (1 [1] . \ [1]):
1 ~ A (1 [1] . \ [1])
\ [1] tant estime par:
\ [1] =
j
0
(1 j
0
)
:
et puisque o est une trasformation ane de 1:
o =
1
21 1
[1 (1 1)]
donc o peut tre approximer par une loi normale A (1 [o] . \ [o]):
o ~ A (1 [o] . \ [o])
o:
1 [o] = o
et:
\ [o] =
\ [1]
(21 1)
2
=
j
0
(1 j
0
)
:(21 1)
2
63
Il en rsulte quau seuil c, lintervalle de conance de o est donn par:
_
, t
1=2
o [o] . , + t
1=2
o [o]
o o [o] reprsente lcart type de o.

64

Les Tests dHypothse A. El Mossadeq
Exercice 1
Une machine former des pilules fonctionne de faon satisfaisante si la proportion
de pilules non russies est de 1 pour 1000.
Sur un chantillon de 10000 pilules, on a trouv 15 pilules dfectueuses.
Que faut-il conclure?
Solution 1
Ici on:
_
_
: = 10
4
, = 15 10
4
j = 10
3
Testons, au seuil c, lhypothse nulle:
H
0
: la machine est bien rgle
Sous cette hypothse, la quantit:
t =
, j
_
j (1 j)
:
peut tre considre comme une ralisation dune variable alatoire normale cen-
tre rduite.
Pour c = 5%, on a:
t
:975
= 1.96
et comme:
t =
, j
_
j (1 j)
:
= 1.58
on accepte donc lhypothse nulle H
0
au seuil c = 5%, cest dire, quau seuil
c = 5%, la machine fonctionne de faon satisfaisante.
67
A. El Mossadeq Les Tests dHypothse
Exercice 2
On a lanc cent fois une pice de monnaie et lon a obtenu soixante fois pile
et quarante fois face.
Tester au seuil de 5%, puis 1%, lhypothse de la loyaut de la pice.
Solution 2
Ici on:
_
: = 100
, = 0.6
o , est la frquence de pile.
H
0
: la pice est loyale
Sous cette hypothse, on a:
j = 0.5
et la quantit:
t =
, j
_
j (1 j)
:
tre rduite.
On a:
t =
, j
_
j (1 j)
:
= 2
(i) Pour c = 5%, on a:
t
:975
= 1.96
on rejette donc lhypothse nulle H
0
95%, cest dire, qu 95%, la pice
est truque.
68
(ii) Pour c = 1%, on a:
2.57 < t
:995
< 2.58
0
au seuil c = 1%, cest dire, quau
seuil c = 1%, la pice est normale.
Exercice 3
Avant de procder au lancement dun produit, une entreprise a fait procder
une enqute portant sur deux rgions gographiques et 1.
Sur 1800 rponses provenant de la rgion , 630 se dclarent intresses par le
produit.
En provenance de 1, 150 rponses sur 600 se dclarent favorables.
Tester, au seuil de 5%, lhypothse de lidentit des opinions des rgions et 1
quant au produit considr.
Solution 3
Cet exercice peut tre trair soit par un test de comparaison de deux frquences
soit par un test dindpendance du Khi-deux.
1. Test de comparaison de deux frquences:
Ici on:
_
_
:
A
= 1800 et ,
A
=
7
20
:
B
= 600 et ,
B
=
1
4
H
0
: les opinions des rgions A et B sont identiques
t =
,
A
,
B
_
,
A
(1 ,
A
)
:
A
+
,
B
(1 ,
B
)
:
B
69
peut tre considre comme une ralisation dune variable alatoire normale
centre rduite.
Pour c = 5%, on a:
t
:975
= 1.96
et comme:
t =
,
A
,
B
_
,
A
(1 ,
A
)
:
A
+
,
B
(1 ,
B
)
:
B
= 4.77
0
95% (et mme 99.98%), cest dire,
les deux rgions et 1 ont des opinions direntes.
2. Test dindpendance du Khi-deux:
La rpartition observe est:
1c/|ccn dc: c,,ccti,: o/:c: c:
1 cqio:Cji:io: ,co:c/|c :o: ,co:c/|c 1otc|
1 cqio: 630 1170 1800
1 cqio: 1 150 450 600
1otc| 780 1620 2400
H
0
: les rgions et 1 ont la mme opinion
70
Calculons, sous cette hypothse, la rpartition thorique:
1c/|ccn dc: c,,ccti,: t/ co:inc:
1 cqio:Cji:io: ,co:c/|c :o: ,co:c/|c 1otc|
1 cqio: 585 1215 1800
1 cqio: 1 195 405 600
1otc| 780 1620 2400
Sous lhypothse nulle H
0
, la quantit:
2
=
2
i=1
2
j=1
(o
ij
t
ij
)
2
t
ij
est une ralisation dune variable du Khi-deux :
(2 1) (2 1) = 1
degr de libert.
Pour c = 5%, on a:
2
1;:95
= 3.84
comme:
2
=
2
i=1
2
j=1
(o
ij
t
ij
)
2
t
ij
= 20.51
On rejette alors H
0
95% (et mme 99.5%), cest dire, les deux rgions
ont des opinions direntes quant au produit considr.
71
Exercice 4
Dans un groupe de 200 malades atteints du cancer du col de lutrus, un traite-
ment par application locale du radium a donn 50 gurisons.
Un autre groupe de 150 sujets atteints de la mme maladie a t trait par
chirurgie, on a trouv 54 gurisons.
Solution 4
Ici on:
_
:
1
= 200 . ,
1
= 0.25
:
2
= 150 . ,
2
= 0.36
H
0
: les deux traitements sont quivalents
t =
,
1
,
2
_
,
1
(1 ,
1
)
:
1
+
,
2
(1 ,
2
)
:
2
centre rduite.
Pour c = 5%, on a:
t
:975
= 1.96
et comme:
t =
,
1
,
2
_
,
1
(1 ,
1
)
:
1
+
,
2
(1 ,
2
)
:
2
= 2.12
72
0
95%, cest dire, les deux mthodes
ne sont pas quivalentes.
1c/|ccn dc: c,,ccti,: o/:c: cc:
1:citc:c:t1 c:n|tct qn c:i :o: qn c:i 1otc|
:cdin: 50 150 200
c/i:n:qic 54 96 150
1otc| 104 246 350
H
0
: les deux traitements sont quivalents
1:citc:c:t1 c:n|tct qn c:i :o: qn c:i 1otc|
:cdin: 59.4 140.6 200
c/i:n:qic 44.6 105.4 150
1otc| 104 246 350
0
, la quantit:
73
2
=
2
i=1
2
j=1
(o
ij
t
ij
)
2
t
ij
(2 1) (2 1) = 1
degr de libert.
Pour c = 5%, on a:
2
1;:95
= 3.84
Et comme:
2
=
2
i=1
2
j=1
(o
ij
t
ij
)
2
t
ij
= 4.94
On rejette alors H
0
95% , cest dire, les deux traitements ne sont pas
quivalents.
Exercice 5
Aux guichets dune gare parisienne, sur les 350 billets vendus vendredi aprs-midi,
95 taient des billets de 1
ere
classe. Sur les 250 billets vendus la matine du lundi
suivant, 55 taient de 1
ere
classe.
Peut-on considrer quil y a une dirence entre les proportions de vente de
parcours en 1
ere
classe pour les ns et dbuts de semaines?
Solution 5
74
Ici on:
_
_
:
1
= 350 . ,
1
=
19
70
:
2
= 250 . ,
2
=
11
50
H
0
: les taux de billets de 1
ere
classe vendus en n
et dbut de semaines sont identiques
t =
,
1
,
2
_
,
1
(1 ,
1
)
:
1
+
,
2
(1 ,
2
)
:
2
peut tre considre comme une ralisation dune variable normale centre
rduite.
Pour c = 5%, on a:
t
:975
= 1.96
et comme:
t =
,
1
,
2
_
,
1
(1 ,
1
)
:
1
+
,
2
(1 ,
2
)
:
2
= 1.45
0
au seuil 5%, cest dire, les taux de
billets de parcours en 1
ere
classe vendus en ns et dbuts de semaines sont
identiques et quon peut estimer par:
, =
:
1
,
1
+:
2
,
2
:
1
+:
2
= 0.25
75
,on:C|c::c 1
ere
c|c::c 2
ere
c|c::c 1otc|
\ c:d:cdi .` 95 255 350
1n:di :cti: 55 195 250
1otc| 150 450 600
H
0
: les taux de billets de parcours en 1
ere
classe vendus en n
et dbut de semaines sont identiques
Jon:C|c::c 1
ere
c|c::c 2
ere
c|c::c 1otc|
\ c:d:cdi .` 87.5 262.5 350
1n:di :cti: 62.5 187.5 250
1otc| 150 450 600
76
0
, la quantit:
2
=
2
i=1
2
j=1
(o
ij
t
ij
)
2
t
ij
(2 1) (2 1) = 1
degr de libert.
Pour c = 5%, on a:
2
1;:95
= 3.84
Et comme:
2
=
2
i=1
2
j=1
(o
ij
t
ij
)
2
t
ij
= 2.06
On accepte alors H
0
au seuil c = 5% , cest dire, les taux de billets de
parcours en 1
ere
classe vendus en ns et dbuts de semaines sont identiques.
Exercice 6
Un chantillon de taille : a donn lieu au calcul dune frquence observe ,
correspondant lintervalle de conance [0.22 0.34] au seuil c = 5%.
1. Calculer :.
2. Par rapport la proportion j = 0.3, lcart entre , et j est-il signicatif au
seuil c = 5%?
3. Dterminer lintervalle de conance de [, j[ au seuil c = 5%.
77
Solution 6
1. Au seuil c, lintervalle de conance correspondant une frquence , observe
sur un chantillon de taille : est dni par:
_
, t
1=2
_
, (1 ,)
:
. , +t
1=2
_
, (1 ,)
:
_
On en dduit:
_
_
, =
0.22 + 0.34
2
: = t
2
1=2
, (1 ,)
(, 0.22)
2
Pour c = 5%, on a:
t
0:975
= 1.96
on obtient alors:
_
, = .28
: = 215
2. Testons, au seuil c, lhypothse nulle:
H
0
: lcart nest pas singicatif
t =
, j
_
j (1 j)
:
centre rduite.
On a:
t =
, j
_
j (1 j)
:
= 0.64
78
Pour c = 5%, on a:
t
:975
= 1.96
0
au seuil c = 5%.
3. Au seuil c:
, j
_
j (1 j)
:
_
t
1=2
. t
1=2
donc, au seuil c:
[, j[
_
0. t
1=2
_
j (1 j)
:
_
Pour c = 5%, on a:
t
:975
= 1.96
do:
[, j[ [0. 0.06]
Exercice 7
Ltude du taux de dfectuosits arentes aux caractristiques de traitements
thermiques dune mme pice, traite par deux fours dirents, a donn lieu aux
rsultats suivants:
* Pour le premier four, 20 pices dfectueuses sur un chantillon de 200 pices
traites.
* Pour le second four, 120 pices dfectueuses sur un chantillon de 800 pices
traites.
79
Solution 7
Ici on:
_
_
_
:
1
= 200 . ,
1
= 0.10
:
2
= 800 . ,
2
= 0.15
H
0
: les deux traitements thermiques sont quivalents
t =
,
1
,
2
_
,
1
(1 ,
1
)
:
1
+
,
2
(1 ,
2
)
:
2
tre rduite.
Pour c = 5%, on a:
t
:975
= 1.96
et comme:
t =
,
1
,
2
_
,
1
(1 ,
1
)
:
1
+
,
2
(1 ,
2
)
:
2
= 2.03
0
95%, cest dire, les deux traitements ne
sont pas quivalents.
Exercice 8
Un questionnaire auquel on ne peut rpondre que par oui ou par non, a t
rempli par un chantillon de taille :.
Lintervalle de conance de la frquence observe , des rponses oui est
(0.35 0.43) au seuil c = 5%.
80
1. Quelle est la taille : de lchantillon.
2. Par rapport la proportion j = 0.4, lcart entre , et j est-il signicatif au
seuil c = 5%?
3. Dterminer lintervalle de conance de [, j[ au seuil c = 5%.
Solution 8
1. Au seuil c, lintervalle de conance correspondant une frquence , observe
sur un chantillon de taille : est dni par:
_
, t
1=2
_
, (1 ,)
:
. , +t
1=2
_
, (1 ,)
:
_
On en dduit:
_
_
, =
0.35 + 0.43
2
: = t
2
1=2
, (1 ,)
(, 0.35)
2
Pour c = 5%, on a:
t
0:975
= 1.96
on obtient alors:
_
_
_
, = 0.39
: = 571
2. Testons, au seuil c, lhypothse nulle:
H
0
: lcart nest pas singicatif
t =
, j
_
j (1 j)
:
81
centre rduite.
On a:
t =
, j
_
j (1 j)
:
= 0.49
Pour c = 5%, on a:
t
:975
= 1.96
On accepte donc lhypothse nulle H
0
au seuil c = 5%.
3. Au seuil c:
, j
_
j (1 j)
:
_
t
1=2
. t
1=2
donc, au seuil c:
[, j[
_
0. t
1=2
_
j (1 j)
:
_
Pour c = 5%, on a:
t
:975
= 1.96
do:
[, j[ [0. 0.04]
Exercice 9
Parmi 470 sujets exposs une infection, 370 nayant pas t immuniss.
Parmi ces derniers, 140 contractent la malidie ainsi que 25 sujets immuniss.
Le traitement donne-t-il une protection signicative?
82
Solution 9
Soient ,
1
la frquence de contracter la maladie pour un sujet non immunis et
,
2
la frquence de contracter la maladie pour un sujet immunis.
Ici on:
_
_
:
1
= 370 et ,
1
=
14
37
:
2
= 100 et ,
2
=
1
4
H
0
: le traitements nest pas ecace
t =
,
1
,
2
_
,
1
(1 ,
1
)
:
1
+
,
2
(1 ,
2
)
:
2
tre rduite.
Pour c = 5%, on a:
t
:975
= 1.96
et comme:
t =
,
1
,
2
_
,
1
(1 ,
1
)
:
1
+
,
2
(1 ,
2
)
:
2
= 2.56
On rejette donc lhypothse nulle H
0
95%, cest dire, le traitement donne
une protection signicative.
83
Exercice 10
La taille de 1200 conscrits du bureau de recrutement A a pour moyenne

A =
172 cm et pour cart-type :
X
= 6 cm.
Les mmes mesures eectues sur les 250 conscrits du bureau de recrutement 1
ont donn pour moyenne

1 = 170 cm et pour cart-type :
Y
= 5 cm.
Solution 10
Testons au seuil c lhypothse nulle:
H
0
: les conscrits des bureaux de recrutement A et 1 ont la mme taille
0
, la quantit:
t =

A

1
_
:
2
X
:
1
+
:
2
Y
:
2
tre rduite.
Pour c = 5%, on a:
t
:975
= 1.96
Et comme:
t =

A

1
_
:
2
X
:
1
+
:
2
Y
:
2
= 5.547
On rejette alors lhypothse nulle H
0
95% (mme 99%), cest dire, les
conscrits des bureaux de recrutement A et 1 ont des tailles moyennes direntes.
84
Exercice 11
On se propose de comparer le poids la naissance chez une srie de primapares
(srie 1) et une srie de multipares (srie 2):
o c:ic 1: :
1
= 95 :
1
= 3197 g :
2
1
= 210100 g
2
o c:ic 2: :
2
= 105 :
2
= 3410 g :
2
2
= 255400 g
2
Solution 11
Testons au seuil c lhypothse nulle:
H
0
: les primapares et les multipares ont le mme poids moyen la naissance
0
, la quantit:
t =
:
1
:
2
_
:
2
1
:
1
+
:
2
2
:
2
tre rduite.
Pour c = 5%, on a:
t
:975
= 1.96
Et comme:
t =
:
1
:
2
_
:
2
1
:
1
+
:
2
2
:
2
= 3.1256
On rejette alors lhypothse nulle H
0
, 95% (mme 99%), cest dire, les
primapares et les multipares nont pas le mme poids moyen la naissance.
85
Exercice 12
Chez cent sujet normaux, on dose lacide urique, les rsultats sont:
_
_
_
:
1
= 53.3 mg, l
:
1
= 9.1 mg, l
Chez cent sujet atteints de la maladie de goutte, le mme dosage de lacide
urique fournit les rsultats suivants:
_
_
_
:
2
= 78.6 mg, l
:
2
= 13.1 mg, l
Solution 12
Testons au seuil c, lhypothse nulle:
H
0
: "la maladie de goutte na pas dinuence sur la dose de lacide urique"
t =
:
1
:
2
_
:
2
1
:
1
+
:
2
2
:
2
tre rduite.
Pour c = 5%, on a:
t
:975
= 1.96
et comme:
t =
:
1
:
2
_
:
2
1
:
1
+
:
2
2
:
2
= 15.862
On rejette lhypothse nulle H
0
95% (mme 99.99%). cest dire, la maladie
de goutte a une inuence sur la dose de lacide urique.
86
Exercice 13
On admet que la valeur moyenne de la glycmie du sujet normal est 1 g, l.
Sur 17 sujets, on a trouv une moyenne de .965 g, l et un cart-type estim de
.108 g, l.
Cette valeur peut-elle tre considre comme dirente du taux normal?
Solution 13
Testons au seuil c, lhypothse nulle:
H
0
: "la valeur est normale"
t =
:j
:
_
:
est une ralisation de la variable alatoire 1
n1
de Student :
: 1 = 16
degrs de libert.
Pour c = 5%, on a:
t
16;:975
= 2.12
et comme:
t =
:j
:
_
:
= 1.3362
on accepte lhypothse nulle H
0
au seuil c = 5%, cest dire, la valeur est
normale.
87
Exercice 14
Dans un chantillon de 17 prmaturs, la moyenne du `c-plasmatique est:
_
_
_
:
1
= 133
:
2
1
= 81.2
Soit un autre chantillon de 25 dysmaturs, dans lequel la moyenne du `c-
plasmatique est:
_
_
_
:
2
= 136
:
2
2
= 56.57
Solution 14
Testons dabord, au seuil c = 5%, lhypothse nulle dgalit des variances du
`c-plasmatique chez les prmaturs et les dysmaturs.
, =
:
2
1
:
2
2
est une ralisation dune variable alatoire de Fisher :
(:
1
1. :
2
1) = (16. 24)
degrs de libert.
Pour c = 5%, on a:
1
16;24;:975
= 2.41
Et comme:
, =
:
2
1
:
2
2
= 1.4354
On accepte donc lhypothse dgalit des variances des deux populations.
88
Calculons maintenant lestimation commune :
2
de cette variance:
:
2
=
(:
1
1) :
2
1
+ (:
2
1) :
2
2
:
1
+:
2
2
= 66.42
et testons lhypothse nulle:
H
0
: "les prmaturs et les dysmaturs ont la mme moyenne du Na-plasmatique"
t =
:
1
:
2
:
_
1
:
1
+
1
:
2
est une ralisation de la variable alatoire de Student :
:
1
+:
2
2 = 40
degrs de libert.
Pour c = 5%, on a:
t
40;:975
= 2.02
Et comme:
t =
:
1
:
2
:
_
1
:
1
+
1
:
2
= 1.17
On accepte lhypothse nulle H
0
au seuil c = 5%, cest dire, les prmaturs
et les dysmaturs ont la mme moyenne du Na-plasmatique estime par:
: =
:
1
:
1
+:
2
:
2
:
1
+:
2
= 134.79
89
Exercice 15
Lorquune machine est bien rgle, elle produit des pices dont le diamtre 1
est une variable gaussienne de moyenne 25 mm.
Deux heures aprs le rglage de la machine, on a prlev au hasard neuf pices.
Leurs diamtres ont pour mesure en mm:
22 23 21 25 24 23 22 26 21
Construire 95% puis 99% les intervalles de conance de la moyenne et de la
variance.
Que peut-on conclure quant la qualit du rglage aprs deux heures de fonc-
tionnement de la machine?
Solution 15
Calculons dabord les estimations : et :
2
de la moyenne et de la variance sur
cet chantillon de taille : = 9.
On a:
: =
1
:
n
i=1
r
i
= 23 mm
et:
:
2
=
1
: 1
n
i=1
(r
i
:)
2
= 3 mm
2
Testons lhypothse nulle:
H
0
: "la machine est bien rgle"
0
, la quantit:
t =
:j
:
_
:
est une ralisation dune variable alatoire de Student :
: 1 = 8
degrs de libert: 1
8
.
90
Pour c = 5%, on a:
t
8;:975
= 2.31
et comme:
t =
:j
:
_
:
= 3.4641
0
95% (mme 99%), cest dire, le rglage
de la machine est rompu.
Exercice 16
On eectue un dosage par deux mthodes direntes et 1.
On obtient les rsultats suivants:
` ct/odc .6 .65 .7 .7 .7 .7 .75 .8 .8
` ct/odc 1 .6 .6 .65 .65 .7 .6 .75 .8 .8
Peut-on considrer que les deux mthodes sont quivalentes?
Solution 16
Calculons les estimations
_
:
1
. :
2
1
_
de
_
j
1
. o
2
1
_
et
_
:
2
. :
2
2
_
de
_
j
2
. o
2
2
_
:
_
_
:
1
=
1
9
9
i=1
r
1i
= .71
:
2
1
=
1
8
9
i=1
(r
1i
:
1
)
2
= .004
et:
_
_
:
2
=
1
9
9
i=1
r
2i
= .68
:
2
2
=
1
8
9
i=1
(r
2i
:
2
)
2
= .007
91
Testons dabord, au seuil c = 5%, lhypothse nulle dgalit des variances des
deux mthodes de dosage.
, =
:
2
2
:
2
1
(:
2
1. :
1
1) = (8. 8)
degrs de libert.
Pour c = 5%, on a:
1
8;8;:975
= 4.43
et comme:
, =
:
2
2
:
2
1
= 1.75
On accepte donc lhypothse dgalit des variances des deux populations.
2
de cette variance:
:
2
=
(:
1
1) :
2
1
+ (:
2
1) :
2
2
:
1
+:
2
2
= 0.0055
H
0
: "les deux mthodes de dosage sont quivalentes."
t =
:
1
:
2
:
_
1
:
1
+
1
:
2
92
:
1
+:
2
2 = 16
degrs de libert.
Pour c = 5%, on a:
t
16;:975
= 2.12
et comme:
t =
:
1
:
2
:
_
1
:
1
+
1
:
2
= 0.86
0
au seuil c = 5%, cest dire, les deux mthodes
de dosage sont quivalentes.
Exercice 17
Dans deux types de forts, on a mesur les hauteurs de treize et quatorze peuple-
ments choisis au hasard et indpendamment dans le but de vrier si les hauteurs
de ces deux types darbres sont ou ne sont pas gales.
Les rsultats sont les suivants:
1jc 1 : 22.5 22.9 23.7 24.0 24.4 24.5 26.0
26.2 26.4 26.7 27.4 28.6 28.7
1jc 2 : 23.4 24.4 24.6 24.9 25.0 26.2 26.3
26.8 26.8 26.9 27.0 27.6 27.7 27.8
On admet que les hauteurs de ces deux types darbres sont des variables gaussi-
ennes A
_
j
1
. o
2
1
_
et A
_
j
2
. o
2
2
_
.
93
Solution 17
_
:
1
. :
2
1
_
de
_
j
1
. o
2
1
_
et
_
:
2
. :
2
2
_
de
_
j
2
. o
2
2
_
:
_
_
:
1
=
1
13
13
i=1
r
1i
= 25.538
:
2
1
=
1
12
13
i=1
(r
1i
:
1
)
2
= 4.1576
et:
_
_
:
2
=
1
14
14
i=1
r
2i
= 26.1
:
2
2
=
1
13
14
i=1
(r
2i
:
2
)
2
= 1.9431
hauteurs des deux types darbres.
, =
:
2
1
:
2
2
(:
1
1. :
2
1) = (12. 13)
degrs de libert.
Pour c = 5%, on a:
1
12;13;:975
= 3.15
et comme:
, =
:
2
1
:
2
2
= 2.1398
on accepte donc lhypothse dgalit des variances des hauteurs des deux types
darbres.
94
2
de cette variance:
:
2
=
(:
1
1) :
2
1
+ (:
2
1) :
2
2
:
1
+:
2
2
= 3.0062
H
0
: "les deux types darbres ont la mme hauteur"
t =
:
1
:
2
:
_
1
:
1
+
1
:
2
:
1
+:
2
2 = 25
degrs de libert.
Pour c = 5%, on a:
t
25;:975
= 2.06
et comme:
t =
:
1
:
2
:
_
1
:
1
+
1
:
2
= 0.84155
0
au seuil c = 5%, cest dire, les deux types
darbres ont la mme hauteur moyenne estime par:
: =
:
1
:
1
+:
2
:
2
:
1
+:
2
= 25.829
95
Exercice 18
On considre deux varits de mas `
1
et `
2
dont les rendements sont des vari-
ables alatoires gaussiennes A
_
j
1
. o
2
1
_
et A
_
j
2
. o
2
2
_
.
An de comparer les rendements de ces deux varits de mas, on a choisi de
cultiver dans neuf stations direntes des parcelles voisines encemences de lune
ou lautre des deux varits. On a observ les rendements suivants:
otctio: 1 2 3 4 5 6 7 8 9
\ c:i ct c 1 39.6 32.4 33.1 27 36 32 25.9 32.4 33.2
\ c:i ct c 2 39.2 33.1 32.4 25.2 33.1 29.5 24.1 29.2 34.1
Solution 18
_
:
1
. :
2
1
_
de
_
j
1
. o
2
1
_
et
_
:
2
. :
2
2
_
de
_
j
2
. o
2
2
_
:
_
_
:
1
=
1
9
13
i=1
r
1i
= 32.4
:
2
1
=
1
8
13
i=1
(r
1i
:
1
)
2
= 17.188
et:
_
_
:
2
=
1
9
14
i=1
r
2i
= 31.1
:
2
2
=
1
8
14
i=1
(r
2i
:
2
)
2
= 21.785
96
rendements des deux varits de mas.
, =
:
2
2
:
2
1
(:
2
1. :
1
1) = (8. 8)
degrs de libert.
Pour c = 5%, on a:
1
8;8;:975
= 4.43
et comme:
, =
:
2
2
:
2
1
= 1.2675
On accepte donc lhypothse dgalit des variances des rendements des deux
varits de mas.
2
de cette variance:
:
2
=
(:
1
1) :
2
1
+ (:
2
1) :
2
2
:
1
+:
2
2
=
:
2
1
+:
2
2
2
= 19.4865
H
0
: "les deux varits de mas ont le mme rendement"
t =
:
1
:
2
:
_
1
:
1
+
1
:
2
97
:
1
+:
2
2 = 16
degrs de libert.
Pour c = 5%, on a:
t
16;:975
= 2.12
et comme:
t =
:
1
:
2
:
_
1
:
1
+
1
:
2
= .42892
0
au seuil c = 5%, cest dire, les deux varits
de mas ont le mme rendement moyen estim par:
: =
:
1
:
1
+:
2
:
2
:
1
+:
2
= 31.75
Exercice 19
Le relev des tempratures journalires minimales de deux stations o
1
et o
2
, au
cours de neuf journes conscutives a fourni les valeurs suivantes en

C:
otctio: 1 12 8 9 10 11 13 10 7 10
otctio: 2 7 11 10 6 8 11 12 9 7
On admet que la distribution des tempratures journalires minimales des deux
stations o
1
et o
2
sont des variables gaussiennes A
_
j
1
. o
2
1
_
et A
_
j
2
. o
2
2
_
.
1. Dterminer les estimations des moyennes et des variances des tempratures
journalires minimales des deux stations o
1
et o
2
.
98
2. Construire, au seuil c = 5%, les intervalles de conance de ces estimations.
3. Peut-on admettre, au seuil c = 5%, lhypothse selon laquelle les tempratures
journalires minimales moyennes des deux stations o
1
et o
2
sont identiques?
Solution 19
1. Calculons les estimations
_
:
1
. :
2
1
_
de
_
j
1
. o
2
1
_
et
_
:
2
. :
2
2
_
de
_
j
2
. o
2
2
_
.
On a:
_
_
:
1
=
1
9
11
i=1
r
1i
= 10
C
:
2
1
=
1
8
11
i=1
(r
1i
:
1
)
2
= 3.5
et:
_
_
:
2
=
1
9
10
i=1
r
2i
= 9
C
:
2
2
=
1
8
10
i=1
(r
2i
:
2
)
2
= 4.5
(a) Lintervalle de conance de j
1
1 c est dni par:
_
:
1
t
n1;1=2
:
1
_
:
. :
1
+t
n1;1=2
:
1
_
:
_
Pour c = 5%, on a:
t
8;:975
= 2.31
do lintervalle:
[8.56
C. 11.44
C]
99
(b) Lintervalle de conance de o
2
1
1 c est dni par:
_
(: 1) :
2
1
2
n1;1=2
.
(: 1) :
2
1
2
n1;=2
_
Pour c = 5%, on a:
_
_
_
2
8;:025
= 2.18
2
8;:975
= 17.5
do lintervalle:
[1.6. 12.8]
(c) Lintervalle de conance de j
2
1 c est dni par:
_
:
2
t
n1;1=2
:
2
_
:
. :
2
+t
n1;1=2
:
2
_
:
_
Pour c = 5%, on a:
t
8;:975
= 2.31
do lintervalle:
[7.37
C. 10.63
C]
(d) Lintervalle de conance de o
2
2
1 c est dni par:
_
(: 1) :
2
2
2
n1;1=2
.
(: 1) :
2
2
2
n1;=2
_
Pour c = 5%, on a:
_
_
_
2
8;:025
= 2.18
2
8;:975
= 17.5
do lintervalle:
[2.06. 16.51]
100
2. Testons dabord, au seuil c = 5%, lhypothse nulle dgalit des variances
des tempratures journalires minimales des deux stations o
1
et o
2
.
, =
:
2
2
:
2
1
(:
2
1. :
1
1) = (8. 8)
degrs de libert.
Pour c = 5%, on a:
1
8;8;:975
= 4.43
et comme:
, =
:
2
2
:
2
1
= 1.29
On accepte donc lhypothse dgalit des variances.
2
de cette variance:
:
2
=
(:
1
1) :
2
1
+ (:
2
1) :
2
2
:
1
+:
2
2
=
:
2
1
+:
2
2
2
= 4
H
0
: les tempratures journalires minimales moyennes
des deux stations o
1
et o
2
.sont identiques
101
t =
:
1
:
2
:
_
1
:
1
+
1
:
2
:
1
+:
2
2 = 16
degrs de libert.
Pour c = 5%, on a:
t
16;:95
= 2.12
et comme:
t =
:
1
:
2
:
_
1
:
1
+
1
:
2
= 1.0607
On accepte lhypothse nulle H
0
au seuil c = 5%, cest dire, les tem-
pratures journalires minimales moyennes des deux stations o
1
et o
2
.sont
identiques.
Cette temprature moyenne peut tre estime par:
: =
:
1
:
1
+:
2
:
2
:
1
+:
2
=
:
1
+:
2
2
= 9.5
102
Exercice 20
On tudie leet dune substance sur la croissance dune tumeur gree.
Les rsultats sont consigns sur le tableau ci-dessous donnant la surface de la
tumeur au 20
eme
jour aprs sa gree:
on:,ccc 5.5 6 6.5 7 7.5 8
1 c:oi:: 1 2 3 8 4 3
1:cit c: 4 4 8 3 1 1
Le traitement a-t-il un eet signicatif sur la surface tumorale?
On suppose que la surface tumorale est distribue selon des lois normales A
_
j
1
. o
2
1
_
et A
_
j
2
. o
2
2
_
chez les tmoins et les traits respectivement.
Solution 20
_
:
1
. :
2
1
_
de
_
j
1
. o
2
1
_
et
_
:
2
. :
2
2
_
de
_
j
2
. o
2
2
_
.
On a:
_
_
:
1
=
1
21
6
i=1
:
1i
r
i
= 7
:
2
1
=
1
20
6
i=1
:
1i
(r
i
:
1
)
2
= .45
et:
_
_
:
2
=
1
21
6
i=1
:
2i
r
i
= 6.4048
:
2
2
=
1
20
6
i=1
:
2i
(r
i
:
2
)
2
= .87972
103
surfaces tumorales chez les populations des tmoins et des traits.
, =
:
2
2
:
2
1
(:
2
1. :
1
1) = (20. 20)
degrs de libert.
Pour c = 5%, on a:
1
20;20;:975
= 2.46
et comme:
, =
:
2
2
:
2
1
= 1.9549
on accepte donc lhypothse dgalit des variances des deux populations.
2
de cette variance:
:
2
=
(:
1
1) :
2
1
+ (:
2
1) :
2
2
:
1
+:
2
2
= .66486
H
0
: "le traitement est sans eet sur la croissance
de la surface tumorale"
t =
:
1
:
2
:
_
1
:
1
+
1
:
2
104
est une ralisation de la variable alatoire de otndc:t :
:
1
+:
2
2 = 40
degrs de libert.
Pour c = 5%, on a:
t
40;:99
= 2.02
et comme:
t =
:
1
:
2
:
_
1
:
1
+
1
:
2
= 2.831
0
95% (et mme 98%), cest dire, le traite-
ment a une inuence sur la croissance de la surface tumorale.
Exercice 21
De nombreuses observations cliniques ont montr que jusque l:
30% des malades atteints de ` ont une survie infrieure un an
50% ont une survie entre un an et deux ans
10% ont une survie entre deux ans et cinq ans
10% ont une survie suprieure cinq ans.
On applique un nouveau traitement 80 malades atteint de la maladie ` et on
constate:
12 ont une survie infrieure un an
56 ont une survie entre un an et deux ans
8 ont une survie entre deux ans et cinq ans
4 ont une survie suprieure cinq ans.
Solution 21
H
0
: le nouveau traitement nest pas actif contre la maladie M
105
Sous cette hypothse, on a les rpartitions:
on:ic
1 cjc:titio:
C/:c: cc
1 cjc:titio:
1/ co:inc
:n:ic _ 1 c: 12 24
1 c: < :n:ic _ 2 c:: 56 40
2 c: < :n:ic _ 5 c:: 8 8
:n:ic 5 c:: 4 8
1otc| 80 80
0
, la quantit:
2
=
4
i=1
(o
i
t
i
)
2
t
i
4 1 = 3
degrs de libert.
Pour c = 5%, on a:
2
3;:95
= 7.81
Et comme:
2
=
2
i=1
(o
i
t
i
)
2
t
i
= 14.4
0
95% (mme 99.5%), cest dire, qu
99.5%, le nouveau traitement est actif contre la maladie M.
106
Exercice 22
Le tableau ci-aprs concerne le nombre annuel de cyclones tropicaux ayant at-
teint la cte orientale des Etats-Unis entre 1887 et 1956:
ò:/:c c::nc| dc cc|o:c: ò:/:c d
/
c:: cc:
0 1
1 6
2 10
3 16
4 19
5 5
6 8
7 3
8 1
9 1
9 0
Peut-on admettre, au seuil c = 5%, que ce nombre annuel de cyclones est une
variable de 1oi::o:?
107
Solution 22
H
0
: le nombre annuel de cyclones est une variable de Poisson
Calculons une estimation ponctuelle du paramtre c de cette loi:
1 [A = /] =
c
k
/!
exp c
o A est la variable alatoire reprsentant le nombre annuel de cyclones.
On sait que:
^ c =
1
:
n
i=1
A
i
est un estimateur sans biais et convergent de c.
Une estimation ponctuelle ~ c de c est donne par:
~ c =
1
70
9
i=0
i:
i
= 3.7286
Leectif thorique t
k
, / _ 0, reprsentant le nombre dannes / cyclones est
donn par:
t
k
= :1 [A = /]
Do les rpartitions:
108
ò:/:c c::nc|
dc cc|o:c:
1,,ccti,: o/:c: c: 1,,ccti,: t/ co:inc:
0 1 1.68
1 6 6.27
2 10 11.69
3 16 14.53
4 19 13.54
5 5 10.1
6 8 6.28
7 3 3.34
8 1 1.56
9 1 0.65
9 0 0.36
1otc| 70 70
On constate que le tableau contient des eectifs thoriques strictement infrieurs
5, ce qui empche lutilisation dun test du khi-deux.
On peut remdier cet tat en oprant le groupement logique:
* des classes 0 et 1 dune part,
* et des classes 7 ct j|n: dautre part.
Les tableaux des eectifs observs et thoriques deviennent:
109
ò:/:c c::nc|
dc cc|o:c:
1,,ccti,: o/:c: c: 1,,ccti,: t/ co:inc:
0 on 1 7 7.95
2 10 11.69
3 16 14.53
4 19 13.54
5 5 10.10
6 8 6.28
_ 7 5 5.91
1otc| 70 70
0
, la quantit:
2
=
7
i=1
(o
i
t
i
)
2
t
i
7 1 1 = 5
degrs de libert.puisque pour calculer les eectifs thoriques, nous avons utilis
lestimation, et non la valeur rel, du paramtre c de la loi de Poisson.
Pour c = 5%, on a:
2
5;:95
= 5.8948
110
Et comme:
2
= 5.81
On accepte alors H
0
au seuil c = 5%, cest dire, le nombre annuel de cyclones
peut tre ajust par une loi de Poisson dont le paramtre c est estim par:
~ c = 3.7286
Exercice 23
On veut savoir si la russite (1) dun traitement est indpendantes du niveaux
de la tension artrielle du malade (1).
On dispose pour cela de 250 observations rparties comme suit:
11 cc/cc :ncc c:
/c::c 21 104
c|c cc 29 96
Solution 23
11 1c/cc oncc c: 1otc|
1c::c 21 104 125
1|c cc 29 96 125
1otc| 50 200 250
111
H
0
: "la russite du traitement est indpendante du niveau de la tension artrielle"
11 1c/cc oncc c: 1otc|
1c::c 25 100 125
1|c cc 25 100 125
1otc| 50 200 250
0
, la quantit:
2
=
2
i=1
2
j=1
(o
ij
t
ij
)
2
t
ij
(2 1) (2 1) = 1
degr de libert.
Pour c = 5%, on a:
2
1;:95
= 3.84
Et comme:
2
=
2
i=1
2
j=1
(o
ij
t
ij
)
2
t
ij
= 1.6
On accepte alors H
0
au seuil c = 5% , cest dire, la russite du traitement est
indpendante du niveau de la tension artrielle.
112
Exercice 24
75 enfants sont vus en consultation pour un asthme. On relve chez eux les deux
symptmes suivants:
* Intensit de la maladie asmathique: lgre , moyenne , forte
* Existence ou absence dun eczma au moment de lobservation ou dans le
pass.On peut classer les enfants selon la rpartition suivante:
1 ,o:t :oc: | cqc:
j: c:c:t 8 2 2
jc:: c 11 11 3
,c:ci: 6 18 14
Peut-on considrer quil existe-t-il une association entre lintensit de lasthme
et lexistence dun eczma?
Solution 24
Le tableau de la rpartition observe est donne par:
1c. c:c:t/:c ,o:t :oc: | cqc: 1otc|
j: c:c:t 8 2 2 12
jc:: c 11 11 3 25
,c:ci: 6 18 14 38
1otc| 25 31 19 75
113
H
0
: lintensit de lasthme est indpendante de lexistence dun eczma
Calculons, sous cette hypothse, la rpartition thorique.
j: c:c:t 4 4.96 3.04 12
jc:: c 8.33 10.33 6.34 25
,c:ci: 12.67 15.71 9.62 38
1otc| 25 31 19 75
Les eectifs thoriques sur la premire ligne sont strictement infrieurs cinq, ce
qui empche lapplication dun test du Khi-deux.On peut remdier cet tat en
oprant le groupement logique des classes j: c:c:t et jc:: c.
Les nouveaux tableaux des eectifs observs et thoriques, obtenus aprs re-
groupement de ces deux classes sont donns ci-aprs.
j: c:c:t on jc:: c 19 13 5 37
,c:ci: 6 18 14 38
1otc| 25 31 19 75
114
j: c:c:t on jc:: c 12.33 15.29 9.38 37
,c:ci: 12.67 15.71 9.62 38
1otc| 25 31 19 75
0
, la quantit:
2
=
2
i=1
3
j=1
(o
ij
t
ij
)
2
t
ij
(2 1) (3 1) = 2
degrs de libert.
Pour c = 5%, on a:
2
2;:95
= 5.99
Et comme:
2
=
2
i=1
3
j=1
(o
ij
t
ij
)
2
t
ij
= 11.84
On rejette alors H
0
95% (mme 99.5%), cest dire, lintensit de lasthme
dpend de lexistence dun eczma.
115
Exercice 25
On veut savoir sil y a une liason entre la localisation (1) du cancer du poumon
(priphrique , non priphrique) et le ct (C) de la lsion (poumon gauche ,
poumon droit). Ltude a port sur 1054 malades:
1C qcnc/c d:oit
j c:ij/ c:inc 26 62
:o: j c:ij/ c:inc 416 550
Solution 25
La rpartition observe est donne par:
1C qcnc/c d:oit 1otc|
j c:ij/ c:inc 26 62 88
:o: j c:ij/ c:inc 416 550 966
1otc| 442 612 1054
H
0
: la localisation du cancer est indpendante du ct de la lsion
116
1C qcnc/c d:oit 1otc|
j c:ij/ c:inc 36.9 51.1 88
:o:j c:ij/ c:inc 405.1 560.9 966
1otc| 442 612 1054
0
, la quantit:
2
=
2
i=1
2
j=1
(o
ij
t
ij
)
2
t
ij
(2 1) (2 1) = 1
degr de libert.
Pour c = 5%, on a:
2
1;:95
= 3.84
Et comme:
2
=
2
i=1
2
j=1
(o
ij
t
ij
)
2
t
ij
= 6.05
On rejette alors H
0
95% (mme 97.5%), cest dire, la localisation du cancer
dpend du ct de la lsion.
117
Exercice 26
On suppose pouvoir classer les malades atteints dune maladie ` en trois cat-
gories cliniques: . 1 . C.
On se demande si ces trois catgories dirent par leurs survies un an.
Les eectifs observs sont les suivants:
on:icCct cqo:ic 1 C
:n:ic c n: c: 5 20 45
d cc c: cc:t n: c: 15 50 145
Solution 26
on:icCct cqo:ic 1 C 1otc|
on:ic c n: c: 5 20 45 70
1 cc c: cc:t n: c: 15 50 145 210
1otc| 20 70 190 280
H
0
: la survie un an est indpendante de la catgorie clinique
118
on:icCct cqo:ic 1 C 1otc|
on:ic c n: c: 5 17.5 47.5 70
1 cc c: cc:t n: c: 15 52.5 142.5 210
1otc| 20 70 190 280
0
, la quantit:
2
=
2
i=1
3
j=1
(o
ij
t
ij
)
2
t
ij
(2 1) (3 1) = 2
degrs de libert.
Pour c = 5%, on a:
2
2;:95
= 5.99
Et comme:
2
=
2
i=1
3
j=1
(o
ij
t
ij
)
2
t
ij
= 0.65
On accepte alors H
0
au seuil c = 5% , cest dire, la survie un an est
indpendante de la catgorie clinique.
119
Exercice 27
Sur un chantillon de 84 prmaturs, on cherche sil existe une liaison entre la
survenue dune hypoglycmie et la survenue dun ictre:
sur 43 enfants nayant pas dictre, 23 sont hypoglycmiques
sur 20 enfants ayant un ictre modr, 6 sont hypoglycmiques
sur 21 enfants ayant un ictre intense, 4 sont hypoglycmiques
Solution 27
La rpartition observe est donne dans le tableau:
1ct c:cHjoq|c c:ic /joq|c c:inc :o: /joq|c c:inc 1otc|
jc: d
/
ict c:c 23 20 43
ict c:c :od c: c 6 14 20
ict c:c i:tc::c 4 17 21
1otc| 33 51 84
H
0
: la survenue dune hypoglycmie est indpendante de la survenue dun ictre
120
1ct c:cHjoq|c c:ic /joq|c c:inc :o: /joq|c c:inc 1otc|
jc: d
/
ict c:c 16.89 26.11 43
ict c:c :od c: c 7.86 12.14 20
ict c:c i:tc::c 8.25 12.75 21
1otc| 33 51 84
0
, la quantit:
2
=
2
i=1
2
j=1
(o
ij
t
ij
)
2
t
ij
(3 1) (2 1) = 2
degrs de libert.
Pour c = 5%, on a:
2
2;:95
= 5.99
Et comme:
2
=
3
i=1
2
j=1
(o
ij
t
ij
)
2
t
ij
= 7.97
On rejette alors H
0
95% (mme 97.5%), cest dire, la survenue dune
hypoglycmie dpend de la survenue dun ictre.
121
Exercice 28
Une tude statistique relative aux rsultats dadmission du concours dune grande
cole fait ressortir la rpartition des admis selon la profession des parents lorsque
celle-ci est connue:
1:o,c::io: dc: 1c:c:t: Cc:didct: d:i:
1o:tio::ci:c: ct ::i:i| c: 2224 180
Co::c:cc ct 1:dn:t:ic 998 89
1:o,c::io:: 1i/ c:c|c: 575 48
1:oj:i ctci:c: 1c:tic:: 423 37
1:oj:i ctci:c: q:ico|c: 287 13
:ti:c:: 210 18
1c:nc: ct ::n:c:cc: 209 17
1. La profession des parents a-t-elle une inuence sur laccs cette cole?
2. Cette conclusion persiste-t-elle lorsquon tient compte pour complter la sta-
tistique prcdente de 961 candidats dont lorigine socio-professionnelle est
inconnue et qui ont obtenus 43 succs?
Solution 28
1. La rpartition observe est:
122
1:o,c::io: dc: 1c:c:t: Cc:didct: d:i: ò: cd:i:
1o:tio::ci:c: ct ::i:i| c: 2224 180 2044
Co::c:cc ct 1:dn:t:ic 998 89 899
1:o,c::io:: 1i/ c:c|c: 575 48 527
1:oj:i ctci:c: 1c:tic:: 423 37 386
1:oj:i ctci:c: q:ico|c: 287 13 274
:ti:c:: 210 18 192
1c:nc: ct ::n:c:cc: 209 17 192
1otc| 4916 402 4514
H
0
: laccs lEcole est indpendant de la profession des parents
Le tableau de cette rpartition est donne ci-aprs.
0
, la quantit:
2
=
7
i=1
2
j=1
(o
ij
t
ij
)
2
t
ij
123
1o:tio::ci:c: ct ::i:i| c: 2224 181.9 2042.1
Co::c:cc ct 1:dn:t:ic 998 80.8 907.2
1:o,c::io:: 1i/ c:c|c: 575 47 528
1:oj:i ctci:c: 1c:tic:: 423 34.6 388.4
1:oj:i ctci:c: q:ico|c: 287 23.5 263.5
:ti:c:: 210 17.2 192.8
1c:nc: ct ::n:c:cc: 209 17.1 191.9
1otc| 4916 402 4514
(7 1) (2 1) = 6
degrs de libert.
Pour c = 5%, on a:
2
6;:95
= 12.6
Et comme:
2
=
2
i=1
3
j=1
(o
ij
t
ij
)
2
t
ij
= 6.28
124
On accepte alors H
0
au seuil c = 5% , cest dire, laccs lEcole est
indpendant de la profession des parents.
2. Si lon tient compte des 961 candidats dont lorigine socio-professionnelle est
inconnue et qui ont obtenus 43 succs, la rpartition observe et la rparti-
tion thorique, sous la mme hypothse nulle, deviennent comme consogns
ci-aprs.
1o:tio::ci:c: ct ::i:i| c: 2224 180 2044
Co::c:cc ct 1:dn:t:ic 998 89 899
1:o,c::io:: 1i/ c:c|c: 575 48 527
1:oj:i ctci:c: 1c:tic:: 423 37 386
1:oj:i ctci:c: q:ico|c: 287 13 274
:ti:c:: 210 18 192
1c:nc: ct ::n:c:cc: 209 17 192
nt:c: 961 43 918
1otc| 5877 445 5432
125
1o:tio::ci:c: ct ::i:i| c: 2224 168.4 2055.6
Co::c:cc ct 1:dn:t:ic 998 74.8 913.2
1:o,c::io:: 1i/ c:c|c: 575 43.5 531.5
1:oj:i ctci:c: 1c:tic:: 423 32 391
1:oj:i ctci:c: q:ico|c: 287 21.7 265.3
:ti:c:: 210 15.9 194.1
1c:nc: ct ::n:c:cc: 209 15.8 193.2
nt:c: 961 72.8 888.2
1otc| 5877 445 5432
0
, la quantit:
2
=
8
i=1
2
j=1
(o
ij
t
ij
)
2
t
ij
(8 1) (2 1) = 7
degrs de libert.
126
Pour c = 5%, on a:
2
7;:95
= 14.1
Et comme:
2
=
2
i=1
3
j=1
(o
ij
t
ij
)
2
t
ij
= 22.5
On rejette alors H
0
95% (mme 99.5%) , cest dire, laccs lEcole
dpend de la profession des parents.
Exercice 29
Un mdicament essay sur 42 patients est contrl quant aux eets secondaires
quil peut avoir sur le poids des malades. On peut considrer que:
quinze dentre eux ont maigri
dix sept nont pas chang de poids
dix ont grossi
En supposant que la maladie est sans eet sur les variations de poids, le mdica-
ment a-t-il un eet signicatif sur le poids?
Solution 29
H
0
: le traitement est sans eet sur les variations du poids
Si le traitement est sans eet sur les variations du poids, alors ces variations sont
des seulement au hasard.
La loi de probabilit est donc la loi uniforme, cest dire la probabilit de chaque
classe est la mme et est gale
1
3
.
127
Do les rpartitions:
\ c:ictio:: 1 cjc:titio: C/:c: cc 1 cjc:titio: 1/ co:inc
o:t :ciq:i 15 14
:
/
o:t jc: c/c:q c 17 14
o:t q:o::i 10 14
1otc| 42 42
0
, la quantit:
2
=
3
i=1
(o
i
t
i
)
2
t
i
3 1 = 2
degrs de libert.
Pour c = 5%, on a:
2
2;:95
= 5.99
Et comme:
2
=
2
i=1
(o
i
t
i
)
2
t
i
= 1.86
0
au seuil c = 5%, cest dire, le traite-
ment est sans eet sur les variations du poids.
128
Exercice 30
Pour tudier la densit de poussires dans un gaz, on a procd une srie
dobservations de petits chantillons de gaz au moyen dun microscope.
On a ainsi eectu 143 observations et les rsultats sont les suivants:
ò:/:c dc jc:ticn|c:
c: :n:jc::io:
ò:/:c d
/
cc/c:ti||o::
dc qc.
0 34
1 46
2 38
3 19
4 4
5 2
5 0
Peut-on admettre, au seuil c = 5%, que le nombre de particules en suspension
est une variable de 1oi::o:?
Solution 30
H
0
: le nombre de particules en suspension est une variable de Poisson
Calculons une estimation ponctuelle du paramtre c de cette loi:
1 [A = /] =
c
k
/!
exp c
o A est la variable alatoire reprsentant le nombre de particules en suspension.
129
On sait que:
^ c =
1
:
n
i=1
A
i
est un estimateur sans biais et convergent de c.
Une estimation ponctuelle ~ c de c est donne par:
~ c =
1
143
5
i=0
i:
i
= 1.4336
Do les rpartitions:
1c:ticn|c:
c: :n:jc::io:
1 cjc:titio:
o/:c: cc
1 cjc:titio:
t/ co:inc
0 34 34.1
1 46 48.9
2 38 35.0
3 19 16.7
4 4 06.0
5 2 01.7
5 0 00.6
1otc| 143 143
Leectif thorique t
k
, / _ 0, reprsentant le nombre particules en suspension /
est donn par:
t
k
= :1 [A = /]
130
On peut remdier cet tat en oprant le groupement logique des classes
4 ct j|n:.
Les tableaux des eectifs observs et thoriques deviennent comme consigns
ci-aprs.
1c:ticn|c:
c: :n:jc::io:
1 cjc:titio:
C/:c: cc
1 cjc:titio:
1/ co:inc
0 34 34.1
1 46 48.9
2 38 35.0
3 19 16.7
_ 4 4 08.3
1otc| 143 143
0
, la quantit:
2
=
4
i=0
(o
i
t
i
)
2
t
i
5 1 1 = 3
degrs de libert.puisque pour calculer les eectifs thoriques, nous avons utilis
lestimation, et non la valeur rel, du paramtre c de la loi de Poisson.
131
Pour c = 5%, on a:
2
3;:95
= 7.81
Et comme:
2
= 2.97
On accepte alors H
0
au seuil c = 5%, cest dire, le nombre de particules en
suspension peut tre ajust par une loi de Poisson dont le paramtre c est estim
par:
~ c = 1.4336
Exercice 31
On considre les familles de quatre enfants.
Sur un chantillon de cent familles quatre enfants, la rpartition suivante a t
observe:
ò:/:c dc ,i||c: ò:/:c dc ,c:i||c:
0 7
1 20
2 41
3 22
4 10
Peut-on considrer que la probabilit quun enfant soit une lle est
1
2
?
132
Solution 31
H
0
: la probabilit davoir une lle est
1
2

0
, la variable alatoire A gale au nombre de lles parmi
les quatre enfants suit une loi binomiale dordre 4 et de paramtre
1
2
: E
_
4.
1
2
_
.
Ainsi, pour tout /, 0 _ / _ 4, la probabilit j
k
davoir / lles parmi les quatre
enfants est:
j
k
= C (4. /)
_
1
2
_
4
Leectif thorique t
k
, 0 _ / _ 4, reprsentant le nombre de familles ayant /
lles parmi les quatre enfants est donn par:
t
k
= :j
k
Do les rpartitions:
ò:/:c dc ,i||c:
1 cjc:titio:
C/:c: cc
1 cjc:titio:
1/ co:inc
0 7 6.25
1 20 25
2 41 37.5
3 22 25
4 10 6.25
1otc| 100 100
0
, la quantit:
133
2
=
4
i=0
(o
i
t
i
)
2
t
i
5 1 = 4
degrs de libert.
Pour c = 5%, on a:
2
4;:95
= 9.49
Et comme:
2
= 4.03
On accepte alors H
0
au seuil c = 5%: la probabilit davoir une lle est
1
2
.
Exercice 32
Le tableau suivant indique le rsultat de lexamen de 124 sujets, classs daprs
la couleur de leurs yeux (1 ) et la couleur de leus cheveux (C):
1 C 1|o:d: 1:n:: òi:: 1onr
1|cn: 25 9 3 7
G:i: on \ c:t: 13 17 10 7
`c::o:: 7 13 8 5
Existe-t-il une liason entre ces deux caractres?
134
Solution 32
1 C 1|o:d: 1:n:: òi:: 1onr 1otc|
1|cn: 25 9 3 7 44
G:i: on \ c:t: 13 17 10 7 47
`c::o:: 7 13 8 5 33
1otc| 45 39 21 19 124
H
0
: les couleurs des yeux et des cheveux sont indpendantes
1 C 1|o:d: 1:n:: òi:: 1onr 1otc|
1|cn: 16 13.8 7.4 6.8 44
G:i: on \ c:t: 17 14.8 8 7.2 47
`c::o:: 12 10.4 5.6 5 33
1otc| 45 39 21 19 124
135
0
, la quantit:
2
=
3
i=1
4
j=1
(o
ij
t
ij
)
2
t
ij
(3 1) (4 1) = 6
degrs de libert.
Pour c = 5%, on a:
2
6;:95
= 12.6
Et comme:
2
=
2
i=1
3
j=1
(o
ij
t
ij
)
2
t
ij
= 15
On rejette alors H
0
95% (mme 97.5%), cest dire, les couleurs des yeux
et des cheveux ne sont pas indpendantes.
Exercice 33
On distribue un jeu de quarante cartes quatre joueurs: . 1 . C . 1 ; cha-
cun reevant dix cartes
Un statisticien a labor un programme de distribution de donnes par ordinateur.
Pour un ensemble de deux cents donnes, obtenues partir de ce programme, il
observe le nombre de donnes o le joueur reoit / as, 0 _ / _ 4. Les rsul-
tats sont les suivants:
ò:/:c d
/
c: 0 1 2 3 4
ò:/:c dc do::c: 64 74 52 8 2
Le programme du statisticien est-il able?
136
Solution 33
H
0
: le programme du statisticien est able
0
, la variable alatoire A gale au nombre das du joueur
suit une loi hypergomtrique.
Ainsi, pour tout /, 0 _ / _ 4, la probabilit j
k
pour que le joueur ait / as
est:
j
k
=
C (4. /) C (36. 10 /)
C (40. 10)
Leectif thorique t
k
, 0 _ / _ 4, reprsentant le nombre de donnes / as, du
joueur . est donn par:
t
k
= :j
k
Do les rpartitions:
ò:/:c d
/
c:
1 cjc:titio:
C/:c: cc
1 cjc:titio:
1/ co:inc
0 64 59.97
1 74 88.85
2 52 42.84
3 8 7.88
4 2 0.46
1otc| 200 200
3 ct 4.
137
Le tableau des eectifs observs et thoriques deviennent:
ò:/:c d
/
c:
1 cjc:titio:
C/:c: cc
1 cjc:titio:
1/ co:inc
0 64 59.97
1 74 88.85
2 52 42.84
3 on 4 10 8.34
1otc| 200 200
0
, la quantit:
2
=
3
i=0
(o
i
t
i
)
2
t
i
4 1 = 3
degrs de libert.
Pour c = 5%, on a:
2
3;:95
= 7.81
Et comme:
2
= 5.0418
On accepte alors H
0
au seuil c = 5%, cest dire, le programme du statisticien
est able.
138
Exercice 34
On a crois deux types de plantes dirant par deux caractres et 1.
La premire gnration est homogne.
La seconde fait apparaitre quatre types de plantes dont les gnotypes sont
dsigns par:
1 . / . c1 . c/
Si les caractres se trasmettent selon les lois de `c:dc|, les proportions thoriques
des quatre gnotypes sont:
9
16
.
3
16
.
3
16
.
1
16
respectivement.
Sur un chantillon de 160 plantes, on a observ les eectifs:
100 pour 1
28 pour /
24 pour c1
8 pour c/
Au vu de ces rsultats, les lois de `c:dc| sont-elles applicables?
Solution 34
Testons alors, au seuil c, lhypothse nulle:
H
0
: les lois de Mendel sont applicables
Si H
0
est vraie, la rpartition des 160 plantes sur les quatre gnotypes devrait
tre comme suit:
t
1
= 90 pour 1
t
2
= 30 pour /
t
3
= 30 pour c1
t
4
= 10 pour c/
139
On rsume toutes les donnes dans le tableau suivant:
G c:otjc: 1 cjc:titio: C/:c: cc 1 cjc:titio: 1/ co:inc
1 100 90
/ 28 30
c1 24 30
c/ 8 10
1otc| 160 160
0
, et vu que tous les eectifs thoriques sont suprieurs
ou gaux 5, la quantit:
2
=
4
i=1
(o
i
t
i
)
2
t
i
4 1 = 3
degrs de libert:
2
3
.
Pour c = 5%, on a:
2
3;:95
= 7.81
et comme:
2
=
4
i=1
(o
i
t
i
)
2
t
i
= 2.84
On accepte alors lhypothse nulle H
0
au seuil de 5%, cest dire, les transmis-
sions gntiques de ce type de plantes se font selon les lois de Mendel.
140
Exercice 35
On se propose de comparer les ractions produites par deux vaccins et 1.
Un groupe de 348 individus a t divis, par tirage au sort, en deux sries qui
ont t vaccines lune par et lautre par 1.
Les ractions ont t lues par une personne ignorant le vaccin utilis:
\ ccci:1 ccctio: | cq c:c :oc::c n|c c:ctio: c/c c:
12 156 8 1
1 29 135 6 1
Solution 35
la rpartition observs est:
1c/|ccn dc: c,,ccti,c: o/:c: c:
\ ccci:1 ccctio: | cq c:c :oc::c n|c c:ctio: c/c c: 1otc|
12 156 8 1 177
1 29 135 6 1 171
1otc| 41 291 14 2 348
H
0
: les ractions sont indpendantes du vaccin utilis
141
\ ccci:1 ccctio: | cq c:c :oc::c n|c c:ctio: c/c c: 1otc|
20.9 148 7.1 1 177
1 20.1 143 6.9 1 171
1otc| 41 291 14 2 348
On constate que les eectifs thoriques dans la colonne /c c: sont infrieurs
5. ce qui empche lapplication dun test du Khi-deux.
l|c c:ctio: et /c c:.
Les tableaux des eectifs observs et thoriques obtenus aprs regroupement sont
donns ci-aprs.
0
, la quantit:
2
=
2
i=1
3
j=1
(o
ij
t
ij
)
2
t
ij
(2 1) (3 1) = 2
Et comme:
2
2;:95
= 5.99
et:
2
=
2
i=1
3
j=1
(o
ij
t
ij
)
2
t
ij
= 8.8
142
On rejette alors, 95%, lhypothse selon laquelle les deux vaccins et 1
provoquent les mmes ractions.
1c/|ccn dc: c,,ccti,: o/:c: c:
\ ccci:1 ccctio: | cq c:c :oc::c
n|c c:ctio:
on c/c c:
1otc|
12 156 9 177
1 29 135 7 171
1otc| 41 291 16 348
\ ccci:1 ccctio: | cq c:c :oc::c
n|c c:ctio:
on c/c c:
1otc|
20.9 148 8.1 177
1 20.1 143 7.9 171
1otc| 41 291 16 348
Exercice 36
An de juguler le chmage des jeunes, le gouvernement franais a cr le CPE
(Contrat Premire Embauche) permettant aux entreprises de licencier sans motif
la personne recrute pendant les deux premires annes et dautre part de bn-
cier davantages nanciers substantiels.
Il est dcid de faire une enqute la sortie de lANPE (Agence Nationale Pour
lEmploi) pour connatre lopinion des jeunes sur ce nouveau contrat.
143
La question pose sera:
"Pensez-vous que le CPE est une bonne chose pour
les jeunes en recherche demploi?"
On note j la proportion inconnue de la population rpondant positivement
cette question .
1. (a) Exprimer, en fonction dune estimation , de j, la taille : de lchantillon
prlever pour que lintervalle de conance de j obtenu aprs enqute ait
une amplitude de 0. 05 avec un coecient de conance de 95%.
(b) Si un pr-sondage 30% de rponses positives, quelle doit tre la taille :
de lchantillon prlever?.
(c) Il est nalement dcid de diminuer le coecient de conance 90% et
de ninterroger que 500 personnes dont 130 rpondent positivement la
question pose.
Donner lintervalle de conance de j.
2. Trois mois aprs la mise en place de ce contrat, le gouvernement franaisan-
nonce que le salaire moyen dembauche du CPE est de 1100 e.
Lors dune analyse des salaires de 100 personnes on obtient:
oc|ci:c c: e ò:/:c dc jc::o::c:
[950-1000[ 17
[1000-1050[ 36
[1050-1100[ 31
[1100-1200[ 13
[1200-1500[ 3
144
(a) Donner une estimation de la moyenne et de lcart-type du salaire de
lensemble des personnes recrutes sur ce contrat.
(b) Tester lhypothse de normalit de la distribution des salaires de la popu-
lation concerne par ce contrat.
(c) Que pensez-vous de lannonce du gouvernement franais?
Solution 36
1. (a) Au seuil c, lintervalle de conance de j correspondant une frquence ,
observe sur un chantillon de taille : est dni par:
_
, t
1=2
_
, (1 ,)
:
. , +t
1=2
_
, (1 ,)
:
_
Si lamplitude de cet intervalle est 0. 05, alors:
0.05 = 2t
1=2
_
, (1 ,)
:
do:
: =
_
2t
1=2
0.05
_
2
, (1 ,)
Pour c = 5%, on a:
t
0:975
= 1.96
do:
: = 6146.56, (1 ,)
(b) Pour:
, = 0.03
on obtient:
: = 1291
145
(c) Ici on a:
_
: = 500
, = 0.26
Lintervalle de conance de j est donn par:
_
, t
1=2
_
, (1 ,)
:
. , +t
1=2
_
, (1 ,)
:
_
Pour c = 10%, on a:
t
0:95
= 1.645
do lintervalle:
[22.8%29.2%]
(a) dsignons par :
i
leectif de la i
eme
classe [r
i
. r
i+1
[ et c
i
le centre de
cette classe.
Lestimation : de la moyenne est donne par:
: =
1
:
5
i=1
:
i
c
i
= 1058
Lestimation :
2
de la variance est donne par:
:
2
=
1
: 1
5
i=1
:
i
(c
i
:)
2
= 5364.64
do:
: = 73.24
(b) Testons au seuil c = 10% lhypothse nulle H
0
selon laquelle la rpartition
des salaires (1 ) de la population concerne par ce contrat est distribu
selon une loi normale A
_
:. :
2
_
.La variable alatoire:
A =
1 :
:
146
est distribu donc selon une loi normale centre rduite.
Calculons les probabilits intermdiaires:
j
i
= 1 [1 < r
i
] = 1
_
A <
r
i
:
:
_
pour i 1.2.3.4.5.6, puisque:
1 [r
i
_ 1 < r
i+1
] = 1 [1 < r
i+1
] 1 [1 < r
i
] = j
i+1
j
i
j
1
j
2
j
3
j
4
j
5
j
6
0.070 0.214 0.457 0.717 0.974 1
On obtient alors le tableau des eectifs observe et thoriques:
oc|ci:c c: e 1,,ccti,: C/:c: c: 1,,ccti,: 1/ co:inc:
]-950[ 0 7
[950-1000[ 17 14.4
[1000-1050[ 36 24.2
[1050-1100[ 31 26
[1100-1200[ 13 25.7
[1200-1500[ 3 2.6
[1500- +[ 0 0.01
1otc| 100 100
147
Les eectifs thoriques dans les deux dernires classes sont strictement in-
frieurs 5, on procde alors aux regroupements des trois dernires classes.
On obtient alors le tableaux:
oc|ci:c c: e 1,,ccti,: C/:c: c: 1,,ccti,: 1/ co:inc:
]-950[ 0 7
[950-1000[ 17 14.4
[1000-1050[ 36 24.2
[1050-1100[ 31 26
[1100- +[ 16 28.4
1otc| 100 100
0
, et vu que tous les eectifs thoriques sont
suprieurs ou gaux 5, la quantit:
2
=
5
i=1
(o
i
t
i
)
2
t
i
5 1 2 = 2
degrs de libert:
2
3
.puisque pour le calcul des eectifs thoriques nous
avons.utilis les estimations de la moyenne et de la variance et pas leurs
valeurs relles
Pour c = 5%, on a:
2
2;:95
= 5.99
148
et comme:
2
=
4
i=1
(o
i
t
i
)
2
t
i
= 22.93
0
95% (aussi 99.5%), cest dire que
la rpartition des salaires de la population concerne par le CPE nest pas
normale.
(c) Ici on a:
_
_
: = 100
j = 1100
: = 1058
: = 73.24
Testons lhypothse nulle:
H
0
: "lannonce du gouvernement franais est vraie"
0
, la quantit:
t =
:j
:
_
:
est une ralisation dune variable alatoire normale centre rduite.
Pour c = 5%, on a:
t
:975
= 1.96
et comme:
t =
:j
:
_
:
= 5.73
On rejette alors H
0
95% (aussi 99.99%), cest dire, lannonce du
gouvernement franais est errone.
149

Statistique Ex 2011

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Statistique Ex 2011

Încărcat de

Drepturi de autor:

Formate disponibile

DpartementdeMathmatiques,InformatiqueerGomatique

o o [o] reprsente lcart type de o.

Sous lhypothse nulle H

S-ar putea să vă placă și