Stats Inf

BTS Mecanique et Automatismes Industriels
Statistiques inferentielles
Lycee Louis Armand, Poitiers, Annee scolaire 2005 2006
1. Introduction vocabulaire
Pour e tudier une population statistique, on a recours a` deux methodes :
la methode exhaustive (ou recensement ) : on examine chacun des e lements de la population. En general, cette
methode est jugee trop longue.
la methode des sondages : on nexamine quune partie de la population pour essayer den d e duire des
informations sur la totalite de la population. Cette methode comprend deux parties :
le chantillonage qui permet de passer de la population totale a` une partie seulement de cette population
(le chantillon).
lestimation qui permet dinduire, a` partir des resultats observes sur lechantillon, des informations sur la
population totale.
Nous ne nous preoccuperons pas ici des problèmes concernant lechantillonage. Notre propos sera seulement dexaminer deux methodes differentes destimation.
2. Principe de la theorie
On considère une population P deffectif N. On suppose que, pour le caractère observe, la moyenne de P est m alors
que son e cart-type est . Ce sont ces deux valeurs que nous voudrions retrouver a` partir des e chantillons.
Supposons donc maintenant que nous disposons de k e chantillons de P, chacun dentre eux e tant deffectif n. On note
E1 E2 Ek ces k e chantillons, de moyennes respectives x1 x2 xk , et decart-type respectifs 1 2 k .

Lensemble X = x1 x2 xk est une serie statistique deffectif k, serie que lon appelle distribution des
moyennes. La theorie montre alors que
E X = m
et
X =
De plus, pour n 30, la variable aleatoire X suit approximativement une loi normale N m
la variable aleatoire
. Autrement dit,
X m
suit approximativement une loi normale N (0 1) .

n
3. Estimation ponctuelle
Connaissant la moyenne x et lecart-type dun e chantillon de taille n, il sagit destimer la moyenne m, lecart-type
et la variance 2 de la population totale.
Pour la moyenne, lestimation ponctuelle est la methode nave qui consiste a` confondre la mesure sur lechantillon
avec la moyenne de la population totale. On dira que x est une estimation ponctuelle de la moyenne m .
Pour la variance et lecart type, on admettra que :
donc :
n
n 1
2 est une estimation ponctuelle de la variance 2 et
n
est une estimation ponctuelle de lecart-type
n 1
Dans le cas où, pour une population complète, cest une frequence p que lon cherche a` estimer a` partir de la frequence
f observee sur un e chantillon, on brosède comme pour une moyenne. Plus precisement, lestimation ponctuelle est
la methode qui consiste a` confondre la mesure sur lechantillon avec la mesure de la population totale. Si f est la
frequence, sur lechantillon, du caractère observe, on dira que f est une estimation ponctuelle de la fre quence p .
Lycee Louis Armand, Poitiers
4. Estimation dune moyenne par intervalle de confiance

On considère une population P deffectif N. On suppose que, pour le caractère observe, la moyenne, inconnue, de P
est m alors que son e cart-type, connu, est . Situation resumee dans le diagramme ci-dessous :
m : inconnu
: connu
Echantillon
n x
Population
On prelève au hasard, et avec remise, une succession dechantillons de meme effectif n dont on calcule les moyennes
respectives : x1 pour le premier, x2 pour le deuxième, et ainsi de suite.
Notons maintenant X la variable aleatoire qui associe a` un e chantillon Ei sa moyenne xi . La variable X prend donc
successivement les valeurs x1 , x2 ,
Pour finir, on suppose e galement que les conditions sont reunies pour pouvoir
utiliser une consequence du theorème de

la limite
centr
e
e
et
faire
lapproximation
que
X
suit
la
loi
normale
N
(m
n). Autrement dit que la variable aleatoire

n
X m suit la loi normale N (0 1). On aura alors, pour tout t
T =
0,
P( t
t) = 2(t) 1
4.1 - Calcul sur un exemple : intervalle de confiance a` 95%

Par exemple, si on veut obtenir un intervalle ayant 95% de chances de contenir la moyenne m de la population P, on
procède de la manière suivante :
On a 2(t) 1 = 0 95
(t) = 0 975. Avec la table donnee dans le formulaire, on voit que cette valeur est
obtenue pour t = 1 96. On a donc
n
(X m) 1 96 = 0 95
P 1 96
(X m) 1 96
= 0 95
n
n
P m 1 96
X m + 1 96
= 0 95
n
n
P 1 96

Autrement dit, avant de prelever un e chantillon de taille n dans la population, il y a 95% de chances pour que cet
e chantillon ait une moyenne entre
m 1 96
et
m + 1 96
n
n
Comme m est inconnu, on se sert des resultats precedents pour encadrer m :
P X 1 96
m
P X 1 96
P X + 1 96
= 0 95
n
96
= 0 95
n
96
= 0 95
n
X + 1 96
X 1
X + 1
Ainsi, avant de prelever un e chantillon de taille n dans la population, il y a 95% de chances pour la moyenne x de
cet e chantillon verifie
x 1 96
m x + 1 96
n
n
En revanche, après le prelèvement, il ny a plus de probabilite a` envisgager : il est vrai ou faux que la moyenne m se
situe dans lintervalle envisage x 1 96

x + 1 96
. Cet intervalle est appele intervalle de confiance de la

n
n
moyenne de la population avec le coefficient de confiance 95% (ou avec le risque 5%).
4.2 - Cas general

On fonctionne exactement sur le meme principe : un coefficient de confiance choisi a` lavance permet de definir un
nombre positif t tel que P( t T t) = 2(t) 1 soit e gal a` ce coefficient de confiance.
Par exemple, 2(t) 1 = 0 99 si et seulement si (t) = 0 995, ce qui correspond a` t = 2 58 (daprès la table de la loi
normale N (0 1)).
En reprenant tous les calculs ci-dessus, on obtient alors le resultat suivant :
Lintervalle
x t
x+t
n
n
est lintervalle de confiance de la moyenne m de la population avec le coefficient

de confiance 2(t) 1, ayant pour centre la moyenne x de lechantillon considere.
Dans la pratique, on utilise souvent des coefficients de confiance de 95%, ce qui correspond a` t = 1 96, ou a` 99%, ce
qui correspond a` t = 2 58.
5. Estimation dune frequence par intervalle de confiance

On considère une population P deffectif N. On suppose que, pour le caractère observe, la frequence, inconnue, de P
est p. On suppose e galement que lon dispose dun e chantillon de atille n de cette population, e chantillon sur lequel le
caractère observe lest avec la frequence f . Situation resumee dans le diagramme ci-dessous :
Echantillon
p : inconnue
n f
Population
On se place dans le cas où lon peut considerer que la variable F qui, a` tout e chantillon aleatoire de taille n fixee,
associe la frequance de cet e chantillon possedant la propriete fixee, suit la loi normale N p p(1 p) n .
Un raisonnement et des calculs analoguent a` ceux du paragraphe precedent nous donnent alors le resultat suivant :
Lintervalle
f t
f (1 f )
f +t
n 1
f (1 f )
n 1
est lintervalle de confiance de la frequence p de la population avec le coefficient

de confiance 2(t) 1, ayant pour centre la frequence f de lechantillon considere.
Dans la pratique, on utilise souvent des coefficients de confiance de 95%, ce qui correspond a` t = 1 96, ou a` 99%, ce
qui correspond a` t = 2 58.
6. Test de validite dhypothèse : nature du problème

Depuis quelques decennies, on assiste a` une entree en force des methodes statistiques dans le domaine règlementaire,
lequel conduit a` la prise de decision : on a ou on na pas le droit de
En particulier, laugmentation des e changes commerciaux et des liens e conomiques entre les pays saccompagne daccords destines a` fixer les règles communes. Les statistiques inferentielles trouvent là un immense champ
dapplications.
Cela se traduit par des règlementations definissant dans chaque cas particulier une procedure destinee a` preciser sans
ambigute :
comment un ou plusieurs e chantillons dovent e tre preleves dans la population e tudiee;
quelles mesures dovent e tre effectuees sur ce ou ces e chantillon(s);
quelle decision dot e tre prise a` propos de lensemble de la population.
Une telle procedure sappelle, en statistique, un test de validite dhypothèse.
De manière plus generale, il sagit, à partir de letude dun ou plusieurs echantillons, de prendre des decisions concernant
lensemble de la population.
3
7. Exemple de test : comparaison de la moyenne dune population a` un

nombre fixe
Une societe sapprovisionne en pièces brutes qui, conformement aux conditions fixees par le fournisseur, doivent avoir
une masse moyenne de 780 grammes.
Au moment où 500 pièces sont receptionnees, on en prelève au hasard un e chantillon de 36 pièces dont on mesure la
masse.
On obtient les resultats suivants :
Masses des pièces
Nombre de pièces
(en grammes)
[745 755 [
[755 765 [
[765 775 [
10
[775 785 [
11
[785 795 [
[795 805 [
La masse moyenne des pièces de lechantillon est de 774 7 g.

En supposant que lecart-type des masses pour la population des 500 pièces est = 12 5 g, on obtient [770 61 ; 778 79]
comme intervalle de confiance a` 95% de la moyenne inconnue m de cette population.
7.1 - Presentation du problème

Peut-on considerer que les 500 pièces de la population ont une masse moyenne de 780 g, comme le prevoient les
conditions fixees par le fournisseur ? Autrement dit, doit-on ou non accepter la livraison de ces 500 pi e` ces au vu du
resultat obtenu sur lechantillon ?
7.2 - Hypothèse nulle

On suppose que la moyenne de la population est 780. Cest lhypoth e` se nulle, notee H0 : m = 780.
Alors, la variable aleatoire X qui, a` tout e chantillon aleatoire non
exhaustif de taille n = 36, associe la moyenne de cet
e chantillon suit approximativement la loi normale N (780; n).

Cherchons h reel positif tel que
p 780 h
780 + h = 0 95
Avec la methode habituelle, on trouve h = 4 08, ce qui nous permet de conclure :

p 775 92
784 08 = 0 95
Ainsi, en supposant que m = 780, on sait, avant de prelever un e chantillon aleatoire de taille 36, que lon a 95% de
chances que sa moyenne soit dans lintervalle [775 92 ; 784 08].
Autrement dit, si H0 est vraie, il ny a que 5% de chances de prelever un e chantillon aleatoire de taille 36 dont la
moyenne soit inferieure a` 775 92 ou superieure a` 784 08.
7.3 - Règle de decision, region critique

On fixe alors la règle de decision suivante : on prelève avec remise un e chantillon aleatoire non exhaustif de taille
n = 36 et on calcule sa moyenne x .
Si x [775 92 ; 784 08], on accepte H0
Si x
[775 92 ; 784 08], on rejette H0

4
Region critique
Region critique
0, 95
775, 92
780
784, 08
On accepte H0
Si H0 est vraie, on prend donc le risque de se tromper dans 5% des cas en rejetant a` tord H0 . On definit ainsi une region
critique au seuil = 5%.
Le seuil est la probabilite de rejeter H0 alors que H0 est vraie. Il correspond a` lerreur de première espèce.
En general, on fixe a priori la valeur de (ici e gal a` 0 05).
Dans lexemple qui nous occupe, on a x = 774 7 pour lechantillon considere. On a x 775 92 et on rejette lhypothèse
H0 . Au seuil de 5%, on considère que les 500 pièces de la population nont pas une moyenne de 780 g et on refuse la
livraison.
7.4 - Erreur de seconde espèce

On aurait pu choisir un seuil de 1% pour diminuer le risque de rejeter H0 alors que H0 est vraie.
On a
p(774 62 X 785 38) = 0 99

Au seuil de 1%, on accepte H0 puisque x appartient a` lintervalle considere, et on accepte alors la livraison des
500 pièces.
Region critique
Region critique
0, 99
774, 62
780
785, 38
On accepte H0
Mais, en acceptant H0 au seuil de 1%, on court un second risque : celui daccepter H0 alors que H0 est fausse : cest
lerreur de seconde espèce, dont la probabilite est notee .
En general, lorque la taille n de lechantillon est fixee, on a qui diminue lorsque augmente, et reciproquement. Le
seule facon de diminuer en meme temps et est daugmenter n, ce qui nest pas toujours possible.
En fait, la plupart du temps, les erreurs des deux types nont pas la meme importance, et on essaie de limiter la plus
grave.
7.5 - Hypothèse alternative

Il faut definir plus precisement le cas où H0 est fausse.
Dans ce qui precède, on a choisi implicitement m = 780 comme hypothe` se alternative H1 . Le test est alors bilateral,
car la region critique est situee des deux cotes de la region où on accepte H0 .
780 comme hypothèse alternative H1 , le test est alors unilateral et la
Si on decide, par exemple, de prendre m
region critique est situee entièrement dun cote de la region où on accepte H0 .
7.6 - Resume
En general, les questions faisant intervenir un test de validite dhypothèse peuvent e tre resolues en adoptant le plan
suivant :
1. Construction du test
a ) Choix de lhypothèse nulle H0 et de lhypothèse alternative H1 .
b ) Determination de la region critique a` un seuil donne.
c ) Enonc
e de la règle de decision : si un paramètre du ou des e chantillon(s) est dans la region critique, on rejette
H0 , sinon on laccepte.
2. Utilisation du test
a ) Calcul du paramètre de lechantillon mentionne dans la règle de decision,

b ) Application de la règle de decision.
8. Exemple de test : comparaison de la moyenne de deux populations

8.1 - Presentation du problème
Un second fournisseur B livre 800 pièces du meme modèle. On prelève au hasard et avec remise un e chantillon de
50 pièces dont on mesure la masse. On obtient les resultats suivants :
Masses des pièces
(en grammes)
Nombre de pièces
[745 755 [
[755 765 [
12
[765 775 [
16
[775 785 [
11
[785 795 [
[795 805 [
La masse moyenne des pièces de lechantillon est de 779 6 alors que lechantillon de 36 pièces provenant du premier
fournisseur a pour moyenne 774 7 g.
La difference de 4 9 entre ces moyennes provient-elle dune difference entre les productions des deux fournisseurs ou
du choix des e chantillons ?
Autrement dit, comment construire et utiliser un test permettant de decider, a` partir des e chantillons ci-dessus, sil y a
une difference significative, au seuil de 5%, entre les moyennes des masses des pièces livrees par les deux fournisseurs ?
8.2 - Un peu de theorie

Nous sommes en presence de deux e chantillons extraits de deux populations correspondant aux deux fournisseurs A et
B. On peut schematiser la situation de la facon suivante :
mA : inconnue
A = 12 5
nA = 36
x A = 774 7
A = 12 36
mB : inconnue
B = 12 1
Echantillon
nB = 50
x B = 779 6
B = 11 99
Echantillon
Population A
Population B
Soit X A (resp X B ) la variable aleatoire qui, a` tout e chantillon de taille nA = 36 (resp nB = 50) prelevbe aleatoirement et
avec remise dans la population A (resp B), associe la moyenne des masses de pièces de lechantillon.
On se place dans le cas où

X A suit approximativement la loi normale N (mA A nA ) et X A suit approximativement
la loi normale N (mB B nB ).
6
Par definition, la variable aleatoire D = X B X B associe a` tout e chantillon de taille 36 ainsi preleve dans la population A
et a` tout e chantillon ainsi preleve dans lma population B la difference des moyennes de lechantillon B et de lechantillon
A.
On suppose que les variables X A et X B sont independantes.
Alors D = X B X A suit une loi normale et
E(D) = E X B X A = E X B E X A = mB mA
V (D) = V X B X A = V X B + V X A =
2B 2A
+
nB nA
Lecart-type de D est donc
2B 2A
+
nB nA
2 7, et D suit une loi normale N (mB mA ; 2 7).

8.3 - Construction du test

Choix de H0 : mA = mB .
Nous allons tester la validite de lhypothèse : la moyenne des masses des pièces sur lensemble de chaque
livraison est la meme pour les fournisseurs A et B .
determination de la region critique au seuil de 5%
Sous lhypothèse H0 , D suit la loi normale N (0 ; 2 7), donc D 2 7 suit la loi normale centree reduite N (0 1). En
particulier, on a p( t D 2 7 t) = 0 95 lorsque t = 1 96, et donc p( 5 29 D 5 29) = 0 95.
Region critique
Region critique
0, 95
-5, 29
5, 29
On accepte H0
Enonc
e de la règle de decision
On prelève avec remise un e chantillon aleatoire de taille nA = 30 de la population A et on calcule sa moyenne x A ;
on fait de meme pour la population B avec nB = 50. On pose d = x B x A .
si d [ 5 29 ; 5 29] on accepte H0 .
si d [ 5 29 ; 5 29] on rejette H0 et on accepte H1 .
8.4 - Utilisation du test

Calcul de d
On a d = x B x A = 779 6 774 7 = 4 9
Application de la règle de decision
Comme 4 9 [ 5 29 ; 5 29], on accepte H0 : au seuil de 5%, il nexiste pas de difference significative entre les
moyennes des masses des pièces livrees par les deux fournisseurs.
9. Un dernier exemple
9.1 - Definition du problème
Toujours avec les donneees precedentes, comment construire et utiliser un test permettant de decider, a` partir des
memes e chantillons, si la moyenne des masses des pièces livrees par le fournisseur B est significativement superieure,
au seuil de 5%, a` celle du fournisseur A ?
9.2 - Construction du test unilateral

Choix de H1 : mA mB .
determination de la region critique au seuil de 5%
Sous lhypothèse H0 , D suit la loi normale N (0 ; 2 7), donc D 2 7 suit la loi normale centree reduite N (0 1). En
particulier, on a p(D 2 7 t) = 0 95 lorsque t = 1 645 (par lecture du formulaire), et donc p(D 4 44) = 0 95.
Region critique
0, 95
4, 44
Enonc
e de la règle de decision
On prelève avec remise un e chantillon aleatoire de taille nA = 30 de la population A et on calcule sa moyenne x A ;
on fait de meme pour la population B avec nB = 50. On pose d = x B x A .
si d 4 44 on accepte H0 .
si d 4 44 on rejette H0 et on accepte H1 .
9.3 - Utilisation du test unilateral

Calcul de d
On a d = x B x A = 779 6 774 7 = 4 9
Application de la règle de decision
Comme 4 9 4 44, on rejette H0 et on accepte H1 .
Au seuil de 5%, la moyenne des masses des pièces livrees par le fournisseur B est significativement superieure a` celle
du fournisseur A.
Exercices
Exercice 1 : Introduction aux intervalles de confiance
1. Soit X une variable aleatoire suivant la loi normale centree reduite N (0 1).
a ) Determiner le reel a tel que p( a X a) = 0 99.

b ) Determiner le reel a tel que p( a X a) = 0 95.
c ) Determiner le reel a tel que p( a X a) = 0 90.
d ) Determiner le reel a tel que p( a X a) = 0 70.
2. Soit Y une variable aleatoire suivant la loi normale centree reduite N (20 2).
a ) Determiner le reel a tel que p(20 a Y 20 + a) = 0 99.
b ) Determiner le reel a tel que p(20 a Y 20 + a) = 0 95.
c ) Determiner le reel a tel que p(20 a Y 20 + a) = 0 90.
d ) Determiner le reel a tel que p(20 a Y 20 + a) = 0 70.
Exercice 2 : La machine a` bouchons, bts mai, 1996

Une machine fabrique plusieurs milliers de bouchons cylindriques par jour. On admet que la variable al e atoire X
qui, a` chaque bouchon, associe son diamètre exprime en millimètres, suit la loi normale de moyenne m = 22 mm et
decart-type = 0 025 mm.
Les bouchons sont acceptables si leur diamètre appartient a` lintervalle [21 95; 22 05].
Les trois questions de cet exercice peuvent e tre traitees de manière independante.
1. Quelle est la probabilite quun bouchon pris au hasard dans la production soit acceptable ?
2. Dans cette question, on considère que la probabilite quun bouchon soit defectueux est q = 0 05.
On prelève au hasard un e chantillon de 80 bouchons (ce prelèvement est assimile a` un tirage de 80 bouchons avec
remise). On nomme Y la variable aleatoire mesurant le nombre de bouchons defectueux dun tel e chantillon.
a ) Quelle est la loi suivie par la variable aleatoire Y ? Determiner lesperance mathematique de la variable Y .
b ) On approche Y par une variable aleatoire Y1 qui suit une loi de Poisson P (). Quelle est la valeur du paramètre
?
Calculer la probabilite que lechantillon preleve contienne exactement 10 bouchons defectueux.
3. En vue du controle de reglage de la machine, on prelève regulièrement dans la production des e chantillons de
100 bouchons.
On appelle X la variable aleatoire qui, a` chaque e chantillon de 100 bouchons, associe le diamètre moyen des
bouchons de cet e chantillon.
Lorsque la machine est bien reglee, X suit la loi normale de paramètres m et = 10 (on rappelle que m = 22
et = 0 025).
a ) Determiner le reel a tel que P(22 a X 22 + a) = 0 95.
b ) Sur un e chantillon de 100 bouchons, on a les resultats suivants (les mesures des diamètres e tant reparties en
classe damplitude 0 02 mm) :
Classes de diamètres
effectif correspondant
[21 93; 21 95[
[21 95; 21 97[
[21 97; 21 99[
27
[21 99; 22 01[
30
[22 01; 22 03[
24
[22 03; 22 05[
[22 05; 22 07[
En supposant que tous les bouchons dune classe ont pour diamètre la valeur centrale de cette classe, donner
la moyenne et lecart-type de cette serie (aucune justification demandee; resultats arrondis a` lordre 10 4 ).
9
En utilisant la question precedente, peut-on accepter au seuil de risque 5%, lhypothèse selon laquelle la
machine est bien reglee ?
Exercice 3 : Des glaces ! bts mai, 1995
Une fabrique de desserts glaces dispose dune chane automatisee pour remplir et emballer des cones de glace.
Partie A
Chaque cone est rempli avec de la glace a` la vanille. On designe par X la variable aleatoire qui, a` chaque cone, associe
la masse (exprimee en grammes) de glace quil contient. On suppose que X suit la loi normale de param e` tres m = 100
et .
1. Dans cette question, = 2 2.

On choisit au hasard un cone rempli de glace. Calculer, a` 10
comprise entre 95 g et 105 g.
près, la probabilite que la masse quil contient soit
2. Un cone est considere comme bon lorsque la masse de glace quil contient appartient a` lintervalle [95 ; 105].
est bon soit e gale a` 0 95
Determiner la valeur du paramètre telle que la probabilite de levenement le cone
(on donnera le resultat avec deux decimales).
Partie B
Les cones de glace sont emballes individuellement puis conditionnes en lots de 2 000 pour la vente en gros.
On considère que la probabilite quun cone presente un defaut quelconque avant son conditionnement en gros est e gale
a` 0 000 5.
On nomme Z la variable aleatoire qui, a` chaque lot de 2 000 cones preleves au hasard dans la production, associe le
nombre de cones defectueux presents dans le lot.
1. Quelle est la loi suivie par Z ?
2. On admet que la loi de Z peut e tre approchee par une loi de Poisson.
a ) Determiner le paramètre de cette loi.

b ) Si un client recoit un lot contenant au moins 5 co nes defectueux, lentreprise procède alors a` un e change de
ce lot.
Calculer la probabilite quun lot soit inchange.
Exercice 4 : Des tiges metalliques , bts mai, session 2004
Les trois parties de cet exercice sont inde pendantes
Une entreprise fabrique, en grande quantite, des tiges metalliques cylindriques pour lindustrie. Leur longueur et leur
diamètre sont exprimes en millimètres.
Dans cet exercice, les resultats approches sont a` arrondir a` 10
A - Loi normale.
Une tige de ce type est consideree comme conforme pour la longueur lorsque celle-ci appartient a` lintervalle
[99 45; 100 55].
On note X la variable aleatoire qui, a` chaque tige prelevee au hasard dans la production, associe sa longueur.
On suppose que X suit une loi normale de moyenne 100 et decart-type 0 25.
1. Calculer la probabilite quune tige prelevee au hasard dans la production soit conforme pour la longueur.
2. Determiner le nombre reel h positif tel que :
p(100 h
100 + h) = 0 95
Interpreter le resultat a` laide dune phrase.
B - Loi binomiale et loi de Poisson.

Dans un lot de ce type de tiges, 3% des tiges ne sont pas conformes pour la longueur. On pr e lève au hasard 50 tiges de
ce lot pour verification de la longueur. Le lot est suffisamment important pour que lon puisse assimiler ce pr e lèvement
a` un tirage avec remise de 50 tiges.
On considère la variable aleatoire Y qui, a` tout prelèvement de 50 tiges, associe le nombre de tiges non conformes pour
la longueur.
1. Justifier que la variable aleatoire Y suit une loi binomiale dont on determinera les paramètres.
10
2. Calculer la probabilite que, dans un tel prelèvement, au plus deux tiges ne soient pas conformes pour la longueur.
3. On considère que la loi suivie par Y peut-etre approchee par une loi de Poisson. Determiner le paramètre de
cette loi de Poisson.
4. On designe par Z une variable aleatoire suivant la loi de Poisson de paramètre où a la valeur obtenue au 4.
Calculer p(Z = 2) et p(Z 2).
C - Intervalle de confiance.
Dans cette question, on sinteresse au diamètre des tiges, exprime en millimètres.
On prelève au hasard et avec remise un e chantillon de 50 tiges dans la production dun journee.
Soit D la variable aleatoire qui, a` tout e chantillon de 50 tiges prelevees au hasard et avec remise dans la production
dun journee, associe la moyenne des diamètres des tiges de cet e chantillon.
On suppose que D suit une loi normale de moyenne inconnue et decart-type 50 avec = 0 19.
Pour lechantillon preleve, la moyenne obtenue, arrondie a` 10 2 , est x = 9 99.
` partir des informations portant sur cet e chantillon, donner une estimation ponctuelle de la moyenne des tiges
1. A
produites dans cette journee.
2. Determiner un intervalle de confiance centre sur x de la moyenne des diamètres des tiges produites pendant la
journee consideree, avec le coefficient de confiance de 95%.
3. On considère laffirmation suivante : la moyenne est obligatoirement dans lintervalle de confiance
obtenue a` la question 2. .
Est-elle vraie ? (on ne demande pas de justification.)
Exercice 5 : Des pièces en serie , bts mai, session 1997
Une entreprise fabrique en serie des pièces dont le diamètre, mesure en millimètres, definit une variable aleatoire D.
On admet que cette variable aleatoire D suit la loi normale de moyenne m et decart type .
1. Estimation de m et :
a ) Un e chantillon de 100 pièces est preleve au hasard dans la production. Les mesures des diamètres des pièces
de cet e chantillon son regroupees dans le tableau suivant :
Mesures des
diamètres (en mm)
[4 0; 4 2[
[4 2; 4 4[
[4 4; 4 6[
[4 6; 4 8[
[4 8; 5 0[
effectif
24
41
25
En faisant lhypothèse que, pour chaque classe, les valeurs mesurees sont e gales a` celle du centre de la classe,
calculer, a` 10 2 près, la moyenne d et lecart type s de cet e chantillon.
En deduire lestimation ponctuelle de fournie par cet e chantillon.
b ) On appelle D la variable aleatoire qui, a` chaque e chantillon de 100 pièces, associe la moyenne des diamètres
des pièces de lechantillon.
On rappelle que D suit la loi normale de moyenne m et decart type 10.
Determiner un intervalle de confiance de la moyenne m de D au seuil de confiance de 95%.
2. Dans cette question, on admet que la production comporte 5 % de pièces inutilisables.
a ) Lentreprise conditionne ses pièces par botes de 25.

On tire une bote au hasard (on assimilera cette e preuve a` un tirage successif avec remise de 25 pièces dans
la production).
On designe par K le nombre de pièces inutilisables dans cette bote.
Quelle est la loi suivie par la variable aleatoire K ?
Calculer, a` 10 3 près, la probabilite que cette bote contienne au plus une pièce inutilisable.
b ) Un client qui a besoin de 185 pièces commande 8 botes de pièces (on assimile cette e preuve a` un tirage
successif et avec remise de 200 pièces dans la production).
On designe par L le nombre de pièces inutilisables dans cette commande. On admet que L suit la loi de
Poisson de paramètre 10.
Quelle est la probabilite que le client dispose dun e chantillon suffisant de pièces utilisables dans sa
commande ?
11
Exercice 6 : Production de rondelles bts mai, session 2005

Les quatre parties de cet exercice peuvent e tre traitees de facon independante.
Une usine fabrique, en grande quantite, des rondelles dacier pour la construction. Leur diamètre est exprime en
millimètres.
Dans cet exercice, sauf indication contraire, les re sultats approches sont a` arrondir a` 10 2 .
Partie A loi normale

Une rondelle de ce modèle est conforme pour le diamètre lorsque celui-ci appartient a` lintervalle [89 6; 90 4].
1. On note X1 la variable aleatoire qui, a` chaque rondelle prelevee au hasard dans la production, associe son diamètre;
On supppose que X1 suit la loi normale de moyenne 90 et decart type = 0 17.
Calculer la probabilite quune rondelle prelevee au hasard dans la production soit conforme.
2. Lentreprise desire ameliorer la qualite de la production des rondelles : il est envisage de modifier le reglage des
machines produisant les rondelles.
On note D la variable aleatoire qui, a` chaque rondelle prelevee dans la production future, associera son diamètre.
On suppose que la variable aleatoire D suit une loi normale de moyenne 90 et decart type 1 .
Determiner 1 pour que la probabilite quune rondelle prelevee au hasard dans la production future soit conforme
pour le diamètre soit e gale a` 0 99.
Partie B Loi binomiale

On note E levenement : une rondelle prelevee au hasard dans un stock important a un diamètre defectueux.
On supppose que p(E) = 0 02.
On prelève au hasard quatre rondelles dans le stock pour verification de leur diamètre. Le stock est assez important
pour que lon puisse assimiler ce prelèvement a` un tirage avec remise de quatre rondelles.
On considère la variable aleatoire Y1 qui a` tout prelèvement de quatre rondelles associe le nombre de rondelles de ce
prelèvement ayant un diamètre defectueux.
1. Justifier que la variable aleatoire Y1 suit une loi binomiale dont on determinera les paramètres.
2. Calculer la probabilite que, dans un tel prelèvement, aucune rondelle nait un diamètre defectueux. Arrondir a`
10 3 .
3. Calculer la probabilite que, dans un tel prelèvement, au plus une rondelle ait un diamètre defectueux. Arrondir a`
10 3 .
Partie C Approximation dune loi binomiale par une loi normale

Les rondelles sont commercialisees par lot de 1 000.
On prelève au hasard un lot de 1 000 dans un depot de lusine. On assimile ce prelèvement a` un tirage avec remise de
1 000 rondelles.
On considère la variable aleatoire Y2 qui, a` tout prelèvement de 1 000 rondelles, associe le nombre de rondelles non
conformes parmi ces 1 000 rondelles.
On admet que la variable aleatoire Y2 suit la loi binomiale de paramètres n = 1 000 et p = 0 02.
On decide dapprocher la loi de la variable aleatoire Y2 par la loi normale de moyenne 20 et decart type 4 43.
On note Z une variable aleatoire suivant la loi normale de moyenne 20 et decart type 4 43.
1. Justifier les paramètres de cette loi normale.
2. Calculer la probabilite quil y ait au plus 15 rondelles non conformes dans le lot de 1 000 rondelles, cest a` dire
calculer p(Z 15 5).
Partie D Test dhypothèse

On se propose de construire un test dhypothèse pour controler la moyenne de lensemble des diamètres, en
millimètres, de rondelles constituant une livraison a` effectuer.
On note X2 la variable aleatoire qui, a` chaque rondelle prelevee au hasard dans la livraison, associe son diamètre.
La variable aleatoire X2 suit la loi normale de moyenne inconnue et decart type = 0 17.
On designe par X2 la variable aleatoire qui, a` chaque e chantillon aleatoire de 100 rondelles preleve dans la livraison,
associe la moyenne des diamètres de ces rondelles (la livraison est assez importatne pour que lon puisse assimiler ces
prelèvements a` des tirages avec remise).
12
Lhypothèse nulle est H0 : = 90. Dans ce cas la livraison est dite conforme pour le diamètre.
Lhypothèse alternative est H1 : = 90.
Le seuil de signification du test est fixe a` 0 05.
1. Enoncer
la règle de decision permettant dutiliser ce test en admettant, sous lhypothèse nulle H0 , le resultat
suivant qui na pas a` e tre demontre :
p(89 967
X2
90 033) = 0 95
2. On prelève un e chantillon de 100 rondelles dans la livraison et on observe que, pour cet e chantillon, la moyenne
des diamètres est x = 90 02.
Peut-on, au seuil de 5%, conclure que la livraison est conforme pour le diamètre ?
Exercice 7 : Variation du coefficient de confiance
Dans tout ce qui suit, les resultats seront donnes a` 10 2 près.

Les ampoules e lectriques dun certain modèle ont une duree de vie exprimee en heures, dont la distribution est normale
decart-type = 200 heures. Avec cette hypothèse, on se propose destimer la moyenne m de la duree de vie des
ampoules de la production a` partir dun e chantillon de 36 ampoules dont la moyenne des durees de vie est e gale a`
3 000 heures.
On assimile cet e chantillon a` un e chantillon preleve au hasard et avec remise parmi la production.
1. Determiner une estimation de m par un intervalle de confiance avec le coefficient de confiance 95%.
2. Meme question avec le coefficient de confiance 90% puis avec le coefficient de confiance 99%.
3. Quobserve-t-on sur les intervalles de confiance de la moyenne m de la population obtenus a` partir dun meme
e chantillon lorsque le coefficient de confiance varie ?
4. Peut-on situer exactement la position de la moyenne m par rapport a` lintervalle obtenu a` la question 1. ?
Exercice 8 : On roule pour vous
Une entreprise utilise des camions pour transporter sa production. Elle dispose de 100 camions.
Elle repère sur un e chantillon de 30 jours choisis au hasard, le nombre de camions en panne. Voici les r e sultats :
5 6 4 6 6 8 3 5 5 5 4 3 6 5 6 4 7 6 6 5 4 3 6 5 4 5 4 5 5 4
1. Calculer la moyenne x et lecart-type du nombre de camions en panne chaque jour pour lechantillon e tudie.
` partir des resultats obtenus pour cet e cantillon, proposer une estimation ponctuelle de la moyenne et de
2. A
lecart-type s du nombre de camions en panne chaque jour pour la population correspondant aux jours ouvrables
de lannee.
3. On suppose que la variable aleatoire X qui, a` tout e chantillon de taille 30 preleve au hasard
et avec remise, associe
la moyenne du nombre de camions en panne chaque jour, suit la loi normale N ( s n). On prend pour valeur
lestimation ponctuelle obtenue au 2..
Determiner un intervalle de confiance de la moyenne de la population avec le coefficient de confiance 95%.
Exercice 9 : Recherche de leffectif dun e chantillon
Sur une portion de route où la vitesse des vehicules est limitee a` 90 km/h, on effectue un contro le des vitesses avecun
instrument de mesure de grande precision.
On mesure la vitesse (en km/h) dun vehicule sur vingt et on obtient les resultats suivants pour un e chantillon de
100 vehicules que lon assimile a` un e chantillon obtenu par prelèvement aleatoire avec remise :
Vitesse (en km/h)
Effectif
[75 80 [
[80 85 [
10
[85 90 [
20
[90 95 [
36
[95 100 [
15
[100 105 [
[105 110 [
13
1. En supposant que les valeurs observees sont celles du centre de la classe, calculer, a` 10 2 près, la moyenne x et
lecart-type des vitesses pour cet e chantillon.
` partir des resultats obtenus pour cet e chantillon, proposer une estimation ponctuelle de la moyenne et de
2. A
lecart-type s des vitesses des 2 000 vehicules de la population observee.
3. On suppose que la variable aleatoire X qui, a` tout e chantillon de taille n = 100
obtenu comme precedemment,
associe la moyenne des vitesses de lechantillon, suit la loi normale N ( n). On prend pour valeur de s
lestimation ponctuelle obtenue au 2..
Determiner un intervalle de confiance de la vitesse moyenne de la population avec le coefficient de confiance
99%.
4. Quelle dot e tre la taille minimale n de lechantillon pour connatre, avec le coefficient de confiance 95% la vitesse
moyenne de la population a` 0 5 km h près ?
Exercice 10 : Longueur des pièces (test bilateral)
Dans un atelier, une machine fabrique des pièces en grande serie ; on sinteresse a` leur longueur mesuree en cm. On
admet que la variable aleatoire X qui, a` chaque pièce tiree au hasard dansla production associe sa longueur, suit une
loi normale de moyenne m et decart-type = 0 14.
Afin de controler le fait que la moyenne m des longueurs des pièces produites est 150, on se propose de construire un
test dhypothèse.
On prelève des e chantillons aleatoires de 49 pièces (chaque e chantillon e tant obtenu par tirage avec remise).
` chaque e chantillon ainsi defini, on associe la moyenne x des longueurs des 49 pièces ; on definit ainsi une variable
A
aleatoire X.
Lhypothèse nulle est H0 : m = 150 ; lhypothèse alternative est H1 : m = 150.
Le suil de signification du test est fixe a` 0 05.
1. Quelle est, sous lhypothèse nulle H0 , la loi de la variable aleatoire X ?
2. Determiner le nombre reel positif h tel que p(150 h X 150 + h) = 0 95.
3. Enoncer
la règle de decision permettant dutiliser ce test.
4. La moyenne observee sur un e chantillon de 49 pièces est x = 149 9. Que peut-on en conclure au seuil de
signification 5% quant a` la qualite des pièces produites ?
Exercice 11 : Il e tait un petit navire
Les toles constituant les ponts dun paquebot subissent des deformations lors des operations dassemblage par soudure.
Les toles doivent e tre redressees ; cette operation necessite de nombreuses heures de travail.
1. Lors dune construction, on relève les durees necessaires au redressage dun e chantillon representatif de 50 toles.
Les resultats obtenus sont resumes dans le tableau suivant :
xi
[0, 10[
[10, 20[
[20, 30[
[30, 40[
[40, 50[
[50, 60[
[60, 70[
ni
20
12
où xi : duree en heures et ni : nombre de toles.

Calculer la moyenne x et lecart-type s de ce e chantillon.
` loccasion dune nouvelle construction, on cherche une estimation de la dur e e moyenne du redressage dune
2. A
tole prise dans une population de 1 700 to les.
Soit X la variable aleatoire qui, a` chaque tole a` redresser prise au hasard, associe la duree du redressage. On
admet que X suit la loi normale N (m ), ou` m est la duree moyenne (inconnue) du redressage par to le pour la
population et lecart-type de la variable aleatoire. On prend pour valeur de lestimation ponctuelle obtenue a`
partir de lechantillon e tudie au 1.
a ) Determiner un intervalle de confiance contenant, avec 95% de certitude, la moyenne m, en supposant que
la variable aleatoire qui, a` tout e chantillon de 50 toles prelevees au hasard,
associe la duree moyenne du
redressage pour une tole de cet e chantillon, suit la loi normale N (m n) où n = 50.
b ) Quelle devrait e tre la taille de lechantillon a` e tudier pour que lamplitude de lintervalle de confiance de la
moyenne soit 3 heures avec une probabilite de 0 95 ?
14
3. Construire un test permettant daccepter ou de refuser, au seuil de 5%, lhypoth e` se selon laquelle la duree
necessaire au redressage dune tole est en moyenne de 40 heures.
Utiliser ce test avec lechantillon de lenonce.
4. Meme question avec le seuil de signification de 1%.
Exercice 12 : Statistiques inferentielles : un problème de synthèse. Bts Maintenance industrielle, 1996
Les parties I et II peuvent e tre traitees independamment lune de lautre.

Un groupe industriel possède deux filiales MAT et MATIC qui produisent des petits moteurs destines au montage de
jouets.
Partie I
La variable aleatoire X qui, a` chaque moteur tire au hasard dans la production, associe sa duree de vie moyenne
exprimee en heures, suit la loi normale de moyenne 400 et decart type 40.
1. Un moteur est declare non commercialisable si sa duree de vie est inferieure a` 318 heures. Calculer, a` 10 4 près
la probabilite p quun moteur preleve au hasard dans la production ne soit pas commercialisable.
2. On admet que p = 0 02. Soit Y la variable aleatoire qui, a` tout lot de 50 moteurs, associe le nombre de moteurs
non commercialisables. La production est assez importante pour que lon puisse assimiler le pr e lèvement de
50 moteurs a` un prelèvement aleatoire avec remise.
a ) Quelle est la loi suivie par Y ? Justifier la reponse et donner ses paramètres.
b ) Calculer a` 10 3 près la probabilite de levenement : il y a au plus trois moteurs non commercialisables .
Partie II
La filiale MAT prelève un e chantillon de taille 100 sur la production dun jour et mesure la duree de vie, en heures,
des moteurs. Les resultats obtenus sont les suivants :
duree de vie
[300 340[
[340 380[
[380 420[
[420 460[
[460 500[
Effectifs
21
48
16
1. En faisant lhypothèse que les valeurs mesurees sont celles du centre de classe, calculer, a` 10 2 près, la moyenne
m1 et lecart type 1 de cette serie statistique.
La filiale MATIC, dans des conditions similaires, contro le un e chantillon de taille 100 et obtient pour resultats
m2 = 406 8 et 2 = 40 5.
2. On designe par X1 la variable aleatoire qui, a` chaque e chantillon de 100 moteurs preleves au hasard par la filiale
MAT, associe sa moyenne, et par X2 la variable aleatoire qui, a` chaque e chantillon de 100 moteurs preleves au
hasard par la filiale MATIC, associe sa moyenne.
Tous les e chantillons consideres sont assimiles a` des e chantillons preleves avec remise.
On suppose que les variables aleatoires X1 , X2 , D = X1 X2 suivent des lois normales de moyennes respectives
M1 , M2 , M1 M2 inconnues, et on estime lecart type de D par
D =
21 + 22

100
(On prend comme valeur approchee a` 10 1 près de 1 la valeur 39 4.)

On decide de construire un test bilateral permettant de savoir sil existe une difference significative au seuil de
5% entre les durees de vie des moteurs fabriques par les filiales MAT et MATIC.
On choisit pour hypothèse H0 : M1 = M2 , et pour hypothèse alternative H1 : M1 = M2 .
a ) Sous lhypothèse H0 , D suit la loi normale N (0 D ). Determiner lintervalle [ h h] tel que P( h
h) = 0 95.
b ) Enoncer
la règle de decision du test.
c ) Utiliser ce test avec les deux e chantillons de lenonce et conclure.
15
Exercice 13 : Une usine de plaquettes, bts mai, 1998

Dans tout lexercice, on arrondira les re sultats a` 10
près.
Une entreprise fabrique des plaquettes dont la longueur et la largeur sont mesurees en mm.
Partie A
Sur un e chantillon de 100 plaquettes, on a mesure la longueur de chaque plaquette et obtenu le tableau suivant :
Longueur
[35 37[
[37 39[
[39 41[
[41 43[
[43 45[
effectif
25
50
20
1. On veut calculer une valeur approchee de la moyenne m et de lecart type s de lechantillon. Pour cela, on fait
comme si toutes les observations dune classe e taient situees au centre de la classe. Calculer m et s. Compte tenu
de lerreur de methode induite par lapproximation precedente, les resultats seront donnes a` 10 1 près.
2. On suppose que la variable aleatoire L qui a` chaque plaquette associe sa longueur suit une loi normale de moyenne
et decart type 1 6.
a ) Donner une estimation ponctuelle de .
b ) Determiner un intervalle de confiance a` 95% de centre sur la valeur obtenue precedemment.
Partie B
On suppose dans cette partie que L suit une loi normale de moyenne 40 et decart type 1 6 et que la largeur suit une
loi normale de moyenne 25 et decart type 1 2.
1. On tire une plaquette au hasard dans la production.
a ) Quelle est la probabilite dobtenir une longueur comprise entre 37 et 43 mm ?
b ) Quelle est la probabilite dobtenir une largeur comprise entre 22 et 28 mm ?

2. Une plaquette est acceptee si sa longueur est comprise entre 37 et 43 mm et sa largeur est comprise entre 22 et
28 mm.
En admettant que L et sont des variables aleatoires independantes, quelle est la probabilite dobtenir une plaquette
qui soit acceptee ?
Partie C
La probabilite dobtenir une plaquette qui soit rejetee est e gale a` 0 07.
On appelle X la variable aleatoire qui a` un lot de 100 plaquettes extraites de la fabrication associe le nombre de
plaquettes rejetees contenues dans ce lot.
1. Quelle est la loi de probabilite suivie par X ? Preciser ses paramètres et son esperance mathematique.
2. En admettant que la loi de X peut e tre approchee par une loi de Poisson, preciser son paramètre.
Quelle est alors la probabilite dobtenir strictement moins de 10 plaquettes rejetees dans un lot de 100 plaquettes ?
Exercice 14 : Des paquets de farine, bts MAI, 1993
Une machine est chargee de conditionner des paquets de farine. La masse M dun paquet est une variable al e atoire qui
suit une loi normale decart-type constant = 30, et dont la moyenne m peut-etre modifiee. Un paquet est refuse si sa
masse est inferieure a` 995 grammes.
1. On suppose que la moyenne m est e gale a` 1 000.
a ) Quelle est la probabilite pour quun paquet soit refuse ?

b ) On suppose que la probabilite pour quun paquet soit refuse est p = 0 07. On dispose de 100 paquets. Soit
X la variable aleatoire denombrant le nombre de paquets a` rejeter.
Quelle est la loi de X ? Calculer p(X = 3).
On assimile la loi de X a` une loi de Poisson. Indiquer le paramètre de cette loi de Poisson et determiner la
valeur indiquee pour p(X 5).
2. Afin de diminiuer le nombre de paquets refuses, on decide de modifier le reglage de la machine.
a ) Quelle doit e tre la valeur de m pour que la probabilite daccepter un paquet soit e gale a` 0 99 ?
b ) La machine est reglee de telle sorte que m = 1 025. Afin de verifier ce reglage, on prelève un e chantillon de
20 paquets et on determiner la masse moyenne x.
16
Determiner lintervalle centre en m contenant x avec une probabilite de 0 95.

Exercice 15 : Assurances dune flotte de ve hicules
Les quatres questions de cet exercice sont inde pendantes.
Dans un groupe dassurances on sinteresse aux sinistres suceptibles de survenir, une annee donnee, aux vehicules de
la flotte dune importante entreprise de maintenance de chauffage collectif.
Dans cet exercice, sauf mention du contraire, les re sultats sont a` arrondir a` 10 3 près.
du nombre de sinistres par vehicule

1. Etude
Soit X la variable aleatoire qui, a` tout vehicule tire au hasard dans un des parcs de la flotte, associe le nombre de
sinistres survenant pendant lannee consideree.
On admet que X suit la loi de Poisson de paramètre 0 28.
a ) Calculer la probabilite de levenement A : un vehicule tire au hasard dans le parc na aucun sinistre
pendant lannee consideree .
b ) Calculer la probabilite de levenement B : un vehicule tire au hasard dans le parc a, au plus, deux
sinistres pendant lannee consideree .
2. Etude du nombre de sinistres dans une e quipe de 15 conducteurs

On note E levenement : un conducteur tire au hasard dans lensemble des conducteurs de lentreprise
na pas de sinistre pendant lannee consideree .
On suppose que la probabilite de levenement E est 0 6.
On tire au hasard 15 conducteurs dans leffectif des conducteurs de lentreprise. Cet effectif est assez important
pour que lon puisse assimiler ce prelèvement a` untirage avec remise de 15 conducteurs.
On coinsidère la variable aleatoire Y qui, a` tout prelèvement de 15 conducteurs, associe le nombre de conducteurs
nayant pas de sinistre pendant lannee consideree.
a ) Justifier que la variable aleatoire Y suit une loi binomiale et determiner ses paramètres.
b ) Calculer la probabilite que, dans un tel prelèvement, 10 conducteurs naient pas de sinistre pendant lannee
consideree.
des sinistres
3. Etude du cout
Dans ce qui suit, on sinteresse au cout dune certaine categorie de sinistres survenus dans lentreprise pendant
lannee consideree.
On considère la variable aleatoire C qui, a` chaque sinistre tire au hasard parmi les sinistres de cette categorie,
associe son cout en euros.
On suppose que C suit la loi normale de moyenne 1 200 et decart type 200.
Calculer la probabilite quun sinistre tire au hasard parmi les sinistres de ce type cou te entre 1 000 euros et
1 500 euros.
4. La question ci-dessous doit e tre traitee par les candidats de toutes les spe cialites de BTS du
groupement B, a` lexception du BTS Maintenance et exploitation des mate riels aeronautiques.
On considère un e chantillon de 100 vehicules preleves au hasard dans le parc de vehicules mis en service depuis
6 mois. Ce parc contient suffisamment de vehicules pour quon puisse assimiler ce tirage a` un tirage avec remise.
On constate que 91 vehicules de cet e chantillon nont pas eu de sinistre.
a ) Donner une estimation ponctuelle du pourcentage p de vehicules de ce parc qui nont pas eu de sinistre
6 mois après leur mise en service.
b ) Soit F la variable aleatoire qui a` tout e chantillon de 100 vehicules preleves au hasard et avec remise dans ce
parc, associe le pourcentage de vehicules qui nont pas eu de sinistre 6 mois après leur mise en service.
On suppose que F suit la loi normale
p(1 p)
N p
100
où p est le pourcentage inconnu de vehicules du parc qui nont pas eu de sinistre 6 mois après leur mise en
service.
Determiner un intervalle de confiance du pourcentage p avec le coefficient de confiance 95%.
17
c ) On considère laffirmation suivante : le pourcentage p est obligatoirement dans lintervalle de

confiance obtenu a` la question b ) . Est-elle vraie ? (On ne demande pas de justification.)
4. La question ci-dessous doit e tre traitee uniquement par les candidats au BTS Maintenance et
exploitation des materiels aeronautiques.
Pour un parc de vehicules, on a releve le nombre de sinistres par vehicule pendant la première annee de mise en
service.
Pour les vehicules ayant eu, au plus, quatre sinistres, on a obtenu :
Nombre de
sinistres : xi
Effectif : ni
1 345
508
228
78
35
a ) Completer, après lavoir reproduit, le tableau suivant :

Nombre de
sinistres : xi
yi = ln ni
b ) Determiner, a` laide dune calculatrice, une e quation de la droite de regression de y en x sous la forme
y = ax + b
où a et b sont a` arrondir a` 10 2 .
` laide de lequation precedente, estimer le nombre de vehicules ayant eu six sinistres pendant leur première
c) A
annee de mise en circulation.
Exercice 16 : Une chane dembouteillage, bts mai, mai 2003
Les quatres questions de cet exercice sont inde pendantes
Dans une usine du secteur de lagroalimentaire, une
machine a` embouteiller est alimentee par un reservoir
deau et par une file dapprovisionnement en bouteilles
Rservoir
vides, selon le schema ci-contre.
Lexercice consiste en une e tude statistique du bon
fonctionnement de ce système.
File dentre
File de sortie
Machine
1. Defaut dapprovisionnement
On considère quil y a defaut dapprovisionnement :
soit lorsque la file dentree des bouteilles est vide,
soit lorsque le reservoir est vide.
On tire au hasard un jour ouvrable dans une annee. On note A levenement : la file dattente est vide au
moins une fois dans la journee et B levenement : le reservoir est vide au moins une fois dans la
journee .
On suppose que les e venements A et B sont independants et une e tude statistique a montre que
p(A) = 0 04
et
p(B) = 0 02
Calculer la probabilite des e venements suivants :

a ) E1 = A B.
b ) E2 : la machine a connu au moins un defaut dapprovisionnement dans la journee .

18
2. Pannes de la machine sur une duree de 100 jours

On note X la variable aleatoire qui a` toute periode de 100 jours consecutifs, tiree au hasard dans les jours ouvrables
dune annee, associe le nombre de pannes de la machine. Une e tude, menee par le constructeur sur un grand
nombre de machines de ce type, permet dadmettre que X suit la loi de Poisson de param e` tre = 0 5.
Determiner, a` laide de la table du formulaire :
a ) p(X 2);
b ) la probabilite de levenement la machine a au plus quatre pannes pendant la pe riode de 100 jours
consecutifs ;
c ) le plus petit entier n tel que : p(X n) 0 99.
Dans tout ce qui suit, les volumes sont exprime s en litres et tous les resultats approches sont a` arrondir
a` 10 3 .
3. Qualite de lembouteillage a` la sortie
On designe par Y la variable aleatoire qui, a` toute bouteille prise au hasard dans la production dune heure, associe
le volume deau quelle contient. On admet que, lorsque la machine est bien reglee, Y suit la loi normale de
moyenne 1 5 et decart-type 0 01.
Une bouteille deau est conforme aux normes de lentreprise lorsquelle contient entre 1 47 et 1 53 litre deau.
Calculer la probabilite quune bouteille satisfasse a` la norme.
4. Fiabilite dune machine a` embouteiller
On sinteresse a` une machine a` embouteiller prelevee au hasard dans le parc des machines sur le point detre
livrees par le constructeur.
On designe par T la variable aleatoire qui, a` toute machine prelevee au hasard dans le parc, asssocie sa duree de
vie avant une defaillance.
On note p(T t) la probabilite quune machine prelevee au hasard dans le parc nait pas de defaillance avant
linstant t, exprime en jours.
On suppose que p(T t) = e 0 005t .
a ) Calculer la probabilite quune machine prelevee au hasard dans le parc fonctionne plus de 200 jours sans
panne.
b ) Determiner t pour que la probabilite quune machine prelevee au hasard dans le parc fonctionne plus de t
jours, soit e gale a` 0 8. Arrondir a` lentier par defaut.
19

Stats Inf

Transféré par

Droits d'auteur :

Formats disponibles

Stats Inf

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Stats Inf

Transféré par

Droits d'auteur :

Formats disponibles

BTS Mecanique et Automatismes Industriels

Lycee Louis Armand, Poitiers, Annee scolaire 2005 2006

suit approximativement une loi normale N (0 1) .

 2 est une estimation ponctuelle de la variance 2 et

Lycee Louis Armand, Poitiers

4. Estimation dune moyenne par intervalle de confiance

utiliser une consequence du theor`eme de

n). Autrement dit que la variable aleatoire

4.1 - Calcul sur un exemple : intervalle de confiance a` 95%

situe dans lintervalle envisage x  1 96

. Cet intervalle est appele intervalle de confiance de la

Lycee Louis Armand, Poitiers

4.2 - Cas general

En reprenant tous les calculs ci-dessus, on obtient alors le resultat suivant :

est lintervalle de confiance de la moyenne m de la population avec le coefficient

5. Estimation dune frequence par intervalle de confiance

est lintervalle de confiance de la frequence p de la population avec le coefficient

6. Test de validite dhypoth`ese : nature du probl`eme

Lycee Louis Armand, Poitiers

7. Exemple de test : comparaison de la moyenne dune population a` un

La masse moyenne des pi`eces de lechantillon est de 774 7 g.

7.1 - Presentation du probl`eme

7.2 - Hypoth`ese nulle

e chantillon suit approximativement la loi normale N (780; n).

Avec la methode habituelle, on trouve h = 4 08, ce qui nous permet de conclure :

7.3 - R`egle de decision, region critique

[775 92 ; 784 08], on rejette H0

Lycee Louis Armand, Poitiers

7.4 - Erreur de seconde esp`ece

p(774 62 X 785 38) = 0 99

7.5 - Hypoth`ese alternative

Lycee Louis Armand, Poitiers

a ) Calcul du param`etre de lechantillon mentionne dans la r`egle de decision,

8. Exemple de test : comparaison de la moyenne de deux populations

8.2 - Un peu de theorie

On se place dans le cas o`u

Lycee Louis Armand, Poitiers

Lecart-type de D est donc

2 7, et D suit une loi normale N (mB  mA ; 2 7).

8.3 - Construction du test

8.4 - Utilisation du test

Lycee Louis Armand, Poitiers

9.2 - Construction du test unilateral

9.3 - Utilisation du test unilateral

Lycee Louis Armand, Poitiers

a ) Determiner le reel a tel que p(  a X a) = 0 99.

Exercice 2 : La machine a` bouchons, bts mai, 1996

[21 93; 21 95[

[21 95; 21 97[

[21 97; 21 99[

[21 99; 22 01[

[22 01; 22 03[

[22 03; 22 05[

[22 05; 22 07[

Lycee Louis Armand, Poitiers

1. Dans cette question, = 2 2.

pr`es, la probabilite que la masse quil contient soit

a ) Determiner le param`etre de cette loi.

2 est une estimation ponctuelle de la variance 2 et

situe dans lintervalle envisage x 1 96

2 7, et D suit une loi normale N (mB mA ; 2 7).

a ) Determiner le reel a tel que p( a X a) = 0 99.

2. Determiner le nombre reel positif h tel que p(150 h X 150 + h) = 0 95.

c ) On consid`ere laffirmation suivante : le pourcentage p est obligatoirement dans lintervalle de

b ) E2 : la machine a connu au moins un defaut dapprovisionnement dans la journee .